CN114494130A - 一种基于最优模型评价准则的产品美学评价体系 - Google Patents
一种基于最优模型评价准则的产品美学评价体系 Download PDFInfo
- Publication number
- CN114494130A CN114494130A CN202111594610.5A CN202111594610A CN114494130A CN 114494130 A CN114494130 A CN 114494130A CN 202111594610 A CN202111594610 A CN 202111594610A CN 114494130 A CN114494130 A CN 114494130A
- Authority
- CN
- China
- Prior art keywords
- product
- evaluation
- optimal model
- aesthetic
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000003796 beauty Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000013210 evaluation model Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 241000282414 Homo sapiens Species 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 6
- 230000033764 rhythmic process Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 230000002996 emotional effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims 1
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于最优模型评价准则的产品美学评价体系;S1、建立评价模型,通过评价模型实现对产品美学进行评价;S2、将产品的各项参数输入到最优模型中进行评价;S3、向最优模型中输入产品的各个方向的图片,再根据图片进行美学评价;S4、最后想最优模型中输入人体工学的数据信息,通过人体工学进行评价;S5、根据最优模型的检测数据实现对产品的形式美、结构美和功能美对产品的美学评价输出;本发明通过不同的方向实现对产品的美学进行评价,建立最优模型实现对产品的美学进行分析处理,以及在进行评价的时候,通过多种算法实现对不同的评价方向进行计算处理,能够有效的保持评价的计算精准度,评价的信度。
Description
技术领域
本发明属于产品美学评价技术领域,具体涉及一种基于最优模型评价准则的产品美学评价体系。
背景技术
设计作为一种艺术性的造物活动,其本质是“按照美的规律为人造物”。爱美之心,人皆有之。虽然“美”并不是设计的唯一属性和最终目的,但就设计成果而言,美的因素却成为考察其优劣程度的标准之一。美是唤起和激发人的最高享受的心理状态,它是人类设计、创造本质的最深刻反映。“美”的设计能使产品有效地使用,并给人以强烈的视觉冲击和视觉印象,提升产品的审美体验。美是抽象的,但同时它又是可感的。如何让见仁见智的美学评价在产品设计中形成有一定参考价值的标准来指导我们的设计是一个值得我们深思的问题,然而市面上各种的产品美学评价仍存在各种各样的问题。
如授权公告号为CN112862569A所公开的基于图像和文本多模态数据的产品外观风格评价方法和系统,其虽然实现了融合了产品图像信息与用户反馈文本信息,基于数据建模与分析实现外观风格方面的产品评价,相比于传统的专家评定法具有更加客观、科学、准确的优点,但是并未解决现有产品美学评价中存在的不能够实现对产品进行全面的评价和多方面检测方向进行评价处理的问题,为此我们提出一种基于最优模型评价准则的产品美学评价体系。
发明内容
本发明的目的在于提供一种基于最优模型评价准则的产品美学评价体系,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于最优模型评价准则的产品美学评价体系,包括有以下方法步骤:
S1、建立评价模型,通过评价模型实现对产品美学进行评价:通过输入大量的产品美学数据信息,实现对美学评价模型进行建立,建立最优模型评价准则;
S2、将产品的各项参数输入到最优模型中进行评价:将各项产品数据信息进行输入到最优模型中,根据最优模型实现对产品的数据信息进行计算处理,输出产品美学数据;
S3、向最优模型中输入产品的各个方向的图片,再根据图片进行美学评价:将产品各个方向的图片进行输入到最优模型中,通过图像处理实现对产品的美学进行评价,实现通过各个评价准则进行产品评价;
S4、最后向最优模型中输入人体工学的数据信息,通过人体工学进行评价:然后将人体工学的各项参数进行输入到最优模型中,然后根据人体工学的各项数据信息,实现对产品的使用体验进行检测,并且输出检测数据信息;
S5、根据最优模型的检测数据实现对产品的功能美、形式美和结构美对产品的美学评价输出:根据各项检测的输出数据信息实现对产品美学进行进行评价输出。
较佳的,所述S1中的产品美学数据信息包括有以往产品的技术参数、形式参数和体验参数,所述技术参数包括有产品设计的核心功能数据、材料数据、加工工艺数据和结构关系数据,所述形式参数包括有色彩、形状、线条、声音、材料及其组合规律,如变化与统一、节奏与韵律、比例与尺度、对比与协调,所述体验参数包括有人机尺寸及友好温馨的人机界面,亲切的人性化关怀,合理完善的功能,及其外观质量和外观形态表现或传达出一定的信息(情感语义)。
较佳的,所述S1中的最优模型是运用线性规划、非线性规划、动态规划、整数规划以及系统科学方法所确定的表示最优方案的模型;
所述最优模型的建立步骤如下:
S101、确定决策变量和目标变量;
S102、确定目标函数的表达式;
S103、寻找约束条件。
较佳的,所述最优模型即为求函数u=f(x),x=(x1,…,xn),x∈Ω在约束条件hi(x)=0,i=1,2,…,m和gi(x)≥0(gi(x)≤0),i=1,2…,p下的最大值或最小值,其中f(x)为目标函数,x为决策变量,Ω为可行域。
较佳的,所述最优模型中的最优化问题根据有无约束条件分为无约束条件的最优化问题和有约束条件的最优化问题;根据决策变量在目标函数与约束条件中出现的形式可分为线性规划问题和非线性规划问题;根据决策变量是否要求取整数可分为整数规划问题和任意规划问题。
较佳的,所述S2中的计算处理采用的神经网络算法,所述神经网络算法采用的是深度神经网络,所述深度神经网络由输入层、隐藏层和输出层组成,所述深度神经网络的深度表示它的隐藏层大于2层,具有更深的抽象和降维能力。
较佳的,所述深度神经网络的计算公式如下:
即第i层的任意一个神经元一定与第i+1层的任意一个神经元相连,即一个线性关系z=∑wixi+b加上一个激活函数σ(z),由于DNN层数多,则线性关系系数w和偏倚b的数量也就是很多了;
以三层的DNN为例,第二层的第4个神经元到第三层的第2个神经元的线性系数定义为,上标3代表线性系数w所在的层数,而下标对应的是输出的第三层索引2和输入的第二层索引4,且而每次进行矩阵运算是wTx+b,需要进行转置,将输出的索引放在前面的话,则线性运算不用转置,即直接为wx+b,总结下,第l-1层的第k个神经元到第l层的第j个神经元的线性系数定义为,输入层是没有w参数的;
偏倚b的定义,以三层的DNN为例,第二层的第三个神经元对应的偏倚定义为,其中,上标2代表所在的层数,下标3代表偏倚所在的神经元的索引,同样的道理,第三个的第一个神经元的偏倚应该表示为,同样的,输入层是没有偏倚参数b的。
较佳的,所述S3中的图像处理采用的是模糊算法,所述模糊算法包括有均值模糊和高斯模糊,所述均值模糊和所述高斯模糊基本的过程都是计算一个像素周边的某个领域内,相关像素的某个特征值的累加和及对应的权重,然后得到结果值。
较佳的,所述高斯模糊的计算公式如下:
正态分布的密度函数叫做高斯函数,它的一维形式是:
其中,μ是x的均值,σ是x的方差,因为计算平均值的时候,中心点就是原点,所以μ等于0;
根据一维高斯函数,可以推导得到二维高斯函数:
有了这个函数,计算每个点的权重。
较佳的,所述S4中的人体工学采用的是贪心算法,所述贪心算法用于寻找最优解问题的常用方法;
所述贪心算法一般按如下步骤进行:
S401、输入贪心算法的约束条件;
S402、把求解的问题分成若干个子问题;
S403、对每个子问题求解,得到子问题的局部最优解;
S404、把子问题的解局部最优解合成原来解问题的一个解。
与现有技术相比,本发明的有益效果是:
本发明通过不同的方向实现对产品的美学进行评价,即通过对产品的技术参数、形式参数和体验参数的输入,建立最优模型实现对产品的美学进行分析处理,即通过技术、外形和使用体感等多方面进行有效的评价,使得产品能够有效的突出产品的优点的美学,以及在进行评价的时候,通过多种算法实现对不同的评价方向进行计算处理,能够有效的保持评价的计算精准度,评价的信度。
附图说明
图1为本发明的方法步骤流程示意图;
图2为本发明的最优模型的建立步骤流程示意图;
图3为本发明的贪心算法步骤流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图3,本发明提供一种技术方案:一种基于最优模型评价准则的产品美学评价体系,包括有以下方法步骤:
S1、建立评价模型,通过评价模型实现对产品美学进行评价:通过输入大量的产品美学数据信息,实现对美学评价模型进行建立,建立最优模型评价准则;
S2、将产品的各项参数输入到最优模型中进行评价:将各项产品数据信息进行输入到最优模型中,根据最优模型实现对产品的数据信息进行计算处理,输出产品美学数据;
S3、向最优模型中输入产品的各个方向的图片,再根据图片进行美学评价:将产品各个方向的图片进行输入到最优模型中,通过图像处理实现对产品的美学进行评价,实现通过各个评价准则进行产品评价;
S4、最后向最优模型中输入人体工学的数据信息,通过人体工学进行评价:然后将人体工学的各项参数进行输入到最优模型中,然后根据人体工学的各项数据信息,实现对产品的使用体验进行检测,并且输出检测数据信息;
S5、根据最优模型的检测数据实现对产品的形式美、结构美和功能美对产品的美学评价输出:根据各项检测的输出数据信息实现对产品美学进行进行评价输出。
通过大量的现有数据信息,实现对产品的美学模型进行建立,本实施例中,优选的,所述S1中的产品美学数据信息包括有以往产品的技术参数、形式参数和体验参数,所述技术参数包括有产品设计的核心功能数据、材料数据、加工工艺数据和结构关系数据,所述形式参数包括有色彩、形状、线条、声音、材料及其组合规律,如变化与统一、节奏与韵律、比例与尺度、对比与协调,所述体验参数包括有人机尺寸及友好温馨的人机界面,亲切的人性化关怀,合理完善的功能,及其外观质量和外观形态表现或传达出一定的信息(情感语义)。
为了实现对产品进行有效的评价,建立最优模型,能够有效的获取产品美学中的最优点,本实施例中,优选的,所述S1中的最优模型是运用线性规划、非线性规划、动态规划、整数规划以及系统科学方法所确定的表示最优方案的模型;
所述最优模型的建立步骤如下:
S101、确定决策变量和目标变量;
S102、确定目标函数的表达式;
S103、寻找约束条件。
为了实现对产品的最优模型进行计算处理,实现对检测要求进行约束,便于评价处理,能够保持数据的输出的精准度,本实施例中,优选的,所述最优模型即为求函数u=f(x),x=(x1,…,xn),x∈Ω在约束条件hi(x)=0,i=1,2,…,m和gi(x)≥0(gi(x)≤0),i=1,2…,p下的最大值或最小值,其中f(x)为目标函数,x为决策变量,Ω为可行域。
根据不同的计算处理方式,实现对最优模型进行不同的条件约束,本实施例中,优选的,所述最优模型中的最优化问题根据有无约束条件分为无约束条件的最优化问题和有约束条件的最优化问题;根据决策变量在目标函数与约束条件中出现的形式可分为线性规划问题和非线性规划问题;根据决策变量是否要求取整数可分为整数规划问题和任意规划问题。
为了实现对产品的技术数据进行检测,实现对产品的技术性美学进行有效的评价,本实施例中,优选的,所述S2中的计算处理采用的神经网络算法,所述神经网络算法采用的是深度神经网络,所述深度神经网络由输入层、隐藏层和输出层组成,所述深度神经网络的深度表示它的隐藏层大于2层,具有更深的抽象和降维能力,所述深度神经网络的计算公式如下:
即第i层的任意一个神经元一定与第i+1层的任意一个神经元相连,即一个线性关系z=∑wixi+b加上一个激活函数σ(z),由于DNN层数多,则线性关系系数w和偏倚b的数量也就是很多了;
以三层的DNN为例,第二层的第4个神经元到第三层的第2个神经元的线性系数定义为,上标3代表线性系数w所在的层数,而下标对应的是输出的第三层索引2和输入的第二层索引4,且而每次进行矩阵运算是wTx+b,需要进行转置,将输出的索引放在前面的话,则线性运算不用转置,即直接为wx+b,总结下,第l-1层的第k个神经元到第l层的第j个神经元的线性系数定义为,输入层是没有w参数的;
偏倚b的定义,以三层的DNN为例,第二层的第三个神经元对应的偏倚定义为,其中,上标2代表所在的层数,下标3代表偏倚所在的神经元的索引,同样的道理,第三个的第一个神经元的偏倚应该表示为同样的,输入层是没有偏倚参数b的。
为了实现对产品的形式主义美学进行有效的计算处理,提高外观设备的效果,本实施例中,优选的,所述S3中的图像处理采用的是模糊算法,所述模糊算法包括有均值模糊和高斯模糊,所述均值模糊和所述高斯模糊基本的过程都是计算一个像素周边的某个领域内,相关像素的某个特征值的累加和及对应的权重,然后得到结果值,所述高斯模糊的计算公式如下:
正态分布的密度函数叫做高斯函数,它的一维形式是:
其中,μ是x的均值,σ是x的方差,因为计算平均值的时候,中心点就是原点,所以μ等于0;
根据一维高斯函数,可以推导得到二维高斯函数:
有了这个函数,计算每个点的权重。
为了实现对产品的使用体感进行评价,提高产品的使用效果,本实施例中,优选的,所述S4中的人体工学采用的是贪心算法,所述贪心算法用于寻找最优解问题的常用方法;
所述贪心算法一般按如下步骤进行:
S401、输入贪心算法的约束条件;
S402、把求解的问题分成若干个子问题;
S403、对每个子问题求解,得到子问题的局部最优解;
S404、把子问题的解局部最优解合成原来解问题的一个解。
本发明的工作原理及使用流程:
第一步、建立评价模型,通过评价模型实现对产品美学进行评价:通过输入大量的产品美学数据信息,实现对美学评价模型进行建立,建立最优模型评价准则;
第二步、将产品的各项参数输入到最优模型中进行评价:将各项产品数据信息进行输入到最优模型中,根据最优模型实现对产品的数据信息进行计算处理,输出产品美学数据;
第三步、向最优模型中输入产品的各个方向的图片,再根据图片进行美学评价:将产品各个方向的图片进行输入到最优模型中,通过图像处理实现对产品的美学进行评价,实现通过各个评价准则进行产品评价;
第四步、最后向最优模型中输入人体工学的数据信息,通过人体工学进行评价:然后将人体工学的各项参数进行输入到最优模型中,然后根据人体工学的各项数据信息,实现对产品的使用体验进行检测,并且输出检测数据信息;
第五步、根据最优模型的检测数据实现对产品的形式美、结构美和功能美对产品的美学评价输出:根据各项检测的输出数据信息实现对产品美学进行进行评价输出。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于最优模型评价准则的产品美学评价体系,其特征在于:包括有以下方法步骤:
S1、建立评价模型,通过评价模型实现对产品美学进行评价:通过输入大量的产品美学数据信息,实现对美学评价模型进行建立,建立最优模型评价准则;
S2、将产品的各项参数输入到最优模型中进行评价:将各项产品数据信息进行输入到最优模型中,根据最优模型实现对产品的数据信息进行计算处理,输出产品美学数据;
S3、向最优模型中输入产品的各个方向的图片,再根据图片进行美学评价:将产品各个方向的图片进行输入到最优模型中,通过图像处理实现对产品的美学进行评价,实现通过各个评价准则进行产品评价;
S4、最后向最优模型中输入人体工学的数据信息,通过人体工学进行评价:然后将人体工学的各项参数进行输入到最优模型中,然后根据人体工学的各项数据信息,实现对产品的使用体验进行检测,并且输出检测数据信息;
S5、根据最优模型的检测数据实现对产品的形式美、结构美和功能美对产品的美学评价输出:根据各项检测的输出数据信息实现对产品美学进行进行评价输出。
2.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系,其特征在于:所述S1中的产品美学数据信息包括有以往产品的技术参数、形式参数和体验参数,所述技术参数包括有产品设计的核心功能数据、材料数据、加工工艺数据和结构关系数据,所述形式参数包括有色彩、形状、线条、材料、声音及其组合规律,如变化统一、节奏与韵律,所述体验参数包括有人机尺寸及友好温馨的人机界面,亲切的人性化关怀,合理完善的功能,及其外观质量和外观形态表现或传达出一定的信息(情感语义)。
3.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系,其特征在于:所述S1中的最优模型是运用线性规划、非线性规划、动态规划、整数规划以及系统科学方法所确定的表示最优方案的模型;
所述最优模型的建立步骤如下:
S101、确定决策变量和目标变量;
S102、确定目标函数的表达式;
S103、寻找约束条件。
4.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系,其特征在于:所述最优模型即为求函数u=f(x),x=(x1,…,xn),x∈Ω在约束条件hi(x)=0,i=1,2,…,m和gi(x)≥0(gi(x)≤0),i=1,2…,p下的最大值或最小值,其中f(x)为目标函数,x为决策变量,Ω为可行域。
5.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系,其特征在于:所述最优模型中的最优化问题根据有无约束条件分为无约束条件的最优化问题和有约束条件的最优化问题;根据决策变量在目标函数与约束条件中出现的形式可分为线性规划问题和非线性规划问题;根据决策变量是否要求取整数可分为整数规划问题和任意规划问题。
6.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系,其特征在于:所述S2中的计算处理采用的神经网络算法,所述神经网络算法采用的是深度神经网络,所述深度神经网络由输入层、隐藏层和输出层组成,所述深度神经网络的深度表示它的隐藏层大于2层,具有更深的抽象和降维能力。
7.根据权利要求6所述的一种基于最优模型评价准则的产品美学评价体系,其特征在于:所述深度神经网络的计算公式如下:
即第i层的任意一个神经元一定与第i+1层的任意一个神经元相连,即一个线性关系z=∑wixi+b加上一个激活函数σ(z),由于DNN层数多,则线性关系系数w和偏倚b的数量也就是很多了;
以三层的DNN为例,第二层的第4个神经元到第三层的第2个神经元的线性系数定义为上标3代表线性系数w所在的层数,而下标对应的是输出的第三层索引2和输入的第二层索引4,且而每次进行矩阵运算是wTx+b,需要进行转置,将输出的索引放在前面的话,则线性运算不用转置,即直接为wx+b,总结下,第l-1层的第k个神经元到第l层的第j个神经元的线性系数定义为输入层是没有w参数的;
8.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系,其特征在于:所述S3中的图像处理采用的是模糊算法,所述模糊算法包括有均值模糊和高斯模糊,所述均值模糊和所述高斯模糊基本的过程都是计算一个像素周边的某个领域内,相关像素的某个特征值的累加和及对应的权重,然后得到结果值。
10.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系,其特征在于:所述S4中的人体工学采用的是贪心算法,所述贪心算法用于寻找最优解问题的常用方法;
所述贪心算法一般按如下步骤进行:
S401、输入贪心算法的约束条件;
S402、把求解的问题分成若干个子问题;
S403、对每个子问题求解,得到子问题的局部最优解;
S404、把子问题的解局部最优解合成原来解问题的一个解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111594610.5A CN114494130A (zh) | 2021-12-24 | 2021-12-24 | 一种基于最优模型评价准则的产品美学评价体系 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111594610.5A CN114494130A (zh) | 2021-12-24 | 2021-12-24 | 一种基于最优模型评价准则的产品美学评价体系 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494130A true CN114494130A (zh) | 2022-05-13 |
Family
ID=81493582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111594610.5A Pending CN114494130A (zh) | 2021-12-24 | 2021-12-24 | 一种基于最优模型评价准则的产品美学评价体系 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494130A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194926A (zh) * | 2017-06-13 | 2017-09-22 | 复旦大学 | 互补色小波域图像质量盲评价方法 |
CN107610123A (zh) * | 2017-10-11 | 2018-01-19 | 中共中央办公厅电子科技学院 | 一种基于深度卷积神经网络的图像美学质量评价方法 |
WO2018192245A1 (zh) * | 2017-04-19 | 2018-10-25 | 中国电子科技集团公司电子科学研究院 | 一种基于美学评价的照片自动评分方法 |
CN108961245A (zh) * | 2018-07-06 | 2018-12-07 | 西安电子科技大学 | 基于双通道深度并行卷积网络的图像质量分类方法 |
WO2019010640A1 (zh) * | 2017-07-12 | 2019-01-17 | 中国科学院自动化研究所 | 图像美感评估方法及装置 |
CN109255374A (zh) * | 2018-08-27 | 2019-01-22 | 中共中央办公厅电子科技学院 | 一种基于密集卷积网络和多任务网络的美学属性评价方法 |
CN109544524A (zh) * | 2018-11-15 | 2019-03-29 | 中共中央办公厅电子科技学院 | 一种基于注意力机制的多属性图像美学评价系统 |
CN110473164A (zh) * | 2019-05-31 | 2019-11-19 | 北京理工大学 | 一种基于注意力机制的图像美学质量评价方法 |
CN110853032A (zh) * | 2019-11-21 | 2020-02-28 | 北京航空航天大学 | 基于多模态深度学习的无人机视频美学质量评价方法 |
CN111008971A (zh) * | 2019-12-24 | 2020-04-14 | 天津工业大学 | 一种合影图像的美学质量评价方法及实时拍摄指导系统 |
CN111753873A (zh) * | 2020-05-12 | 2020-10-09 | 北京捷通华声科技股份有限公司 | 一种图像检测方法和装置 |
CN112330613A (zh) * | 2020-10-27 | 2021-02-05 | 深思考人工智能科技(上海)有限公司 | 一种细胞病理数字图像质量的评价方法及系统 |
CN112580636A (zh) * | 2020-12-30 | 2021-03-30 | 杭州电子科技大学 | 一种基于跨模态协同推理的图像美学质量评价方法 |
US20210182613A1 (en) * | 2017-12-15 | 2021-06-17 | Huawei Technologies Co., Ltd. | Image aesthetic processing method and electronic device |
-
2021
- 2021-12-24 CN CN202111594610.5A patent/CN114494130A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018192245A1 (zh) * | 2017-04-19 | 2018-10-25 | 中国电子科技集团公司电子科学研究院 | 一种基于美学评价的照片自动评分方法 |
CN107194926A (zh) * | 2017-06-13 | 2017-09-22 | 复旦大学 | 互补色小波域图像质量盲评价方法 |
WO2019010640A1 (zh) * | 2017-07-12 | 2019-01-17 | 中国科学院自动化研究所 | 图像美感评估方法及装置 |
CN107610123A (zh) * | 2017-10-11 | 2018-01-19 | 中共中央办公厅电子科技学院 | 一种基于深度卷积神经网络的图像美学质量评价方法 |
US20210182613A1 (en) * | 2017-12-15 | 2021-06-17 | Huawei Technologies Co., Ltd. | Image aesthetic processing method and electronic device |
CN108961245A (zh) * | 2018-07-06 | 2018-12-07 | 西安电子科技大学 | 基于双通道深度并行卷积网络的图像质量分类方法 |
CN109255374A (zh) * | 2018-08-27 | 2019-01-22 | 中共中央办公厅电子科技学院 | 一种基于密集卷积网络和多任务网络的美学属性评价方法 |
CN109544524A (zh) * | 2018-11-15 | 2019-03-29 | 中共中央办公厅电子科技学院 | 一种基于注意力机制的多属性图像美学评价系统 |
CN110473164A (zh) * | 2019-05-31 | 2019-11-19 | 北京理工大学 | 一种基于注意力机制的图像美学质量评价方法 |
CN110853032A (zh) * | 2019-11-21 | 2020-02-28 | 北京航空航天大学 | 基于多模态深度学习的无人机视频美学质量评价方法 |
CN111008971A (zh) * | 2019-12-24 | 2020-04-14 | 天津工业大学 | 一种合影图像的美学质量评价方法及实时拍摄指导系统 |
CN111753873A (zh) * | 2020-05-12 | 2020-10-09 | 北京捷通华声科技股份有限公司 | 一种图像检测方法和装置 |
CN112330613A (zh) * | 2020-10-27 | 2021-02-05 | 深思考人工智能科技(上海)有限公司 | 一种细胞病理数字图像质量的评价方法及系统 |
CN112580636A (zh) * | 2020-12-30 | 2021-03-30 | 杭州电子科技大学 | 一种基于跨模态协同推理的图像美学质量评价方法 |
Non-Patent Citations (5)
Title |
---|
刘世明等: "铁路安全信息管理系统", 31 March 1999, 西南交通大学出版社, pages: 27 - 28 * |
张浩: "基于OpenCL的FFmpeg模糊过滤器算法优", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 August 2015 (2015-08-15), pages 138 - 1379 * |
潘萍等: "产品形态设计评价体系与评价方法", 机械设计与研究, vol. 29, no. 05, 31 October 2013 (2013-10-31), pages 37 - 41 * |
程显毅等: "图像空间关系特征描述", 江南大学学报(自然科学版), vol. 6, no. 6, 31 December 2007 (2007-12-31), pages 637 - 641 * |
郑长军: "宏观经济学", 31 October 2020, 武汉大学出版社, pages: 15 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Costa | Further generalizations of the Jaccard index | |
Hsiao et al. | A neural network based approach for product form design | |
Masson et al. | ECM: An evidential version of the fuzzy c-means algorithm | |
Wang | A hybrid Kansei engineering design expert system based on grey system theory and support vector regression | |
Wilkinson | The grammar of graphics | |
CN109960759A (zh) | 基于深度神经网络的推荐系统点击率预测方法 | |
Choo et al. | Customizing computational methods for visual analytics with big data | |
Jing et al. | A rough set-based interval-valued intuitionistic fuzzy conceptual design decision approach with considering diverse customer preference distribution | |
Kelty-Stephen | Multifractal evidence of nonlinear interactions stabilizing posture for phasmids in windy conditions: A reanalysis of insect postural-sway data | |
JPH0488558A (ja) | デザイン装置 | |
CN108920521A (zh) | 基于伪本体的用户画像-项目推荐系统及方法 | |
Hong et al. | CBCRS: An open case-based color recommendation system | |
Wu et al. | Product design award prediction modeling: Design visual aesthetic quality assessment via DCNNs | |
Zhang et al. | Quantal response methods for equilibrium selection in 2× 2 coordination games | |
Yu et al. | Research on clothing patterns generation based on multi-scales self-attention improved generative adversarial network | |
Christodoulou | Optimum bid markup calculation using neurofuzzy systems and multidimensional risk analysis algorithm | |
CN114494130A (zh) | 一种基于最优模型评价准则的产品美学评价体系 | |
Huicong et al. | Design specification representation for intelligent product appearance design | |
CN111241372B (zh) | 根据用户偏好学习预测颜色和谐程度的方法 | |
Hui et al. | Learning‐based fuzzy colour prediction system for more effective apparel design | |
CN106845391B (zh) | 一种家居环境下的氛围场识别方法及识别系统 | |
Kwong et al. | A modified dynamic evolving neural-fuzzy approach to modeling customer satisfaction for affective design | |
Wu et al. | [Retracted] Neural Network Model for Perceptual Evaluation of Product Modelling Design Based on Multimodal Image Recognition | |
Ciesielski et al. | Synthesis of feedforward networks in supremum error bound | |
He et al. | Improvement of Gaussian kernel function for face recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |