[發明專利]基于古代長沙窯陶瓷風格的可生產器型的智能生成算法在審

申請號：	201811522226.2	申請日：	2018-12-13
公開（公告）號：	CN110148207A	公開（公告）日：	2019-08-20
發明（設計）人：	王勝春;魯雯;余孝忠	申請（專利權）人：	湖南師范大學
主分類號：	G06T17/00	分類號：	G06T17/00;G06N3/08;B28B17/00;B28B15/00
代理公司：	長沙新裕知識產權代理有限公司 43210	代理人：	梁小林
地址：	410006 湖***	國省代碼：	湖南;43
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	智能生成生產器器形算法陶瓷陶瓷生產工藝整體生產效率模塊生成器人工智能參考模型參數約束輪廓曲線神經網絡陶瓷設計陶瓷生產網絡包括低成本生產性數據集子模塊構建基樣風格去除文化遺產參考生產
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【權利要求書】：

1.基于古代長沙窯陶瓷風格的可生產器型的智能生成算法，其特征是包括以下步驟：

步驟1：(1)通過3D立體掃描儀對長沙窯器形進行3D建模，構成長沙窯3D立體器形參數庫及平面圖片庫；

(2)從網絡中以爬蟲的方式收集到現代家用常用器形參數數據庫，構成陶瓷日常用具3D器物庫及平面圖片庫；

(3)與合作工廠工坊共同建立加工參數約束數據集，包含生產線及關鍵約束參數；

步驟2：構建深度神經網絡VesselNet，該網絡包括兩個子模塊，一個子模塊VesselShapeNet負責生成新的器形，另外一個VesselVertexNet模塊生成器形的輪廓曲線，并通過最后的參數約束數據集去除不能生產的異常器形；

步驟3：VesselShapeNet采用GAN生成對抗網絡的思路來生成新的瓷器器形；GAN模型通過框架中的兩個模塊，即生成模型和判別模型的互相博弈學習產生符合生產的輸出，最終達到博弈中的納什均衡；此時生成模型學習到的分布接近于原始數據分布，并用訓練好的生成模型來生成新的數據樣本；

步驟4：定義VesselShapeNet網絡的生成模型結構，網絡包含1個輸入層，3個全連接層，1個輸出層；

定義VesselShapeNet網絡的判別模型結構，網絡包含1個輸入層，3個全連接層，1個輸出層；

步驟5：VesselShapeNet的輸入是經過預處理的瓷器平面圖像：圖像預處理包括；1.對背景進行盡可能的去除，2.對多余的區域盡量裁剪；3.將瓷器圖像統一按比例縮放到50x50的區域；4.將瓷器圖像處理為灰度圖像；5.將灰度圖像進行歸一化處理；

步驟6：將數據輸入VesselShapeNet進行訓練，當VesselShapeNet收斂時，便將VesselShapeNet的生成模型用于新的瓷器器形輪廓圖像的生成；

步驟7：生成新的瓷器器形輪廓圖像后，將其作為VesselVertexNet的輸入，從而生成目標瓷器器形輪廓曲線頂點參數；

VesselVertexNet網絡是從生成的瓷器輪廓封閉區域出發，首先通過ConvolutionalNeural Network(卷積神經網絡)在器形圖像輪廓上尋找一個起點，隨后基于CONVGRU(Convolutional Gated Recurrent Units，帶卷積的門控循環單元)算法來預測一個目標瓷器器形封閉的多邊形輪廓；

步驟8：構建深度神經網絡VesselVertexNet，該網絡由3層卷積層(ConvolutionalLayer)，2層池化層(Pooling Layer)，以及1個CONVGRU帶卷積的門控循環單元，1個全連接層(Dense Layer)組成。

步驟9：CONVGRU網絡的每個序列元素上輸出一個二維特征圖，該輸出尺寸與原圖一致，每個點的數值是當前坐標點的概率；同時，每次輸出單獨的一個數值，代碼當前坐標點是多邊形邊緣終點的概率；

在第二部分CONVGRU的輸入中，不但輸入卷積神經網絡所獲取的特征，同時也輸入N-1,N-2個、N-3個坐標點和第一個坐標點；

步驟10：將生成的器形邊緣輪廓參數輸入生產約束校驗模塊，由約束校驗模塊判斷其加工的可行性，如果不能通過校驗，則丟棄；如果能夠通過生產約束校驗模塊的器形保存，并展示給設計師作為參考。

2.根據權利要求1所述的基于古代長沙窯陶瓷風格的可生產器型的智能生成算法，其特征是：

所述步驟4中，采用WGAN(Wasserstein GAN)損失優化公式，

損失函數如下：

其中，

Mini-Batch(每批次)樣本總數為m，

取平均值，

f_ω：判別網絡，

g_θ：生成網絡，