[發明專利]基于深度學習模型的圖文設計質量檢測方法、裝置及系統

在審

• 申請號: 201911046872.0
• 申請日: 2019-10-30
• 公開（公告）號: CN110781633A
• 公開（公告）日: 2020-02-11
• 發明（設計）人: 胡浩;佟博;梁容銘;蘇旭;楊超龍
• 申請（專利權）人: 廣東博智林機器人有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06T7/00;G06K9/62;G06N3/08
• 代理公司: 11227 北京集佳知識產權代理有限公司
• 代理人: 沈闖

1.基于深度學習模型的圖文設計質量檢測方法，其特征在于，包括：

接收圖文設計；

將所述圖文設計依次放入若干個預設的評價模型中，所述評價模型基于深度學習網絡構建；

分別獲取每一個所述評價模型的輸出值；

若每一個評價模型的輸出值均為預設值，則輸出檢測結果為優質設計；

若存在輸出值不為所述預設值的評價模型，則輸出檢測結果為劣質設計，并輸出對應的所述評價模型及其輸出值。

2.根據權利要求1所述的基于深度學習模型的圖文設計質量檢測方法，其特征在于，所述將所述圖文設計依次放入若干個預設的評價模型中之后，所述分別獲取每一個所述評價模型的輸出值之前，還包括：

若所述評價模型的得分達到對應的預設閾值，則將所述評價模型的輸出值設定為預設值；

若所述評價模型的得分未達到對應的所述預設閾值，則將所述評價模型的輸出值設定為預設值以外的值。

3.根據權利要求1所述的基于深度學習模型的圖文設計質量檢測方法，其特征在于，所述評價模型包括若干個硬規則評價模型和一個主觀評價模型；

所述若存在輸出值不為所述預設值的評價模型，則輸出檢測結果為劣質設計，并輸出對應的所述評價模型及其輸出值具體包括：

若每一個所述硬規則評價模型的輸出值均為預設值，所述主觀評價模型的輸出值不為所述預設值，則將所述圖文設計輸出進行人工復查；

若存在輸出值不為所述預設值的硬規則評價模型，則輸出檢測結果為劣質設計，并輸出對應的所述硬規則評價模型及其輸出值。

4.根據權利要求1所述的基于深度學習模型的圖文設計質量檢測方法，其特征在于，所述若存在輸出值不為所述預設值的評價模型，則輸出檢測結果為劣質設計，并輸出對應的所述評價模型及其輸出值之后，還包括：

接收修改后的圖文設計，返回所述將所述圖文設計依次放入若干個預設的評價模型中，直到輸出檢測結果為優質設計。

5.根據權利要求3所述的基于深度學習模型的圖文設計質量檢測方法，其特征在于，所述硬規則評價模型包括元素完整性模型、尺寸合理性模型、布局合理性模型、顏色協調性模型中的一個或多個。

6.基于深度學習模型的圖文設計質量檢測裝置，其特征在于，包括：

接收單元，用于接收圖文設計；

評價單元，用于將所述圖文設計依次放入若干個預設的評價模型中，所述評價模型基于深度學習網絡構建；

獲取單元，用于分別獲取每一個所述評價模型的輸出值；

第一輸出單元，用于若每一個評價模型的輸出值均為預設值，則輸出檢測結果為優質設計；

第二輸出單元，用于若存在輸出值不為所述預設值的評價模型，則輸出檢測結果為劣質設計，并輸出對應的所述評價模型及其輸出值。

7.根據權利要求6所述的基于深度學習模型的圖文設計質量檢測裝置，其特征在于，還包括：

第一設定單元，用于若所述評價模型的得分達到對應的預設閾值，則將所述評價模型的輸出值設定為預設值；

第二設定單元，若所述評價模型的得分未達到對應的所述預設閾值，則將所述評價模型的輸出值設定為預設值以外的值。

8.根據權利要求6所述的基于深度學習模型的圖文設計質量檢測裝置，其特征在于，所述評價模型包括若干個硬規則評價模型和一個主觀評價模型；

所述第二輸出單元具體包括：

第一子單元，用于若每一個所述硬規則評價模型的輸出值均為預設值，所述主觀評價模型的輸出值不為所述預設值，則將所述圖文設計輸出進行人工復查；

第二子單元，用于若存在輸出值不為所述預設值的硬規則評價模型，則輸出檢測結果為劣質設計，并輸出對應的所述硬規則評價模型及其輸出值。

9.基于深度學習模型的圖文設計質量檢測系統，其特征在于，包括評價模型和如權利要求6至8任一項所述的基于深度學習模型的圖文設計質量檢測裝置；

所述評價模型包括若干個硬規則評價模型和一個主觀評價模型。

10.根據權利要求9所述的基于深度學習模型的圖文設計質量檢測系統，其特征在于，所述硬規則評價模型包括元素完整性模型、尺寸合理性模型、布局合理性模型、顏色協調性模型中的一個或多個。