[發明專利]陶瓷產品原型視覺特征與自然語義關聯模型構建方法

有效

• 申請號: 202110556319.2
• 申請日: 2021-05-21
• 公開（公告）號: CN113192187B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 雍俊海;吳子健
• 申請（專利權）人: 清華大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06F40/30;G06F40/284;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 王萌

1.一種陶瓷產品原型視覺特征與自然語義關聯模型構建方法，其特征在于，包括以下步驟：

根據陶瓷產品原型生成量化特征參數；

根據所述陶瓷產品原型的自然語義描述生成對應的量化語義參數；

以所述量化特征參數為輸入，所述量化語義參數為輸出，構建基于深度學習訓練的陶瓷產品原型與自然語義關聯模型；

其中，所述根據陶瓷產品原型生成量化特征參數包括以下步驟：

步驟S1：將所述陶瓷產品原型轉化為基于特征線旋轉的標準化表示方式；

步驟S2：根據所述陶瓷產品原型的語義特點，在所述特征線中標記關鍵點；

步驟S3：計算所述關鍵點的位置參數與特征參數；

步驟S4：重復進行步驟S2、步驟S3，將生成的關鍵點的特征參數依次排列，生成量化特征參數。

2.如權利要求1所述的方法，其特征在于，所述量化語義參數的生成包括以下步驟：

對所述陶瓷產品原型的自然語義描述進行分詞處理，生成有序實詞集合；

對所述有序實詞集合進行自然語義分析，生成量化語義參數。

3.如權利要求1所述的方法，其特征在于，通過深度學習訓練所述陶瓷產品原型與自然語義關聯模型，訓練過程所用的最小化能量函數為：

其中λ₁和λ₂是控制系數，d和d²分別為1階距離函數和2階距離函數，F₁與F₂為輸入的訓練模型的量化特征參數的兩個部分，F₁′與F′₂為訓練模型輸出的量化特征參數的兩個部分，使用VGG模型作為訓練模型。

4.如權利要求1所述的方法，其特征在于，所述陶瓷產品原型與自然語義關聯模型用于根據量化語義參數生成對應的陶瓷產品原型的量化特征參數。

5.一種陶瓷產品原型視覺特征與自然語義關聯模型構建裝置，其特征在于，包括生成模塊、構建模塊，其中，

所述生成模塊，用于根據陶瓷產品原型生成量化特征參數，根據所述陶瓷產品原型的自然語義描述生成對應的量化語義參數；

所述構建模塊，用于以所述量化特征參數為輸入，所述量化語義參數為輸出，構建基于深度學習訓練的陶瓷產品原型與自然語義關聯模型；

其中，所述生成模塊，包括第一生成單元、第二生成單元，其中，

所述第一生成單元，具體用于：

步驟S1：將所述陶瓷產品原型轉化為基于特征線旋轉的標準化表示方式；

步驟S2：根據所述陶瓷產品原型的語義特點，在所述特征線中標記關鍵點；

步驟S3：計算所述關鍵點的位置參數與特征參數；

步驟S4：重復進行步驟S2、步驟S3，將生成的關鍵點的特征參數依次排列，生成量化特征參數，

所述第二生成單元，具體用于：

對所述陶瓷產品原型的自然語義描述進行分詞處理，生成有序實詞集合；

對所述有序實詞集合進行自然語義分析，生成量化語義參數。

6.如權利要求5所述的裝置，其特征在于，所述構建模塊，具體用于：

通過深度學習訓練所述陶瓷產品原型與自然語義關聯模型，訓練過程所用的最小化能量函數為：

其中λ₁和λ₂是控制系數，d和d²分別為1階距離函數和2階距離函數，F1與F2為輸入的訓練模型的量化特征參數的兩個部分，F₁'與F′₂為訓練模型輸出的量化特征參數的兩個部分，使用VGG模型作為訓練模型。

7.一種非臨時性計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1-4中任一所述的方法。