一种家具风格识别与生成方法

技术领域

本发明涉及家具设计领域，特别是涉及一种家具风格识别与生成方法。

背景技术

我国的家具产业经过几十年的发展，形成了一定的产业规模，家具的生产和出口在国际家具产业中已占有相当重要的地位，随着经济全球化趋势和互联网的发展和广泛应用，将给企业带来更激烈的竟争，迫使企业不断寻求新技术、新方法和新手段，以便提高自己在市场中的核心竞争力，从而获得生存和发展，在此背景下，设计能力显得尤为重要，设计能力在某些行业已成为新的驱动力；如今，家具产业也同样处于转型升级的关键节点处，如何让古老的家具产业依托新型的计算机技术和设计理论焕发新的生命力，已成为企业和设计师所面临的迫切需要考虑和解决的问题；

在设计方法中，由于我国现代设计的起步较晚，创意方法与世界先进水平相比仍存在较大差距，主要表现在以下几个方面：首先，设计师需要花费大量的时间和精力从原有案例素材中甄选启发创作灵感的知识，造成了创新能力薄弱；其次，传统设计方法往往很大程度上都在依托设计师的个人经验，设计作品同样也会带有强烈的设计师个人意愿，易受设计师本人主观情绪、能力等的影响，有一定的不确定性，设计师人工成本高；最后，在挖掘用户需求、洞察设计问题与方案评估审视等方面仍停留在问卷、访谈、行为观察、头脑风暴、主观评价等设计研究方法上，难以触及到用户潜意识的想法和反馈，进而导致设计结果与用户真实诉求间存在匹配误差；同时，随着技术的进步和设计风格朝简单化的方向发展，家具产品的同质化现象越来越严重，对设计师的创新能力提出更高的要求。

发明内容

本发明的目的在于提出一种家具风格识别与生成方法，解决上述问题。

本发明通过以下技术方案来实现上述目的：一种家具风格识别与生成方法，包括以下步骤：

（1）指定一种家具，采用多种标签词汇，对该家具现有的风格进行标记；

（2）选取卷积神经网络建立多种图像识别分类模型；

（3）建立家具风格数据库；

（4）将多张家具图片进行批量抠图，获取纯白背景的家具图片；

（5）将处理后家具图片安朝向分两次输入Style GAN2网络生成结果；

（6）生成图像和视频文件；

（7）观察浏览生成的图像和视频，识别优选方案；

（8）完成产品外观设计方案设计并优化，呈现设计图并显示至界面。

作为本发明的优选，前述家具风格数据库通过系统聚类法进行聚类分析，提取4-6个主要类别，然后进行命名。

作为本发明的优选，首先用系统聚类法将所有类别聚类，再通过主成份分析法提取主成份作为辅助分类依据将类别分类，系统聚类法首先定义样本之间的距离关系，将距离最靠近的样品首先聚为小类，再将已聚合的小类按其类间距离合并，如此延续，最后把这些小子类聚到一个大类，聚类算法运用组内平均连接，距离计算采用欧式距离生成谱系图，欧式距离的计算公式为：

作为本发明的优选，提取出4个主成分，4主成份的个因子解释14个变量中的65.84%的信息量,取谱系图中距离为17，划条线将聚类分析的结果分为4类，分别是：流线型、参数化、工业风；现代、网红、极简、简欧、经典北欧；新中式、日式、传统中式；欧式、美式、意式轻奢,分别对这4类进行命名，得到最终风格标签词汇。

作为本发明的优选，选取RseNet50建立图像识别分类模型，并且设定以下参数：图像输入为RGB彩色3通道224×224图像；训练集与测试集比例为4:1；激活函数为ReLU；softmax回归分类；GPU加速计算；图像采用数据增强策略（颜色增强、随机角度、增加裁剪、水平随机翻转）；batch_size为64；训练回合数为30；学习率为0.001，Adam优化器中设置学习率为0.002；程序对打不开的数据做了清洗。

作为本发明的优选，利用深度学习收集数据建立数据库的步骤如下：

（1）从网络采集大量源数据；

（2）利用图像识别分类模型清洗掉不是目标产品的其他数据；

（3）利用图像识别分类模型分类目标产品的标签；

（4）整理分类结果，建立家具风格的数据库。

作为本发明的优选，利用深度学习收集数据建立数据库的步骤如下

(1)从网络采集大量源数据；

(2)利用图像识别分类模型清洗掉不是椅子的其他数据，并人工简单浏览判别分类的准确性，如果准确，则进入下一步；如果不准确，检查原因，重新识别分类；

(3)利用图像识别分类模型椅子的标签，通过深度学习自动给图像数据打标签，识别完成后进行人工复检；

(4)整理分类结果，建立椅子风格化数据库；

收集特定椅子的图片，并且要求一张图片中只包含一把完整的椅子；图像大小不小于224×224像素；各个风格之间图片数量均等；同一把款式的椅子，仅有材质、颜色或者拍摄角度的不同算两把；为了满足深度学习对大数据的要求，图像采集需数据不少于800个；

给图片打上风格标签，最后选取RseNet50作为目标网络，建立图像识别分类模型，将图片输入为RGB彩色3通道224×224图像；训练集与测试集比例为4:1；激活函数为ReLU；softmax回归分类；GPU加速计算；图像采用颜色增强、随机角度、增加裁剪、水平随机翻转；batch_size为64；训练回合数为30；学习率为0.001，Adam优化器中设置学习率为0.002；程序对打不开的数据做了清洗；

从源数据图片中挑选出是椅子和非椅子的照片输入已建立的图像识别分类模型中训练网络，使网络模型学习椅子/非椅子的特征，即可实现图像的批量分类；统计分析并且纠正错误的图像；

从东方风格数据库中筛选图像文件作为本次优化的备选图像，抠掉全部背景图片和图片阴影，将获得的图片输入到StyleGAN2网络进行训练，经过3000步（steps）训练后，FID分数（FrechetInceptionDistancescore）为24.73；

选择步数为1-3000，以500步为一档下载训练过程图像，对应FID分数变化；截取部分图像（3×3个）展示训练过程，将上图单组3×3个图像从左到右、从上到下命名，图像在训练1000步、FID分数降到68.66时，椅子图像已经成型，后续的2000步都是将椅子更真实、清晰地呈现，最后慢慢全部转移成东方风格的椅子。

作为本发明的优选，将白色背景无阴影特定风格朝右的家具1391张图像数据，训练3000步，并获取对应的FID分数，并按500步为一档下载训练过程图像，可以得出大概经过500步家具数据集的训练后开始由汽车慢慢转变为家具，此时还能看到汽车的影子，绝大数多图像在训练1000步、FID分数降到68.66 时，家具图像已经成型，后续的2000步都是将家具更真实、清晰地呈现，最后慢慢全部转移成预设风格的家具。

作为本发明的优选，将生产的家具图像按照理想样本和错误样本分成两部分，然后进行比较，得出朝正面挡家具图片，虽然数据集数量少，家具结构特征基本固定，可能会生成不一样挡设计结果。

作为本发明的优选，生成较完善图像大多直接激发灵感设计，整体形状和最终设计图像相类似，设计手法中，通过设计师自身经验提取原有设计中的优势，通过CMF等方面的设计将产品完善。

作为本发明的优选，生成图像残缺不全或生成错误的图像用于图像联想激发灵感设计，由于原始图像信息缺失严重，设计师需要基于原始图像发挥自身想象才能设计，图像设计中，较多地发挥设计师的造型能力和多产品本身的理解能力，设计师不仅要关注CMF等方面，还需要将自身的设计理念融合到产品中，生成图像只提供抽象概念或意向灵感，对造型的帮助较少。

与现有技术相比，本发明的有益效果如下：本发明通过将家具按风格进行分类归纳，然后利用卷积神经网络的家具识别分类模型，成功识别家具 风格，并实际应用到数据集采集和分类工作中去；利用家具识别分类模型建立了一套数据集收集方法，并且家具识别分类模型的有效性和高效性；本发明的方法具有创意取之不尽；训练设计师思维、高效、稳定 地输出；设计的门槛低，激发更多创意；避免一些法律风险或经济后果、避免设计思维固 化等优点。

附图说明

图1是本发明实施例的家具风格聚类谱系示意图；

图2是本发明实施例的数据集收集方法流程示意图；

图3是本发明实施例的StyleGAN2网络训练图片生成过程预览图示意图；

图4是本发明实施例的基于生成图像的设计流程示意图。

具体实施方式

下面结合附图对本发明作进一步说明：

一种家具风格识别与生成方法，如图1-4所示，包括以下步骤：

（1）指定一种家具，采用合适的标签词汇，对该家具现有的风格进行标记；

（2）选取卷积神经网络建立图像识别分类模型；

（3）建立家具风格数据库；

（4）将多张家具图片进行批量抠图，获取纯白背景的家具图片；

（5）将处理后家具图片安朝向分两次输入Style GAN2网络生成结果；

（6）生成图像和视频文件；

（7）观察浏览生成的图像和视频，寻找灵感；

（8）人工完成产品外观设计，并呈现最终效果。

首先粗略地通过一些明显的分类标准将一些家具风格归类，并简化归纳家具风格，通过系统聚类法进行聚类分析，定义样本之间的距离关系，采用欧氏距离计算公式生成家具风格聚类谱系图，提取4-6个主要类别，然后进行命名。

选取RseNet50建立图像识别分类模型，并且设定以下参数：图像输入为RGB彩色3通道224×224图像；训练集与测试集比例为4:1；激活函数为ReLU；softmax回归分类；GPU加速计算；图像采用数据增强策略（颜色增强、随机角度、增加裁剪、水平随机翻转）；batch_size为64；训练回合数为30；学习率为0.001，Adam优化器中设置学习率为0.002；程序对打不开的数据做了清洗。

利用深度学习收集数据建立数据库的步骤如下：

1、从网络采集大量源数据；

2、利用图像识别分类模型清洗掉不是目标产品的其他数据；

3、利用图像识别分类模型分类目标产品的标签；

4、整理分类结果，建立家具风格的数据库。

将白色背景无阴影特定风格朝右的家具1391张图像数据，训练3000步，并获取对应的FID分数，并按500步为一档下载训练过程图像，可以得出大概经过500步家具数据集的训练后开始由汽车慢慢转变为家具，此时还能看到汽车的影子，绝大数多图像在训练1000步、FID分数降到68.66 时，家具图像已经成型，后续的2000步都是将家具更真实、清晰地呈现，最后慢慢全部转移成预设风格的家具。

将生产的家具图像按照理想样本和错误样本分成两部分，然后进行比较，得出朝正面挡家具图片，虽然数据集数量少，家具结构特征基本固定，可能会生成不一样挡设计结果。

生成较完善图像大多直接激发灵感设计，整体形状和最终设计图像相类似，设计手法中，通过设计师自身经验提取原有设计中的优势，通过CMF等方面的设计将产品完善。

生成图像残缺不全或生成错误的图像用于图像联想激发灵感设计，由于原始图像信息缺失严重，设计师需要基于原始图像发挥自身想象才能设计，图像设计中，较多地发挥设计师的造型能力和多产品本身的理解能力，设计师不仅要关注CMF等方面，还需要将自身的设计理念融合到产品中，生成图像只提供抽象概念或意向灵感，对造型的帮助较少。

在使用时，以椅子为例，选定40种家具风格，然后将40种风格归纳简化到14种代表性风格，即：现代、新中式、意式轻奢、经典北欧、网红、工业风、极简、流线型、参数化、欧式、简欧、美式、传统中式、日式；

被试被要求将这14个描述椅子风格的词汇依据椅子的造型特征进行分组归类，分组数和分的每一组的数量均不限，回收数据后统计每一个词在同一分组出现的频率，制作13×13的相似性矩阵，矩阵内的数值代表了它们之间的相似程度，数值越大，相似程度越高；采用因子分析-主成分分析的方法提取主成分作为参考；采用聚类分析聚类结果；

系统聚类法是聚类分析的一种方法，首先定义样本之间的距离关系，将距离最靠近的样品首先聚为小类，再将已聚合的小类按其类间距离合并，如此延续，最后把这些小子类聚到一个大类，聚类算法运用组内平均连接，距离计算采用欧式距离生成谱系图，欧式距离的计算公式为：

利用网络爬虫收集图像数据并归纳分类，建立数据库，利用深度学习收集数据集建立数据库的步骤如下：

(1)从网络采集大量源数据；

(2)利用图像识别分类模型清洗掉不是目标产品（椅子）的其他数据。比如沙发、面料、纹样、室内设计等，并人工简单浏览判别分类的准确性。如果准确，则进入下一步；如果不准确，检查原因，重新识别分类；

(3)利用图像识别分类模型分类目标产品（椅子）的标签（风格）。即通过深度学习自动给图像数据打标签。由于深度学习有一定的不确定性，所以识别完成后同样需要人工复检；

(4)整理分类结果，建立（椅子风格化）数据库；

收集特定椅子的图片，并且要求一张图片中只包含一把完整的椅子；图像大小不小于224×224像素；各个风格之间图片数量大致均等；同一把款式的椅子，仅有材质、颜色或者拍摄角度等的不同算两把；为了满足深度学习对大数据的要求，图像采集需尽可能多（每种风格图像数据不少于800个）；

给图片打上风格标签，最后选取RseNet50作为目标网络，建立图像识别分类模型，将图片输入为RGB彩色3通道224×224图像；训练集与测试集比例为4:1；激活函数为ReLU；softmax回归分类；GPU加速计算；图像采用数据增强策略（颜色增强、随机角度、增加裁剪、水平随机翻转）；batch_size为64；训练回合数为30；学习率为0.001，Adam优化器中设置学习率为0.002；程序对打不开的数据做了清洗；

从大量源数据图片中挑选出是椅子和非椅子的照片输入已建立的图像识别分类模型中训练网络，使网络模型学习椅子/非椅子的特征，即可实现图像的批量分类；统计分析并且纠正错误的图像；

从东方风格数据库中筛选一批背景简单，易抠图、风格特征较明显的图像文件作为本次优化的备选图像，批量抠图，抠掉全部背景图片和图片阴影，将获得的图片输入到StyleGAN2网络进行训练，经过3000步（steps）训练后，FID分数（FrechetInceptionDistancescore）为24.73；

选择步数为1-3000，以500步为一档下载训练过程图像，正好对应FID分数变化；截取部分图像（3×3个）展示训练过程，将上图单组3×3个图像从左到右、从上到下命名为图1-9，由生成过程图像可以清晰地看到，生成过程应用了迁移学习，学习预训练数据是汽车，大概经过500步椅子数据集的训练后开始由汽车慢慢转变为椅子，此时还能看到汽车的影子，绝大数多图像在训练1000步、FID分数降到68.66时，椅子图像已经成型，后续的2000步都是将椅子更真实、清晰地呈现，最后慢慢全部转移成东方风格的椅子；

从最终生成的图片中寻找灵感，包括以下步骤：

（1）图像直接激发灵感，这种方法是从原有图像中获取灵感，通过对原有生成图像的微调和结构、细节的改良进行再设计，最终设计产品和生成图像大差不离；

（2）图像联想激发灵感，首先从生成图像中获得抽象的概念或意向，再联想这些概念或意向，将抽象转变为具象，这个过程中会有许许多多的新的设计方案呈现；这种方法多用于从生成图像不够完整或者生成错误的图像中获取灵感；

（3）手绘生成图像原型，将原始生成图像的轮廓和关键部位手绘一遍，一方面更清楚地了解生成图像的特征，另一方面，手绘的过程也是思考和再设计的过程；

（4）手绘推演，誊抄完原生成图像后，进行手绘推演设计。跟传统参考设计案例图像不同的是，基于生成图像的参考图片在设计中，脑海里没有完整的设计案例可供参考，设计的结果千人千面，不容易出现设计思维固化现象；

（5）建模推演，这个过程更加注重设计师的知识和经验，将原有模糊的生成草图具象化；

（6）渲染打样，完成最终效果呈现，包括CMF等方面。

最终设计师结合上述方法生成的椅子风格图片，将成品进一步细化设计出来。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。