申请/专利权人：湖南师范大学

申请日：2018-12-13

公开（公告）日：2023-12-12

公开（公告）号：CN110148207B

主分类号：G06T17/00

分类号：G06T17/00;G06N3/0475;G06N3/0442;G06N3/0464;G06N3/094;B28B17/00;B28B15/00

优先权：

专利状态码：有效-授权

法律状态：2023.12.12#授权;2019.09.13#实质审查的生效;2019.08.20#公开

摘要：本发明涉及一种基于古代长沙窑陶瓷风格的可生产器型的智能生成算法，属于人工智能、现代陶瓷设计、陶瓷生产工艺设计、文化遗产传承领域。本发明通过构建深度神经网络VesselNet，该网络包括2个子模块，一个子模块VesselShapeNet负责生成新的器形，另外一个VesselVertexNet模块生成器形的轮廓曲线，并通过最后的参数约束数据集去除不能生产的异常器形。本发明的优点在于，能够快速、低成本的生成大量参考模型，并保持其很高的可生产性。为陶瓷生产企业及设计师作参考与基样。提高整体生产效率。

主权项：1.基于古代长沙窑陶瓷风格的可生产器型的智能生成算法，其特征是包括以下步骤：步骤1：1通过3D立体扫描仪对长沙窑器形进行3D建模，构成长沙窑3D立体器形参数库及平面图片库；2从网络中以爬虫的方式收集到现代家用常用器形参数数据库，构成陶瓷日常用具3D器物库及平面图片库；3与合作工厂工坊共同建立加工参数约束数据集，包含生产线及关键约束参数；步骤2：构建深度神经网络VesselNet，该网络包括两个子模块，一个子模块VesselShapeNet负责生成新的器形，另外一个VesselVertexNet模块生成器形的轮廓曲线，并通过最后的参数约束数据集去除不能生产的异常器形；步骤3：VesselShapeNet采用GAN生成对抗网络的思路来生成新的瓷器器形；GAN模型通过框架中的两个模块，即生成模型和判别模型的互相博弈学习产生符合生产的输出，最终达到博弈中的纳什均衡；此时生成模型学习到的分布接近于原始数据分布，并用训练好的生成模型来生成新的数据样本；步骤4：定义VesselShapeNet网络的生成模型结构，网络包含1个输入层，3个全连接层，1个输出层；定义VesselShapeNet网络的判别模型结构，网络包含1个输入层，3个全连接层，1个输出层；步骤5：VesselShapeNet的输入是经过预处理的瓷器平面图像：图像预处理包括；1.对背景进行尽可能的去除，2.对多余的区域尽量裁剪；3.将瓷器图像统一按比例缩放到50x50的区域；4.将瓷器图像处理为灰度图像；5.将灰度图像进行归一化处理；步骤6：将数据输入VesselShapeNet进行训练，当VesselShapeNet收敛时，便将VesselShapeNet的生成模型用于新的瓷器器形轮廓图像的生成；步骤7：生成新的瓷器器形轮廓图像后，将其作为VesselVertexNet的输入，从而生成目标瓷器器形轮廓曲线顶点参数；VesselVertexNet网络是从生成的瓷器轮廓封闭区域出发，首先通过ConvolutionalNeuralNetwork卷积神经网络在器形图像轮廓上寻找一个起点，随后基于CONVGRUConvolutionalGatedRecurrentUnits，带卷积的门控循环单元算法来预测一个目标瓷器器形封闭的多边形轮廓；步骤8：构建深度神经网络VesselVertexNet，该网络由3层卷积层ConvolutionalLayer，2层池化层PoolingLayer，以及1个CONVGRU带卷积的门控循环单元，1个全连接层DenseLayer组成；步骤9：CONVGRU网络的每个序列元素上输出一个二维特征图，该输出尺寸与原图一致，每个点的数值是当前坐标点的概率；同时，每次输出单独的一个数值，代码当前坐标点是多边形边缘终点的概率；在第二部分CONVGRU的输入中，不但输入卷积神经网络所获取的特征，同时也输入N-1,N-2个、N-3个坐标点和第一个坐标点；步骤10：将生成的器形边缘轮廓参数输入生产约束校验模块，由约束校验模块判断其加工的可行性，如果不能通过校验，则丢弃；如果能够通过生产约束校验模块的器形保存，并展示给设计师作为参考。

全文数据：基于古代长沙窑陶瓷风格的可生产器型的智能生成算法技术领域本发明涉及一种基于古代长沙窑陶瓷风格的可生产器型的智能生成算法，属于人工智能、现代陶瓷设计、陶瓷生产工艺设计、文化遗产传承领域。背景技术古代长沙窑陶瓷是我国唐宋代南方瓷窑。位于今湖南省长沙市望城区丁字镇彩陶源村。亦称“长沙窑”。产品主要是青瓷，生活用具种类很多。釉色有青、黄、白等色。并首创釉下彩器和在瓷器上彩绘的装饰技法。1978年50多天的调查发掘中。获得遗物2223件，按器形分44类，款式规格在百种以上。釉下彩绘和釉下彩饰占很大比例，有413件。实用器物、窑具、工具以轮制为主。瓷器胎多灰白，胎表大多涂有白色衬釉，瓷化程度高.纹饰有人物、山水、云气、花草、鸟兽等，美观大方。唐代长沙铜官窑的产品，在唐代商业都会扬州和对外贸易港口明州今浙江宁波，以及江淮流域的唐代遗址和墓葬中，已有不少出土，在朝鲜、日本、印尼、伊朗、埃及也都有发现。现代在长沙窑地区仍有大量的陶瓷产业，一方面以复刻古代长沙窑陶瓷器型为主，另一方面也开始发展生产现代器型，将传统的风格、器型与现代生活用具、茶具等器物相结合，形成新的产业增长点。目前面临的主要问题有，设计师人数较少、设计思路严重受现代器型影响，无法将传统长沙窑风格灵活运用于现代器型设计中。为解决此问题，在前期工作已经通过3维立体扫描仪构建了传统长沙窑器形库的基础上，提出一种从传统长沙窑器型智能生成可供现代生产的器形模型算法。能够快速、低成本的生成大量参考模型，并保持其很高的可生产性，为陶瓷生产企业及设计师作参考与基样，提高整体生产效率。发明内容本发明的目的是克服现有长沙窑陶瓷生产过程中的不足，提出一种从传统长沙窑器型智能生成可供现代生产的器形模型算法，能够快速、低成本的生成大量参考模型，并保持其很高的可生产性。为陶瓷生产企业及设计师作参考与基样。提高整体生产效率。本发明通过以下技术方案实现，步骤1：1通过3D立体扫描仪对长沙窑器形进行3D建模，构成长沙窑3D立体器形参数库及平面图片库；2从网络中以爬虫的方式收集到现代家用常用器形参数数据库，构成陶瓷日常用具3D器物库及平面图片库；3与合作工厂工坊共同建立加工参数约束数据集，包含生产线及关键约束参数；步骤2：构建深度神经网络VesselNet，该网络包括两个子模块，一个子模块VesselShapeNet负责生成新的器形，另外一个VesselVertexNet模块生成器形的轮廓曲线，并通过最后的参数约束数据集去除不能生产的异常器形；步骤3：VesselShapeNet采用GANGenerativeAdversarialNetwork生成对抗网络的思路来生成新的瓷器器形；GAN模型通过框架中的两个模块，即生成模型GenerativeModel和判别模型DiscriminativeModel的互相博弈学习产生好的输出，最终达到博弈中的纳什均衡；此时生成模型学习到的分布接近于原始数据分布，并用训练好的生成模型来生成新的数据样本；步骤4：定义VesselShapeNet网络的生成模型结构，网络包含1个输入层，3个全连接层，1个输出层；定义VesselShapeNet网络的判别模型结构，网络包含1个输入层，3个全连接层，1个输出层；步骤5：VesselShapeNet的输入是经过预处理的瓷器平面图像：图像预处理包括；1.对背景进行尽可能的去除，2.对多余的区域尽量裁剪；3.将瓷器图像统一按比例缩放到50x50的区域；4.将瓷器图像处理为灰度图像；5.将灰度图像进行归一化处理；步骤6：将数据输入VesselShapeNet进行训练，当VesselShapeNet收敛时，便将VesselShapeNet的生成模型用于新的瓷器器形轮廓图像的生成；步骤7：生成新的瓷器器形轮廓图像后，将其作为VesselVertexNet的输入，从而生成目标瓷器器形轮廓曲线顶点参数；VesselVertexNet网络是从生成的瓷器轮廓封闭区域出发，首先通过ConvolutionalNeuralNetwork卷积神经网络在器形图像轮廓上寻找一个起点，随后基于CONVGRUConvolutionalGatedRecurrentUnits，带卷积的门控循环单元算法来预测一个目标瓷器器形封闭的多边形轮廓；步骤8：构建深度神经网络VesselVertexNet，该网络由3层卷积层ConvolutionalLayer，2层池化层PoolingLayer，以及1个CONVGRU带卷积的门控循环单元，1个全连接层DenseLayer组成；步骤9：CONVGRU网络的每个序列元素上输出一个二维特征图，该输出尺寸与原图一致，每个点的数值是当前坐标点的概率；同时，每次输出单独的一个数值，代码当前坐标点是多边形边缘终点的概率；在第二部分CONVGRU的输入中，不但输入卷积神经网络所获取的特征，同时也输入N-1,N-2个、N-3个坐标点和第一个坐标点，保证了坐标点的输出顺序是固定的，即通过顺时针或者逆时针依次输出各个坐标；步骤10：将生成的器形边缘轮廓参数输入生产约束校验模块，由约束校验模块判断其加工的可行性，如果不能通过校验，则丢弃；如果能够通过生产约束校验模块的器形保存，并展示给设计师作为参考。所述步骤4中，采用WGANWassersteinGAN损失优化公式，损失函数如下：其中，Mini-Batch每批次样本总数为m，取平均值，fω：判别网络，gθ：生成网络，xi：是判别网络中一个批次里的元素,1≤i≤m，zi：是生成网络中一个批次里的元素1≤i≤m。本发明包括3D立体扫描仪、长沙窑3D立体器形参数库及平面图片库存储器、陶瓷日常用具3D器物库及平面图片库存储器、生产线；3D立体扫描仪与长沙窑3D立体器形参数库存储器连接，长沙窑3D立体器形参数库存储器与陶瓷日常用具3D器物库及平面图片库存储器分别与生产线连接；所述生产线包括控制器，以及与控制器连接的机械臂和转台；所述的机械臂前端活动地安装陶艺刀具。本发明的优点在于，能够快速、低成本的生成大量参考模型，并保持其很高的可生产性。为陶瓷生产企业及设计师作参考与基样。提高整体生产效率。附图说明图1为本发明流程图。图2为VesselShapeNet生成模型结构图。图3为VesselShapeNet判别模型结构图。图4为VesselVertexNet模型结构图。图5为生产装置结构图。具体实施方式下面结合附图1至5对本发明的优选实施例作进一步说明，本发明包括以下步骤：步骤1：1通过3D立体扫描仪对长沙窑器形进行3D建模，构成长沙窑3D立体器形参数库及平面图片库；2从网络中以爬虫的方式收集到现代家用常用器形参数数据库，构成陶瓷日常用具3D器物库及平面图片库；3与合作工厂工坊共同建立加工参数约束数据集，包含生产线及关键约束参数；步骤2：构建深度神经网络VesselNet，该网络包括两个子模块，一个子模块VesselShapeNet负责生成新的器形，另外一个VesselVertexNet模块生成器形的轮廓曲线，并通过最后的参数约束数据集去除不能生产的异常器形；步骤3：VesselShapeNet采用GANGenerativeAdversarialNetwork生成对抗网络的思路来生成新的瓷器器形；GAN模型通过框架中的两个模块，即生成模型GenerativeModel和判别模型DiscriminativeModel的互相博弈学习产生好的输出，最终达到博弈中的纳什均衡；此时生成模型学习到的分布接近于原始数据分布，并用训练好的生成模型来生成新的数据样本；步骤4：定义VesselShapeNet网络的生成模型结构，网络包含1个输入层，3个全连接层，1个输出层；网络结构如附图2所示：InputLayer：输入层，输入为经过预处理的瓷器平面图像，大小为50×50；FC：生成模型的全连接神经网络，包含三个全连接层；圆圈：神经元；N：神经元个数，N＝32；OutputLayer：输出层，输出为制造的瓷器器形图像，输出为50×50。定义VesselShapeNet网络的判别模型结构，网络包含1个输入层，3个全连接层，1个输出层；网络结构如附图3所示：InputLayer：输入为经过预处理的瓷器平面图像和制造的瓷器平面图像，大小为50×50；FC：判别全连接神经网络，包含三个全连接层；圆圈：神经元；N：神经元个数，N＝32；OutputLayer：输出层，输出为当前输入图像的真假概率，1为真，0为假。步骤5：VesselShapeNet的输入是经过预处理的瓷器平面图像：图像预处理包括；1.对背景进行尽可能的去除，2.对多余的区域尽量裁剪；3.将瓷器图像统一按比例缩放到50x50的区域；4.将瓷器图像处理为灰度图像；5.将灰度图像进行归一化处理；步骤6：将数据输入VesselShapeNet进行训练，当VesselShapeNet收敛时，便将VesselShapeNet的生成模型用于新的瓷器器形轮廓图像的生成；步骤7：生成新的瓷器器形轮廓图像后，将其作为VesselVertexNet的输入，从而生成目标瓷器器形轮廓曲线顶点参数；VesselVertexNet网络是从生成的瓷器轮廓封闭区域出发，首先通过ConvolutionalNeuralNetwork，卷积神经网络在器形图像轮廓上寻找一个起点，随后基于ConvGRUConvolutionalGatedRecurrentUnits，带卷积的门控循环单元算法来预测一个目标瓷器器形封闭的多边形轮廓；步骤8：构建深度神经网络VesselVertexNet，该网络由3层卷积层ConvolutionalLayer，2层池化层PoolingLayer，以及1个CONVGRU带卷积的门控循环单元，1个全连接层DenseLayer组成。网络结构如附图4所示：InputImage：输入瓷器器形轮廓图像，大小为50×50×1；Conv1、Conv2、Conv3：卷积层；Pool1、Pool2：池化层；ConvGRU：带卷积的门控循环单元；X1、X2、X3、X4：不同卷积层得到的特征图；P1、P2、P3：每个点是轮廓顶点的概率图；FC：全连接层；Y1、Y2、Y3：每个目标瓷器器形封闭的多边形坐标点。步骤9：CONVGRU网络的每个序列元素上输出一个二维特征图，该输出尺寸与原图一致，每个点的数值是当前坐标点的概率；同时，每次输出单独的一个数值，代码当前坐标点是多边形边缘终点的概率；在第二部分CONVGRU的输入中，不但输入卷积神经网络所获取的特征，同时也输入N-1,N-2个、N-3个坐标点和第一个坐标点，保证了坐标点的输出顺序是固定的顺时针或者逆时针依次输出各个坐标。步骤10：将生成的器形边缘轮廓参数输入生产约束校验模块，由约束校验模块判断其加工的可行性，如果不能通过校验，则丢弃；如果能够通过生产约束校验模块的器形保存，并展示给设计师作为参考。所述步骤4中，采用WGANWassersteinGAN损失优化公式，损失函数如下：其中，Mini-Batch每批次样本总数为m，取平均值，fω：判别网络，gθ：生成网络，xi：是判别网络中一个批次里的元素,1≤i≤m，zi：是生成网络中一个批次里的元素1≤i≤m。本发明包括3D立体扫描仪1、长沙窑3D立体器形参数库及平面图片库存储器2、陶瓷日常用具3D器物库及平面图片库存储器3、生产线4；3D立体扫描仪1与长沙窑3D立体器形参数库存储器2连接，长沙窑3D立体器形参数库存储器2与陶瓷日常用具3D器物库及平面图片库存储器3分别与生产线4连接；所述生产线4包括控制器41，以及与控制器41连接的机械臂42和转台43。所述的机械臂42前端活动地安装陶艺刀具44。本发明的优点在于，能够快速、低成本的生成大量参考模型，并保持其很高的可生产性。为陶瓷生产企业及设计师作参考与基样。提高整体生产效率。

权利要求：1.基于古代长沙窑陶瓷风格的可生产器型的智能生成算法，其特征是包括以下步骤：步骤1：1通过3D立体扫描仪对长沙窑器形进行3D建模，构成长沙窑3D立体器形参数库及平面图片库；2从网络中以爬虫的方式收集到现代家用常用器形参数数据库，构成陶瓷日常用具3D器物库及平面图片库；3与合作工厂工坊共同建立加工参数约束数据集，包含生产线及关键约束参数；步骤2：构建深度神经网络VesselNet，该网络包括两个子模块，一个子模块VesselShapeNet负责生成新的器形，另外一个VesselVertexNet模块生成器形的轮廓曲线，并通过最后的参数约束数据集去除不能生产的异常器形；步骤3：VesselShapeNet采用GAN生成对抗网络的思路来生成新的瓷器器形；GAN模型通过框架中的两个模块，即生成模型和判别模型的互相博弈学习产生符合生产的输出，最终达到博弈中的纳什均衡；此时生成模型学习到的分布接近于原始数据分布，并用训练好的生成模型来生成新的数据样本；步骤4：定义VesselShapeNet网络的生成模型结构，网络包含1个输入层，3个全连接层，1个输出层；定义VesselShapeNet网络的判别模型结构，网络包含1个输入层，3个全连接层，1个输出层；步骤5：VesselShapeNet的输入是经过预处理的瓷器平面图像：图像预处理包括；1.对背景进行尽可能的去除，2.对多余的区域尽量裁剪；3.将瓷器图像统一按比例缩放到50x50的区域；4.将瓷器图像处理为灰度图像；5.将灰度图像进行归一化处理；步骤6：将数据输入VesselShapeNet进行训练，当VesselShapeNet收敛时，便将VesselShapeNet的生成模型用于新的瓷器器形轮廓图像的生成；步骤7：生成新的瓷器器形轮廓图像后，将其作为VesselVertexNet的输入，从而生成目标瓷器器形轮廓曲线顶点参数；VesselVertexNet网络是从生成的瓷器轮廓封闭区域出发，首先通过ConvolutionalNeuralNetwork卷积神经网络在器形图像轮廓上寻找一个起点，随后基于CONVGRUConvolutionalGatedRecurrentUnits，带卷积的门控循环单元算法来预测一个目标瓷器器形封闭的多边形轮廓；步骤8：构建深度神经网络VesselVertexNet，该网络由3层卷积层ConvolutionalLayer，2层池化层PoolingLayer，以及1个CONVGRU带卷积的门控循环单元，1个全连接层DenseLayer组成。步骤9：CONVGRU网络的每个序列元素上输出一个二维特征图，该输出尺寸与原图一致，每个点的数值是当前坐标点的概率；同时，每次输出单独的一个数值，代码当前坐标点是多边形边缘终点的概率；在第二部分CONVGRU的输入中，不但输入卷积神经网络所获取的特征，同时也输入N-1,N-2个、N-3个坐标点和第一个坐标点；步骤10：将生成的器形边缘轮廓参数输入生产约束校验模块，由约束校验模块判断其加工的可行性，如果不能通过校验，则丢弃；如果能够通过生产约束校验模块的器形保存，并展示给设计师作为参考。2.根据权利要求1所述的基于古代长沙窑陶瓷风格的可生产器型的智能生成算法，其特征是：所述步骤4中，采用WGANWassersteinGAN损失优化公式，损失函数如下：其中，Mini-Batch每批次样本总数为m，取平均值，fω：判别网络，gθ：生成网络，xi：是判别网络中一个批次里的元素,1≤i≤m，zi：是生成网络中一个批次里的元素1≤i≤m。3.根据权利要求1或2所述的基于古代长沙窑陶瓷风格的可生产器型的智能生成算法，其特征是还包括以下装置：包括3D立体扫描仪、长沙窑3D立体器形参数库及平面图片库存储器、陶瓷日常用具3D器物库及平面图片库存储器、生产线；3D立体扫描仪与长沙窑3D立体器形参数库存储器连接，长沙窑3D立体器形参数库存储器与陶瓷日常用具3D器物库及平面图片库存储器分别与生产线连接；所述生产线包括控制器，以及与控制器连接的机械臂和转台；所述的机械臂前端活动地安装陶艺刀具。

百度查询： 湖南师范大学 基于古代长沙窑陶瓷风格的可生产器型的智能生成算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD