[发明专利]一种面向产品风格意象的智能识别方法

摘要

本发明涉及一种面向产品风格意象的智能识别方法，包括步骤：1)建立一个产品意象评价的数据集；具体内容包括产品样本的收集和筛选、实验样本产品意象感性评价词库的建立以及最终产品意象空间的确立、产品意象评价实验；2)设计产品意象的识别卷积神经网络结构；识别卷积神经网络主要由卷积层conv、池化层pool、全连接层FC和softmax层组成；3)产品意象识别模型的训练与优化。本发明的有益效果是：本发明提出一种基于卷积神经网络的产品风格意象识别方法，克服传统方法的局限性，自动提取产品图像的风格特征，建立更加精确的产品风格意象识别模型，为产品风格意象研究提供新的思路和方法。

主权项

1.一种面向产品风格意象的智能识别方法，其特征在于：包括如下步骤：步骤1：建立一个产品意象评价的数据集；具体内容包括产品样本的收集和筛选、实验样本产品意象感性评价词库的建立以及最终产品意象空间的确立、产品意象评价实验；首先是实验样本的选择，然后是产品意象词的选择；最后进行产品意象实验；选择具有工业设计背景的被试采用语义差异法进行产品意象评分；根据产品意象的评分结果，计算每个实验样本的产品意象分均值作为该样本的最终产品意象分，进而得到最终的样本产品意象；步骤2：设计产品意象的识别卷积神经网络结构；识别卷积神经网络主要由卷积层conv、池化层pool、全连接层FC和softmax层组成；conv(m_n)表示第m个卷积模块的第n个卷积层，网络的输入是进行过数据预处理的产品样本图片，然后经过卷积层输入图像与卷积核进行卷积操作提取特征，卷积是特征提取的主要操作，第i层的第j个神经元的输出计算公式为：其中，Wi‑1，k表示第i‑1层的第k个权重，Xi‑1，k表示第i‑1层的第k个神经元的输入，bi‑1表示第i‑1层的偏置项；其次是池化层，能够将输入的特征映射维度减小，使特征近似有平移不变性和大小不变性；随后是重复的卷积和池化，前面的卷积层能够提取相对底层的特征，随着层数的加深，特征映射会越来越抽象；三层的全连接层对卷积层提取的特征映射再进行抽象和非线性融合，得到更有效的特征表达；全连接层与卷积层神经元的计算是类似的，区别只在于全连接层的每一个神经元与前一层的神经元都是连接在一起的；最后把学习到的特征输入到softmax分类层进行产品风格意象分类，采用softmax作为分类器，计算公式为：其中ProductImagep表示产品意象的概率输出，hFC3表示最后一层全连接层FC3的输出，根据产品意象的概率输出即可得到样本图片具体的产品意象；步骤3：产品意象识别模型的训练与优化；根据步骤2设计的识别网络结构，设计好网络中的超参数，采用随机梯度下降算法对模型进行训练优化，得到最后的产品意象识别模型；批处理大小及学习速率等超参数根据经验、实验和相关文献进行设置与调整；网络参数的求解过程涉及到两个过程：前向传播和反向传播；首先，把数据集中的实验样本作为输入，经过网络进行前向传播，计算出损失函数，整个网络的损失函数公式为其中，(x(i),y(j))代表第i个样本及其产品意象，m表示训练样本的数目，hw(x)表示假设函数；然后利用随机梯度下降算法，进行反向传播，计算损失函数对每一层权重的导数，对每一层的权重进行更新，从而不断减小损失函数，通过求导的链式法则计算出损失对网络中每一个参数的偏导然后对权重进行更新，更新公式为：其中α为学习速率；通过不断的迭代训练，损失函数会不断减小，产品意象预测准确率不断增加，直到最终模型收敛，使得意象识别的误差最小化，得到最优化的模型。