【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于建筑裝飾設(shè)計(jì)領(lǐng)域，特別涉及一種基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法。
技術(shù)介紹
1、隨著新技術(shù)、新材料的不斷涌現(xiàn)，設(shè)計(jì)師需要不斷學(xué)習(xí)更新知識(shí)，以適應(yīng)行業(yè)發(fā)展，這分散了設(shè)計(jì)師的精力，影響了設(shè)計(jì)效率；同時(shí)，由于工作壓力和時(shí)間限制，壓縮了設(shè)計(jì)師可創(chuàng)新思考的時(shí)間，導(dǎo)致設(shè)計(jì)作品缺乏新意；隨著市場(chǎng)競(jìng)爭(zhēng)的加劇，設(shè)計(jì)師面臨著在更短的時(shí)間內(nèi)提供更多設(shè)計(jì)方案的壓力，影響了設(shè)計(jì)的質(zhì)量。
2、與此同時(shí)，深度學(xué)習(xí)技術(shù)的出現(xiàn)提高了設(shè)計(jì)效率。它可以快速分析大量數(shù)據(jù)從而提供有價(jià)值的視角，幫助做出更科學(xué)的設(shè)計(jì)決策。
技術(shù)實(shí)現(xiàn)思路
1、專利技術(shù)目的：為了克服以上不足，本專利技術(shù)的目的是提供一種基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，該方法通過自定義損失函數(shù)和動(dòng)態(tài)權(quán)重的設(shè)計(jì)，提升了模型的泛化能力，避免了對(duì)特定類型損失的過度優(yōu)化，加快了訓(xùn)練收斂速度；同時(shí)，利用擴(kuò)散模型和預(yù)訓(xùn)練的條件生成對(duì)抗網(wǎng)絡(luò)，為設(shè)計(jì)師提供了創(chuàng)新的設(shè)計(jì)方案；最后，通過變分自編碼器技術(shù)，確保生成的設(shè)計(jì)圖在清晰度與完整性方面的質(zhì)量，提升了建筑裝飾設(shè)計(jì)的效率。
2、技術(shù)方案：為了實(shí)現(xiàn)上述目的，本專利技術(shù)提供了一種基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，包括如下步驟：s1)：使用單目相機(jī)拍攝建筑各個(gè)角度的圖片，得到原圖；s2)：根據(jù)客戶需求，進(jìn)行關(guān)鍵詞提取，并制作提示詞；s3)：根據(jù)關(guān)鍵詞進(jìn)行相關(guān)建筑裝飾數(shù)據(jù)收集；s4)：數(shù)據(jù)篩選并預(yù)處理，得到訓(xùn)練集；s5)：自定義損失函數(shù)，并使用訓(xùn)練集對(duì)擴(kuò)散模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的擴(kuò)散模型；s6)
3、進(jìn)一步的，所述s5)中自定義損失函數(shù)結(jié)合均方誤差損失(mse?loss)與dice損失，同時(shí)設(shè)置動(dòng)態(tài)權(quán)重，具體流程包括：
4、s501)：定義基礎(chǔ)損失函數(shù)；
5、s502)：設(shè)定損失值的變化率；
6、s503)：調(diào)整權(quán)重；
7、s504)：計(jì)算自定義損失；
8、所述s501)定義基礎(chǔ)損失函數(shù)的具體操作如下：
9、均方誤差損失計(jì)算公式如下：
10、
11、其中，q是樣本的總數(shù)；yi是第i個(gè)樣本的真實(shí)標(biāo)簽(目標(biāo)值)；是第i個(gè)樣本的預(yù)測(cè)值；
12、dice損失計(jì)算公式如下：
13、
14、其中，yi是第i個(gè)樣本的真實(shí)標(biāo)簽(目標(biāo)值)；是第i個(gè)樣本的預(yù)測(cè)值；
15、所述s502)設(shè)定損失值的變化率的具體操作如下：
16、計(jì)算連續(xù)兩個(gè)訓(xùn)練步驟中損失值的變化率；假設(shè)在時(shí)間步t的均方誤差損失值為mset、dice損失值為dicet，則變化率公式如下：
17、均方誤差損失的變化率為：
18、
19、dice損失的變化率為：
20、
21、所述s503)調(diào)整權(quán)重的具體公式如下：
22、
23、λ2＝1-λ1
24、其中，λ1和λ2分別是均方誤差損失和dice損失的動(dòng)態(tài)權(quán)重，k是一個(gè)調(diào)整因子，用于控制權(quán)重變化的敏感度；
25、所述s504)計(jì)算自定義損失的具體操作如下：
26、自定義損失函數(shù)公式如下：
27、combined?loss＝λ1·mse?loss+λ2·dice?loss
28、其中，λ1和λ2是用于平衡均方誤差損失和dice損失的動(dòng)態(tài)權(quán)重。自定義損失函數(shù)的設(shè)計(jì)，提升了模型的泛化能力，避免了對(duì)特定類型損失的過度優(yōu)化，加快了訓(xùn)練收斂速度；同時(shí)動(dòng)態(tài)權(quán)重可以根據(jù)模型在訓(xùn)練過程中的表現(xiàn)自動(dòng)調(diào)整，使得模型能夠更好地適應(yīng)不同的數(shù)據(jù)分布和變化。
29、進(jìn)一步的，所述s2)關(guān)鍵詞提取具體采用textrank算法提取文本中重要的句子或關(guān)鍵詞，其中提供的文本為客戶的需求；
30、首先通過預(yù)訓(xùn)練的詞嵌入模型獲取詞向量；
31、接著，通過余弦相似度確定節(jié)點(diǎn)之間的關(guān)系，設(shè)定閾值，若超過閾值則建立邊；余弦相似度公式為：
32、
33、其中，m、n為兩個(gè)詞向量；θ為m、n之間的夾角；
34、然后，為每個(gè)節(jié)點(diǎn)設(shè)定初始化重要性分?jǐn)?shù)，通常設(shè)置為相等的值，并根據(jù)當(dāng)前節(jié)點(diǎn)與其相連接的節(jié)點(diǎn)的重要性來更新節(jié)點(diǎn)自身的重要性分?jǐn)?shù)；公式如下：
35、
36、其中，b是與節(jié)點(diǎn)a有邊相連的節(jié)點(diǎn)；d是阻尼因子，通常取0.85；score(b)是節(jié)點(diǎn)b的當(dāng)前重要性分?jǐn)?shù)；outdegree(b)是節(jié)點(diǎn)b的出度，表示與節(jié)點(diǎn)b相連的邊的數(shù)量。
37、最后，等待計(jì)算收斂，根據(jù)重要性分?jǐn)?shù)排序得到關(guān)鍵詞。采用textrank算法不需要預(yù)先對(duì)相關(guān)文檔進(jìn)行學(xué)習(xí)訓(xùn)練，簡(jiǎn)潔有效，并能夠適用于各種文本數(shù)據(jù)。
38、進(jìn)一步的，所述s3)擴(kuò)散模型訓(xùn)練的具體操作如下：
39、在擴(kuò)散模型的正向擴(kuò)散過程中，模型逐步將原始數(shù)據(jù)添加噪聲，最終轉(zhuǎn)換為標(biāo)準(zhǔn)正態(tài)分布，逐步添加噪聲的過程可以視為一個(gè)馬爾可夫鏈，其中每個(gè)狀態(tài)對(duì)應(yīng)于數(shù)據(jù)的一個(gè)逐漸增加噪聲的版本；馬爾可夫鏈的公式如下：
40、
41、其中，xt是時(shí)間步t的數(shù)據(jù)狀態(tài)；βt是t時(shí)刻的噪聲比例參數(shù)；∈t是t時(shí)刻從標(biāo)準(zhǔn)正態(tài)分布n(0,i)中采樣的噪聲；時(shí)間步t從1到t且為整數(shù)，t為時(shí)間步長(zhǎng)，t時(shí)刻為純?cè)肼暎?/p>
42、逆向過程選擇的網(wǎng)絡(luò)結(jié)構(gòu)為u-net，設(shè)定時(shí)間步長(zhǎng)、噪聲比例參數(shù)，采用自定義損失函數(shù)(combined?loss)，使用adam優(yōu)化算法進(jìn)行優(yōu)化。擴(kuò)散模型通過學(xué)習(xí)數(shù)據(jù)的分布，能夠捕捉到數(shù)據(jù)的復(fù)雜結(jié)構(gòu)和統(tǒng)計(jì)特性，以便后續(xù)生成設(shè)計(jì)圖的實(shí)現(xiàn)。
43、進(jìn)一步的，所述s6)將原圖輸入訓(xùn)練后的擴(kuò)散模型，并生成初步圖像的具體操作為：對(duì)原始圖像進(jìn)行裁剪與歸一化處理，作為訓(xùn)練后擴(kuò)散模型的輸入；訓(xùn)練后的擴(kuò)散模型進(jìn)行逆向擴(kuò)散，迭代生成第一初步圖像。裁剪與歸一化處理將圖像標(biāo)準(zhǔn)化，確保圖像的重要部分被保留，有助于后續(xù)迭代生成。
44、進(jìn)一步的，所述s6)將初步圖像與提示詞輸入預(yù)訓(xùn)練的條件生成對(duì)抗網(wǎng)絡(luò)中，得到初步設(shè)計(jì)圖的具體操作如下：
45、s601)：導(dǎo)入預(yù)訓(xùn)練的條件生成對(duì)抗網(wǎng)絡(luò)模型，并導(dǎo)入預(yù)訓(xùn)練的權(quán)重，將模型設(shè)置為評(píng)估模式；
46、s602)：讀取第一初步圖像，并將初步圖像調(diào)整到預(yù)訓(xùn)練的條件生成對(duì)抗網(wǎng)絡(luò)模型所需的輸入尺寸，得到第二初步圖像；
47、s603)：歸一化，將第二初步圖像的像素值縮放到預(yù)訓(xùn)練的條件生成對(duì)抗網(wǎng)絡(luò)模型使用的范圍內(nèi)，得到第三初步圖像；
48、s604)：通過預(yù)訓(xùn)練的詞嵌入模型將提示詞轉(zhuǎn)換為提示詞詞向量；
49、s605)：將第三初步圖像與提示詞詞向量輸入預(yù)訓(xùn)練的條件生成對(duì)抗網(wǎng)絡(luò)模型，得到初步設(shè)計(jì)圖。將提示詞作本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：包括如下步驟：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述S5)中自定義損失函數(shù)結(jié)合均方誤差損失(MSE?Loss)與Dice損失，同時(shí)設(shè)置動(dòng)態(tài)權(quán)重，具體流程包括：
3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述S2)關(guān)鍵詞提取具體采用TextRank算法提取文本中重要的句子或關(guān)鍵詞，其中提供的文本為客戶的需求；
4.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述S3)擴(kuò)散模型訓(xùn)練的具體操作如下：
5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述S6)將原圖輸入訓(xùn)練后的擴(kuò)散模型，并生成初步圖像的具體操作為：對(duì)原始圖像進(jìn)行裁剪與歸一化處理，作為訓(xùn)練后擴(kuò)散模型的輸入；訓(xùn)練后的擴(kuò)散模型進(jìn)行逆向擴(kuò)散，迭代生成第一初步圖像。
6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述S6)將初步圖像與提示詞輸入預(yù)訓(xùn)練的條件生成對(duì)抗網(wǎng)絡(luò)中，得到
7.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述S2)制作提示詞的具體操作為：將提取出的關(guān)鍵詞結(jié)合設(shè)計(jì)師的專家提示詞，完成提示詞的構(gòu)建。
8.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述S3)根據(jù)關(guān)鍵詞進(jìn)行相關(guān)建筑裝飾數(shù)據(jù)收集的具體操作為：根據(jù)關(guān)鍵詞從建筑裝飾公開平臺(tái)通過自動(dòng)化爬蟲采集相關(guān)圖片。
9.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述S4)數(shù)據(jù)篩選并預(yù)處理，得到訓(xùn)練集的具體操作如下：
...【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：包括如下步驟：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述s5)中自定義損失函數(shù)結(jié)合均方誤差損失(mse?loss)與dice損失，同時(shí)設(shè)置動(dòng)態(tài)權(quán)重，具體流程包括：
3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述s2)關(guān)鍵詞提取具體采用textrank算法提取文本中重要的句子或關(guān)鍵詞，其中提供的文本為客戶的需求；
4.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述s3)擴(kuò)散模型訓(xùn)練的具體操作如下：
5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的智能建筑裝飾設(shè)計(jì)方法，其特征在于：所述s6)將原圖輸入訓(xùn)練后的擴(kuò)散模型，并生成初步圖像的具體操作為：對(duì)原始圖像進(jìn)行裁剪與歸一化處理，作為...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：孫冬梅，邱東芹，苗千誠(chéng)，
申請(qǐng)(專利權(quán))人：江蘇邦得綠建裝飾有限公司，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。