【技術實現步驟摘要】
本專利技術涉及工藝品雕刻，尤其是一種基于人工智能大模型的雕刻方法。
技術介紹
1、當前雕刻設計類的生產，伴隨客戶的需求、材質等情況的不同，通常在雕刻開始前要進行大量的雕刻前設計工作。雕刻設計師完成該初始步驟后，交付給客戶進行確認；再經過多輪的需求變化、設計調整諸如“換個材質、換個形式、要正面、要有山、要有水”等等后，確認進入到雕刻環節。
2、目前的操作方式是，先將該設計圖紙進行圖形建模，再傳入到雕刻機的軟件當中進行機雕；這一個過程中，起初的設計稿通常需要3天，在一次設計就通過的情況下，從設計到建模再到雕刻完成需要17天才能送到消費者手中。但是此種操作，一方面除了效率低下以外，另一方面設計成稿和成品也受設計師個人認知影響，進而造就了定制成本高；最后又由于消費者對成品的效果預期有差異導致退貨率居高不下，自此形成了惡性循環。
3、目前市面上按各企業不同大致為“設計師手繪線稿”，“使用繪圖工具軟件進行二維設計”，接下來“使用三維軟件建模”，最后通過另一款軟件生成刀路傳到雕刻機進行生產。主要都是用jdpaint、artam、rhinogold?6等軟件來進行設計和對應的雕刻機軟件進行生產。
4、當前的雕刻設計生產過程當中的設計部分在接觸消費者時，需要大量的時間進行設計，因雕刻師個人的水平、作品數量、工藝水平再加上材質的特點進行設計時需要靈感來源，而材質及某些特殊特點設計師實操非常的少，也就構建了雕刻師的門檻，正因如此對特殊材質及特殊特征處理也就成了普通雕刻師和大師雕刻師的分水嶺。消費者也只能等待雕刻師3
5、因此，本申請公開一種基于人工智能大模型的雕刻方法，該方法可以打包為應用或者作為其他軟件、互聯網等的技術支持核心，主要實現關于雕刻設計類的生產相關的各個環節中的設計和生產部分，提供給設計師設計輔助參考，提供給消費者使用提供設計和參考，提供給工廠或生產廠商進行生產，使用后可以全方面的縮短設計時間，降低設計時間成本、人力成本，同時能提供多套方案供消費者或設計師進行切換選擇，并可不斷學習，再訓練，不斷自我迭代模型，增強模型；生成的效果圖通過交互或自動地轉為3d模型，生成刀路給到雕刻機，進行雕刻生產。
技術實現思路
1、本專利技術克服了現有技術中的缺點，提供一種基于人工智能大模型的雕刻方法，采用aigc的方式既可以讓雕刻設計師在面對高端材質的時候更勇敢，來自高端材料的模型訓練將會提供可行性的設計方案，在設計師充分評估后，再投產，其中也包括了對材料的損耗規避；又可以在面對量產型的設計時，提供受眾較廣的設計稿方案，大大縮減了初設計的周期，10秒左右的方案可以隨時更換，并將圖案紋理疊加到材質上面，最終形成可視化的設計稿對初次設計是非常大的增強。生成的設計稿又能直接生成3d和刀路直接投產，直接減少了大量的工作量從而解放了設計人員的時間。
2、通過人工智能大模型的能力進行針對行業設計內容的訓練，使ai能夠直接按照用戶的要求直接生成效果圖及用于雕刻生產的3d文件。從而提升設計的多樣性與設計和生產全過程的效率。
3、為了解決上述技術問題，本專利技術是通過以下技術方案實現的：
4、一種基于人工智能大模型的雕刻方法，包括如下步驟：
5、s1、從客戶端訪問，所述客戶端包括消費者端以及設計師端；
6、s2、在客戶端中選擇雕刻產品的材質后，再選擇對應的標簽或文本進行輸入并發送到服務器；
7、s3、服務器會對傳送過來的標簽或文本進行識別，然后進行aigc繪圖；
8、s4、aigc繪制出來的圖反饋給客戶端，當結果不滿意時可以重新生成；得到滿意的結果后，設計師可以一鍵生成3d模型；
9、s5、生成模型后將模型傳送到雕刻軟件即可進入雕刻生產，完成。
10、更進一步地，所述服務器采用aigc的方式進行流程的重新梳理，再對ai進行結構的模型訓練，而后對傳統的設計方式里會出現的詞匯——分類，進行逐一訓練，讓ai對這些詞匯充分地理解；雕刻產品材質的詞匯同樣是采用上述方法進行訓練；最后再將這一技術發布成應用或作為技術服務打包到其他互聯網、軟件載體。
11、更進一步地，所述模型訓練包括數據準備以及訓練過程。
12、更進一步地，所述數據準備包括數據收集與數據篩選、數據預處理以及數據標注，其中，
13、數據收集與數據篩選是指：通過各種方式收集約150000張質量的圖像數據、剔除不符合要求的圖片，最終篩選出約15000張高質量的圖像數據使用；
14、數據預處理是指：對圖像進行預處理，包括但不限于圖片裁剪、縮放、色彩校正、移除背景、歸一化等，以便輸入到模型中；此外，我們還將圖像轉換為tensor格式，以便模型的訓練；
15、數據標注是指：使用通義千問視覺模型對這些待訓練進行初次標注，再通過人工進行二次標注數據校驗，構建高質量數據集。
16、更進一步地，所述訓練過程包括如下：
17、s1、安裝訓練腳本；
18、s2、配置預訓練模型，vae模型，載入圖像數據與標注數據，和正則化數據；
19、s3、設置模型訓練的超參數，超參設置內容包括：學習率調度、optimizer優化器、采樣器批處理大小、數據集訓練輪次，訓練精度，潛空間學習率，添加xformers交叉注意力機制，添加最小信噪比，添加原始噪聲偏移等參數。
20、更進一步地，高質量的圖像數據的篩選原則如下：
21、a.要能清晰地體現出玉器紋理等細節特征；
22、b.在保留玉器細節特征的基礎上，其他方面盡可能various；不同的角度、風格等要要能保證圖片整體整潔度，圖像不得有噪聲過多，模糊，角度不清晰，重影等問題；
23、c.要保證圖像在裁剪至玉器主體后仍有512*512以上分辨率；
24、d.圖像需根據玉石種類，玉器形態準確分類，以方便后續訓練。
25、與現有技術相比，本專利技術的有益效果是：
26、1、本專利技術提出的技術方案將會大大縮減初期設計方案的時間，可以為設計師提供設計方案，亦可以用于消費者自己定制設計方案，支持文本輸入進行語義識別后將會通過ai生成新的效果圖給到消費者或設計師，并且可以重復設計直至到滿意，使得當天可以定稿。
27、2、在全流程的時間縮短上，也節省了建模時間，使得整條過程從原來的10多天縮短到了2天。
28、3、流程的加快，也增加了消費者的消費體驗，縮短了成交時間提高了交易轉化率
29、4、可見的效果圖不但可以用于生產，還可以在出現糾紛時作為判定依據。
30本文檔來自技高網...
【技術保護點】
1.一種基于人工智能大模型的雕刻方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于人工智能大模型的雕刻方法，其特征在于，所述服務器采用AIGC的方式進行流程的重新梳理，再對AI進行結構的模型訓練，而后對傳統的設計方式里會出現的詞匯——分類，進行逐一訓練，讓AI對這些詞匯充分地理解；雕刻產品材質的詞匯同樣是采用上述方法進行訓練；最后再將這一技術發布成應用或作為技術服務打包到其他互聯網、軟件載體。
3.根據權利要求2所述的基于人工智能大模型的雕刻方法，其特征在于，所述模型訓練包括數據準備以及訓練過程。
4.根據權利要求3所述的基于人工智能大模型的雕刻方法，其特征在于，所述數據準備包括數據收集與數據篩選、數據預處理以及數據標注。
5.根據權利要求4所述的基于人工智能大模型的雕刻方法，其特征在于，所述數據收集與數據篩選是指：通過各種方式收集約150000張質量的圖像數據、剔除不符合要求的圖片，最終篩選出約15000張高質量的圖像數據使用。
6.根據權利要求4所述的基于人工智能大模型的雕刻方法，其特征在于，所述數據預處
7.根據權利要求4所述的基于人工智能大模型的雕刻方法，其特征在于，所述數據標注是指：使用通義千問視覺模型對這些待訓練進行初次標注，再通過人工進行二次標注數據校驗，構建高質量數據集。
8.根據權利要求3所述的基于人工智能大模型的雕刻方法，其特征在于，所述訓練過程包括如下：
9.根據權利要求3所述的基于人工智能大模型的雕刻方法，其特征在于，高質量的圖像數據的篩選原則如下：
...【技術特征摘要】
1.一種基于人工智能大模型的雕刻方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于人工智能大模型的雕刻方法，其特征在于，所述服務器采用aigc的方式進行流程的重新梳理，再對ai進行結構的模型訓練，而后對傳統的設計方式里會出現的詞匯——分類，進行逐一訓練，讓ai對這些詞匯充分地理解；雕刻產品材質的詞匯同樣是采用上述方法進行訓練；最后再將這一技術發布成應用或作為技術服務打包到其他互聯網、軟件載體。
3.根據權利要求2所述的基于人工智能大模型的雕刻方法，其特征在于，所述模型訓練包括數據準備以及訓練過程。
4.根據權利要求3所述的基于人工智能大模型的雕刻方法，其特征在于，所述數據準備包括數據收集與數據篩選、數據預處理以及數據標注。
5.根據權利要求4所述的基于人工智能大模型的雕刻方法，其特征在于，所述數據收集與數據篩選是...
【專利技術屬性】
技術研發人員：何雙峰，李琢，翁豐統，黎森安，
申請(專利權)人：廣東省靈澤萬川人工智能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。