基于深度学习的智能化工业产品外形设计

基于深度学习的智能化工业产品外形设计

郭君

安徽省中小企业发展促进中心 ,安徽 合肥 230002

摘要：以前的工业用品外部设计过程都依靠手动建模，出现成本高、以前模型中的几何形状、关系等内容没有得到重视的问题。本文主要给出一个将学习三维建模流程作为基础，运用人工智能提高理解和推理能力，作为模型库里面三维模型所包含的最新内容，运用到以后的建模设计工作中。这个过程主要是经过图自动编码器的掌握传统三维模型的结构、大小的特点，首先构成三维物体的零件结构特点，然后组合零件的细节环节，从粗略到精细逐渐完成三维生成内容。

关键词：深度学习；智能化；工业产品；外形设计

制造业产出运营的方式在改变，这对每个环节都有很高的要求，特别是上面的设计部分会让以后的产出质量和效率受到影响。通过探究，可以看出以前在生产的时候达到80%就能够防止成本设计时期不科学因素造成。对于现阶段工业外部设计，增加材料创造技术的进步彻底改变了以前制造方式的很多限制，给出完整的由三维模型到具体物质的有效渠道，减少由设计到产出交付的时间，并且还对三维建模的质量提出很高的要求。而事实上在工业中有很多建模资源都不能更好的重复运用，而且三维模型的制定和获得过程十分复杂，出现很高的时间成本。

在三维智能建模行业中，人工智能技术给出了很大的特征提炼和学习能力。运用特征工程的方法掌握统计机器学习策略，统计出三维数据之下的几何图形、纹理尺寸等信息，运用训练机器学习算法掌握有关特点将建模工作完成，在很大的情境建模、人体姿态、面部立体建立等工作中获得很好的效果，而一些探究没有关心工业外观设计中的运用

运用深度学习的策略，当前有关探究就是对于三维形状的产生沿用图像深入掌握算法的思路。在这个领域里，针对三维特点的掌握和分析、建模等内容，运用很多体素网络、点云等表达方式。比如，运用产生式对抗网络，直接把整体的三维体素块当作输入完成学习。产生式对抗网络就是运用很多变分自编码器编码集合特征与结构特征，最终完成特征结合。其把体素数据改变成八叉树数据结构的形式，同时在深度学习中又再一次定义了卷积等运算操作，让储存和运算的成本变低。但是八叉树的结构自身的几何状态表现能力有局限性，不能够更好展现复杂三维物体的具体细节。

在图片和文字等方面，一端对一端的深度学习算法事实上获得了很好的效果，而就三维物质的表达掌握来说，没有通过处理原来的数据展现的高维度特征，会让深度学习算法的运算量逐渐上升。所以，上面描述的深度学习算法也面对着很大的内存开销和运算成本的情况。并且这几种运算方法存在于三维物体总体的几何信息中，产生的局部细节不是特别丰富。

1. 在深度学习的基础上产生的运算方法

1. 零件分布图

针对一个完善的三维对象，能够将其分为不同的部件，按照他们相邻的关系能够把整体的三维对象仔细表示为由点和边构成的零件分布图G,比如图A。零件分布图G的表达公式在下面：

G=（A，F）

公式中的A€[0,1]^k×k是邻接矩阵，展示出每个零件之间的物理连接关系；F€R^k×d是节点特征矩阵，构成要素是零件中的向量，当作产生式的建模运算方法的输入数据。因此，零部件分布问题变为主要的学习内容，就应该设计运算方法学习图的构造特点，而且展现出图本身的邻接矩阵和节点特点，将零件分布产生的任务做好。

将图A 的自行车作为案例，根据零件的特性可以分成车轮、车把、车架等部件，各个部件的抽象变成G中的一个节点。车轮和车架中间属于连接关系，两种节点可以构成一个无向边，就构成整体的图G。

数据预处理

图A 零件分布图的表达方法

2. 将图神经网络的自动编码器作为基础

和图像、文字数据比较，图具备不同的特点：不同的图不但构造有区别买不起节点和边数也是不同的；相同的节点是没有顺序的；图构造的展现方式是分散的。这几种性质表示在传统的图像、文字等方面的优势，没有对于图的特点展开学习。针对图这样的不是结构形式的数据，深度学习运算方法已具有了处理能力。把图变分自动编码器GraphVAE作为基本运算方法，作为零部件图的特点。根据Simonovsky等归纳能够了解到图的节点数目小于38 的时候，能够获得更好的效果，不具有更好的性能问题。将工业三维模型层次构造分析作为基础，符合图节点数目的局限性，所以从理论知识的角度选择图变分自动编码器符合需要。

1. 整体构造

按照变分自动编码的变分理论和贝叶斯理论，对于图构造产生特性，再一次定义变分自编码器，建立图变分自编码器结构，比如图B的表示。

图B 图变分自动编码器

图变分自编码器运算方法步骤是：

练习流程是：

引入：邻接矩阵、特征矩阵。

显示：概念图片，零件分布图=（邻接矩阵，特征矩阵）。

第一步：阅读零件分布图零件分布图=（邻接矩阵，特征矩阵），运用从很多层的通用连接网络组成的编码器完成图卷积等工作，获得结果向量c、以及方差向量d。

第二步：运用从数c、d的概念本身高斯部分获得潜在量f。

第三步：把潜在量f引入到从多层感受机组成的加码器中，显示出概率全连通图零件分布图=（邻接矩阵，特征矩阵）。

检测或者产生的流程：

引入：参数为c、d。

显示：邻接矩阵、特征矩阵。

第一步：从参数c、d概念的高斯部分获得潜在量f。

第二步：把潜在量f引入到从多层感受机组成的解码器中，显示概率全连图为零件分布图=（邻接矩阵，特征矩阵）。

第三步：按照设计的阈值对于概率通图零件分布图=（邻接矩阵，特征矩阵）的各个点和边完成分辨，改变为零部件图零件分布图=（邻接矩阵，特征矩阵）。

2. 损失函数和图搭配

按照变分自动编码器主要思想，概念根据运算方法的目标：掌握一种编码器和解码器，完成由图G到潜在量的双向映射关系。

2. 三维模型智能建立

具体步骤如下所示：

第一步：数据将处理和获取特征，确保数据构造可以运用和数据的正确性。

第二步：运用分布产生运算方法掌握部件分布图的特点，得到可以运用的编码器和解码器。

第三步：运用练习以后的解码器模型完成分布产生，这个步骤哪个产生带有部位、大小信息等部件的问题，最终把部件配成整体的三维物体。

图C 三维模型智能建立工程

1. 将要处理和获取特征

按照分布产生的运算方法的数据要求，事先必须要处理三维物体，整个过程的模型有部件切割、部件特征获取、部件大小模型收缩。

1. 部件切割好特征获取

这篇文章的分布产生运算方法对于数据收集的分布特征处理有很高的要求，应该在具体练习运算方法模型以前针对原来的三维物体完成切割，之后提供切割以后的部件部位、大小信息和连接关系当作学习分布特征。

2. 部件大小收缩

分布产生运算方法有严格要求总体上的三维物体的大小，从理论知识上看所以大小的三维物体都能适用。而一个部件精细化的产生，因为运用深度学习有关的运算方法，为了取得很好的成效，应该对三维部件的大小缩为0到1 的之间，让其符合运算方法对于大小的需求。

结束语：

综上所述，经过实验可以看出这个建模给出可以产生科学的三维工业用品的外部形象，而受到数据展现方式的限制，有些比较小的部件出现缺损的情况。这篇文章主要给出将图神经网络建模给出作为基础能够符合产生的任务，产生的模型创意设置的基本模型当成参照。

参考文献：

[1]肖旭,杜逆索,欧阳智,魏琴.基于深度学习的智能化工业产品外形设计[J].组合机床与自动化加工技术,2020(10):23-26.

[2]金映谷,张涛,杨亚宁,王月,刘玉婷.基于深度学习的产品缺陷检测方法综述[J].大连民族大学学报,2020,22(05):420-427.

[3]肖旭,杜逆索,欧阳智,魏琴.基于深度学习的智能化工业产品外形设计[J].组合机床与自动化加工技术,2020(10):23-26.

[4]王铁球.产品智能化背景下工业设计中的材料选用分析[J].智库时代,2020(03):293-294.

[5]刘蘅.智能化技术在工业产品设计中的应用浅析[J].山东工业技术,2017(11):146.