一种纺织印染品的花型智能排版方法与流程
本发明涉及数码印染、神经网络、深度学习、图像识别领域，特别是涉及一种纺织印染品的花型智能排版方法，该方法基于神经网络的模式学习和预测。
背景技术：
数码印染是未来纺织产业的发展方向，其最大的特点是可以支持高度定制化的印染品生产，生产1米和1000米的布料的单价是一致的；而传统印染一次制版则需要印制几百米以上才可以收回成本，所以不可能支持定制化的产品。发达国家数码印染已经占到48％的市场比例，而我国仅占2％，因此有巨大的发展空间。
然而印染品的花型设计门槛高、难度高、费时费力，通常由专业的设计师花几天时间完成，极大阻碍了用户定制自己印染品的兴趣。而自动化的花型设计难度极大，并没有可循的成功案例。
花型选择和设计排版的审美属于非常抽象的主观描述，传统的图像识别算法，如基于图像sift特征的算法以及基于manifolds的匹配算法，都无法精准的描述排版的质量。使用决策树、贝叶斯分类等学习算法，也无法对花型质量进行评价。
随着神经网络和深度学习技术的发展，使用深度学习技术进行图像的识别和处理可以得到非常准确的结果，如人脸识别和图像分类可以达到90％以上的准确率。两个隐藏层以上的神经网络可以对任意的函数进行拟合，因此理论上神经网络可以对复杂的构图进行模拟和学习，并通过学习可以预测出新的花型设计方案。
技术实现要素：
本发明的目的在于针对自动花型排版设计方面的空白，提供了一种纺织印染品的花型智能排版方法，该方法的步骤如下：
步骤1、建立素材大数据库
针对大量积累的已有设计方案，采用图像分析算法抽取出设计图中涉及到的素材，并利用神经网络分类算法对素材的种类、色彩、大小和构图位置进行自动标注，并将信息存储在云端的素材大数据库中。
所述的素材大数据库，负责存储和维护大量标注过的构图素。
步骤2、建立针对排版设计方案的学习模型
针对已有的设计图，将设计图中的素材分类为核心素材和点缀素材，并采用高纬度的向量表示其特征；学习模型通过聚类算法形成核心素材和点缀素材的图结构，该图结构能够给表达了合理的素材搭配和美学构图；构建两个全连接神经网络分别学习核心素材－点缀素材、核心素材－核心素材之间的关系；
所述的学习模型负责从已有设计方案中学习成熟的排版构图策略。
步骤3、建立智能排版设计模型
将步骤2训练出来的全连接神经网络用作排版设计的基础知识库；
根据用户选择的基础素材，配合全连接神经网络智能的补全构图所需要的核心素材和点缀素材；
然后根据概率模型，计算素材之间的匹配概率，选择最合适的核心素材－点缀素材组合，以及核心素材－点缀素材组合之间的几何构图位置，并产生构图排版方案预览稿。
步骤4、对构图排版方案进行调整和验证
受限于训练集的质量和数量，步骤3所产生的构图排版方案在质量上会有参差不齐，因此设计有调整和验证模块，该模块提供修图工具允许用户对构图排版方案进行微调；
用户能够调整特定素材的大小、色彩、方向、位置；也能够批量调整一类素材的特性，从而达到最佳构图效果。
用户最终确认的构图排版方案将作为新的学习训练集提供给学习模型进行增量式的学习，以适应新的设计模式。
本发明有益效果如下：
本发明大大提高了设计师在设计数码印花图案时的效率，将原设计流程中占比80％时间的素材搜索和素材排版降低为原来用时的十分之一以内。原来需要一天时间设计的图案，仅需要1-2个小时即可以达到接近的设计效果。
附图说明
图1是本发明实施步骤流程图。
图2是本发明的素材构图关系图。
图3是本发明的自动构图流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1-图3所示，一种纺织印染品的花型智能排版方法，具体包括如下步骤：
步骤1、建立素材大数据库
针对大量积累的已有设计方案，采用图像分析算法抽取出设计图中涉及到的素材，并利用神经网络分类算法对素材的种类、色彩、大小和构图位置进行自动标注，并将信息存储在云端的素材大数据库中。
所述的素材大数据库，负责存储和维护大量标注过的构图素。素材大数据库是基础存储模块，定义了步骤2中需要学习的素材的属性；定义了步骤3中需要学习的素材之间的几何关系；定义了步骤4中素材调整所支持的操作；具体的实现过程如下：
(1)对用户上传和系统积累的设计图进行处理，运用grabcut算法半自动的抽取出素材，并人工进行素材属性标注。
(2)属性标注过的素材作为训练集，生成一个2层的全连接神经网络以支持素材的自动属性标注。
(3)抓取的素材存入对象存储数据库中，素材的关联属性存储在关系数据库mySQL中。
(4)对于素材的位置信息属性建立R-tree索引。
步骤2、建立针对排版设计方案的学习模型
针对已有的花型设计图的素材排列组合模式，将设计图中的素材分类为核心素材和点缀素材，并采用高纬度的向量表示其特征；学习模型通过聚类算法形成核心素材和点缀素材的图结构，该图结构能够给表达了合理的素材搭配和美学构图；构建两个全连接神经网络分别学习核心素材－点缀素材、核心素材－核心素材之间的关系，从而构成核心素材－点缀素材神经网络以及核心素材－核心素材神经网络。两个网络都是多层全连接网络，其输入为表达为高维度向量的素材，学习采用标准的梯度下降方法(SGD)。学习的结果支持对素材的推荐和预测，具体过程包括：
(1)用户选择少量的核心素材作为其构图的基础。
(2)核心素材－点缀素材神经网络补全构图所需要的点缀素材。
(3)核心素材－核心素材神经网络补全构图所需要的核心素材。
(4)所有素材提交给步骤3的排版设计模块。
所述的学习模型负责从已有设计方案中学习成熟的排版构图策略。
步骤3、建立智能排版设计模型
将步骤2训练出来的全连接神经网络用作排版设计的基础知识库；
根据用户选择的基础素材，配合全连接神经网络智能的补全构图所需要的核心素材和点缀素材；使用深度学习技术对步骤2产生的素材进行排版设计，产生若干排版方案，进行打分排序并推荐给用户作为选择。
然后根据概率模型，计算素材之间的匹配概率，选择最合适的核心素材－点缀素材组合，以及核心素材－点缀素材组合之间的几何构图位置，并产生构图排版方案预览稿。
具体的该排版设计模型将核心素材和点缀素材之间的几何位置关系描述为无环无向图(acyclic undirected graph)，图中的节点之间的距离和角度代表了它们的几何位置。对图进行降维度编码，每一个高维编码代表了特殊的图结构，并且输入到神经网络做训练。神经网络最终预测每种可能编码的概率，并选择最大概率的编码输出。该编码被还原为构图并返回给用户。
步骤4、对构图排版方案进行调整和验证
受限于训练集的质量和数量，步骤3所产生的构图排版方案在质量上会有参差不齐，因此设计有调整和验证模块，该模块提供修图工具允许用户对构图排版方案进行微调；
用户能够调整特定素材的大小、色彩、方向、位置；也能够批量调整一类素材的特性，从而达到最佳构图效果。
用户最终确认的构图排版方案将作为新的学习训练集提供给学习模型进行增量式的学习，以适应新的设计模式。
相关知识
一种集约化智能育苗方法及系统与流程
一种智能浇花系统及方法与流程
一种水矾花智能监控方法及系统与流程
一种智能监管花卉的公共租赁花柜及监管花卉方法与流程
一种智能花盆的控制系统、智能花盆及其控制方法与流程
一种菠萝智能精准催花喷药管理装置及方法与流程
一种家用智能芽苗菜培养箱及培养方法与流程
一种智能虫情测报设备及其虫害监控方法与流程
一种基于物联网的阳台花卉智能监测系统及方法与流程
一种基于深度学习的柑橘病虫害智能诊断方法及系统与流程
网址: 一种纺织印染品的花型智能排版方法与流程 https://m.huajiangbk.com/newsview659020.html
| 上一篇: 牡丹苗多少钱一棵？怎么进行盆栽养 |
下一篇: 唯美花模板在线制作 |
