(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210373630.8 (22)申请日 2022.04.11 (71)申请人 浙江理工大 学 地址 310000 浙江省杭州市经济技 术开发 区白杨街道 2号大街9 28号 (72)发明人 李雪莲　朱海鹏　张佳琪　 (74)专利代理 机构 北京博维知识产权代理事务 所(特殊普通 合伙) 11486 专利代理师 张倩 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种家具风格识别与生成方法 (57)摘要 本发明涉及一种家具风格识别与生成方法， 包括以下步骤： 发明通过以下技术方案来实现上 述目的： 一种家具风格识别与生成方法， 包括以 下步骤： （1） 设置家具标签数据库及分类数据库， 标签数据库设置多种标签词汇， 设置分类数据库 家具现有的风格进行分类， 输入一种家具图片或 信息， 调取标签数据库及分类数据库对家具进行 初始分类； （2） 选取卷积神经网络建立多种图像 识别分类模型， （3） 建立家具风格数据库； （4） 将 多张家具图片进行批量抠图， 获取纯白背景的家 具图片； （5） 将处理后家具图片安朝向分两次输 入Style GAN2网络生成结果； （6） 生成图像和视 频文件； （7） 观察浏览生成的 图像和视频， 识别优 选方案； （8） 完成产品外观设计方案设计并优化， 呈现设计图并显示至界面； 本发 明的方法具有创 意取之不尽； 训练设计师思维、 高效、 稳定地输 出； 设计的门槛低， 激发更多创意； 避免一些法律 风险或经济后果、 避免设计思维固化 等优点。 权利要求书2页 说明书6页 附图2页 CN 114821308 A 2022.07.29 CN 114821308 A 1.一种家具风格识别与生成方法， 其特 征在于， 包括以下步骤： （1） 指定一种家具， 采用多种标签词汇， 对该家具现有的风格进行 标记； （2） 选取 卷积神经网络建立多种图像识别分类模型； （3） 建立家具风格数据库； （4） 将多张家具图片进行批量 抠图， 获取 纯白背景的家具图片； （5） 将处 理后家具图片安朝向分两次输入Style  GAN2网络生成结果； （6） 生成图像和视频文件； （7） 观察浏览生成的图像和视频， 识别优选方案； （8） 完成产品外观设计方案设计并优化， 呈现设计图并显示至界面。 2.根据权利要求1所述的一种家具风格识别与生成方法， 其特征在于， 前述家具风格数 据库通过系统聚类法进行聚类分析， 提取4 ‑6个主要类别， 然后进行命名。 3.根据权利要求2所述的一种家具风格识别与生成方法， 其特征在于， 首先用系统聚类 法将所有类别聚类， 再通过主成份分析法提取主成份作为辅助分类依据将类别分类， 系统 聚类法首先定义样本之间的距离关系， 将距离最靠近的样品首先聚为小类， 再将已聚合的 小类按其类间距离合并， 如此延续， 最后把这些小子类聚到一个大类， 聚类算法运用组内平 均 连 接 ，距 离 计 算 采 用 欧 式 距 离 生 成 谱 系 图 ， 欧 式 距 离 的 计 算 公 式 为 ： ， 其中 ， 、 分别表示第i个词， n 为聚类的数目。 4.根据权利要求3所述的一种家具风格识别与生成方法， 其特征在于， 提取出4个主成 分， 4主成份的个因子解释14个变量中的65.84%的信息量,取谱系图中距离为17， 划条线将 聚类分析的结果分为4类， 分别 是： 流线型、 参数化、 工业风； 现代、 网红、 极简、 简欧、 经典北 欧； 新中式、 日式、 传统中式； 欧式、 美式、 意式轻奢,分别对这4类进行命名， 得到最 终风格标 签词汇。 5.根据权利 要求1所述的一种家具风格识别与生成方法， 其特征在于， 选取RseNet50建 立图像识别分类模 型， 并且设定以下参数： 图像输入为RGB彩色3通道224 ×224图像； 训练集 与测试集比例为4:1； 激活函数为ReLU； softmax回归分类； GPU加速计算； 图像采用数据增强 策略 （颜色增强、 随机角度、 增加裁剪、 水平随机翻 转） ； batch_size为64； 训练回合数为30； 学习率为0.001， Adam优化器中设置学习率 为0.002； 程序对打不 开的数据做 清洗。 6.根据权利要求1所述的一种家具风格识别与生成方法， 其特征在于， 利用深度 学习收 集数据建立数据库的步骤如下： 从网络采集大量源数据； 利用图像识别分类模型清洗掉 不是目标产品的其 他数据； 利用图像识别分类模型分类目标产品的标签； 整理分类结果， 建立家具风格的数据库。 7.根据权利要求6所述的一种家具风格识别与生成方法， 其特 征在于， (1)从网络采集大量源数据； (2)利用图像识别分类模型清洗掉不是椅子的其他数据， 并人工简单浏览判别分类的权　利　要　求　书 1/2 页 2 CN 114821308 A 2准确性， 如果 准确， 则进入下一 步； 如果不准确， 检查原因， 重新识别分类； (3)利用图像识别分类模型椅子的标签， 通过深度学习自动给图像数据打标签， 识别完 成后进行 人工复检； (4)整理分类结果， 建立椅子风格化数据库； 收集特定椅子的图片， 并且要求一张图片中只包含一把完整的椅子； 图像大小不小于 224×224像素； 各个风格之间图片数量均等； 同一把款式的椅子， 仅有材质 、 颜色或者拍摄 角度的不同算两把； 为了满足深度学习对大 数据的要求， 图像采集需数据不少于80 0个； 给图片打上风格标签， 最后 选取RseNet50作 为目标网络， 建立图像识别分类模型， 将图 片输入为RGB彩色3通道224 ×224图像； 训练集与测试集比例为4:1； 激活函数为ReLU； softmax回归分类； GPU加速计算； 图像采用颜色增强、 随机角度、 增加裁剪、 水平随机翻转； batch_size为64； 训练回合数为30； 学习率为0.001， Adam优化器中设置学习率为0.002； 程 序对打不 开的数据做了清洗； 从源数据图片中挑选出是椅子和非椅子的照片输入已建立的图像识别分类模型中训 练网络， 使网络模型学习椅子/非椅子的特征， 即可实现图像的批量分类； 统计分析并且纠 正错误的图像； 从东方风格数据库中筛选图像文件作为本次优化的备选图像， 抠掉全部背景图片和图 片阴影， 将获得的图片输入到StyleGAN2网络进行训练， 经过3000步 （steps） 训练后， FID分 数 （FrechetInceptionDistancescore） 为24.73； 选择步数为1 ‑3000， 以500步为一档下载训练过程图像， 对应FID分数变化； 截取部分图 像 （3×3个） 展示训练过程， 将上图单组3 ×3个图像从左到右、 从上到下命名， 图像在训练 1000步、 FID分数降到68.66 时， 椅子图像已经成型， 后续2000步的更清晰地呈现将椅子， 最 后转移成东方风格的椅子 。 8.根据权利要求1所述的一种家具风格识别与生成方法， 其特征在于， 收集白色背景无 阴影特定风格朝右的家具多张图像数据， 训练多步， 并获取对应的FID分数， 收集生产过程 的图片。 9.根据权利要求1所述的一种家具风格识别与生成方法， 其特征在于， 将生产的家具图 像按照理想样本和错 误样本分成两 部分， 进行比较和纠错。权　利　要　求　书 2/2 页 3 CN 114821308 A 3