面向云服务平台的产品感性评价及标注模型

为消除产品设计方案评价过程中个体评价标准的差异,同时进一步提升产品设计方案的评价效率和精度,提出一种基于YOLOv3和DFL-CNN的设计方案智能评价模型。该模型面向工业设计云服务平台,通过基于Darknet-53的YOLOv3算法实现对产品类别的自动标注。以吹风机产品为例,构建了感性语义评价数据集,并通过基于VGG-16的DFL-CNN算法对其造型语义进行细粒度分类,实现了产品类别及其造型感性语义的自动标注。该模型将设计评价问题转换为识别及分类问题,能够实现毫秒级的设计方案评价效率及95%以上的评价精度。最后,通过与不经过YOLOv3的DFL-CNN以及DFL-CNN的基础网络VGG-16进行对比实验,证明了所提模型的有效性及优越性。     

需求驱动的云平台产品关键设计特征识别方法

为完善云服务平台产品设计知识发现系统,同时进一步提升需求与服务的匹配效率,提出一种基于转换器的双向编码表征(BERT)和随机Lasso的产品关键设计特征识别方法.首先,实验采用真实产品用户反馈数据集并对其进行人工标注,以BERT预训练语言模型为基础,建立输出层以训练设计领域命名实体识别模型,实现对显性设计特征的自动识别.实验表明,所提方法可以实现较好的性能,精确率、召回率、F1分数分别为90.55％、97.16％ 和93.68％.同时,提出一种知识迁移思想,在当前大数据环境下,利用随机Lasso算法挖掘其中蕴含的关键设计特征并加以重用,实现了对隐性设计特征的精确定位.     

基于联合学习的概念设计知识抽取与图谱构建

为提高产品概念设计过程中设计知识获取效率，解决设计知识碎片化、推理性差、可视化程度不高等问题，提出了基于联合学习的设计知识抽取与图谱构建方法。首先，根据设计知识需求和产品概念设计流程，构建了面向产品概念设计的设计知识图谱框架，然后，分析了设计知识提取过程中实体关系重叠问题，建立了基于联合学习的设计知识抽取模型，该模型通过ELECTRA算法进行语义编码，利用联合学习方法将实体关系抽取转换为各关系上两实体映射。通过真实设计数据和DuIE公共数据集对比实验表明，该模型知识抽取效果显著优于对比模型。最后，将该方法应用于文化创意产品设计知识图谱开发，为设计师提供关联化、可推理、可视化的设计知识，辅助进行产品概念设计。