一种基于机器学习智能生成设计作品的方法、系统及存储介质技术方案

本发明专利技术提供了一种基于机器学习设计框架智能生成设计作品的方法、系统及存储介质，该方法包括：步骤1，获得特征集，步骤2，预测模型对特征集AA、BB综合学习，采用随机森林方法随机生成特征矩阵，得到S个矩阵决策树集S；步骤3，需要生成新的设计作品时，只需提供素材特征属性、元素特征属性；预测模型将采用决策树集S对新的页面的素材特征、元素属性特征进行综合分析，将会得到s个分类结果，统计计数分析s类，数目越大生成的样式越多。大大提高设计工作的效率，减少人工成本；减少设计师花在重复工作上的时间，增加设计师创造性工作的时间。

A Method, System and Storage Medium for Intelligent Generation of Design Works Based on Machine Learning

The invention provides a method, system and storage medium for intelligent generation of design works based on machine learning design framework. The method includes: step 1, obtaining feature sets, step 2, comprehensive learning of prediction model for feature sets AA and BB, random generation of feature matrices by random forest method, and obtaining S matrix decision tree sets; step 3, only when new design works need to be generated. It is necessary to provide material feature attributes and element feature attributes. The prediction model will use decision tree set S to synthetically analyze the material feature and element attribute characteristics of the new page, and will get s classification results. The larger the number of S classes, the more styles will be generated. It greatly improves the efficiency of design work, reduces the labor cost, reduces the time spent by designers in repetitive work, and increases the time spent by designers in creative work.

【技术实现步骤摘要】
一种基于机器学习智能生成设计作品的方法、系统及存储介质
本专利技术涉及计算机
，尤其涉及一种基于机器学习智能生成设计作品的方法、系统及存储介质。
技术介绍
随着社会的进步，科技的发展，软件已广泛应用于人们生活和生产当中，但是目前网页中的页面制作效率低，人工成本高，无法满足用户的需求，页面包括但不限于海报、Banner、活动页等等系列设计行为。
技术实现思路
本专利技术提供了一种基于机器学习智能生成设计作品的方法，包括如下步骤：步骤1，获得特征集，特征集包括：对设计作品历史数据训练抽取素材库特征，获得素材库特征集A＝{A1,A2...An}，对素材库特征集A进行采样形成新的素材库特征集AA＝{AA1，AA2...AAn}；对设计作品历史数据训练抽取元素属性特征，获得元素属性特征集B＝{B1,B2...Bn}，对元素属性特征集B进行采样形成新的元素属性特征集BB＝{BB1,BB2...BB3}；步骤2，预测模型对特征集AA、BB综合学习，采用随机森林方法随机生成特征矩阵，得到S个矩阵决策树集S；步骤3，需要生成新的设计作品时，只需提供素材特征属性、元素特征、尺寸属性；预测模型将采用决策树集S对新的设计作品的素材特征、元素属性特征进行综合分析，将会得到s个分类结果，统计计数分析s类，数目越大分类则越多。作为本专利技术的进一步改进，所述设计作品包括海报、Banner、活动页、logo、ppt、logo。作为本专利技术的进一步改进，素材库特征包括动物、人物、物品。作为本专利技术的进一步改进，在所述步骤1中，形成新的素材库特征集AA的方法包括如下步骤：步骤一，对素材库特征集A进行多次迭代数据采样；步骤二，将素材库特征集A的采样数据集分成N个类别层；步骤三，再从每个类别层按照抽取特征集采样数据，NM为层M样本数，L为阶层数，N总层数；步骤四，然后将步骤三抽取的特征集采样数据组合在一起，得到新的素材库特征集AA＝{AA1，AA2...AAn}。作为本专利技术的进一步改进，在所述步骤1中，形成新的元素属性特征集BB的方法包括如下步骤：步骤a，对元素属性特征集B进行多次迭代数据采样；步骤b，将元素属性特征集B的采样数据集分成N个类别层；步骤c，再从每个类别层按照抽取特征集采样数据，NM为层M样本数，L为阶层数，N总层数；步骤d，然后将步骤c抽取的特征集采样数据组合在一起，得到新的元素属性特征集BB＝{BB1,BB2...BB3}。本专利技术还提供了一种基于机器学习智能生成设计作品的系统，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现本专利技术所述的方法的步骤。本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现本专利技术所述的方法的步骤。本专利技术的有益效果是：本专利技术对原始的海报、Banner、活动页等等设计工作训练，获得海报、Banner、活动页素材库特征及相应的元素属性；不断优化海报、Banner、活动页特征数据，利用学习到特征数据智能生成海报、Banner、活动页等设计工作，大大提高制作海报、Banner、活动页等设计工作的效率，减少人工成本。附图说明图1是本专利技术的原理框图。图2是本专利技术的方法流程图。具体实施方式如图1所示，本专利技术公开了一种基于机器学习智能生成设计作品的方法，包括如下步骤：步骤1，获得特征集，特征集包括：对设计作品历史数据训练抽取素材库特征，获得素材库特征集A＝{A1,A2...An}，对素材库特征集A进行采样形成新的素材库特征集AA＝{AA1，AA2...AAn}；对设计作品历史数据训练抽取元素属性特征，获得元素属性特征集B＝{B1,B2...Bn}，对元素属性特征集B进行采样形成新的元素属性特征集BB＝{BB1,BB2...BB3}；步骤2，预测模型对特征集AA、BB综合学习，采用随机森林方法随机生成特征矩阵，采用方法进行分析学习矩阵矩阵.....矩阵等等，最终等得到s个矩阵决策树集S；步骤3，需要生成新的设计作品时，只需提供素材特征属性、元素特征、尺寸属性；预测模型将采用决策树集S对新的设计作品的素材特征、元素属性特征进行综合分析，将会得到s个分类结果，统计计数分析s类，数目越大分类则越多。所述设计作品包括但不限于设计中的海报、Banner、活动页、logo、ppt、名片。素材库特征包括动物、人物、物品、商品。元素属性特征包括横屏、竖屏、多图。通过机器去模仿和学习我们积累与沉淀下来的设计规则，并替代掉普通的设计师的“人力”工作。本专利技术利用学习设计框架特征智能生成海报、Banner、活动页、logo、名片、ppt等等一些列可重复性的有规则的设计方法与工作；大大提高设计工作的效率，减少人工成本；减少设计师花在重复工作上的时间，增加设计师创造性工作的时间。在所述步骤1中，形成新的素材库特征集AA的方法包括如下步骤：步骤一，对素材库特征集A进行多次迭代数据采样；步骤二，将素材库特征集A的采样数据集分成N个类别层；步骤三，再从每个类别层按照抽取特征集采样数据，NM为层M样本数，L为阶层数，N总层数；步骤四，然后将步骤三抽取的特征集采样数据组合在一起，得到新的素材库特征集AA＝{AA1，AA2...AAn}。在所述步骤1中，形成新的元素属性特征集BB的方法包括如下步骤：步骤a，对元素属性特征集B进行多次迭代数据采样；步骤b，将元素属性特征集B的采样数据集分成N个类别层；步骤c，再从每个类别层按照抽取特征集采样数据，NM为层M样本数，L为阶层数，N总层数；步骤d，然后将步骤c抽取的特征集采样数据组合在一起，得到新的元素属性特征集BB＝{BB1,BB2...BB3}。本专利技术还公开了一种基于机器学习智能生成设计作品的系统，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现本专利技术所述的方法的步骤。本专利技术还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现本专利技术所述的方法的步骤。本专利技术对原始的海报、Banner、活动页等设计工作训练，获得海报、Banner、活动页素材库特征及相应的元素属性；不断优化设计模板的特征数据，利用学习到特征数据智能生成设计作品，大大提高制作海报、Banner、活动页等等设计工作的效率，减少人工成本。以上内容是结合具体的优选实施方式对本专利技术所作的进一步详细说明，不能认定本专利技术的具体实施只局限于这些说明。对于本专利技术所属
的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.一种基于机器学习智能生成设计作品的方法，其特征在于，包括如下步骤：步骤1，获得特征集，特征集包括：对设计作品历史数据训练抽取素材库特征，获得素材库特征集A＝{A1,A2...An}，对素材库特征集A进行采样形成新的素材库特征集AA＝{AA1，AA2...AAn}；对设计作品历史数据训练抽取元素属性特征，获得元素属性特征集B＝{B1,B2...Bn}，对元素属性特征集B进行采样形成新的元素属性特征集BB＝{BB1,BB2...BB3}；步骤2，预测模型对特征集AA、BB综合学习，采用随机森林方法随机生成特征矩阵，得到S个矩阵决策树集S；步骤3，需要生成新的设计作品时，只需提供素材特征属性、元素特征、尺寸属性；预测模型将采用决策树集S对新的设计作品的素材特征、元素属性特征进行综合分析，将会得到s个分类结果，统计计数分析s类，数目越大分类则越多。

【技术特征摘要】
1.一种基于机器学习智能生成设计作品的方法，其特征在于，包括如下步骤：步骤1，获得特征集，特征集包括：对设计作品历史数据训练抽取素材库特征，获得素材库特征集A＝{A1,A2...An}，对素材库特征集A进行采样形成新的素材库特征集AA＝{AA1，AA2...AAn}；对设计作品历史数据训练抽取元素属性特征，获得元素属性特征集B＝{B1,B2...Bn}，对元素属性特征集B进行采样形成新的元素属性特征集BB＝{BB1,BB2...BB3}；步骤2，预测模型对特征集AA、BB综合学习，采用随机森林方法随机生成特征矩阵，得到S个矩阵决策树集S；步骤3，需要生成新的设计作品时，只需提供素材特征属性、元素特征、尺寸属性；预测模型将采用决策树集S对新的设计作品的素材特征、元素属性特征进行综合分析，将会得到s个分类结果，统计计数分析s类，数目越大分类则越多。2.根据权利要求1所述的方法，其特征在于：所述设计作品包括但不限于海报、Banner、活动页、logo、ppt、名片设计形式。3.根据权利要求1所述的方法，其特征在于：素材库特征包括动物、人物、物品、商品。4.根据权利要求1所述的方法，其特征在于：元素属性特征包括横屏、竖屏、多图。5.根据权利要求1所述的方法，其特征在于：在所述步骤1...

【专利技术属性】
技术研发人员：周洪峰，邓剑锋，黎平，邹秋艳，
申请(专利权)人：深圳微品致远信息科技有限公司，
类型：发明
国别省市：广东,44