一种三维仿生生成物的设计系统技术方案

本发明专利技术公开了一种基于生成对抗网络的三维仿生设计方法，所述方法包括如下步骤：步骤1：建立训练集；步骤2：建立深度生成模型，并通过所述训练集对所述深度生成模型进行训练；所述深度生成模型包括隐式自动编码器和隐向量生成模型；所述隐式自动编码器包括编码器3DCNN和解码器IM

【技术实现步骤摘要】
一种三维仿生生成物的设计系统


[0001]本专利技术属于机器学习及智能
，涉及一种三维仿生生成物的设计系统。

技术介绍

[0002]仿生设计(Bionics Design)就是模拟大自然及生物系统的结构、功能、形态、色彩等特征，进行创造性的设计。仿生设计从人的心理需求出发，以设计师个人的仿生理念为寄托，创造出充满生物情趣和自然形态的设计产品，又反过来服务于人类，从而完成了一个自然状态的从人到人的循环。依据仿生学应用的方式的不同，仿生设计主要分为产品的形态仿生、功能仿生、结构仿生色彩仿生、肌理仿生等。形态仿生在现代产品造型设计中被广泛应用，如生活日用品、小家电、家具、交通工具等。当今设计师已经把产品造型创新方向投向仿生设计领域。
[0003]为了更多地产生优秀的创意仿生设计，多年来学界和业界一直在尝试借助计算机技术探索仿生形态创意设计的规律。在将深度生成模型应用在产品形态仿生设计之前，学界有通过进化设计，建立造型数据库与抽取规则，运用进化算法定义适应度和产品特征模型，通过对仿生对象轮廓特征要素的提取，产生产品轮廓上的多样化设计方案。最近的研究尝试运用深度学习技术来自动合成仿生产品的造型轮廓。特别是Simiao Yu等首次将生成对抗网络等深度生成模型应用于产品外形的仿生设计，他们从深度学习的角度将仿生设计问题进行了数学定义，从而设计出一套深度生成模型来形成产品外形轮廓的仿生设计。
[0004]自编码器和生成对抗网络(GAN)组合的深度生成模型，在平面图像生成、修复以及风格迁移等领域已经展现出了独特优势和巨大潜力。在三维设计方面，2016年麻省理工大学wu等人提出了将生成对抗网络应用在三维形状生成方面的具体方法，训练完成的模型可以将一张椅子的照片进行还原重建为一个椅子的三维模型。使用的是基于体素化的3D数据模型，首次提出三维形状表示中的隐向量空间的概念。Panos等人应用自编码器以及中间的隐生成对抗网络(LatentGAN)完成了三维点云数据的嵌入与表示。利用自编码器直接基于三维数据集训练出一个隐向量空间，然后利用欧式空间与三维形状之间的双射，完成一系列三维生成任务，而中间LatentGAN的存在保证了生成结果的多样性。chen等人用隐式的方法优化深度生成模型LatentGAN的3D模型拟合的效果，使得基于插值生成的三维模型的效果更加连续平滑,并且重新使用体素的三维数据，并通过MarchingCube算法来将体素数据转为应用更广泛的三维网格数据。但是深度生成模型在仿生产品形态设计过程中还未有相关的应用。

技术实现思路

[0005]本专利技术提供了一种基于生成对抗网络的三维仿生设计系统，所述系统包括：
[0006]数据预处理模块，其用于输入仿生对象和设计目标所代表的三维形状数据集，通过基于设计目标和基于性能的数据增强来扩充数据集，经过mesh2voxel与SDF采样器得到模型训练所需要的三维模型的符号距离场；
[0007]深度生成模型，其包括隐式自动编码器、生成对抗网络/插值运算器/创意生成物求解器；所述隐式自动编码器包括编码器3DCNN和解码器IM
‑
Decoder；
[0008]样本向量存储库，其用于存储隐向量点集，存储库中的隐向量通过隐式解码器得到三维仿生生成物；
[0009]后处理模块，其用于将所述三维仿生生成物经过后处理得到三维仿生设计。
[0010]本专利技术提出的基于生成对抗网络的三维仿生设计系统中，所述隐式自动编码器用于拟合三维模型的符号距离场，进行第一阶段的训练；为了得到满足设计要求且高保真的生成物，需要在隐空间中搜索合适的隐向量点集；隐向量点集通过训练生成对抗网络后通过高斯采样获得，或通过给定训练集中仿生对象与设计目标的三维模型通过编码器得到的隐向量对插值得到，或通过创意生成物求解器得到；其中待训练模型在一阶段的编解码网络训练完成后进行第二阶段训练来得到可调用的隐向量生成模型。
[0011]3DCNN编码器
[0012]层卷积核尺寸步幅激活函数输出形状输入体素
ꢀꢀꢀ
(64,64,64,1)conv3d(4,4,4)(2,2,2)BNLReLU(32,32,32,32)conv3d(4,4,4)(2,2,2)BNLReLU(16,16,16,64)conv3d(4,4,4)(2,2,2)BNLReLU(8,8,8,128)conv3d(4,4,4)(2,2,2)BNLReLU(4,4,4,256)conv3d(4,4,4) Sigmoid(1,1,1,128)
[0013]隐式解码器
[0014][0015][0016]生成对抗网络
[0017]生成器
[0018]层激活函数输出形状输入隐向量 (128)全连接LReLU(2048)全连接LReLU(2048)全连接Sigmoid(128)
[0019]判别器
[0020]层激活函数输出形状输入隐向量 (128)全连接LReLU(2048)全连接LReLU(2048)全连接 (1)
[0021]本专利技术提出的基于深度生成模型的三维仿生设计方法，深度生成模型可以单独采用生成对抗网络、创意生成物求解器、插值运算器中的一个，也可以同时采用多个的组合。
[0022]本专利技术提出了一种基于生成对抗网络的三维仿生设计方法，包括以下步骤：
[0023]步骤1：建立训练集；
[0024]步骤2：建立深度生成模型，并通过所述训练集对所述深度生成模型进行训练；
[0025]步骤3：使用所述深度生成模型生成三维仿生生成物。
[0026]步骤4：将所述三维仿生生成物经过与设计师协同的后处理，得到三维仿生设计。
[0027]本专利技术所述步骤1包括：构建3D文件格式到体素模型格式的识别转换路径，具体包括如下步骤：
[0028]步骤1.1：三维网格的.obj文件用binvox体素化，转化为.binvox文件；
[0029]步骤1.2：体素化后的文件用泛洪填充得到点值对，相当于等值面的离散采样；
[0030]步骤1.3：用隐式自动编码器中的编码器学习三维体素到128维隐向量的映射，并且解码器学习128维隐向量加上三维体素位置到该体素的符号距离场的映射；符号距离场通过marching cube算法得到三维网格数据；符号距离场通过阈值化得到体素数据。
[0031]本专利技术步骤1中进一步包括：训练集增强步骤，其包括基于设计目标数据增强与基于性能数据增强，将训练集总量从113+6000提升到20k多。
[0032]所述基于设计目标数据增强包括：以设计为导向的数据增强侧重于将设计知识转移到数据集的准备中，以满足设计要求。例如，在设计师的设计过程中，方向的因素也算在内。在评估了现有的仿生产品和头脑风暴之后，考虑了多个方向的生成性设计使本专利技术能够探索更多的可能性。考虑到目标产品的对称性以及多样性和效率之间的权衡，本专利技术选择了将仿生对象数据集施加七个方向的旋转变换来实现多样化的混合结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种三维仿生生成物的设计系统，其特征在于，所述系统采用基于生成对抗网络的三维仿生设计方法，所述方法包括以下步骤：步骤1：建立训练集；步骤2：建立深度生成模型，并通过所述训练集对所述深度生成模型进行训练；所述深度生成模型包括隐式自动编码器和隐向量生成模型；所述隐式自动编码器包括编码器3DCNN和解码器IM
‑
Decoder；所述隐向量生成模型采用对抗生成网络；步骤3：使用所述深度生成模型生成三维仿生生成物；所述系统包括：数据预处理模块，其用于输入仿生对象和设计目标所代表的三维形状数据集，通过基于设计目标和基于性能的数据增强来扩充数据集，经过mesh2voxel与SDF采样器得到模型训练所需要的三维模型的符号距离场；深度生成模型，其包括隐式自动编码器、生成对抗网络；所述隐式自动编码器包括编码器3DCNN和解码器IM
‑
Decoder；样本向量存储库，其用于存储隐向量点集，存储库中的隐向量通过隐式解码器得到三维仿生生成物。2.如权利要求1所述的三维仿生生成物的设计系统，其特征在于，所述系统进一步包括：后处理模块，其用于将所述三维仿生生成物经过后处理得到三维仿生设计。3.如权利要求2所述的三维仿生生成物的设计系统，其特征在于，所述隐式自动编码器用于拟合三维模型的符号距离场，进行第一阶段的训练；为了得到满足设计要求且高保真的生成物，需要在隐空间中搜索合适的隐向量点集；隐向量点集通过训练生成对抗网络后通过高斯采样获得；其中，待训练模型在一阶段的编解码网络训练完成后进行第二阶段训练来得到可调用的隐向量生成模型。4.如权利要求1所述的三维仿生生成物的设计系统，其特征在于，所述方法进一步包括步骤4：将所述三维仿生生成物经过与设计师协同的后处理，得到三维仿生设计。5.如权利要求1所述的三维仿生生成物的设计系统，其特征在于，所述步骤1包括：构建3D文件格式到体素模型格式的识别转换路径，具体包括如下步骤：步骤1.1：三维网格的.obj文件用binvox体素化，转化为.binvox文件；步骤1.2：体素化后的文件用泛洪填充得到点值对，相当于等值面的离散采样；步骤1.3：用隐式自动编码器中的3DCNN编码器学习三维体素到128维隐向量的映射，并且解码器学习128维隐向量加上三维体素位置到该体素的符号距离场的映射；符号距离场通过marching cube算法得到三维网格数据；符号距离场通过阈值化得到体素数据；和/或，所述步骤1中进一步包括：训练集增强步骤，其包括基于设计目标数据增强与基于性能数据增强；所述基于设计目标数据增强包括：将仿生对象数据集施加七个方向的旋转变换来实现多样化的混合结...

【专利技术属性】
技术研发人员：梁天一，毛溪，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：