CN112446166B - 材料推荐***与材料推荐方法 - Google Patents

材料推荐***与材料推荐方法 Download PDF

Info

Publication number
CN112446166B
CN112446166B CN202010845134.9A CN202010845134A CN112446166B CN 112446166 B CN112446166 B CN 112446166B CN 202010845134 A CN202010845134 A CN 202010845134A CN 112446166 B CN112446166 B CN 112446166B
Authority
CN
China
Prior art keywords
recommendation
database
module
material data
reference information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010845134.9A
Other languages
English (en)
Other versions
CN112446166A (zh
Inventor
张哲铭
李彦廷
邱国展
苏俊玮
沈秀雲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from TW109127238A external-priority patent/TWI792035B/zh
Application filed by Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN112446166A publication Critical patent/CN112446166A/zh
Application granted granted Critical
Publication of CN112446166B publication Critical patent/CN112446166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G06F16/436—Filtering based on additional data, e.g. user or group profiles using biological or physiological data of a human being, e.g. blood pressure, facial expression, gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/16—Customisation or personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/12—Cloth

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)

Abstract

一种材料推荐***与材料推荐方法，包括利用一分析模块分析至少一影像，以产生参考信息，再借由一推荐模块接收该参考信息，以提供对应该参考信息的目标信息。借由分析影像的方式，以快速提供包含适用材料的目标信息，因而可大幅加速产品开发的时程。

Description

材料推荐***与材料推荐方法
技术领域
本发明涉及一种材料推荐***，尤其涉及一种以人工智能方式选用合适材料的材料推荐***及材料推荐方法。
背景技术
随着人类不断开发新产品，借此提升生活品质与促进社会进步，但开发新产品不仅涉及技术层面，更需具备适当材料进行制作。目前产品开发商于寻找适当材料时，需针对各部件找寻不同的材料供应商，且单一部件常常因其规格需求而有不同的材料供应商，故需花费大量时间，才能完成所有部件的材料组合。
此外，若产品需客制化时，如各种运动的运动员，因体型与身体延展情形不同，各部位所需的规格(如拉伸率)差异性极大(如赛跑选手着重腿部拉伸率、棒球投手则着重手臂拉伸率)，故该运动员所用的产品(如智能手表、衣服等)所需的材料组合(如防水性、可挠性等组合)大不相同，导致产品开发商于选用材料时不易寻找到各种材料的可能组合。
因此，如何克服上述现有技术的种种缺失，实已成为目前业界亟待克服的难题。
发明内容
为解决上述现有技术的种种问题，本发明的目的在于提供一种材料推荐***与材料推荐方法，可大幅加速产品开发的时程。
本发明的材料推荐***，包括：主机端，其包含一配载学习机制的分析模块及一配载预测机制的推荐模块，该分析模块用于分析至少一影像以产生参考信息，且该推荐模块通讯连接该分析模块，以接收该参考信息及提供对应该参考信息的目标信息；以及操作端，其通讯连接该主机端，且包含用以操控该主机端的使用界面。
本发明另提供一种材料推荐方法，包括：借由一配载学习机制的分析模块分析至少一影像，以产生参考信息；以及借由一配载预测机制的推荐模块分析该参考信息，以提供对应该参考信息的目标信息。
由上可知，本发明的材料推荐***及材料推荐方法，主要借由分析影像的方式，以快速提供包含适用材料的目标信息，故相较于现有技术，产品开发商借由本发明的材料推荐***可快速获取材料选用的建议，以快速完成所有部件的材料组合，因而可大幅加速产品开发的时程。
此外，对于客制化产品的制作，如针对各种运动的运动员制作智能手表，借由本发明的材料推荐***及材料推荐方法，产品开发商可轻易获取各种运动员所需的材料组合。
以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
附图说明
图1为本发明的材料推荐***的运作架构示意图；
图1A为图1的学习机制的运作流程示意图；
图1B为图1的预测机制的运作流程示意图；
图1B’为图1B的进阶预测作业的运作流程示意图；
图2为本发明的材料推荐***的主机端的功能架构示意图；
图2A为图2的分析模块的运作流程示意图；
图2B为图2的分析模块的机器学习的流程示意图；
图2C为图2的分析模块于机器学习时所用的公开数据的示意图；
图2D为图2的分析模块于机器学习时所用的已知数据的示意图；
图3A为图2的推荐模块的运作流程示意图；
图3B为图2的推荐模块的机器学习的流程示意图；
图4为本发明的材料推荐方法的流程示意图；
图5为图4的辅助作业的流程示意图；
图6A为采用本发明的材料推荐***进行材料推荐的其中一实施例的过程示意图；
图6B为采用本发明的材料推荐***进行材料推荐的另一实施例的过程示意图。
其中，附图标记
1:材料推荐***
1a:主机端
1b:操作端
10:分析模块
100:第一机器学习模块
11:推荐模块
111:筛选器
112:第二机器学习模块
113:辅助器
12:数据库
123:人体部位
124:皮肤拉伸率
130:卷积神经网络
131:公开数据
132:已知数据
150:人体
170:卷积神经网络
171:公开数据
172:已知数据
80:使用界面
81:经验守则分享机制
82:数据反馈机制
9:电子装置
90:材料数据
90’:进阶数据
91:学习机制
92:预测机制
A1,A2:影像
B:男、女平均拉伸率的对照表
P0:影片
P0’,P0”:照片
P1,P2,P3:列表
P1’,P2’,P3’:列表
S10～S16:步骤
S20～S27:步骤
S270～S276:步骤
S361～S368:步骤
S40～S46:步骤
S42’:步骤
S50:步骤
S501～505:步骤
T1～T8:部位
具体实施方式
以下借由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。
须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供本领域技术人员的了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“第一”、“第二”、“上”、“下”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本发明可实施的范畴。
图1为本发明的材料推荐***1的架构示意图。如图1所示，所述的材料推荐***1包括一主机端1a及一操作端1b，该主机端1a由一电子装置9运作，而该操作端1b为用户端(client side)，其借由一使用界面80操控该主机端1a，以获取制作目标物的目标信息。
于本实施例中，该电子装置9为电脑主机或云端设备，其可通讯连接(如网络方式)不同的使用界面(user interface)80，且该使用界面80配置于如家用电脑、笔记本电脑、智能手机、平板电脑或其它适当3C产品上。
此外，该目标物例如为衣着或手环等穿戴物品。
所述的主机端1a具有一数据库12、一学习机制91及一预测机制(predictor)92。
所述的数据库12可用于储存材料数据90、进阶数据90’(如量测方法(testingmethod)及其结果(results)、媒介物(vehicles)或其它)或其它依需求补充的数据，以作为该学习机制的学习来源(即该学习机制的输入)。例如，该材料数据90包含各种材料的相关数据，如可挠性材、柔性材料、防水材、透气材、导电材或其它材料及其特性(properties)与来源等。具体地，可依需求针对该材料的种类设计出各种数据集，如可挠性材数据集、防水材数据集、透气材数据集、导电材数据集或该目标物所需规格的其它数据集等。
所述的学习机制91可为人工智能训练引擎(AI training engine)，以基于该学习机制的输出，运作该预测机制92。具体地，如图1A所示，该学习机制91的训练流程如下所述。
于步骤S10中，进行收集作业，以接收来自该数据库12中的相关数据。
于步骤S11中，进行预备作业，以预先处理(如汰除、分类、格式化或其它动作)所收集的数据。
于步骤S12中，进行计算作业，以利用多重共线性演算法(multicollinearitycalculation)处理所预备的数据。
于步骤S13中，进行清除(remove)作业，以将已完成多重共线性的数据与来自该操作端1b的经验守则(empirical law)分享机制81的数据一并移除多重共线性的限制。
于步骤S14中，进行演算作业，以利用线性(linear)演算法或非线性(non-linear)演算法学习已移除该多重共线性的数据，以产生新数据。
于步骤S15中，进行判断作业，以判断借由该演算作业进行训练的成果(performance)是否良好。
于步骤S16中，若训练成果良好，则进行建置作业，以形成推荐原则(recommendation rule)，供输入至该预测机制92。反之，则回到步骤S11的预备作业重新学习。
所述的预测机制92用于进行预测作业，以将预测结果推荐(如以网络传输方式)至该操作端1b。具体地，如图1B所示，该预测机制92的预测流程如下所述。
于步骤S20中，进行撷取作业，其接收该学习机制91的推荐原则及来自于该操作端1b的需求信息，其中，该操作端1b借由该使用界面80输入(import)该需求信息至该电子装置9，且该需求信息包含媒介物(vehicles)、目标物(target)、来源评价(score criteria)或其它等。
于步骤S21中，进行搜寻作业，以利用演算(calculating)方式获取该数据库中符合(matching)该需求信息的所有材料。
于步骤S22中，进行预测(prediction)作业，其基于该搜寻作业所获取的材料，预测该需求信息的目标物所需的特性的相关材料组合。
于步骤S23中，进行计算作业，其基于该预测作业所得的各材料组合，演算出各材料的建议分数(recommendation score)。
于步骤S24中，进行判断作业，以判断是否该需求信息的目标物所需的所有材料均进行计算作业。
于步骤S25中，若步骤S24的判断为「是」，则进行分配作业，以选取符合来源评价(criteria)的材料作为准确组合，如该建议分数大于该来源评价。反之，则回到步骤S21的搜寻作业重新搜寻。
于步骤S26中，将至少一准确组合进行排序(ranking)作业，以作为预测结果或目标信息，并呈现(show)于该使用界面80上，供该操作端1b参考，其中，该预测结果或目标信息包含该材料数据及其来源。例如，单一可挠性材可来自于单一来源或多个来源，且该来源为供应端(如厂商或人员)或制造端(如厂商或人员)。
于步骤S27中，若于步骤S25中未产生该准确组合，则进行进阶预测(backwardpredictor)作业(或辅助作业)。具体地，如图1B’所示，该进阶预测作业S27的运作流程如下所述。
于步骤S270中，设定该需求信息的目标物的特性及媒介物。
于步骤S271中，将各该特性范围分类，以形成多个区间，供作为搜寻空间(searching space)，借以创建该特性的搜寻空间。
于步骤S272中，选取最佳化演算法(optimization algorithm)，例如，从格点搜索法(Grid Search)、随机搜寻(Random Search)、贝叶斯优化(Bayesian optimization)、演化演算法(Evolutionary Algorithm)、加强学习(Reinforcement Learning)或其它适当方法中选取。
于步骤S273中，以最佳化演算法于各该搜寻空间中进行取样(sampling)。
于步骤S274中，依据取样的结果，演算出该目标物的材料特性。
于步骤S275中，进行比对，以判断是否具有符合该来源评价的材料。
于步骤S276中，若比对结果为「是」，则会产生符合该来源评价的相近组合信息或优化(properly)建议，并将该相近组合信息(或优化建议)回传(return)，以呈现(show)于该使用界面80。反之，则回到步骤S273重新取样。
所述的操作端1b包括该使用界面80、经验守则分享机制81及数据反馈(datafeedback)机制82。
于本实施例中，该使用界面80为图形使用者界面(Graphical User Interface，简称GUI)，以利于操作端1b使用该材料推荐***1，且该经验守则分享机制81及数据反馈机制82均于该使用界面80上配置有对应的操作选项。
此外，该主机端1a的预测机制92会将预测结果或目标信息呈现于该使用界面80，且该操作端1b可借由该经验守则分享机制81，将用户自行应用的相关材料数据输入至该主机端1a的学习机制91，并可借由该数据反馈机制82，将实际采用该预测结果或目标信息制作该目标物的数据补充至该主机端1a的数据库12，以强化该学习机制91的学习效果而有利于该预测机制92的预测效果。
图2为本发明的材料推荐***1的主机端1a的功能架构示意图。如图2所示，所述的主机端1a包括：一如图1所述的数据库12、一配载该学习机制91的分析模块10，以及一配载该预测机制92的推荐模块11。
所述的分析模块10包含有一影像辨识单元(未图示)，其用于分析至少一影像，以基于图1A所示的步骤S16的推荐原则产生参考信息。
于本实施例中，该影像为影片型式或照片型式。较佳地，该影像至少需包含前、后阶段的不同姿态。例如，单一影片或多张照片为连续姿态形式。
此外，该影像的内容物包含人体轮廓的至少其中一部分，如肩部、大腿前侧、膝盖、胸部、背部、手腕、手肘或其它部位等。应可理解地，该影像的内容物也可包含其它动物或物品的至少其中一部分。
另外，该参考信息包含拉伸率，如人体部位的皮肤拉伸率(其值由0％至120％)或机构的物理拉伸率。例如，该分析模块10可借由影像A1、A2进行预测，以产生影像A1、A2中的人体部位123(如肩部、大腿前侧、膝盖、胸部、背部、手腕、手肘或其它部位等)的皮肤拉伸率124，如图2A所示的运作流程。具体地，该分析模块10包含运作该学***均拉伸率的对照表B)或其它已知数据132(如实际量测各种体态的示范人员做出各种姿势所得的各部位的拉伸率，如图2D所示的其中一种姿势所得的各部位的拉伸率)进行训练(如图1A所示的步骤S13的经验守则分享机制81的输入)，以当输入影片或一张(或多张)同一人体部位的图像时，该分析模块10能基于该推荐原则预测该人体部位的皮肤拉伸率，其中，图2D所示人体150的各部位T1～T8的拉伸率如下表1所示：
部位 初始长度(㎝) 展开长度(㎝) 伸长值 拉伸率
T1 5 6 1 20％
T2 8 10.4 2.4 30％
T3 12 13 1 8.3％
T4 5 8 3 60％
T5 2 2.5 0.5 25％
T6 8 13 5 63％
T7 5 6.3 1.3 26％
T8 1.5 2.4 0.9 60％
表1
所述的推荐模块11通讯连接该分析模块10以接收该参考信息，并执行如图3A所示的运作流程及其中的步骤S361～S368，进而提供对应该参考信息的目标信息(如步骤S26的排序作业的预测结果)，以供后续制作目标物。
详言之，于本实施例中，该推荐模块11可配置一连通该数据库12的筛选器111，以令该筛选器111从该数据库12中挑选出所需的目标信息的材料数据(如图1B所示的步骤S20～步骤S25)，使该推荐模块11可针对该目标物的需求提供该材料数据的准确组合(如图1B所示的步骤S26)。举例说明，对于棒球投球动作，由于胸部拉伸率不同于手腕拉伸率，因而于该两部位所采用的可挠性材不同，故该筛选器111会从该数据库12中挑选出该两部位所需的可挠性材，以制作出符合拉伸规格的衣服。
此外，因该数据库12的材料数据可能不足，使该筛选器111无法选出符合拉伸规格的可挠性材，故该推荐模块11可配置一连通该数据库12的辅助器113，以演算出近似该拉伸规格的可挠性材或从该数据库12中挑选出近似该拉伸规格的可挠性材(如图1B所示的步骤S27及如图1B’所示的步骤S270～步骤S276)。应可理解地，该筛选器111及/或该辅助器113也可依需求从该数据库12中挑选出各部位所需的透气材、导电材或其它规格的材料，以制作出符合规格需求的目标物。
另外，该推荐模块11也可包含一连通该数据库12与该筛选器111的第二机器学习模型112，其如最小绝对紧缩与选择算子(least absolute shrinkage and selectionoperator，简称Lasso)模型、支持向量机(SVM)模型、卷积神经网络(CNN)演算模型、随机森林模型、最近邻居(KNN)演算法或其它人工智能(AI)模型，其可利用如图3B所示的公开数据171(如各种可挠性材及其基本特性)或其它已知数据172(实际量测各种材料及其基本特性)进行训练(如图3B所示的流程，以采用卷积神经网络170为例)，以当输入(如图1B所示的步骤S20的操作端进行输入)皮肤拉伸率或其它规格需求时，该筛选器111能借由该第二机器学习模型112选择所需的材料数据。
另外，借由该数据库12储存各种材料数据的来源，使该推荐模块11不仅可提供该目标物所需的材料数据的准确组合或相近组合，且可进一步提供各材料数据的来源。
应可理解地，若该分析模块10利用该第一机器学习模型100进行训练，则该参考信息可包含其它规格条件，如硬度等，并不限于拉伸率，故该推荐模块11可针对各种规格条件(如生物相容性、抗汗腐蚀、电阻变化率等)提供该目标信息(如该目标物所需的材料数据的准确组合或相近组合)。
图4为本发明的材料推荐方法的流程图。如图4所示，该材料推荐方法配合该材料推荐***1运作。于本实施例中，该目标物为运动衣物，故该材料推荐方法用于查询该运动衣物所需的材料。
于步骤S40中，提供至少一影像，如影片或一至五张图像(照片)。于本实施例中，使用者可借由该使用界面80上传该影像至该电子装置9。
于步骤S41中，该分析模块10分析该影像。于本实施例中，将该影像输入至该第一机器学习模型100，以进行影像辨识作业及拉伸状态分析作业。
于步骤S42中，该分析模块10基于该推荐原则产生参考信息。于本实施例中，经由该第一机器学习模型100的影像辨识及拉伸状态分析后，该第一机器学习模型100输出一预判结果，即包含皮肤拉伸率(如拉伸率20％)或其它规格需求的参考信息。
于步骤S43中，将该参考信息输入至该推荐模块11中，以进行预测机制92。于本实施例中，还可使用其它***方式(如图1B所示的步骤S20的操作端1b的人工输入)将另一参考信息(如防水、防腐蚀等其它规格需求)输入至该推荐模块11中，如步骤S42’所示，使该推荐模块11接收多组参考信息。
于步骤S44中，该推荐模块11依据该些参考信息进行筛选(如图1B所示的步骤S21～步骤S25)。于本实施例中，将该些参考信息输入至该第二机器学习模型112中，以令该第二机器学习模型112于分析该参考信息后，依据该数据库12输出一预测结果。
于步骤S45中，该推荐模块11提供对应该参考信息的目标信息(如图1B所示的步骤S26)。于本实施例中，若该预测结果呈现该数据库12具有符合该参考信息所需的材料数据的准确组合(如拉伸率40％，其大于该参考信息的拉伸率20％，即40>20)，则该筛选器111可从该数据库12中选择出所需的材料数据的准确组合，且该目标信息还可呈现该材料数据的来源，如有关该运动衣物的各部件的制造商(或材料供应商)。应可理解地，该准确组合表示所有材料均符合规格需求。
于步骤S46中，将该目标信息显示于该使用界面80的屏幕上，供使用者参酌。
另一方面，于步骤S50中，若该预测结果无法从该数据库12中提供符合该参考信息所需的材料数据的准确组合(如该数据库12中仅具有拉伸率5％的数据，其小于该参考信息的拉伸率20％，即5<20)，则会将预测结果输入至该辅助器113中，以进行辅助作业(或如图1B所示的步骤S27所述的进阶预测作业)，令该辅助器113提供所需的材料数据的相近组合(如拉伸率18％，其接近该参考信息的拉伸率20％)，供作为另一目标信息，并使该另一目标信息显示于该使用界面80的屏幕上，如步骤S46所示。应可理解地，该相近组合表示至少一材料未符合规格需求。
于本实施例中，该材料数据的相近组合可提供予材料开发商，以令其参酌开发相关材料，供该操作端1b利用该数据反馈机制82补足该数据库12的不足。
此外，该辅助器113进行该辅助作业的运作过程如图5所示，详述如下。
于步骤S501中，进行分类作业。于本实施例中，将各该材料的特性范围分类，以形成多个区间，供作为搜寻空间，如同图1B’所示的步骤S270～步骤S271。例如，将该参考信息中所列出的材料，将其特性分类为可挠性区间、防水性区间及其它区间。
于步骤S502中，进行最佳化演算作业。于本实施例中，以最佳化演算法于各该搜寻空间中取样，如同图1B’所示的步骤S272～步骤S273。例如，该最佳化演算法包含格点搜索法(Grid Search)、随机搜寻(Random Search)、演化演算法(Evolutionary Algorithm)、加强学习(Reinforcement Learning)或其它适当方法，以分别从可挠性区间、防水性区间及其它区间中选取相关数据，如影片、相片、文献或其它关于材料的公开数据。
于步骤S503中，依据取样的结果进行预测。于本实施例中，以人工智能(AI)演算方式或其它演算方式预测拉伸率(及其它规格)，如同图1B’所示的步骤S274。
于步骤S504中，针对第一机器学习模型100所输出的预测结果进行分析，以判断是否具有对应拉伸率(及其它规格)的材料，如同图1B’所示的步骤S275。
于步骤S505中，若分析结果具有对应拉伸率(及其它规格)的材料，则提供优化建议，供作为该另一目标信息，如同图1B’所示的步骤S276。
另一方面，若分析结果并未具有对应拉伸率(及其它规格)的材料，则重新进行最佳化演算作业S502。
因此，本发明的材料推荐***1及材料推荐方法，借由人体同一部位的伸展影像，以该分析模块10预测皮肤拉伸率，并搭配该目标物(如运动衣物)的其它规格需求，再借由该推荐模块11获取包含该材料数据的准确组合，若没有该材料数据的准确组合，则提出该材料数据的相近组合，以作为辅助建议。换言之，该材料推荐***1及材料推荐方法为在现有数据中进行搜索，若如现有数据中无合适材料的准确组合，则借由该辅助器113预测出该材料数据的相近组合。
图6A为材料推荐方法应用该材料推荐***1的实际运作情况的第一实施例的流程图。于本实施例中，使用者借由该操作端1b的使用界面80进入该主机端1a以查询有关制作包含有电子元件的运动衣物所需的材料。
如图6A所示，使用者将具有人物的影像(如一段投球影片P0)借由该使用界面80上传至该电子装置9。接着，经由该分析模块10进行影像辨识，以获取各人体部位的拉伸率，如列表P1所示。之后，该分析模块10将有关拉伸率的参考信息输入至该推荐模块11中，且使用者还可由该使用界面80输入包含有电子元件的运动衣物(目标物)所需的规格(如列表P2所示)至该推荐模块11中，使该推荐模块11筛选出有关该运动衣物的目标信息，例如该电子元件的各部件(如基板、导线、封装材)的准确材料(如编号015材)及其来源(如A公司)。最后，该推荐模块11输出该目标信息(如列表P3所示)，以显示于该使用界面80上，供使用者参酌。
如图6B所示的第二实施例，使用者将具有人物的影像(如多张游泳照片P0’,P0”)借由该使用界面80上传至该电子装置9。接着，经由该分析模块10进行影像辨识，以获取各人体部位的拉伸率，如列表P1’所示。之后，该分析模块10将有关拉伸率的参考信息输入至该推荐模块11中，且使用者还可由该使用界面80输入包含有电子元件的运动衣物(目标物)所需的规格(如列表P2’所示)至该推荐模块11中，使该推荐模块11进行筛选。当材料筛选范围中无合适的材料的准确组合时，则借由该辅助器113进行辅助作业，以提出优化建议，如导线的相近材料(若有材料供应商，该材料供应商会显示于目标信息上；若无材料供应商，则使用者可提供给材料供应商进行开发特制)。最后，该推荐模块11输出目标信息(如列表P3’所示)，以显示于该使用界面80上，供使用者参酌。
综上所述，本发明的材料推荐***及材料推荐方法，可借由分析影像的方式，提供目标信息，故借由本发明的材料推荐***能快速获取材料选用的建议，以大幅缩减完成所有部件的材料组合的时间，因而能大幅加速产品开发的时程。
此外，对于客制化产品的制作，借由本发明的材料推荐***，能轻易获取各种客制化产品所需的材料组合。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.一种材料推荐***，其特征在于，该***包括：
主机端，其包含一用于储存材料数据的数据库、一配载学习机制的分析模块及一配载预测机制的推荐模块，该分析模块用于分析至少一影像以产生参考信息，且该推荐模块通讯连接该分析模块，以接收该参考信息及提供对应该参考信息的目标信息；以及
操作端，其通讯连接该主机端，且包含用以操控该主机端的使用界面；
其中，该分析模块包含一运作该学习机制的第一机器学习模型；
其中，该推荐模块包含一运作该预测机制的第二机器学习模型；
其中，该推荐模块配置连通该数据库的筛选器，以令该筛选器从该数据库中挑选出所需的该材料数据，使该目标信息包含该材料数据；
其中，该推荐模块配置连通该数据库的辅助器，以令该辅助器演算出相近所需的该材料数据或从该数据库中挑选出相近所需的该材料数据，而作为另一目标信息；
其中，将该影像输入至该第一机器学习模型，以进行一影像辨识作业及拉伸状态分析作业，该第一机器学习模型输出一包含皮肤拉伸率的该参考信息。
2.如权利要求1所述的材料推荐***，其特征在于，该影像包含人体轮廓的至少其中一部分。
3.如权利要求1所述的材料推荐***，其特征在于，该分析模块分析多个该影像，且多个该影像为连续姿态形式。
4.如权利要求1所述的材料推荐***，其特征在于，该目标信息包含该材料数据的来源。
5.一种材料推荐方法，其特征在于，包括：
提供一用于储存材料数据的数据库；
借由一配载学习机制的分析模块分析至少一影像，以产生参考信息；以及
借由一配载预测机制的推荐模块分析该参考信息，以提供对应该参考信息的目标信息；
其中，该分析模块包含一运作该学习机制的第一机器学习模型；
其中，该推荐模块包含一运作该预测机制的第二机器学习模型；
其中，该推荐模块配置连通该数据库的筛选器，以令该筛选器从该数据库中挑选出所需的该材料数据，使该目标信息包含该材料数据；
其中，该推荐模块配置连通该数据库的辅助器，以令该辅助器演算出相近所需的该材料数据或从该数据库中挑选出相近所需的该材料数据，而作为另一目标信息；
其中，将该影像输入至该第一机器学习模型，以进行一影像辨识作业及拉伸状态分析作业，该第一机器学习模型输出一包含皮肤拉伸率的该参考信息。
6.如权利要求5所述的材料推荐方法，其特征在于，该影像包含人体轮廓的至少其中一部分。
7.如权利要求5所述的材料推荐方法，其特征在于，其借由分析模块分析多个该影像，且多个该影像为连续姿态形式。
8.如权利要求5所述的材料推荐方法，其特征在于，该目标信息包含该材料数据的来源。
CN202010845134.9A 2019-09-03 2020-08-20 材料推荐***与材料推荐方法 Active CN112446166B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962895023P 2019-09-03 2019-09-03
US62/895,023 2019-09-03
TW109127238A TWI792035B (zh) 2019-09-03 2020-08-11 製作產品之材料推薦系統與材料推薦方法
TW109127238 2020-08-11

Publications (2)

Publication Number Publication Date
CN112446166A CN112446166A (zh) 2021-03-05
CN112446166B true CN112446166B (zh) 2024-05-14

Family

ID=74679913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010845134.9A Active CN112446166B (zh) 2019-09-03 2020-08-20 材料推荐***与材料推荐方法

Country Status (2)

Country Link
US (1) US20210065026A1 (zh)
CN (1) CN112446166B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628697A (zh) * 2021-07-28 2021-11-09 上海基绪康生物科技有限公司 一种针对分类不平衡数据优化的随机森林模型训练方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102106719A (zh) * 2009-12-24 2011-06-29 财团法人工业技术研究院 采用影像识别技术的健康信息分析方法及应用其的***
CN106469447A (zh) * 2015-08-18 2017-03-01 财团法人工业技术研究院 物品识别***与方法
CN107066628A (zh) * 2017-05-15 2017-08-18 京东方科技集团股份有限公司 穿衣推荐方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2734143C (en) * 2008-08-15 2021-08-31 Brown University Method and apparatus for estimating body shape
US10702216B2 (en) * 2010-06-08 2020-07-07 Styku, LLC Method and system for body scanning and display of biometric data
KR20150079585A (ko) * 2012-09-05 2015-07-08 바디 패스 리미티드 일련의 2ｄ 이미지로부터 정확한 신체 사이즈 치수를 도출하는 시스템 및 방법
US20140130076A1 (en) * 2012-11-05 2014-05-08 Immersive Labs, Inc. System and Method of Media Content Selection Using Adaptive Recommendation Engine
US20170004567A1 (en) * 2015-07-01 2017-01-05 DimensionalMechanics, Inc. System and method for providing modular online product selection, visualization and design services
US10964078B2 (en) * 2016-08-10 2021-03-30 Zeekit Online Shopping Ltd. System, device, and method of virtual dressing utilizing image processing, machine learning, and computer vision
US20190125022A1 (en) * 2017-10-27 2019-05-02 PerfectFit Systems Pvt. Ltd. Method and system for on demand production of apparels
US10592960B2 (en) * 2017-12-19 2020-03-17 Futurewei Technologies, Inc. Determining thermal insulation levels of clothing to wear at a destination

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102106719A (zh) * 2009-12-24 2011-06-29 财团法人工业技术研究院 采用影像识别技术的健康信息分析方法及应用其的***
CN106469447A (zh) * 2015-08-18 2017-03-01 财团法人工业技术研究院 物品识别***与方法
CN107066628A (zh) * 2017-05-15 2017-08-18 京东方科技集团股份有限公司 穿衣推荐方法及装置

Also Published As

Publication number Publication date
US20210065026A1 (en) 2021-03-04
CN112446166A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
US11334628B2 (en) Dressing recommendation method and dressing recommendation apparatus
JP6825141B2 (ja) 服飾コーディネーションの推薦方法および装置、電子デバイス、記憶媒体
CN107451894B (zh) 数据处理方法、装置和计算机可读存储介质
CN109791642A (zh) 工作流的自动生成
CN110263979B (zh) 基于强化学习模型预测样本标签的方法及装置
CN110851699A (zh) 基于深度强化学习的信息流推荐方法、装置、设备及介质
CN111581414B (zh) 服饰识别、分类及检索的方法、装置、设备及存储介质
CN110321473B (zh) 基于多模态注意力的多样性偏好信息推送方法、***、介质及设备
CN110008397B (zh) 一种推荐模型训练方法及装置
CN109242593B (zh) 一种基于案例推理的服装推荐方法、装置和存储介质
CN109582876A (zh) 旅游行业用户画像构造方法、装置和计算机设备
CN116249991A (zh) 一种神经网络蒸馏方法以及装置
CN109902201A (zh) 一种基于cnn和bp神经网络的推荐方法
CN112446166B (zh) 材料推荐***与材料推荐方法
CN109918574A (zh) 项目推荐方法、装置、设备及存储介质
KR20210030240A (ko) 다중 레이블링 학습된 인공지능 모델을 이용한 패션 아이템의 스타일 분류 방법, 장치 및 컴퓨터프로그램
Wang et al. Incremental Slope-one recommenders
CN112860989A (zh) 课程推荐方法、装置、计算机设备及存储介质
CN110020228B (zh) 一种用于物联网物品信息搜索排序的相关性评估方法
CN111489196B (zh) 基于深度学习网络的预测方法、装置、电子设备及介质
CN113299380A (zh) 基于智慧医疗大数据的信息提示方法及智慧医疗服务***
TWI792035B (zh) 製作產品之材料推薦系統與材料推薦方法
EP3982302A1 (en) Device for and method of automating machine learning
JP2019106099A (ja) 提供プログラム、提供装置、および提供方法
Chen et al. A Hybrid Neural Network and Hidden Markov Model for Time-aware Recommender Systems.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant