图像识别技术在工业设计信息交互中的应用

周巍

关键词：图像识别技术;工业设计;信息交互;应用

1 相关理论简述

1.1 信息交互的概念

信息交互主要是指人类与人类之间、人类与物体之间通过各种各样的手段来完成不同信息的傳递，进而实现交互的目的。具体而言便是自然以及社会之中各类资料、数据、情报以及技术知识能够通过某种载体来完成及时的传递和交流，而信息交互属于一种文字信息载体[1]。当代社会科学技术水平有了长足的进步，各类数字产品应运而生，不同于实际产品对于外观样式的高度重视，数字产品主要是对用户的目的及行为较为关注，并基于此来实现信息交互，进而使用户能够收获上佳的体验。随着时代的不断变迁，信息交互已经由传统的工具以及武器演变成了有着复杂工艺的各类先进设备，最为常见的便是通过互联网所提供的便利来实现信息交互。

1.2 图像识别技术的概念

图像识别技术主要是指通过计算机来处理、分析以及理解图形，进而在不同模式之下完成既定目标的一种技术。是基于深度学习算法的实践应用。图像识别技术主要包含了人脸识别以及商品识别两种技术。其中人脸识别主要被应用于身份验证、安全检查以及移动支付领域;商品识别则是被应用于对各类商品进行流通之时，尤其是智能零售柜以及无人收货等领域。在进行图像识别时，主要有以下几个流程：采集图像、预处理图像、提取图像特点、实现图像识别。当前市场中应用较为广泛的图像识别软件主要有国外的有康耐视以及国内的海深科技、图智能等。

2 图像识别技术在工业设计信息交互中的应用意义

设计可以弥补科技和人之间的缺口，设计是能够将情感（新奇感、独立感、安全感、感性、信心、力量感）、人机工程（易用性、安全性、舒适性）、美学（视觉、听觉、嗅觉、触觉）结合起来的因素[2]。“技术”指的是采用先进的技术或加工质量很高的传统性技术，为产品赋予足够的功能，使产品持续正常工作，并保持良好的技术能力。在进行工业设计时，相关人员会根据自身的经验以及视觉感受来让产品在材料、形态、结构、装饰、色彩以及表面加工等方面有着全新的品质，并且通过各类宣传、展示以及包装等手段来对产品的视觉效果进行评价。就本质而言，工业设计并不是最终的目的，而是为了实现人类其它目的而使用信息交互的一种手段。图像识别在机器视觉工业领域中最典型的应用就是二维码的识别，二维码就是我们平时常见的条形码中最为普遍的一种。将大量的数据信息存储在这小小的二维码中，通过条码对产品进行跟踪管理，可以方便的对各种材质表面的条码进行识别读取，大大提高了现代化生产的效率。由此能够看出，图像识别技术应用于工业设计信息交互之中，能够有效提升信息交互质量及效率，保证工业设计所获取的信息更为准确，为后续工业设计产品的诞生奠定坚实的基础[3]。

3 图像识别技术在工业设计信息交互中的应用思路

当前工业设计已经融入了人们日常生活中的不同领域，有着较为广泛的应用范围。例如，设计普通工业用品、设计交通运输工具、设计商业广告形式、设计各类建筑等。工业设计将工业自身与各类技术以及设计进行了高度的融合，让民众的生活水平有了较大幅度的提升，并且劳动生产率也有了长足的进步，人们的文化视野也有所丰富。但其中依然存在着一定的问题，例如部分工业产品的设计与制造效率较低，产品的合格率不符合相关标准，产品品相不满足人们的基本需求等。而通过图像识别技术的应用，则能够有效解决这类问题，相关人员在进行工业设计时能够将自身的想法体现在产品之中，从而带给用户更具个性化的产品体验。具体而言，图像识别技术在工业设计信息交互中的应用主要有以下几个方面：

3.1 图像识别技术应用于工业产品的外观设计

图像识别技术最为重要的作用便是更为便捷地完成人类与产品之间的交互，而将其应用于外观设计之中，有效提升交互的效率及效果。最为典型的便是2017 年所发布的iPhone X 手机，其将图像识别技术作为了其中的核心技术，手机的外观屏幕采用了异型曲面屏，并且在屏幕中存在着一定的开孔，这样一来就能够严格遵循相应的交互逻辑，进而实现人脸支付等一系列的功能。在该手机中的图像识别技术主要流程是对人脸进行识别、对面部的特征进行提取、对信息进行对比分析进而得出结论[4]。手机的人脸识别技术不同于普通手机，其开孔部位存在着红外摄像头、深感摄像头以及泛光感应元件，还有前置摄像头与点阵投影器。依次经过红外拍脸，结构光与点阵投影器获取3D 精确模型，转化为数学表达式，存入手机的安全区域。通过这样的方式能够让产品的安全性得以提升，并且让图像识别技术和工业设计进行了更为深入的融合，这样一来工业设计方案能够更为便捷地实现，工业设计人员也能够找到全新的延展方向。

3.2 图像识别技术应用于工业产品的传播与推广

工业设计的目的是通过信息交互来全面了解用户的实际需求，进而不断地对现有的产品进行完善。而要想有效提升信息交互质量，就必须做好工业产品的传播与推广。通过图像识别技术的应用，让相关人员对用户的实际情况以及周围的使用环境有一个全方位的了解，进而在产品形式设计以及内容设计方面进行创新，以此来不断提升工业产品在市场中的占有率。较为典型的例子便是二维码系统[5]，在扫描大部分工业产品所附带的二维码之后，系统经过用户同意便可获取用户所在的地址及偏好等特征，进而通过统计分析得出平均结果，从而为设计人员后续的设计方向提供理论上的参考。

3.3 图像识别技术应用于工业设计的图像分类

3.3.1 对图像进行细粒度分类

这是在分类的基础上进行的基本分类，还有更为详细的子分类，如鸟类种类、汽车样式、犬类品种等。目前，在行业和现实生活中有着广泛的业务需求和应用场景。与粗粒度图像相比，细粒度图像具有更为相似的外观和特征，并且在采集过程中存在姿态、透视、光照、遮挡和背景干扰等问题，导致类间差异大、类内差异小的现象，使得分类更加困难。

3.3.2 多标签图像分类

在现实生活中，图像往往包含多个类别的对象。多标签图像分类可以同時判断图像中是否包含这些内容，从而更好地解决现实生活中的问题。单标签图像分类是指每幅图像对应一个类别标签。根据目标分类的个数，单标签图像分类可分为两类和多类。多标签图像分类主要采用图像识别技术中的多标签决策树算法。该算法利用决策树技术处理多标签数据，基于多标签熵的信息增益准则递归构造决策树。树结构包括非叶节点、分支和叶节点。采用决策树模型进行分类时，特征属性由非叶节点表示，特征属性在一定范围内的输出由非叶节点之间的分支表示，类别由叶节点存储。其计算思想是：首先计算每个特征的信息增益，选择增益最大的特征将样本分成左右两个子集，进行递归直至满足停止条件，构造决策树。对于新的测试样本，沿着根节点到叶节点遍历一条路径，并计算叶节点样本子集中每个标签为0 和1 的概率。如果概率超过0.5，则包括标签。在遍历到不同叶节点的所有路径之后，可以确定所有标签信息。

目前，图像分类的任务在很大程度上依赖于监督学习，即每个样本都有相应的标签。通过深层神经网络，我们可以不断学习每个标签对应的特征，最终实现分类。在这种情况下，数据集的容量和标签的质量往往对模型的性能起着决定性的作用。

3.3.3 无监督图像分类

如果将神经网络视为在轨道上运行的F1 赛车，则数据集是为其持续提供动力的能量。如果没有高质量的数据集作为基础，就无法驱动神经网络进行训练。

高质量的数据集自然会给注释带来困难。据统计，在一幅图像中标注一个对象类别大约需要2 到3 秒钟。然而，在实际应用中，数据集往往包含数万幅图像，因此整个标注过程将变得异常漫长。特别是在细粒度分类和多标签分类任务中，标签代价随着目标数目和识别难度的增加呈指数增长。

无监督图像分类主要采用PCA 和t-SNE 算法。PCA（PrincipalComponent Analysis）算法是机器学习领域中一种典型的旋转数据集方法，其旋转特征不具有统计相关性。通过数据集的旋转，我们可以根据新特征的重要性构造子集来解释数据，从而构造新的数据集表示。作为近年来广泛应用的数据分析算法，t-SNE 的主要思想是寻找数据的二维表示，并尽可能保持数据点之间的距离，然后尽量使原始特征空间中较近的点更近，而原始特征空间中较远的点更远。它关注的是彼此距离较近的点，而不是较远的点。原则上，上述两种数据集转换方法复杂度较高，且算法目标过于明确，使得抽象的低维数据中不存在二次信息，而这些二次信息可能是区分更高层次数据的主要因素。因此，这两种算法大多用于网络训练前的数据预处理阶段，为后续的操作提供相应的先验知识。

4 结语

综上所述，图像识别技术已经被应用到生活中的各个领域，对于工业设计而言能够有效保障信息交互效果，让设计人员认识到不断变化的用户需求，进而合理调整设计方案，这样一来用户的体验也会更佳。