前言

现代社会正处于从“互联网 ”进入到“人工智能 ”的时代。过去，人工智能只是存在于实验室的智能探究，随着生产力的发展和人们生活水平的提高，越来越多的人开始追求品质生活。

办公椅作为办公必需品，给人们的生产生活带来了极大的便利，在家具领域进行设计时，设计师通常是通过经验手绘，电脑只是一种绘图工具，而目前人工智能在家具领域，尤其是在办公椅领域很少被使用。

办公椅设计

随着社会的进程不断加快，社会就业机会增多，目前许多国家超过一大半的职员都是在办公室进行办公，公司采购人员也希望可以采购到合适的办公椅来改善职员办公环境。

设计到制作直至生产一款办公椅的过程是非常繁琐的，从最初的外观草图绘制到内部的结构设计，为了不造成生产上的麻烦，办公椅模块划分意一一是它有助于控制生产成本并快速更新产品。

很多模块交给专业的厂家，在专业的工厂里，模块化变成了一系列的商品。

目前，深度学习极大地改善了当前许多人工智能任务的发展，比如目标检测，语音识别，机器翻译等。

人工智能是近年来较新颖的科学技术，它是模仿人脑并扩展人类的智能的理论及技术。在多元智能时代的背景下，向着人工智能方向迈进必是大趋势。

由于深度学习对数据有着良好的建模能力，基本上的深度学习框架要么强调高性能，要么强调易用性，但是PyTorch的出现使得高性能和易用性能够共存，随着数字化设计的不断进步，一些智能设计技术也呈现出先进的特点。长期以来，关于人类设计师和“人工智能设计师”角色的讨论很多。

智能设计相关理论

图像识别对于人脑来说是很简单的问题，但对于程序来说却是一个值得研究的问题。后续研究人员对神经网络的构建方式进行改变产生了卷积神经网络，人工智能在进行图像处理时，要根据得到的不同结果选择不一样的图像处理方式。

首先从输入图像中获取目标特征，接着将该特征发送到分类器以获得每个类别的置信度分数，这种方法的主要优点是漏检率非常低，这是因为它会滑动整个图像并不会丢失目标对象可能出现的方位信息。

传统目标检测方法的诸多不足以及卷积神经网络在目标图像的高维特征提取上的高效性促使从事机器视觉的研究人员开始思考。

两阶段目标检测算法由获取候选区域及目标识别定位两个步骤组成，两阶段目标检测方法虽然检测精度高，但网络结构复杂，第一是YOLOv5网络。

其网络结构由四部分组成：输入、主干、颈部和预测，此外，PyTorch社区也比Darknet社区更大，这意味着PyTorch版本的YOLOv5未来将获得更多的贡献和增长潜力。第二是FasterR-CNN网络。

它是一种基于R-CNN和FastR-CNN改进的目标检测模型，它在运行检测网络上花费的时间更少。这一思想在后来的目标检测网络设计中都有应用，极大地提高了检测精度。

单独分析和讨论深度学习在办公椅图像部件上的目标检测与分割。数据标注较麻烦。随着互联网技术的不断发展，办公椅设计的数量和种类不断扩大。

视角与对象尺度多样性。线上办公椅图像会有不同视角，办公椅可以朝向任意方向。目标小背景大。

一般一张图像的分辨率是较高的（2000×2000或更高）在图像中截取目标图像，那图像像素将会变小一般来说，当计算机能够和肉眼一样识别和区分物体的时候，人们开始思考计算机是否可以具备创造能力呢?答案是当然可以。

基于检测与分割网络建立办公椅部件库

大量数据输入是网络训练最关键的一步，制作数据集是深度学习模型应用的前提工作。数据库的建立有利于数据的管理，更重要的是可以为第四章的生成实验提供数据基础。

借助网络爬虫技术可以快速获得研究者需要的数据或信息，收集到数据后再将所有商品的URL信息给保存下来，用Selenium进行访问URL信息并通过HTML解析把图片的URL给提取出来。

由于网络爬虫只会按照指令进行特定信息的爬取并不负责识别爬取内容，所以此时的图像除了办公椅外，为了对爬虫获取的数据进行筛选，需要训练一个能够区分办公椅和非办公椅的模型。

卷积神经网络分类图像通过训练样本的特征可实现图像的智能分拣，此处应用中，将剩余9万多张图片输入至训练好的网络中进行分类作业，输出两个文件夹:办公椅和非办公椅。

根据分类出的结果强化训练数据集，分析出现错误的原因并合理分配数据集，基于形态分析法将办公椅整体进行逐层分解为多个不同类别的相关部件。

实验目标是要训练出办公椅部件的检测与分割模型，可以检测现有网上办公椅图片的五类部件（背框、椅背、扶手、座垫、椅腿）形成办公椅部件库。

考虑到网上办公椅的图片有多种情况，比如办公椅图片不是类似白底这样纯色背景的，而是复杂背景的、办公椅是不同视角的、还有的是办公椅颜色相近，数据集中的图像越接近真实场景，网络训练将会较好，网络最终识别效率越高。

为了充分考虑到经常出现办公椅图片不是类似纯色这种简单背景的而是有复杂背景的这一情况，虽然这些情况在获取图像时占据了数据集的较高比例，采集图片之后，进行办公椅部件的检测实验时借助labelImg软件采用人工打标签的方式制作相应数据集。

采集图片之后，进行办公椅部件的分割实验时借助labelme软件采用人工打标签的方式制作相应数据集，优秀的神经网络是经过大量的数据训练形成，而手工标注的1800张办公椅图片显然不够训练出有效的检测与分割模型。

模型训练主要分为检测网络训练（YOLOv5网络、FasterRCNN网络和SSD网络）和分割网络（CGNet网络、Unet网络和DeepLabv3网络）训练，YOLOv5的训练损失及mAP变化图，从中可以发现损失正常下降，mAP在400个Epoch之后基本接近1，这说明准确率非常高。

其中，橙色表示CGNet网络，蓝色表示UNet网络，褐色表示DeepLabv3 网络。YOLOv5和FasterRCNN的输入图片高和宽为416*416，SSD的输入高和宽为300*300，从mAP和Recall可以看出，各个部件都能正确框出，并且识别置信度能达到90%以上，说明识别准确率非常高。

为3种分割网络的性能对比表，三者的输入图片高和宽都为256*256像素，从mAP和Recall可以看出DeepLabv3 比CGNet和UNet都高，通过训练好的深度学习模型（ResNet50分类模型、YOLOv5检测模型和DeepLabv3 分割模型）便可轻松实现办公椅部件数据库。

基于生成对抗网络智能化辅助办公椅造型设计

相对生成对抗网络，它能更好地配合卷积神经网络，很多研究者都利用该网络进行了图像训练，检测与分割出来的办公椅部件角度有正面和侧面之分，在训练的时候，应该选择可以更全面地展现办公椅部件特征的视图进行训练。

训练完成后，设置Truncation为0.8，截断技巧(Truncation)是DCGAN系列网络中的一个重要技巧，通过及时截断训练不佳的数据，实验过程中，发现有些模型生成的图片不理想，扶手的形态没有完全表现出来，完整性不高，与真实扶手差异大。

它具有出色的跨平台能力、可移植性、面向对象、广泛的帮助文档、开源等优势，并为应用程序开发人员提供了构建最先进的图形用户界面所需的一切。

这个界面软件的实现极大的简化了一些操作流程，能够让设计师专心于设计本身，而不必花时间关注其他。新的基于数据驱动的办公椅造型设计闭环模型分为四个阶段，第一阶段是部件获取，第二阶段是训练机器，第三阶段是部件素材库的生成，第四阶段是基于部件素材库进行深化设计。

协作主要是指家具设计师和“AI设计师”各有所长，取长补短，共享协作。随着当前技术和算法被不断改进，人工智能的创新性能也会不断提升。借助深度学习技术，计算机可以高效地学习和模仿大量设计实例，完成简单或重复的设计任务，帮助设计人员减轻负担从而提升设计效率。

运用数字化手段到家具设计上，它改变了设计师传统的、感性的设计思维和方法，使设计师的设计活动变得更轻松、更方便。办公椅是现代商业社会的产物，其市场需求量与商业发展离不开，它起源于欧美等发达国家市场。

办公椅是现代商业社会的产物，其市场需求量与商业发展离不开，它起源于欧美等发达国家市场。

总结

面对家居行业办公椅设计领域的个性化需求旺盛与设计师无法满足市场需求的现状，以及各行业因人工智能相关技术的推动而快速成长的背景。

通过人工聚类的方式将十几种办公椅基本构件精简整合为五类模块，并对划分出的这五类部件模块打上图像数据标签，在办公椅形态设计中引入深度学习，将人工智能设计师在数据处理上的优势和人类设计师较好的主观逻辑思维结合在一起，实现人机协同设计。