【色彩设计】创意产品外形设计工作中的可行性分析

  开展创意产品外形设计产品类别的色彩设计时,为了确保创意产品外形设计色彩设计工作中实效性和可行性分析,不但要了解机器设备的运转作用,还要考虑到机器设备所处实际状况,剖析生产加工生产制造物品、室内工作自然环境、外形设计的用处等。因为创意产品外形设计需求,开展产品色彩设计工作中,必须使用刺激小的中性灰色系,用暗淡无光的哑光材料加工解决。

  一部分创意产品外形产品设计选用柔和色彩,如浅灰色、浅绿色、浅绿色等,以保证产品外形运作安全性。在产品外形结构复杂、特别重的情形下,可以采取浅灰方案设计,合理降低操作人员的心情和抑制效果,减轻操作人员的内心焦虑。

  艺术创意控制电路开展色彩设计时,应该根据产品卖点开展制动系统、安全、配电设备、运行、关机、易燃性、易燃易爆等标示色彩设计,以确保产品应用实效性。进行特殊颜色设计,便捷工作员操作,确保紧急情况运转的靠谱安全度。

  这是为了避免操作人员在明暗度条件下融入缓慢,工作注意力不集中,影响有关创意产品外形设计操作的安全性和稳定性。在具体的创意产品外形产品设计的色彩设计中,应该考虑操作台、制品、室内环境的色彩转变并进行对比。

  创意产品外形设计操作面与零件加工色彩产生一定的色彩比照,保证操作工作人员视觉效果灵敏,立即精确操作有关按键机器设备。比如,挑选低纯净度色彩进行比较时,必须保证有关色彩对比,能够触动均衡的对比效果,如浅绿色、灰紫色比照等。

  在规定亮度高的设计产品的情形下,能选亮度高的颜色对比度设计,能够确保创意产品外形设计方案的可靠性和稳定性。一部分创意产品外形产品设计在开展色彩设计时,选用冷暖色调比照、中灰抗压强度明度对比,使产品在操作层面具有一定的实际效果。

  进行具体操作面与室内环境色彩设计工作中,理应确保二者色彩的协作统一。操作面色调暗的,进行室内环境色彩设计工作中,理应贴近操作面色调;操作面色调至初级色度时,室内环境色彩规定适度高过操作面色彩;操作面为浅色系时,室内环境要求是白色。

  因而,在实施具体创意产品外形设计工作的时候,应该考虑生产加工生产制造的差别,在色彩设计工作开展环节灵便调节有关的色彩设计计划方案。在冷暖色调的灵活性调节下,有效改善职工的焦虑和压抑感,确保整个设备运作的可靠性和稳定性。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

绿创设计

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值