三维模型参数优化方法、系统、电子设备及存储介质与流程

本发明涉及三维建模，具体为三维模型参数优化方法、系统、电子设备及存储介质。

背景技术：

1、随着数字时代的到来，三维虚拟动画已渗透到多个产业领域，从电影、广告到电子游戏。在这些领域中，角色的设计和建模成了动画质量优劣的决定性因素。

2、在三维模型的设计中，模型的建模和渲染是关键步骤，直接影响着最终虚拟角色的外观和表现。

3、现有三维模型渲染过程，往往是输入需要渲染的配置参数，然后等待软件进行渲染，但是因为软件自动生成的渲染时间不准确，所以渲染时付出的时间成本不可预期，并且对于一些限定时间完成的模型渲染任务，无法精确的控制最佳的模型渲染参数，往往导致三维模型渲染时间大大超期。

4、因此，有必要开发一种方法，比较精确的获取三维模型渲染的实际时间，让渲染三维模型付出的时间能够具体化，并且通过规划三维模型的渲染时间，逆向生成具体的渲染配置参数，最大化三维模型的渲染性能。

5、鉴于此，本发明提出三维模型参数优化方法、系统、电子设备及存储介质。

技术实现思路

1、本发明解决的技术问题是：本发明根据已有的三维模型渲染数据，训练机器学习模型，学习三维模型理论渲染时间和实际渲染时间的关系，并构建视觉检测模型，用于检测三维模型质量是否合格。

2、为实现上述目的，本发明提供如下技术方案：获取已完成渲染的三维模型的渲染数据；训练机器学习模型，学习和预测最优的三维模型渲染配置参数；构建三维模型的自动化渲染流程；建立视觉检测模型，检测渲染完成的三维模型，对不满足要求的三维模型进行二次渲染。

3、优选的，所述机器学习模型包括第一机器学习模型和第二机器学习模型；所述第一机器学习模型用于学习第一类数据和第二类数据的关系，所述第二机器学习模型用于学习第二类数据和第三类数据的关系；

4、所述第一类数据为三维模型的渲染配置参数和建模软件完成渲染配置参数的理论渲染时间；所述第二类数据为建模软件生成的理论渲染时间和渲染配置参数的实际完成量；所述第三类数据为三维模型的实际渲染时间和渲染配置参数。

5、优选的，所述机器学习模型包括第一机器学习模型和第二机器学习模型；所述第一机器学习模型用于学习第一类数据和第二类数据的关系，所述第二机器学习模型用于学习第二类数据和第三类数据的关系；

6、所述第一类数据为三维模型的渲染配置参数和建模软件完成渲染配置参数的理论渲染时间；所述第二类数据为建模软件生成的理论渲染时间和渲染配置参数的实际完成量；所述第三类数据为三维模型的实际渲染时间和渲染配置参数。

7、优选的，所述机器学习模型为可逆神经网络模型，所述第一机器学习模型的训练过程如下：

8、根据获取的渲染数据，将每个已完成渲染三维模型的第一类数据和第二类数据进行对应；

9、将第一类数据和第二类数据整合为数据集，数据集包括训练集，验证集和测试集；

10、通过训练集训练第一机器学习模型学习单个模型的第一类数据和对应的第二类数据之间数据的映射关系；训练完成后通过验证集和测试集对第一机器学习模型进行验证和测试，当第一机器的模型性能大于预期时，第一机器学习模型训练完成；

11、所述第二机器学习模型的训练过程如下：

12、根据获取的渲染数据，将每个已完成渲染三维模型的第一类数据、第二类数据和第三类数据进行对应，

13、将第一类数据、第二类数据和第三类数据整合为数据集，数据集包括训练集，验证集和测试集；

14、通过训练集训练第二机器学习模型学习单个模型的第一类数据、对应的第二类数据以及对应的第三类数据之间数据的映射关系；训练完成后通过验证集和测试集对第二机器学习模型进行验证和测试，当第二机器的模型性能大于预期时，第二机器学习模型训练完成。

15、优选的，所述自动化渲染流程如下：

16、在先设定渲染配置参数时，将初步建立三维模型以及渲染配置参数建输入模软件，得出理论渲染时间，将理论渲染时间和渲染配置参数整合成第一类数据，通过第一机器学习模型输出第二类数据，将第一类和第二类数据输入第二机器学习模型，得出第三类数据，获取第三类数据中实际渲染时间；若渲染时间未超出预期时间，则开始渲染；若渲染时间超出预期时间，通过手动缩减实际渲染时间，逆向输出第一类数据，获取第一类数据中的渲染配置参数，建模软件按照新生成的渲染配置参数进行渲染；

17、在先设定渲染时间时，在建模软件设定渲染时间，得出渲染配置参数；将渲染时间和渲染配置参数整合作为第三类数据，输入第二机器学习模型，第二机器学习模型输出在渲染时间内实际能完成的渲染配置参数，将输出的渲染配置参数导入建模软件进行渲染；

18、所有步骤可通过构建自动化脚本自动实现。

19、优选的，所述视觉检测模型为cnn神经网络模型，视觉检测模型的训练步骤如下：

20、对三维模型进行风格分类，分别获取每种风格三维模型的图像数据；

21、所述图像数据为三维模型全角度图像，人工划分图像标签，所述图像标签包括风格标签和数字标签，风格标签由字母组成，质量标签由数字组成，数字标签1表示符合渲染要求，数字标签0表示不符合渲染要求；

22、配置cnn神经网络模型，构建卷积层、池化层和全连接层的结构，选择激活函数和损失函数；

23、对收集的图像进行预处理，归一化像素值；将图像数据分为数据集，数据集分为训练集、验证集和测试集；

24、将所述训练集作为cnn神经网络模型的输入，训练cnn神经网络模型学习合格图像标签的特征数据与不合格标签图像的特征数据；以最小化损失函数为训练目标，当损失函数值小于预设值时停止训练。

25、优选的，所述cnn神经网络模型用于检测渲染完成后的三维模型是否符合要求，采集多种渲染风格的三维模型的多角度图像，对每个图像划分风格类型标签，将采集的图像输入训练完成的cnn神经网络模型，cnn神经网络提取和识别图像中的特征数据，根据每种风格下三维模型的特征数据，判断渲染的模型是否符合要求；

26、将不符合要求的模型图像传输给人工，人工对三维模型渲染后的图像数据进行检测，当检测结果与cnn神经网络一致时，对当前的三维模型的渲染配置参数进行调整，并对三维模型进行二次渲染，直至三维模型全角度的渲染结果均符合要求。

27、三维模型参数优化系统，其基于所述的三维模型参数优化方法实现。

28、优选的，所述系统包括，数据获取模块、机器学习模块、自动化渲染模块、视觉检测模块；

29、所述数据获取模块，用于获取已完成渲染的三维模型的渲染数据；

30、所述机器学习模块，用于训练机器学习模型，学习和预测最优的三维模型渲染配置参数；

31、所述自动化渲染模块，用于构建三维模型的自动化的流程渲染流程；

32、所述视觉检测模块，用于建立视觉检测模型，检测渲染完成的三维模型，对不满足要求的三维模型进行二次渲染。

33、一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现三维模型参数优化方法的步骤。

34、一种可读存储介质，其特征在于，所述可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行三维模型参数优化方法的步骤。

35、本发明的有益效果：本发明可以通过三维模型较少的数据类型，实现对三维模型的渲染时间相对精确的预测，使得三维模型渲染过程中的消耗的时间成本可以预期，并且还可以通过输入渲染时间，输出三维模型的最佳渲染参数，实现三维模型的渲染性能最大化；

36、本发明提供的方法，在三维建模过程中自动化执行，人工仅需要输入渲染需求以及对不符合要求的模型图像进行复检，节约了工时和人工成本。