Fallstudie · Computational Design · KSDS 2026
Multi-View-Konsistenz in der automatisierten Produktformanalyse
Datengetriebenes Design braucht quantitative Beschreibungen der Produktform. Diese Studie prüft, ob sechzehn Standardrenderings 3D-CAD als Eingabe ersetzen können, denn CAD-Daten sind proprietär und selten verfügbar.
Eines der sieben analysierten Produkte, jeweils auf einem vollen 360°-Drehteller gerendert.
Projektdaten
D. Sarfraz und K. Kim, UNIST
KSDS 2026 International Conference
Python mit OpenCV und scikit-image sowie Depth-Anything-V2-Small über Hugging Face Transformers
Ein kompakter Vektor, der Streckung, Symmetrie, Unregelmäßigkeit der Kontur oder die sichtbare Anzahl an Teilen beschreibt, ermöglicht den Vergleich mit Wettbewerbern, das Nachverfolgen der Designentwicklung und die Verknüpfung der Form mit Urteilen wie der wahrgenommenen Qualität. CAD wäre die ideale Eingabe, ist aber selten verfügbar. Produktbilder sind dagegen breit verfügbar, und genau sie bewerten Fachleute.
Warum
Aus Silhouette und Tiefe entstehen 23 Formparameter
Jedes Bild wird in eine Silhouettenmaske und eine Tiefenkarte zerlegt und dann mit 23 etablierten Formparametern zusammengefasst. Die Parameter selbst sind nicht neu. Der Beitrag liegt darin, alle 23 automatisch aus wenigen Bildern zu extrahieren.
-
1
Silhouettenmaske
Aus dem Alphakanal oder per Helligkeitsschwellwert mit Füllung der größten Kontur.
-
2
Monokulare Tiefe
Depth-Anything-V2-Small schätzt die Tiefe aus einem einzigen RGB-Bild, normalisiert innerhalb der Maske.
-
3
23 Parameter
Symmetrie, Proportion, Krümmung, visuelle Komplexität, Konvexität, Balance und Passung an Grundformen. Fünfzehn nutzen nur die Maske, acht beziehen zusätzlich die Tiefe ein.
Evaluationsprotokoll. Sieben Produkte wurden jeweils auf einem vollen 360°-Drehteller in zwei Sets gerendert, mit 16 Ansichten (alle 22,5°) und 180 Ansichten (alle 2°): Lemmy, eine Sony PSP-1000, ein Teenage Engineering TP-7, ein Gamecontroller, ein Nokia-Handy, ein Marshall-Lautsprecher und ein Canon-Objektiv. Für jeden Parameter gilt Konsistenz = 1 − |v₁₆ − v₁₈₀| / |v₁₈₀|, gemittelt über alle Produkte.
Sechzehn Ansichten reproduzierten die Ergebnisse von 180 Ansichten für 20 von 23 Parametern
Hohe Konsistenz (90 % oder mehr). Angeführt von Solidität (99,9 %), Schwerpunktbalance, Rechteckigkeit und Grundformpassung (99,8 %), Konvexitätsindex (99,7 %) und Symmetrie (99,6 %).
Mittel (80–90 %). Subband-Entropie (83,4 %) und Achsenanzahl (80,4 %), die empfindlich auf kleine native Skalen oder ganzzahlige Schwellwerte reagieren.
Niedriger (unter 80 %). Die Teileanzahl nach Konkavität (76,3 %) hängt stark vom Schwellwert ab und verschlechtert sich bei Produkten mit kaum Konkavität.
Der Durchsatz ermöglicht Formanalysen im Datensatzmaßstab
Ein Profil mit 23 Parametern entsteht in Sekunden aus sechzehn Renderings, die Produktkataloge oft bereits enthalten. Über Hunderte oder Tausende Produkte hinweg lassen sich Formparameter so mit Expertenbewertungen verknüpfen, um die Datensätze aufzubauen, die Lernmodelle benötigen.
Umfang und Grenzen
Die Stichprobe umfasste sieben Produkte, gedreht um eine einzige Achse ohne Variation der Neigung. Parameter mit ganzzahligen Werten müssen neu skaliert werden, bevor sie neben den anderen berichtet werden können. Die Studie belegt Stabilität über verschiedene Ansichtszahlen hinweg, nicht geometrische Genauigkeit. Der nächste Test ist die Verknüpfung der Vektoren mit Expertenbewertungen.
