Caso de estudio · Diseño computacional · KSDS 2026
Consistencia multivista en el análisis automatizado de la forma de productos
El diseño basado en datos requiere descriptores cuantitativos de la forma del producto. Este estudio comprueba si dieciséis renders estándar pueden sustituir como entrada al CAD 3D, que es propietario y rara vez está disponible.
Uno de los siete productos analizados, cada uno renderizado en una plataforma giratoria completa de 360°.
Datos del proyecto
D. Sarfraz y K. Kim, UNIST
KSDS 2026 International Conference
Python con OpenCV y scikit-image, y Depth-Anything-V2-Small mediante Hugging Face Transformers
Un vector compacto que describe el alargamiento, la simetría, la irregularidad del contorno o el número aparente de piezas permite comparar con la competencia, seguir la evolución de un diseño y relacionar la forma con juicios como la calidad percibida. El CAD sería la entrada ideal, pero rara vez está disponible. Las imágenes de producto están ampliamente disponibles y son lo que evalúan los expertos.
Por qué
Las señales de silueta y profundidad generan 23 parámetros de forma
Cada imagen se descompone en una máscara de silueta y un mapa de profundidad, y luego se resume con 23 parámetros de forma ya establecidos. Los parámetros en sí no son nuevos; la aportación es extraer los 23 automáticamente a partir de un pequeño conjunto de imágenes.
-
1
Máscara de silueta
A partir del canal alfa, o mediante umbralización de luminancia más el relleno del contorno más grande.
-
2
Profundidad monocular
Depth-Anything-V2-Small predice la profundidad a partir de una sola imagen RGB, normalizada dentro de la máscara.
-
3
23 parámetros
Simetría, proporción, curvatura, complejidad visual, convexidad, equilibrio y ajuste a primitivas. Quince usan solo la máscara; ocho incorporan también la profundidad.
Protocolo de evaluación. Cada uno de siete productos se renderizó en una plataforma giratoria completa de 360° con dos tamaños de conjunto, 16 vistas (cada 22.5°) y 180 vistas (cada 2°): Lemmy, una Sony PSP-1000, un Teenage Engineering TP-7, un controlador de videojuegos, un teléfono Nokia, un altavoz Marshall y una lente Canon. Para cada parámetro, consistencia = 1 − |v₁₆ − v₁₈₀| / |v₁₈₀|, promediada entre los productos.
Dieciséis vistas reprodujeron los resultados de 180 vistas en 20 de 23 parámetros
Muy consistentes (90% o más). Encabezados por la solidez (99.9%), el equilibrio del centroide, la rectangularidad y el ajuste a primitivas (99.8%), el índice de convexidad (99.7%) y la simetría (99.6%).
Moderados (80–90%). La entropía de subbanda (83.4%) y el número de ejes (80.4%), sensibles a escalas nativas pequeñas o a umbrales enteros.
Más bajos (menos del 80%). El número de partes por concavidad (76.3%) es sensible al umbral y empeora en productos con concavidad mínima.
La velocidad de procesamiento permite analizar la forma a escala de conjunto de datos
Un perfil de 23 parámetros se calcula en segundos a partir de dieciséis renders, que los catálogos de productos a menudo ya contienen. Con cientos o miles de productos, esto permite combinar los parámetros de forma con evaluaciones de expertos para crear los conjuntos de datos que necesitan los modelos de aprendizaje.
Alcance y limitaciones
La muestra estuvo formada por siete productos, girados sobre un solo eje y sin variación de inclinación. Los parámetros de recuento entero deben reescalarse antes de poder presentarse junto a los demás. El estudio demuestra la estabilidad entre distintos números de vistas, no la precisión geométrica; la siguiente prueba es relacionar los vectores con valoraciones de expertos.
