소비자의 다양한 욕구를 충족시키기 위하여 소비자가 중심이 되는 감성디자인이 대두되고 있다. 감성적 소비를 하는 소비자는 행복지수와 만족도가 높으며, 그 중에서도 소비자는 자신이 거주하는 주거공간에 각자의 라이프 스타일에 맞는 스타일을 추구하고 세부적으로는 공간에 배치되는 객체의 색채와 재질을 변경함에 따라 만족도가 높다. 소비자는 실내디자인의 스타일들 중에서 내추럴 스타일과 모던 스타일을 가장 선호하고 주거공간 색채계획을 할 때, 소비자들은 거실을 가장 우선시한다. 따라서 본 연구의 목적은 소비자의 거실에 새롭게 배치할 가구나 객체의 색채를 추천하는 머신러닝기반 모델을 구현하는 것이다. 구현된 머신러닝기반 모델에 학습된 데이터는 내추럴 스타일과 모던 스타일의 거실 이미지에서 추출된 3배색 RGB코드이다. 거실 이미지는 한국인의 색채감성을 시각적으로 척도화한 I.R.I ...
소비자의 다양한 욕구를 충족시키기 위하여 소비자가 중심이 되는 감성디자인이 대두되고 있다. 감성적 소비를 하는 소비자는 행복지수와 만족도가 높으며, 그 중에서도 소비자는 자신이 거주하는 주거공간에 각자의 라이프 스타일에 맞는 스타일을 추구하고 세부적으로는 공간에 배치되는 객체의 색채와 재질을 변경함에 따라 만족도가 높다. 소비자는 실내디자인의 스타일들 중에서 내추럴 스타일과 모던 스타일을 가장 선호하고 주거공간 색채계획을 할 때, 소비자들은 거실을 가장 우선시한다. 따라서 본 연구의 목적은 소비자의 거실에 새롭게 배치할 가구나 객체의 색채를 추천하는 머신러닝기반 모델을 구현하는 것이다. 구현된 머신러닝기반 모델에 학습된 데이터는 내추럴 스타일과 모던 스타일의 거실 이미지에서 추출된 3배색 RGB코드이다. 거실 이미지는 한국인의 색채감성을 시각적으로 척도화한 I.R.I 이미지 스케일의 형용사와 공유플랫폼을 통하여 수집되고 I.R.I 배색 이미지 스케일과 CNN모델이 활용되어 정제된다. 정제된 내추럴과 모던 스타일의 이미지는 통합된 후 K-Means Clustering을 통하여 CSV파일(3배색의 RGB)로 축소된다. 축소된 데이터는 머신러닝기반 모델에 잘 학습될 수 있도록 인코딩 및 스케일링을 통하여 변형되고 머신러닝기반 학습 알고리즘인 XGBoost와 LightGBM으로 학습이 진행된다. Scikit-Learn에서 지원되는 회귀 모델의 평가 방법들인 r²과 MSE가 사용되어 모델이 평가되고 평가 점수가 가장 높은 모델이 선정된다. 따라서 본 논문에서는 거실의 색채조화를 위한 색채 추천 모델은 XGBoost No.2 “train : valid = 8:2” 으로 선정되었다. 이는 색채 추천 모델로 효과적이며 감성디자인 시대에 개성이 있는 소비자들을 만족시킬 수 있는 모델이 될 것이다.
소비자의 다양한 욕구를 충족시키기 위하여 소비자가 중심이 되는 감성디자인이 대두되고 있다. 감성적 소비를 하는 소비자는 행복지수와 만족도가 높으며, 그 중에서도 소비자는 자신이 거주하는 주거공간에 각자의 라이프 스타일에 맞는 스타일을 추구하고 세부적으로는 공간에 배치되는 객체의 색채와 재질을 변경함에 따라 만족도가 높다. 소비자는 실내디자인의 스타일들 중에서 내추럴 스타일과 모던 스타일을 가장 선호하고 주거공간 색채계획을 할 때, 소비자들은 거실을 가장 우선시한다. 따라서 본 연구의 목적은 소비자의 거실에 새롭게 배치할 가구나 객체의 색채를 추천하는 머신러닝기반 모델을 구현하는 것이다. 구현된 머신러닝기반 모델에 학습된 데이터는 내추럴 스타일과 모던 스타일의 거실 이미지에서 추출된 3배색 RGB코드이다. 거실 이미지는 한국인의 색채감성을 시각적으로 척도화한 I.R.I 이미지 스케일의 형용사와 공유플랫폼을 통하여 수집되고 I.R.I 배색 이미지 스케일과 CNN모델이 활용되어 정제된다. 정제된 내추럴과 모던 스타일의 이미지는 통합된 후 K-Means Clustering을 통하여 CSV파일(3배색의 RGB)로 축소된다. 축소된 데이터는 머신러닝기반 모델에 잘 학습될 수 있도록 인코딩 및 스케일링을 통하여 변형되고 머신러닝기반 학습 알고리즘인 XGBoost와 LightGBM으로 학습이 진행된다. Scikit-Learn에서 지원되는 회귀 모델의 평가 방법들인 r²과 MSE가 사용되어 모델이 평가되고 평가 점수가 가장 높은 모델이 선정된다. 따라서 본 논문에서는 거실의 색채조화를 위한 색채 추천 모델은 XGBoost No.2 “train : valid = 8:2” 으로 선정되었다. 이는 색채 추천 모델로 효과적이며 감성디자인 시대에 개성이 있는 소비자들을 만족시킬 수 있는 모델이 될 것이다.
To satisfy the diverse needs of consumers, emotional designs that focus on consumers have emerged. Consumers who consume emotionally have a high score on the happiness index and satisfaction. Among them, consumers pursue a style that suits their lifestyle in the residential space where they live. An...
To satisfy the diverse needs of consumers, emotional designs that focus on consumers have emerged. Consumers who consume emotionally have a high score on the happiness index and satisfaction. Among them, consumers pursue a style that suits their lifestyle in the residential space where they live. And in detail, consumers are highly satisfied by changing the color and material of objects placed in the space. Consumers prefer the natural and the modern styles from among the styles of interior design. Furthermore, when consumers plan the color scheme of residential spaces, living rooms are the top priority among residential spaces. Therefore, the purpose of this paper is to develop a model based on machine learning that recommends colors of furniture or objects to be placed in the living room of consumers. The data learned in the developed model is RGB of three colors extracted from natural and modern living room images. The living room space images are collected based on keywords on the I.R.I image scale, which visually measures Koreans' color sensitivity, and in addition, the living room space images are collected through a sharing platform. The collected images are cleaned and integrated using the I.R.I color image scale and CNN model. The color data (RGB) of the cleaned images are extracted and reduced to a CSV file. CSV file is transformed through encoding and scaling so that the reduced data file can be well learned in machine learning. The transformed data is learned in XGBoost and LightGBM, which perform machine learning tasks. The color recommendation models in this paper are evaluated using r² and MSE, which are evaluation methods for regression models supported by Scikit-Learn. And the model with the highest evaluation score is selected. Therefore, in this paper, a color recommendation model for color harmony in the living room was selected as XGBoost No. 2 “train: value = 8:2”. This is effective as a color recommendation model, and it will be a model that can satisfy consumers with individuality in the era of emotional design.
To satisfy the diverse needs of consumers, emotional designs that focus on consumers have emerged. Consumers who consume emotionally have a high score on the happiness index and satisfaction. Among them, consumers pursue a style that suits their lifestyle in the residential space where they live. And in detail, consumers are highly satisfied by changing the color and material of objects placed in the space. Consumers prefer the natural and the modern styles from among the styles of interior design. Furthermore, when consumers plan the color scheme of residential spaces, living rooms are the top priority among residential spaces. Therefore, the purpose of this paper is to develop a model based on machine learning that recommends colors of furniture or objects to be placed in the living room of consumers. The data learned in the developed model is RGB of three colors extracted from natural and modern living room images. The living room space images are collected based on keywords on the I.R.I image scale, which visually measures Koreans' color sensitivity, and in addition, the living room space images are collected through a sharing platform. The collected images are cleaned and integrated using the I.R.I color image scale and CNN model. The color data (RGB) of the cleaned images are extracted and reduced to a CSV file. CSV file is transformed through encoding and scaling so that the reduced data file can be well learned in machine learning. The transformed data is learned in XGBoost and LightGBM, which perform machine learning tasks. The color recommendation models in this paper are evaluated using r² and MSE, which are evaluation methods for regression models supported by Scikit-Learn. And the model with the highest evaluation score is selected. Therefore, in this paper, a color recommendation model for color harmony in the living room was selected as XGBoost No. 2 “train: value = 8:2”. This is effective as a color recommendation model, and it will be a model that can satisfy consumers with individuality in the era of emotional design.
주제어
#Color Harmony Natural styles Color Recommendation Model Modern styles Interior design Living Room Machine Learning
학위논문 정보
저자
송수림
학위수여기관
연세대학교 일반대학원
학위구분
국내석사
학과
실내건축학과
지도교수
이현수
발행연도
2022
총페이지
xii, 86 p.
키워드
Color Harmony Natural styles Color Recommendation Model Modern styles Interior design Living Room Machine Learning
※ AI-Helper는 부적절한 답변을 할 수 있습니다.