基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型要素研究

夏進(jìn)軍 周方舟

摘 要：文章基于文獻(xiàn)研究和界定基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型要素定義，通過(guò)將專家提出的汽車造型要素和深度學(xué)習(xí)進(jìn)行的設(shè)計(jì)活動(dòng)匹配，從“直接影響-間接影響”兩個(gè)角度，研究了基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型要素關(guān)系，提出了特征面、汽車顏色、汽車質(zhì)感、法律法規(guī)與人機(jī)工程、期望造型意向形容詞和基本信息六大造型要素，分析不同生成式對(duì)抗網(wǎng)絡(luò)生成汽車圖像質(zhì)量，選擇StyleGAN得到機(jī)器設(shè)計(jì)的汽車造型并進(jìn)行案例分析，總之，明確造型要素并以此描述數(shù)據(jù)是機(jī)器可控汽車造型圖像生成的前期工作。

關(guān)鍵詞：深度學(xué)習(xí);汽車設(shè)計(jì);造型要素;StyleGAN

1 引言

隨著中國(guó)加快制造業(yè)升級(jí)人工智能技術(shù)逐漸在制造業(yè)生產(chǎn)中發(fā)揮作用如機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)等，機(jī)器學(xué)習(xí)是一種實(shí)現(xiàn)人工智能的方法而深度學(xué)習(xí)是一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)，造型設(shè)計(jì)在汽車制造業(yè)中已成為打開(kāi)市場(chǎng)和探索汽車外觀差異化的途徑，在中國(guó)制造業(yè)升級(jí)的大背景下，深度學(xué)習(xí)可以通過(guò)多樣化的功能介入汽車造型設(shè)計(jì)活動(dòng)。表1展示深度學(xué)習(xí)在傳統(tǒng)汽車造型設(shè)計(jì)階段的前期規(guī)劃，概念設(shè)計(jì)，CAS數(shù)字模型和設(shè)計(jì)評(píng)估進(jìn)行活動(dòng)的優(yōu)缺點(diǎn)。

根據(jù)表1，在概念設(shè)計(jì)階段，深度學(xué)習(xí)優(yōu)點(diǎn)是提供前期的造型設(shè)計(jì)參考：深度學(xué)習(xí)生成造型樣本內(nèi)容隨機(jī)、數(shù)量多且可控，為設(shè)計(jì)師探索設(shè)計(jì)想法提供了更多的參考;缺點(diǎn)是會(huì)生成無(wú)效圖像，但人類可做評(píng)價(jià)后排除無(wú)效干擾，并不影響探索想法概念，因此本文選擇深度學(xué)習(xí)輔助概念設(shè)計(jì)的功能切入。

概念草圖的設(shè)計(jì)過(guò)程是發(fā)散思維和收斂思維的過(guò)程，設(shè)計(jì)師先通過(guò)收集資料和頭腦風(fēng)暴產(chǎn)出大量圖像，然后通過(guò)一個(gè)隱性的評(píng)價(jià)選擇方案，深度學(xué)習(xí)生成圖像的工作量和時(shí)間上優(yōu)于人類幫助設(shè)計(jì)師降低產(chǎn)出操作成本[4]，人類參考深度學(xué)習(xí)生成結(jié)果做最終設(shè)計(jì)方案決策。因此在概念設(shè)計(jì)階段的許多活動(dòng)中本文選擇概念草圖切入。

綜上所述本文以深度學(xué)習(xí)輔助概念設(shè)計(jì)中的圖像生成，也就是設(shè)計(jì)學(xué)中的造型設(shè)計(jì)為研究方向。在深度學(xué)習(xí)設(shè)計(jì)汽車外觀里造型要素的具體內(nèi)容是學(xué)習(xí)及設(shè)計(jì)的基礎(chǔ)理論問(wèn)題，因此本文研究深度學(xué)習(xí)設(shè)計(jì)汽車的造型要素問(wèn)題。

深度學(xué)習(xí)生成圖像是二維平面汽車圖片，因此本文研究產(chǎn)品設(shè)計(jì)和平面圖像的造型要素定義。邵洛羊認(rèn)為造型要素是指構(gòu)成形體的基本元素[5]，造型要素是指構(gòu)成圖像最基本的形式成分有形、色、肌理和空間;組織原理是指造型要素相互聯(lián)系并傳遞信息的構(gòu)成規(guī)律，語(yǔ)言結(jié)構(gòu)分為字詞和語(yǔ)法，而圖像視覺(jué)語(yǔ)言也分為“造型要素”和“組織原理”兩部分。圖像視覺(jué)通過(guò)造型要素按組織原理重構(gòu)來(lái)產(chǎn)生提供新信息的內(nèi)容[6]。因此本文認(rèn)為基于深度學(xué)習(xí)的汽車設(shè)計(jì)定義是通過(guò)深度學(xué)習(xí)生成圖像從而提供汽車造型新信息的的設(shè)計(jì)活動(dòng)，基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型要素是指構(gòu)成深度學(xué)習(xí)設(shè)計(jì)汽車必不可少的基本組成單元，如顏色，特征面等。

2 基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型要素提出

基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型要素定義，本文梳理了設(shè)計(jì)學(xué)和計(jì)算機(jī)科學(xué)中專家提出的汽車造型要素和深度學(xué)習(xí)進(jìn)行的設(shè)計(jì)活動(dòng)（ 見(jiàn)表2和表3），借此歸納了深度學(xué)習(xí)設(shè)計(jì)汽車的造型要素。

專家提出汽車造型設(shè)計(jì)要素包括材質(zhì)要素影響品質(zhì)感受[7];特征線和特征面表現(xiàn)汽車造型形狀特征;品牌造型特征和期望造型意向形容詞特征的對(duì)應(yīng)關(guān)系[8];造型要素與情感意象的載體是期望造型意向形容詞，基于感性工學(xué)的敏感感性意象形容詞SKIA用于汽車造型設(shè)計(jì)[9];汽車造型的審美要素包括圖形、形面和體量[10]。（見(jiàn)表2）。

特別指出在特征點(diǎn)，特征線和特征面中特征面最適合作為造型要素，梁峭分析在汽車造型特征的層次結(jié)構(gòu)中，特征面處于中間過(guò)渡層承接了特征線與特征體積是造型信息最為豐富的一層[13]，特征面可以包含顏色和質(zhì)感要素，顏色要素可由有形狀的色塊表示，特征面是可被人認(rèn)知的色塊組合，而特征線與其他造型要素如顏色關(guān)聯(lián)不強(qiáng)原因見(jiàn)圖1。

通過(guò)表3分析，深度學(xué)習(xí)可通過(guò)多種方式進(jìn)行設(shè)計(jì)相關(guān)活動(dòng)，主要有圖像生成，圖像分割，顏色識(shí)別分類，材質(zhì)識(shí)別分類，自然語(yǔ)言處理，爬蟲爬取數(shù)據(jù)等。深度學(xué)習(xí)可以通過(guò)以上相關(guān)功能獲取造型學(xué)習(xí)內(nèi)容并輸出相應(yīng)的結(jié)果。

通過(guò)表2、表3的結(jié)論分析，形成深度學(xué)習(xí)與汽車造型要素匹配模型（見(jiàn)圖2），其造型要素包括六個(gè)：特征面，汽車顏色，汽車質(zhì)感，期望造型意向形容詞，法律法規(guī)與人機(jī)工程，基本信息。特征面是汽車圖像的外觀造型特征、汽車顏色是外觀顏色、汽車質(zhì)感是汽車外觀材質(zhì)在平面圖像上表現(xiàn)的視覺(jué)質(zhì)感、期望造型意向形容詞是指用戶對(duì)汽車外觀造型感性意向評(píng)價(jià)、法律法規(guī)與人機(jī)工程是指規(guī)定的汽車比例范圍，本文以汽車圖像比例進(jìn)行判斷、基本信息是車型，品牌和生產(chǎn)時(shí)間。

3 基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型要素關(guān)系初步研究

基于深度學(xué)習(xí)的汽車造型設(shè)計(jì)要素之間的關(guān)系主要從“直接影響-間接影響”進(jìn)行梳理，特征面，顏色，質(zhì)感的變化直接使造型變化，因此這三個(gè)變量對(duì)造型是直接影響;法律法規(guī)、人機(jī)，基本信息，期望造型意向形容詞通過(guò)語(yǔ)言、工程規(guī)范等對(duì)特征面，顏色和質(zhì)感進(jìn)行約束從而影響造型，因此這些要素對(duì)造型是間接影響。

4 案例分析

深度學(xué)習(xí)有很多神經(jīng)網(wǎng)絡(luò)，生成式對(duì)抗網(wǎng)絡(luò)模型屬于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的一種，目前生成式對(duì)抗網(wǎng)絡(luò)包含BigGAN，StyleGAN等500多種GAN模型，本文實(shí)驗(yàn)過(guò)BigGAN，PG-GAN，AC-GAN和StyleGAN四種生成式對(duì)抗網(wǎng)絡(luò)模型生成圖片（見(jiàn)圖3），生成式對(duì)抗網(wǎng)絡(luò)生成汽車圖片的流程是：選擇python爬蟲技術(shù)從網(wǎng)上收集汽車圖片，并基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型要素對(duì)圖片樣本進(jìn)行標(biāo)注（標(biāo)注方式見(jiàn)圖5），形成深度學(xué)習(xí)開(kāi)展造型設(shè)計(jì)的訓(xùn)練集，通過(guò)訓(xùn)練集訓(xùn)練GAN模型，通過(guò)圖片質(zhì)量對(duì)比最終選擇生成圖像效果較好的StyleGAN生成汽車圖片。

通過(guò)生成圖像樣本展示StyleGAN設(shè)計(jì)汽車造型的方法[18]，生成器從一個(gè)常量輸入開(kāi)始并根據(jù)潛碼在每個(gè)卷積層調(diào)整樣本B圖像的“樣式”，從而在不同的尺度上控制樣本A和樣本B對(duì)生成的圖像特征影響的程度。樣本1即為StyleGAN參考樣本A和樣本B設(shè)計(jì)的汽車造型，樣本B經(jīng)過(guò)卷積過(guò)程后取粗略樣式輸入給StyleGAN模型，數(shù)據(jù)A直接輸入StyleGAN模型，樣本1為輸出圖像，汽車造型設(shè)計(jì)效果見(jiàn)圖4。

輸入和輸出數(shù)據(jù)在基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型六要素方面具有各自的特點(diǎn)，在造型要素上通過(guò)標(biāo)記深度學(xué)習(xí)設(shè)計(jì)汽車輸入與輸出的造型特點(diǎn)從而有利于后期分析單個(gè)要素中輸入對(duì)于輸出的影響范圍，見(jiàn)表4。

根據(jù)基于深度學(xué)習(xí)設(shè)計(jì)汽車的造型要素標(biāo)記樣本，使用戶能夠按照造型要素選擇目標(biāo)圖像輸入StyleGAN并選擇合適的輸出圖像，從而實(shí)現(xiàn)可控圖像生成。深度學(xué)習(xí)設(shè)計(jì)汽車造型標(biāo)簽體系見(jiàn)表5，標(biāo)簽內(nèi)容有利于可控生成目標(biāo)圖像。

訓(xùn)練集數(shù)據(jù)根據(jù)以上標(biāo)簽進(jìn)行標(biāo)注，圖像數(shù)據(jù)標(biāo)注方式以樹(shù)形結(jié)構(gòu)在本地存儲(chǔ)（見(jiàn)圖5），在樹(shù)形結(jié)構(gòu)里每一個(gè)節(jié)點(diǎn)作為其子節(jié)點(diǎn)的一個(gè)標(biāo)簽，包含了汽車的車型、品牌、型號(hào)、款式等基本信息標(biāo)簽，部分圖片標(biāo)記顏色標(biāo)簽，在最后一個(gè)節(jié)點(diǎn)帶有特征面方向標(biāo)簽（0：前面，1：前側(cè)，2：正側(cè)，3：后側(cè)，4：后面）。

5 結(jié)論

本文通過(guò)分析整理國(guó)內(nèi)外相關(guān)文獻(xiàn)和界定基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型要素定義，構(gòu)建了基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型要素模型，提出了特征面、汽車顏色、汽車質(zhì)感、法律法規(guī)與人機(jī)工程、期望造型意向形容詞和基本信息六大造型要素，從“直接影響-間接影響”兩個(gè)角度，研究基于深度學(xué)習(xí)的汽車設(shè)計(jì)造型要素之間的關(guān)系。根據(jù)深度學(xué)習(xí)設(shè)計(jì)汽車的造型標(biāo)簽標(biāo)注數(shù)據(jù)形成訓(xùn)練集，分析不同深度學(xué)習(xí)模型生成汽車圖像質(zhì)量，選擇StyleGAN得到的汽車造型并描述StyleGAN生成汽車圖像樣本的造型要素特征。

本文不足之處是輸入樣本與輸出樣本的造型要素映射關(guān)系沒(méi)有研究，沒(méi)有用評(píng)價(jià)方法實(shí)驗(yàn)圖像對(duì)設(shè)計(jì)師的幫助程度。未來(lái)研究方向可以是明確數(shù)據(jù)在造型要素上的部分映射關(guān)系，根據(jù)標(biāo)簽標(biāo)注數(shù)據(jù)為可控目標(biāo)造型生成做準(zhǔn)備工作。

參考文獻(xiàn)：

[1]王楊，王非凡，張舒宜，等.基于TF-IDF和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的社交平臺(tái)垃圾文本過(guò)濾[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（03）：126-132.

[2]Karras Tero，Aila Timo，Laine Samuli，Lehtinen， Jaakko. Progressive Growing of GANs for Improved Quality， Stability， and Variation[J]. 2017.

[3]黃向東，謝朝林，謝岳璁.基于神經(jīng)網(wǎng)絡(luò)的汽車車身造型美學(xué)評(píng)價(jià)初探[J].中國(guó)機(jī)械工程，2002（05）：67-70+6.

[4]Liu Y C ， Bligh T ， Chakrabarti A . Towards an 'ideal' approach for concept generation[J].Design Studies， 2003， 24（4）：p.341-355.

[5]邵洛羊.中國(guó)美術(shù)大辭典[M].上海辭書出版社，2002.

[6]孔凡智.試析圖像視覺(jué)語(yǔ)言的建立與解碼規(guī)律[J].藝術(shù)教育，2010（06）：116-117.

[7]尹彥青，趙丹華，譚征宇.汽車內(nèi)飾品質(zhì)感的感知模態(tài)研究[J].包裝工程，2016，37（20）：35-40.

[8]胡偉峰，陳黎，劉蘇，等.汽車品牌造型基因提取及可視化研究[J].機(jī)械設(shè)計(jì)與研究，2011，27（02）：65-68+79.

[9]胡偉峰，趙江洪，趙丹華.基于造型特征線的汽車造型意象研究[J].中國(guó)機(jī)械工程，2009，20（04）：496-500.

[10]CATALANO C，GIANNINI F，MONTI M.Towards an Auto matic Semantic Annotation of Car Aesthetics[J].Artificial Intelligence for Engineering Design，Analysis and Manufacturing，2007，21（1）：73—90.

[11]趙丹華，趙江洪.汽車造型特征與特征線[J].包裝工程，2007（03）：115-117.

[12]梁峭，趙江洪.汽車造型特征與特征面[J].裝飾，2013（11）：87-88.

[13]陳憲濤，趙丹華.類族辨物——汽車造型的視覺(jué)特征與期望造型意向形容詞特征分析[J].裝飾，2008（04）：98-99.

[14]黃向東，謝朝林，謝岳璁.基于神經(jīng)網(wǎng)絡(luò)的汽車車身造型美學(xué)評(píng)價(jià)初探[J].中國(guó)機(jī)械工程，2002（05）：67-70+6.

[15]王楊，王非凡，張舒宜，等.基于TF-IDF和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的社交平臺(tái)垃圾文本過(guò)濾[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（03）：126-132.

[16]李慧，利齊律，程良倫，等.基于多顏色空間卷積神經(jīng)網(wǎng)絡(luò)的車輛顏色分類[J].工業(yè)控制計(jì)算機(jī)，2019，32（11）：78-79+82.

[17]李婉婉. 基于卷積神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)的材質(zhì)識(shí)別和分割方法研究[D].北京交通大學(xué)，2018.

[18]Karras Tero，Laine Samuli，Aila Timo. A Style-Based Generator Architecture for Generative Adversarial Networks.[J]. IEEE transactions on pattern analysis and machine intelligence，2020.