基于深度學習的汽車設計造型要素研究

夏進軍 周方舟

摘 要：文章基于文獻研究和界定基于深度學習的汽車設計造型要素定義，通過將專家提出的汽車造型要素和深度學習進行的設計活動匹配，從“直接影響-間接影響”兩個角度，研究了基于深度學習的汽車設計造型要素關系，提出了特征面、汽車顏色、汽車質感、法律法規與人機工程、期望造型意向形容詞和基本信息六大造型要素，分析不同生成式對抗網絡生成汽車圖像質量，選擇StyleGAN得到機器設計的汽車造型并進行案例分析，總之，明確造型要素并以此描述數據是機器可控汽車造型圖像生成的前期工作。

關鍵詞：深度學習;汽車設計;造型要素;StyleGAN

1 引言

隨著中國加快制造業升級人工智能技術逐漸在制造業生產中發揮作用如機器學習和計算機視覺等，機器學習是一種實現人工智能的方法而深度學習是一種實現機器學習的技術，造型設計在汽車制造業中已成為打開市場和探索汽車外觀差異化的途徑，在中國制造業升級的大背景下，深度學習可以通過多樣化的功能介入汽車造型設計活動。表1展示深度學習在傳統汽車造型設計階段的前期規劃，概念設計，CAS數字模型和設計評估進行活動的優缺點。

根據表1，在概念設計階段，深度學習優點是提供前期的造型設計參考：深度學習生成造型樣本內容隨機、數量多且可控，為設計師探索設計想法提供了更多的參考;缺點是會生成無效圖像，但人類可做評價后排除無效干擾，并不影響探索想法概念，因此本文選擇深度學習輔助概念設計的功能切入。

概念草圖的設計過程是發散思維和收斂思維的過程，設計師先通過收集資料和頭腦風暴產出大量圖像，然后通過一個隱性的評價選擇方案，深度學習生成圖像的工作量和時間上優于人類幫助設計師降低產出操作成本[4]，人類參考深度學習生成結果做最終設計方案決策。因此在概念設計階段的許多活動中本文選擇概念草圖切入。

綜上所述本文以深度學習輔助概念設計中的圖像生成，也就是設計學中的造型設計為研究方向。在深度學習設計汽車外觀里造型要素的具體內容是學習及設計的基礎理論問題，因此本文研究深度學習設計汽車的造型要素問題。

深度學習生成圖像是二維平面汽車圖片，因此本文研究產品設計和平面圖像的造型要素定義。邵洛羊認為造型要素是指構成形體的基本元素[5]，造型要素是指構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系并傳遞信息的構成規律，語言結構分為字詞和語法，而圖像視覺語言也分為“造型要素”和“組織原理”兩部分。圖像視覺通過造型要素按組織原理重構來產生提供新信息的內容[6]。因此本文認為基于深度學習的汽車設計定義是通過深度學習生成圖像從而提供汽車造型新信息的的設計活動，基于深度學習的汽車設計造型要素是指構成深度學習設計汽車必不可少的基本組成單元，如顏色，特征面等。

2 基于深度學習的汽車設計造型要素提出

基于深度學習的汽車設計造型要素定義，本文梳理了設計學和計算機科學中專家提出的汽車造型要素和深度學習進行的設計活動（ 見表2和表3），借此歸納了深度學習設計汽車的造型要素。

專家提出汽車造型設計要素包括材質要素影響品質感受[7];特征線和特征面表現汽車造型形狀特征;品牌造型特征和期望造型意向形容詞特征的對應關系[8];造型要素與情感意象的載體是期望造型意向形容詞，基于感性工學的敏感感性意象形容詞SKIA用于汽車造型設計[9];汽車造型的審美要素包括圖形、形面和體量[10]。（見表2）。

特別指出在特征點，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構中，特征面處于中間過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，特征面是可被人認知的色塊組合，而特征線與其他造型要素如顏色關聯不強原因見圖1。

通過表3分析，深度學習可通過多種方式進行設計相關活動，主要有圖像生成，圖像分割，顏色識別分類，材質識別分類，自然語言處理，爬蟲爬取數據等。深度學習可以通過以上相關功能獲取造型學習內容并輸出相應的結果。

通過表2、表3的結論分析，形成深度學習與汽車造型要素匹配模型（見圖2），其造型要素包括六個：特征面，汽車顏色，汽車質感，期望造型意向形容詞，法律法規與人機工程，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、汽車質感是汽車外觀材質在平面圖像上表現的視覺質感、期望造型意向形容詞是指用戶對汽車外觀造型感性意向評價、法律法規與人機工程是指規定的汽車比例范圍，本文以汽車圖像比例進行判斷、基本信息是車型，品牌和生產時間。

3 基于深度學習的汽車設計造型要素關系初步研究

基于深度學習的汽車造型設計要素之間的關系主要從“直接影響-間接影響”進行梳理，特征面，顏色，質感的變化直接使造型變化，因此這三個變量對造型是直接影響;法律法規、人機，基本信息，期望造型意向形容詞通過語言、工程規范等對特征面，顏色和質感進行約束從而影響造型，因此這些要素對造型是間接影響。

4 案例分析

深度學習有很多神經網絡，生成式對抗網絡模型屬于深度學習神經網絡的一種，目前生成式對抗網絡包含BigGAN，StyleGAN等500多種GAN模型，本文實驗過BigGAN，PG-GAN，AC-GAN和StyleGAN四種生成式對抗網絡模型生成圖片（見圖3），生成式對抗網絡生成汽車圖片的流程是：選擇python爬蟲技術從網上收集汽車圖片，并基于深度學習的汽車設計造型要素對圖片樣本進行標注（標注方式見圖5），形成深度學習開展造型設計的訓練集，通過訓練集訓練GAN模型，通過圖片質量對比最終選擇生成圖像效果較好的StyleGAN生成汽車圖片。

通過生成圖像樣本展示StyleGAN設計汽車造型的方法[18]，生成器從一個常量輸入開始并根據潛碼在每個卷積層調整樣本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設計的汽車造型，樣本B經過卷積過程后取粗略樣式輸入給StyleGAN模型，數據A直接輸入StyleGAN模型，樣本1為輸出圖像，汽車造型設計效果見圖4。

輸入和輸出數據在基于深度學習的汽車設計造型六要素方面具有各自的特點，在造型要素上通過標記深度學習設計汽車輸入與輸出的造型特點從而有利于后期分析單個要素中輸入對于輸出的影響范圍，見表4。

根據基于深度學習設計汽車的造型要素標記樣本，使用戶能夠按照造型要素選擇目標圖像輸入StyleGAN并選擇合適的輸出圖像，從而實現可控圖像生成。深度學習設計汽車造型標簽體系見表5，標簽內容有利于可控生成目標圖像。

訓練集數據根據以上標簽進行標注，圖像數據標注方式以樹形結構在本地存儲（見圖5），在樹形結構里每一個節點作為其子節點的一個標簽，包含了汽車的車型、品牌、型號、款式等基本信息標簽，部分圖片標記顏色標簽，在最后一個節點帶有特征面方向標簽（0：前面，1：前側，2：正側，3：后側，4：后面）。

5 結論

本文通過分析整理國內外相關文獻和界定基于深度學習的汽車設計造型要素定義，構建了基于深度學習的汽車設計造型要素模型，提出了特征面、汽車顏色、汽車質感、法律法規與人機工程、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”兩個角度，研究基于深度學習的汽車設計造型要素之間的關系。根據深度學習設計汽車的造型標簽標注數據形成訓練集，分析不同深度學習模型生成汽車圖像質量，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系沒有研究，沒有用評價方法實驗圖像對設計師的幫助程度。未來研究方向可以是明確數據在造型要素上的部分映射關系，根據標簽標注數據為可控目標造型生成做準備工作。

參考文獻：

[1]王楊，王非凡，張舒宜，等.基于TF-IDF和改進BP神經網絡的社交平臺垃圾文本過濾[J].計算機系統應用，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.基于神經網絡的汽車車身造型美學評價初探[J].中國機械工程，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.中國美術大辭典[M].上海辭書出版社，2002.

[6]孔凡智.試析圖像視覺語言的建立與解碼規律[J].藝術教育，2010（06）：116-117.

[7]尹彥青，趙丹華，譚征宇.汽車內飾品質感的感知模態研究[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].機械設計與研究，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].中國機械工程，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.基于神經網絡的汽車車身造型美學評價初探[J].中國機械工程，2002（05）：67-70+6.

[15]王楊，王非凡，張舒宜，等.基于TF-IDF和改進BP神經網絡的社交平臺垃圾文本過濾[J].計算機系統應用，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網絡的車輛顏色分類[J].工業控制計算機，2019，32（11）：78-79+82.

[17]李婉婉. 基于卷積神經網絡和集成學習的材質識別和分割方法研究[D].北京交通大學，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.