多意象驅動下的產品造型個性化定制系統研究

王鵬　張煒　白睿昇

摘 要：構建了一種基于多意象驅動下的產品個性化定制系統，增加用戶對個性化定制的體驗度，從而實現智能的產品個性化定制設計。通過對當下三種產品個性化定制模式的比較研究和分析，提出了個性化定制系統的構架模型和系統流程。然后通過用戶參與模式、感性意象挖掘、關聯方法建立多意象驅動機制，并結合感性工學的相關研究方法、BP神經網絡以及多目標粒子群算法構建了面向產品意象造型的智能設計模型，實現了多意象驅動下的產品造型個性化定制。最后以人形卡通文具的個性化定制進行了實例驗證。結果表明多意象驅動的產品造型個性化定制系統更加豐富了消費者對產品造型意象風格的體驗，滿足了消費者日益迫切的個性化設計需求，符合智能時代對產品設計開發的需要。

關鍵詞：多意象驅動;個性化定制;BP神經網絡;多目標粒子群算法

中圖分類號：TH166;TB472???? 文獻標識碼：A

Research on Product Image Personalization

Customization System Driven by Multi-image

WANG Peng，ZHANG Wei ，BAI Rui-sheng

（Art Design College of Lanzhou University of Technology，Lanzhou，Gansu 730050，China）

Abstract：Building a personalized customization system based on perceptual image-driven user participation， so as to increase the users experience of products design， finally， to realize the intelligent products customization.By researching and analysing the design custom pattern and personalization theory of the present three products， giving a architecture model of personalized system， through user participation model， perceptual intention mining， correlation method establishing a driving mechanism， in combination with research methods of Kansei engineering， BP neural network and Multi-objective particle swarm optimization， to build the intelligent design system and customization process for the products， realized the product shape customization in multi-drive image. In the end， an example verification was made with the personalized customization of humanoid cartoon stationery. The personalized system for users enrich the consumer experience about designing products，it meets the increasingly urgent individual design needs of consumerst， we consider the design and product as most suitable for the intelligent age.

Key words：multi-image driven; personalized customization; BP neural network; multi-objective particle swarm optimization

在“互聯網+”和“AI”技術飛速發展的當下，人們的消費水平和消費觀念不斷提升，用戶的個性化、差異化的情感需求也日益增多，以交互體驗為主的個性化定制設計模式成為一種新的消費趨勢[1]。美國最新預測的“改變未來的十大科技”中，“個性定制”更是排在首位[2]。個性化定制模式以用戶為中心，尊重個體的自我價值，既能滿足用戶對個性化定制產品的需求，又能推動產業進步[3]。通過智能設計系統自主設計、預覽、評估和定制，用戶能深入參與到產品的設計環節，讓用戶與設計師形成緊密協作的關系，這種智能定制模式極大地滿足了用戶的個性化需求，符合人人都是設計師的未來設計模式[4]。個性化定制通過對用戶感性認知評判、數據挖掘分析，出現了從定性向定量發展的人工評判到智能匹配的趨勢，形成了多種測量歸納意象認知的方法和數理模型，這些理論基礎有助于結合感性需求對個性化定制進行研究。

1 個性化定制

個性化定制主要依據每個用戶不同的愛好和需求，量身制定出一個與之相符合的內容，是一種一對一的關聯，希望在了解一類用戶的基本需求后，滿足各個用戶的不同需求[5]。目前相對成熟、應用較廣的個性化定制模式基本可以分為以下三類：

（1）以情感、興趣驅動為主的定制模式，即根據用戶的主觀偏好進行自由度相對較大的定制，如圖1所示。趣味十足的移動端定制產品—“臉萌”基于其強大的素材庫來實現以用戶情感為驅動的人物臉型輪廓、表情、發型、配飾等部件的簡單交換，來組合成為一個自己滿意的Q版人物面部形象，過程簡單易上手[6]。

（2）以品牌認知、個性化需求驅動為主的定制模式，即借助互聯網平臺，結合企業品牌文化、產品特點，根據用戶的款式、風格、尺寸、規格等方面的線上個性選擇進行較大批量的定制，從而提升顧客忠誠度和服務質量，如青島紅領公司結合互聯網技術和產品族理論設計了服裝定制供應商平臺—RCMTM（Red Collar Made To Measure）[7]，如圖2所示。

（3）以技術指標、加工工藝驅動為主的定制模式，即采取整體的組合優化，將產品性能配置和功能模塊相結合，以客戶的需求為生產的目標，根據某類產品統一或近似的加工工藝和生產指標，通過大批量的產品生產，達到壓縮成本，提升利潤的目的，如三菱公司與相關研究機構聯合設計的大型智能生產規范實驗服務平臺—e-F@ctory系統[8]，如圖3所示。

個性化定制的理論研究方向主要集中在數據挖掘、模塊化、參數化定制和智能設計、優化模型等方面。如戴佳[9]以用戶為中心，從用戶多種情感需求中分理處個性化需求來指導產品的個性化設計，并形成了情感化設計的方法論;朱天燕，周海海[10]等提出了一種基于形狀文法和交互式遺傳算法的產品形態推演模型，以期保持品牌風格的延續性的同時，在產品造型風格連續性和創新性之間取得平衡;于小利、劉詠梅[11]等提出一種在線個性化定制的模塊化設計方法，實現了嬰幼兒連體衣款式、尺寸的個性化定制;田巧萍，呂健[12]等人為解決現有產品個性化定制中用戶需求分析復雜、需求契合度低與用戶參與度不足的問題，通過建立用戶個性需求表達模型并結合質量功能展開（QFD），提出一種基于用戶需求的產品深度個性化定制方法。上述研究主要是基于需求進行個性化定制方法的構建，以及情感需求驅動下的個性化產品設計，在個性化定制與情感化需求間結合的研究還有待深入。

綜合分析目前市面上已有的個性化定制模式以及相關學術研究可以看出，目前的產品個性化定制或以產品模塊間的“優化組合”為主，或以需求為驅動進行產品的深度定制，缺乏對于產品意象造型的關注。基于此，首先對產品個性化定制的需求和模式進行了研究，并提出基于產品意象造型個性化定制的設計流程，然后基于感性工學提出了基于多意象驅動下的產品造型智能設計方法，構建了以多目標粒子群算法（MOPSO）和BP神經網絡為基礎的產品造型智能設計模型，實現了多個感性意象驅動下的產品造型創新設計，最后建立了基于多意象驅動的產品個性化定制系統[13]。

2 個性化定制系統構架

2.1 個性化定制流程構建

傳統的產品設計模式主要是通過對同類競品、類似產品等進行大量市場調研，同時收集用戶反饋，綜合分析設計痛點、優點、缺點來得到新一代的產品設計方案。智能時代的今天可以采用個性化定制的方式，以感性意象為驅動，結合用戶偏好，通過線上的個性化定制系統，實現在產品意象造型方面的自主設計和定制，更加滿足用戶日益增加的個性化消費需求。系統在為用戶提供個性化定制服務的同時，實時在線收集用戶的偏好數據來定期更新、完善設計知識庫。個性化定制的總體流程如圖4所示。

首先，用戶選擇定制產品的基本屬性、大致細節和產品基本原型風格，確定初始樣本原型;然后選擇多個感性意象詞匯作為目標，同時設定相關初始參數，進行多意象驅動下的產品造型智能設計;若干個智能設計結果呈現在選擇頁面上，用戶可以根據自己的喜好自主選擇，也可以借助系統自動從頁面樣本中挑選出單個意象最占優的樣本輸出;之后用戶可以選擇產品的不同部位進行CMF（C：顏色;M：材質;F：表面處理）風格的自主選擇，同時選擇、添加、自主上傳不同的個性化配件;最后確認結果，生成訂單。

2.2 個性化定制系統通用模塊構建

構建個性化定制流程，需要建立以下若干模塊：交互模塊、原型構建模塊、知識庫模塊、智能設計模塊、評判模塊、選擇模塊和定制購買模塊。每個模塊之下還劃分為若干個次級模塊，如知識庫模塊下包含有造型知識庫、意象知識庫、CMF知識庫、配飾知識庫等次級模塊。個性化定制系統模塊整體結構和知識庫模塊構建如圖5所示。

交互模塊實現用戶的登錄、在線留言、自主添加、系統推送;原型構建模塊實現用戶個性化選項與產品基本屬性特點之間的整合統一;知識庫模塊由設計師提煉文化符號、提煉設計元素后統一編碼來構建[14]，以及作為基本設計對象的產品本體原型和在用戶、設計師參與設計后的產品優選原型，為用戶在定制過程中提供后臺支持和數據服務，同時知識庫允許用戶能夠自由進入知識庫中進行添加、更新個別樣本數據和參數，從而一定程度上更新、完善知識庫;智能設計模塊通過將產品的基本造型參數化，建立感性意象與產品造型間的相互關聯，在讀取用戶輸入的初始設計參數和目標意象后，以多目標粒子群算法為基礎，從數據庫中調用對應初始樣本種群，進行多意象驅動下的產品造型智能設計;評判模塊主要實現定制流程中各個方案、結果的評判，分為用戶自主評判和系統智能評判;選擇模塊主要實現定制過程中各個步驟和選項的個性化選擇，如配件和CMF;定制模塊實現產品成品和定制方案的訂單確認和購買。個性化定制平臺的核心模塊是知識庫模塊和智能設計模塊。

2.3 智能設計模塊構建

智能設計模塊主要基于感性工學、BP神經網絡和多目標粒子群算法，實現針對產品多意象造型的智能設計。智能設計流程如圖6所示。首先對算法參數進行初始化，將每個粒子看做一個產品造型，然后借助基于BP神經網絡構建的“多意象評價系統”對初始粒子種群（初始產品造型樣本）進行意象值評價，來作為擇優篩選條件，多次迭代并更新粒子個體最優位置（P-best）和全局最優位置（G-best）以實現全局尋優，最終得到Pareto最優解集。

產品多意象智能設計的實現需要確定研究樣本，對其進行意象挖掘和樣本造型參數化后，建立并訓練多意象評價系統，用以實現造型智能設計過程中的適應度（意象評價值）計算，然后以參數化后的研究樣本作為初始種群進入到算法階段。

2.3.1 意象挖掘與研究樣本的確定

以人形卡通文具作為研究對象，通過購物網站、雜志刊物、宣傳廣告以及遺傳算法交叉進化等途徑收集產品相關樣本圖片、造型和感性意象詞匯，然后利用訪談法和KJ法篩選樣本圖片，利用口語分析法和聚類分析法篩選感性意象詞匯，最后得到50個樣本造型和6個意象詞匯，并以此制作50*6的5級SD調查問卷[15]。

收集問卷結果，從中選擇3個目標意象詞匯并分別計算均值，結果如下表1所示。在BP神經網絡調用平均意象值數據作為輸出訓練參數時依據公式（1）進行自動歸一化處理，以提升訓練效率。

yij=xij-minxjmaxxj-minxj（1）

其中yij表示第i個樣本的第j項意象評價數據歸一化后的值;i表示研究樣本，i=1，2，…，50;j為目標意象，j=1，2，3。

2.3.2 產品形態描述

本研究采用曲線控制法，對產品整體造型進行參數化描點[16]。以樣本一為例，如圖7所示，將玩偶造型分為身體外部輪廓、頭發、表情和衣服4個部分，采用曲線控制法在Illustrator軟件中對其進行參數化處理，并將所有參數化坐標點分為若干個可變的關鍵控制點和不可變的絕對控制點，方便后續的智能設計。

依次對50個樣本進行參數化，作為BP神經網絡的輸入訓練參數和產品多意象進化過程中的初始樣本種群[17]。

2.3.3 意象評價系統構建

BP神經網絡：多層前饋網絡誤差反向傳播算法（Back Propagation，BP）能夠無監督的學習和記憶數量可觀的“輸入—輸出”映射關系，并且無需具體計算、深究其內部數學模型和原理[18]。

以BP神經網絡構建產品多意象造型評價系統以“研究樣本造型參數—樣本意象評價目標值”的正向傳播和“樣本意象評價目標值—研究樣本造型參數”的反向傳播兩個過程組成。當實際輸出與預期造型評價參數不符時，進入誤差的反向傳播階段[18]。多次訓練達到收斂后就可以用來評測新生成樣本造型的意象評價值，BP神經網絡的拓撲結構如圖8所示。

使用50個樣本參數坐標和意象評價均值對網絡進行訓練。

輸入層：每個產品有63個造型要素，則網絡訓練一個樣本需建立63個輸入神經元。本研究從50個樣本中隨機選擇40個樣本作為輸入的訓練樣本，10個測試樣本。

輸出層：以50個樣本的意象評價均值為目標輸出值，即每個樣本建立3個神經元構成輸出層[19]。

隱含層：對于隱含層的神經元數目并沒有統一的標準，于是通常采用以下的經驗公式（2）和（3）來確定神經元數目[20]：

n1=n+m+a（2）

n1≤m（n+3）+1（3）

其中n1為隱藏層神經元數，n為輸入層的神經元數，m為輸出層神經元數;a為常數，取值[1，10]。通過計算，訓練設置本次隱藏層數位9。

造型參數和意象評價值呈非線性關系，故采用Sigmoid函數作為激勵函數[21]。設置最大迭代次數為10000次，誤差精度為1*10-6，學習速率為0.01，利用訓練集樣本和測試集樣本進行訓練、驗證，如圖9所示。

從圖中可以看出測試整體誤差較小，故可以用來進行產品造型意象值的預測評判。

2.3.4 基于多目標粒子群算法的產品多意象造型智能設計

多目標粒子群算法：基于傳統的粒子群算法，結合Pareto排序規則得到了多目標粒子群算法[22]，可以根據粒子相互間的支配關系檢索歷史最優解并保存，同時更新算法非劣解集，并具備記憶能力以掌握當前粒子情況進而采取更加適當的檢索策略，因而具有很好的全局收斂能力和穩定性，可以很好的解決多目標優化問題[23]。

對于規模為N的粒子種群，任意一個粒子i的位置向量xi和速度向量vi分別表示為：

xi=（xi，1，xi，2，…，xi，D）T∈RD（4）

vi=（vi，1，vi，2，…，vi，D）T∈RD，i=1，2，…，N（5）

D是決策變量個數，演變過程中粒子位置和速度更新方式如下：

vk+1id=ω·vkid+c1·r1·（pkid-xkid）+c2·r2·（pkgd-xkid）（6）

x（k+1）id=x（k）id+v（k+1）id（7）

式中：ω≥為慣性權重;k為演變次數;c1，c2，≥0為加速系數;r1，r2是（0，1）之間的隨機數;p（k）id為第i個粒子在k次演變時的最優位置的第d維分量，稱為P-best;p（k）gd為粒子群中k次演變時的最優位置的第d維分量，稱為G-best[24]。

粒子適應度是評價粒子優劣的標準，本研究中有多意象造型評價系統預測意象評價值作為適應度。對于多目標優化問題，每個粒子具有多個適應度，對應多個目標。目標函數即為適應度函數，同時粒子需要滿足對應約束，數學描述如下：

yi，j=fj（x），（i，j=0，1，2，…），xmin ≤x≤xmax （8）

其中y i，j為i粒子對應的第j個適應度。

產品多意象造型的算法實現主要有以下步驟：

（1）以參數化的50個產品樣本的造型參數作為初始種群，設置初始化粒子速度為0，算法學習因子c1=c2=2，慣性權重ω為一個隨時間線性減少的函數：

ω=ωmax -ωmax -ωmin kmax ×k（9）

其中ωmax和ωmin為初始權重和最終權重，設置初始權重為1.4，最終權重為0.1;k為迭代次數，設置最大迭代次數kmax為100次;同時設置粒子最大速度vmax為5，最小速度vmin為-5。

（2）然后導入訓練好的多意象造型評價系統，計算各個樣本的意象評價值作為適應度值;

（3）比較樣本的適應度值，根據支配關系更新粒子個體最優位置（P-best）和非劣解集，并從非劣解集中隨機選取粒子全局最優位置（G-best）。

（4）按照粒子更新公式（6）、（7）更新粒子的速度和位置。

（5）判斷是否達到預先設定的最大迭代次數，是則輸出Pareto最優解集，否則返回步驟（2）繼續迭代[25]。圖10為卡通人偶文具多意象造型優化結果，輸出樣本從最優解集中分布的Pareto最優解集邊界曲面上隨機選取。

3 以人形卡通文具為例的產品個性化定制案例

對人形卡通文具進行了個性化定制。這款文具內附磁鐵，可以吸附日常學習生活中的曲別針，也可粘貼便簽。

人形卡通文具的個性化定制流程主要有以下幾步：

（1）用戶進入平臺后首先選擇要定制的卡通人偶的基本屬性，包括玩偶性別、年齡段、體型、和身高選擇等;

（2）對主要造型部位—頭部細節的基本原型選擇，包括發型、眼睛風格、嘴巴形狀等;

（3）對次級造型部位—衣服造型的基本原型選擇，包括領口風格、外套風格和下擺風格等;

（4）對目標意象風格進行選擇（可多選），本研究以“個性的”、“陽光的”、“可愛的”三個目標意象為例;

（5）輸入初始造型參數;

（6）自主選擇滿意樣本或借助系統自動從頁面結果中挑選出單個意象值最優的樣本，如從9個樣本中自動選出目標意象—“可愛的”最高的一個樣本進行輸出;

（7）選擇人偶對應部位，進行相應的CMF添加;

（8）選擇人偶個別部位進行配件的選擇和添加，本例中對人偶添加了眼鏡、衣紋，并自主上傳、添加了個性簽名;

（9）確認結果，提交訂單。

產品最終效果圖如圖11所示：

4 結 論

通過對現有的產品個性化定制模式的分析總結，基于智能設計技術，構建出多意象驅動下的產品個性化定制新模式。該模式能夠讓用戶參與到產品個性化設計過程中，從而滿足其個性化設計的需求。構建了以多意象驅動的產品個性化定制系統，在傳統的三種定制模式基礎上，運用意象關聯驅動、BP神經網絡和多目標粒子群算法實現對產品形態、意象風格以及產品CMF的個性化設計。為個性化定制系統提出了一套囊括智能設計、自主選擇、模塊組合、線上定制的全新的個性化定制流程，能夠更加貼合用戶的使用過程，證實了多意象驅動下的智能設計模型能夠更好的提升用戶體驗。最后，以卡通人偶玩具為例進行了個性化定制演示說明，為未來產品個性化定制模式的發展提供了新的方向。

參考文獻

[1] 江優雅，劉蘇.基于批量生產的個性化產品設計研究[J].機械設計與制造工程，2018，47（01）：90-94.

[2] 解洋.互聯網思維下的汽車個性化定制服務初探[J].工業設計，2017，（11）：51-52.

[3] 張賢富.3D打印對首飾個性化定制過程的重塑研究[J].包裝工程，2018，39（12）：180-185.

[4] 李翔，王子健.基于3D打印技術的兒童玩具定制平臺設計[J].包裝工程，2018，39（8）：211-216.

[5] 劉元寅.基于產品系統設計的自行車個性化定制設計研究[D].天津理工大學，2014，（1）：9-10.

[6] 苑馨月.基于交互技術移動端個人形象管理的應用與研發[J].商，2016，（17）：216.

[7] 李翔，龍慧敏.面向個性化定制的工業設計方法研究[J].藝術與設計（理論），2018，2（8）：94-96.

[8] 梁秀璟.三菱電機與機械工業儀器儀表綜合技術經濟研究所共建智能制造綜合試驗驗證平臺—e-F@ctory個性化定制示范產線[J].自動化博覽，2018，（5）：16-17.

[9] 戴佳.基于消費者情感需求的產品個性化設計研究[D].上海交通大學，2007，（2）：2-4.

[10]朱天燕，周海海，唐敦兵，等.基于形狀文法和交互式遺傳算法的產品形態創新設計[J].機械設計與制造工程，2019，48（4）：12-17.

[11]于小利，劉詠梅，黃珍珍，等.面向在線個性化定制的嬰幼兒連體衣模塊化設計[J].東華大學學報（自然科學版），2018，44（5）：734-741.

[12]田巧萍，呂健，潘偉杰，等.基于用戶需求的產品深度個性化定制[J].圖學學報，2018，39（5）：867-878

[13]陳登凱，吉青利，李簪.用戶期望意象驅動的產品造型融合創新設計[J].現代制造工程，2015，（10）：142-147.

[14]周煜嘯，羅仕鑒，陳根才.基于設計符號學的圖標設計[J].計算機輔助設計與圖形學學報，2012，24（10）：1319-1328.

[15]張新新.產品造型意象熵評價研究[D].蘭州理工大學，2016：16-18.

[16]蘇建寧，劉婷婷，王鵬.基于樸素貝葉斯法的產品造型設計可用性評價研究[J].機械設計，2016，33（2）：105-108.

[17]王媛媛. 基于自適應差分進化算法的堆石壩壩料參數反演分析及應用[D].天津大學，2017.

[18]蘇建寧，張秦瑋，吳江華，等.產品多意象造型進化設計[J].計算機集成制造系統，2014，20（11）：2675-2682.

[19]康利靜. 轎車色彩感覺特性設計支持技術研究[D].沈陽：東北大學，2010.

[20]李守國.基于BP神經網絡灰色關聯分析的煤與瓦斯突出危險性預測[J].現代礦業，2016，32（1）：174-177.

[21]肖俊芳 ，王耀青.一種激勵函數可調的快速BP算法[J].自動化技術與應用，2002（6）：26-29.

[22]吳小剛，劉宗歧，田立亭，等.基于改進多目標粒子群算法的配電網儲能選址定容[J].電網技術，2014，38（12）：3405-3411.

[23]張進峰，楊濤寧，馬偉皓.基于多目標粒子群算法的船舶航速優化[J].系統仿真學報，2019，31（4）：787-794.

[24]胡堂清，張旭秀，曹曉月.一種動態調整慣性權重的混合粒子群算法[J/OL].電光與控制：1-9[2020-02-24].

[25]黃霞，葉春明，曹磊.求解多目標作業車間調度問題的混合變異雜草優化算法[J].計算機應用研究，2017，34（12）：3623-3627.