基于感性工學(xué)和視覺意象的機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)方法

王園園，蔣超，俞琳,2，任艷博

基于感性工學(xué)和視覺意象的機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)方法

王園園1，蔣超1，俞琳1,2，任艷博1

（1.西安工程大學(xué) 服裝與藝術(shù)設(shè)計(jì)學(xué)院，西安 710048；2.西北工業(yè)大學(xué) 現(xiàn)代設(shè)計(jì)與集成制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，西安 710072）

為提高機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)的效率，對(duì)機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)方法進(jìn)行深入研究。基于感性工學(xué)，從理論層面提出機(jī)械產(chǎn)品質(zhì)感設(shè)計(jì)方法、流程及其關(guān)鍵技術(shù)。并通過搜集典型質(zhì)感樣本、典型質(zhì)感視覺意象詞匯，進(jìn)行視覺意象感性實(shí)驗(yàn)，從而獲取典型質(zhì)感樣本和典型質(zhì)感視覺意象詞匯的相關(guān)隸屬度。利用BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)機(jī)械產(chǎn)品表面涂裝“視覺意象—質(zhì)感參數(shù)”關(guān)聯(lián)模型的構(gòu)建。以數(shù)碼印花機(jī)為例，當(dāng)設(shè)定質(zhì)感參數(shù)為“涂層粗糙度0.2、涂層折射指數(shù)1.18、涂層厚度1.2”時(shí)，質(zhì)感視覺意象值為“安全的3.132、簡(jiǎn)約的2.657、美觀的3.089、穩(wěn)定的2.756、堅(jiān)固的2.842”，該結(jié)果表明，“視覺意象—質(zhì)感參數(shù)”關(guān)聯(lián)模型具有較好的主觀趨勢(shì)，可以滿足用戶的視覺意象需求。所提出的機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)方法具有較好的可操作性和科學(xué)性，可為機(jī)械產(chǎn)品表面涂裝質(zhì)感的設(shè)計(jì)提供參考。

機(jī)械產(chǎn)品；質(zhì)感設(shè)計(jì)；感性工學(xué)；視覺意象；BP神經(jīng)網(wǎng)絡(luò)

目前，質(zhì)感設(shè)計(jì)在產(chǎn)品設(shè)計(jì)領(lǐng)域已有一定的研究。如汪穎等[7]以地板作為研究對(duì)象，提出了一種基于基因表達(dá)式編程的材料質(zhì)感偏好意象進(jìn)化認(rèn)知算法；周小溪等[8]運(yùn)用描述統(tǒng)計(jì)、探索性因子分析、多元回歸分析等數(shù)理方法，對(duì)色織面料的材質(zhì)特征進(jìn)行了分析和挖掘；唐幫備等[9]面向座椅利用織物材料，構(gòu)建了工業(yè)設(shè)計(jì)材質(zhì)用戶視觸覺感知體驗(yàn)的模糊綜合評(píng)價(jià)模型；談衛(wèi)等[10]根據(jù)感性工程學(xué)提出了基于視覺意象的飛機(jī)座艙內(nèi)塑料材質(zhì)設(shè)計(jì)方法；孫凌云等[11]利用感性工程學(xué)構(gòu)建了材料質(zhì)感意象模型；張秦瑋等[12]利用色彩理論、主成分分析法等方法構(gòu)建了“材質(zhì)—要素—意象”之間的關(guān)系模型。綜上，由于機(jī)械產(chǎn)品在材料工藝和表面處理上均具有一定特殊性，所以上述研究成果在機(jī)械產(chǎn)品領(lǐng)域設(shè)計(jì)應(yīng)用時(shí)具有一定的局限性，需要專門對(duì)機(jī)械產(chǎn)品表面涂裝質(zhì)感意象進(jìn)行研究。

對(duì)現(xiàn)有研究成果進(jìn)行比較和分析發(fā)現(xiàn)，感性工學(xué)作為產(chǎn)品設(shè)計(jì)中以用戶需求為導(dǎo)向的代表性方法之一[13]，具有極高的可操作性、可靠性和成熟度。其可以有效地將用戶模糊的感性意象需求進(jìn)行量化，并建立感性量和物理量之間的關(guān)系，從而進(jìn)一步明確用戶需求和設(shè)計(jì)目標(biāo)，服務(wù)產(chǎn)品設(shè)計(jì)過程，提高產(chǎn)品設(shè)計(jì)效率。

以機(jī)械產(chǎn)品表面涂裝質(zhì)感為研究對(duì)象，通過建立機(jī)械產(chǎn)品表面涂裝質(zhì)感語意空間，并構(gòu)建機(jī)械產(chǎn)品表面涂裝“視覺意象—質(zhì)感參數(shù)（Visual Imagery-Texture Parameter，VITP）”關(guān)聯(lián)模型，提出一種基于感性工學(xué)和視覺意象的機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)方法，希望以此提高用戶對(duì)機(jī)械產(chǎn)品外觀的視覺意象體驗(yàn)，并為機(jī)械產(chǎn)品的表面涂裝質(zhì)感設(shè)計(jì)提供有效參考。

1 設(shè)計(jì)方法及流程

基于感性工學(xué)和視覺意象的機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)方法，通過量化用戶模糊的感性需求，進(jìn)一步明確設(shè)計(jì)目標(biāo)，尋求最合理的設(shè)計(jì)要素，以此滿足用戶需求。針對(duì)機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)，對(duì)設(shè)計(jì)流程進(jìn)行研究和梳理，見圖1。

圖1 設(shè)計(jì)流程

為更好地理解這一設(shè)計(jì)流程，對(duì)圖1進(jìn)行如下描述。

1）用戶通過語言描述提出對(duì)機(jī)械產(chǎn)品表面涂裝質(zhì)感視覺意象的模糊需求。

那天晚上，石屋之外的范堅(jiān)強(qiáng)，同樣無法平靜。他在石屋外擺了一張小幾，一個(gè)人默默地喝酒。墨鏡男悄無聲息地走了過來：“老板，您還喝？”范堅(jiān)強(qiáng)放下手中的酒杯，說：“你也來陪我喝幾杯。”男子不動(dòng)。“坐呀，你坐。”范堅(jiān)強(qiáng)舉起酒杯，騰出中指指了指旁邊，卻發(fā)現(xiàn)沒有凳子，便說：“你去搬一張過來。”范堅(jiān)強(qiáng)又把杯子放下，點(diǎn)燃煙斗，抽了一口。

2）運(yùn)用感性工學(xué)和李克特量對(duì)用戶的模糊需求進(jìn)行量化和分析。

3）基于機(jī)械產(chǎn)品表面涂裝VITP關(guān)聯(lián)模型，將量化后的用戶質(zhì)感視覺意象需求轉(zhuǎn)化為最匹配的質(zhì)感參數(shù)，并得到相應(yīng)的質(zhì)感模型。

4）對(duì)選取的質(zhì)感模型進(jìn)行初步評(píng)價(jià)。評(píng)價(jià)通過，則繼續(xù)下一步；如評(píng)價(jià)不通過，則返回第1步。

5）將用戶滿意的質(zhì)感模型應(yīng)用于機(jī)械產(chǎn)品中，并得到實(shí)際應(yīng)用效果。

6）對(duì)應(yīng)用實(shí)際效果再次進(jìn)行評(píng)價(jià)。用戶滿意，則此次機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)完成；若不滿意，則再次返回第1步。

2 VITP關(guān)聯(lián)模型構(gòu)建

對(duì)機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)流程進(jìn)行分析，其中VITP關(guān)聯(lián)模型是重要工具和關(guān)鍵技術(shù)。對(duì)該模型的構(gòu)建方法及流程進(jìn)行深入分析和研究。

2.1 典型質(zhì)感樣本獲取

機(jī)械產(chǎn)品表面涂裝質(zhì)感通常借助噴涂工藝來獲取，最常用的表面噴涂質(zhì)感主要為磨砂和光面2種。考慮到不同質(zhì)感又具有不同的粗糙度，因此，實(shí)物質(zhì)感模型制作存在數(shù)量多、成本高、耗時(shí)長(zhǎng)等問題。為解決這些問題，研究利用虛擬現(xiàn)實(shí)技術(shù)，基于KeyShot 8軟件構(gòu)建渲染效果逼真的質(zhì)感虛擬模型。

在KeyShot 8中，不同的表面質(zhì)感可通過調(diào)節(jié)涂層粗糙度、涂層折射指數(shù)、涂層厚度3個(gè)質(zhì)感參數(shù)進(jìn)行模擬。此外，由于不同的材質(zhì)基底對(duì)噴涂質(zhì)感會(huì)產(chǎn)生不同影響，為保證研究的準(zhǔn)確性，在軟件中將基底的表面粗糙度統(tǒng)一設(shè)定為0.075（默認(rèn)常用值）。由于過大的參數(shù)值不具有工程意義，結(jié)合渲染效果，將機(jī)械產(chǎn)品的質(zhì)感參數(shù)值范圍進(jìn)行限定，見表1。一方面，為控制實(shí)驗(yàn)樣本數(shù)量，提高實(shí)驗(yàn)的可操作性，另一方面，為保證質(zhì)感樣本的差異性，以取得顯著的實(shí)驗(yàn)結(jié)果。文中采用正交實(shí)驗(yàn)法獲取典型質(zhì)感樣本，即依據(jù)均勻篩選、可比性強(qiáng)的原則，從全部正交結(jié)果中挑選出典型質(zhì)感樣本進(jìn)行視覺意象感性實(shí)驗(yàn)。

表1 KeyShot 8中機(jī)械產(chǎn)品質(zhì)感參數(shù)范圍

Tab.1 Range values of mechanical product texture parameters in KeyShot 8

2.2 典型質(zhì)感樣本獲取流程

典型質(zhì)感視覺意象詞匯獲取流程如下：通過網(wǎng)絡(luò)、雜志、論文等多種渠道收集描述物體質(zhì)感的視覺意象詞匯；采用問卷調(diào)查法，讓被試在上述描述物體質(zhì)感意象的詞匯中勾選出常用的機(jī)械產(chǎn)品表面涂裝質(zhì)感視覺意象詞匯。以心理學(xué)統(tǒng)計(jì)理論中常用的小概率事件[14]作為指標(biāo)篩選依據(jù)，對(duì)被試的勾選結(jié)果進(jìn)行統(tǒng)計(jì)，從而初步篩選出能夠描述機(jī)械產(chǎn)品表面涂裝質(zhì)感的視覺意象詞匯；由于初步篩選出的詞匯可能存在差異度不足的情況，采用多維尺度、階層聚類和判別分析法[10]進(jìn)行再次篩選和驗(yàn)證，以獲得高典型、強(qiáng)互斥的典型質(zhì)感視覺意象詞匯。

2.3 視覺意象感性實(shí)驗(yàn)

典型質(zhì)感樣本和典型質(zhì)感視覺意象詞匯獲取完成后，應(yīng)進(jìn)行視覺意象感性實(shí)驗(yàn)，逐一對(duì)典型質(zhì)感樣本相應(yīng)的視覺意象進(jìn)行量化。采用李克特量表構(gòu)建5級(jí)評(píng)價(jià)程度，邀請(qǐng)被試從典型質(zhì)感視覺意象詞匯中選擇詞匯進(jìn)行評(píng)價(jià)，從而獲取典型質(zhì)感樣本與典型質(zhì)感視覺意象詞匯的隸屬度。

2.4 VITP關(guān)聯(lián)模型構(gòu)建方法

視覺意象感性實(shí)驗(yàn)構(gòu)建了典型質(zhì)感樣本與典型質(zhì)感視覺意象詞匯的關(guān)聯(lián)關(guān)系。由于典型質(zhì)感樣本具有相應(yīng)且確定的質(zhì)感參數(shù)，所以視覺意象詞匯語意隸屬度與質(zhì)感參數(shù)也存在相應(yīng)的關(guān)聯(lián)關(guān)系，這種關(guān)系可被表達(dá)為VITP關(guān)聯(lián)模型。在關(guān)聯(lián)模型構(gòu)建時(shí)，應(yīng)首先利用皮爾遜（Pearson）系數(shù)進(jìn)行線性相關(guān)驗(yàn)證，如具有線性相關(guān)關(guān)系，則采用線性回歸分析法建立線性關(guān)聯(lián)模型；如不具有明顯線性關(guān)系，則利用神經(jīng)網(wǎng)絡(luò)建立非線性關(guān)聯(lián)模型。

2.5 模型構(gòu)建流程

為更清晰地展示機(jī)械產(chǎn)品表面涂裝“質(zhì)感視覺意象—質(zhì)感參數(shù)”關(guān)聯(lián)模型構(gòu)建方法，對(duì)關(guān)聯(lián)模型的構(gòu)建流程進(jìn)行整理和概括，見圖2。

圖2 機(jī)械產(chǎn)品表面涂裝VITP關(guān)聯(lián)模型構(gòu)建流程

3 驗(yàn)證實(shí)例

采用上述機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)方法對(duì)某型數(shù)碼印花機(jī)進(jìn)行質(zhì)感設(shè)計(jì)，以驗(yàn)證文中所提出的方法的有效性和科學(xué)性。由于高光質(zhì)感在真實(shí)環(huán)境中會(huì)使人產(chǎn)生眩光，容易導(dǎo)致工人誤操作，降低機(jī)械產(chǎn)品的人機(jī)性能，所以主要針對(duì)表面噴涂的磨砂質(zhì)感進(jìn)行深入研究。

3.1 典型質(zhì)感樣本獲取

在KeyShot 8中，磨砂表面噴涂效果的可變質(zhì)感參數(shù)為3種，分別是粗糙度、折射度、厚度，因此將正交實(shí)驗(yàn)的因素確定為3，因素水平根據(jù)實(shí)際渲染質(zhì)感樣本的差別度來確定，由于實(shí)際渲染質(zhì)感樣本時(shí)發(fā)現(xiàn)在一定范圍內(nèi)改變質(zhì)感參數(shù)，樣本之間視覺差別度不顯著，所以將實(shí)驗(yàn)的因素水平設(shè)定為6，磨砂質(zhì)感正交實(shí)驗(yàn)見表2。其中，H為涂層粗糙度、R為涂層折射指數(shù)、T為涂層厚度。

表2 磨砂質(zhì)感正交實(shí)驗(yàn)

Tab.2 Orthogonal test schedule of frosted texture

為了便于比較不同磨砂質(zhì)感之間的視覺意象差異，不同磨砂質(zhì)感必須具有相同的固有色和環(huán)境光條件。設(shè)定固有色為PANTONE 444C（C:58 M:47 Y:45 K:0），環(huán)境光則統(tǒng)一使用自制的工廠環(huán)境貼圖素材。對(duì)正交實(shí)驗(yàn)結(jié)果中的典型磨砂質(zhì)感樣本進(jìn)行仿真渲染，部分渲染結(jié)果，見圖3。

圖3 典型磨砂質(zhì)感樣本（部分）

3.2 典型質(zhì)感視覺意象詞匯獲取

由網(wǎng)絡(luò)、雜志、論文等渠道，收集到描述物體質(zhì)感視覺意象詞匯共120個(gè)，對(duì)這些詞匯進(jìn)行編號(hào)，通過調(diào)查問卷讓被試（被試主要構(gòu)成為產(chǎn)品銷售人員、紡織工人、機(jī)械產(chǎn)品設(shè)計(jì)師、紡織領(lǐng)域資深專家等）對(duì)符合描述數(shù)碼印花機(jī)磨砂質(zhì)感的視覺意象詞匯進(jìn)行勾選，并最終對(duì)各視覺意象詞匯被勾選的頻率進(jìn)行統(tǒng)計(jì)和降序排列，見圖4。

圖4 視覺意象詞匯勾選頻率分析

根據(jù)降序排列結(jié)果，將勾選頻率小于5%（常用小概率事件比例）的視覺意象詞匯剔除，并初步篩選出視覺意象詞匯44個(gè)，見表3。將初步篩選出的44個(gè)視覺意象詞匯構(gòu)建相似矩陣，具體步驟：要求被試將語義相似的詞匯進(jìn)行歸類；統(tǒng)計(jì)2個(gè)詞匯被歸為1組的頻次；依據(jù)頻次將初步篩選的詞匯構(gòu)建成44×44的相似矩陣。

表3 視覺意象詞匯

Tab.3 Visual imagery words

對(duì)視覺意象詞匯進(jìn)行階層聚類時(shí)，須首先確定聚類群數(shù)。利用SPSS軟件對(duì)相似矩陣進(jìn)行多維尺度的展開，展開維度為2～6。當(dāng)展開到第6維時(shí)，展開結(jié)果具有較好的擬合劣度和優(yōu)度，因此，以6維空間分布為特征量進(jìn)行階層聚類，聚類在47步時(shí)發(fā)生突變。綜合利用聚類樹狀圖發(fā)現(xiàn)，44個(gè)視覺意象詞匯應(yīng)分為5組。

綜上，指定階層聚類群數(shù)為5，進(jìn)行階層聚類，并利用判別分析法進(jìn)行交叉驗(yàn)證，得到44個(gè)視覺意象詞匯的樣本分布，見圖5。

圖5 視覺意象詞匯樣本分析

通過對(duì)視覺意象詞匯進(jìn)行分組，可確定各組的細(xì)質(zhì)心，將距離細(xì)質(zhì)心位置最近的意象詞匯作為描述機(jī)械產(chǎn)品表面涂裝磨砂質(zhì)感的典型視覺意象詞匯。驗(yàn)證實(shí)例確定的典型詞匯為安全的、簡(jiǎn)約的、美觀的、穩(wěn)定的、堅(jiān)固的。

3.3 紡織機(jī)械磨砂質(zhì)感的視覺特性量化

在完成典型磨砂質(zhì)感樣本和典型質(zhì)感視覺意象詞匯的獲取后，應(yīng)對(duì)紡織機(jī)械磨砂質(zhì)感的視覺特性進(jìn)行量化。具體包括：首先利用李克特量表構(gòu)建5級(jí)評(píng)價(jià)尺度“極輕微、較輕微、普通、較強(qiáng)烈、極強(qiáng)烈”，分別對(duì)應(yīng)分值1～5；然后，通過調(diào)查問卷，讓被試根據(jù)自身的主觀感受對(duì)相應(yīng)分值進(jìn)行勾選，并計(jì)算平均值；最終，實(shí)現(xiàn)紡織機(jī)械典型磨砂質(zhì)感視覺特性的量化。視覺特性量化調(diào)查問卷示例見表4。由此得到統(tǒng)計(jì)結(jié)果，即為該磨砂質(zhì)感樣本的視覺意象語意隸屬度。

3.4 VITP關(guān)聯(lián)模型構(gòu)建

構(gòu)建機(jī)械產(chǎn)品表面涂裝VITP關(guān)聯(lián)模型，應(yīng)首先判斷視覺意象詞匯語意隸屬度與質(zhì)感參數(shù)間的相關(guān)類型。經(jīng)過計(jì)算，兩者的Pearson系數(shù)為0.217。一般認(rèn)為Pearson系數(shù)小于0.3則兩者不具有顯著的線性相關(guān)。實(shí)例中的視覺意象詞匯語意隸屬度和質(zhì)感參數(shù)并不具有顯著的線性相關(guān)關(guān)系，因此采用BP神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)械產(chǎn)品表面涂裝VITP關(guān)聯(lián)模型進(jìn)行構(gòu)建。

關(guān)聯(lián)模型構(gòu)建完成后，將模型的計(jì)算結(jié)果與用戶的主觀評(píng)價(jià)進(jìn)行了相互驗(yàn)證。具體步驟：用戶視覺意象需求獲取及量化；根據(jù)機(jī)械產(chǎn)品表面涂裝VITP關(guān)聯(lián)模型和量化后的用戶視覺意象需求，得出質(zhì)感參數(shù)；參照獲得的質(zhì)感參數(shù)，利用KeyShot 8對(duì)某型數(shù)碼印花機(jī)三維模型進(jìn)行參數(shù)設(shè)置，并導(dǎo)出質(zhì)感虛擬模型；驗(yàn)證用戶對(duì)質(zhì)感虛擬模型的視覺意象滿意度。結(jié)果表明，構(gòu)建的機(jī)械產(chǎn)品表面涂裝VITP關(guān)聯(lián)模型可以滿足用戶的視覺意象需求，與用戶的主觀評(píng)價(jià)趨勢(shì)一致，由此判斷模型具有較好的可靠性。

數(shù)碼印花機(jī)質(zhì)感虛擬效果見圖8，質(zhì)感參數(shù)為“涂層粗糙度0.2、涂層折射指數(shù)1.18、涂層厚度1.2”，對(duì)應(yīng)質(zhì)感視覺意象值為“安全的3.132、簡(jiǎn)約的2.657、美觀的3.089、穩(wěn)定的2.756、堅(jiān)固的2.842”。最終，結(jié)合企業(yè)形象色，對(duì)驗(yàn)證實(shí)例的色彩進(jìn)行深入設(shè)計(jì)，得到數(shù)碼印花機(jī)外觀設(shè)計(jì)效果，見圖9。

表4 視覺特性量化調(diào)查問卷

Tab.4 Visual feature quantification questionnaire

圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖7 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂曲線

圖8 數(shù)碼印花機(jī)質(zhì)感虛擬效果

圖9 最終設(shè)計(jì)方案

4 結(jié)語

文中針對(duì)機(jī)械產(chǎn)品的表面涂裝質(zhì)感設(shè)計(jì)問題，基于感性工學(xué)和視覺意象，提出了一種較為系統(tǒng)的機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)方法。該方法可滿足用戶對(duì)機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)的需求，并有效優(yōu)化設(shè)計(jì)流程，提高設(shè)計(jì)效率。所構(gòu)建的機(jī)械產(chǎn)品表面涂裝VITP關(guān)聯(lián)模型，能夠?qū)⒂脩糁饔^的質(zhì)感視覺意象需求轉(zhuǎn)化為具體的質(zhì)感參數(shù)，為機(jī)械產(chǎn)品表面涂裝質(zhì)感設(shè)計(jì)過程提供準(zhǔn)確的設(shè)計(jì)輔助。文中并未充分討論產(chǎn)品色彩對(duì)質(zhì)感意向表達(dá)的影響，在后期的研究工作中，筆者將針對(duì)產(chǎn)品色彩對(duì)質(zhì)感意象的具體影響進(jìn)行研究和探討。

[1] 劉征, 孫守遷, 潘云鶴. 面向設(shè)計(jì)知識(shí)重用的產(chǎn)品外觀分類[J]. 機(jī)械工程學(xué)報(bào), 2009, 45(4): 19-24.

LIU Zheng, SUN Shou-qian, PAN Yun-he. Classifying Product Form for Design Knowledge Reuse[J]. Journal of Mechanical Engineering, 2009, 45(4): 19-24.

[2] VAN A, JOAN E. Valid Knowledge for the Professional Design of Large and Complex Design Processes[J]. Design Studies, 2005, 26(4): 379-404.

[3] OWEN C L．Design Research: Building the knowledge base[J]．Design Studies, 1998, 19(1): 9-20.

[4] 劉蓓貝, 張融, 陳旭, 等. 基于大數(shù)據(jù)的產(chǎn)品色彩設(shè)計(jì)[J]. 包裝工程, 2019, 40(14): 228-235.

LIU Bei-bei, ZHANG Rong, CHEN Xu, et al. Product Color Design Based on Big Data[J]. Packaging Engineering, 2019, 40(14): 228-235.

[5] 霍麗曉, 檀潤(rùn)華. 基于參數(shù)化的產(chǎn)品單一色彩設(shè)計(jì)方法[J]. 包裝工程, 2019, 40(20): 200-209.

HUO Li-xiao, TAN Run-hua. A Product Monochromatic Design Method Based on Parameterization[J]. Packaging Engineering, 2019, 40(20): 200-209.

[6] 林晨曄. 基于用戶體驗(yàn)的產(chǎn)品色彩定向設(shè)計(jì)方法[J]. 包裝工程, 2019, 40(22): 46-49.

LIN Chen-ye. Oriented Design Methodology of Product Color Based on User Experience[J]. Packaging Engineering, 2019, 40(22): 46-49.

[7] 汪穎, 張三元, 張克俊, 等. 產(chǎn)品材料質(zhì)感偏好意象進(jìn)化認(rèn)知算法與系統(tǒng)[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2014, 20(4): 762-770.

WANG Ying, ZHANG San-yuan, ZHANG Ke-jun, et al. Preference Learning for Evolutionary Cognition Algorithm and System of Product Material Texture[J]. Computer Integrated Manufacturing Systems, 2014, 20(4): 762-770.

[8] 周小溪, 梁惠娥, 陳瀟瀟, 等. 春夏季襯衫用色織面料材質(zhì)的感性評(píng)價(jià)[J]. 紡織學(xué)報(bào), 2016, 37(8): 59-64.

ZHOU Xiao-xi, LIANG Hui-e, CHEN Xiao-xiao, et al. Sensibility Assessment of Spring and Summer Shirt Yarn-dyed Fabrics[J]. Journal of Textile Research, 2016, 37(8): 59-64.

[9] 唐幫備, 郭鋼, 夏進(jìn)軍. 基于用戶視/觸覺體驗(yàn)的工業(yè)設(shè)計(jì)材質(zhì)測(cè)評(píng)方法研究[J]. 機(jī)械工程學(xué)報(bào), 2017, 53(3): 162-172.

TANG Bang-bei, GUO Gang, XIA Jin-jun. Method for Industry Design Material Test and Evaluation Based on User Visual and Tactile Experience[J]. Journal of Mechanical Engineering, 2017, 53(3): 162-172.

[10] 談衛(wèi), 孫有朝, 徐爭(zhēng)前, 等. 基于視覺意象的飛機(jī)座艙內(nèi)塑料材質(zhì)設(shè)計(jì)方法研究[J]. 計(jì)算機(jī)與數(shù)字工程, 2016, 44(10): 2061-2067.

TAN Wei, SUN You-chao, XU Zheng-qian, et al. Design Method of Plastic Material in Aircraft Cockpit Based on Visual Imagery[J]. Computer and Digital Engineering, 2016, 44(10): 2061-2067.

[11] 孫凌云, 孫守遷, 許佳穎. 產(chǎn)品材料質(zhì)感意象模型的建立及其應(yīng)用[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版）, 2009, 43(2): 283-289.

SUN Ling-yun, SUN Shou-qian, XU Jia-ying. Research and Application of Product Material Texture Image Model[J]. Journal of Zhejiang University (Engineering Science), 2009, 43(2): 283-289.

[12] 張秦瑋, 劉志峰, 穆春陽, 等. 基于質(zhì)感要素的產(chǎn)品材質(zhì)意象設(shè)計(jì)研究[J]. 包裝工程, 2019, 40(8): 34-40.

ZHANG Qin-wei, LIU Zhi-feng, MU Chun-yang, et al. Product Material Image Design Based on Texture Elements[J]. Packaging Engineering, 2019, 40(8): 34-40.

[13] 王瑩, 陳雁. 利用感性工學(xué)原理設(shè)計(jì)學(xué)生裝[J]. 紡織學(xué)報(bào), 2007, 28(3): 96-99.

WANG Ying, CHEN Yan. Application of the Principle of Psychological Perceptions to Student Uniform Design[J]. Journal of Textile Research, 2007, 28(3): 96- 99.

[14] 張敏強(qiáng). 教育與心理統(tǒng)計(jì)學(xué)[M]. 北京: 人民教育出版社, 2010.

ZHANG Min-qiang. Education and Psychological Statistics[M]. Beijing: People's Education Press, 2010.

[15] 李俊濤, 張鳳鳴, 張文華. 一種綜合改進(jìn)的啟發(fā)式BP神經(jīng)網(wǎng)絡(luò)研究[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2007, 24(8): 166-167.

LI Jun-tao, ZHANG Feng-ming, ZHANG Wen-hua. Sutdy On Comprehensively Improved Heuristic Bp Neural Network[J]. Computer Applications and Software, 2007, 24(8): 166-167.

Method of Mechanical Products Surface Coating Texture Design Based on Kansei Engineering and Visual Imagery

WANG Yuan-yuan1, JIANG Chao1, YU Lin1,2, REN Yan-bo1

(1.Apparel and Art Design College, Xi’an Polytechnic University, Xi’an 710048, China;2.Key Laboratory of Modern Design and Integrated Manufacturing Technology Ministry of Education, Northwestern Polytechnical University, Xi’an 710072, China)

In order to improve the efficiency of the mechanical product surface coating texture design, the design method based on kansei engineering was studied in depth. Firstly, based on kansei engineering, the texture design method and process and key technology of mechanical product surface coating from the theoretical level was proposed. Secondly, for key technology, typical texture samples and typical texture visual imagery vocabulary were collected, conduct visual imagery sensitivity experiments to obtain the relative membership degree of typical texture samples and typical visual imagery vocabulary; Using BP neural network, the “visual imagery-texture parameter” correlation model of mechanical product surface coating was constructed; Finally, take the digital printing machine for example, when the texture parameters were “coating roughness 0.2, coating refractive index 1.18, coating thickness 1.2”, the texture visual imagery values were “safe 3.132, simple 2.657, beautiful 3.089, stable 2.756, solid 2.842”. The results show that the “visual imagery- texture parameter” correlation model had a better subjective trend and can meet the visual imagery needs of users. The method of mechanical products surface coating texture design was maneuverable and scientific, which can provide reference for the design of mechanical product surface coating texture.

mechanical product; texture design; kansei engineering; visual imagery; BP neural network

TB472

A

1001-3563(2022)06-0056-06

10.19554/j.cnki.1001-3563.2022.06.007

2021-12-06

陜西省社會(huì)科學(xué)基金（2019K036）

王園園（1998—），女，碩士生，主攻計(jì)算機(jī)輔助產(chǎn)品設(shè)計(jì)。

蔣超（1987—），男，博士，講師，主要研究方向?yàn)橛?jì)算機(jī)輔助工業(yè)設(shè)計(jì)、人機(jī)工程設(shè)計(jì)。