深度學習下椅子造型特征標簽識別與智能設計

常健楠 李雪蓮

關鍵詞：椅子設計；造型特征；深度學習；多標簽學習；生成對抗網絡

引言

家具有較為明顯的要素特征，基于這些要素特征可以把椅子分為很多類別。設計師接受椅子的委托任務時，通常會基于所要求的使用場景、功能風格等進行設計構思，但是始終都會落腳到椅子的造型結構特征上。

傳統的設計方法中，設計師需要花費大量時間和精力去尋找椅子的相關信息，判別出可以提供設計靈感的圖像，分析圖像中的設計要素等，從設計知識中激發出可以用于創新的設計靈感，這種漫長的過程耗時耗力，效率不高，進而導致了設計的創新能力不強。隨著大數據、人工AI、深度學習等技術的日益成熟，滲透到各個行業，也給設計的創新設計方法帶來了新的思路與方向。

大數據與深度學習帶來一場思維的變革，也逐漸延伸到了產品設計領域，改變了傳統的產品設計開發流程。大數據技術已經成為設計各個階段的有力輔助工具，如利用大數據在設計調研階段獲取用戶畫像和創意靈感[1]、 指導產品色彩設計[2]、對工業設計創作流程的階段優化[3] 等。大數據全面、及時更新的特點正在給設計賦能。研究由大數據人工智能賦能的產品造型設計新方法，對于設計師來說，可以提升設計流程，創新設計方法，提高設計效率；對于企業，可以降低成本，提高新產品設計開發速率，更好地適應市場需求與發展。

一、研究現狀

在家具造型設計領域，張軼[4] 以符號學為理論指導，采用家具符號關聯的手法，對家具造型要素符號進行處理與組合；史青[5] 指出家具造型設計過程不是單純的形態塑造，家具設計應巧妙地構思審美藝術與使用功能等；宋艷彬[6] 家具的形態學，橫貫整個家具的設計過程，是家具造型設計的基礎，強調了其在家具設計中的重要性。而明確以椅子為主題的研究相對較少，張祖耀[7] 通過結合信息單元法和信息交合法，對椅子的設計需求展開分析，圍繞功能、形態、材質、結構、色彩等要素構建了椅子的設計信息框架，并依據設計關鍵詞開發設計的創新點。朱婕[8] 依據以往的翻譯經驗與藝術修養，深入了解德古拉·德·吉爾（Nicolai de Cier）教授關于構造的概念后，以椅子為例，對椅子進行了類型學的歸類分析和設計概括。蔡文歡[9]基于感性工學相關方法，再結合統計分析方法與形態分析法，構建了辦公椅情感化造型設計法則。

在圖像識別應用領域，朱斌[10] 等使用卷積神經網絡技術，研究椅子的情感意向識別并構建了產品意向識別模型。朱海鵬[11] 使用卷積神經網絡識別家具的風格，以椅子為例，構建椅子風格識別模型并生成新圖像。李怡[12] 等使用多標簽學習技術對圖像進行分類標注，形成了靈活分類的產品圖像數據庫，方便設計師利用標簽檢索并設計。

二、人工智能賦能椅子設計

在椅子設計中，設計師通常根據甲方提出的設計要求，基于自己的設計經驗進行判斷。需要調研大量的同類椅子產品圖像進行設計參考、要素分析和汲取靈感，在大數據的設計背景下，產品圖像造型的數據量暴增，而設計師還是通過人為手工的方式進行造型特征分析，工作量巨大，已經不能適應當下的設計節奏與需求。椅子產品圖像隱藏著豐富的有效信息，缺乏相應的工具方法挖掘這些數據的價值。隨著設計大數據的發展，依據數據驅動展開設計的創新方法出現，這是一種基于數據的創造力而研發的設計方法，將數據作為設計創意的中心[13]。

目前，人們對椅子的產品形態的研究多集中于感性工學，研究椅子造型與感性意向之間的關系。而在計算機技術高速發展的當下，圖像所呈現的形態信息作為一種很可貴的可利用資源正在愈發凸顯，大批量的椅子圖像數據可以被計算機深度學習更好地識別分析，輔助設計師進行數據管理與設計構思。近年來，深度學習算法飛速發展，在各行各業中都賦予了巨大的發展潛能，“深度學習”是機器學習中一種基于深度神經網絡學習的算法，善于處理海量、雜亂無章的用戶數據，并將數據內在豐富關系和結構歸納出來[14]，在當今這個大數據的環境下具有非常廣闊的研究與發展空間。目前，深度學習技術在多標簽圖像分類[15]、圖像摘要生成等領域取得了矚目的研究成果，給予產品圖像的分類和標注以理論的支撐，多標簽學習技術能對圖像特征進行學習標注，形成圖像與特征標簽的映射。設計師可以通過選擇相同標簽的圖像，查看大批量設計圖像數據，更好地分析設計圖像，提高設計效率。

將深度學習引入家具行業、椅子設計，對設計者來說，減輕前期大量繁瑣的基礎工作，將工作重心轉移到真正的設計上來，做出更有創意，更能吸引用戶的產品。對行業來說，提高產品圖像資源的有效利用，促進設計靈感的迸發，進而有力地賦能家具設計。

三、深度學習下的椅子智能設計流程

（一）研究路線

本文期望建立椅子智能設計流程，方法構建過程中主要包含1. 獲取大批量椅子圖像數據；2. 椅子圖像識別與分類；3. 多標簽圖像識別標注椅子；4. 構建椅子圖像數據庫；5. 生成對抗網絡生成椅子新圖像。詳細的設計流程圖如圖1 所示。

（二）圖像數據采集

圖像數據是本研究最主要的研究素材。以百度、Pinterest 與花瓣網站為主，利用爬蟲工具在網站上查找并下載椅子圖片。

通過網絡爬蟲獲取了6 萬張椅子圖像后，經過人工簡單篩選，發現椅子圖像中夾雜著很多單張圖上多把椅子、桌子椅子共同出現等不符合規定的圖像。爬蟲不具備理想的篩選能力，只能依據椅子等關鍵詞進行爬取，因此，還需要經過后續的深度學習神經網絡進行篩選剔除。

（三）椅子造型特征要素標簽調研

研究搭建圖像識別與標注模型、多標簽學習標注模型，在構建樣本集進行標簽標注前，需要先獲取椅子造型特征要素，構建標簽。獲取標簽的步驟如下：廣泛調研與椅子造型相關的期刊文獻，統計多種椅子造型分類的依據—從類型學角度確定椅子造型特征大類—用形態分析法分析椅子具體造型要素—歸納確定椅子造型特征要素標簽。

經過綜合考慮，研究家具造型，尤其是以椅子造型為研究對象的論文，首先，通過文獻、網絡、書刊、雜志、報紙、從業者口述等途徑廣泛收集椅子的造型分類依據，見表1。

調研各論文中對椅子造型的研究分類方法，現有涉及椅子造型的研究，基本從形態、色彩、材質出發。造型類型學可以從橫向造型角度和縱向結構角度更為深刻地理解椅子這種類型的家具造型，理解已有的椅子設計經驗與知識。目前，已有的家具類型學從造型、材質、連接方式劃分北歐椅子；形態分析法基于形態學來對事物展開分析，首先將研究的目標對象劃分成各個基本的組成部分，再帶有針對性目的地各自處理不同的組成部分。家具領域形態分析法的應用多是為了與感性工學結合，在本次研究中可以作為基礎依據來對椅子造型進行劃分。綜合兩種方法，本文決定從表2 所示角度進行劃分，展開研究。

（四）椅子及特征要素識別分類實驗

1. 建立卷積識別模型

卷積神經網絡是深度學習的代表算法之一，以圖像識別為中心，能較好地獲取目標圖像特征。可以實現椅子圖像的識別分類，從獲得的眾多椅子圖像中篩選不符合要求的圖像。為此需要選擇一個識別能力強、泛化性好、易操作的卷積神經網絡。ResNet50 網絡是公認的識別效果極好的卷積神經網絡，而MoblieNet V2 網絡則能在保持性能的前提下降低模型大小，提升模型速度，是一種小巧而高效的卷積神經網絡。首先，要測試ResNet、MoblieNet 網絡哪一個更適合用于此次椅子圖像的研究內容。

實驗選擇在PaddlePaddle 上進行，該平臺的構造框架是百度深度學習框架，提供了一些深度學習的源代碼和研發項目，供研究人員免費自由學習。訓練時保證網絡暢通且除瀏覽器外電腦沒有其余軟件負載，所使用云計算為高級版算力卡：GPU：Tesla V100. VideoMem：16GB；語言環境為 Python 3.7；編程軟件：Pycharm；項目框架：PaddlePaddle1.7.2 版本。訓練集為通過爬蟲獲取的大批量圖片，通過人工篩選出1280 張圖片，其中，640 張為椅子的圖像，640 張不是椅子的圖像。

搭載好兩種神經網絡，除了各自不同的神經網絡架構外，均需要保持參數一致。如均輸入RGB 彩色3 通道224x224 的圖像；設置訓練集與測試集比例為4：1；以ReLU 為激活函數；用softmax 做回歸分類。batch_size 為64；訓練回合數為30；學習率為0.001；實驗完成后均統計訓練總時長、識別準確率，以及額外16 張測試圖片的分類結果。

2. 多標簽標注模型構建

多標簽學習技術可以根據對圖像特征的學習，進行多個標簽的標注，形成圖像與特征標簽的映射。一張椅子圖像包含有很多有價值的設計信息，按照前文構建的椅子造型特征要素標簽，可以從多個角度更好地展現椅子的設計元素以及屬性特征等，具有相同標簽的圖像可以提高對該標簽所代表的客觀特征的理解，并且可以幫助設計在自己的設計構思中體現該特征。

多標簽標注模型需要首先對目標圖像進行標簽標注，一張圖像標注多個信息，從卷積識別模型篩選后的數據集里隨機抽取603 張椅子進行標注，分別按照構建的標簽進行標注，標注完成后各標簽的數量如表3 所示。

多標簽標注模型在jupyter 上進行編碼，使用jupyter 的好處是可以在代碼單元格中直接運行代碼，實現實時交互，方便檢查和調試代碼。訓練模型的第一步是向多標簽訓練網絡輸入訓練數據集并訓練。第二步是邀請 5 位具有3 年以上家具設計研發經驗的設計、家具領域研究生對 10 張家具圖片造型特征標簽進行評定。然后向網絡輸入已評定標簽的10 張測試圖片進行識別，并做多個標簽標注。

3. 結果與討論

椅子識別分類對比實驗完成后，收集數據并分析，由表4 可知：兩個網絡均能正確識別驗證圖片，說明計算機可以識別椅子和非椅子并有一定的準確性；

訓練時長RseNet 為94 分18 秒、Moblienet 為72 分57 秒，resnet 網絡耗時稍微長一點。原因可能是，ResNet 殘差結構先用1x1 的卷積降維，再升維，MoblieNetV2 則是先升維，再降維。因此對于ResNet，其殘差結構是兩頭大，中間小。而對于MoblieNetV2則是中間大，兩頭小的結構MoblieNetV2 網絡的核心是采用了可分解的depthwise separable convolution，優點是降低模型計算復雜度的同時降低模型大小。這使得其可以更好地運載在未來真實的移動端應用場景。所以成為當下持續研究的重點。

因此，選取MoblieNet 作為識別椅子和非椅子的網絡，建立椅子圖像識別與分類模型，并對大批量椅子圖像進行識別篩選，得到符合要求的椅子圖像繼續接下來的實驗與研究。

椅子標簽識別標注實驗完成后，本次預測集隨機抽取了一萬張椅子圖像作為樣本。模型預測的結果存在樣本文件夾下的test文件夾內，預測的標簽作為樣本的名字，如圖2。

通過在文件夾搜索欄輸入標簽（如fushouyi），文件夾將會指定所有標簽中包含該標簽的圖片，即可查看帶有該標簽的圖片是否符合該標簽特征。以此驗證模型訓練準確率與有效性。

從預測樣本中搜索標簽并抽取一千張圖像，檢查核對。結果如下：扶手椅隨機抽樣1000 張，錯誤193 張，準確率80.7%。殼體隨機抽樣1000 張，錯誤237 張，準確率76.3%。幾何形態隨機抽樣1000張，錯誤145 張，準確率85.5%。準確率普遍不高，分析原因，與訓練樣本分布不均衡有關，訓練樣本需要將各個樣本均達到一定數量，才能使網絡模型充分學習到各個標簽下對應的特征。部分過多，部分過少會使得每個標簽的學習效果都受影響。

四、設計方案生成

椅子圖像數據庫中圖像數據以標簽命名的形式存放，通過檢索不同標簽，可以選擇含有共同標簽的椅子，可以作為訓練集進行新圖像的生成。

（一）生成對抗網絡

GANs 是由Ian 等人于2014 年提出的， 并首次在論文Generative Adversarial Nets 中進行了描述。生成對抗網絡的結構內容主要包含兩個，一個是負責生成新圖像的生成器（Generator），另一個是負責判別真假的判別器（Discriminator），二者相互訓練，相互競爭。訓練過程中，生成器不斷地生成越來越好的偽圖像來迷惑判別器，使其無法判斷是真是假；而判別器也在不斷強化識別能力，努力正確地識別真假圖像。

生成對抗網絡對輸入的圖像進行分析、提取圖像特征，然后以此為依據生成新的圖像。通過對比f-AnoGAN-master 生成對抗網絡和DCGAN 生成對抗網絡對產品圖像的生成效果，確定采用DCGAN 網絡來生成圖像并展開設計。

（二）設計生成與構思過程

設計生成需要先準備訓練數據集，選擇靠背椅這一標簽下的椅子圖像共8000 張組建訓練集，另外，準備2000 張測試集，按照訓練測試4：1 的比例組建模型需調用的數據。所有椅子圖像均含有靠背椅這一標簽，其他標簽各不相同。生成對抗網絡根據獲取的圖像特征，生成新的圖像，新圖像和用作訓練的有相似之處，但又不同，既保有訓練集圖像的設計基因，又有自己獨特的新特征。如圖3 所示。

生成對抗網絡生成新圖像的質量受模型參數、訓練時長等因素影響，整體圖像形態較為清晰，但是具體細節卻又模糊不清，因此，并不能直接作為最終的設計圖紙，只能作為設計靈感草圖提供給設計師，由設計師品味生成的圖像，并從形態隨機、不規則的“創意”之中，汲取設計靈感，通過進一步優化設計草圖，構思產品的細節，如材質、結構等。

如圖4 中草圖1，看似“斷腿”，缺乏基本的支撐結構，實則可以通過采用透明亞克力材料作為銜接，造成“斷腿”的視覺效果，增加這張躺椅的創意性，同時可以引導設計師突破此時的思維桎梏，往透明材料、打破常規的視角去思考。又如草圖2，與以往傳統的圈椅似是而非，可以看作是座面的一種錯位，也可以作為兩把靠背椅交叉在一起的設計；草圖3 中的紅色椅子，生成圖像中是紅色的配色，通過對材質的思考，可以設計成紅色為皮質面料，黑色為金屬的椅子。下方腿部支撐一邊為傳統的三角形，一邊為半圓弧形，三角形與原型的構成及材質的搭配營造出一種輕盈緊俏的設計感。

圍繞草圖1，通過手繪方案，設計推演，三維建模，材質渲染等步驟最終設計了“中空”躺椅。結合生成方案給人的第一直覺，缺少腿部支撐，本該是最舒服結實的躺椅，卻讓人看起來很不穩固，但是走近細看，躺下試試，才會驚覺它的穩固，以及采用透明亞克力給人支撐“中控”的錯覺，耐人尋味。見圖5。

總體來看，通過生成對抗網絡生成的圖像雖然還不能作為直接的設計方案使用，但是其生成圖像的巧妙構思，極大促進了產品設計的設計流程，提高了設計效率，生成草圖經過設計師的人為優化，即可得到比較成熟的產品設計方案。

結語

綜上，圍繞椅子造型特征展開研究，確立一種從獲取、處理、分析、利用圖像數據的研究思路，以深度學習為基礎的椅子造型特征識別標注與智能設計方法。首先，將現有的椅子特征要素進行了重新梳理與歸納。其次，用Resnet、Moblienetv2 兩種卷積神經網絡進行椅子的識別與分類，從訓練時長、識別準確率兩個方面考量哪種網絡模型更適合用在椅子智能設計領域。然后通過多標簽學習標注模型，實現對海量椅子圖像數據的造型特征標簽識別標注。不足之處是標注樣本不夠均衡，但是依然證明了多標簽學習標注模型的有效性。最后通過選定某一標簽的椅子數據作為訓練集，通過生成對抗網絡生成可以提供靈感的設計新圖像。

通過所構建的方法得到被學習標注的產品圖像，還可通過對不同標簽的選擇，完成對數據的篩選分類，未來將帶有標簽的圖像數據云端建庫存放，以供所有家具行業人員瀏覽下載。根據選擇的同標簽數據集，通過生成對抗網絡進行新產品圖像生成，提供設計師符合一定標簽的新產品圖像，激活創意靈感，提高設計效率。