基于深度學習的比亞迪汽車品牌家族化造型設計研究

摘要：為有效減少人工介入，實現汽車品牌家族化造型特征的智能分析與提取。以比亞迪汽車品牌為例，通過構建汽車前臉造型圖像數據庫，采用深度學習卷積神經網絡作為特征識別算法，結合類別激活映射為可視化分析手段。基于造型數據庫可快速、自動有效的挖掘品牌造型特征，實現造型基因的智能分析與提取。該方法從學科交叉的角度改變了設計學領域對汽車品牌造型基因依賴于專家經驗、人工歸納提取的現狀，深度學習技術作為有效的設計輔助工具，能夠極大地提升設計效率，提高當前汽車品牌家族化造型特征的分析技術水平。

關鍵詞：汽車家族化造型特征；深度學習；比亞迪品牌造型設計；造型風格；可視化分析

中圖分類號：TB47 文獻標識碼：A

文章編號：1003-0069（2024）21-0104-04

引言

隨著汽車技術水平的均質化發展，汽車外觀造型已成為影響用戶購買決策的關鍵因素之一[1]。家族化造型設計作為主流的設計策略，不僅能夠賦予汽車產品獨特的品牌特色，同時可以增強用戶對產品的認可度和歸屬感。在設計學領域，分析與提取汽車的家族化造型特征是一項復雜而精細的工作，不僅要求設計師具備深厚的美學素養和創新能力，還需要依賴于先進的技術手段。當前，人工智能深度學習技術作為設計輔助工具在汽車設計領域的應用正日益增多[2]，為汽車造型設計提供了新的思路。本文以比亞迪汽車品牌為例，探討如何基于造型數據庫，借助深度學習技術，實現品牌家族化造型基因的智能分析與提取。

一、汽車品牌家族化造型特征分析概述

（一）汽車品牌家族化造型設計研究發展

將汽車造型特征與品牌形象協同思考，通過造型風格的一致性建立與其他產品的排他性，建立特色鮮明的品牌家族化造型特征[3]，并在更新換代時保持造型特征的傳承性和進化性，是現代汽車造型設計的重要設計策略。家族化造型設計作為一種重要的設計策略，通過統一視覺元素和風格，增強了品牌的識別度和市場影響力。Karjalainen 等[4] 指出，產品的核心競爭因素在于品牌與產品的視覺識別，有效的設計產品既需具有吸引力，又能明確反映品牌核心價值觀；盧兆麟等[5] 揭示了在整個生命周期中產品設計DNA 的形成和演變規律，并成功地將設計DNA 的邏輯與生產過程相結合。

形狀文法或初級的機器學習技術被廣泛應用于品牌家族化造型特征的分析和提取。McCormack 教授等[6] 用形狀文法分析了別克汽車前視圖的品牌特征；姚君[7] 同樣借助于形狀文法從視覺和語義的角度分析了汽車設計中關鍵的造型線條，進行視覺語義分析；胡偉峰[8] 選取汽車造型特征線為研究對象，借助形狀文法規則對車輛品牌造型趨勢做出合理的形式性預測。然而，盡管這些方法在分析和提取汽車造型基因方面取得了顯著成效，但在處理大規模數據和進行精確識別方面對設計學領域的貢獻相對有限，因此，研究者們開始轉向數據驅動的方法。羅仕鑒等[9]采用機器學習算法進行概念設計方案的動態評估和反饋，為產品風格智能計算研究提供了理論依據；裴卉寧等[10] 提出了一種基于深度卷積生成對抗網絡的汽車造型設計模型，并驗證了該模型的有效性和實用性；李寶軍等[11] 提出了一種基于細粒度分類的方法用于計算分析汽車品牌的家族化特征，重點識別核心造型基因，并分析不同品牌汽車前臉造型的相似性。

綜上所述，盡管設計領域的專家通過使用形狀文法和初級機器學習算法在汽車造型基因分析和提取上取得了一定成就，但這些方法在很大程度上依賴于專家的專業知識和主觀判斷。面對不斷增長的海量車型數據，這些方法難以迅速、全面識別造型特征，不適用于大規模數據分析。因此，本文針對現有方法的不足，從學科交叉的視角借助深度學習技術對比亞迪品牌的造型特征進行智能化分析與提取，并以比亞迪“王朝”系列為例進行設計實踐，展示深度學習技術作為設計輔助工具在提煉家族化造型特征上的有效性。

（二）汽車品牌家族化特征分析流程框架

基于深度學習的比亞迪汽車品牌家族化造型特征智能分析與提取分為以下幾個步驟：首先，需要建立一個汽車品牌前臉原始圖像訓練庫，該過程主要為收集整理大量汽車前臉圖像、消除背景干擾，進而統一圖像尺寸，并對各品牌進行精確標注；其次，采用圖像分割技術抽取圖片特征，并對數據進行預處理和增強處理，強調前臉造型目標特征區域；接著，借助ResNet-8 深度學習網絡對數據進行訓練，構建分類器；最后采用類別激活映射（Class Activation Mapping，CAM）方法分析特定汽車品牌比亞迪汽車的前臉特征，并展示可視化熱力圖，以比亞迪“王朝”系列為案例進行設計實踐，如圖1。

二、數據庫構建及深度學習分類模型

（一）汽車品牌前臉造型數據庫構建

汽車造型的自動化分析依賴于計算機技術，通過分析大量造型數據以發掘規律性信息，即識別數據中的模式，并將計算結果直觀展現給造型分析師和設計師等人[12]。汽車前臉數據庫的建立旨在訓練和對比特征提取算法的優異性，為確保有效比較算法之間的差異，數據庫必須遵循一致性原則[13]。基于此，本文采用Auto Morpher 課題組建立的汽車前臉造型數據庫，聚焦于汽車正面視圖中的核心造型元素，主要為格柵、保險杠和前大燈。為了進一步優化造型分析，對汽車前臉圖像進行了高寬比為2：5 的感興趣區域（ROI）截取、背景和車牌去除、統一圖像尺寸、品牌標注等工作，并采用色彩調整等方法進行數據增強，以提升造型分析的準確性，如圖2。該數據庫涵蓋了27 個汽車品牌不同型號的6716張汽車前臉圖像，其中比亞迪品牌汽車前臉圖像為159 張。

通過審視圖像數據庫，識別出車標雖為辨識汽車品牌的關鍵元素，但并不屬于汽車前臉造型的組成部分[14]。因此，為避免后續分類識別過程中車標可能引起的干擾，本文采取了統一移除車標的方法，并采用相鄰細節來填補缺失的區域，從而創建了一個無車標的汽車品牌前臉分類數據集，如圖3。

（二）深度學習分類模型訓練

本文專注于研究汽車前臉造型的家族化屬性，旨在通過造型數據分析識別各品牌汽車前臉的家族化造型特征。鑒于圖像的分類問題已被廣泛研究，本文選擇了ResNet（Residual Network）殘差網絡作為本次分類分析的主要工具，方便有效傳遞原始數據，并保持網絡的訓練和優化效率[15]。為了訓練和評估分類器，在整個前臉造型數據庫中，訓練集、驗證集和測試集按3：1：1 的比例進行劃分，其中訓練集和驗證集用于分類器的訓練過程，而測試集則應用于評價模型性能，以驗證訓練后的效果。

圖4 詳細記錄了模型在訓練過程中的損失值的變化情況，圖5 則展示了模型在分類任務上的準確率的表現，模型的召回率與損失值的變化趨勢呈現出明顯的反向關系。具體來說，圖4 展現了訓練集和驗證集的損失值隨訓練epoch 增加而快速下降的過程，并最終趨于穩定。這一結果表明模型隨著訓練深入逐漸提高了對數據集的擬合程度，且未出現過擬合的現象。與此同時，圖5 展示的訓練集和驗證集的召回率迅速提升并最終達到0.95 左右，這表示模型能夠正確分類95% 的正樣本，從而確保了模型在實際應用中的高度可靠性。基于上述分析可知，通過對無車標數據集的系統訓練，ResNet-8 模型展現了其在汽車品牌分類任務上的強大潛能。模型的損失下降和準確率提高的趨勢，以及最終召回率的高水平穩定性，均驗證了其作為一個有效的工具在汽車家族化造型設計研究中的潛力。

三、家族化造型特征分析

（一）汽車前臉造型DNA 多級可視化識別解析

本文應用類激活映射（CAM）方法對比亞迪汽車前臉造型特征的識別數據進行分析，通過此技術對ResNet-8 網絡模型中卷積層的分類結果進行了可視化展示。CAM 通過對最后一個卷積層的特征映射應用全連接層權重來進行加權求和，可以突出顯示前臉造型的關鍵特征區域并以高亮的形式展現，從而直觀地揭示了分類決策的基礎[16]。本文選取比亞迪“王朝”系列作為品牌樣本，對比亞迪前臉造型顯著性特征進行多級可視化分析（見圖6）。

可以看出，S1 和S2 層所識別出的特征主要包括前大燈、格柵、前保險杠和進氣口的造型及其特征走勢，這些元素之間的空間關系對整體視覺效果的舒適度和吸引力起到了決定性作用。S3 至S4 層是連接兩側大燈承接腰線并向后延伸的金屬格飾條，強化了整車造型的運動感和速度感。而在S5、S6、S7 層中，去除了次要特征，轉而聚焦于更抽象的層級，主要突出大尺寸的中網進氣格柵和前大燈的造型，呈現出強烈的立體感。

CAM 熱力圖通常使用漸變色來表示不同區域的熱度。前中網（散熱器格柵）和前大燈區域熱度較高，以較亮的顏色（紅色）標示，表示在模型決策中貢獻較大。而兩側的進氣口，鍍鉻飾條，前保險杠區域熱度較低，以較暗的顏色（藍色）標示，表示在模型決策中貢獻較小。通過顏色的變化可以觀察到圖像中不同區域的活躍程度，從而推斷該區域對于模型預測結果的貢獻程度，如圖6。

（二）顯著性特征可視化與“Dragon Face”前臉造型特征對比

“Dragon Face”概念在現代汽車設計領域中，特別是對于中國品牌比亞迪汽車而言，已成為其獨特設計語言的核心。這一概念源自中國古代“龍”的象征，龍在中華文化中一直是力量的代表，在汽車設計領域，這一概念已被應用到車輛前臉的造型設計上，通常以突出的車頭燈、寬闊的格柵以及平滑的脊柱線條為標志，這些設計元素共同作用形成了一種強烈的視覺動態感，象征著動力和速度，旨在表達出一種動態、流暢、具有柔和的視覺沖擊力。

“Dragon Face”造型特征中的關鍵要素之一是其獨特的前大燈和格柵設計，二者的排列方式共同決定了汽車的“面部表情”，這在“DragonFace”設計語言中衍生至關重要的角色。在深度學習模型的S1 和S2 層中識別的進氣口和格柵造型特征與“Dragon Face”的鼻孔和嘴部相對應，這種設計不僅提供了強烈的視覺沖擊，而且在品牌識別上具有顯著的效果。“Dragon Face”設計語言中，車輛的運動感和流暢性是一種重要的視覺效果，在模型的S4 層中，金屬格飾條作為連接主軸大燈的元素，延伸至頭部，強化了整車造型的運動感和速度感，設計元素的突出表現與“Dragon Face”設計中強調的動態美感和速度感相契合。在模型的更高架構（S5、S6 和S7 層）中，重點轉向中網進氣格柵和前大燈的特征，這些元素的識別與“Dragon Face”設計中的嘴部和眼睛造型相一致。通過強調這些特征，不僅增強了前臉的立體感，而且使整個前臉造型增加了品牌識別度（見表1）。

通過CAM 熱力圖，可以觀察到在模型決策中起作用的區域。這種可視化技術不僅揭示了這些區域在家族化設計中的核心地位，還有效地展示了計算機模型在識別比亞迪汽車“Dragon Face”特征方面的準確性。通過深度學習模型的系統性分析，揭示了前大燈、格柵和金屬格飾條等關鍵元素之間的空間關系，這些關系在構成“Dragon Face”整體視覺效果中起到了決定性作用。

四、設計實踐

基于深度學習的比亞迪汽車品牌家族化造型設計實踐主要按照創意構思與初步設計、設計細化與調整、設計創作與展示，到用戶評價與市場反饋的順序展開。在設計新車型時，設計思路需綜合兩個關鍵因素：即對造型基因的延續以及根據流行趨勢對造型設計進行創新。基于可視化技術的分析結果，總結出比亞迪“王朝”系列的家族化前臉造型的關鍵特征：橫向延伸的前大燈造型，前中網和兩側進氣口形成的一字連貫橫向分塊方式，此外，六邊形格柵的圓滑拐角邊緣也是其區別于其他品牌汽車的顯著設計元素。在此基礎上，以“唐”為載體進行了汽車改款設計，在保留了比亞迪“唐”系列的家族化造型特征的基礎上融入了現代科技元素。

（一）創意構思與初步設計

在改款設計前期，首先對當前市場的汽車設計趨勢進行深入研究。通過借助深度學習技術的視覺分析，發現汽車前臉造型設計不僅能夠增強品牌辨識度，而且與中華文化的“龍”元素相呼應，具有很強的文化象征意義，因此，在創意構思階段，決定保留并強化這一元素。

在設計學領域，提取和簡化傳統紋樣是連接古老文化與現代審美的關鍵手段。龍臉紋樣的設計核心部分主要集中在眉眼、嘴巴、胡須和下巴等元素。首先將這些元素細致地拆分，提煉出其基本的形狀與線條，此過程中的形態轉換旨在簡化細節，而不失去原始圖案的特征。在格柵的具體細節上，龍鱗的設計采取了減法的原則，將復雜的鱗片紋路轉變為更為簡潔的曲線形狀，以確保充足的空氣流通。最終的設計目標是確保最終的汽車設計既滿足當前市場需求，又具備未來潛在適應性，通過在形態轉變中融入現代化和科技感元素，增強了傳統圖案的生命力和市場競爭力，促進了傳統文化與現代設計語言的融合，如圖7。

（二） 設計細化與調整

通過多輪的設計討論及深度學習技術輔助分析，本文在設計方案的細化過程中，針對特定核心方面進行了精準的優化與調整。這一過程重點研究如何把初步設計方案細化為實施細節，確保這些細節能相互配合，展現出既連貫又具有獨特性的視覺效果。不僅突出了設計過程中的創新性思維，也強調了深度學習技術在設計決策支持中的應用價值，為將概念性設計轉化成可執行的設計細節提供了有效的路徑。

如圖8 所示。原車型的直瀑式前格柵已被重新設計，采用了復雜的龍鱗紋理圖案，這不僅提升了前格柵的視覺深度和立體感，還巧妙地將中國文化的象征元素融入現代汽車設計中。龍鱗圖案的設計經過多次調整和優化，以確保其能在不同光線和視角下展現出動態變化的光影效果，增強視覺沖擊力。在前大燈的造型設計上，設計出了更加細長且充滿動感的形狀，仿造龍眼和眉毛的樣式，不僅具有攻擊性，也富含未來感。同時與龍鱗格柵形成視覺上的連貫。進氣口的設計強調了橫向延伸的動感，通過調整其大小和形狀，不僅優化了空氣動力學性能，也使得車輛前臉更加寬闊和穩重。前保險杠的設計則融入了更多流線型的元素，與整車的線條設計相協調，同時也考慮了行人安全的設計原則。整體而言，改款設計在繼承比亞迪“唐”車型原有家族化造型特征的基礎上，引入了更多動感和未來感的元素，同時融入了更為顯著的文化符號和設計創新。這些設計的演變不僅是預兆了該車型對于未來趨勢的把握，也反映了現代汽車設計趨勢中對動力、文化融合和設計創新的不斷追求。

（三）設計創作與展示

在設計創作與展示階段，應確保所有元素和細節都得到精心設計，不僅保留了原有的家族化造型特征，還增添了新的活力和吸引力。如圖9 所示，運用Rhino 建模軟件制作三維模型，借助Keyshot 軟件對前期修改后的模型進行渲染。車身的藍色涂裝象征中國文化中與龍相關聯的水元素，反映了龍的流動與靈動特質。車身的流線型設計呼應龍的動感形態，而大型蜂窩狀進氣格柵和銳利的前燈設計則模仿龍鱗和龍眼，增添了權威感和視覺沖擊力。在材質使用上，高質感的金屬和精細工藝不僅保證了耐用性，也是對龍鱗堅硬光滑特性的現代詮釋，這些設計細節在增加動感和文化深度的同時，也強調了創新與傳統的融合。這款車憑借其時尚的設計和先進的科技配置，不僅提供了卓越的駕駛體驗和舒適度，還強調了對中國傳統文化的尊重與傳承，吸引了尋求個性化和文化底蘊的消費者。

（四）用戶評價與市場反饋

本次方案評價的目的是驗證最終造型設計是否能夠準確傳達比亞迪汽車品牌形象和風格。通過在相關的汽車論壇、社交媒體汽車群組和設計師社群中發布招募信息，成功招募了10 名汽車設計師、10 名比亞迪車主以及10 名其他汽車品牌車主共30 人作為實驗對象。采用五級李克特量表[17] 來量化受訪人群對比亞迪汽車前臉造型改款設計的認可程度，將評分等級設定為：“1”表示非常不符合，“2”表示不太符合，“3”表示中立，“4”表示比較符合，“5”表示非常符合，通過計算平均分值，可以判斷出對最終造型設計的整體認可度，分數越高代表認可程度越高，如表2。

從上述調研評價結果來看，實驗群體普遍認為該設計符合比亞迪汽車的家族化造型特征。這一實驗結果表明利用深度學習技術指導汽車前臉家族化造型設計是具有可行性的，深度學習技術可以提取其中的規律和特征，從而提高設計的準確性和效率，但仍需與設計師的經驗和創造力相結合，在設計過程中的決策仍然應該由設計師來做出。通過合理運用深度學習技術，設計師可以更好地實現家族化設計的一致性和連貫性，提升汽車設計的質量和創意水平。

結語

汽車家族化造型特征確保了品牌內不同車型間的設計語言和風格元素的一致性，通過視覺和感觀的一致性加強消費者對品牌的識別和忠誠，有助于塑造品牌的獨特形象，提升市場競爭力和吸引力。深度學習技術通過強大的模式識別能力和對復雜模型特征的精確捕捉，降低了對人工直觀判斷的依賴；品牌多級特征的可視化分析明確展示了復雜數據和模型輸出，這不僅助力于準確識別品牌的關鍵特征，而且為制訂有效的設計策略和品牌傳播給予方向，進而提高設計工作效率。因此，作為設計工作者和研究者，應當以先進技術與設計理念的融合為指導原則，從而有效促進了設計創新與技術進步的結合。

基金項目：教育部人文社會科學研究規劃基金項目（22YJA760072）

參考文獻

[1]鄭先鋒，劉顏楷. 針對汽車外觀設計的消費者興趣點分析研究[J]. 設計，2017（17）：15-17.

[2]吳瓊. 人工智能時代的創新設計思維[J]. 裝飾，2019（11）：18-21.

[3]張弛，王華琳. 中國傳統文化元素在汽車品牌標志設計中的應用[J]. 設計，2022，35（21）：117-119.

[4]Karjalainen T. It Looks Like a Toyota：Educational Approaches to Designing for Visual BrandRecognition[J]. INTERNATIONAL JOURNAL OF DESIGN，2007，1（01）：67-81.

[5]盧兆麟，李升波，張悅，等. 面向工業設計的產品設計DNA研究現狀與進展[J]. 機械設計，2014，31（12）：1-7.

[6]McCormack J P，Cagan J，Vogel C M. Speaking the Buick language：capturing，understanding，and exploring brand identity with-shape grammars[J]. DESIGN STUDIES，2004，25（01）：1-29.

[7]姚君，金然，韓叔冬，等. 論品牌基因在汽車造型設計中的傳承與創新[J]. 包裝工程，2012，33（24）：37-41.

[8]胡偉峰，趙江洪. 用戶期望意象驅動的汽車造型基因進化[J]. 機械工程學報，2011，47（16）：176-181.

[9]羅仕鑒，王瑤，劉長奧，等. 產品風格計算研究現狀與展望[J]. 計算機集成制造系統，2023，29（10）：3425-3439.

[10]裴卉寧，譚昭蕓，張金勇，等. DCGAN在汽車造型設計模型中的應用[J]. 機械科學與技術，2022，41（10）：1567-1576.

[11]李寶軍，董穎，趙德棟，等. 基于細粒度分類的汽車家族化計算分析方法[J]. 汽車工程學報，2018，8（04）：250-258.

[12]林麗，郭主恩，陽明慶. 面向產品感性意象的造型優化設計研究現狀及趨勢[J]. 包裝工程，2020，41（02）：65-79.

[13]李卓，葛翔. 基于參數集成與收斂的汽車格柵設計研究[J]. 設計，2022，35（21）：138-141.

[14]田強，賈小寧. 基于深度殘差網絡的車標識別[J]. 吉林大學學報（理學版），2021，59（02）：319-324.

[15]S. W C，L. M D，Milos M. ResNet Autoencoders for Unsupervised Feature Learning From High-Dimensional Data：Deep Models Resistant to Performance Degradation[J]. IEEE ACCESS，2021，9：40511-40520.

[16]化盈盈，張岱墀，葛仕明. 深度學習模型可解釋性的研究進展[J]. 信息安全學報，2020，5（03）：1-12.

[17]Li Q. A novel Likert scale based on fuzzy sets theory[J]. EXPERT SYSTEMS WITH APPLICATIONS，2013，40（5）：1609-1618.