基于大數據與深度學習的意象造型設計

引言

隨著體驗經濟蓬勃發展，用戶對產品審美情趣和精神寄托的需求已居于主導地位[1]。造型作為產品的重要屬性之一，直接展現感性因素的關鍵方式，是影響消費者購買和關注的重要因素，已成為企業競爭的重要因素之一[2]。切實把握用戶對產品造型的情感偏好和需求，進行產品意象造型研究，可顯著提高設計成功率，提升現代制造和服務業中的競爭力[3]。

產品意象造型設計旨在滿足消費者情感需求，量化人的感性意象，并使其與設計要素進行映射轉化，指導產品形態創新設計[4]。當前，產品意象造型設計的研究焦點集中在借助不同的智能工具建立相關的研究方法與理論模型，例如，楊超翔等[5] 以老年拐杖為例，運用模糊分析法將用戶的感受分作不同屬性的指標，從而對老年概念產品進行量化評價。劉月林等[6] 為提升產品造型與用戶意象適配程度，結合三角模糊方法和BP 神經網絡進行腰椎牽引器的造型設計。李文華等[7] 人提出了基于向量機回歸的造型評價模型，可以預測評價者對造型的主觀評價，降低方案評價成本，縮短開發周期。朱斌等[8]人提出了運用VGGNet 進行訓練的方法，以建立產品意象深度模型，實現產品意象的識別。

盡管這些研究為產品意象造型設計提供了理論基礎，但現有方法仍存在諸多局限性：首先，目前感性意象的獲取主要依賴于傳統的文獻查閱和問卷調查，存在信息片面、實時性差等問題[9]；其次，設計特征的提取依賴于人工篩選，存在主觀性強、工作量大的弊端，影響了設計效率和結果的精確性[10]。

為了克服這些局限，本文結合數據挖掘技術與深度學習，提出了一種新的產品意象造型設計方法。以微型新能源車為例，采用數據挖掘方法構建產品造型與用戶評價數據集，并通過深度學習分析文本數據，提取主體意象詞匯。結合SD 法與ResNet 模型對圖像進行意象分值識別，最終建立了產品意象樣本庫。通過將此樣本庫與主體意象相結合，利用C-DCGAN 模型進行條件生成設計，能夠批量生成符合用戶情感偏好的產品造型方案，為設計師提供創新的設計靈感。

一、理論基礎

（一）數據挖掘。數據挖掘（Data Mining）是一種高級處理過程，目的是從大規模數據中提取出有效、潛在的且可被理解的模式，滿足特定的業務目標[11]。采用數據挖掘技術獲取并分析相關信息，時刻追蹤用戶情緒變化，預測流行趨勢，避免了問卷、生理信號等測試的密集勞動。本文結合深度學習框架，通過海量數據分析用戶群體的特點及其差異性，分析結構更復雜的數據，獲得更準確的用戶感性意象。

（二）ResNet（Residual Network）是深度神經網絡架構中的一種，核心是殘差學習。在殘差單元中，輸入通過多個卷積層變換，然后與輸入相加，形成殘差連接。ResNet 利用“殘差連接”結構，不再簡單地堆積層數，為卷積神經網絡提供了新的思路，使網絡可以更深地訓練，在目標檢測、圖像識別與分類上的表現優秀[12]。本文選擇ResNet 模型構建新能源車意象識別模型，對大批量新能源車樣本圖片自動提取樣本特征并自動評價樣本意象，改善傳統智能算法中人工標簽數據集的不足。

（三）C-DCGAN 深度條件生成對抗網絡。條件深度卷積生成式對抗網絡（C-DCGAN）是來自GAN 的變體模型，兼并CGAN 與DCGAN 的有利條件[13]。C-DCGAN 在DCGAN 的基礎上利用卷積層處理帶對圖像添加CGAN 的條件約束，增強了GAN 訓練的穩定性與可控性，達成了目標類別的約束條件下生成圖像的期望[14]。C-DCGAN 同時具備條件約束與無監督學習的優越性，避免了傳統智能算法中生成方案不可控、依賴專家提取設計要素等問題。本文基于C-DCGAN 模型生成微型新能源車概念造型圖片，為產品造型設計提供高效輔助方法。

二、基于數據挖掘與深度學習的意象造型設計流程

針對傳統意象提取的主觀劣勢與人工提取設計要素的工作量大的弱點，提出了基于數據挖掘和深度學習的產品意象造型設計方法，具體流程見圖1。

步驟1 數據挖掘

（1）用戶意象數據挖掘。在相關網站上爬取近4 年的用戶評論等文本信息，進行數據預處理與情感分析，根據文本情感分析結果與TD-EPA 方法篩選出主體意象詞匯，保證意象詞的客觀性與實時性。

（2）產品造型數據挖掘。在相關平臺上爬取產品造型方案與概念設計等圖像數據，集合斯坦福模型數據集中的數據，建立圖像數據集。

步驟2 建立產品意象評價模型

（1）建立小規模意象造型樣本庫。從數據集中隨機選擇小批量圖像數據，結合主體意象詞匯進行實驗，獲取小規模意象造型樣本庫。

（2）建立基于ResNet 模型的意象造型評價模型。結合ResNet殘差網絡與小規模意象造型樣本庫構建產品意象造型評價模型，對圖像數據進行意象評價，得到大規模意象造型樣本庫。

步驟3 建立基于C-DCGAN 模型的意象造型生成模型

（1）整合完整的意象造型樣本庫。整合小規模和大規模意象造型樣本庫，形成完整產品意象造型樣本庫。

（2）基于C-DCGAN 模型構建意象造型生成模型。輸入產品意象樣本庫與約束條件，調整參數訓練C-DCGAN 網絡，反復迭代后獲得意象造型生成模型。

三、設計實踐

（一）微型新能源車的意象信息挖掘

1. 用戶意象信息挖掘與主體意象詞選擇。通過爬蟲與八爪魚在supercars、汽車之家、百度貼吧等相關網站中爬取近4 年有關微型新能源車的討論，獲得與造型有關的詞條25976 條。在進行數據分析之前，對挖取的數據進行預處理，包括數據清洗、文本分詞、詞性標注以及去除停用詞操作。

訓練過程中目標意象為正向情感傾向，對意象信息進行情感分析，選擇正向情感的形容性詞匯作為基礎。在以往大部分研究中，僅以詞頻或用戶偏好為標準的意象詞篩選方法主觀性較強，忽略了用戶期望的豐富性。本文采用基于TD-EPA[15] 的意象詞選取方法，EPA 維度見圖2。結合詞頻和EPA 維度進行選擇，提升意象篩選的客觀性與準確性。基于TD-EPA 方法的選擇流程如下：

（1）合并近義詞，基于實際情況刪除不符主題的詞；

（2）進行詞頻統計，降序排列，詞頻前50 的意象詞見表1；

（3）進行主體意象詞選取：參考相關論文發現EPA 各維度一般選擇1～2 組意象詞，本文依據EPA 各維度選取一個正向意象詞，依照頻率從高向下選擇，排除意象指向過于廣泛的詞，如“好”“壞”“不錯”等，最終活動軸選取“個性”，評價軸選取“簡約”，強度軸選取“嬌小”。

2. 造型信息挖掘與圖像數據集建立。在各大汽車平臺網站、設計網站上爬取微型新能源車造型圖像數據，集合斯坦福汽車數據集建立圖像數據集。考慮到現存車型有滯后性與多因素限制，導致造型創新性不足，故而繼續集合優秀概念設計圖提升樣本質量，擴大生成的造型方案的差異性與廣泛程度。設立基本標準提升數據有效性，降低后續數據處理的工作量，提高深度學習的精度與準度。基本標準遵循：（1）背景相對簡單，避免雜亂背景對模型造成干擾；（2）為降低后續深度學習的識別干擾，選擇能夠顯示微型新能源車整體產品意象與造型語言的視角，左前透視優先，避免單點透視角度；（3）減少后續深度學習中損失過多新能源車造型的細節，優選高清圖像。原始數據存在圖像比例不同、尺寸不等、內容重復、主體背景不分、角度不符等問題，進行數據清洗：將所有圖像皆調整為224×224 大小，再基于邊緣檢測算法與視覺顯著性檢測算法兩兩比較，批量去除背景混亂與重復的圖像。招募了5 名設計專業碩士生參與篩選汽車圖像樣本，排除掉角度不符合要求的圖像。最終篩選得到3776 張圖片，通過數據挖掘收集的微型新能源車的意象詞匯與圖像數據集作為后續產品感性意象評價的基礎，部分實驗訓練樣本實例見圖3。

（二）基于ResNet 的微型新能源車的造型意象評價模型構建

1. 構建小規模意象造型樣本庫。進行SD 語義評價實驗，包含50 名被試，其中設計師30 人，有意愿購買微型新能源車的消費者20 人。微型新能源車的用戶多為年輕人，問卷被試者年齡鎖定在20至40 歲之間，男性26 名，女性24 名，均無色弱或色盲。為減小注意力衰退對評價產生影響，本研究將500 個微型新能源車圖像隨機分成10 組，各組含50 個不同的圖像樣本，保持其他設置不變。要求每位被試者根據個人感受程度，對問卷中的微型新能源車樣本的3個意象指標進行評分。分別計算樣本的3 個意象均值，剔除均分低于“3”的樣本，取均分最高意象為主意象，均分相同時，該樣本圖像同時納入不同意象樣本庫，分別建立3 個意象的小規模產品意象樣本庫，“較小”意象樣本數176，“簡約”128，“個性”224。

2. 構建產品意象評價模型。利用ResNet 模型建立微型汽車意象評價模型，ResNet 模型在少量樣本數據標簽的引導下，利用大量無標簽樣本數據提升學習能力，對數據集中剩余大量樣本進行感性意象評價。PyTorch 的動態圖機制在調試方面更有優勢，故訓練選擇PyTorch 框架。解壓微型新能源車數據集與預訓練參數，由于存在一些打不開的圖片，對數據進一步清洗并生產兩者的標簽文件；訓練配置中調試訓練輪數350、選擇GPU 訓練、圖像增強相關策略均設為“true”，類別數設為3；ResNet 模型網絡結構中，考慮到訓練時長與模型準確性等綜合因素，layers 選擇50，對應depth 為[3，4，6，3]，用softmax 進行分類；設定批大小（batch size）為32，以適應自己的數據集與設備。訓練過程中，均采用通用的保存策略，減小意外停止的損失。adam 算法具有快速降低loss 的優勢，本文優化器選擇adam。

訓練過程損失采用NLLLoss 函數來計算，公式如下：

式中：N 表示樣本數量，表示第i 個樣本的目標類別的預測概率。建立測試集，從3276 個微型新能源車的圖像數據集中隨機選擇50 個圖像樣本用來驗證評價模型的精準度。選擇相同的被試者對測試機中的樣本進行評分，將兩組評價數據進行比較，驗證結果見圖4。意象“嬌小”的模型評價值與人工主觀評價值的擬合度為86.2%；“簡約”擬合度為81.9％；“個性”擬合度為86.5％，“嬌小”意象的均方根誤差為0.49；“簡約”為0.56；“個性”為0.44，驗證了評價模型具有可信性。

3. 構建大規模意象造型樣本庫。僅依靠人工打分建立的小規模樣本庫無法滿足預期模型的精度，需要大量微型新能源車意象造型樣本來支持生成模型的構建。用微型新能源車意象造型評價模型對數據集中剩下的樣本進行評價打分，獲得余下3276 個樣本的意象評價值，打分結果見表2。計算均值并進行意象樣本歸納，得到各意象的大規模意象造型樣本庫，嬌小意象的樣本數量為1712，簡約為541，個性為984。

（三）構建基于C-DCGAN 的微型新能源車的意象造型生成模型

1. 意象樣本庫整合與主體意象詞匯配比。對微型新能源車的3個大規模和小規模意象造型樣本庫進行合并，形成3 個統一的樣本庫。為模擬用戶不同的意象期望，使用Word2vec 生成詞向量并計算相關度，“嬌小”意象占權重最高，作為主體意象。以挖掘的分詞結果構建訓練樣本，訓練神經網絡模型，輸入意象“簡約”和“個性”，計算主意象與其他意象間的相關程度，依據相關度結果進行樣本配比，詞匯相關度與樣本比例見表3。

2. 基于C-DCGAN 的意象造型生成。運用C-DCGAN 模型，模型擁有標簽引導與強泛化能力，改善了無監督算法不準確的問題，在條件信息約束下，輸入噪聲向量與微型新能源車樣本，批量生成造型方案圖，流程見圖5。

左側生成器模型輸入的是一個條件信息y 和1×100 維的噪聲向量z，通過全連接層的學習，將輸入重構為一個4×4 大小1024 通道的張量，通過轉置卷積操作，隨著特征圖尺寸逐漸增大，通道數層層縮小，最后一個轉置卷積層輸出的是一個3 通道64×64 大小的圖，即生成器模型輸出的初步微型新能源車造型圖像。

右側判別器是常規的卷積神經網絡，輸入條件信息、64×64×3大小的特征圖與真實造型樣本圖，經過4 層常規卷積運算，隨特征圖尺寸逐漸縮小，隨通道數增加，圖像大小降至4×4×512，輸出的是1×1×1 大小的真偽判別結果。

生成器的激活函數選用ReLU，最后一層使用Tanh 作為激活函數。判別器的激活函數選擇LeakyReLU，設置斜率為0.2。生成器與判別器采用的損失函數為sigmoid 函數。初始化所有參數限定在[0，1]，使用交叉熵計算誤差，利用Softmax 表現。利用梯度下降法調整參數，以便更好地擬合數據。設置學習率為0.000 1，利用梯度和學習率更新參數權重的過程調整參數值，反復執行以上操作直至穩定。設置批大小為32，分類總數num_classes 為3，為接近最優解，選擇Adam 優化器。整個模型的損失函數設定為：

式中：x 是真實數據圖，z 是噪聲向量，y 是條件信息，D 是判別器，G 是生成器。

實驗在PyTorch 上完成，訓練過程中，生成器根據輸入產生相同分布的樣本，盡量達到可以混淆真偽的地步以“欺瞞”判別器，判別器則盡力在真實圖像與生成器生成的圖像之間做出判斷。兩者處在一個動態博弈的過程中，經過反復迭代后，模型趨于穩定，繼而得到微型新能源車的意象造型生成模型。

在微型新能源車主體意象“嬌小”之上，依照相關度，融入另外兩個意象“個性”與“簡約”，模型批量輸出微型新能源車意象造型設計圖像，部分造型案例見圖6，相對傳統造型設計發散的方法，基于C-DCGAN 的生成模型更快速地得到大量設計方案，更全面地感受產品整體造型表現。為驗證模型的有效性，剔除劣質方案，標準包括：難識別輪廓、圖像模糊、結構錯亂明顯、造型陳舊等 。根據德爾菲專家法篩選出較為優秀的方案，不改變基本造型的前提下進行微調完善，微型新能源車意象造型優秀案例見圖7。對篩選出的微型新能源車方案進行打分驗證，邀請同批被試者在相同要求與環境下進行實驗。結果顯示：問卷中微型新能源車造型方案的評價均值基本在3 分以上，代表意象符合程度處在中等以上水平，生成方案造型意象量值見表4。由此可見，基于C-DCGAN 的生成模型能夠創新性地生成微型新能源車意象造型方案，在一定程度上能夠滿足用戶的感性意象需求。

結語

本文提出的基于數據挖掘和深度學習的產品意象設計方法，創新性地將智能化技術應用于產品造型設計的全過程，主要結論如下：

（1）通過數據挖掘技術，建立了微型新能源車的文本和圖像數據集，成功實現了用戶意象的自動提取，打破了傳統方法在主觀性和滯后性方面的局限，大大提高了意象造型評價的準確性和時效性。

（2）基于ResNet 模型的意象造型評價系統，能夠快速、精準地完成大規模產品造型的評價工作，優化了人工提取設計要素的過程，解決了工作量大、數據不足等問題，顯著提升了設計效率。

（3）搭建的C-DCGAN 意象造型生成模型，通過生成創新性的產品造型方案，為設計師提供了有力的創意支持，極大提升了設計過程中的靈感發散和效率，推動了智能設計工具的應用。

綜上所述，本研究通過深度學習技術與數據挖掘的結合，為產品意象造型設計提供了一種新的思路，提升了設計的精準性和創新性。盡管當前模型在細節處理和精度上仍有改進空間，但已為產品設計領域的智能化設計提供了有益的探索。未來，研究將繼續優化算法和數據集，進一步提升設計輔助工具的實用性和效果，以期為設計行業帶來更多支持。