夏进军 周方舟
摘 要：文章基于文献研究和界定基于深度学习的汽车设计造型要素定义，通过将专家提出的汽车造型要素和深度学习进行的设计活动匹配，从“直接影响-间接影响”两个角度，研究了基于深度学习的汽车设计造型要素关系，提出了特征面、汽车颜色、汽车质感、法律法规与人机工程、期望造型意向形容词和基本信息六大造型要素，分析不同生成式对抗网络生成汽车图像质量，选择StyleGAN得到机器设计的汽车造型并进行案例分析，总之，明确造型要素并以此描述数据是机器可控汽车造型图像生成的前期工作。
关键词：深度学习;汽车设计;造型要素;StyleGAN
1 引言
随着中国加快制造业升级人工智能技术逐渐在制造业生产中发挥作用如机器学习和计算机视觉等，机器学习是一种实现人工智能的方法而深度学习是一种实现机器学习的技术，造型设计在汽车制造业中已成为打开市场和探索汽车外观差异化的途径，在中国制造业升级的大背景下，深度学习可以通过多样化的功能介入汽车造型设计活动。表1展示深度学习在传统汽车造型设计阶段的前期规划，概念设计，CAS数字模型和设计评估进行活动的优缺点。
根据表1，在概念设计阶段，深度学习优点是提供前期的造型设计参考：深度学习生成造型样本内容随机、数量多且可控，为设计师探索设计想法提供了更多的参考;缺点是会生成无效图像，但人类可做评价后排除无效干扰，并不影响探索想法概念，因此本文选择深度学习辅助概念设计的功能切入。
概念草图的设计过程是发散思维和收敛思维的过程，设计师先通过收集资料和头脑风暴产出大量图像，然后通过一个隐性的评价选择方案，深度学习生成图像的工作量和时间上优于人类帮助设计师降低产出操作成本[4]，人类参考深度学习生成结果做最终设计方案决策。因此在概念设计阶段的许多活动中本文选择概念草图切入。
综上所述本文以深度学习辅助概念设计中的图像生成，也就是设计学中的造型设计为研究方向。在深度学习设计汽车外观里造型要素的具体内容是学习及设计的基础理论问题，因此本文研究深度学习设计汽车的造型要素问题。
深度学习生成图像是二维平面汽车图片，因此本文研究产品设计和平面图像的造型要素定义。邵洛羊认为造型要素是指构成形体的基本元素[5]，造型要素是指构成图像最基本的形式成分有形、色、肌理和空间;组织原理是指造型要素相互联系并传递信息的构成规律，语言结构分为字词和语法，而图像视觉语言也分为“造型要素”和“组织原理”两部分。图像视觉通过造型要素按组织原理重构来产生提供新信息的内容[6]。因此本文认为基于深度学习的汽车设计定义是通过深度学习生成图像从而提供汽车造型新信息的的设计活动，基于深度学习的汽车设计造型要素是指构成深度学习设计汽车必不可少的基本组成单元，如颜色，特征面等。
2 基于深度学习的汽车设计造型要素提出
基于深度学习的汽车设计造型要素定义，本文梳理了设计学和计算机科学中专家提出的汽车造型要素和深度学习进行的设计活动（ 见表2和表3），借此歸纳了深度学习设计汽车的造型要素。
专家提出汽车造型设计要素包括材质要素影响品质感受[7];特征线和特征面表现汽车造型形状特征;品牌造型特征和期望造型意向形容词特征的对应关系[8];造型要素与情感意象的载体是期望造型意向形容词，基于感性工学的敏感感性意象形容词SKIA用于汽车造型设计[9];汽车造型的审美要素包括图形、形面和体量[10]。（见表2）。
特别指出在特征点，特征线和特征面中特征面最适合作为造型要素，梁峭分析在汽车造型特征的层次结构中，特征面处于中间过渡层承接了特征线与特征体积是造型信息最为丰富的一层[13]，特征面可以包含颜色和质感要素，颜色要素可由有形状的色块表示，特征面是可被人认知的色块组合，而特征线与其他造型要素如颜色关联不强原因见图1。
通过表3分析，深度学习可通过多种方式进行设计相关活动，主要有图像生成，图像分割，颜色识别分类，材质识别分类，自然语言处理，爬虫爬取数据等。深度学习可以通过以上相关功能获取造型学习内容并输出相应的结果。
通过表2、表3的结论分析，形成深度学习与汽车造型要素匹配模型（见图2），其造型要素包括六个：特征面，汽车颜色，汽车质感，期望造型意向形容词，法律法规与人机工程，基本信息。特征面是汽车图像的外观造型特征、汽车颜色是外观颜色、汽车质感是汽车外观材质在平面图像上表现的视觉质感、期望造型意向形容词是指用户对汽车外观造型感性意向评价、法律法规与人机工程是指规定的汽车比例范围，本文以汽车图像比例进行判断、基本信息是车型，品牌和生产时间。
3 基于深度学习的汽车设计造型要素关系初步研究
基于深度学习的汽车造型设计要素之间的关系主要从“直接影响-间接影响”进行梳理，特征面，颜色，质感的变化直接使造型变化，因此这三个变量对造型是直接影响;法律法规、人机，基本信息，期望造型意向形容词通过语言、工程规范等对特征面，颜色和质感进行约束从而影响造型，因此这些要素对造型是间接影响。
4 案例分析
深度学习有很多神经网络，生成式对抗网络模型属于深度学习神经网络的一种，目前生成式对抗网络包含BigGAN，StyleGAN等500多种GAN模型，本文实验过BigGAN，PG-GAN，AC-GAN和StyleGAN四种生成式对抗网络模型生成图片（见图3），生成式对抗网络生成汽车图片的流程是：选择python爬虫技术从网上收集汽车图片，并基于深度学习的汽车设计造型要素对图片样本进行标注（标注方式见图5），形成深度学习开展造型设计的训练集，通过训练集训练GAN模型，通过图片质量对比最终选择生成图像效果较好的StyleGAN生成汽车图片。
通过生成图像样本展示StyleGAN设计汽车造型的方法[18]，生成器从一个常量输入开始并根据潜码在每个卷积层调整样本B图像的“样式”，从而在不同的尺度上控制样本A和样本B对生成的图像特征影响的程度。样本1即为StyleGAN参考样本A和样本B设计的汽车造型，样本B经过卷积过程后取粗略样式输入给StyleGAN模型，数据A直接输入StyleGAN模型，样本1为输出图像，汽车造型设计效果见图4。
输入和输出数据在基于深度学习的汽车设计造型六要素方面具有各自的特点，在造型要素上通过标记深度学习设计汽车输入与输出的造型特点从而有利于后期分析单个要素中输入对于输出的影响范围，见表4。
根据基于深度学习设计汽车的造型要素标记样本，使用户能够按照造型要素选择目标图像输入StyleGAN并选择合适的输出图像，从而实现可控图像生成。深度学习设计汽车造型标签体系见表5，标签内容有利于可控生成目标图像。
训练集数据根据以上标签进行标注，图像数据标注方式以树形结构在本地存储（见图5），在树形结构里每一个节点作为其子节点的一个标签，包含了汽车的车型、品牌、型号、款式等基本信息标签，部分图片标记颜色标签，在最后一个节点带有特征面方向标签（0：前面，1：前侧，2：正侧，3：后侧，4：后面）。
5 结论
本文通过分析整理国内外相关文献和界定基于深度学习的汽车设计造型要素定义，构建了基于深度学习的汽车设计造型要素模型，提出了特征面、汽车颜色、汽车质感、法律法规与人机工程、期望造型意向形容词和基本信息六大造型要素，从“直接影响-间接影响”两个角度，研究基于深度学习的汽车设计造型要素之间的关系。根据深度学习设计汽车的造型标签标注数据形成训练集，分析不同深度学习模型生成汽车图像质量，选择StyleGAN得到的汽车造型并描述StyleGAN生成汽车图像样本的造型要素特征。
本文不足之处是输入样本与输出样本的造型要素映射关系没有研究，没有用评价方法实验图像对设计师的帮助程度。未来研究方向可以是明确数据在造型要素上的部分映射关系，根据标签标注数据为可控目标造型生成做准备工作。
参考文献：
[1]王杨，王非凡，张舒宜，等.基于TF-IDF和改進BP神经网络的社交平台垃圾文本过滤[J].计算机系统应用，2019，28（03）：126-132.
[2]Karras Tero，Aila Timo，Laine Samuli，Lehtinen， Jaakko. Progressive Growing of GANs for Improved Quality， Stability， and Variation[J]. 2017.
[3]黄向东，谢朝林，谢岳璁.基于神经网络的汽车车身造型美学评价初探[J].中国机械工程，2002（05）：67-70+6.
[4]Liu Y C ， Bligh T ， Chakrabarti A . Towards an 'ideal' approach for concept generation[J].Design Studies， 2003， 24（4）：p.341-355.
[5]邵洛羊.中国美术大辞典[M].上海辞书出版社，2002.
[6]孔凡智.试析图像视觉语言的建立与解码规律[J].艺术教育，2010（06）：116-117.
[7]尹彦青，赵丹华，谭征宇.汽车内饰品质感的感知模态研究[J].包装工程，2016，37（20）：35-40.
[8]胡伟峰，陈黎，刘苏，等.汽车品牌造型基因提取及可视化研究[J].机械设计与研究，2011，27（02）：65-68+79.
[9]胡伟峰，赵江洪，赵丹华.基于造型特征线的汽车造型意象研究[J].中国机械工程，2009，20（04）：496-500.
[10]CATALANO C，GIANNINI F，MonTI M.Towards an Auto matic Semantic Annotation of Car Aesthetics[J].Artificial Intelligence for Engineering Design，Analysis and Manufacturing，2007，21（1）：73—90.
[11]赵丹华，赵江洪.汽车造型特征与特征线[J].包装工程，2007（03）：115-117.
[12]梁峭，赵江洪.汽车造型特征与特征面[J].装饰，2013（11）：87-88.
[13]陈宪涛，赵丹华.类族辨物——汽车造型的视觉特征与期望造型意向形容词特征分析[J].装饰，2008（04）：98-99.
[14]黄向东，谢朝林，谢岳璁.基于神经网络的汽车车身造型美学评价初探[J].中国机械工程，2002（05）：67-70+6.
[15]王杨，王非凡，张舒宜，等.基于TF-IDF和改进BP神经网络的社交平台垃圾文本过滤[J].计算机系统应用，2019，28（03）：126-132.
[16]李慧，利齐律，程良伦，等.基于多颜色空间卷积神经网络的车辆颜色分类[J].工业控制计算机，2019，32（11）：78-79+82.
[17]李婉婉. 基于卷积神经网络和集成学习的材质识别和分割方法研究[D].北京交通大学，2018.
[18]Karras Tero，Laine Samuli，Aila Timo. A Style-based Generator Architecture for Generative Adversarial Networks.[J]. IEEE transactions on pattern analysis and machine intelligence，2020.