李月恩 金瑞

摘要：在工業(yè)產品外觀設計階段，產品設計師如何根據用戶的感性，精準把握設計產品的外觀形態(tài)呢？即使是有多年工作經驗的產品設計師，也難以把握產品外觀形態(tài)與用戶直觀感性體驗的有效契合關系。文章針對目前存在的產品外觀設計特點指向性弱的問題，提出一種基于BP神經網絡的設計方法。通過調研獲得產品外觀感性描述詞，并將其作為指標進行打分評價，作為輸出層參數，即將產品拆解成外觀元素并編碼作為輸入層參數，再使用BP神經網絡模型建立起外觀設計元素與用戶感性意向的關系模型。利用數學軟件進行訓練和測試，最終得到基于BP神經網絡的無人機外觀設計預測模型，從而指導設計師有針對性地評價并挑選設計方案，高效率地提供初步的設計方案。實驗結果證明，應用BP神經網絡的搭建模型能夠快速建立起針對消費者感性需求的工業(yè)產品外觀設計系統(tǒng)，對設計方案的感性指標進行定量分析，從而及時滿足消費者精神層面情感化的需求，應用于產品初步設計、方案挑選等設計流程中，避免產品外觀設計師個人主觀因素的干擾，使設計師的設計方向與用戶感性需求高度統(tǒng)一。這有助于促進產品設計多樣化和個性化發(fā)展，提高產品外觀設計方案的落地成功率。

關鍵詞：產品設計；工業(yè)設計；無人機；BP神經網絡

中圖分類號：V279 文獻標識碼：A 文章編號：1004-9436（2023）04-0-04

隨著我國經濟水平的日益提升，人們對商品的簡單功能需求漸漸轉變?yōu)榍楦行枨螅駥用娴臐M足感逐漸成為人們購買產品的重要因素，人們的價值觀、個性、愛好、身份地位能夠通過購買的商品的外形進一步體現。設計人員如果能夠精準地抓住消費者的情感化需求，充分滿足消費者的個性化需求，就能夠開發(fā)出市場反響良好的產品，從而提升產品的競爭力和企業(yè)品牌的影響力。

人工神經網絡能夠模仿生物的神經系統(tǒng)學習以及認知行為的信息加工方法，由于特殊的信息處理方式，因此其通常應用于輸入信息與輸出目標值間獨特的非線性關系的建立，并且擁有強大的自學能力、聯(lián)想儲存能力、高效率搜尋優(yōu)化能力，常常被應用于圖像識別、智能機器人故障定位、決策優(yōu)化以及醫(yī)學、生理學等領域。除此之外，還可以應用到工業(yè)產品外觀設計領域。在工業(yè)產品外觀設計過程中，用戶對產品外觀的感性認知與產品本身的外觀設計屬于黑箱模型，即內部的關系不能夠被具體感知與完整表述。究其本源是人類對自身“感性”的研究無法通過所掌握的“理性”方法完全認知與簡單概述，而解決這種問題正是人工神經所擅長的。

本研究應用BP神經網絡搭建針對消費者感性需求的工業(yè)產品外觀設計系統(tǒng)，從而及時滿足消費者精神層面情感化的需求，應用于產品初步設計、方案挑選等方面，促進產品設計多樣化和個性化發(fā)展，提高產品方案落地的成功率。

1 基于BP神經網絡的無人機外觀設計過程

收集市場上現存的大量具有代表性的產品外觀設計案例，通過形態(tài)拆解，建立設計外觀元素庫，根據代表案例和感性詞對消費者評價進行調研，并將外觀元素編碼處理后轉化為輸入層數據，對感性調研評價結果數據進行歸一化處理，將其作為輸出層數據，輸入此BP神經網絡，進行人工神經網絡訓練［1］。如此，即可對無人機外觀設計BP神經網絡進行測試。選擇測試案例對消費者進行感性評價，將神經網絡所得輸出數據與受測感性評價的結果，通過MSE函數處理，若MSE值小于0.01，可以證明此無人機外觀設計BP神經網絡模型具有可靠性。無人機外觀設計BP神經網絡研究流程如圖1所示。

2 無人機造型意象詞匯庫構建以及感性評價

2.1 產品設計感性語義庫的建立

首先在主流購物平臺淘寶、京東、拼多多上搜索產品購買后用戶評價，篩選出對外觀的描述性詞。然后通過網上用戶調研和相關文獻查閱，收集產品外觀感性意向詞［2］。再由18名工業(yè)設計專業(yè)的在校研究生對收集到的詞進行統(tǒng)計，篩選討論，進一步提煉，并運用語義差分法，最終確定了15個使用頻率最高的外觀描述性感性詞：安全、新穎、靈動、流線、時尚、典雅、奢華、張揚、科技、簡潔、圓潤、硬朗、修長、親和、人性。這些詞即可作為15個產品外觀感性評價點。

2.2 產品感性評價

根據經過篩選的1～20號符合要求的無人機案例圖片，設計語義差法（SD）調查問卷，開展問卷調查，通過15個外觀感性評價點對其進行評價［3］。邀請15名工業(yè)設計工程在讀研究生、150名無人機愛好者、10名無人機外觀設計師和35名非設計類專業(yè)研究生，共210人對樣本進行評價。評價尺度為1～7分，分別對應收集數據后，將統(tǒng)計數據圖表化，發(fā)現大部分數據符合正態(tài)分布的特點，運用Matlab軟件計算可得正態(tài)分布的均值，即可求得最常見數據的數學期望。最終，得到這20個圖片樣本的每一個樣本的15個外觀感性評價值，共得到280個評價值數據。

3 無人機外觀造型元素獲取

一架完整的無人機由上千個零部件組成，這些零件可歸納為20個部分，通過形態(tài)拆解法將影響無人機產品外觀的部件提取出來，排除與外觀設計無關的元素。最終通過形態(tài)拆解法將無人機分解為7個設計要素：機臂、旋翼、機身頂視圖、機身側視圖、起落架、任務設備、槳葉保護罩。收集大約300張無人機外觀圖，對每一個無人機的外觀要素進行歸納統(tǒng)計，排除極其少數的造型，再對每一個要素下的造型進行歸類和簡化，將每一種設計要素的下屬類型提煉到7種或7種以下，并為每一個要素賦予一個二進制編碼（見表1）。

4 無人機產品外觀預測模型BP神經網絡實現

人工神經網絡能夠模仿人腦對事物分析的認知和思考過程，從而解決人們在各個領域遇到的問題。人工神經網絡對數據的寬容度較大，能夠探究輸入變量與目標值之間的非線性關系，最終體現迫近能力。

4.1 產品設計預測中BP神經的構建與測試

20世紀80年代，心理學家戴維·麥克利蘭（David.C.McClelland）和認知心理學家魯姆哈特（Rumel-hart）等科學家提出了BP神經網絡這一概念。人工神經網絡可以根據人們事先設定的輸入與輸出，經過成百上千次訓練，找到其中存在的規(guī)律。值得稱奇的是，這一切是在人們事先沒有設定數學公式的基礎上建立的［4］。在無數次訓練后，輸入內容可得出其所預判下最接近人們按照之前規(guī)律所得的輸出結果。在這一過程中，核心算法是信號的正向傳播和誤差的反向傳播。在調整閾值與權值時，整個過程由輸出到輸入反向進行。從結構上來說，BP神經網絡分為輸入層、隱含層、輸出層三層主要結構。在輸入層與輸出層之間，神經元是一層或者多層的。人們把這些神經元稱為引單元，其中每一層都有許多節(jié)點。對它們的狀態(tài)進行調整，輸出與輸入之間的關系就會隨機改變。

4.2 輸入輸出節(jié)點的數量

輸入層的節(jié)點數是外觀設計元素種類數目即7，輸出層的節(jié)點數為提煉后最終確定的無人機產品外觀描述性詞數目即15。隱含層節(jié)點數的計算公式一般如下：

其中，隱含層節(jié)點數是m，輸入層節(jié)點數是n，輸出層節(jié)點數是l。無人機外觀設計預測模型輸入層節(jié)點數為外觀設計元素總數7，輸出層節(jié)點數為外觀描述性詞總數15。根據以上公式計算，隱含層節(jié)點數為11。

4.3 編碼方法

由于設計要素無法直接用于輸入，所以需要對無人機的外觀元素進行編碼處理。每一個外觀元素的編碼是由0和1組成的三位數編碼［5］。例如，若其中一個案例的設計元素X1-X7的下屬類型是1、1、3、4、5、3、2，則此案例的編碼為001001011100101011010，對其他案例進行相同的處理作為輸入代碼。

4.4 歸一化處理

由于訓練神經網絡的輸出值須在［0，1］的區(qū)間內，然而產品外觀感性評價結果處理而得的數據并不在此區(qū)間內，同時為了提升輸出結果的可比性，因此需要將輸出數據收斂，將輸出的數值規(guī)定在［0，1］的區(qū)間內，即對輸出的感性數據進行歸一化處理。本研究采用的歸一化算法為：

xmin為x的最小值，xmax為x的最大值。對感性數據進行歸一化處理之后，所有數值分布在［0，1］的區(qū)間內，就可以將輸出的參數輸入BP神經網絡模型，然后進行訓練。

4.5 BP神經網絡模型訓練

根據前文的數據可得，基于Matlab R2021b平臺對其神經網絡模型進行訓練。一般BP神經網絡的隱含層激勵函數采用對數S形轉移函數，公式如下：

由于函數輸出值須在［0，1］區(qū)間內，因此輸出層選用線性函數（purlin）。訓練函數選用TRAINLM，設置網絡學習次數為10 000次，輸入誤差目標為0.003后，對數據樣本關系進行逼近。

神經網絡模型在6120次迭代時達到目標誤差精度，停止訓練。至此，初步得到無人機外觀造型的神經網絡模型。

4.6 BP神經網絡性能評價

對無人機外觀的BP神經網絡模型的有效性進行檢測，其原理是對案例進行人工測評，并且進行歸一化處理。然后對選取的案例進行檢測，首先對案例進行編碼，并將其輸入無人機外觀BP神經網絡模型，從而得到輸出結果。將前后兩者的結果通過均方差分析MSE來評測，表達式為：

其中，d為輸出層神經元數，yw是神經網絡輸出，y*w是目標評價值，將兩者進行對比。通過以上函數計算所得結果數值為0.0014、0.0045、0.0065、0.0023和0.0055［6］。如果MSE所得數值小于0.01，就可證明該無人機外觀BP神經網絡具有有效性。在可接受范圍內，表明該神經網絡達到了精度要求，具有可靠性。

4.7 BP神經網絡的預測與結果分析

將無人機外觀形態(tài)拆解為7個部分，每一個部分都有數個下屬元素，理論上，無人機外觀造型根據排列組合可存在3×3×7×7×6×5×4=52 920種形態(tài)，將所有形態(tài)排列組合中的編碼輸入神經網絡模型，即可得出安全、新穎、靈動、流線、時尚、典雅、奢華、張揚、科技、簡潔、圓潤、硬朗、修長、親和、人性等感性意向詞評分最高的輸入層編碼組合，其中安全、修長、親和三個感性指標所對應的最優(yōu)元素組合在案例庫中存在相對應的案例，分別對應的輸入層編碼為001011011101011011010、010001011011011100011和001001011010011001011，與其對應的外觀元素組合分別是1335332、2133343和1132313。在目前所存在的無人機外觀案例庫中可找到其對應的最優(yōu)組合。

可通過建模軟件犀牛進行建模展示，例如根據目前的外觀元素想要獲得最“靈動”的外觀設計。根據BP神經網絡系統(tǒng)所得的52 920種外觀形態(tài)，將“靈動”輸出指標最高分的設計方案作為初步的形態(tài)組合。然后進行建模、渲染，“靈動”最優(yōu)化方案與建模渲染如圖2所示。

此外，這7種外觀元素相對粗略，最優(yōu)建模中還有許多細節(jié)需要“再創(chuàng)作”。此神經網絡構建只涉及7個設計元素，設計的細節(jié)相對較少，若想得出更精確的預測，還需要更多的外觀元素，如更加細分的結構、形態(tài)、顏色、材質、分型以及更豐富具體的下屬元素，即對此神經網絡模型的推廣運用。

5 結語

本研究運用感性工程學的方法，將消費者對產品外觀的情感化需求變?yōu)榭晒┰O計師選擇的設計元素，以無人機外觀為設計對象。通過調研獲得產品外觀感性描述詞，并將其作為指標進行打分，通過拆解外觀元素并編碼輸入，使用BP神經網絡模型建立起外觀設計元素與用戶感性意向的關系模型。這樣不僅能夠避免產品外觀設計師的主觀因素影響，也在設計師和用戶之間架起了一座有效溝通的橋梁，提升了定向性設計的便捷性，能有效實現精準定位。

參考文獻：

［1］ 劉月林，王習羽，王劍.基于三角模糊和BP神經網絡的產品意象造型設計［J］.包裝工程，2021，42（14）：185-193.

［2］ 冉蓓.基于產品語意的人工智能產品設計方法研究［J］.設計，2021，34（12）：119-121.

［3］ 潘峰，鞏炯炯，毛軼超.基于神經網絡的乳兒產品交互性設計評價［J］.包裝工程，2018，39（16）：155-161.

［4］ 張碩，吳儉濤.基于BP神經網絡的壁掛式充電樁產品形態(tài)研究［J］.圖學學報，2017，38（6）：865-868.

［5］ 唐珊，秦家怡.集成神經網絡的工業(yè)產品設計方案評價［J］.現代電子技術，2017，40（7）：112-115.

［6］ 趙萬芹.基于BP神經網絡的產品造型設計評價［J］.計算機工程與設計，2009，30（24）：5715-5717，5721.

作者簡介：李月恩（1976—），男，山東濟南人，博士，副教授，研究方向：智能設計方法、數據驅動創(chuàng)新方法。

金瑞（1998—），男，安徽安慶人，碩士在讀，研究方向：智能設計方法、交互設計。