摘 要：基于圖像信息熵原理提出一種機器評價高技術產品造型意象的方法，可用于產品美度評價、輔助產品工程設計等領域。以航空發(fā)動機產品為例，通過用戶眼動實驗探究工業(yè)設計領域專家和發(fā)動機行業(yè)人員造型評價的隱性關注點，基于優(yōu)化支持向量機的造型美度算法構建航空發(fā)動機圖像特征數據與其造型意象評價之間的映射模型。實驗結果顯示：機器評價與專家評價的擬合度評價達到75%以上，商用航空發(fā)動機的預測準確率高于軍用發(fā)動機。

關鍵詞：造型意象；信息熵；航空發(fā)動機；美度評價

中圖分類號：V23文獻標志碼：A文章編號：1671-5276（2024）03-0020-05

Research on Evaluation Method of High-tech Product Form Image by Machine： A Case Study of Aeroengin

Abstract：Based on the principle of image information entropy， this paper proposes a method for high-tech product form image evaluation by machine， which can be used in the fields of product aesthetics evaluation and assisted product engineering design. Taking aeroengine products as an example， the implicit concerns of experts in the field of industrial design and engine industry personnel are explored through user eye movement experiments， and the mapping model between aeroengine image feature data and its form image evaluation is constructed based on the aesthetics algorithm of optimized support vector machine. The experiment results show that the fitting degree evaluation between machine evaluation and expert evaluation reaches more than 75%， and the prediction accuracy of commercial aeroengine is higher than that of military engine.

Keywords：form image; information entropy; aeroengine; aesthetics evaluation

0 引言

高技術產品設計以工程設計為主，工業(yè)設計難以介入產品設計開發(fā)過程，其設計效果幾乎完全憑借工程師個人的設計美學素養(yǎng)。本文旨在運用計算機視覺和支持向量機等人工智能相關技術賦能傳統(tǒng)感性工學研究，針對高技術產品的造型特征，提出一種產品造型意象的機器自主評價方法，以拓寬感性工學評價技術的應用場景。該方法在航空發(fā)動機產品設計上得以運用，可以輔助工程師的設計工作，提升航空發(fā)動機產品的造型美度水平。

目前，產品造型意象評價主要以感性工學評價方法為主，機器智能評價技術仍然存在較大爭議。胡曉燕、胡勇、HSIAO等［1-3］研究通過人工神經網絡建立了產品造型特征與設計評價之間的映射；林麗、蘇建寧、高新勤等［4-6］運用自然語言識別技術，從網絡評價中自動提取產品評價詞匯，省去了人工搜集重復勞動。本文將探索運用計算機視覺技術提取產品造型特征的可能性，運用優(yōu)化的支持向量機構建特征-評價之間的映射關系，以實現自主程度更高的機器造型意象評價。

1 基于眼動實驗的專家評價隱性關注點

構建產品造型意象的計算機視覺算法之前，需要研究專家感性評價時認知過程中的隱性關注點。

1.1 專家評價認知過程

羅仕鑒等［7-8］認為，人們在認識一款新產品時，會調用腦海中已有的對過去事物的認識和經驗，從而對某款產品形成特定的“印象”和“感覺”。根據專家造型意象評價的認知過程對航空發(fā)動機造型意象機器評價模型進行設計（圖1）。通過計算機視覺技術模擬專家對產品造型特征的識別，通過機器學習算法建立產品特征與產品造型意象之間的映射關系，模擬專家腦中運用隱性設計知識進行產品造型意象評價的過程。

1.2 基于眼動實驗與訪談的隱性關注點挖掘

通過航空發(fā)動機造型的用戶偏好眼動實驗，研究專家對航空發(fā)動機造型意象評價時的隱性關注點。實驗設計以4個維度造型意象詞和6款不同型號的發(fā)動機為自變量，招募20名5年以上從業(yè)經驗的工業(yè)設計領域專家（11名）和航空發(fā)動機行業(yè)人員（9名）作為被試，分別進行了造型語義評價和眼動數據收集以及回顧訪談。簡約度指標用戶沒有相關評價，因此只用視覺熱區(qū)圖呈現（圖2，圖3）。

因篇幅限制，實驗過程略。實驗結果方面，工業(yè)設計專家在評價科技及品質感一詞時，熱區(qū)圖的熱區(qū)涵蓋范圍較廣，可見用戶偏向于全面觀察發(fā)動機以得出整體感受。發(fā)動機行業(yè)人員除了關注風扇葉片、尾噴管等各個功能部件，還會著重考慮發(fā)動機整體的材質和色彩。

2 基于隱性關注點的圖像信息熵造型美度評價原理

根據眼動實驗數據和相關訪談分析，可以挖掘專家在設計評價時的隱性關注點［9］。對于機器評價來說，要實現這一過程，首先需要獲得產品造型特征的數據，再根據特征數據映射到造型意象的評價。

本研究以圖像信息熵為技術基礎，以專家的隱性關注點為依據，根據航空發(fā)動機的造型意象識別規(guī)律，設計了如下計算機視覺識別算法，用以提取造型圖像特征數據。部分算法原理如下。

1）圖像輪廓熵

原理：圖像輪廓熵，即在計算圖像熵值之前先對圖像進行預處理，通過邊緣識別算法過濾其顏色信息［10-12］，只保留輪廓信息。圖像邊緣識別算法主要包括Sobel算子、Roberts算子、Kirsch算子、Prewitt算子等［13］。本文采用Sobel算子作為圖像邊緣識別算法，算法效果如圖4所示。

對處理后的輪廓圖計算圖片信息熵，獲得圖片輪廓熵值。

含義：輪廓熵能一定程度上反映航空發(fā)動機造型輪廓的復雜度。這一數據可能與“簡約度”的隱性關注點相關。

2）圖像分塊熵重心偏離度

原理：圖像分塊熵是指將圖像分割為m×n個邊長為K個像素的正方形小塊，對每個小塊做圖像信息熵計算并將其繪制為熱區(qū)圖或灰度圖等（圖5）。為了更清楚地區(qū)分造型復雜的區(qū)域，本研究認為等于或大于所有小塊平均信息熵的區(qū)域為造型復雜多變區(qū)域，對這些區(qū)域進行熵值標準化，其余區(qū)域賦予標準化后的最小值，將標準化后的數值繪制為灰度圖，以便后續(xù)計算。

在分塊熵灰度圖中，記第i行第j列（共m行，n列）的像素明度值為li，j，將像素明度視為質量，則有整個圖像的質心與圖像的幾何中心距離為：

式中：Dx為水平方向距離；Dy為垂直方向距離。

含義：同物理學中的力矩平衡一樣，產品造型特征分部的平均、平衡會給人帶來心理感受上的安逸、平靜。從眼動實驗數據也可以發(fā)現，復雜的造型區(qū)域往往會成為人觀察的視覺質心。因此，通過計算產品復雜造型區(qū)域的質心與產品幾何中心的距離可以衡量產品造型的視覺平衡度。

3）圖像平均分塊熵和分塊熵方差

原理：同上一參數一樣，對圖像做分塊熵處理，分為m行n列，計算所有小塊分塊熵值的方差。記第i行第j列的分塊熵值為ei，j，則分塊熵數組為

令E′為去除所有包含透明像素小塊的分塊熵值的集合，共k個元素，則

E′={d1，d2，…，dk}={e1，1，e1，2，…，ei，j}

（4）

則圖像分塊熵var，d為

含義：同圖像信息熵一樣，計算分塊熵的平均數可以輔助判斷圖像的復雜程度。計算圖像分塊熵的方差，可以從方差的數值上了解圖像分塊復雜程度的變化。圖像分塊熵方差越小，則圖像每一塊的復雜度相對變化較小，復雜度越統(tǒng)一；圖像分塊熵方差越大，則圖像每一塊的復雜度變化相對更大，復雜度越不統(tǒng)一。這一數據可能與“秩序及協(xié)調性”的隱性關注點相關。

3 基于優(yōu)化支持向量機的造型美度計算

以GWO-SVM為機器學習模型，通過機器學習實驗構建航空發(fā)動機圖像特征數據與其造型意象評價之間的映射模型。其中航空發(fā)動機圖像特征數據包括圖像一維熵、圖像二維熵、圖像輪廓熵、圖像對比度、圖像整體度、圖像分塊熵重心偏離度、圖像平均分塊熵、圖像分塊熵方差、超平均分塊熵占比以及圖像的寬高像素值共11維數據，造型意象評價維度為簡約度、可靠及性能感、秩序及協(xié)調性、科技及品質感。

3.1 實驗前準備

首先配置計算機圖像識別所需的Python環(huán)境。實驗用1臺MacBook Air M1、安裝Python包管理工具Pip 3和安裝實驗所需要的OpenCV、matplotlib、numpy、math、PIL等Python庫，完成機器視覺圖像識別環(huán)境配置。最后通過Visual Studio Code平臺編寫圖像識別代碼。

在采集航空發(fā)動機樣本圖像特征數據之前，先對樣本圖像進行篩選和預處理。保留樣本圖像中最短邊像素高于150像素且拍攝角度接近于側視圖的圖像，在113個樣本中共篩選出71個符合條件的樣本（其中軍用航空發(fā)動機樣本45個，商用航空發(fā)動機樣本26個），對樣本做去背景處理，保存為透明底的PNG格式圖片。

對這71個樣本輸入圖像識別算法，進行圖像特征數據采集。對已采集的20個樣本數據進行相關性分析。通過Pearson相關系數分析發(fā)現圖像二維熵和圖像對比度之間的相關系數值為0.944，并且呈現出0.01水平的顯著性，說明二維熵和對比度之間有著顯著的正相關關系?？紤]到運行速度，剔除圖像二維熵，只保留剩余的10項圖像特征數據。最后，將采集的10項圖像特征數據與4項造型意象評價數據整合為機器學習的數據集。

3.2 映射模型訓練

以計算機視覺識別算法采集的10項圖像特征數據作為模型的輸入，4項造型意象評價作為輸出，分別訓練軍用和商用航空發(fā)動機的映射模型，即總共訓練4×2=8個映射模型。通過灰狼優(yōu)化算法，搜尋支持向量機的最優(yōu)參數設置［14-15］，即最優(yōu)的懲罰因子C和核函數超參數g（圖6）。具體訓練過程如下。

1）參數初始化，SVM選用高斯核，設定懲罰因子C∈［-100，100］，超參數g∈［2-5，210］；設定灰狼優(yōu)化算法的種群規(guī)模為20，迭代次數100。

2）對于軍用航空發(fā)動機樣本，隨機取36個作為模型的訓練集，剩余9個作為測試集；對于商用航空發(fā)動機樣本，隨機取22個作為模型的訓練集，剩余4個作為測試集。

3）對訓練集樣本數據進行歸一化。

4）用支持向量機訓練模型，采用五折交叉驗證法驗證其準確率并通過灰狼優(yōu)化算法尋找最優(yōu)的C、g參數。

5）迭代結束，找到最優(yōu)參數并輸出模型、分類準確率以及各類相關參數。

4 實驗結果與分析

實驗結果顯示，模型的分類準確率除了軍用航空發(fā)動機的科技及品質感預測準確率為66.67%（圖7），其余的分類預測準確率均達到了75% 以上，部分達到了100%。商用航空發(fā)動機的預測準確率明顯高于軍用發(fā)動機。

實驗結果分析：從樣本數量來說，商用發(fā)動機樣本少于軍用發(fā)動機，因此在分類時更容易找到最優(yōu)的分割超平面；此外，從樣本的分布情況來看，商用發(fā)動機在“低”、“中”、“高”三類中分布得更加平均，不容易出現對某一類或者某幾類的過擬合。考慮到樣本本身問題對訓練結果的影響以及專家在進行產品造型意象時也存在個體差異，本研究認為基于GWO-SVM訓練的映射模型基本達到工業(yè)設計專家的評價水平。

5 結語

本文通過眼動實驗與訪談，研究專家評價的認知過程，挖掘評價過程中的隱性關注點。根據關注點設計了9類基于圖像信息熵的計算機視覺識別算法以幫助提取產品圖像特征數據。最后通過訓練GWO-SVM，建立了產品圖像特征數據與產品造型意象評分之間的關系，實現了機器自主程度更高的產品造型意象評價，使得評價技術能夠更方便地被調用，拓展了評價技術的應用場景，以便輔助工程師的設計工作，提升高技術產品造型設計質量。

參考文獻：

［1］ 胡曉燕. 基于神經網絡的產品造型美學特征識別與修正［J］. 武漢理工大學學報（信息與管理工程版），2004，26（3）：21-24.

［2］ 胡勇. 基于感性工學的筆記本電腦形態(tài)設計研究［D］. 北京：北京服裝學院，2015.

［3］ HSIAO S W，TSAI H C. Applying a hybrid approach based on fuzzy neural network and genetic algorithm to product form design［J］. International Journal of Industrial Ergonomics，2005，35（5）：411-428.

［4］ 林麗，張云鹍，牛亞峰，等. 基于網絡評價數據的產品感性意象無偏差設計方法［J］. 東南大學學報（自然科學版），2020，50（1）：26-32.

［5］ 蘇建寧，李菁楠，邱凱，等. 自然語義驅動的產品意象外觀創(chuàng)新設計［J］. 機械設計，2022，39（10）：119-125.

［6］ 高新勤，金雨昊，王雪萍，等. 基于在線評論挖掘的產品感性評價方法研究［J］. 現代制造工程，2021（12）：13-20.

［7］ 羅仕鑒，潘云鶴，朱上上. 產品設計中基于圖解思維的隱性知識表達［J］. 機械工程學報，2007，43（6）：93-98.

［8］ 羅仕鑒，朱上上，應放天，等. 產品設計中的用戶隱性知識研究現狀與進展［J］. 計算機集成制造系統(tǒng)，2010，16（4）：673-688.

［9］ 盧國英，侯冠華. 產品造型設計決策過程中的眼動機制研究［J］. 包裝工程，2018，39（14）：215-220.

［10］ 錢文華，徐丹，徐瑾，等. 基于信息熵的風格繪畫分類研究［J］. 圖學學報，2019，40（6）：991-999.

［11］ 孫君頂，丁振國，周利華. 基于圖像信息熵與空間分布熵的彩色圖像檢索方法［J］. 紅外與毫米波學報，2005，24（2）：135-139.

［12］ 孫君頂，毋小省，周利華. 基于信息熵的圖像檢索［J］. 西安電子科技大學學報，2004，31（2）：223-228.

［13］ 張紅霞，王燦，劉鑫，等. 圖像邊緣檢測算法研究新進展［J］. 計算機工程與應用，2018，54（14）：11-18.

［14］ 陳小娥，陳昭炯.多類SVM在圖像藝術屬性分類中的應用研究［J］. 智能系統(tǒng)學報，2009，4（2）：157-162.

［15］ MIRJALILI S，MIRJALILI S M，LEWIS A. Grey wolf optimizer［J］. Advances in Engineering Software，2014，69：46-61.