亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于神經(jīng)網(wǎng)絡(luò)的汽車側(cè)面造型評(píng)價(jià)方法

        2021-09-19 13:56:06王歡歡初勝男顧經(jīng)緯
        圖學(xué)學(xué)報(bào) 2021年4期
        關(guān)鍵詞:流線車型意象

        王歡歡,初勝男,顧經(jīng)緯

        (1.天津科技大學(xué)機(jī)械工程學(xué)院,天津 300222;2.天津市輕工與食品工程機(jī)械裝備集成設(shè)計(jì)與在線監(jiān)控重點(diǎn)實(shí)驗(yàn)室,天津 300222)

        隨著汽車技術(shù)的不斷成熟與完善,汽車已經(jīng)不再是技術(shù)導(dǎo)向型產(chǎn)品,更多的是需求導(dǎo)向型產(chǎn)品,汽車造型成為用戶選購(gòu)時(shí)的重要考量點(diǎn)[1-2]。對(duì)于汽車這種形態(tài)復(fù)雜,且非規(guī)則幾何形狀的產(chǎn)品而言,用戶往往無(wú)法清晰地表達(dá)自己的視覺(jué)感受,受試者通常會(huì)使用較為模糊的表達(dá)方式。對(duì)于經(jīng)驗(yàn)不足的設(shè)計(jì)者,很容易出現(xiàn)主觀性的設(shè)計(jì)誤判,難以獲得準(zhǔn)確的造型意象。反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)作為一種非線性運(yùn)算方法,能夠建立用戶意象與造型設(shè)計(jì)參數(shù)之間的映射關(guān)系,從而把握產(chǎn)品形態(tài)設(shè)計(jì)方向[3-7]。通過(guò)研究面部表情有助于客觀地評(píng)估產(chǎn)品的可用性[8-9],表情識(shí)別技術(shù)能夠連續(xù)識(shí)別用戶在觀察汽車造型時(shí)的感受,分析造型風(fēng)格與用戶好感度的相關(guān)性,幫助設(shè)計(jì)師了解用戶對(duì)產(chǎn)品造型的需求,更客觀地判斷造型優(yōu)化方向的有效性。因此,本文通過(guò)量化意象,并將表情識(shí)別技術(shù)運(yùn)用在方案評(píng)價(jià)階段,通過(guò)識(shí)別測(cè)試者面部表情的變化和情緒傾向性,獲取用戶情感需求,以數(shù)據(jù)形式得出結(jié)論,來(lái)以指導(dǎo)汽車的側(cè)面造型設(shè)計(jì)。

        1 用戶意象與造型特征的關(guān)系模型

        1.1 選取樣本和感性意象詞匯

        汽車樣本圖像主要來(lái)自于“汽車之家”網(wǎng)站上提供的側(cè)面視圖,包括歐洲系、日系、美系和國(guó)產(chǎn)品牌4 個(gè)大類共80 輛車型,基本涵蓋了目前市場(chǎng)上絕大多數(shù)的中型車的造型。對(duì)圖像進(jìn)行初步處理,利用邊緣檢測(cè)算法[10]得到汽車的側(cè)面線框圖,隨后對(duì)圖像進(jìn)行黑白處理,使其成為二值圖像。因車輪屬于附加特征,實(shí)驗(yàn)只針對(duì)主要特征和過(guò)渡特征,因此去除了車輪。預(yù)處理后將相似的車型剔除,保留了62 輛。這些車型涵蓋種類豐富,不同車型之間的造型語(yǔ)言具有一定區(qū)分度,以保證神經(jīng)網(wǎng)絡(luò)訓(xùn)練的有效性,處理后的圖像如圖1 所示。

        圖1 處理后的樣本 Fig.1 Processed sample images

        對(duì)二值圖像進(jìn)行參數(shù)化處理,為后續(xù)BP 神經(jīng)網(wǎng)絡(luò)的造型分類做準(zhǔn)備。在平面繪圖軟件中利用關(guān)鍵控制點(diǎn),繪制樣本車側(cè)面造型的輪廓圖和側(cè)面腰線。外輪廓造型有36 個(gè)控制點(diǎn),分別由C1~C36控制;腰線與外輪廓線分開(kāi),且為非閉合線,由9個(gè)控制點(diǎn)Q1~Q9 控制,樣本控制點(diǎn)分布如圖2 所示。之后使用網(wǎng)格工具,對(duì)樣本造型的關(guān)鍵控制點(diǎn)進(jìn)行定位。以圖2 為例,最左端C1 點(diǎn)建立Y軸,以最下端C35 點(diǎn)建立X軸,由此建立坐標(biāo)系以獲取每個(gè)控制點(diǎn)的二維坐標(biāo),樣本的關(guān)鍵控制點(diǎn)坐標(biāo)值見(jiàn)表1。

        圖2 樣本控制點(diǎn)分布 Fig.2 The distribution of sample control point

        表1 關(guān)鍵點(diǎn)坐標(biāo)值 Table 1 The key point coordinate value of sample

        對(duì)于語(yǔ)義差分調(diào)查問(wèn)卷而言,62 款車型數(shù)量太多,過(guò)長(zhǎng)的問(wèn)卷時(shí)間可導(dǎo)致測(cè)試者疲勞,且看到更多相似的圖像后也可能影響或失去評(píng)價(jià)判斷的標(biāo)準(zhǔn),因此要選擇差異性大的車型。問(wèn)卷調(diào)查共選擇被試者30 人,男女比例為1∶1。被試者可自由對(duì)62 輛汽車側(cè)面造型進(jìn)行分類,將主觀認(rèn)為相似的車型分到一組。把車型的坐標(biāo)參數(shù)導(dǎo)入SPSS 統(tǒng)計(jì)軟件進(jìn)行聚類分析,以確定汽車造型的分類數(shù)量,并剔除相似度高的圖像樣本,最終分為38 類,并在每類中各選擇一個(gè)車型圖像作為進(jìn)行語(yǔ)義差分調(diào)查問(wèn)卷的樣本以及BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本庫(kù)。

        在產(chǎn)品外觀設(shè)計(jì)過(guò)程中,設(shè)計(jì)師主要考慮產(chǎn)品形態(tài)、材質(zhì)、色彩、圖案等。本文意象詞匯的選擇結(jié)合了汽車產(chǎn)品本身的特點(diǎn),從形態(tài)、配色、材質(zhì)、比例、裝飾5 個(gè)要素出發(fā)來(lái)表達(dá)汽車造型意象。通過(guò)相關(guān)文獻(xiàn)資料、互聯(lián)網(wǎng)新聞等渠道,收集了32 個(gè)與汽車側(cè)面造型相關(guān)的意象詞匯見(jiàn)表2。選取的意象詞匯按照這5 個(gè)要素進(jìn)行分類,并經(jīng)過(guò)對(duì)比和分析,去除冗余詞匯、意義相近的詞匯,以及一些主觀性過(guò)強(qiáng)而易于對(duì)用戶的情緒產(chǎn)生過(guò)多干擾的詞匯。同時(shí),在咨詢了汽車設(shè)計(jì)方面的專家以及對(duì)實(shí)驗(yàn)對(duì)象進(jìn)行問(wèn)卷調(diào)查后,通過(guò)數(shù)據(jù)處理、聚類分析對(duì)意象詞匯進(jìn)行篩選,確立了最終的4 個(gè)意象詞匯,即“流線”、“穩(wěn)重”、“大氣”和“優(yōu)雅”。

        表2 初選意象詞 Table 2 Primary imagery

        利用意象詞匯和38 個(gè)樣本汽車側(cè)面輪廓造型制作語(yǔ)義差分調(diào)查問(wèn)卷,以獲取用戶對(duì)于不同車輛造型的評(píng)價(jià)數(shù)據(jù)。將用戶對(duì)于造型語(yǔ)言的感知程度分為5 級(jí)。以流線為例,5 分為流線程度很高;3 分為一般;1 分為很差。調(diào)查一共收到73 份問(wèn)卷,其中有效問(wèn)卷62 份。并計(jì)算有效問(wèn)卷中每種車型的意象評(píng)價(jià)值的均值。

        1.2 網(wǎng)絡(luò)模型的訓(xùn)練與驗(yàn)證

        利用3 層、單隱含層的BP 神經(jīng)網(wǎng)絡(luò),在MATLAB 中搭建造型風(fēng)格與用戶意象之間的關(guān)系模型。由于BP 神經(jīng)網(wǎng)絡(luò)采用的是非線性變換函數(shù)Sigmoid 函數(shù),該函數(shù)只能識(shí)別[0,1]的數(shù)據(jù),因此利用mapminmax 函數(shù)對(duì)樣本數(shù)據(jù)集進(jìn)行歸一化(Normalizing)處理。根據(jù)經(jīng)驗(yàn)公式以及試算,設(shè)置隱含層節(jié)點(diǎn)為11,并將網(wǎng)絡(luò)最大迭代次數(shù)設(shè)置為500,訓(xùn)練目標(biāo)設(shè)置為0.000 06,學(xué)習(xí)率設(shè)置為0.08?;诖擞?xùn)練BP 神經(jīng)網(wǎng)絡(luò)用于快速判斷汽車側(cè)面造型風(fēng)格。

        為了驗(yàn)證用戶意象與汽車造型特征的關(guān)系模型的可行性,從剩余的24 個(gè)汽車側(cè)面造型中選擇5組數(shù)據(jù),輸入網(wǎng)絡(luò)模型中進(jìn)行驗(yàn)證,將神經(jīng)網(wǎng)絡(luò)得到的預(yù)測(cè)值與調(diào)查問(wèn)卷得到的實(shí)際值進(jìn)行比較,結(jié)果見(jiàn)表3,結(jié)果顯示,兩者的誤差值很小。為了驗(yàn)證該BP 神經(jīng)網(wǎng)絡(luò)的有效性,將原本因?yàn)檐囆拖嗨贫容^高而剔除的10 款車型造型數(shù)據(jù)輸入網(wǎng)絡(luò),并對(duì)該10 款車型進(jìn)行感性工學(xué)問(wèn)卷調(diào)查,分析比較2組數(shù)據(jù)的差異性。使用SPSS 軟件對(duì)2 組數(shù)據(jù)的平均值進(jìn)行T 檢驗(yàn),得到顯著性水平p=0.186>0.05,說(shuō)明該BP 神經(jīng)網(wǎng)絡(luò)是有效的。

        表3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值誤差 Table 3 Neural network predictive error

        1.3 汽車造型風(fēng)格

        本文的最終目的是研究同一車型在迭代優(yōu)化中的造型風(fēng)格是否符合用戶市場(chǎng)的需求,并研究何種風(fēng)格的設(shè)計(jì)趨勢(shì)更易獲得市場(chǎng)的喜愛(ài)。因此選取了3 種具有代表性的車型,這3 種車型迭代次數(shù)較長(zhǎng),分別以車型A,B 和C 命名,每種車型各12種迭代款式,編號(hào)1~12。并將3 種車型每一代的側(cè)面造型特征輸入到用戶意象與汽車造型特征的關(guān)系模型,得到模型反饋的結(jié)果,即車的意象分值曲線如圖3 所示。

        圖3 的結(jié)果顯示,隨著不斷迭代,B 車模型反饋的分值最高的意象為優(yōu)雅,穩(wěn)重的分值處于第二位,流線意象在2.5 分附近波動(dòng),大氣的意象概率一直保持較低的概率,在近幾代的車型中大氣意象有小幅上升。通過(guò)對(duì)比原圖可知,這種情況的出現(xiàn)是由于近幾代車型尺寸有所增大及局部比例變化,因此把B 車型作為優(yōu)雅和穩(wěn)重意象的代表。同理,A 車型作為流線和優(yōu)雅的代表;C 車型作為大氣和穩(wěn)重意象的代表。

        圖3 B 車意象分值曲線 Fig.3 Model B image value curve

        2 汽車造型評(píng)價(jià)系統(tǒng)

        2.1 表情識(shí)別模型的訓(xùn)練與驗(yàn)證

        本文表情識(shí)別的網(wǎng)絡(luò)結(jié)構(gòu)選擇了VGG 結(jié)構(gòu)[11-14],VGG 結(jié)構(gòu)的泛化能力非常好,在不同的圖像數(shù)據(jù)集上都有良好的表現(xiàn)。其采用了AlexNet[15]的思想,網(wǎng)絡(luò)架構(gòu)是卷積層-池化層-全連接層的結(jié)構(gòu)。本文中表情識(shí)別實(shí)驗(yàn)的重點(diǎn)是需要能夠準(zhǔn)確判斷受試者情緒的正負(fù)向傾向,對(duì)于7 種情感的少量分類,VGG 結(jié)構(gòu)下的VGG13 網(wǎng)絡(luò)模型更加輕巧、層數(shù)適中,不易出現(xiàn)冗余,且降低了整個(gè)模型的訓(xùn)練效率。

        表情識(shí)別模型[16]的初步訓(xùn)練階段選取了Fer2013,JAFFE 和CK+3 個(gè)公開(kāi)的數(shù)據(jù)庫(kù),并按照9∶1 的比例分為訓(xùn)練集和測(cè)試集,最終訓(xùn)練集包含32 782 張圖像,測(cè)試集包含3 643 張圖像。在訓(xùn)練網(wǎng)絡(luò)模型過(guò)程中,通過(guò)不斷測(cè)試將學(xué)習(xí)率設(shè)置為0.000 1,批大小(Batch-size)設(shè)置為32,丟失概率(Dropout)設(shè)置為0.7。為了方便數(shù)據(jù)和標(biāo)簽的統(tǒng)一讀取,將3 種數(shù)據(jù)庫(kù)的圖像都處理為CK+圖像的形式,并分為高興(Happy)、憤怒(Angry)、厭惡(Disgust)、悲傷(Sad)、恐懼(Fear)、驚訝(Surprise)和平靜(Neutral)7 類。實(shí)驗(yàn)采用在每個(gè)epoch 后評(píng)估測(cè)試集的準(zhǔn)確率,當(dāng)準(zhǔn)確率提高時(shí),存儲(chǔ)模型當(dāng)前的權(quán)重。在多個(gè)epoch 后,得到對(duì)測(cè)試集識(shí)別準(zhǔn)確率最高的結(jié)果,首次訓(xùn)練后模型對(duì)各數(shù)據(jù)庫(kù)識(shí)別準(zhǔn)確率如圖4 所示。橫軸分別代表模型對(duì)JAFFE 原數(shù)據(jù)集、JAFFE 數(shù)據(jù)集中人的面部區(qū)域(說(shuō)明能從圖像中提取有效的面部信息,不會(huì)因?yàn)閳D像中人臉的面積大小影響測(cè)試的結(jié)果,證明模型的魯棒性)、Fer2013 數(shù)據(jù)集及CK+數(shù)據(jù)集的識(shí)別率。

        圖4 首次訓(xùn)練后的識(shí)別準(zhǔn)確率 Fig.4 The recognition accuracy of the first training

        為了檢驗(yàn)該模型對(duì)于非數(shù)據(jù)庫(kù)中圖像的識(shí)別準(zhǔn)確率,采用了由卡內(nèi)基梅隆大學(xué)采集的The CMU Multi-PIE Face 數(shù)據(jù)庫(kù)(CMU),將CMU 數(shù)據(jù)庫(kù)中6 152 張標(biāo)記的圖像輸入模型,并用圖像增強(qiáng)的方法來(lái)提高模型的準(zhǔn)確率和魯棒性,最終訓(xùn)練后模型對(duì)各數(shù)據(jù)集的準(zhǔn)確率如圖5 所示。

        圖5 模型改進(jìn)后的識(shí)別準(zhǔn)確率 Fig.5 The recognition accuracy after model improvement

        與此同時(shí),查看CMU 數(shù)據(jù)庫(kù)識(shí)別各表情分類的準(zhǔn)確率如圖6 所示,發(fā)現(xiàn)并不是所有表情的識(shí)別率都高。對(duì)于高興、驚訝和平靜這3 種表情識(shí)別準(zhǔn)確率較高,而其余的表情識(shí)別率較低。由于之后的實(shí)驗(yàn)只需要研究用戶情緒的正負(fù)向傾向,憤怒、厭惡、恐懼和悲傷都屬于偏負(fù)向的情緒,雖然這4 種表情之間識(shí)別率存在不均衡的問(wèn)題,但不會(huì)對(duì)實(shí)驗(yàn)準(zhǔn)確性造成過(guò)大的影響。經(jīng)過(guò)訓(xùn)練和改進(jìn),該神經(jīng)網(wǎng)絡(luò)綜合準(zhǔn)確率可達(dá)76%以上,能夠有效地區(qū)分測(cè)試圖像中人臉情緒的正負(fù)向傾向,滿足了之后實(shí)驗(yàn)和評(píng)價(jià)體系建立的要求。

        圖6 CMU 數(shù)據(jù)庫(kù)各表情識(shí)別正確率 Fig.6 The recognition accuracy of each expression in CMU

        2.2 實(shí)驗(yàn)

        2.2.1 實(shí)驗(yàn)過(guò)程

        36 名受試者參加表情識(shí)別實(shí)驗(yàn),圖像采集所采用的設(shè)備為工業(yè)相機(jī),配套的軟件為官方提供的“MV Viewer”。在正式實(shí)驗(yàn)之前,通過(guò)預(yù)實(shí)驗(yàn)剔除因環(huán)境、眼鏡反光等因素造成的表情識(shí)別準(zhǔn)確率不佳的受試者。首先使用被標(biāo)記的表情誘導(dǎo)圖像識(shí)別受試者表情并將這些表情的原始圖像輸入到預(yù)實(shí)驗(yàn)程序中,運(yùn)行后自動(dòng)顯示識(shí)別結(jié)果,識(shí)別后在圖像上標(biāo)定情緒標(biāo)簽如圖7 所示,若識(shí)別表情的準(zhǔn)確率達(dá)到80%以上,則受試者通過(guò)預(yù)實(shí)驗(yàn)。實(shí)驗(yàn)最終剔除了7 名受試者,29 名(男18 名,女11 名)參與了實(shí)驗(yàn)。

        圖7 預(yù)實(shí)驗(yàn)識(shí)別結(jié)果 Fig.7 Pre-experimental identification result

        在正式實(shí)驗(yàn)中,每秒采集圖像20 幀,將圖像保存為表情識(shí)別模型可讀取的圖像格式。并通過(guò)幻燈片的形式將A,B 和C 3 款車的側(cè)面造型按汽車發(fā)布的時(shí)間順序展示給受試者,每幅圖像在屏幕上停留10 s,同一款車型的12 張圖像放映結(jié)束后,休息1 min,再展示下一組;采集受試者面部圖像的同時(shí)同步錄制屏幕上的幻燈片內(nèi)容。并將攝像頭錄制到的連續(xù)圖像與受試者觀看幻燈片的錄像時(shí)間軸同步,保證采集到的受試者表情與看到的圖像內(nèi)容在時(shí)間上的一致性。

        2.2.2 數(shù)據(jù)處理

        受試者的表情數(shù)據(jù)用搭建的 VGG13 CNN 表情識(shí)別模型進(jìn)行處理,最后輸出代表7 種表情的預(yù)測(cè)結(jié)果。

        由于只需要分析受試者對(duì)于所看到造型的喜好程度,憤怒和恐懼過(guò)于極端,在實(shí)際觀察一個(gè)沒(méi)有強(qiáng)烈主觀色彩的中性圖像時(shí),出現(xiàn)這3 種情緒的可能性極低,因此作為誤差將其剔除。對(duì)于剩下的5 種表情,將厭惡和悲傷作為負(fù)向情緒;將高興作為正向情緒;將平靜認(rèn)為無(wú)情緒波動(dòng)。對(duì)于驚訝這種表情,比較難以直接界定這個(gè)表情的正負(fù)向情緒,采取該表情出現(xiàn)時(shí)其前一張與后一張圖像的表情來(lái)界定。這里分2 種情況,若前后2 張圖像的表情識(shí)別情緒一致,均為正向、負(fù)向或無(wú)情緒波動(dòng),則認(rèn)為中間這張?bào)@訝的表情與前后的表情一致;若前后2 張圖像的表情識(shí)別情緒不一致,則認(rèn)為驚訝為用戶的情緒正在發(fā)生轉(zhuǎn)變,為了平滑情緒波動(dòng)曲線,將這一時(shí)間點(diǎn)的情緒判定為無(wú)情緒波動(dòng)。分析整理各個(gè)受試者的正負(fù)向情緒后,以1 s 為一個(gè)單位,每個(gè)單位20 個(gè)表情數(shù)據(jù),將3 種情緒歸一化處理,然后繪制隨時(shí)間變化的用戶群情緒變化曲線圖(B 車為例)如圖8 所示。

        圖8 B 車用戶群情緒變化曲線 Fig.8 Model B Users’ emotional change curve

        2.3 實(shí)驗(yàn)結(jié)果分析及驗(yàn)證

        對(duì)意象分值和情緒傾向性相關(guān)性的分析,在雙側(cè)檢驗(yàn),置信度為0.01 上使用SPPS 對(duì)雙變量進(jìn)行了Pearson 相關(guān)系數(shù)分析。結(jié)果顯示,4 個(gè)意象詞之間呈現(xiàn)不同程度的負(fù)相關(guān)性,“流線”與正向情緒具有顯著性差異,2 變量呈較強(qiáng)正相關(guān)(0.767),“穩(wěn)重”和“優(yōu)雅”與情緒之間呈較低相關(guān)性,則說(shuō)明這2個(gè)造型意象與用戶好感度關(guān)聯(lián)性較低。結(jié)合相關(guān)性分析,從圖8 與圖3 中可以看到,最初用戶對(duì)該車表現(xiàn)以平靜為主,情緒傾向性較低,隨著車型的迭代,用戶的好感度逐漸上升。在之前對(duì)B 車的造型風(fēng)格進(jìn)行預(yù)測(cè)時(shí),從第五到第七代,這3 款車型正好處在一次大的換代階段,整車造型變得十分圓潤(rùn),因此穩(wěn)重的意象顯著下跌,與此同時(shí)優(yōu)雅的意象有所增加。然而在情緒變化曲線中,造型意象的顯著改變并未對(duì)用戶的評(píng)價(jià)造成顯著的影響,因此初步認(rèn)為這2 個(gè)造型意象與用戶好感度關(guān)聯(lián)性較低。同理,分析A 和C 的意象分值曲線和情緒變化曲線(圖9~10)。隨著A 車型的迭代,流線分值大幅上升,超過(guò)了20%,其余的意象得分變化不大。與之對(duì)應(yīng)的情緒變化曲線顯示,正向情緒也取得了大幅上升,負(fù)向情緒大幅下降;C 車型的4 種意象,分值均有不同程度的提高。從第七代車型開(kāi)始,流線的得分開(kāi)始大幅增加。對(duì)應(yīng)的情緒變化曲線可以看出,在第七代車型,負(fù)向情緒就有了大幅下降,從第八代車型開(kāi)始,用戶對(duì)于C 車型基本已經(jīng)沒(méi)有負(fù)向情緒。

        圖9 A 車的意象分值曲線和情緒變化曲線 ((a)意象分值曲線;(b)情緒變化曲線) Fig.9 Model A image value curve and emotional change curve ((a) Image value curve;(b) Emotional change curve)

        通過(guò)對(duì)3 款車型的風(fēng)格演變進(jìn)行分析和評(píng)價(jià),得出了用戶目前更傾向于流線和大氣造型的結(jié)論,增加“流線”意象的分值能顯著提高用戶好感度。由于本文中的A,B 和C 3 款車型年代跨度長(zhǎng)、造型變化多,用戶好感度的提升可能是多種造型意象綜合的結(jié)果。所以本文選取D 車型的3 款車,驗(yàn)證是否單一流線意象的提升能夠?qū)τ脩艉酶卸绕鸬秸嚓P(guān)作用。

        圖10 C 車的意象分值曲線和情緒變化曲線((a)意象分值曲線;(b)情緒變化曲線) Fig.10 Model C image value curve and emotional change curve ((a) Image value curve;(b) Emotional change curve)

        選擇的驗(yàn)證車型D 的迭代次數(shù)較少,每代造型風(fēng)格都有明顯地改變。最新一代的D-3 側(cè)面造型擁有更流暢的造型比例,整車主要提升了流線的意象,比較適合對(duì)流線感這項(xiàng)單一變量進(jìn)行實(shí)驗(yàn),因此選取這款車型來(lái)驗(yàn)證評(píng)價(jià)系統(tǒng)結(jié)論的有效性。首先對(duì)D 車側(cè)面外輪廓造型參數(shù)化,隨后將3 輛車的參數(shù)值輸入到預(yù)測(cè)模型中,得出意象分值曲線。由預(yù)測(cè)曲線可以看出,D 車的造型意象提升較為單一,主要的提升在“流線”這一造型意象中。同時(shí),結(jié)合用戶的表情識(shí)別數(shù)據(jù),驗(yàn)證了流線造型意象與用戶好感度具有顯著相關(guān)性的結(jié)論,即單一的流線意象提升也能夠提升用戶好感度。新一代D-3 對(duì)比前兩代車型,該車在流線意象得分中有一定的提高,與之對(duì)應(yīng)的,用戶對(duì)于新款車型的評(píng)價(jià)也較上兩代車型更好,由此驗(yàn)證了之前的分析判斷。由此得出,在汽車造型設(shè)計(jì)優(yōu)化中,提升流線型意象,更符合未來(lái)一段時(shí)間用戶對(duì)于汽車造型語(yǔ)言的需求趨勢(shì)。

        此外,通過(guò)量化意象得到具體的側(cè)面造型,進(jìn)一步幫助設(shè)計(jì)師在眾多的“流線型”設(shè)計(jì)方案中選擇最接近用戶好感度的車型。首先對(duì)比D 車型3 款車的關(guān)鍵點(diǎn)坐標(biāo),分析得到C6~C17 的關(guān)鍵點(diǎn)在汽車迭代過(guò)程中變化較大、具有顯著相關(guān)性。其次以C10,C12 和C14 折點(diǎn)為分界點(diǎn),在Excel 中根據(jù)散點(diǎn)圖的走勢(shì),選擇擬合結(jié)果的R 平方值最接近于1 的擬合函數(shù)(R 平方值越接近1,擬合效果越好),由此得到C6~C10,C10~C12,C12~C14 和C14~C17的函數(shù)表達(dá)式。最后利用MATLAB 軟件計(jì)算3 款車對(duì)應(yīng)曲線的曲率,推斷出流線型汽車大致的曲率范圍見(jiàn)表4。

        表4 “流線型”汽車曲率范圍 Table 4 The curvature range of“Streamlined”

        3 結(jié)束語(yǔ)

        本文是通過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力,搭建用戶意象與造型風(fēng)格的關(guān)系模型,使計(jì)算機(jī)獲得識(shí)別車輛造型風(fēng)格的能力,取代傳統(tǒng)的調(diào)查問(wèn)卷,提高風(fēng)格評(píng)價(jià)的效率。其次,使用表情識(shí)別技術(shù)來(lái)量化地分析產(chǎn)品造型意象和用戶好感度之間的關(guān)系,對(duì)造型風(fēng)格趨勢(shì)進(jìn)行分析和評(píng)價(jià),由此獲得滿足用戶情感需求的設(shè)計(jì)方案。并利用Excel 和MATLAB 軟件快速計(jì)算的能力,得到流線型汽車最佳的曲率范圍。此方法的優(yōu)勢(shì)在于:

        (1) 快速識(shí)別汽車造型風(fēng)格。為了研究造型風(fēng)格變化趨勢(shì),需要用戶觀察同一款車型的不同年代的改款,這些車型之間變化較小。將汽車圖像二值化后,用戶也難以區(qū)分車款之間的細(xì)微差異,容易造成用戶判斷力的缺失。通過(guò)用戶意象與造型風(fēng)格神經(jīng)網(wǎng)絡(luò)關(guān)系模型的建立,獲得對(duì)輸入車型風(fēng)格的判斷能力,能夠?qū)τ械脑煨惋L(fēng)格進(jìn)行快速識(shí)別,而不需要每一次都重復(fù)調(diào)查問(wèn)卷并人工分析。

        (2) 識(shí)別用戶潛意識(shí)情緒。應(yīng)用表情識(shí)別技術(shù)可以發(fā)現(xiàn)設(shè)計(jì)師容易忽略的被試者的細(xì)微情緒變化,可以分析設(shè)計(jì)中某些細(xì)節(jié)對(duì)被試者產(chǎn)生的心理作用。幫助設(shè)計(jì)師更客觀、更理性地了解用戶的真實(shí)感受,分析用戶行為,從而設(shè)計(jì)出更符合用戶心理預(yù)期的設(shè)計(jì)。

        (3) 以數(shù)據(jù)形式得到具體意象的側(cè)面造型。通過(guò)量化意象,以數(shù)據(jù)形式得出具體結(jié)論,來(lái)指導(dǎo)汽車研發(fā)流程中的側(cè)面造型設(shè)計(jì),做到以用戶為導(dǎo)向判斷造型優(yōu)化方向的優(yōu)劣,幫助設(shè)計(jì)師在造型優(yōu)化時(shí)有跡可循。

        猜你喜歡
        流線車型意象
        撫遠(yuǎn)意象等
        2022全球期待車型 TOP10
        車迷(2022年1期)2022-03-29 00:50:20
        一種高速自由流車型識(shí)別系統(tǒng)
        幾何映射
        任意夾角交叉封閉邊界內(nèi)平面流線計(jì)算及應(yīng)用
        車型 (五)
        2016年最值得期待的十款國(guó)產(chǎn)車型
        車迷(2015年12期)2015-08-23 01:30:32
        “具體而微”的意象——從《廢都》中的“鞋”說(shuō)起
        “玉人”意象蠡測(cè)
        大型綜合交通樞紐流線組織設(shè)計(jì)
        麻美由真中文字幕人妻| 成人无码免费一区二区三区| 国产成人亚洲不卡在线观看 | 久久免费网站91色网站| 日本人妻精品有码字幕| 狠狠躁日日躁夜夜躁2020| 精品人妻潮喷久久久又裸又黄| 手机色在线| 国产91在线播放九色快色| 亚洲情综合五月天| 色悠久久久久综合欧美99| 国产亚洲欧美另类第一页| 深夜福利国产精品中文字幕| 国内精品久久久久久久97牛牛| 亚洲综合av在线在线播放| 久久精品国产av大片| 亚洲女同同性一区二区| 日韩欧美成人免费观看| 日韩第四页| 丁香婷婷激情俺也去俺来也| 日韩亚洲中文有码视频| 成人区人妻精品一熟女| 久久久久久久尹人综合网亚洲 | 国产情侣一区二区| 亚洲av电影天堂男人的天堂| 亚洲无码视频一区:| 国产一区二区三区的区| 欧美xxxx做受欧美| 国产成人v爽在线免播放观看| 国产成年女人特黄特色毛片免| 国产自拍精品一区在线观看| 老熟妇乱子伦av| 大屁股少妇一区二区无码| 国产av熟女一区二区三区密桃| 妇女bbbb插插插视频| 伊人色网站| 日韩黄色大片免费网站| 日本va欧美va精品发布| 精品丝袜人妻久久久久久| 亚洲色图视频在线观看,| 爽爽影院免费观看|