李月恩 金瑞

摘要：在工业产品外观设计阶段，产品设计师如何根据用户的感性，精准把握设计产品的外观形态呢？即使是有多年工作经验的产品设计师，也难以把握产品外观形态与用户直观感性体验的有效契合关系。文章针对目前存在的产品外观设计特点指向性弱的问题，提出一种基于BP神经网络的设计方法。通过调研获得产品外观感性描述词，并将其作为指标进行打分评价，作为输出层参数，即将产品拆解成外观元素并编码作为输入层参数，再使用BP神经网络模型建立起外观设计元素与用户感性意向的关系模型。利用数学软件进行训练和测试，最终得到基于BP神经网络的无人机外观设计预测模型，从而指导设计师有针对性地评价并挑选设计方案，高效率地提供初步的设计方案。实验结果证明，应用BP神经网络的搭建模型能够快速建立起针对消费者感性需求的工业产品外观设计系统，对设计方案的感性指标进行定量分析，从而及时满足消费者精神层面情感化的需求，应用于产品初步设计、方案挑选等设计流程中，避免产品外观设计师个人主观因素的干扰，使设计师的设计方向与用户感性需求高度统一。这有助于促进产品设计多样化和个性化发展，提高产品外观设计方案的落地成功率。

关键词：产品设计；工业设计；无人机；BP神经网络

中图分类号：V279 文献标识码：A 文章编号：1004-9436（2023）04-0-04

随着我国经济水平的日益提升，人们对商品的简单功能需求渐渐转变为情感需求，精神层面的满足感逐渐成为人们购买产品的重要因素，人们的价值观、个性、爱好、身份地位能够通过购买的商品的外形进一步体现。设计人员如果能够精准地抓住消费者的情感化需求，充分满足消费者的个性化需求，就能够开发出市场反响良好的产品，从而提升产品的竞争力和企业品牌的影响力。

人工神经网络能够模仿生物的神经系统学习以及认知行为的信息加工方法，由于特殊的信息处理方式，因此其通常应用于输入信息与输出目标值间独特的非线性关系的建立，并且拥有强大的自学能力、联想储存能力、高效率搜寻优化能力，常常被应用于图像识别、智能机器人故障定位、决策优化以及医学、生理学等领域。除此之外，还可以应用到工业产品外观设计领域。在工业产品外观设计过程中，用户对产品外观的感性认知与产品本身的外观设计属于黑箱模型，即内部的关系不能够被具体感知与完整表述。究其本源是人类对自身“感性”的研究无法通过所掌握的“理性”方法完全认知与简单概述，而解决这种问题正是人工神经所擅长的。

本研究应用BP神经网络搭建针对消费者感性需求的工业产品外观设计系统，从而及时满足消费者精神层面情感化的需求，应用于产品初步设计、方案挑选等方面，促进产品设计多样化和个性化发展，提高产品方案落地的成功率。

1 基于BP神经网络的无人机外观设计过程

收集市场上现存的大量具有代表性的产品外观设计案例，通过形态拆解，建立设计外观元素库，根据代表案例和感性词对消费者评价进行调研，并将外观元素编码处理后转化为输入层数据，对感性调研评价结果数据进行归一化处理，将其作为输出层数据，输入此BP神经网络，进行人工神经网络训练［1］。如此，即可对无人机外观设计BP神经网络进行测试。选择测试案例对消费者进行感性评价，将神经网络所得输出数据与受测感性评价的结果，通过MSE函数处理，若MSE值小于0.01，可以证明此无人机外观设计BP神经网络模型具有可靠性。无人机外观设计BP神经网络研究流程如图1所示。

2 无人机造型意象词汇库构建以及感性评价

2.1 产品设计感性语义库的建立

首先在主流购物平台淘宝、京东、拼多多上搜索产品购买后用户评价，筛选出对外观的描述性词。然后通过网上用户调研和相关文献查阅，收集产品外观感性意向词［2］。再由18名工业设计专业的在校研究生对收集到的词进行统计，筛选讨论，进一步提炼，并运用语义差分法，最终确定了15个使用频率最高的外观描述性感性词：安全、新颖、灵动、流线、时尚、典雅、奢华、张扬、科技、简洁、圆润、硬朗、修长、亲和、人性。这些词即可作为15个产品外观感性评价点。

2.2 产品感性评价

根据经过筛选的1～20号符合要求的无人机案例图片，设计语义差法（SD）调查问卷，开展问卷调查，通过15个外观感性评价点对其进行评价［3］。邀请15名工业设计工程在读研究生、150名无人机爱好者、10名无人机外观设计师和35名非设计类专业研究生，共210人对样本进行评价。评价尺度为1～7分，分别对应收集数据后，将统计数据图表化，发现大部分数据符合正态分布的特点，运用Matlab软件计算可得正态分布的均值，即可求得最常见数据的数学期望。最终，得到这20个图片样本的每一个样本的15个外观感性评价值，共得到280个评价值数据。

3 无人机外观造型元素获取

一架完整的无人机由上千个零部件组成，这些零件可归纳为20个部分，通过形态拆解法将影响无人机产品外观的部件提取出来，排除与外观设计无关的元素。最终通过形态拆解法将无人机分解为7个设计要素：机臂、旋翼、机身顶视图、机身侧视图、起落架、任务设备、桨叶保护罩。收集大约300张无人机外观图，对每一个无人机的外观要素进行归纳统计，排除极其少数的造型，再对每一个要素下的造型进行归类和简化，将每一种设计要素的下属类型提炼到7种或7种以下，并为每一个要素赋予一个二进制编码（见表1）。

4 无人机产品外观预测模型BP神经网络实现

人工神经网络能够模仿人脑对事物分析的认知和思考过程，从而解决人们在各个领域遇到的问题。人工神经网络对数据的宽容度较大，能够探究输入变量与目标值之间的非线性关系，最终体现迫近能力。

4.1 产品设计预测中BP神经的构建与测试

20世纪80年代，心理学家戴维·麦克利兰（David.C.McClelland）和认知心理学家鲁姆哈特（Rumel-hart）等科学家提出了BP神經网络这一概念。人工神经网络可以根据人们事先设定的输入与输出，经过成百上千次训练，找到其中存在的规律。值得称奇的是，这一切是在人们事先没有设定数学公式的基础上建立的［4］。在无数次训练后，输入内容可得出其所预判下最接近人们按照之前规律所得的输出结果。在这一过程中，核心算法是信号的正向传播和误差的反向传播。在调整阈值与权值时，整个过程由输出到输入反向进行。从结构上来说，BP神经网络分为输入层、隐含层、输出层三层主要结构。在输入层与输出层之间，神经元是一层或者多层的。人们把这些神经元称为引单元，其中每一层都有许多节点。对它们的状态进行调整，输出与输入之间的关系就会随机改变。

4.2 输入输出节点的数量

输入层的节点数是外观设计元素种类数目即7，输出层的节点数为提炼后最终确定的无人机产品外观描述性词数目即15。隐含层节点数的计算公式一般如下：

其中，隐含层节点数是m，输入层节点数是n，输出层节点数是l。无人机外观设计预测模型输入层节点数为外观设计元素总数7，输出层节点数为外观描述性词总数15。根据以上公式计算，隐含层节点数为11。

4.3 编码方法

由于设计要素无法直接用于输入，所以需要对无人机的外观元素进行编码处理。每一个外观元素的编码是由0和1组成的三位数编码［5］。例如，若其中一个案例的设计元素X1-X7的下属类型是1、1、3、4、5、3、2，则此案例的编码为001001011100101011010，对其他案例进行相同的处理作为输入代码。

4.4 归一化处理

由于训练神经网络的输出值须在［0，1］的区间内，然而产品外观感性评价结果处理而得的数据并不在此区间内，同时为了提升输出结果的可比性，因此需要将输出数据收敛，将输出的数值规定在［0，1］的区间内，即对输出的感性数据进行归一化处理。本研究采用的归一化算法为：

xmin为x的最小值，xmax为x的最大值。对感性数据进行归一化处理之后，所有数值分布在［0，1］的区间内，就可以将输出的参数输入BP神经网络模型，然后进行训练。

4.5 BP神经网络模型训练

根据前文的数据可得，基于Matlab R2021b平台对其神经网络模型进行训练。一般BP神经网络的隐含层激励函数采用对数S形转移函数，公式如下：

由于函数输出值须在［0，1］区间内，因此输出层选用线性函数（purlin）。训练函数选用TRAINLM，设置网络学习次数为10 000次，输入误差目标为0.003后，对数据样本关系进行逼近。

神经网络模型在6120次迭代时达到目标误差精度，停止训练。至此，初步得到无人机外观造型的神经网络模型。

4.6 BP神经网络性能评价

对无人机外观的BP神经网络模型的有效性进行检测，其原理是对案例进行人工测评，并且进行归一化处理。然后对选取的案例进行检测，首先对案例进行编码，并将其输入无人机外观BP神经网络模型，从而得到输出结果。将前后两者的结果通过均方差分析MSE来评测，表达式为：

其中，d为输出层神经元数，yw是神经网络输出，y*w是目标评价值，将两者进行对比。通过以上函数计算所得结果数值为0.0014、0.0045、0.0065、0.0023和0.0055［6］。如果MSE所得数值小于0.01，就可证明该无人机外观BP神经网络具有有效性。在可接受范围内，表明该神经网络达到了精度要求，具有可靠性。

4.7 BP神经网络的预测与结果分析

将无人机外观形态拆解为7个部分，每一个部分都有数个下属元素，理论上，无人机外观造型根据排列组合可存在3×3×7×7×6×5×4=52 920种形态，将所有形态排列组合中的编码输入神经网络模型，即可得出安全、新颖、灵动、流线、时尚、典雅、奢华、张扬、科技、简洁、圆润、硬朗、修长、亲和、人性等感性意向词评分最高的输入层编码组合，其中安全、修长、亲和三个感性指标所对应的最优元素组合在案例库中存在相对应的案例，分别对应的输入层编码为001011011101011011010、010001011011011100011和001001011010011001011，与其对应的外观元素组合分别是1335332、2133343和1132313。在目前所存在的无人机外观案例库中可找到其对应的最优组合。

可通过建模软件犀牛进行建模展示，例如根据目前的外观元素想要获得最“灵动”的外观设计。根据BP神经网络系统所得的52 920种外观形态，将“灵动”输出指标最高分的设计方案作为初步的形态组合。然后进行建模、渲染，“灵动”最优化方案与建模渲染如图2所示。

此外，这7种外观元素相对粗略，最优建模中还有许多细节需要“再创作”。此神经网络构建只涉及7个设计元素，设计的细节相对较少，若想得出更精确的预测，还需要更多的外观元素，如更加细分的结构、形态、颜色、材质、分型以及更丰富具体的下属元素，即对此神经网络模型的推广运用。

5 结语

本研究运用感性工程学的方法，将消费者对产品外观的情感化需求变为可供设計师选择的设计元素，以无人机外观为设计对象。通过调研获得产品外观感性描述词，并将其作为指标进行打分，通过拆解外观元素并编码输入，使用BP神经网络模型建立起外观设计元素与用户感性意向的关系模型。这样不仅能够避免产品外观设计师的主观因素影响，也在设计师和用户之间架起了一座有效沟通的桥梁，提升了定向性设计的便捷性，能有效实现精准定位。

参考文献：

［1］ 刘月林，王习羽，王剑.基于三角模糊和BP神经网络的产品意象造型设计［J］.包装工程，2021，42（14）：185-193.

［2］ 冉蓓.基于产品语意的人工智能产品设计方法研究［J］.设计，2021，34（12）：119-121.

［3］ 潘峰，巩炯炯，毛轶超.基于神经网络的乳儿产品交互性设计评价［J］.包装工程，2018，39（16）：155-161.

［4］ 张硕，吴俭涛.基于BP神经网络的壁挂式充电桩产品形态研究［J］.图学学报，2017，38（6）：865-868.

［5］ 唐珊，秦家怡.集成神经网络的工业产品设计方案评价［J］.现代电子技术，2017，40（7）：112-115.

［6］ 赵万芹.基于BP神经网络的产品造型设计评价［J］.计算机工程与设计，2009，30（24）：5715-5717，5721.

作者简介：李月恩（1976—），男，山东济南人，博士，副教授，研究方向：智能设计方法、数据驱动创新方法。

金瑞（1998—），男，安徽安庆人，硕士在读，研究方向：智能设计方法、交互设计。