1.本技术涉及产品造型设计技术领域，尤其涉及一种基于深度学习和参数化建模的产 品形态生成设计方法。
背景技术：2.复杂产品造型的设计过程较为漫长，以汽车为例，汽车造型特征聚焦于对汽车整体 风格、形面变化、细节表达以及延续多代的家族化特点的描述。相关学者从造型要素、 特征提取、风格识别、品牌造型基因等方面对汽车造型特征进行研究，但大多数研究成 果主要应用于传统的汽车设计手段中，如汽车草图手绘，设计师在确定草图方案后再交 给cas(computer aided styling)数字模型工程师转换为三维模型，在建立三维模型的 过程中，cas工程师需要反复与设计师沟通，多次调整曲线和关键点的位置关系，效率低 下。因此，在计算设计、参数化设计的时代浪潮下，如何将汽车造型特征相关研究成果 应用于计算机辅助设计中，实现汽车概念设计的智能化，具有极大的研究价值。
3.在早期的生成式设计研究中，通常将生成式设计定义为根据设定的规则对初始形态 进行算法修改，生成一系列各不相同的设计方案，在建筑中可以找到较多应用案例，因 为建筑对象几何堆积的造型特征十分适合基于体素进行三维形态生成，在产品设计中的 应用较少，生成产品设计方案仍缺乏较好的实施方法，最常用的有进化计算和参数化建 模两种方法。随着计算机辅助设计的发展，参数化设计、形状语法、元胞自动机、遗传 算法、分型循环、深度学习等相关技术逐渐应用于生成设计领域，生成式设计已不再局 限于进化算法的生成过程。有大量的案例显示，其它的计算机辅助设计方法在生成式设 计领域也取得了较好的成果。
4.一般情况下，生成式设计通常需经过以下步骤：
5.第一步：明确设计对象和解算目标。
6.第二步：选取恰当的生成式设计技术路线。
7.第三步：构建生成式设计系统。
8.第四步：优化调整生成式设计系统的算法和参数。
9.第五步：挑选最终设计方案。
10.当前的产品生成式设计方法存在以下关键问题：基于进化计算的产品生成式设计方 法主要是研究产品特征线与感性意象之间的关系，结合遗传算法实现二维层面的产品特 征线的“感性意象词汇最优解”，局限于单一特征线和二维层面，对实际的复杂三维造型 设计指导作用非常有限。基于深度学习的产品生成式设计方法以二维侧视图作为研究对 象，由于深度学习需要进行大量并行计算，因此通常采集的图像数据样本需处理为低分 辨率尺寸，该生成设计方法存在数据样本需求庞大、数据集难以收集、生成图像质量较 差、生成结果不可控等问题；基于参数化建模的产品生成式设计同样局限于二维产品特 征线层面，少有人在复杂产品的三维层面对产品特征线进行相关智能辅助设计方法研究。
技术实现要素：11.本技术提供了一种基于深度学习和参数化建模的产品形态生成设计方法，其技术目 的是在三维层面实现复杂三维产品的生成。
12.本技术的上述技术目的是通过以下技术方案得以实现的：
13.一种基于深度学习和参数化建模的产品形态生成设计方法，包括：
14.s1：提取对产品造型关联度最大的二维产品特征线图像，针对该二维产品特征线图 像进行用户多维度心理意向研究，得到用户心理意向数据,将所述用户心理意向数据通过 聚类的方式转化为每个维度下的类别标签，则得到带有类别标签的二维产品特征线图像， 所述二维产品特征线图像中的二维产品特征线即为意向驱动特征线；
15.s2：将带有类别标签的所述二维产品特征线图像输入到深度学习网络，生成二维特 征线集合，将所述二维特征线集合中的任意一个二维特征线与产品各视图的投影关系进 行构建，得到产品的三维特征曲线；其中，用于构建所述三维特征曲线的二维特征线即 为驱动特征线；
16.s3：将所述二维特征线集合中的其他二维特征线与所述驱动特征线进行关联，以对 所述三维特征曲线进行参数化重构，得到由所述驱动特征线所对应的三维特征曲线参数 模型；
17.s4：通过所述意向驱动特征线驱动所述三维特征曲线参数模型产生形态变换，从而 生成新的产品形态。
18.进一步地，步骤s1中，将所述用户心理意向数据通过聚类的方式转化为每个维度下 的类别标签，包括：
19.用户对产品样本图像的风格意向进行立克特量表评分，根据所述立克特量表评分对 用户心理意向数据进行聚类分析，得到各产品样本图像基于每个风格意向符合程度评分 的类别标签，符合程度评分最高的类别标签即为该产品样本图像的风格意向类别标签， 则得到带有类别标签的二维产品特征线图像；
20.其中，所述风格意向通过感性词汇定义。
21.进一步地，所述深度学习网络为vae-gan网络，所述vae-gan网络包括编码器、生 成器和判别器。
22.进一步地，步骤s3中，将所述二维特征线集合中的其他二维特征线与所述驱动特征 线进行关联，包括：所述驱动特征线包括定位基准点，产品的二维特征线中的控制点通 过与所述定位基准点在投影视图上的相对位置关系建立参数关联；
23.其中，所述定位基准点根据设计惯例中的经验取值获取。
24.进一步地，步骤s3中，所述二维特征线集合中的二维特征线均为三阶bezier曲线， 每个所述二维特征线包括4个控制点，4个控制点表示为其中，j 表示曲线编号；与分别表示三阶bezier曲线的起点和终点，和表示三阶bezier 曲线中间的两个控制点，则三阶bezier曲线表示为：
[0025][0026]
其中，t表示区间[0,1]中的一个实数。
[0027]
进一步地，和的位置关系包括：
[0028]
和都不在三阶bezier曲线上；
[0029]
或三阶bezier曲线为直线时，和都在三阶bezier曲线上。
[0030]
本技术的有益效果在于：本技术所提出的基于感性意象和参数化建模的产品形态生 成式设计方法将设计学中的专业领域知识融入生成式设计算法中，该方法挖掘用户对于 产品造型要素的风格意象感知，将造型与意象的符合程度作为设计指导，帮助设计师准 确把握设计特征要素和用户的需求，降低设计风险，同时也通过深度学习和参数化建模 技术建立了生成式设计系统，辅助设计师在概念设计阶段快速生成设计方案，高效广泛 地探索设计空间，可实现产品家族化的快速探索，加快产品迭代速度，缩短研发周期。
附图说明
[0031]
图1为本技术所述方法的流程图；
[0032]
图2为vae-gan网络的结构图；
[0033]
图3为3阶4点的nurbs曲线示意图；
[0034]
图4为具体实施例中各视图提取出的特征线及编号示意图；
[0035]
图5为具体实施例中关键定位基准点示意图；
[0036]
图6为具体实施例中车身长度变换和高度变换示意图；
[0037]
图7为具体实施例中前挡风玻璃曲线的位置移动驱动关联特征线形态变化示意图；
[0038]
图8为具体实施例中侧视顶型线驱动生成汽车形态的流程图。
具体实施方式
[0039]
下面将结合附图对本技术技术方案进行详细说明。
[0040]
为了便于公众理解，以下将以汽车产品为例来对本技术的技术方案进行说明，具体 包括：
[0041]
(1)汽车生成式设计语境下的意象研究：
[0042]
产品风格意象可以通过感性词汇来定义。收集多款汽车样本，并使用专家评价法筛 选出几个最具有代表性的感性词汇，例如“运动的”、“优雅的”、“大气的”、“沉稳的
”ꢀ
和“现代的”。请用户对所搜集各款汽车样本针对所选感性词汇进行了立克特量表评分， 对用户态度数据进行系统聚类分析，得出了各样本图像基于每个风格意象词汇评价得分 的符合程度类别标签，例如“非常运动”、“比较运动”和“不运动”三类标签，为下一 阶段采用基于深度学习的生成式设计方法生成符合用户心理意向的侧视顶型线奠定了基 础。
[0043]
(2)基于深度学习的二维产品特征线的生成：
[0044]
本技术选择基于变分自编码器的生成对抗网络vae-gan来生成侧视顶型线的图像样 本，其结构如图2所示。首先，建立编码器encoder、生成器generator和判别器 discriminator的全链接神经网络，并初始化其网络参数θ
enc
、θ
gen
、θ
dis
，载入侧视顶 型线的图像数据集x，编码器encoder首先接收m个minibatch数量的原始数据样本集 x＝{x
(1)
，...，x
(m)
}，对原始图像进行压缩编码，得到基于真实分布的特征编码潜在向量 z＝{z
(1)
，...，z
(m)
}，通过计算得到潜在向量z的均值向量集μ＝{μ
(1)
，...，μ
(m)
}和方差向量 集σ＝{σ
(1)
，...，σ
(m)
}，令z
′
＝μ+exp(σ)
·
ε，ε～n(0，i)，得到组合后的潜在向量集z
′
＝ {z
′
(1)
，...，z
′
(m)
}。
[0045]
生成器generator接收到z
′
作为输入，通过多层感知机进行生成新的图像样本集y＝ {y
(1)
，...，y
(m)
}，最后将生成的图像样本y和原始样本x输入给判别器discriminator。判别 器输出判断图像为真实的图像的概率值，然后通过随机梯度下降来分别对判别器 discriminator和生成器generator进行反向传播、迭代更新，判别器的更新公式如式(1) 所示，生成器的更新公式如式(2)所示。当训练的轮次数达到设定的epoch数量时，停 止训练并保存已训练好的vae-gan模型参数至指定目录。
[0046][0046]
(3)汽车三维特征曲线参数模型的构建：
[0047]
为了建立相互关联的汽车三维特征曲线参数模型，首先需要对二维车身特征线提取 并进行量化表达，在工业建模软件中通常采用nurbs曲线描绘造型特征线，nurbs曲线的 公式如式(3)所示，nurbs曲线由四个元素定义——控制点pi、权重值wi、节向量u以 及阶数p；其中控制点包括p0，p1，p2，...，pn，共n+1个；权重值包括w0，w1，w2，...，wn，共 n+1个；节向量包括u0，u1，...，um，共m+1个；m、n、p它们三者的数量关系满足m＝n+p+1。
[0048][0049]
nurbs能可以灵活表达的各类曲线，可以解决样条曲线不能画椭圆、正圆和双曲线等问题， 但其函数定义比较复杂、参数较多，当需要提取nurbs曲线某些参数值时比较麻烦，不 利于后续建立汽车三维曲线参数模型。因此本技术采用固定权重值后的3阶4点nurbs 曲线，如图3所示，此时它被简化为bezier曲线，其表达式如式(4)所示，其中t表 示区间[0，1]中的一个实数，用来确定输出离散点的位置和密度；p表示控制点坐标。通 过这种表示方法，确保每条二维特征线具有相同拓扑结构和几何表达，均为三阶bezier 曲线，四个控制点可表示为其中j代表曲线编号，与分别表示 曲线的起点和终点，和表示曲线中间的两个控制点，和的位置不一定在曲线上， 二者的位置包括多种情况：(1)和都不在曲线上；(2)曲线为直线的特殊情况下，和 都在曲线上。简化后的曲线描述方法便于快速提取坐标参数变量，有利于提高后续建 立汽车三维特征曲线参数模型的效率。
[0050][0051]
本技术以一款汽车(2016款奥迪a6)为例，从4个视图对其二维车身造型特征线进 行提取。各个视图提取出的特征线及编号如图4所示，共提取出44条特征线，通过对车 身造型二维特征线(步骤s2中的二维特征线集合)的提取并建立与各视图正确的投影关 系，便
能在三维空间中描述出车身造型的三维曲线网架。由顶视图与左视图共同构建车 辆前脸的特征线，包括挡风玻璃、引擎盖、进气格栅等曲面的前边缘；由左视图与正视 图投影出车辆前部转角处特征线，包含a柱、车灯与翼子板边沿等曲线；顶部视图与正 视图则投影出侧窗、车门、腰线等特征线；右视图与侧视图则建立了车辆后翼子板、后 车顶及c柱处的特征线；顶视图与右视图共同对后车窗、后背箱、尾灯等特征曲线在三 维空间进行了造型的确定。
[0052]
提取出车身二维特征线后，需要借助参数化建模平台建立三维特征曲线参数模型， 在本研究中，选择基于工业设计主流三维设计软件rhinoceros7.0的参数化编程插件 grasshopper搭建汽车三维特征曲线参数模型。本技术探讨的是一种基于侧视顶型线变化 驱动生成汽车三维形态变化的方法，因此在进行汽车三维特征线参数化重构时，需将其 他特征线与侧视顶型线相关联，根据侧视顶型线的相对位置来改变汽车形态。首先需要 对关键定位基准点进行定义，如图5所示，侧视顶型线用粗实线表示，a、b表示两点为 其前后两个端点，车身下边沿轮廓线用虚线表示，在建立参数关联模型的过程中以a、b 两点为定位基准点，车身前侧的特征线控制点与a点根据相对向量关系建立参数关联， 车身后侧的其特征线控制点与b点根据相对向量关系建立参数关联，其中车身下边沿线 (虚线部分)的控制点始终保持z轴坐标不变，仅改变x、y方向的坐标值，即控制车身 下边缘位置高度不变，作为车身高度的底部基准，侧视顶型线高度改变时时驱动车身高 度变化，定位基准a、b两点位置变化时，驱动整车长度发生变化，如图6所示。
[0053]
除了简单的通过基准点关键位置变换驱动整车尺寸外，建立三维特征曲线参数模型 更重要的意义在于改变各特征线的曲线形态和尺度。现以车身a柱附近特征曲线为例进 行说明，如图7所示。图7中(a)表示初始的特征线位置和形态，其中曲线a为引擎盖 侧边沿线，曲线b为靠近车侧窗的车顶轮廓线，曲线c为引擎盖后边沿线，即引擎盖与 前挡风玻璃的公共边界曲线，曲线d为前挡风玻璃上边沿线。由于它们均为3阶4点的 bezier曲线，曲线a、b、c、d的控制点为，j＇＝{0,1,2,3}，j＝{a,b,c,d}，当曲线 c、d按图7中(b)的位置移动，分别得到曲线c＇和d＇，曲线a采用两点定位的方式进 行三维不等比缩放，得到根据c＇的端点定位的曲线a＇，由于曲线b已与曲线a建立参 数关联，则曲线b根据曲线a＇的位置变动得到曲线b＇，如图7中(c)，最后，b＇采用 两点定位的方式缩放变换得到b＇＇，如图7中(d)。
[0054]
基于以上曲线变换思路，对其他特征线采用同样的步骤调整后，则可以得到整车的 三维特征曲线参数模型，当侧视顶型线形态位置变换时，整车的三维特征曲线便能随之 变换。
[0055]
(4)基于侧视顶型线生成汽车形态：
[0056]
在参数化建模平台grasshopper中对汽车三维特征曲线进行参数化重构后，得到了 以侧视顶型线的形态与尺度为基准的汽车三维特征曲线参数模型，结合深度学习的侧视 顶型线生成结果(即步骤s2中的二维特征线集合)，将各个风格意象词汇的侧视顶型线 图像生成结果(即步骤s1中的意向驱动特征线)作为汽车三维特征曲线参数模型的输入 变量，便能生成大量形态各异且符合用户风格意象心理认知的汽车形态，此外，由于整 体汽车形态主要通过侧视顶型线驱动，汽车其他特征线仍保留了与初始状态高度相似的 特征，使得生成的结果与最初样本保持了设计语言的一致性，有利于设计师在概念设计 阶段快速探索符合品牌家族化设计特征的汽车形态设计方案。
[0057]
侧视顶型线驱动生成汽车形态的流程如图8所示。首先将基于深度学习的侧视顶型 线结果按照不同风格意象词汇分别储存于文件夹中，然后在参数化建模平台grasshopper 中读取生成的侧视顶型线样本图像，在设定的矩形区域内将样本图像读取为mesh格式， 由于生成的图样样本为二值化图像，根据网格顶点着色的色值，色值为0表示图像的黑 色区域，色值不等于0的网格顶点表示侧视顶型线的区域，筛选出色值不为0的顶点后 便能将生成图像的侧视顶型线提取为nurbs曲线。最后，将提取出的侧视顶型线在标准 矩形范围内替换掉初始的侧视顶型线样本，汽车三维特征曲线参数模型便根据侧视顶型 线的形态与尺度变化而生成大量形态各异的形态设计结果。
[0058]
以上为本技术示范性实施例，本技术的保护范围由权利要求书及其等效物限定。
技术特征：1.一种基于深度学习和参数化建模的产品形态生成设计方法，其特征在于，包括：s1：提取对产品造型关联度最大的二维产品特征线图像，针对该二维产品特征线图像进行用户多维度心理意向研究，得到用户心理意向数据,将所述用户心理意向数据通过聚类的方式转化为每个维度下的类别标签，则得到带有类别标签的二维产品特征线图像，所述二维产品特征线图像中的二维产品特征线即为意向驱动特征线；s2：将带有类别标签的所述二维产品特征线图像输入到深度学习网络，生成二维特征线集合，将所述二维特征线集合中的任意一个二维特征线与产品各视图的投影关系进行构建，得到产品的三维特征曲线；其中，用于构建所述三维特征曲线的二维特征线即为驱动特征线；s3：将所述二维特征线集合中的其他二维特征线与所述驱动特征线进行关联，以对所述三维特征曲线进行参数化重构，得到由所述驱动特征线所对应的三维特征曲线参数模型；s4：通过所述意向驱动特征线驱动所述三维特征曲线参数模型产生形态变换，从而生成新的产品形态。2.如权利要求1所述的，其特征在于，步骤s1中，将所述用户心理意向数据通过聚类的方式转化为每个维度下的类别标签，包括：用户对产品样本图像的风格意向进行立克特量表评分，根据所述立克特量表评分对用户心理意向数据进行聚类分析，得到各产品样本图像基于每个风格意向符合程度评分的类别标签，符合程度评分最高的类别标签即为该产品样本图像的风格意向类别标签，则得到带有类别标签的二维产品特征线图像；其中，所述风格意向通过感性词汇定义。3.如权利要求1所述的产品形态生成设计方法，其特征在于，所述深度学习网络为vae-gan网络，所述vae-gan网络包括编码器、生成器和判别器。4.如权利要求1所述的产品形态生成设计方法，其特征在于，步骤s3中，将所述二维特征线集合中的其他二维特征线与所述驱动特征线进行关联，包括：所述驱动特征线包括定位基准点，产品的二维特征线中的控制点通过与所述定位基准点的在投影视图上的相对位置关系建立参数关联；其中，所述定位基准点根据设计惯例中的经验取值获取。5.如权利要求1所述的产品形态生成设计方法，其特征在于，步骤s3中，所述二维特征线集合中的二维特征线均为三阶bezier曲线，每个所述二维特征线包括4个控制点，4个控制点表示为其中，j表示曲线编号；与分别表示三阶bezier曲线的起点和终点，和表示三阶bezier曲线中间的两个控制点，则三阶bezier曲线表示为：其中，t表示区间[0,1]中的一个实数。6.如权利要求5所述的产品形态生成设计方法，其特征在于，和的位置关系包括：和都不在三阶bezier曲线上；
或三阶bezier曲线为直线时，和都在三阶bezier曲线上。
技术总结本发明公开了一种基于深度学习和参数化建模的产品形态生成设计方法，涉及造型设计技术领域，解决了复杂产品面向用户意向快速三维模型生成的技术问题，其技术方案要点是将设计学中的专业领域知识融入生成式设计算法中，该方法挖掘用户对于产品造型要素的风格意象感知，将造型与意象的符合程度作为设计指导，帮助设计师准确把握设计特征要素和用户需求，降低设计风险，同时也通过深度学习和参数化建模技术建立了生成式产品设计系统，辅助设计师在概念设计阶段快速生成设计方案，高效广泛地探索设计空间，可实现产品家族化的快速探索、加快产品迭代速度、缩短研发周期。缩短研发周期。缩短研发周期。
技术研发人员：周小舟 姚远 王柳清 薛澄岐 牛亚峰
受保护的技术使用者：东南大学
技术研发日：2022.06.29
技术公布日：2022/11/1
