多意象驱动下的产品造型个性化定制系统研究

时间：2024-05-04

王鹏　张炜　白睿昇

摘要：构建了一种基于多意象驱动下的产品个性化定制系统，增加用户对个性化定制的体验度，从而实现智能的产品个性化定制设计。通过对当下三种产品个性化定制模式的比较研究和分析，提出了个性化定制系统的构架模型和系统流程。然后通过用户参与模式、感性意象挖掘、关联方法建立多意象驱动机制，并结合感性工学的相关研究方法、BP神经网络以及多目标粒子群算法构建了面向产品意象造型的智能设计模型，实现了多意象驱动下的产品造型个性化定制。最后以人形卡通文具的个性化定制进行了实例验证。结果表明多意象驱动的产品造型个性化定制系统更加丰富了消费者对产品造型意象风格的体验，满足了消费者日益迫切的个性化设计需求，符合智能时代对产品设计开发的需要。

关键词：多意象驱动;个性化定制;BP神经网络;多目标粒子群算法

中图分类号：TH166;TB472 文献标识码：A

Research on Product Image Personalization

Customization System Driven by Multi-image

WANG Peng，ZHANG Wei ，BAI Rui-sheng

（Art Design College of Lanzhou University of Technology，Lanzhou，Gansu 730050，China）

Abstract：Building a personalized customization system based on perceptual image-driven user participation， so as to increase the users experience of products design， finally， to realize the intelligent products customization.By researching and analysing the design custom pattern and personalization theory of the present three products， giving a architecture model of personalized system， through user participation model， perceptual intention mining， correlation method establishing a driving mechanism， in combination with research methods of Kansei engineering， BP neural network and Multi-objective particle swarm optimization， to build the intelligent design system and customization process for the products， realized the product shape customization in multi-drive image. In the end， an example verification was made with the personalized customization of humanoid cartoon stationery. The personalized system for users enrich the consumer experience about designing products，it meets the increasingly urgent individual design needs of consumerst， we consider the design and product as most suitable for the intelligent age.

Key words：multi-image driven; personalized customization; BP neural network; multi-objective particle swarm optimization

在“互联网+”和“AI”技术飞速发展的当下，人们的消费水平和消费观念不断提升，用户的个性化、差异化的情感需求也日益增多，以交互体验为主的个性化定制设计模式成为一种新的消费趋势[1]。美国最新预测的“改变未来的十大科技”中，“个性定制”更是排在首位[2]。个性化定制模式以用户为中心，尊重个体的自我价值，既能满足用户对个性化定制产品的需求，又能推动产业进步[3]。通过智能设计系统自主设计、预览、评估和定制，用户能深入参与到产品的设计环节，让用户与设计师形成紧密协作的关系，这种智能定制模式極大地满足了用户的个性化需求，符合人人都是设计师的未来设计模式[4]。个性化定制通过对用户感性认知评判、数据挖掘分析，出现了从定性向定量发展的人工评判到智能匹配的趋势，形成了多种测量归纳意象认知的方法和数理模型，这些理论基础有助于结合感性需求对个性化定制进行研究。

1 个性化定制

个性化定制主要依据每个用户不同的爱好和需求，量身制定出一个与之相符合的内容，是一种一对一的关联，希望在了解一类用户的基本需求后，满足各个用户的不同需求[5]。目前相对成熟、应用较广的个性化定制模式基本可以分为以下三类：

（1）以情感、兴趣驱动为主的定制模式，即根据用户的主观偏好进行自由度相对较大的定制，如图1所示。趣味十足的移动端定制产品—“脸萌”基于其强大的素材库来实现以用户情感为驱动的人物脸型轮廓、表情、发型、配饰等部件的简单交换，来组合成为一个自己满意的Q版人物面部形象，过程简单易上手[6]。

（2）以品牌认知、个性化需求驱动为主的定制模式，即借助互联网平台，结合企业品牌文化、产品特点，根据用户的款式、风格、尺寸、规格等方面的线上个性选择进行较大批量的定制，从而提升顾客忠诚度和服务质量，如青岛红领公司结合互联网技术和产品族理论设计了服装定制供应商平台—RCMTM（Red Collar Made To Measure）[7]，如图2所示。

（3）以技术指标、加工工艺驱动为主的定制模式，即采取整体的组合优化，将产品性能配置和功能模块相结合，以客户的需求为生产的目标，根据某类产品统一或近似的加工工艺和生产指标，通过大批量的产品生产，达到压缩成本，提升利润的目的，如三菱公司与相关研究机构联合设计的大型智能生产规范实验服务平台—e-F@ctory系统[8]，如图3所示。

个性化定制的理论研究方向主要集中在数据挖掘、模块化、参数化定制和智能设计、优化模型等方面。如戴佳[9]以用户为中心，从用户多种情感需求中分理处个性化需求来指导产品的个性化设计，并形成了情感化设计的方法论;朱天燕，周海海[10]等提出了一种基于形状文法和交互式遗传算法的产品形态推演模型，以期保持品牌风格的延续性的同时，在产品造型风格连续性和创新性之间取得平衡;于小利、刘咏梅[11]等提出一种在线个性化定制的模块化设计方法，实现了婴幼儿连体衣款式、尺寸的个性化定制;田巧萍，吕健[12]等人为解决现有产品个性化定制中用户需求分析复杂、需求契合度低与用户参与度不足的问题，通过建立用户个性需求表达模型并结合质量功能展开（QFD），提出一种基于用户需求的产品深度个性化定制方法。上述研究主要是基于需求进行个性化定制方法的构建，以及情感需求驱动下的个性化产品设计，在个性化定制与情感化需求间结合的研究还有待深入。

综合分析目前市面上已有的个性化定制模式以及相关学术研究可以看出，目前的产品个性化定制或以产品模块间的“优化组合”为主，或以需求为驱动进行产品的深度定制，缺乏对于产品意象造型的关注。基于此，首先对产品个性化定制的需求和模式进行了研究，并提出基于产品意象造型个性化定制的设计流程，然后基于感性工学提出了基于多意象驱动下的产品造型智能设计方法，构建了以多目标粒子群算法（MOPSO）和BP神经网络为基础的产品造型智能设计模型，实现了多个感性意象驱动下的产品造型创新设计，最后建立了基于多意象驱动的产品个性化定制系统[13]。

2 个性化定制系统构架

2.1 个性化定制流程构建

传统的产品设计模式主要是通过对同类竞品、类似产品等进行大量市场调研，同时收集用户反馈，综合分析设计痛点、优点、缺点来得到新一代的产品设计方案。智能时代的今天可以采用个性化定制的方式，以感性意象为驱动，结合用户偏好，通过线上的个性化定制系统，实现在产品意象造型方面的自主设计和定制，更加满足用户日益增加的个性化消费需求。系统在为用户提供个性化定制服务的同时，实时在线收集用户的偏好数据来定期更新、完善设计知识库。个性化定制的总体流程如图4所示。

首先，用户选择定制产品的基本属性、大致细节和产品基本原型风格，确定初始样本原型;然后选择多个感性意象词汇作为目标，同时设定相关初始参数，进行多意象驱动下的产品造型智能设计;若干个智能设计结果呈现在选择页面上，用户可以根据自己的喜好自主选择，也可以借助系统自动从页面样本中挑选出单个意象最占优的样本输出;之后用户可以选择产品的不同部位进行CMF（C：颜色;M：材质;F：表面处理）风格的自主选择，同时选择、添加、自主上传不同的个性化配件;最后确认结果，生成订单。

2.2 个性化定制系统通用模块构建

构建个性化定制流程，需要建立以下若干模块：交互模块、原型构建模块、知识库模块、智能设计模块、评判模块、选择模块和定制购买模块。每个模块之下还划分为若干个次级模块，如知识库模块下包含有造型知识库、意象知识库、CMF知识库、配饰知识库等次级模块。个性化定制系統模块整体结构和知识库模块构建如图5所示。

交互模块实现用户的登录、在线留言、自主添加、系统推送;原型构建模块实现用户个性化选项与产品基本属性特点之间的整合统一;知识库模块由设计师提炼文化符号、提炼设计元素后统一编码来构建[14]，以及作为基本设计对象的产品本体原型和在用户、设计师参与设计后的产品优选原型，为用户在定制过程中提供后台支持和数据服务，同时知识库允许用户能够自由进入知识库中进行添加、更新个别样本数据和参数，从而一定程度上更新、完善知识库;智能设计模块通过将产品的基本造型参数化，建立感性意象与产品造型间的相互关联，在读取用户输入的初始设计参数和目标意象后，以多目标粒子群算法为基础，从数据库中调用对应初始样本种群，进行多意象驱动下的产品造型智能设计;评判模块主要实现定制流程中各个方案、结果的评判，分为用户自主评判和系统智能评判;选择模块主要实现定制过程中各个步骤和选项的个性化选择，如配件和CMF;定制模块实现产品成品和定制方案的订单确认和购买。个性化定制平台的核心模块是知识库模块和智能设计模块。

2.3 智能设计模块构建

智能设计模块主要基于感性工学、BP神经网络和多目标粒子群算法，实现针对产品多意象造型的智能设计。智能设计流程如图6所示。首先对算法参数进行初始化，将每个粒子看做一个产品造型，然后借助基于BP神经网络构建的“多意象评价系统”对初始粒子种群（初始产品造型样本）进行意象值评价，来作为择优筛选条件，多次迭代并更新粒子个体最优位置（P-best）和全局最优位置（G-best）以实现全局寻优，最终得到Pareto最优解集。

产品多意象智能设计的实现需要确定研究样本，对其进行意象挖掘和样本造型参数化后，建立并训练多意象评价系统，用以实现造型智能设计过程中的适应度（意象评价值）计算，然后以参数化后的研究样本作为初始种群进入到算法阶段。

2.3.1 意象挖掘与研究样本的确定

以人形卡通文具作为研究对象，通过购物网站、杂志刊物、宣传广告以及遗传算法交叉进化等途径收集产品相关样本图片、造型和感性意象词汇，然后利用访谈法和KJ法筛选样本图片，利用口语分析法和聚类分析法筛选感性意象词汇，最后得到50个样本造型和6个意象词汇，并以此制作50*6的5级SD调查问卷[15]。

收集问卷结果，从中选择3个目标意象词汇并分别计算均值，结果如下表1所示。在BP神经网络调用平均意象值数据作为输出训练参数时依据公式（1）进行自动归一化处理，以提升训练效率。

yij=xij-minxjmaxxj-minxj（1）

其中yij表示第i个样本的第j项意象评价数据归一化后的值;i表示研究样本，i=1，2，…，50;j为目标意象，j=1，2，3。

2.3.2 产品形态描述

本研究采用曲线控制法，对产品整体造型进行参数化描点[16]。以样本一为例，如图7所示，将玩偶造型分为身体外部轮廓、头发、表情和衣服4个部分，采用曲线控制法在Illustrator软件中对其进行参数化处理，并将所有参数化坐标点分为若干个可变的关键控制点和不可变的绝对控制点，方便后续的智能设计。

依次对50个样本进行参数化，作为BP神经网络的输入训练参数和产品多意象进化过程中的初始样本种群[17]。

2.3.3 意象评价系统构建

BP神经网络：多层前馈网络误差反向传播算法（Back Propagation，BP）能够无监督的学习和记忆数量可观的“输入—输出”映射关系，并且无需具体计算、深究其内部数学模型和原理[18]。

以BP神经网络构建产品多意象造型评价系统以“研究样本造型参数—样本意象评价目标值”的正向传播和“样本意象评价目标值—研究样本造型参数”的反向传播两个过程组成。当实际输出与预期造型评价参数不符时，进入误差的反向传播阶段[18]。多次训练达到收敛后就可以用来评测新生成样本造型的意象评价值，BP神经网络的拓扑结构如图8所示。

使用50个样本参数坐标和意象评价均值对网络进行训练。

输入层：每个产品有63个造型要素，则网络训练一个样本需建立63个输入神经元。本研究从50个样本中随机选择40个样本作为输入的训练样本，10个测试样本。

输出层：以50个样本的意象评价均值为目标输出值，即每个样本建立3个神经元构成输出层[19]。

隐含层：对于隐含层的神经元数目并没有统一的标准，于是通常采用以下的经验公式（2）和（3）来确定神经元数目[20]：

n1=n+m+a（2）

n1≤m（n+3）+1（3）

其中n1为隐藏层神经元数，n为输入层的神经元数，m为输出层神经元数;a为常数，取值[1，10]。通过计算，训练设置本次隐藏层数位9。

造型参数和意象评价值呈非线性关系，故采用Sigmoid函数作为激励函数[21]。设置最大迭代次数为10000次，误差精度为1*10-6，学习速率为0.01，利用训练集样本和测试集样本进行训练、验证，如图9所示。

从图中可以看出测试整体误差较小，故可以用来进行产品造型意象值的预测评判。

2.3.4 基于多目标粒子群算法的产品多意象造型智能设计

多目标粒子群算法：基于传统的粒子群算法，结合Pareto排序规则得到了多目标粒子群算法[22]，可以根据粒子相互间的支配关系检索历史最优解并保存，同时更新算法非劣解集，并具备记忆能力以掌握当前粒子情况进而采取更加适当的检索策略，因而具有很好的全局收敛能力和稳定性，可以很好的解决多目标优化问题[23]。

对于规模为N的粒子种群，任意一个粒子i的位置向量xi和速度向量vi分别表示为：

xi=（xi，1，xi，2，…，xi，D）T∈RD（4）

vi=（vi，1，vi，2，…，vi，D）T∈RD，i=1，2，…，N（5）

D是決策变量个数，演变过程中粒子位置和速度更新方式如下：

vk+1id=ω·vkid+c1·r1·（pkid-xkid）+c2·r2·（pkgd-xkid）（6）

x（k+1）id=x（k）id+v（k+1）id（7）

式中：ω≥为惯性权重;k为演变次数;c1，c2，≥0为加速系数;r1，r2是（0，1）之间的随机数;p（k）id为第i个粒子在k次演变时的最优位置的第d维分量，称为P-best;p（k）gd为粒子群中k次演变时的最优位置的第d维分量，称为G-best[24]。

粒子适应度是评价粒子优劣的标准，本研究中有多意象造型评价系统预测意象评价值作为适应度。对于多目标优化问题，每个粒子具有多个适应度，对应多个目标。目标函数即为适应度函数，同时粒子需要满足对应约束，数学描述如下：

yi，j=fj（x），（i，j=0，1，2，…），xmin ≤x≤xmax （8）

其中y i，j为i粒子对应的第j个适应度。

产品多意象造型的算法实现主要有以下步骤：

（1）以参数化的50个产品样本的造型参数作为初始种群，设置初始化粒子速度为0，算法学习因子c1=c2=2，惯性权重ω为一个随时间线性减少的函数：

ω=ωmax -ωmax -ωmin kmax ×k（9）

其中ωmax和ωmin为初始权重和最终权重，设置初始权重为1.4，最终权重为0.1;k为迭代次数，设置最大迭代次数kmax为100次;同时设置粒子最大速度vmax为5，最小速度vmin为-5。

（2）然后导入训练好的多意象造型评价系统，计算各个样本的意象评价值作为适应度值;

（3）比较样本的适应度值，根据支配关系更新粒子个体最优位置（P-best）和非劣解集，并从非劣解集中随机选取粒子全局最优位置（G-best）。

（4）按照粒子更新公式（6）、（7）更新粒子的速度和位置。

（5）判斷是否达到预先设定的最大迭代次数，是则输出Pareto最优解集，否则返回步骤（2）继续迭代[25]。图10为卡通人偶文具多意象造型优化结果，输出样本从最优解集中分布的Pareto最优解集边界曲面上随机选取。

3 以人形卡通文具为例的产品个性化定制案例

对人形卡通文具进行了个性化定制。这款文具内附磁铁，可以吸附日常学习生活中的曲别针，也可粘贴便签。

人形卡通文具的个性化定制流程主要有以下几步：

（1）用户进入平台后首先选择要定制的卡通人偶的基本属性，包括玩偶性别、年龄段、体型、和身高选择等;

（2）对主要造型部位—头部细节的基本原型选择，包括发型、眼睛风格、嘴巴形状等;

（3）对次级造型部位—衣服造型的基本原型选择，包括领口风格、外套风格和下摆风格等;

（4）对目标意象风格进行选择（可多选），本研究以“个性的”、“阳光的”、“可爱的”三个目标意象为例;

（5）输入初始造型参数;

（6）自主选择满意样本或借助系统自动从页面结果中挑选出单个意象值最优的样本，如从9个样本中自动选出目标意象—“可爱的”最高的一个样本进行输出;

（7）选择人偶对应部位，进行相应的CMF添加;

（8）选择人偶个别部位进行配件的选择和添加，本例中对人偶添加了眼镜、衣纹，并自主上传、添加了个性签名;

（9）确认结果，提交订单。

产品最终效果图如图11所示：

4 结论

通过对现有的产品个性化定制模式的分析总结，基于智能设计技术，构建出多意象驱动下的产品个性化定制新模式。该模式能够让用户参与到产品个性化设计过程中，从而满足其个性化设计的需求。构建了以多意象驱动的产品个性化定制系统，在传统的三种定制模式基础上，运用意象关联驱动、BP神经网络和多目标粒子群算法实现对产品形态、意象风格以及产品CMF的个性化设计。为个性化定制系统提出了一套囊括智能设计、自主选择、模块组合、线上定制的全新的个性化定制流程，能够更加贴合用户的使用过程，证实了多意象驱动下的智能设计模型能够更好的提升用户体验。最后，以卡通人偶玩具为例进行了个性化定制演示说明，为未来产品个性化定制模式的发展提供了新的方向。

参考文献

[1] 江优雅，刘苏.基于批量生产的个性化产品设计研究[J].机械设计与制造工程，2018，47（01）：90-94.

[2] 解洋.互联网思维下的汽车个性化定制服务初探[J].工业设计，2017，（11）：51-52.

[3] 张贤富.3D打印对首饰个性化定制过程的重塑研究[J].包装工程，2018，39（12）：180-185.

[4] 李翔，王子健.基于3D打印技术的儿童玩具定制平台设计[J].包装工程，2018，39（8）：211-216.

[5] 刘元寅.基于产品系统设计的自行车个性化定制设计研究[D].天津理工大学，2014，（1）：9-10.

[6] 苑馨月.基于交互技术移动端个人形象管理的应用与研发[J].商，2016，（17）：216.

[7] 李翔，龙慧敏.面向个性化定制的工业设计方法研究[J].艺术与设计（理论），2018，2（8）：94-96.

[8] 梁秀璟.三菱电机与机械工业仪器仪表综合技术经济研究所共建智能制造综合试验验证平台—e-F@ctory个性化定制示范产线[J].自动化博览，2018，（5）：16-17.

[9] 戴佳.基于消费者情感需求的产品个性化设计研究[D].上海交通大学，2007，（2）：2-4.

[10]朱天燕，周海海，唐敦兵，等.基于形状文法和交互式遗传算法的产品形态创新设计[J].机械设计与制造工程，2019，48（4）：12-17.

[11]于小利，刘咏梅，黄珍珍，等.面向在线个性化定制的婴幼儿连体衣模块化设计[J].东华大学学报（自然科学版），2018，44（5）：734-741.