融合敏感特征机器学习与可解释人工智能的工业产品美学评价预测框架

《Journal of Imaging》：Advanced Sensitive Feature Machine Learning for Aesthetic Evaluation Prediction of Industrial Products Jinyan Ouyang, Ziyuan Xi, Jianning Su, Shutao Zhang, Ying Hu and Aimin Zhou

本文提出一个融合主观感知与客观特征的先进机器学习框架，用于工业产品（以汽车前脸为代表）的美学评价。该框架创新性地将灰关联分析(GRA)和CVM-TOPSIS通过博弈论结合，构建美学综合评价体系；通过敏感性分析筛选出6个关键美学指标；并提出了改进的肺性能优化反向传播神经网络(ILPOBP)模型进行美学评分预测，在测试集上取得了较低的平均绝对相对误差(MARE=4.106%)。此外，研究引入Shapley加法解释(SHAP)以增强模型可解释性，为工业设计智能化提供了新颖、可量化且可解释的方法学路径。

　　

1. 引言

在现代工业设计与用户体验日益重要的背景下，产品形态的美学价值已成为影响用户感知与购买决策的关键因素。然而，产品形态的美学评价目前仍主要依赖于设计师的主观判断，缺乏系统、科学的量化方法。审美评价本身具有主观性与复杂性，不同用户对同一产品的审美感知存在显著差异，这为设计优化带来了不确定性。因此，如何将主观与客观评价方法结合，科学、准确地量化产品美学价值，成为当代设计研究的关键问题。

传统美学研究强调定性分析、归纳推理与哲学思辨，而计算美学则借鉴认知科学、计算科学和实验心理学理论，对美学知识进行定量描述。目前，产品形态美学评价主要有主观与客观两种方法。主观评价依赖问卷调查收集数据或通过专家访谈分配主观权重来构建模型；客观评价则基于计算美学原理，构建产品形式美学评价体系并对美学指标进行定量描述以构建模型。这两种方法各有优劣，单一方法难以全面捕捉美学评价中复杂、多维的相互作用。因此，迫切需要开发一种能整合主客观信息的综合评价体系。

传统方法如灰关联分析(GRA)、主成分分析(PCA)、熵权法和技术用于通过与理想解相似性进行排序偏好(TOPSIS)等已被广泛应用于产品形式美学评价，但其存在信息利用不足、数据要求高、对极端值敏感等局限。近年来，随着大数据与人工智能技术的发展，研究人员已探索使用线性回归(LR)、支持向量机(SVM)、决策树(DT)、随机森林(RF)和卷积神经网络(CNN)等模型进行美学评价。尽管这些方法取得了有希望的成果，但在实际应用中仍面临预测精度需提升、美学指标体系不完整、模型可靠性低、可解释性差等挑战。

本研究旨在解决以下核心问题：(1) 如何有效结合主客观美学评价以提高评估的可靠性与有效性。(2) 机器学习方法能否用于提高产品形态美学评价的准确性，并更好地支持产品形态设计的优化？

2. 数据集构建与处理

2.1. 汽车前脸美学指标体系的开发

在产品的形态设计与美学评价中，形式美学与格式塔心理学原则是广泛应用的理论基础。基于这些原则，本研究开发了一个由17个指标组成的产品形态美学评价指标体系，包括平衡、比例、节奏、秩序、统一、对称、规律性、共同方向（平行）、连续性、简化、相似性、相似比例、吸引力、稳定性、层次、对比和复杂性。

以汽车前脸为例，其美学指标计算坐标系的原点位于产品轮廓的中心。为消除尺度对评价结果的影响，所有样本的宽度被标准化为统一值，以便进行后续计算。基于此，借鉴先前研究，构建了汽车前脸美学指标的计算公式。

2.2. 使用主客观信息构建综合美学评价模型

在产品的形态设计中，美学评价在决策过程中起着核心作用，涵盖了一系列多维度、复杂的特征。这个过程始于眼睛捕获的产品表面反射光的视觉感知。反射光信号随后被转化为生物电信号，由大脑进行处理。在大脑中，这些信号经历一系列复杂的认知步骤，包括信息的检索、提取、重组和综合，最终形成有组织、有结构的美学感知。这个过程受个人经验、文化背景和个人偏好影响，导致对同一产品形态的美学评价存在显著差异。这突显了美学认知是感性与理性的结合，美学评价是主观与客观的混合。因此，我们结合主观与客观评价信息对汽车前脸形态进行美学评价。

本研究从专业汽车评测网站收集了所需的高清汽车前脸图像及相应的主观美学评分数据。该平台提供的造型与美学评分是由经验丰富的汽车记者和行业专家小组根据标准化评价标准制定的共识评级。为确保数据的时效性与代表性，我们选择了最新发布年份的车型。共收集了400张高清汽车前脸图像并进行标准化分析与评价。这些图像及其对应的专家评分构成了本研究的基础计算样本。部分样本如图所示。

2.2.1. 基于灰关联分析的主观评价

主观评价主要依赖通过用户调查和专家访谈收集的基础数据来构建评价模型。由于主观审美感知本身包含模糊性和人类认知的不确定性，灰关联分析(GRA)被专门选作处理此类不确定信息的有效工具。GRA通过计算样本数据中各因素的灰色关联度来描述各因素之间的关系。该方法利用相似性或相异性来评估因素间的相互作用，从而在不需要大量样本量的情况下，从数学上衡量它们关联的强度。在主观美学评价过程中，我们使用GRA计算主观美学评价值与美学指标之间的相关性，从而准确确定各美学指标的主观权重。

设产品形态样本数量和美学指标数量分别为n和m。样本的美学评价值用作参考序列：

X₀= (x₀(1), x₀(2), …, x₀(n))

每个样本的美学指标值用作比较序列：

X₁= (x₁(1), x₁(2), …, x₁(n))

...

X_m= (x_m(1), x_m(2), …, x_m(n))

两序列间的绝对差、最大绝对差和最小绝对差计算如下：

Δ_0i(k) = |x₀(k) - x_i(k)|

2.2.2. 基于CVM-TOPSIS的客观评价

客观评价基于计算美学的原理和方法，构建产品形态美学评价体系并对美学指标进行定量描述。为处理客观评价中指标数据的多维度与复杂性，本研究采用变异系数法(CVM)结合TOPSIS来确定各美学指标的客观权重。CVM通过计算各指标的变异系数来衡量其离散程度，而TOPSIS则通过计算各评价方案与理想解的接近度来进行排序。将两者结合，可以充分利用数据自身的信息，获得更为客观、稳定的权重分配。

首先，对标准化后的指标数据计算变异系数CV_j。然后，将CV_j归一化得到基于CVM的初始客观权重。接着，应用TOPSIS方法：构建加权规范化决策矩阵，确定正理想解(PIS)和负理想解(NIS)，计算各方案到PIS和NIS的欧氏距离，最后计算相对贴近度C_i。这个贴近度序列反映了各样本基于客观指标数据的综合美学排序。通过分析各指标与综合贴近度的相关性（如皮尔逊相关系数），可以得到反映指标客观区分能力的权重。最终，将基于CVM的初始权重与基于TOPSIS相关性分析得到的权重进行组合（例如加权平均），得到最终的客观权重向量。

2.2.3. 基于博弈论的主客观权重融合

为获得更科学、合理的综合权重，本研究引入博弈论思想，将上述得到的主观权重向量W_s和客观权重向量W_o进行组合。目标是寻找一组线性组合系数α和β，使得组合权重W = αW_s+ βW_o与W_s和W_o的离差之和最小。这可以通过求解一个优化问题来实现，最终得到能兼顾决策者主观偏好与数据客观分布的综合权重。基于此综合权重，即可计算每个汽车前脸样本的综合美学评价值，为后续的机器学习建模提供高质量的目标标签。

2.2.4. 基于相关性的敏感性分析与关键指标筛选

初步构建的美学指标体系包含17个指标，可能存在信息冗余或共线性。为提高后续机器学习模型的效率和泛化能力，需进行降维处理。本研究采用基于相关性的敏感性分析来筛选关键指标。具体步骤为：首先计算每个美学指标与综合美学评价值（即目标变量）之间的相关系数（如皮尔逊相关系数）。然后，根据相关系数的绝对值大小对指标进行排序。通过设定阈值（例如保留与目标变量相关性最强的N个指标），或观察相关系数分布的拐点，最终筛选出一组数量更少但代表性更强的关键美学指标。实验结果表明，经过筛选，最终保留了6个核心美学指标，它们构成了后续模型训练的高质量、低维度输入数据集。

3. 改进的LPO-BP神经网络美学评价预测模型

3.1. 模型框架

为了基于有限的形态输入数据有效预测美学评分，本研究提出了一种新颖的改进型肺性能优化反向传播神经网络模型(ILPOBP)。该模型的核心是利用优化算法来搜索反向传播神经网络(BPNN)的最佳初始权重和偏置，以克服传统BPNN容易陷入局部极小、收敛速度慢的缺点。提出的改进主要体现在优化过程：利用极大极小拉丁超立方设计(MLHD)来初始化优化算法的种群，以增强其在搜索空间中的探索效率。MLHD是一种实验设计方法，能在设计空间内生成分布均匀的样本点，确保初始种群能广泛覆盖可能的解空间，从而提高找到全局最优解的概率。

3.2. 模型训练与预测

将预处理后的数据集（输入为筛选后的6个关键美学指标，输出为综合美学评价值）按比例划分为训练集、验证集和测试集。使用MLHD初始化的LPO算法对BPNN的初始参数进行优化。优化目标是最小化神经网络在训练集上的预测误差（如均方误差）。优化后的参数用于初始化BPNN，然后采用标准的误差反向传播算法进行网络训练。在验证集上监控模型性能以防止过拟合。最终，在独立的测试集上评估训练好的ILPOBP模型的泛化能力。

3.3. 实验结果

实验结果表明，提出的ILPOBP模型在处理复杂美学信息时，在准确性和鲁棒性方面均优于基线模型（如标准BPNN、SVM、RF等）。具体而言，ILPOBP模型在测试集上取得了显著更低的平均绝对相对误差MARE = 4.106%，证明了其高预测精度。模型的优越性归因于MLHD带来的更好的全局探索能力，以及LPO算法在微调网络参数方面的有效性。

4. 基于SHAP的模型可解释性分析与设计启示

尽管机器学习模型（特别是神经网络）在预测方面表现出色，但其“黑箱”特性阻碍了在设计决策中的应用。为了增强模型的透明度并提供可操作的设计见解，本研究引入了Shapley加法解释(SHAP)。SHAP是一种基于合作博弈论的方法，可以量化每个特征（即每个美学指标）对单个样本预测结果的贡献值。

4.1. 全局特征重要性

通过计算所有样本的SHAP值绝对值的平均值，可以得到每个美学指标的全局重要性排序。这揭示了哪些形态特征总体上对美学评分的影响最大。例如，分析可能显示“吸引力”和“比例”是影响汽车前脸美学评价的最重要因素。

4.2. 局部特征贡献与反向设计

对于单个产品样本，SHAP可以显示每个美学指标是如何将模型的基线预测值“推动”到最终预测值的。正值表示该特征提升了美学评分，负值则表示降低了评分。这提供了样本级别的诊断：例如，某个汽车前脸设计可能因为“对称性”得分高而获得加分，但因“复杂性”过高而被扣分。这种细粒度的解释为设计师提供了清晰的优化方向：可以有针对性地调整那些对当前设计产生负向贡献的形态参数（即SHAP值为负且绝对值较大的指标），同时保持或增强产生正向贡献的参数，从而实现“反向设计”和产品形态的定向优化。

5. 结论

本研究提出了一个高度领域特定、协同的框架，集成了多种方法来解决工业设计评价的独特瓶颈。首先，为了严格解决美学固有的主客观二元性，通过博弈论融合了灰关联分析(GRA)和CVM-TOPSIS方法。这种特定组合有效平衡了人类心理偏好与物理几何差异，生成了高度可靠的综合性美学标签。其次，为防止维度灾难和过拟合，基于相关性的敏感性分析通过将17个初始指标提炼为6个核心特征来弥合差距。这个轻量级、语义丰富的输入空间与我们提出的MLHD-LPO优化的反向传播神经网络(BPNN)完美协同，确保了鲁棒的收敛性和高预测精度。最后，与传统黑箱模型不同，SHAP的集成为模型提供了明确的结构可解释性。它将神经网络输出转化为特征级诊断反馈，将范式从仅仅评估美学转变为主动指导可操作的形态优化。最终，本研究的核心创新在于这种方法论的协同作用，它将抽象的美学理论转化为可计算、可解释的工程工作流程，为智能计算机辅助设计平台奠定了算法基础。