(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211199241.4 (22)申请日 2022.09.29 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 李宝军　王浩东　宋明亮　吴极　 李嘉诺　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. G06Q 30/02(2012.01) G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种大数据驱动 的汽车外造型设计的自动 评估方法 (57)摘要 一种大数据驱动 的汽车外造型设计的自动 评估方法。 首先创建用于汽车角度识别、 等级识 别的大规模多视角汽车图片数据集， 采用深度神 经网络方法分别进行训练， 得到对应的汽车角度 识别、 等级识别机； 创建用于外造型评分的汽车 造型评价数据集， 数据集包含汽 车多视角图片及 对应的品牌、 车型等标注信息， 并针对终端用户 及造型专家分别进行造型评分标注及造型语义 评价标注； 将 汽车造型评价数据集按汽 车等级和 评价人员属性拆 分为相应子数据集， 用深度学习 回归及分类方法分别进行训练， 得到汽车外造型 用户及专家不同层面的自动评分机及自动语义 评价机， 并对影 响造型评分及语义评价的显著特 征进行可视化， 为造型师在研发过程中提供实 时、 客观的造型设计 评估。 权利要求书3页 说明书10页 附图4页 CN 115456693 A 2022.12.09 CN 115456693 A 1.一种大 数据驱动的汽车外 造型设计的自动评估方法， 其特 征在于， 步骤如下： 步骤1， 创建用于汽车角度识别、 等级识别的大规模多视角汽车图片数据集并进行相关 信息标注； (1.1)收集与整理不同品牌、 型号的多视角汽车外观图片， 总样本 数不少于N1张， 涵盖汽 车品牌数不少于N2个， 车型年限跨度为Y1～Y2年， 每款车在平视角环绕一周均匀采样N3张图 片； (1.2)对步骤(1.1 )中的多视角汽车外观图片进行一一标注， 包括汽车等级、 品牌、 型 号、 汽车角度， 其中汽车等级分为： 轿车按照A、 B、 C、 D四个等级， SUV按照紧凑型、 中型、 中大 型、 大型SUV四个等级， 得到大规模多视角汽车图片数据集， 并按照汽车等级拆分为对应子 数据集； 步骤2， 对步骤1中的多视角汽车图片数据集分别进行角度识别、 等级识别训练， 对应得 到汽车角度识别机、 汽车等级识别机； (2.1)对步骤1中拆分的子数据集按照比例K拆分为相应的训练集和验证集， 采用深度 学习回归网络训练汽车角度识别机， 采用深度学习分类网络训练汽车等级识别机； (2.2)使用步骤(2.1)中得到的汽车角度识别机、 汽车等级识别机对输入的汽车外造型 图片进行 快速、 准确的判别， 预测输入 汽车造型图片的角度和等级； 步骤3， 创建含用户、 专家两个层面用于训练汽车外造型自动评分机的汽车外造型评分 数据集与含用户、 专家两个层面用于训练汽车外造型自动语义评价机的汽 车外造型语义评 价数据集； 对步骤1中的多视角汽车图片数据集进 行处理， 分为 终端用户及造型专家两个群 体对多视角汽车图片数据集分别进行造型评分标注及造型语义评价标注， 分别得到含汽车 外造型用户评 分数据集与汽车外造型用户语义评价数据集的用户的汽车造型评价数据集、 含汽车外造型专家评分数据集与汽车外造型专家语义评价数据集的专家的汽车造型评价 数据集； (3.1)收集整理与步骤1中的多视角汽车图片数据集相对应的用户评分数据， 对用户评 分数据进行清洗， 分析用户多维度属 性并进行量化， 根据用户不同的属 性赋予不同评分权 重， 综合得到汽车外造型 的综合用户评分； 使用该综合用户评分对多视角汽车图片数据集 中的汽车图片进行一 一对应的用户评分标注， 得到汽车外 造型用户评分数据集； (3.2)收集整理与步骤1中的多视角汽车图片数据集相对应的用户语义评价数据， 对用 户语义评价数据进行汽车造型语义评价关键词提取和分析， 然后对多视角汽车图片数据集 中的汽车图片进行一 一对应的用户语义评价标注， 得到汽车外 造型用户语义评价数据集； (3.3)收集整理与步骤1中的多视角汽车图片数据集相对应的专家评分数据， 从专家从 业年限及评价车型数量对专家评价可靠性进行分析， 对专家评分数据进行清洗； 使用该专 家评分数据对多视角汽车图片数据集中的汽车图片进 行一一对应的专家评 分标注， 得到汽 车外造型专家评分数据集； (3.4)收集整理与步骤1中的多视角汽车图片数据集相对应的专家语义评价数据， 对专 家语义评价数据进行汽车造型语义评价关键词提取和分析， 然后对多视角汽车图片数据集 中的汽车图片进行一 一对应的专 家语义评价标注， 得到汽车外 造型专家语义评价数据集； 步骤4， 将步骤3创建的汽车外造型评分数据集， 按汽车等级和评价人员属性拆分为相 应子数据集， 用深度学习回归方法对用户和专家两个层面分别进行训练， 得到汽车外造型权　利　要　求　书 1/3 页 2 CN 115456693 A 2用户自动评分机与汽车外 造型专家自动评分机； (4.1)将步骤(3.1)中的汽车外造型用户评分数据集， 按步骤(1.2)中的汽车等级分类 方法进行分类， 得到X级车型外造型用户评分子数据集， 其中X取A、 B、 C、 D、 紧凑型SUV、 中型 SUV、 中大型SUV、 大型SUV； 采用深度学习回归方法建立子数据集中造型评分与汽车外造型 特征的映射关系， 分别训练深度学习网络模型， 得到与子数据集相对应的X级 车型外造型用 户自动评分机； (4.2)将步骤(3.3)中的汽车外造型专家评分数据集， 按步骤(1.2)中的汽车等级分类 方法进行分类， 得到X级车型外造型用户评分子数据集， 其中X取A、 B、 C、 D、 紧凑型SUV、 中型 SUV、 中大型SUV、 大型SUV； 采用深度学习回归方法建立子数据集中造型评分与汽车外造型 特征的映射关系， 分别训练深度学习网络模型， 得到与子数据集相对应的X级 车型外造型专 家自动评分机； 步骤5， 将步骤3创建的汽车外造型语义评价数据集， 按汽车等级和评价人员属性拆分 为相应子数据集， 用深度学习多标签分类方法对用户和专家两个层面分别进行训练， 得到 汽车外造型用户自动语义评价机与汽车外 造型专家自动语义评价机； (5.1)将步骤(3.2)中的汽车外造型用户语义评价数据集， 按步骤(1.2)中的汽车等级 分类方法进行分类， 得到X级车型外造型用户评分子数据集， 其中X取A、 B、 C、 D、 紧凑型SUV、 中型SUV、 中大型SUV、 大型SUV； 采用深度学习多标签分类方法建立子数据集中造型语义评 价与汽车外造型特征 的映射关系， 分别训练深度学习多标签分类模型， 得到与子数据集相 对应的X级车 型外造型用户自动语义评价机； (5.2)将步骤(3.4)中的汽车外造型专家语义评价数据集， 按步骤(1.2)中的汽车等级 分类方法进行分类， 得到X级车型外造型用户评分子数据集， 其中X取A、 B、 C、 D、 紧凑型SUV、 中型SUV、 中大型SUV、 大型SUV； 采用深度学习多标签分类方法建立子数据集中造型语义评 价与汽车外造型特征 的映射关系， 分别训练深度学习多标签分类模型， 得到与子数据集相 对应的X级车 型外造型专家自动语义评价机； 步骤6， 使用深度学习模型可视化方法分别对汽车外造型自动评分机和汽车外造型自 动语义评价机进行显著性特 征可视化； (6.1)采用深度学习模型可视化方法， 对汽车造型显著性特征进行可视化； 该方法通过 使用流入CNN中卷积层的梯度信息来理解每个神经元对于预测目标决定的重要性， 对于最 后输出的结果c， c表示类别或回归值， 最后一层卷积层中第K个神经 元的权重公式如下： 其中， 是c相对于最后一层卷积层输出特征图的第k个通道的敏感程度， Z是特征图的 像素个数， i和j分别表示宽高维度的序号， yc表示最后一层激活函数的输出中c的概率， 是最后一层卷积层输出的特 征图， k是特 征图的通道维度的序号， 则是该概率值对最后 一层第k个神经元输出特征图所有像素求偏导数； 然后把 作为权重对最后一层卷积层输 出的特征图加权求和线性组合起来， 并通过ReLU激活函数处理输出， 过滤掉特征图A上某个权　利　要　求　书 2/3 页 3 CN 115456693 A 3