CNN 算法在玻璃陶瓷造型設計中的應用研究

王藝賢

（上海視覺藝術學院，上海 201620）

本文運用具體的案例，分析將人工智能中的深度學習算法運用到玻璃與陶瓷造型設計中的可行性。通過具體的模型建設，分析出作品的缺陷所在，使學生在沒有老師、專家等人的指導下亦能通過人工智能方法開發出能識別作品優劣的程序，并能精確定位到作品待改善的地方，使設計師提高設計的效率，不再為造型的好壞花費較長的時間。與此同時，傳統造型設計的鑒賞通過專家識別，依靠的是專家經年累月的見識與洞察力，其經驗難以復制，但如果將已鑒定的作品交給深度學習模型進行訓練，也可使得模型具有分辨作品優劣真偽等功能，以實現對新的作品進行識別分類的目的。將人的經驗傳給人工智能模型，使其具備專家在某個領域的能力，繼而用人工智能取代人為判斷，大幅度提高效率。

一、智能時代下的玻璃陶瓷造型設計的新方向

造型設計是所有設計中重要的環節，沒有造型設計便缺少了靈魂。優秀的設計中可以捕捉到優秀的造型設計，如何正確地認識自然，深入生活，反映和創作出適合社會主義物質生活和人民大眾審美要求的新造型是當今設計師所要考慮的重點之一 。因此，設計是復雜的，而如何在復雜化的設計流程中產生更快的效率呢？讓我們不得不針對當下的時代模式進行思考。

處于信息時代下的設計師們，大量信息的涌入使得大家擁有了豐富的大數據資源。人工智能技術能夠自動地篩選數據信息，構建密集型的信息網格。將人工智能技術應用于造型設計領域，能夠為設計創作提供更加高效便捷的信息載體。人工智能技術可自動分析海量的數據，運算速度快、精度高，這是人腦所不能比擬的。因此，可以利用人工智能技術來處理各種有著復雜構造的玻璃、陶瓷造型藝術產品，并對其進行分析識別、局部改進，從而創作出辨識度更高、藝術性更強的造型作品，提高設計效率，這成了智能時代下一個新的思考方向。

二、人工智能技術在玻璃陶瓷造型設計中運用的具體案例分析

通過分析與調研，在眾多的人工智能技術領域中，研究并選擇適合造型視覺設計的卷積神經網絡模型建立并運用于玻璃、陶瓷造型設計中。

（一）卷積神經網絡的概念以及運用

藝術領域使用人工智能方法已不是首創，AI 已經可以完成人類手繪藝術的一部分，但是如何在繪畫成品中進行快速的評判和修改還要進一步的研究。因此，需要研究更為精準的算法去分類。卷積神經網絡等方法已應用到醫療上的疾病識別，商場的無人售貨機，工業上的自動分揀等多個領域，在藝術的領域中的挖掘更為深入。

卷積神經網絡（Convolutional Neural Networks，簡稱CNN）是深度學習當中一個非常重要的神經網絡結構。它更多用在圖像處理、視頻處理、音頻處理以及自然語言處理等。早在20 世紀80 年代，卷積神經網絡的概念就已經被提出來了。但其真正的崛起卻是在21 世紀之后，隨著深度學習理論的不斷完善，同時，由于硬件性能的爆炸式提升，算力的不斷增長等因素的促進，給卷積神經網絡這種算法提供了大放異彩的空間。Yann LeCun[1]等在1998 年提出LeNet 卷積神經網路模型,設計之初只是用于手寫數字的識別，到如今已成為卷積神經網絡的 HelloWorld。受限于計算機的算力不足，加之支持向量機 (核學習方法) 的興起，CNN 方法并未成為當時學術界認可的主流方法。

如果說LeNet 奠定了卷積神經網絡的一個基礎，那么Krizhevsky Alex[2]等在2012年提出的AlexNet 就是飛躍了一大步?，F在神經網絡當中應用的許多技術，在AlexNet當中都有所體現，比如說：使用了ReLU 函數，避免梯度的消失問題；正則化（如Batch Norm）在AlexNet 當中大量使用，加快了運算效率，引入Dropout 技術，極大地避免的過擬合，從結構上看，AlexNet 也有獨有的特點：我們知道，綜合來看，GPU的運行速度要遠快于CPU，于是AlexNet 當中采用了雙CPU 運行；卷積層、池化層的交替使用，全連接層的應用被完美地繼承了下來。Simonyan,Karen 與Zisserman,Andrew[3]在2014 年提出VGG Net 模型，這個神經網絡探索了卷積神經網絡的深度和其性能之間的關系，通過反復堆疊33 的小型卷積核和22 的采用了Max Pooling 的池化層，成功地構建了16～19 層深的卷積神經網絡。由于它的間接性和實用性，馬上成為了當時最流行的神經網絡模型。它在圖像分類和目標檢測任務中都表現出非常好的效果。He,Kaiming 等在2015 年使用ResNet 模型獲得了當年ImageNet 競賽中分類、目標檢測等多個項目的第一名，該模型具有超深的網絡結構(突破1000 層)、提出了殘差模塊，使用Batch Normalization(一種標準化處理)加速訓練(丟棄Dropout)。

（二）模型建立

1.根據玻璃、陶瓷造型設計，建立模型需要解決的問題

1）學生的造型設計，不能及時得到老師的反饋，老師或專家無法在短時間內對作品進行分析，所以教學效果不能以最高效的方式反饋給學生，導致學生設計的效率低下，用算法介入進行數據分析與提煉。

2）設計師通?；ㄙM較長的時間去反復斟酌線條的比例以及與制作工藝結合中的合理性，導致效率低下，生產率低。用數據模型介入快捷的輸出所要的結果。

2.卷積神經網絡模型更新換代的過程

卷積神經網絡（CNN，Convolutional Neural Network）在圖像領域的應用非常廣泛，一般一個CNN 網絡主要包含卷積層，池化層（pooling），全連接層，損失層等。

1）神經元

神經網絡由大量的神經元相互連接而成。每個神經元接受線性組合的輸入后，最開始只是簡單的線性加權，后來給每個神經元加上了非線性的激活函數，從而進行非線性變換后輸出。每兩個神經元之間的連接代表加權值，稱之為權重（weight）。不同的權重和激活函數，則會導致神經網絡不同的輸出。

2）神經網絡

圖1 的單個神經元模型智能解決極簡單的分類問題，但隨著問題變得復雜，決定物體類別的特征變得很多的時候，簡單模型便不能準備識別物體類型。因此，將多個神經元組織在一起，且加上一個或多個隱藏層，就形成了神經網絡，如圖2。

大海子水庫新建涵洞、閘井工程總投資284.92萬元，其中建筑工程、臨時工程、獨立費用所占比重較大。經過經濟評價，本工程在經濟上合理可行，且項目投入使用后各受益方需要分攤費用，農業灌溉作為最大的受益方完全可以承受新水價，因此該項目實施有較好的社會和經濟效益。

圖2 神經網絡

常用的非線性激活函數有sigmoid、tanh、relu 等等，前兩者sigmoid/tanh 比較常見于全連接層，后者relu 常見于卷積層。

3）研究出適用于玻璃、陶瓷造型設計的卷積神經網絡

圖2 神經網絡屬于全連接的結構，但因實際問題復雜，圖像作為輸入層的特征量大，需要較多的隱藏層等特性，全連接的神經網絡模型會過于復雜，計算量過大，且有過擬合的風險，因此本文采用具有局部感知機制的CNN 算法。

根據陶瓷、造型研究出適用的卷積神經網絡，卷積流程示意圖如圖3，輸入的二維圖像，先經過三次卷積層、池化層和Batchnorm，再經過全連接層，最后使用softmax 分類作為輸出層。

圖3 CNN 流程圖

如圖3，輸入32×32 的圖像，3 通道RGB 彩色圖像。卷積函數的卷積核shape為5×5×3，depth 表示卷積核的個數，取值為2，stride 表示移動步長，取值為1。激活函數使用Relu，保證輸出結果不小于0，池化函數采用最大池化。對結果進行softmax 處理。

（三）研究出適用的建模求解

確立了適用的卷積神經網絡的架構后，開始從以下步驟建立模型。

1.Step1：準備數據

2.Step2：模型設計

使用百度旗下的paddle框架，定義一個卷積神經網絡函數，內含經過3層卷積過程，函數的輸入參數為一張圖片，第一層的卷積結果作為第二層卷積的輸入，第二層卷積的結果作為第三層的卷積輸入，最后以softmax 為激活函數的全連接作為輸出層。（表1）

表1 參數設定表

然后，使用交叉商損失函數、Adam 優化方法，同時指定學習率為0.001，對模型機型驗證和優化。

3.Step3：根據研究出的算法進行模型訓練

利用paddle 框架的fluid 模塊創建用于模型訓練的Executor，并設定它的運算場所為CPU 或GPU [place=fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()]，然后對Executor 應用fluid.default_startup_program()進行初始化，最后進行訓練過程，訓練過程需要3 個參數分別是program、feed、fetch_list。Program 選用fluid提供的default_main_program()，feed 即用600 張圖片的數據集，fetch_list 取損失函數avg_cost 和準確度acc，提供好參數后，將Executor run 起來，即得到了訓練模型。訓練過程中，隨迭代的次數，模型的損失值cost 和準確率acc 如圖4 所示。隨著迭代次數的增加，準確率逐步提升，當迭代次數趨近于1000000 次時，準確率收斂于100%。

圖4 zcost 和acc

4.Step4：模型預測中進行玻璃、陶瓷造型線條的識別

通過算法模型的建立，直接可以用視覺圖片的方式輸入，通過模型運算直接輸出想要的結果，直接可得到造型的具體描述，通過造型的具體描述，設計師可以在設計過程中選擇采用以及不采用該造型。

根據算法模型，如圖5 所示的陶瓷作品在53.28%的概率上被認為是high level 造型設計作品，46.72%的概率上被認為是norma 造型設計作品。設計師或者學生在創作中可以根據作品的描述自行修改造型。該算法的研究只適用于對玻璃、陶瓷造型的線條以及比例關系進行分類，但是在具體數據參數的輸出中還需要進一步研究和完善。在算法模型的建立研究中，后期還需根據大量的數據，增加算法模型對造型數據的具體描述，例如直接輸出：比例關系、線條尺度等多方面的細節，方便設計師以及學生對造型細節的再次修改與完善，得出最優解。

圖5 陶瓷造型的線條識別

三、結語

通過算法模型的研究發現，選擇人工智能中的卷積神經網絡運用到玻璃與陶瓷造型設計中，運用具體模型的建立，再到用具體的玻璃、陶瓷造型案例進行測試，得出此算法運用在玻璃陶瓷造型設計中的可行性。此算法，在幫助設計師以及學生減輕設計工作壓力的同時，解決相當大的時間浪費的問題，有效縮短時間，將其運用到工藝美術以及多維度的造型設計的教學中，對藝術教育的發展起到了一定的推動作用，通過人工智能技術，有效地幫助學生更好更高效地進行造型設計。在往后的研究與模型調試中，還可進一步對算法模型進行深入的調整，使其數據更加具體化，更加細化。

但在人工智能應用于藝術設計中，人工智能目前只能夠輔助人們完成部分設計工作，沒辦法與人類的思想以及審美達成一定的共鳴，設計中人類的思想和審美境界無法被人工智能所取代，這也是人類在設計工作中的重要價值。人工智能算法雖然能夠高效率地完成大量的數據分析，但是人類的思想情感共鳴在機器中并不能夠很好地體現出來，機器無法識別人類的精神思想。人工機器以及智能算法，在造型設計以及藝術設計運用中都是有一定程度的程序化、智能化和公式化，無法像人腦一樣，有一定審美意識的產生藝術靈感，并根據靈感進行一系列的創作。所以藝術設計的未來發展中，在運用人工智能導入的同時，需要研發人工智能感性的思維領域，加入審美思維的算法研究，在思想領域共通互融、形成藝術智能發展的有機整體，這也是未來人類在人工智能領域中需要思考和發展的。