With the current trend in the automotive industry of electrification and autonomous driving, new technologies and methods in assisting automotive designers are being applied to the vehicle design process. Nevertheless, the current automotive design process focuses on implementing a more efficient way to develop ideation sketches to 3D models that could be realized with hyper-realistic renderings while reducing the cost of developing clay models of full-scale design models. Though the change brought efficiency for designers, it lacks consideration for encouraging the creativity or productivity of designers who contribute significantly to the design process. The study proposes the potential usage of deep learning implementation to support designers’ day-to-day design practices. The study defines exterior design elements that determine the nature of automotive design while also defining methods to generate design datasets necessary for deep learning through elements essential to design. In order to explore how to utilize deep learning from a designer’s perspective, six design elements of the previously defined design elements were redefined, a design dataset was constructed based on this, and a base model was developed to extract design elements through YOLO v5. The created baseline model delivered 95.3% accuracy and 98.4% sensitivity in detecting and extracting design elements. Six design elements were extracted using the baseline model to create a preliminary design database. The study further proposes implementing an application for designers by showing how to utilize the extracted design elements through three cases of design applications using deep learning. In addition, the study explores ways to utilize numerical factors such as design evaluation and emotional evaluation in the design database. Nevertheless, the survey on emotional evaluation of vehicle exterior design was conducted through 40 designers, and the prediction model for emotional evaluation of vehicle exterior design was produced based on the results of the sensitivity evaluation. Finally, possible extension of vehicle design attributes and potential approaches in exploring design features from vehicle design in line with deep learning utilization methods that can contribute to the overall automotive design process are discussed based on the limitations of this study.
전동화와 자동화되어가는 자동차 업계의 트렌드에 발맞추어 새로운 기술과 방법이 자동차 디자인 프로세스에 적용되고 있다. 그럼에도 불구하고, 현재의 자동차 디자인 프로세스는 디자인을 구체화하고 현실화하는 2D에서 3D의 발전에 치중되어 있으며, 디자인 프로세스에 큰 기여를 하는 디자이너들의 창의성이나 생산 성을 독려해 줄 방법에 대한 고려는 부족한 실정이다. 이 연구에서는 자동차 디자인의 성격을 결정지어주는 외장 디자인 요소를 정의 함과 동시에 디자인에 필수적인 요소들을 통해 딥러닝에 필요한 디자인 데이터셋 을 생성하는 데에 활용할 방법을 정의하였다. 디자이너 관점의 딥러닝 활용 방법을 탐색하기 위하여, 앞서 정의한 디자인 요소 중 여섯 가지 디자인 요소를 재정의 하고 이를 토대로 디자인 데이터셋을 구성하였고, YOLO v5을 통해 디자인 요소를 추출하는 모델을 제작하여 디자인 데이터 베이스를 구성하는 베이스 모델을 개발하였다. 제작된 베이스 모델은 디자인 요소 탐색과 추출에 있어 95.3%의 정확도와 98.4%의 민감도를 보여주었다. 베이스 모델을 활용하여 여섯 가지 디자인 요소를 추출하여 기초적인 디자인 데이터 베이스를 생성하였다. 이렇게 추출된 디자인 요소들을 활용할 방법을 세 가지 딥러닝을 활용한 디자인 애플리케이션 사례를 통해 보여줌으로써 디자이너를 위한 애플리케이션을 구현하는 방법을 제안하였다. 또한, 디자인 데이터 베이스에 디자인 평가와 감성 평가 같은 수치적 요인을 활용할 방법을 탐구하였다. 이를 위하여, 40명의 디자이너를 통한 자동차 외장 디자인 감성 평가를 진행하였고, 감성 평가의 결과를 토대로 외장 디자인 감성 평가 예측 모델을 제작을 하였다. 마지막으로, 앞서 제안된 외장 디자인 요소와 나아가 전체적인 자동차 디자인 프로세스에 기여할 수 있는 방법과 딥러닝 활용 방안에 대한 고찰을 이 연구의 한계점을 기반으로 논의하였다.
