一种基于卷积神经网络的多生产点位轮毂图像分类方法技术

本发明专利技术公开了一种基于卷积神经网络的多生产点位轮毂图像分类方法，该方法首先建立卷积神经网络模型，设置网络的结构参数和训练参数；对生产线不同生产点位采集得到的轮毂图像进行预处理，然后尺寸归一化后得到训练数据；将同种轮毂不同生产点位的图像作为一类数据进行数据增强，然后输入到卷积神经网络中进行训练，得到网络的权重和偏置；基于卷积神经网络的训练模型，将待分类轮毂图像输入网络，得到分类结果。由于同一种轮毂类型在热处理前点位、气密性检测点位和包装前点位的外形差异较大，传统手工提取特征分类的方法并不适用，通过本发明专利技术公开的卷积神经网络的方法可以实现轮毂的快速分类，提高分类准确率。

A multi production point hub image classification method based on convolution neural network

The invention discloses an image classification method of multi-production point wheel hub based on convolution neural network. The method first establishes a convolution neural network model, sets the structure parameters and training parameters of the network, preprocesses the wheel hub images collected from different production points in the production line, and then trains the wheel hub images after dimension normalization. The image of different production points of the same hub is enhanced as a kind of data, and then input to convolution neural network for training to get the weight and bias of the network. Based on the training model of convolution neural network, the image of the wheel to be classified is input into the network to get the classification results. Because the shape of the same hub type varies greatly in the points before heat treatment, air tightness detection and packaging, the traditional manual feature extraction method is not applicable. The convolution neural network method disclosed by the invention can realize the rapid classification of the hub and improve the classification accuracy.

【技术实现步骤摘要】
一种基于卷积神经网络的多生产点位轮毂图像分类方法
本专利技术属于汽车制造领域，涉及一种基于卷积神经网络的多生产点位轮毂图像分类方法。
技术介绍
汽车轮毂是用于支撑轮胎的圆桶形的、中心装在轴上的金属部件，准确地说，就是安装在车轮中心车轴部位处，是连接制动鼓、轮盘和半轴的重要零部件。随着全球汽车产量的不断提升，汽车轮毂行业不断发展壮大，轮毂分类也越来越重要。为了解决轮毂分类问题，目前已有一些特定的轮毂分类方法，这些方法针对生产过程中的同种轮毂图像只有一种外形的轮毂分类问题，进行手工提取特征，建立分类模型。如陈淑红等提出的基于模板匹配和纹理偏差度的轮毂分类方法，通过直方图相似度比较得到纹理偏差度，再利用其进行轮型分类；还有胡凯等提出的一种基于词袋模型和支持向量机的汽车轮毂分类方法，该方法通过提取图像的全局纹理特征、全局颜色特征和利用SIFT算子提取图像的局部特征，进行K-Means聚类得到基于词袋模型的特征描述，仍采用手工提取特征后进行分类的方法。但是，汽车轮毂生产线较长，轮毂外形在生产过程中会发生较大的变化，提取到的图像特征也会发生较大的变化，因此手工提取特征的轮毂图像分类方法，都是基于特定轮毂特征，很难处理多点位多种外形的轮毂图像的分类问题。而卷积神经网络的作用就是利用深层的网络结构，去自动提取图像的特征，这样对于多种外形的轮毂图像，也能提取到类别间差异较大的图像特征，得到较好的分类效果。并且，生产线上还存在生产线之间的轮毂调度，因此只有对多个生产点位的轮毂图像进行分类，才能满足轮毂企业的管理要求。
技术实现思路
专利技术目的：针对上述现有方法存在的问题和不足，本专利技术旨在提供一种基于卷积神经网络的多生产点位轮毂图像分类方法，通过该方法可以利用卷积神经网络模型实现对多生产点位的具有不同外形的轮毂图像进行快速分类，提高轮毂识别、分类的准确率。技术方案：为实现上述专利技术目的，本专利技术采用技术方案如下：一种基于卷积神经网络的多生产点位轮毂图像分类方法，该方法包括以下步骤：(1)搭建卷积神经网络模型；(2)获取轮毂图像作为训练数据进行预处理；(3)对神经网络结构参数进行设定和训练参数初始化；(4)对获取的轮毂图像数据进行图像增强；(5)对获取的轮毂图像进行数据训练，得到网络权重和偏置；(6)将待分类轮毂图像输入神经网络模型，得到轮毂图像的分类结果。其中，在步骤(1)中，所述搭建卷积神经网络模型的结构如下：第一层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；第二层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；第三层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层；第三层卷积层中池化层的输出后接一个包含预设个数神经元的全连接层，全连接层输出依次经过Relu函数和Dropout层；最后一个全连接层使用softmax层将上个全连接层中Dropout层的输出经过softmax回归得到最终的概率输出。其中，在步骤(2)中，对获取的轮毂图像进行预处理方法如下：(2.1)将轮毂所在的区域从原始图像中裁剪出来；(2.2)对(2.1)中裁剪得到轮毂图像的灰度直方图进行分析，将轮毂图像上的生产线背景去除；(2.3)由于原始轮毂图像由于自身半径不同导致图像大小不一致，将所有轮毂图像重新调整至预设值大小的灰度图像，作为网络的输入，并且，为了让模型得到充分的训练，获取的各个生产点位的同一种轮毂类型的图像数量相同。其中，在步骤(3)中，所述网络结构参数设定和训练参数初始化如下：(3.1)网络中卷积层和最大池化层的步长设置为1，卷积层采用边缘补0的方式保持图像尺寸不变；(3.2)卷积层的权重初始化为均值为0、标准差为0.1的截断正态分布噪声，网络中的所有偏置初始化为常量0.1；(3.3)训练的batchsize大小设置为40，训练时dropoutrate设置为0.5，初始学习率设置为1×e-3，10000次迭代后将学习率调整为1×e-4。其中，在步骤(4)中，由于生产线上的同一个点位的同一种轮毂图像之间往往只有很小角度的旋转差异，其导致训练数据之间的差异性很小，很容易让CNN过拟合，采用对输入图像进行翻转和附加高斯噪声进行图像增强。其中，所述生产点位包括热处理前点位、气密性检测点位和包装前点位。其中，在步骤(5)中，数据训练时，为了得到充分的训练，属于同一种轮毂类型的不同生产点位图像数量相同。有益效果：本专利技术与现有的轮毂检测方法相比，有以下有益效果：1、本专利技术利用卷积神经网络模型进行轮毂图像的特征提取和分类，能够实现对多生产点位的具有不同外形的轮毂图像进行分类，具有很高的识别准确率和良好的实时性效果；2、本专利技术通过对图像进行翻转和附加高斯噪声的方法图像增强方法，提高了卷积神经网络模型的泛化能力，提高了分类的准确率。附图说明图1是本专利技术一种基于卷积神经网络的多生产点位轮毂图像分类方法流程图；图2是本专利技术采用的卷积神经网络结构图；图3是各生产点位同种轮毂对比图。具体实施方式下面结合附图和实施例对本专利技术做进一步的说明：本专利技术的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其流程图如图1所示，该方法的步骤为：(1)搭建卷积神经网络模型图2展示的是本专利技术采用的卷积神经网络结构图，首先针对各生产点位轮毂图像，本专利技术搭建的卷积神经网络结构如下：第一层卷积层的卷积核大小为1×7×7，特征图个数为32，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；第二层卷积层的卷积核大小为32×5×5，特征图个数为64，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；第三层卷积层的卷积核大小为64×3×3，特征图个数为64，输出依次经过Relu函数、2×2最大池化层；第三层卷积层中池化层的输出后接一个包含1024个神经元的全连接层，全连接层输出依次经过Relu函数和Dropout层；最后一个全连接层使用softmax层将上个全连接层中Dropout层的输出经过softmax回归得到最终的概率输出。(2)训练数据获取在将生产线上各点位的轮毂图像用于模型训练之前，首先需要对采集到的图像进行预处理，图像预处理的方法包括以下步骤：(2.1)通过圆检测方法，选取图像中最大圆所在区域为轮毂区域，将这个区域从原图像中裁剪出来；(2.2)对(2.1)中得到轮毂图像的灰度直方图进行分析，由于轮毂在图像中呈现出较亮的特点，而生产线上的导轨背景一般较暗，因此可以从灰度直方图上选择一个预设灰度阈值，使得背景的灰度值基本小于阈值，而轮毂部分的灰度值基本大于阈值，从而把轮毂和生产线上的背景区分，将生产线背景去除。(2.3)由于原始轮毂图像由于自身半径不同导致图像大小不一致，因此将所有图像重新调整至56×56大小的灰度图像，作为网络的输入；并且，在训练数据的选取时，为了让模型得到充分的训练，需要保证同种轮型中来自各个生产点位的图像数量相同。图3展示的是各生产点位同种轮毂对比图，其中在图3中，1、2、3分别是同一种轮毂在热处理前点位、气密性检测点位和包装前点位的图像，4、5、6分别是另一种轮毂在热处理前点位、气密性检测点位和包装前点位的图像。(3)网络结构参本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：该方法包括以下步骤：(1)搭建卷积神经网络模型；(2)获取轮毂图像作为训练数据进行预处理；(3)对神经网络结构参数进行设定和训练参数初始化；(4)对获取的轮毂图像数据进行图像增强；(5)对获取的轮毂图像进行数据训练，得到网络权重和偏置；(6)将待分类轮毂图像输入卷积神经网络模型，得到轮毂图像的分类结果。

【技术特征摘要】
1.一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：该方法包括以下步骤：(1)搭建卷积神经网络模型；(2)获取轮毂图像作为训练数据进行预处理；(3)对神经网络结构参数进行设定和训练参数初始化；(4)对获取的轮毂图像数据进行图像增强；(5)对获取的轮毂图像进行数据训练，得到网络权重和偏置；(6)将待分类轮毂图像输入卷积神经网络模型，得到轮毂图像的分类结果。2.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(1)中，所述搭建卷积神经网络模型的结构如下：第一层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；第二层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；第三层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层；第三层卷积层中池化层的输出后接一个包含预设个数神经元的全连接层，全连接层输出依次经过Relu函数和Dropout层；最后一个全连接层使用softmax层将上个全连接层中Dropout层的输出经过softmax回归得到最终的概率输出。3.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(2)中，对获取的轮毂图像进行预处理方法如下：(2.1)将轮毂所在的区域从原始图像中裁剪出来；(2.2)...

【专利技术属性】
技术研发人员：聂云聪，夏思宇，夏朝，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32