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, ...
【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)...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。