一种基于图像识别的关门声品质测评识别方法技术

本发明专利技术提供了一种基于图像识别的关门声品质测评识别方法，采集关门声音，通过图像转化工具转化为小波图，分析小波图的特征，通过提取图像的特征，并将特征合并，将提取的训练集特征输入SVM算法中进行训练，生成浅层机器学习模型；运用迁移学习方法冻结多种模型的瓶颈层，微调全连接层，通过训练数据集得到新的深度学习模型；通过Keras深度学习框架，搭建适合本数据集的神经网络模型，运用不同的优化器和正则化方法来训练模型，通过对比损失函数和准确率，调整不同的参数，得到新的神经网络模型。本发明专利技术是一种基于图像识别的关门声品质测评识别方法，可以有效的识别关门有无异响，为关门声品质测评提供一种新的方法，并具有良好的准确性。的准确性。的准确性。

【技术实现步骤摘要】
一种基于图像识别的关门声品质测评识别方法


[0001]本专利技术属于汽车技术和机器视觉
，尤其是涉及一种基于图像识别的关门声品质测评识别方法。

技术介绍

[0002]随着汽车工业的发展，人民生活水平的不断被提高，客户对汽车全方位品质要求越来越高。顾客在购车时通常会关注关门声品质，开关车门听其声音已经是顾客挑选汽车时的习惯性动作，因为人们认为汽车品质的好与坏能够从关门声反映出来，因此汽车关门声品质对顾客选择汽车的心理有很大的影响。
[0003]在4S店展厅里，常能见到看车的消费者打开车门再重重关上，若声音沉重、厚实，则得出结论，这车质量不错。所以很多汽车厂商为了提高汽车的关门声品质都投入了大量的人力物力，但是目前还没有推出很好的关门声品质的测试装置和评价方法，暂时还是通过人耳测听，根据实际工作经验去判断，这种方法长期以来根深蒂固，因为同样是人耳判断就最接近消费者的理想值，然而人与人之间存在差距，只能说这种方法适应大部分客户，在此将关门声进行量化用数据来说明事实让客户认同的方法还是空白。
[0004]汽车车门是汽车整车上一项重要的结构件与最常使用的开闭总成，车门不但影响汽车的碰撞安全性、空气动力特性及密封性，其关门振动噪声特性也是消费者判断整车品质的主要内容之一。自20世纪80年代以来，汽车车门关闭的振动噪声问题越来越受到重视。汽车NVH是评价乘坐舒适性的重要指标.关门噪声是整车NVH的一部分，它影响了许多消费者判断车辆质量。理想的关门声音应该是低沉厚重的，而实际产品中往往混有尖锐的、持久的杂音，或是多次碰撞声等异响，准确地识别关门声品质可以为解决此类噪声提供前提保障。
[0005]随着人工智能的发展，机器学习和深度学习也逐渐应用于汽车行业，使汽车更智能化，所以对关门声品质的测评识别也提出了更高的要求。

技术实现思路

[0006]有鉴于此，本专利技术旨在提出一种基于图像识别的关门声品质测评识别方法，以解决关门声品质的测评识别中，由于关门声音应该是低沉厚重的，而实际产品中往往混有尖锐的、持久的杂音，或是多次碰撞声等异响，不能准确地识别关门声品质的问题。
[0007]为达到上述目的，本专利技术的技术方案是这样实现的：
[0008]一种基于图像识别的关门声品质测评识别方法，包括以下步骤：
[0009]S1、利用专业人工头设备采集并分析关门时声音样本，通过图像转化工具转化成小波图并分析小波图的图像特征，图像特征一部分作为训练集图像特征，另一部分作为测试集图像特征；
[0010]S2、使用机器学习方法，提取训练集的图像特征，并将图像特征合并，将合并的图像特征输入到SVM算法中进行训练，生成浅层机器学习模型；
[0011]S3、通过迁移学习方法冻结多种模型的特征提取层，并分别微调多种模型的全连接层，通过训练集的图像特征训练数据集得到新的迁移学习模型；
[0012]S4、利用Keras深度学习框架，搭建全新神经网络模型，通过训练集的图像特征优化得到最优的神经网络模型；
[0013]S5、利用测试集的图像特征分别用S2
‑
S4中的不同模型的训练集的图像特征进行分类，识别出测试集的图像特征属于有异响或者无异响。
[0014]进一步的，步骤S2中提取训练集的图像特征包括：GLCM和HOG特征；
[0015]图像特征合并：将GLCM和HOG特征向量组成一维向量，取两个向量的长度之和就是该输入图片特征提取后的总长度。
[0016]进一步的，SVM算法采用高斯核函数。
[0017]进一步的，步骤S3中多种模型包括VGG16、VGG19、Inception
‑
v3、Res Net50模型。
[0018]进一步的，步骤S3中微调多种模型的全连接层的过程如下：冻结原网络的特征提取层，使卷积层和池化层的权重保持不变，删除原来的全连接层，在特征提取层之后添加全局平均池化层，再增加两个全新的全连接层，最后一层全连接层分类数与数据集的类数相匹配，通过训练集的图像特征重新训练确定最后几层的参数信息，来实现分类目标。
[0019]进一步的，新的迁移学习模型训练过程如下：优化器选择Adam来优化网络训练,针对本网络模型设置学习率,最后通过训练集的图像特征训练更新新的全连接层权重，训练时，损失函数选择交叉熵误差,迭代次数为200次，通过不断的调整超参数对比得到的损失和准确率来确定迁移学习模型。
[0020]进一步的，步骤S4中最优的神经网络模型搭建过程如下：通过Keras深度学习框架，来优化网络训练,针对本网络模型设置学习率,最后通过训练集的图像特征训练更新新的全连接层权重，训练时，损失函数选择交叉熵误差,迭代次数为200次，通过不断的调整超参数对比得到的损失和准确率得到神经网络模型。
[0021]进一步的，更新全连接层权重的过程：在全连接层增加Dropout,当使用dropout时，定义了固定的舍去概率p为0.5，对于选定的层，成比例数量的神经元被舍弃。
[0022]进一步的，模型的准确度计算方法如下：
[0023][0024]式中，P指有异响的数据量，N为无异响的数据量，TP指正确预测有异响的数目，TN指正确预测无异响的数目。
[0025]进一步的，损失函数：如下式所示：
[0026][0027]式中，E是损失函数，y
k
是神经网络的输出，t
k
是正确解标签，t
k
中只有正确解标签的索引为1，其他均为0。
[0028]相对于现有技术，本专利技术所述的一种基于图像识别的关门声品质测评识别方法具有以下有益效果：
[0029](1)本专利技术所述的一种基于图像识别的关门声品质测评识别方法，通过采集关门声音，将声音信号转化为图像，建立了关门声音数据集，并通过数据集训练得到不到的模
型，提出基于图像识别的关门声品质测评识别方法，首次将图像特征用于车门异响识别的研究，填补了此领域的空缺。建立了基于关门小样本数据的神经网络分类模型，并在网络结构中加入Dropout层进行正则化，Adam优化器进行自适应优化，以达到更高的准确率。
附图说明
[0030]构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0031]图1为本专利技术实施例所述的为本专利技术流程示意图；
[0032]图2为本专利技术实施例所述的为测点布置示意图；
[0033]图3为本专利技术实施例所述的基于Keras框架搭建的神经网络结构图；
[0034]图4为本专利技术实施例所述的关门声品质识别界面图。
具体实施方式
[0035]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0036]在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的关门声品质测评识别方法，其特征在于包括以下步骤：S1、采集并分析关门时声音样本，通过图像转化工具转化成小波图并分析小波图的图像特征，图像特征的其中一部作为训练集图像特征，另一样部分作为测试集图像特征；S2、使用机器学习方法，提取训练集的图像特征，并将图像特征合并，将合并的图像特征输入到SVM算法中进行训练，生成浅层机器学习模型；S3、通过迁移学习方法冻结多种模型的特征提取层，并分别微调多种模型的全连接层，通过训练集的图像特征训练得到新的迁移学习模型；S4、利用Keras深度学习框架，搭建全新神经网络模型，通过训练集的图像特征优化得到最优的神经网络模型；S5、利用测试集的图像特征分别用S2
‑
S4中的不同模型的训练集的图像特征进行分类，识别出测试集的图像特征属于有异响或者无异响。2.根据权利要求1所述的一种基于图像识别的关门声品质测评识别方法，其特征在于：步骤S2中提取训的图像特征包括：GLCM和HOG特征；图像特征合并：将GLCM和HOG特征向量组成一维向量，取两个向量的长度之和就是该输入图片特征提取后的总长度。3.根据权利要求1所述的一种基于图像识别的关门声品质测评识别方法，其特征在于：SVM算法采用高斯核函数。4.根据权利要求1所述的一种基于图像识别的关门声品质测评识别方法，其特征在于：步骤S3中多种模型包括VGG16、VGG19、Inception
‑
v3、ResNet50模型。5.根据权利要求1所述的一种基于图像识别的关门声品质测评识别方法，其特征在于,步骤S3中微调多种模型的全连接层的过程如下：冻结原网络的特征提取层，使卷积层和池化层的权重保持不变，删除原来的全连接层，在特征提取层之后添加全局平均池化层，再增加两个全新的全连接层，最后一层全连接层分类数与数据集的类数相匹配，通...

【专利技术属性】
技术研发人员：苏丽俐，邱雯婕，顾灿松，陈达亮，邓江华，李洪亮，杨明辉，何森东，刘玉龙，马紫辉，石谢达，
申请(专利权)人：中汽研天津汽车工程研究院有限公司，
类型：发明
国别省市：