一种基于深度学习的汽车关键部件相似比对方法技术

本发明专利技术公开了一种基于深度学习的汽车关键部件相似比对方法，包括：步骤1，图像采集系统采集汽车关键部件图像；步骤2，对汽车关键部件图像进行预处理后与数据库中标准图像一起构成训练数据集；步骤3，构建部件相似度深度学习网络并采用训练数据集进行网络训练；步骤4，实时采集汽车关键部件图像，对其进行预处理后输入到部件相似度深度学习网络中与标准图像进行相似度比对，得出关键部件的安装是否正确或者缺陷的情况。将深度学习技术应用于关键部件相似比，提高了装汽车装配和检修的精度和效率。率。率。

【技术实现步骤摘要】
一种基于深度学习的汽车关键部件相似比对方法


[0001]本专利技术属于汽车零件检测
，具体涉及一种基于深度学习的汽车关键部件相似比对方法。

技术介绍

[0002]随着汽车消费市场多元化需求的日益增加，汽车制造企业正不断丰富现有的车型配置以满足不同顾客的需求。同一生产线生产的车型配置及种类逐步增加，总装零部件的种类也越来越多。
[0003]零件的合格与否直接影响到主机厂产品的质量，其配送厂家必须花费大量的人力进行检测和排查有缺陷的零配件。随着维修服务日益增长的需求，不断提高检测效率和质量成为了重中之重。
[0004]从汽车市场来看，目前国内的中小企业主要是依靠人工检查，工作效率低，漏检概率高、且人工成本高。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的汽车关键部件相似比对方法，将深度学习技术应用于关键部件相似比，可提高装汽车装配和检修的精度和效率，解决检测效率低、人员多、检测质量低等问题。
[0006]为实现上述技术目的，本专利技术采取的技术方案为：
[0007]一种基于深度学习的汽车关键部件相似比对方法，包括：
[0008]步骤1，图像采集系统采集汽车关键部件图像；
[0009]步骤2，对汽车关键部件图像进行预处理后与数据库中标准图像一起构成训练数据集；
[0010]步骤3，构建部件相似度深度学习网络并采用训练数据集进行网络训练；
[0011]步骤4，实时采集汽车关键部件图像，对其进行预处理后输入到部件相似度深度学习网络中与标准图像进行相似度比对，得出关键部件的安装是否正确或者缺陷的情况。
[0012]为优化上述技术方案，采取的具体措施还包括：
[0013]上述的图像采集系统采用工业相机进行图像采集；
[0014]所述工业相机为30万像素Global Shutter CMOS图像传感器。
[0015]上述的关键部件为轮胎时，工业相机固定在汽车轮胎的正前方，且轮胎添加左右两道光条。
[0016]上述的步骤2所述预处理包括：
[0017](1)通过几何变换对图像进行处理，用于改正图像采集系统的系统误差和仪器位置的随机误差；
[0018](2)对图像进行亮度校正，考虑图像像素原来的亮度和其在图像中的位置以修改像素的亮度，改善因光照不均带来的影响；
[0019](3)对图像采用中值滤波方式进行图像清晰度增强。
[0020]上述的几何变换包括平移、转置、镜像、旋转和缩放。
[0021]上述的步骤3所述部件相似度深度学习网络采用双通道网络结构，其对图像进行处理的过程如下；
[0022](1)经过第一层的卷积后，将两张图像的像素进行相关的加权组合并映射，将两张(1，256,256)单通道的数据转化为(2,256,256)的双通道矩阵数据，将该矩阵数据作为网络的输入；
[0023](2)采用数据增强方法，将一张图像处理为两张图像，具体为：
[0024]通过以原始256
×
256的图像中心，进行裁剪出128
×
128的图像，生成第一张图像；
[0025]通过下采样得到128
×
128的图像，生成第二张图像；
[0026](3)经过设计的CNN层获得特征向量；
[0027](4)添加空洞空间金字塔池化层，增加提取特征的多尺度性。
[0028]上述的步骤3训练时采用的损失函数为：
[0029][0030]其中，ω是神经网络的权重，‖ω‖2为正则项，采用L2正则项,λ是可调节参数，N是图像数量；
[0031]为误差损失；
[0032]是网络第i对训练图像的输出神经元；
[0033]y
i
的取值是
‑
1或1，当输入的采集图像与标准图像匹配的时候，为1，当不匹配的时候是
‑
1。
[0034]本专利技术具有以下有益效果：
[0035]本专利技术将深度学习技术应用于车辆部件的安装与维修，可实现整车装配防错，提高汽车装配的准确率和效率。
附图说明
[0036]图1为本专利技术方法流程图；
[0037]图2为本专利技术部件相似度深度学习网络结构图。
具体实施方式
[0038]以下结合附图对本专利技术的实施例作进一步详细描述。
[0039]一种基于深度学习的汽车关键部件相似比对方法，包括：
[0040]步骤1，图像采集系统采集汽车关键部件图像；
[0041]所述图像采集系统采用工业相机进行图像采集；所述工业相机为30万像素Global Shutter CMOS图像传感器。
[0042]例如，所述关键部件为轮胎时，工业相机固定在汽车轮胎的正前方，且轮胎添加左右两道光条。此时经过步骤1
‑
4可实现汽车轮胎装配防错。
[0043]步骤2，对汽车关键部件图像进行预处理后与数据库中标准图像一起构成训练数据集；
[0044]预处理过程为：
[0045](1)通过平移、转置、镜像、旋转、缩放等几何变换对采集的汽车关键部件图像进行处理，用于改正图像采集系统的系统误差和仪器位置(成像角度透视关系乃至镜头自身原因)的随机误差；
[0046](2)对图像进行亮度校正，考虑图像像素原来的亮度和其在图像中的位置以修改像素的亮度，改善因光照不均带来的影响；
[0047](3)对图像采用中值滤波方式进行图像清晰度增强。
[0048]步骤3，构建部件相似度深度学习网络并采用训练数据集进行网络训练；
[0049]所述部件相似度深度学习网络具体结构如图2所示，采用双通道网络结构，其对图像进行处理的过程如下；
[0050](1)经过第一层的卷积后，将两张图像的像素进行相关的加权组合并映射，也就是说将两张(1，256,256)单通道的数据转化为(2,256,256)的双通道矩阵数据，将该矩阵数据作为网络的输入；
[0051](2)采用数据增强方法，将一张图像处理为两张图像，具体为：
[0052]通过以原始256
×
256的图像中心，进行裁剪出128
×
128的图像，生成第一张图像；
[0053]通过下采样得到128
×
128的图像，生成第二张图像；
[0054](3)经过设计的CNN层获得特征向量；
[0055](4)添加空洞空间金字塔池化层，增加提取特征的多尺度性。
[0056]训练时采用的损失函数为：
[0057][0058]其中，ω是神经网络的权重，为正则项，采用L2正则项,λ是可调节参数，N是图像数量；
[0059]为误差损失；
[0060]是网络第i对训练图像的输出神经元；
[0061]y
i
的取值是
‑...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的汽车关键部件相似比对方法，其特征在于，包括：步骤1，图像采集系统采集汽车关键部件图像；步骤2，对汽车关键部件图像进行预处理后与数据库中标准图像一起构成训练数据集；步骤3，构建部件相似度深度学习网络并采用训练数据集进行网络训练；步骤4，实时采集汽车关键部件图像，对其进行预处理后输入到部件相似度深度学习网络中与标准图像进行相似度比对，得出关键部件的安装是否正确或者缺陷的情况。2.根据权利要求1所述的一种基于深度学习的汽车关键部件相似比对方法，其特征在于，所述图像采集系统采用工业相机进行图像采集；所述工业相机为30万像素Global Shutter CMOS图像传感器。3.根据权利要求2所述的一种基于深度学习的汽车关键部件相似比对方法，其特征在于，所述关键部件为轮胎时，工业相机固定在汽车轮胎的正前方，且轮胎添加左右两道光条。4.根据权利要求1所述的一种基于深度学习的汽车关键部件相似比对方法，其特征在于，步骤2所述预处理包括：(1)通过几何变换对图像进行处理，用于改正图像采集系统的系统误差和仪器位置的随机误差；(2)对图像进行亮度校正，考虑图像像素原来的亮度和其在图像中的位置以修改像素的亮度，改善因光照不均带来的影响；(3)对图像采用中值滤波方式进行图像清晰度增强。5.根据权利要求4所述的一种基于深度学习的汽车关键部件相似比对方法，其特征在于，所述几何...

【专利技术属性】
技术研发人员：贾佳，
申请(专利权)人：南京耘瞳科技有限公司，
类型：发明
国别省市：