基于电动车底盘图像识别划痕的方法技术

本发明专利技术涉及电动车底盘检测技术领域，尤其为基于电动车底盘图像识别划痕的方法，包括如下步骤：S1.1：采集电动车底盘图像；S1.2：对采集的电动车底盘图像进行预处理；S1.3：对预处理后的电动车底盘图像进行图像分割；S1.4：对图像划痕进行特征识别与分类。本发明专利技术通过图像分割的方法对采集的电动车底盘图像进行分割获得划痕照片，对划痕的多项特征进行判断获取电动车当前状态，减少了对整张电动车底盘图像的学习、识别以及特征构建的环节，能够快速获得电动车底盘划痕图像，减少了识别时间，提高了识别效率。且本发明专利技术中的图像分割方法实现简单、计算量小且性能稳定，应用更加广泛。应用更加广泛。应用更加广泛。

【技术实现步骤摘要】
基于电动车底盘图像识别划痕的方法


[0001]本专利技术涉及电动车底盘检测
，尤其是基于电动车底盘图像识别划痕的方法。

技术介绍

[0002]电动汽车底盘划痕检测至关重要,底盘划痕深度过大,会导致电池底盘总成内部结构受损,影响行车安全。传统的汽车底盘检测方案采用线扫相机获取底盘图像，然后通过深度学习方法，如faster
‑
rcnn、mask
‑
rcnn等模型处理图片,获取划痕坐标；或者一些传统图像检测方法比如频域处理、blob分析、阈值分割、边缘检测等方法识别缺陷位置。此种方法广泛用于电动汽车底盘总成出厂前检测，但同时也容易受环境光、脏污、加工工艺参数的变化导致的表面特征变化从而产生的误判现象。在成品电动车使用过程中，进行底盘划痕或者裂缝检测，此种图像方案，也同样会受干扰，比如底盘黏附一些灰尘、脏污等，使得过检率和误检率居高不下，影响产品检测效果。对于整张电动车底盘图像的进行特征识别的方法耗时又耗力，不利于电动车底盘划痕的快速检测。特提出基于电动车底盘图像识别划痕的方法，通过一种更为稳定的图像分割方法对图像进行分割获得更为准确的划痕图像。

技术实现思路

[0003]本专利技术的目的是通过提出基于电动车底盘图像识别划痕的方法，以解决上述
技术介绍
中提出的缺陷。
[0004]本专利技术采用的技术方案如下：
[0005]提供基于电动车底盘图像识别划痕的方法，包括如下步骤：
[0006]S1.1：采集电动车底盘图像；
[0007]S1.2：对采集的电动车底盘图像进行预处理；
[0008]S1.3：对预处理后的电动车底盘图像进行图像分割；
[0009]S1.4：对图像划痕进行特征识别与分类。
[0010]作为本专利技术的一种优选技术方案：所述S2中对采集的电动车底盘图像进行灰度归一化和直方图均衡化。
[0011]作为本专利技术的一种优选技术方案：所述S2中的灰度值归一化如下：
[0012][0013]其中，I
in
为输入的电动车底盘图像灰度值数据；I
min
为电动车底盘图像最小灰度值；I
max
为电动车底盘图像最大灰度值；I
out
为输出的电动车底盘图像灰度值数据。
[0014]作为本专利技术的一种优选技术方案：所述S2中还对电动车底盘图像进行滤波处理。
[0015]作为本专利技术的一种优选技术方案：所述S3中，通过图像分割提取电动车底盘图像的划痕信息。
[0016]作为本专利技术的一种优选技术方案：所述图像分割步骤如下：
[0017]设抗原为目标函数，抗体为目标函数的优化解，即分割阈值的二进制编码，每个抗体由M位数字组成，共有N个抗体，每个抗体的每位供选择的数字为L个K1,K2,
…
,K
l
，则N个抗体的信息熵H(N)为：
[0018][0019]其中，H
j
(N)是N个抗体第j位的信息熵，p
ij
是第j位为数字K
i
的概率；
[0020]设任意两个抗体之间的亲和力用相似度表示，对采集到的电动车底盘图像，用16位二进制抗体编码来计算最大亲和力对应的抗体即为成熟的抗体，定义记忆库用来保持每代中期望繁殖率最高的个体，是每次训练后的抗体最优解的集合；在检测过程中随着算法不断判断，将训练成熟后的抗体动态加入到记忆库中。
[0021]作为本专利技术的一种优选技术方案：所述图像分割步骤中，人工免疫算法图像熵值最大化的寻优步骤如下：
[0022]S2.1：任意确定N个个体阈值编码，并从记忆库中随机选出N
g
个个体构成初始抗原群；
[0023]S2.2：对群体进行评价，定义个体的期望繁殖率e
y
与个体浓度c成反比，个体浓度与个体浓度c成反比，个体浓度c
y
为判别结果，且a≥T当时c
y
＝1，否则c
y
＝0，T为亲和度预设阈值；
[0024]S2.3：逐一计算群体中抗体亲和力，并按其值大小顺序进行排列；取排在前N个的个体构成第一代群体，将其存入进行记忆库更新；
[0025]S2.4：从更新后记忆库中选取疫苗，对第一代群体免疫接种后进行群体克隆和变异，重新计算抗体亲和力；
[0026]S2.5：根据结束调节进行判断，是则结束；否则再次对抗体进行选择、交叉和变异得到下一代，从大到小排列后，再次进行群体更新；
[0027]S2.6：重复操作S2.3
‑
S2.5至满足迭代停止调节，初始化记忆库时随机选取灰度值。
[0028]作为本专利技术的一种优选技术方案：所述S4中，对分割的电动车底盘图像的划痕进行检测、识别。
[0029]作为本专利技术的一种优选技术方案：所述S4中，对分割的电动车底盘图像的划痕的识别包括划痕面积、周长、圆形度、长宽比及紧凑性。
[0030]作为本专利技术的一种优选技术方案：所述S4中，对电动车底盘图像的划痕的识别结果包括轻度划痕、中度划痕和重度划痕三种。
[0031]本专利技术提供的基于电动车底盘图像识别划痕的方法，与现有技术相比，其有益效果有：
[0032]本专利技术通过图像分割的方法对采集的电动车底盘图像进行分割获得划痕照片，对划痕的多项特征进行判断获取电动车当前状态，减少了对整张电动车底盘图像的学习、识别以及特征构建的环节，能够快速获得电动车底盘划痕图像，减少了识别时间，提高了识别
效率。且本专利技术中的图像分割方法实现简单、计算量小且性能稳定，应用更加广泛。
附图说明
[0033]图1为本专利技术优选实施例的方法流程图。
具体实施方式
[0034]需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]参照图1，本专利技术优选实施例提供了基于电动车底盘图像识别划痕的方法，包括如下步骤：
[0036]S1.1：采集电动车底盘图像；
[0037]S1.2：对采集的电动车底盘图像进行预处理；
[0038]S1.3：对预处理后的电动车底盘图像进行图像分割；
[0039]S1.4：对图像划痕进行特征识别与分类。
[0040]所述S2中对采集的电动车底盘图像进行灰度归一化和直方图均衡化。
[0041]所述S2中的灰度值归一化如下：
[0042][0043]其中，I
in
为输入的电动车底盘图像灰度值数据；I
min
为电动车底盘图像最小灰度值；I
max
为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于电动车底盘图像识别划痕的方法，其特征在于：包括如下步骤：S1.1：采集电动车底盘图像；S1.2：对采集的电动车底盘图像进行预处理；S1.3：对预处理后的电动车底盘图像进行图像分割；S1.4：对图像划痕进行特征识别与分类。2.根据权利要求1所述的基于电动车底盘图像识别划痕的方法，其特征在于：所述S2中对采集的电动车底盘图像进行灰度归一化和直方图均衡化。3.根据权利要求2所述的基于电动车底盘图像识别划痕的方法，其特征在于：所述S2中的灰度值归一化如下：其中，I
in
为输入的电动车底盘图像灰度值数据；I
min
为电动车底盘图像最小灰度值；I
max
为电动车底盘图像最大灰度值；I
out
为输出的电动车底盘图像灰度值数据。4.根据权利要求3所述的基于电动车底盘图像识别划痕的方法，其特征在于：所述S2中还对电动车底盘图像进行滤波处理。5.根据权利要求1所述的基于电动车底盘图像识别划痕的方法，其特征在于：所述S3中，通过图像分割提取电动车底盘图像的划痕信息。6.根据权利要求5所述的基于电动车底盘图像识别划痕的方法，其特征在于：所述图像分割步骤如下：设抗原为目标函数，抗体为目标函数的优化解，即分割阈值的二进制编码，每个抗体由M位数字组成，共有N个抗体，每个抗体的每位供选择的数字为L个K1,K2,
…
,K
l
，则N个抗体的信息熵H(N)为：其中，H
j
(N)是N个抗体第j位的信息熵，p
ij
是第j位为数字K
i
的概率；设任意两个抗体之间的亲和力用相似度表示，对采集到的电动车底盘图像，用16位二进制抗体编码来计算最大亲和力对应的抗体即为成熟...

【专利技术属性】
技术研发人员：韩承锟，
申请(专利权)人：韩承锟，
类型：发明
国别省市：