本发明涉及一种自动处理轮胎图片识别轮胎胎码和轮胎状态的方法,属于汽车安全技术领域。
背景技术:
汽车轮胎作为汽车的一个主要部件,在日常出行中消耗量很大,在使用时间、里程、能耗,以及使用安全等方面均需要高质量的检测手段提供保证。
目前,汽车轮胎的使用状态和安全检查主要靠人力进行,需要维修人员在车底检查或将轮胎拆卸下来检查,不仅耗时耗力且不同经验的工人有不同的准确率。此外,人工检查很难能准确判断轮胎磨损程度、剩余使用寿命等情况,无法及时发现安全问题隐患,轮胎爆胎等临时突发情况,在需要更换或租借轮胎时,往往无法准确描述轮胎问题、轮胎型号等,影响处理时间和进度。
技术实现要素:
针对目前人工检查轮胎情况费时费力、及时性差等问题,本发明提出了一种基于机器学习的胎码和轮胎状态识别方法,构建多层神经网络自动识别轮胎胎码、轮胎状态,并利用人工处理的验证集训练神经网络,提高神经网络的识别精度,实现全自动的、实时的、精准的轮胎信息识别。
为解决上述技术问题,本发明采用了如下技术手段:
一种基于机器学习的胎码和轮胎状态识别方法,包括以下步骤:
s1、采集轮胎图像,并对图像进行预处理,将图像中每个像素点的像素值归一化到[0,1]之间;
s2、以轮胎图像的像素属性作为输入神经元信号建立单层神经网络模型,并计算模型输出函数;
s3、基于误差逆传播算法迭代更新s2,建立多层神经网络模型,模型包括输入层、隐层和输出层;
s4、建立卷积神经网络作为多层神经网络中的隐藏层;
s5、建立全连接层连接隐藏层与输出层,输出层输出轮胎的胎码和轮胎状态;
s6、通过人工标记的验证集对多层神经网络进行督促学习,更新神经网络中的参数;
s7、利用训练好的多层神经网络处理轮胎图像获得对应的胎码和轮胎状态。
进一步的,步骤s2的具体操作如下:
s21、建立单层神经网络模型,设轮胎图像中共有n个像素点,将像素点的属性作为神经元信号输入单层神经网络模型,共有n个神经元信号。
s22、通过神经元的f函数计算单层神经网络模型的输出值,输出函数如下:
其中,y为单层神经网络模型的输出值,wi为模型中第i个神经元与输出层之间的连接参数,xi为模型中第i个神经元的属性,θ为阈值,θ的初始值是人为设置的。
s23、对于给定的训练集,模型训练过程中自动调整神经网络参数wi:
wi←wi+△wi(2)
其中,η为学习率,η∈(0,1),
进一步的,所述的神经元的属性包括6维数据,分别为2维像素尺寸、1维灰度值、rgb三维色彩尺寸。
进一步的,步骤s3的隐层中各神经元接受到的输入信号为:
其中,αh为隐层第h个神经元接收到的输入信号,vih为第i个输入神经元与第h个隐层神经元的连接参数,隐层共有q个神经元,h∈【1,q】。
进一步的,步骤s3的输出层中各神经元接收到的输入信号为:
其中,βj为输出层中第j个神经元接收到的输入信号,whj为第h个隐层神经元与第j个输出神经元的连接参数,bh为第h个隐层神经元的输出,输出层共有l个神经元,j∈【1,l】。
进一步的,步骤s4中的卷积神经网络共有e层,每一层卷积神经网络包括一层卷积层和一层最大化池化层,第e层卷积层的输出信号的计算公式如下:
其中,e∈【1,e】,(c,d)为神经元在图像中的位置,(c,d)∈{0,1,…,le},le为第e层卷积层的尺寸,
第e层最大化池化层的输出信号的计算公式如下:
其中,g为预先指定的参数。
进一步的,步骤s6中的验证集包括轮胎图像、与图像对应的人工标记的胎码和轮胎状态。
进一步的,所述的胎码包括轮胎的品牌、型号,所述的轮胎状态包括轮胎漏气、划伤、磨损信息。
采用以上技术手段后可以获得以下优势:
本发明提出了一种基于机器学习的胎码和轮胎状态识别方法,基于单层神经网络与误差逆传播算法构建多层神经网络,将轮胎图像中各像素点的属性作为神经网络的输入,利用卷积神经网络提取属性数据信息,并通过人工标记处理的验证集督促神经网络学习,更新神经网络参数,最终在输出层得到轮胎胎码、轮胎状态信息。用户只需要使用手机等具有拍摄功能的设备拍摄轮胎照片,并将照片输入神经网络中,就可以直接识别出轮胎上的文字、型号等胎码,以及轮胎磨损、破损等多种轮胎状态。本发明方法的识别精度高,有效缩短了轮胎检查的时间,减少人力成本,为汽车安全检查、轮胎精准维修、轮胎租赁服务等提供了便利。
附图说明
图1为本发明一种基于机器学习的胎码和轮胎状态识别方法的步骤流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明:
一种基于机器学习的胎码和轮胎状态识别方法,如图1所示,包括以下步骤:
s1、采集轮胎图像,并对图像进行预处理,将图像中每个像素点的像素值归一化到[0,1]之间。
s2、以轮胎图像的像素属性作为输入神经元信号建立单层神经网络模型,并计算模型输出函数;具体操作如下:
s21、建立单层神经网络模型。设一副轮胎图像中共有n个像素点,每个像素点的属性有:2维像素尺寸、1维灰度值、rgb三维色彩尺寸,将这6维数据统一作为单层神经网络模型的输入信号,在神经网络模型中,一个像素点对应一个神经元,所以单层神经网络模型中共有n个神经元信号。
s22、通过神经元的f函数计算单层神经网络模型的输出值,输出函数如下:
其中,y为单层神经网络模型的输出值,wi为模型中第i个神经元与输出层之间的连接参数,xi为模型中第i个神经元的属性,θ为阈值,θ的初始值是人为设置的,在神经网络训练过程中,可以对阈值进行修正,并最终达到局部最优。
s23、对于给定的训练集d=(x,y),也就是给定的轮胎图像集,模型训练过程中自动调整神经网络参数wi:
wi←wi+△wi(9)
其中,η为学习率,η∈(0,1),
s3、基于误差逆传播算法迭代更新s2,建立多层神经网络模型,模型包括输入层、隐层和输出层。为了更好的识别轮胎胎码和轮胎状态,本发明采用了误差逆传播算法构建多层神经网络,通过隐层进一步提高识别精准度。
输入层的输入信号有6维属性,输出层的输出信号有z维属性,输入层有n个输入神经元,隐层有q个隐层神经元,输出层有l个输出神经元。对于给定的训练集,多层神经网络的隐层中各神经元接受到的输入信号为:
其中,αh为隐层第h个神经元接收到的输入信号,vih为第i个输入神经元与第h个隐层神经元的连接参数,h∈【1,q】。
此外,多层神经网络的输出层中各神经元接收到的输入信号为:
其中,βj为输出层中第j个神经元接收到的输入信号,whj为第h个隐层神经元与第j个输出神经元的连接参数,bh为第h个隐层神经元的输出,j∈【1,l】。
人工设置多层神经网络中各个神经元的阈值,隐层中第h个神经元的阈值为γh,输出层中中第j个神经元的阈值为θj。根据单层神经网络模型的输出函数,令输出层的第j个输出神经元的输出值
通过误差逆传播算法,可以迭代更新神经网络中各层的连接参数vih、whj,以及阈值θj、γh。
s4、本发明多层神经网络中的隐层为卷积神经网络,本具体实施例中,卷积神经网络共有3层,每一层卷积神经网络包括一层卷积层和一层最大化池化层,第e层卷积层的输出信号的计算公式如下:
其中,e∈【1,3】,(c,d)为神经元在图像中的位置,(c,d)∈{0,1,…,le},le为第e层卷积层的尺寸,
第e层最大化池化层的输出信号的计算公式如下:
其中,g为预先指定的参数。
本发明具体实施例卷积神经网络的具体结构如下:
令轮胎图像上有n=a*b个像素点神经元,每个神经元有6维数据,轮胎图像轮廓有明显的胎纹空间角点和表面连续性强的轮廓线特征。
s41、建立第一层卷积层,卷积层中有6维5*5矩阵,卷积步长s0为3,填充p为0。
s42、建立第一层最大化池化层,池化层的运算核为3*3,步长s0为2,无填充。轮胎图像最大池化主要识别图像类型,取g→∞,通过池化下采样得到图像的稀疏图集
s43、建立第二层卷积层,卷积层中有6维3*3矩阵,卷积步长s0为2,填充p为0。
s44、建立第二层最大化池化层,池化层的运算核为2*2,步长s0为2,无填充。
s45、建立第三层卷积层,卷积层中有6维3*3矩阵,卷积步长s0为1,填充p为0。
s44、建立第三层最大化池化层,池化层的运算核为2*2,步长s0为2,无填充。
s5、建立全连接层连接隐藏层与输出层,本具体实施例建立了4层全连接层,最后一次全连接层即为输出层,输出的属性包括轮胎的胎码和轮胎状态;具体操作如下:
s51、将第三层最大化池化层池化后的数据集作为数据输入,建立第1层神经元数量为4096的全连接层;
s52、建立第2层神经元数量为4096的全连接层;
s53、建立第3层神经元数量为1000的全连接层;
s54、建立输出轮胎胎码和轮胎使用状态的输出层,与全连接层神经元连接的输出层神经元数量为200,分别对应着轮胎胎码和轮胎使用状态。胎码包括轮胎的品牌、型号等,轮胎状态包括轮胎漏气、划伤、磨损等信息。
s6、通过人工标记的验证集对多层神经网络进行督促学习,更新神经网络中的参数。在多层神经网络中输入n张轮胎图像,神经网络输出的数组中包含200个属性,分别代表轮胎的70个字母和数字字符、100个特殊图像标记、30类不同破损状态,例如有钉子、侧面破损等。同时通过人工经验值观察这些图像,对轮胎图像的胎码、状态等进行标记,生成验证集,验证集包括轮胎图像、与图像对应的人工标记的胎码和轮胎状态。通过训练集和验证集对多层神经网络进行督促学习,更新神经网络中的参数,得到训练好的多层神经网络。
s7、利用训练好的多层神经网络处理轮胎图像获得对应的胎码和轮胎状态。
上面结合附图对本发明的实施方式作了详细地说明,但是本发明并不局限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。