一种基于卷积神经网络的轮胎外壁完好程度的识别方法与流程

1.本发明涉及卷积神经网络的应用技术领域，具体来说，涉及一种基于卷积神经网络的轮胎外壁完好程度的识别方法。


背景技术：

2.目前，在本领域暂未覆盖轮胎外壁完整程度的检测，并且，没有任何的可量化的轮胎外壁完整度的检测设备，还一直都是依赖于人工的目视检测和人工判断，而且人工检测，需要是车辆静止停留在车位上，存在效率低、易遗漏和易出错的一系列现实问题。
3.随着社会的工业化发展，制造出专用的检测设备，用于预防轮胎损坏是需要被正视的缺陷。


技术实现要素：

4.针对相关技术中的上述技术问题，本发明提出一种基于卷积神经网络的轮胎外壁完好程度的识别方法，能够克服现有技术方法的上述不足。
5.为实现上述技术目的，本发明的技术方案是这样实现的：
6.一种基于卷积神经网络的轮胎外壁完好程度的识别方法，包括以下步骤：
7.s1:首先，获取已对其破损分类的轮胎外壁图像，所述轮胎外壁包括胎面，并进行图像预处理；
8.s2:处理好轮胎外壁图像后，直接基于经过改进后的densenet神经网络模型，构建非对称卷积结构；
9.s3:在包含构建好的非对称卷积结构的网络基础上，进行构建特征融合模块来融合不同层级的目标特征，将预处理后的轮胎外壁图像输入融合到改进后的densenet神经网络模型中；
10.s4:预处理后的轮胎外壁图像在densenet神经网络模型中通过10-fold交叉检验的训练策略，对densenet神经网络模型进行训练、验证和测试；
11.s5:最后，利用adam算法优化交叉熵代价函数，优化densenet神经网络模型模型，提高识别轮胎外壁是否破损或完好的程度。
12.进一步地，步骤s1中，预处理轮胎外壁图像时，预处理的方法为图像归一化和数据集增强，所述归一化就是用于减小待分类轮胎外壁图像由于背景图像及轮毂反射对训练模型的影响。
13.进一步地，步骤s2中，改进densenet神经网络模型是将densenet神经网络模型中第一个卷积层替换为incept ion结构。
14.进一步地，所述增强数据集的方法包括对轮胎外壁图像做平移、旋转、翻转及倾斜和随机变化图像的亮度、饱和度、对比度、锐化、色调、加入随机噪点及随机像素丢失的处理，将经过处理操作后的轮胎外壁图像数据整合到数据集。
15.进一步地，步骤s4中，对densenet神经网络模型进行训练、验证和测试时，采用交
叉验证法，所述交叉验证法就是随机地将训练集平均分为n个互不相交且大小相同的子集，每次取一个子集作为测试数据集，取余下的n-1个样本作为训练数据集，其中，70％作为训练数据和验证数据，30％作为测试数据，输入densenet神经网络模型进行训练，直到所有n个子集都做过一次测试集，即测试集循环了一圈，交叉验证的过程就结束；多次调整超参数，观察验证损失和平均精度，计算n次测试结果的准确率平均值作为模型整体的评价指标，从而训练、验证和测试出准确率最高的模型。
16.进一步地，在densenet神经网络模型中，每一层卷积神经网络都实现了一个非线性变换其中，是层的索引,层接收所有先前层的特征图，层接收所有先前层的特征图，代表着将第0层到第产生的特征图串联起来；所述是一个包含批量归一化(bn)、整流线性单元(relu)、池化和卷积操作的复合函数。
17.进一步地，步骤s5中，adam算法的计算公式为：
[0018][0019]
本发明的有益效果：通过汽车在行驶的过程中完成测试，提升了测试效率；能够量化并判断轮胎外壁的完整度，从而提升轮胎店、修理厂的工作效率；通过算法识别轮胎外壁，筛掉人工失误；通过检测轮胎壁完整度，预防轮胎爆胎事故，降低轮胎破裂引起的交通事故。
附图说明
[0020]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]
图1是根据本发明实施例所述的基于卷积神经网络的轮胎外壁完好程度的识别方法的流程框图。
具体实施方式
[0022]
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围，为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
[0023]
如图1所示，根据本发明实施例所述的基于卷积神经网络的轮胎外壁完好程度的识别方法，步骤包括：首先，获取已对其破损分类的轮胎外壁图像，所述轮胎外壁包括胎面，并进行图像预处理。所述预处理的方法为图像归一化和数据集增强。
[0024]
所述归一化就是用于减小待分类轮胎外壁图像由于背景图像及轮毂反射对训练模型的影响；所述增强数据集的方法包括对轮胎外壁图像做平移、旋转、翻转及倾斜和随机
变化图像的亮度、饱和度、对比度、锐化、色调、加入随机噪点及随机像素丢失的处理，将经过处理操作后的轮胎外壁图像数据整合到数据集。
[0025]
处理好轮胎外壁图像后，直接基于经过改进后的densenet神经网络模型，构建非对称卷积结构。其中，改进densenet神经网络模型是将densenet神经网络模型中第一个卷积层替换为inception结构。
[0026]
在包含构建好的非对称卷积结构的网络基础上，进行构建特征融合模块来融合不同层级的目标特征，将预处理后的轮胎外壁图像输入融合到改进后的densenet神经网络模型中。
[0027]
预处理后的轮胎外壁图像在densenet神经网络模型中，通过10-fold交叉检验的训练策略，对densenet神经网络模型进行训练、验证和测试，在对densenet神经网络模型进行训练、验证和测试时，采用交叉验证法。
[0028]
所述交叉验证法就是随机地将训练集平均分为n个互不相交且大小相同的子集，每次取一个子集作为测试数据集，取余下的n-1个样本作为训练数据集，其中，70％作为训练数据和验证数据，30％作为测试数据，输入densenet神经网络模型进行训练，直到所有n个子集都做过一次测试集，即测试集循环了一圈，交叉验证的过程就结束；多次调整超参数，观察验证损失和平均精度，计算n次测试结果的准确率平均值作为模型整体的评价指标，从而训练、验证和测试出准确率最高的模型。
[0029]
最后，利用adam算法的计算公式：最后，利用adam算法的计算公式：优化交叉熵代价函数，优化densenet神经网络模型模型，提高识别轮胎外壁是否破损或完好的程度，以实现densenet神经网络模型达到最佳。
[0030]
在densenet神经网络模型中，每一层卷积神经网络都实现了一个非线性变换其中，是层的索引,层接收所有先前层的特征图，其中，代表第层输出，代表着将第0层到第产生的特征图串联起来。所述是一个包含批量归一化(bn)、整流线性单元(relu)、池化和卷积操作的复合函数。
[0031]
该densenet神经网络的输入图像大小为784
×
784，使用大小为7
×
7的卷积核，步幅2，使用3
×
3最大池化，步幅为2。
[0032]
稠密连接网络(densenet)拥有3个18层的稠密块(dense block)，图像卷积(convolution)后池化(pool ing)减少特征图尺寸，增长率为16,初始学习率为0.0001，衰减率为0.9，批量大小128，共1000步，权重衰减率为0.00001，神经元保留概率为80％。用到的随机梯度下降法使用的下降策略为：的随机梯度下降法使用的下降策略为：其中lr为当前学习率，iter为迭代次数，max_iter为最大迭代次数，power为控制学习率下降快慢的参数，base_lr为基础学习率；模型的精度由下面公式计算：ai＝p
i-ri，其中，u为测试集数量，pi为预测偏差，ri为真实偏差。
[0033]
另外，本发明的cnn算法组成的进行实现轮胎外壁完好度识别的方法技术特征技术方案还应用于轮胎纹路的识别和轮胎定位角度的快速检测。
[0034]
上述在应用于轮胎纹路的识别时，主要是使用包含cnn算法的软件进行补偿硬件的短板(普通相机)，主要应用手段就是首先测试设备投射激光线束，相机进行拍摄激光线束的反射图像，再使用卷积神经网络算法处理、筛选图像，再进行比对处理后的图像与数据库中的图像，最后，将比对结果输出成电子报告供查看使用；那么在应用于四个车轮轮胎定位角度的快速检测时，首先是测试设备在车轮上投射激光线束形成卷积神经网络算法要求的四个或更多特征点，测试设备再使用相机对所有特征点进行采样，所有特征点经过筛选、校正后，再传输给内部程序进行计算，并输出计算结果，然后进行比对处理后的所有特征点与数据库中的图像，最后将比对结果传输到算法进行车轮定位角度的计算并输出计算结果的电子报告供查看使用。
[0035]
因此，本发明使用的cnn算法等技术特征还具备应用性广等特点。
[0036]
综上所述，借助于本发明的上述技术方案，通过汽车在行驶的过程中完成测试，提升了测试效率；能够量化并判断轮胎外壁的完整度，从而提升轮胎店、修理厂的工作效率；通过消除梯度消失问题，激励特征重用和加强特征传播以减少使用的特征参数数量，改进了传统cnn的性能；通过算法识别轮胎外壁，筛掉人工失误；通过检测轮胎壁完整度，预防轮胎爆胎事故，降低轮胎破裂引起的交通事故。
[0037]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。