基于AI的车身颜色与机盖类型识别系统、方法及电子设备与流程

文档序号:29639071发布日期:2022-04-13 17:57阅读:113来源:国知局
基于AI的车身颜色与机盖类型识别系统、方法及电子设备与流程
基于ai的车身颜色与机盖类型识别系统、方法及电子设备
技术领域
1.本发明涉及车漆喷涂技术领域,具体来说涉及一种基于ai的车身颜色与机盖类型识别系统、方法及电子设备,用于汽车涂装工厂的车漆喷涂。


背景技术:

2.汽车涂装车间的主要任务是根据客户需求,完成对指定车身号的装焊车身进行相应颜色的车漆喷涂。涂装车间中通常包含十多种喷涂颜色,喷涂系统各单元的结构示意图如图1所示:即现场摄像单元110对待喷涂的车身号进行识别后传入plc系统120,plc系统根据识别的车身号与plus颜色系统130交互,获取车身号对应的颜色代码,然后将颜色代码传送至喷涂机器人140进行车漆喷涂。当摄像单元读取车身号失败时,需人工检测后手动输入喷涂颜色。
3.上述的车漆喷涂系统准确性低,存在一定概率因车身颜色识别错误导致车漆颜色喷涂错误的情况,而目前对于车漆颜色喷涂错误的情况还无法进行高效的自动化检测,若喷涂错误的车身流入总装车间,会造成不可估量的损失。目前用于行业中的ai车身颜色识别算法较少,并且对漆面的反光处理不好,多数车身颜色检测算法应用于交通行驶中的车辆颜色检测,颜色一般为最基本的红、黄、蓝等色,而在实际的车漆喷涂中,由于存在颜色相近的车漆,普通的ai颜色识别方法不能满足车漆喷涂的颜色要求。


技术实现要素:

4.本发明的目的在于提供一种基于ai的车身颜色与机盖类型识别系统、方法及电子设备,解决现有汽车涂装工厂车漆喷涂效率及准确率低的问题。
5.为实现上述目的,本发明公开了如下技术方案:
6.本发明一方面提供了一种基于ai的车身颜色与机盖类型识别系统,所述系统包括:
7.控制器,用于当车身到达指定位置时,产生车身到位信号并将所述车身到位信号传送至中控单元;
8.摄像单元,用于在车身到达指定位置后采集车身图像信息;
9.中控单元,用于在接收到所述车身到位信号后,控制所述摄像单元采集车身图像信息,并提取车身图像信息分别进行车身颜色识别与机盖类型识别,根据识别结果输出与车身匹配的颜色代码,并将识别结果进行存储和/或输出至用户终端。
10.上述的车身颜色与机盖类型识别系统,还包括:
11.第一存储单元,用于存储标准颜色数据以供中控单元进行车身颜色匹配;
12.第二存储单元,用于存储车身图像数据及车身颜色与机盖类型的识别结果数据,以供用户终端查看。
13.进一步的,所述中控单元包括:
14.颜色识别单元,用于对车身图像的颜色信息进行处理分析,得到车身颜色识别数
据;
15.机盖识别单元,用于对车身图像的机盖信息进行处理分析,得到机盖类型识别数据;
16.匹配输出单元,用于根据所述车身颜色识别数据和所述机盖类型识别数据,匹配所述第一存储单元中的标准颜色数据,并输出相应的颜色代码。
17.进一步的,所述颜色识别单元包括:
18.预处理模块,用于将车身图像由rgb色彩空间转换到hsv色彩空间;
19.降噪模块,用于对车身图像进行降噪处理,得到hsv特征值表;
20.训练模块,用于利用训练样本对hsv特征值进行训练;
21.识别模块,用于对车身颜色进行识别,得到车身颜色识别数据。
22.优选的,所述降噪模块通过连续两次高斯滤波对车身图像进行降噪处理。
23.优选的,所述识别模块基于bp神经网络对车身颜色进行识别。
24.进一步的,所述机盖识别单元包括:
25.灰度处理模块,用于对车身图像进行灰度化处理,得到灰度图;
26.缩小模块,用于对所述灰度图进行切分,得到包含机盖棱的区域图;
27.滤波模块,用于对所述区域图进行高斯滤波,得到滤波图;
28.检测模块,用于对所述滤波图进行边缘检测,识别机盖类型,得到机盖类型识别数据。
29.优选的,所述检测模块基于canny算子对滤波图进行边缘检测。
30.上述的车身颜色与机盖类型识别系统,还包括:
31.plus颜色单元,与所述第一存储单元连接,用于存储设定的车身标准颜色信息,并通过node-red将所述车身标准颜色信息采集到所述第一存储单元中。
32.本发明另一方面提供了一种基于ai的车身颜色与机盖类型识别方法,所述方法包括以下步骤:
33.当车身到达指定位置时,产生车身到位信号并传送至中控单元;
34.中控单元接收所述车身到位信号,控制采集车身图像信息;
35.中控单元提取车身图像信息分别进行车身颜色识别与机盖类型识别,根据识别结果输出与车身匹配的颜色代码,并将识别结果进行存储和/或输出至用户终端。
36.上述的车身颜色与机盖类型识别方法,还包括:
37.对标准颜色数据进行存储以供中控单元进行车身颜色匹配;
38.对车身图像数据及车身颜色与机盖类型的识别结果数据进行存储,以供用户终端查看。
39.进一步的,所述中控单元分别进行车身颜色识别与机盖类型识别,根据识别结果输出与车身匹配的颜色代码,包括:
40.对车身图像的颜色信息进行处理分析,得到车身颜色识别数据;
41.对车身图像的机盖信息进行处理分析,得到机盖类型识别数据;
42.根据所述车身颜色识别数据和所述机盖类型识别数据,匹配所述第一存储单元中的标准颜色数据,并输出相应的颜色代码。
43.进一步的,所述对车身图像的颜色信息进行处理分析,得到车身颜色识别数据,包
括:
44.将车身图像由rgb色彩空间转换到hsv色彩空间;
45.在hsv色彩空间中,通过连续两次高斯滤波对车身图像进行降噪处理,得到hsv特征值表;
46.提取训练样本对hsv特征值进行训练;
47.基于bp神经网络对车身颜色进行识别,得到车身颜色识别数据。
48.进一步的,所述对车身图像的机盖信息进行处理分析,得到机盖类型识别数据,包括:
49.对车身图像进行灰度化处理,得到灰度图;
50.对所述灰度图进行切分,得到包含机盖棱的区域图;
51.对所述区域图进行高斯滤波,得到滤波图;
52.基于canny算子对滤波图进行边缘检测,识别机盖类型,得到机盖类型识别数据。
53.本发明还提供了一种电子设备,所述电子设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于ai的车身颜色与机盖类型识别方法。
54.发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
55.在本技术实施例中,通过中控单元提取车身图像信息分别进行车身颜色识别与机盖类型识别,综合车身颜色的识别结果和机盖类型的识别结果,得到并向控制器输出与车身匹配的颜色代码进行车漆喷涂,提高了车身颜色识别的效率和准确率,有效降低了车漆颜色喷涂错误的风险。
附图说明
56.此处的附图被并入说明书中并构成说明书的一部分,示出了符合本技术的实施例,并与说明书一起用于解释本技术的原理。
57.图1为现有汽车涂装车间车漆喷涂系统的结构原理示意图;
58.图2为本技术一实施例提供的基于ai的车身颜色与机盖类型识别系统结构原理示意图;
59.图3为本技术另一实施例提供的基于ai的车身颜色与机盖类型识别系统结构原理示意图;
60.图4为本技术实施例中控单元的结构原理示意图;
61.图5为图4中颜色识别单元的结构原理示意图;
62.图6为图5中预处理模块的采样区域示意图;
63.图7为图5中识别模块采用的神经网络结构图;
64.图8为图4中机盖识别单元的结构原理示意图;
65.图9为本技术实施例的识别系统主界面示意图;
66.图10为本技术实施例的识别系统用户终端界面示意图;
67.图11为本技术一实施例提供的基于ai的车身颜色与机盖类型识别方法流程示意图;
68.图12为图11中步骤s300可选的流程示意图;
69.图13为本技术一实施例提供的电子设备结构示意图。
具体实施方式
70.为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
71.需要说明的,本说明书中针对“一个实施例”、“实施例”、“示例实施例”等的引用,指的是描述的该实施例可包括特定的特征、结构或特性,但是不是每个实施例必须包含这些特定特征、结构或特性。此外,这样的表述并非指的是同一个实施例。进一步,在结合实施例描述特定的特征、结构或特性时,不管有没有明确的描述,已经表明将这样的特征、结构或特性结合到其它实施例中是在本领域技术人员的知识范围内的。
72.此外,在说明书及后续的权利要求当中使用了某些词汇来指称特定组件或部件,所属领域中具有通常知识者应可理解,制造商可以用不同的名词或术语来称呼同一个组件或部件。本说明书及后续的权利要求并不以名称的差异来作为区分组件或部件的方式,而是以组件或部件在功能上的差异来作为区分的准则。在通篇说明书及后续的权利要求书中所提及的“包括”和“包含”为一开放式的用语,故应解释成“包含但不限定于”。另外,“连接”一词在此系包含任何直接及间接的电性连接手段。间接的电性连接手段包括通过其它装置进行连接。
73.参考图2,图2示出了本技术一实施例提供的基于ai的车身颜色与机盖类型识别系统结构示意图,所述系统包括:
74.控制器210,用于当待喷涂车辆到达指定位置时,产生车身到位信号并将所述车身到位信号传送至中控单元;
75.摄像单元220,用于在车身到达指定位置后采集车身图像信息;
76.中控单元250,用于在接收到所述车身到位信号后,控制摄像单元采集车身图像信息,并提取车身图像信息分别进行车身颜色识别与机盖类型识别,根据识别结果输出与车身匹配的颜色代码,并将识别结果进行存储。
77.具体的,所述控制器210可选用plc控制器,如rockwell、西门子、欧姆龙、三菱等。摄像单元220可采用现场的摄像头,中控单元250可为上位机电脑,中控单元在提取车身图像信息进行车身颜色识别与机盖类型识别后,与plus颜色单元230中的标准颜色进行比对,然后向控制器210输出与车身匹配的颜色代码,控制器210将颜色代码传递给喷涂机器人240进行车漆喷涂。
78.如前所述,现有的车漆喷涂系统中,plc系统根据车身号与plus颜色系统交互直接获取车身颜色号,车身颜色识别错误率高,且人工检测效率低。本实施例通过中控单元综合车身颜色和机盖类型的识别结果,进行车身颜色匹配输出,提高了车身颜色识别的效率和准确率。
79.更为具体的,如图3所示,图3为本技术另一实施例提供的基于ai的车身颜色与机盖类型识别系统结构示意图,所述系统还包括:
80.数据库260,用于存储标准颜色数据以及中控单元对车身颜色和机盖类型的识别
数据;
81.用户终端270,用于用户登陆查看已喷涂车辆或待喷涂车辆的相关信息。
82.在一种实施方式中,数据库可设置在局域网的服务器中,具体可包括:
83.第一存储单元,与plus颜色单元230连接,通过node-red可将plus颜色单元中的车身标准颜色信息采集到第一存储单元中,以供中控单元250进行车身颜色匹配;
84.第二存储单元,用于存储车身图像数据及车身颜色与机盖类型的识别结果数据,以供用户终端270查看。
85.在一种实施方式中,如图4所示,中控单元250可具体包括:
86.颜色识别单元251,用于对车身图像的颜色信息进行处理分析,得到车身颜色识别数据;
87.机盖识别单元253,用于对车身图像的机盖信息进行处理分析,得到机盖类型识别数据;
88.匹配输出单元252,用于根据所述车身颜色识别数据和所述机盖类型识别数据,匹配第一存储单元中的标准颜色数据,并输出相应的颜色代码。
89.在一种实施方式中,如图5所示,颜色识别单元251可具体包括:
90.预处理模块,用于将车身图像由rgb色彩空间转换到hsv色彩空间;
91.由于摄像单元拍摄的车身图像色彩空间是rgb,为了提高图像色彩识别的精度和鲁棒性,将采集的车身图像首先使用opencv转换到hsv色彩空间,然后提取采样点,采样点平均分布在车身机盖区域,如图6所示;
92.降噪模块,用于对车身图像进行降噪处理,得到hsv特征值表;
93.预处理模块的采样点数据由三个值组成,即分别为h色调、s饱和度和v明度。由于车漆表面较为光滑,并且拍摄位置上方通常有照明灯管,因此会在部分车身表面产生亮斑,或部分车身表面产生灯管的反射。由于亮斑和反光会造成采样点中部分点的值失真,不能正确反映出采样区域的颜色值,因此需要通过滤波算法进行去除。
94.经过测试,在本实施例的识别系统中,连续使用两次高斯滤波可以很好的去除亮斑区域的影响,消除由于亮斑产生的高亮噪点,得到h、s、v值都很稳定的hsv特征值表。
95.训练模块,用于利用训练样本对hsv特征值进行训练;
96.本模块首先对降噪后得到的hsv特征值表进行均值化处理,然后与现场提取到用于训练的、标记完成的照片进行训练。本实施例中,选用共计3335张照片进行训练。
97.识别模块,用于对车身颜色进行识别,得到车身颜色识别数据;
98.在颜色识别中,识别模块基于bp神经网络,变换神经网络中神经元梯度权值,从而提升bp神经网络的训练收敛度,有效减小图像识别中的训练误差。本实施例识别模块采用的神经网络结构如图7所示,根据数据参数个数输入层有三个神经元,输入处理后的hsv值中间包括两层隐藏层,输出层根据喷涂车漆颜色种类的数量选择四个神经元。当然,神经网络算法还可以尝试其他机器学习或深度学习算法,如基于卷积神经网络的算法等,本发明不以此为限。
99.机盖类型识别主要是通过识别车辆机盖上棱的数量来判断车的款型。通过拍摄的照片分析,机盖上的棱有明显的上下起伏,会造成深度上的不连续和明暗的变化,基于此,机盖识别单元采用边缘检测算法进行识别。在一种实施方式中,如图8所示,机盖识别单元
253可具体包括:
100.灰度处理模块,用于对车身图像进行灰度化处理,得到灰度图;
101.考虑到图像颜色不会影响到边缘检测的结果,为减少计算量,首先对车身图像进行灰度化处理。
102.缩小模块,用于对所述灰度图进行切分,得到包含机盖棱的区域图;
103.由于摄像单元拍摄的图片通常会包含部分无效区域,而对于边缘检测而言,只需要包含棱的区域即可,因此可以将图片切分成一定数量的区域,取各区域的灰度均值组成新的灰度图,然后根据位置切割出包含棱的区域,得到包含机盖棱的区域图。
104.滤波模块,用于对所述区域图进行高斯滤波,得到滤波图;
105.检测模块,用于对所述滤波图进行边缘检测,识别机盖类型,得到机盖类型识别数据。优选的,可使用canny算子对滤波图进行边缘检测,当然,边缘算法也可以尝试其他算子,不发明不以此为限。
106.本技术的识别系统可采用b/s结构设计,如图9所示,为一种实施例的系统主界面示意图。其中,颜色识别单元与机盖识别单元单独设计,方便算法优化。用户终端可以通过浏览器使用账户密码登陆,查看车辆的相关信息。如图10所示,为一种实施例的系统用户终端界面示意图。
107.图11示出了本技术一实施例提供的基于ai的车身颜色与机盖类型识别方法流程示意图,下文描述的识别方法可以与上文描述的识别系统相互对应参照。参见图11,所述方法包括以下步骤:
108.s100、当车身到达指定位置时,产生车身到位信号并传送至中控单元;
109.s200、中控单元接收所述车身到位信号,控制采集车身图像信息;
110.s300、中控单元提取车身图像信息分别进行车身颜色识别与机盖类型识别,根据识别结果输出与车身匹配的颜色代码,并将识别结果进行存储和/或输出至用户终端。
111.在一种实施方式中,所述方法还可包括下述步骤:
112.对标准颜色数据进行存储以供中控单元进行车身颜色匹配;
113.对车身图像数据及车身颜色与机盖类型的识别结果数据进行存储,以供用户终端查看。
114.更为具体的,如图12所示,在一种实施方式中,步骤s300中控单元分别进行车身颜色识别与机盖类型识别,根据识别结果输出与车身匹配的颜色代码,可包括下述步骤:
115.s301、对车身图像的颜色信息进行处理分析,得到车身颜色识别数据;
116.s302、对车身图像的机盖信息进行处理分析,得到机盖类型识别数据;
117.s303、根据所述车身颜色识别数据和所述机盖类型识别数据,匹配所述第一存储单元中的标准颜色数据,并输出相应的颜色代码。
118.在一种实施方式中,步骤s301对车身图像的颜色信息进行处理分析,得到车身颜色识别数据,可具体包括:
119.将车身图像由rgb色彩空间转换到hsv色彩空间;
120.在hsv色彩空间中,通过连续两次高斯滤波对车身图像进行降噪处理,得到hsv特征值表;
121.提取训练样本对hsv特征值进行训练;
122.基于bp神经网络对车身颜色进行识别,得到车身颜色识别数据。
123.在一种实施方式中,步骤s302对车身图像的机盖信息进行处理分析,得到机盖类型识别数据,可具体包括:
124.对车身图像进行灰度化处理,得到灰度图;
125.对所述灰度图进行切分,得到包含机盖棱的区域图;
126.对所述区域图进行高斯滤波,得到滤波图;
127.基于canny算子对滤波图进行边缘检测,识别机盖类型,得到机盖类型识别数据。
128.图13示出了本技术一实施例提供的电子设备结构示意图。在一种实施方式中,如图13所示,电子设备400可包括输入单元401、存储器402、处理器403以及输出单元404。存储器402存储有可在处理器403上运行的程序指令,处理器403调用程序指令能够执行基于前述多个实施例中的方法和/或技术方案。
129.综上所述,本发明的基于ai的车身颜色与机盖类型识别系统、方法及电子设备,包括摄像机数据采集、plc交互、中控端ai识别及前端界面展示,具有较高的通用性和可移植性,车身颜色识别与机盖类型识别均具有较高的准确率和鲁棒性,可有效降低车漆颜色喷涂错误的风险,在智能工厂中具有较高的应用价值。
130.显然,本领域的技术人员应该明白,上述的本技术的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本技术不限制于任何特定的硬件和软件结合。
131.虽然,上文中已经用一般性说明及具体实施例对本技术作了详尽的描述,但在本技术基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本技术精神的基础上所做的这些修改或改进,均属于本技术要求保护的范围。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1