CN113762281B 一种基于机器学习的成型轮毂识别方法 （浙江跃岭股份有限公司）

(12)发明专利(22)申请日2021.08.04(43)申请公布日2021.12.07地址317500浙江省台州市温岭市泽国镇司33109GO6V10/764(2022.01)(56)对比文件.2019,第25-68页.权利要求书2页说明书7页附图1页本发明公开了一种基于机器学习的成型轮结构不统一的情况的问题，包括以下步骤：S1:收集轮毂编码及轮毂结构数据并构建轮毂数据库；S2:采集轮毂编码及两侧结构图像，基于神经网络提取图像特征；S3:将提取的图像特征应的轮毂结构进行验证，得到匹配结果；S4:根据匹配结果识别轮毂类型。本发明的有益效果是：本方法基于机器学习的卷积神经网络对轮毂进轮毂编码和轮毂结构不统一构建轮毂数据库采集并提取轮毂图像特征对比图像特征和数据库中信息到最终轮毂类型21.一种基于机器学习的成型轮毂识别方法，其特征在于，包括以下步骤：S1:收集轮毂编码及轮毂结构数据并构建轮毂数据库，建立编码规则，由4位数字组成商品项目代码；S2:采集轮毂编码及两侧结构图像，基于神经网络提取图像特征；S3:将提取的图像特征与数据库中轮毂编码及轮毂结构对比，得到两种识别方式确定的轮毂类型，将轮毂编码与对应的轮毂结构进行验证，对比两种不同识别方式得到的轮毂S4:根据匹配结果识别轮毂类型。2.根据权利要求1所述的一种基于机器学习的成型轮毂识别方法，其特征在于，所述轮毂编码包括前缀码、厂商识别代码、商品项目代码和校验码，所述商品项目代码由4位数字组成，包括车轮材料代码为第一位，编码1-8表示车轮材料、成型8表示车轮成型工艺、车轮结构代码为第三位，编码1-3表示车轮结构、车轮表面状态代码为第四位，编码1-8表示车轮表面状态。3.根据权利要求1所述的一种基于机器学习的成型轮毂识别方法，其特征在于，步骤S1中所述收集轮毂编码及轮毂结构数据并构建轮毂数据库包括以下步骤：S11:根据轮毂编码规则对轮毂编码结构进行解析；S12:将每个编码对应的含义存入并构建编码数据库；S13:根据不同轮毂型号的轮毂结构存入并构建结构数据库。4.根据权利要求3所述的一种基于机器学习的成型轮毂识别方法，其特征在于，步骤5.根据权利要求1所述的一种基于机器学习的成型轮毂识别方法，其特征在于，步骤S2中所述采集轮毂编码及两侧结构图像包括以下步骤：S21:定位轮毂编码位置，采集轮毂编码信息；S22:采集轮毂正面、反面和侧面的结构图像信息。6.根据权利要求1所述的一种基于机器学习的成型轮毂识别方法，其特征在于，步骤S2中所述基于神经网络提取图像特征包括以下步骤：S23:基于卷积神经网络对采集的图像进行图像预处理；S24:对处理后的图像进行特征提取。7.根据权利要求6所述的一种基于机器学习的成型轮毂识别方法，其特征在于，步骤S23包括以下步骤：S231:通过旋转、添加高斯噪声和图像抖动的方式进行图像增强，构建轮毂图像数据S232:将不同类型的轮毂图像数据集的70%的作为训练集，30%的数据集作为测试集进行网络性能测试，得出最终基础网络类型；S233:对最终基础网络类型的网络特征提取部分和特征分类部分进行调整；S234:设置卷积神经网络的一般参数和超参数，对一般参数进行训练继而不断更新；对超参数进行控制变量法确定取值；S235:基于卷积神经网络完成轮毂图像预处理。38.根据权利要求1所述的一种基于机器学习的成型轮毂识别方法，其特征在于，步骤S3中所述将提取的图像特征与数据库中轮毂编码及轮毂结构对比包括以下步骤：S31:对比提取的图像特征与数据库中轮毂编码，解析图像特征中轮毂编码的含义，确定轮毂类型；S32:对比提取的图像特征与数据库中轮毂结构，解析图像特征中轮毂结构对应的轮毂9.根据权利要求8所述的一种基于机器学习的成型轮毂识别方法，其特征在于，步骤S3中所述将轮毂编码与对应的轮毂结构进行验证包括以下步骤：S33:对比轮毂编码对应的轮毂类型和轮毂结构对应的轮毂类型；S1,直至两者轮毂类型相同。10.根据权利要求9所述的一种基于机器学习的成型轮毂识别方法，其特征在于，步骤S4中所述根据匹配结果识别轮毂类型包括以下步骤：S41:识别步骤S34输出的匹配结果；4一种基于机器学习的成型轮毂识别方法技术领域[0001]本发明涉及机器学习技术领域，尤其涉及一种基于机器学习的成型轮毂识别方背景技术[0002]随着汽车行业的发展，汽车零配件制造业尤其是汽车轮毂制造业也随之高速发展起来。在汽车轮毂行业中，对于轮毂的型号参数的了解尤为关键，如轮毂的直径大小和宽度决定了和其能够匹配安装的轮胎的尺寸，轮毂的中心孔直径需要和车辆的轴承尺寸相互匹配，轮毂的偏距、螺栓孔数量和节圆直径等参数都需要符合车辆的原有设计条件。在车辆生产时，车辆和其安装的轮毂都有设定好的型号参数，在轮毂的维修和更换过程中，新更换的轮毂参数也需要符合原有的轮毂参数设定，如果两者的差距过大会极大地影响车辆的驾驶性能甚至发生事故。所以我们需要找到一定的方法以便于获取轮毂的型号参数。[0003]一种在中国专利文献上公开的“基于相机和机器学习的辊道线轮毂的检测定位方法及系统”,其公布号CN110992339A,系统包含硬件和软件两部分，其中硬件部分包含主控测单元，包括多台工业RGB相机，负责实时地对辊道线上的轮毂采集图像。软件部分包含主控软件和视觉检测软件。主控软件根据作业流程和各个硬件设备的信号状态，向PLC发送运动控制信号。视觉检测软件负责对辊道线上的轮毂进行检测识别和定位。其不足之处是：无法辨别轮毂编码和轮毂结构不统一的情况。发明内容[0004]本发明主要是为了解决无法辨别轮毂编码和轮毂结构不统一的情况的问题，提供一种基于机器学习的成型轮毂识别方法，可以通过两种不同的轮毂识别方式辨别轮毂编码和轮毂结构不统一的情况。[0005]为了实现上述目的，本发明采用以下技术方案：[0007]S1:收集轮毂编码及轮毂结构数据并构建轮毂数据库；[0008]S2:采集轮毂编码及两侧结构图像，基于神经网络提取图像特征；[0009]S3:将提取的图像特征与数据库中轮毂编码及轮毂结构对比，将轮毂编码与对应的轮毂结构进行验证，得到匹配结果；[0010]S4:根据匹配结果识别轮毂类型。[0011]所述轮毂数据库包括相互关联的轮毂编码数据库和轮毂结构数据库，便于识别后的轮毂编码和轮毂结构确定的轮毂类型之间的对比。[0012]采集轮毂两侧两侧结构可以更加精准地判断轮毂结构所对应的轮毂类型，便于提高结果的精准率。[0013]本方法可以通过轮毂编码和轮毂结构这两种不同的轮毂识别方式辨别轮毂编码5和轮毂结构不统一的情况，还可以避免由于识别错误造成识别不准确的情况发生。[0014]作为优选，步骤S1中所述收集轮毂编码及轮毂结构数据并构建轮毂数据库包括以[0015]S11:根据轮毂编码规则对轮毂编码结构进行解析；[0016]S12:将每个编码对应的含义存入并构建编码数据库；[0017]S13:根据不同轮毂型号的轮毂结构存入并构建结构数据库。[0018]汽车零部件的统一编码数据，由基本数据或基本数据加上扩展数据两种方式表示。基本数据是由全球贸易项目代码GTIN(由厂商识别代码、商品项目代码和校验码组成)和零部件批号或零部件序列号组成。其中应用标识符01为必选，应用标识符10和21三项。除了基本的数据以外，汽车零部件需额外增加数据信息时，可采用扩展数据。[0019]将每个编码对应的含义存入建编码数据库，便于后续识别的轮毂编码匹配相应的轮毂类型。[0020]将不同类型的轮毂的结构参数存入结构数据库，便于后续识别的轮毂结构匹配相应的轮毂类型。[0022]所述螺栓孔结构包括直孔螺栓孔、锥形螺栓和球形螺栓孔等；所述气嘴孔结构包括普通气嘴孔、带背镗的气嘴孔等；所述安装面结构包括安装面逃料等；所述肋背结构包括辋和D轮辋等；所述偏距指轮辋中心线至安装面的距离，包括正偏距、负偏距和零偏距等。[0023]通过以上轮毂结构确定轮毂类型，可以提高本方法的精准性。[0024]作为优选，所述轮毂编码包括前缀码、厂商识别代码、商品项目代码和校验码，所述商品项目代码包括车轮材料代码、成型工艺代码、车轮结构代码和车轮表面状态代码。[0025]前缀码由2-3位数字组成，由国际物品编码协会分配，国际编码协会(GS1)已分配给中国物品编码中心的前缀位690-697。[0026]厂商识别代码由8位数字组成(其中包括前缀码)由中国物品编码中心负责分配和管理，鉴于汽配行业的特殊性，编码中心开设绿色通道，分配给汽车零部件企业都是8位厂商识别代码。[0027]商品项目代码由4位数字组成。[0028]车轮材料代码为第一位，编码1-8表示车轮材料，包括：编码1:铝合金，编码2:钢铁，编码3:镁合金，编码4:碳纤维，编码5:钢铝复合，编码6:铝镁复合，编码7:铝碳纤维复[0029]成型工艺代码为第二位，编码1-8表示车轮成型工艺，包括：编码1:低压铸造，编码2:重力铸造，编码3:差压铸造，编码4:重力加压铸造，编码5:液态模锻，编码6:铸[0030]车轮结构代码为第三位，编码1-3表示车轮结构，包括：编码1:1件式整体车轮，编码2:2件式组合车轮，编码3:3件式组合车轮。[0031]车轮表面状态代码为第四位，编码1-8表示车轮表面状态，包括：编码1:全涂装，编码2:涂装亮面，编码3:水电镀，编码4:真空镀，编码5:抛光，编码6:电泳，编码7:套6色，编码8:水转印。[0032];校验码为1位数字，用于检验整个编码的正误。[0033]作为优选，步骤S2中所述采集轮毂编码及两侧结构图像包括以下步骤：[0035]S22:采集轮毂正面、反面和侧面的结构图像信息。[0036]步骤S21通过现有的定位算法，确定轮毂编码大致位置，进行图像采集，便于减少后续图像处理的难度，使结果更加精确。[0037]步骤S22采集轮毂全方位的结构图像信息，可以精确地得到所有结构的图像信息，便于后续精确地识别轮毂类型。[0038]作为优选，步骤S2中所述基于神经网络提取图像特征包括以下步骤：[0039]S23:基于卷积神经网络对采集的图像进行图像预处理；[0040]S24:对处理后的图像进行特征提取。[0041]通过机器学习的卷积神经网络进行图像处理，由于卷积神经网络的可学习型，可以使本方法的识别结果更加准确。[0043]S231:通过旋转、添加高斯噪声和图像抖动的方式进行图像增强，构建轮毂图像数[0044]S232:将不同类型的轮毂图像数据集的70%的作为训练集，30%的数据集作为测试集进行网络性能测试，得出最终基础网络类型；[0045]S233:对最终基础网络类型的网络特征提取部分和特征分类部分进行调整；[0046]S234:设置卷积神经网络的一般参数和超参数，对一般参数进行训练继而不断更新；对超参数进行控制变量法确定取值；[0047]S235:基于卷积神经网络完成轮毂图像预处理。[0048]步骤S231中旋转包括上下翻转、左右翻转等，随机生成旋转角度，能够模拟出图像系统在流水线中采集到的轮毂相对气嘴孔结构不同的位置图像。[0049]对数据集添加高斯噪声的目的是增强网络对含有噪声的图像的学习能力，方法为通过现有的高斯噪声密度函数公式实现。[0050]图像抖动的目的是提高网络对不同光照条件采集的轮毂图像识别能力。[0051]图像数据规整的目的是使输入的图像数据大小一致。原始采集到的图像其分辨率大小不一并且大多数分辨率过高，如果接进行学习计算量太大。因此，首先对图像进行分辨率调整。调整的准则为：在保证图像长宽比不变的情况下图像最大宽度设置为480,最大高度设置为640。接着为了满足网络结构中输入图像大小一致的要求，使用图像处理常见的“Reshape”操作，将图像大小规整为224×224。最后对图像进行归一化。[0052]步骤S233为现有技术，为了使网络符合轮毂图像分类任务需要。[0053]步骤S234为现有技术中对一般参数和超参数的设计。[0054]作为优选，步骤S3中所述将提取的图像特征与数据库中轮毂编码及轮毂结构对比[0055]S31:对比提取的图像特征与数据库中轮毂编码，解析图像特征中轮毂编码的含7[0056]S32:对比提取的图像特征与数据库中轮毂结构，解析图像特征中轮毂结构对应的[0057]通过对比提取的图像特征、数据库中轮毂编码和轮毂结构，得到两种识别方式确定的轮毂类型，可以提高本方法的准确性。[0058]作为优选，步骤S3中所述将轮毂编码与对应的轮毂结构进行验证包括以下步骤：[0059]S33:对比轮毂编码对应的轮毂类型和轮毂结构对应的轮毂类型；[0060]S34:若两者轮毂类型相同，则输出“匹配结果步骤S1,直至两者轮毂类型相同。[0061]步骤S33和S34通过对比两种不同识别方式得到的轮毂类型，实现精准识别的目的，可以辨别轮毂编码和轮毂结构不统一的情况，还可以避免由于识别错误造成识别不准确的情况发生。[0062]作为优选，步骤S4中所述根据匹配结果识别轮毂类型包括以下步骤：[0063]S41:识别步骤S34输出的匹配结果；环本方法，可以提高结果的准确性。[0067](1)本方法基于机器学习的卷积神经网络对轮毂进行识别，便于确定轮毂类型。[0068](2)本方法通过对轮毂编码、轮毂结构两个不同的识别方式，实现辨别轮毂编码和轮毂结构不统一的情况。[0069](3)本方法通过对轮毂编码、轮毂结构两个不同的识别方式，避免由于识别错误造成识别不准确的情况发生。附图说明[0070]图1是本发明的流程示意图。具体实施方式[0071]下面结合附图和具体实施方式对本发明进一步的描述。[0072]如图1所示，一种基于机器学习的成型轮毂识别方法，包括以下步骤：[0073]S1:收集轮毂编码及轮毂结构数据并构建轮毂数据库；[0074]S2:采集轮毂编码及两侧结构图像，基于神经网络提取图像特征；[0075]S3:将提取的图像特征与数据库中轮毂编码及轮毂结构对比，将轮毂编码与对应的轮毂结构进行验证，得到匹配结果；[0076]S4:根据匹配结果识别轮毂类型。[0077]轮毂数据库包括相互关联的轮毂编码数据库和轮毂结构数据库，便于识别后的轮毂编码和轮毂结构确定的轮毂类型之间的对比。[0078]采集轮毂两侧两侧结构可以更加精准地判断轮毂结构所对应的轮毂类型，便于提高结果的精准率。[0079]本方法可以通过轮毂编码和轮毂结构这两种不同的轮毂识别方式辨别轮毂编码8和轮毂结构不统一的情况，还可以避免由于识别错误造成识别不准确的情况发生。[0080]步骤S1中收集轮毂编码及轮毂结构数据并构建轮毂数据库包括以下步骤：[0081]S11:根据轮毂编码规则对轮毂编码结构进行解析；[0082]S12:将每个编码对应的含义存入并构建编码数据库；[0083]S13:根据不同轮毂型号的轮毂结构存入并构建结构数据库。[0084]汽车零部件的统一编码数据，由基本数据或基本数据加上扩展数据两种方式表示。基本数据是由全球贸易项目代码GTIN(由厂商识别代码、商品项目代码和校验码组成)和零部件批号或零部件序列号组成。其中应用标识符01为必选，应用标识符10和21三项。除了基本的数据以外，汽车零部件需额外增加数据信息时，可采用扩展数据。[0085]将每个编码对应的含义存入建编码数据库，便于后续识别的轮毂编码匹配相应的轮毂类型。[0086]将不同类型的轮毂的结构参数存入结构数据库，便于后续识别的轮毂结构匹配相应的轮毂类型。[0088]螺栓孔结构包括直孔螺栓孔、锥形螺栓和球形螺栓孔等；气嘴孔结构包括普通气嘴孔、带背镗的气嘴孔等；安装面结构包括安装面逃料等；肋背结构包括肋背逃料等，肋背[0089]通过以上轮毂结构确定轮毂类型，可以提高本方法的精准性。[0090]轮毂编码包括前缀码、厂商识别代码、商品项目代码和校验码，商品项目代码包括车轮材料代码、成型工艺代码、车轮结构代码和车轮表面状态代码。[0091]前缀码由2-3位数字组成，由国际物品编码协会分配，国际编码协会(GS1)已分配给中国物品编码中心的前缀位690-697。[0092]厂商识别代码由8位数字组成(其中包括前缀码)由中国物品编码中心负责分配和管理，鉴于汽配行业的特殊性，编码中心开设绿色通道，分配给汽车零部件企业都是8位厂商识别代码。[0093]商品项目代码由4位数字组成。[0094]车轮材料代码为第一位，编码1-8表示车轮材料，包括：编码1:铝合金，编码2:钢铁，编码3:镁合金，编码4:碳纤维，编码5:钢铝复合，编码6:铝镁复合，编码7:铝碳纤维复[0095]成型工艺代码为第二位，编码1-8表示车轮成型工艺，包括：编码1:低压铸造，编码2:重力铸造，编码3:差压铸造，编码4:重力加压铸造，编码5:液态模锻，编码6:铸[0096]车轮结构代码为第三位，编码1-3表示车轮结构，包括：编码1:1件式整体车轮，编码2:2件式组合车轮，编码3:3件式组合车轮。[0097]车轮表面状态代码为第四位，编码1-8表示车轮表面状态，包括：编码1:全涂装，编码2:涂装亮面，编码3:水电镀，编码4:真空镀，编码5:抛光，编码6:电泳，编码7:套色，编码8:水转印。9[0098]校验码为1位数字，用于检验整个编码的正误。[0099]步骤S2中采集轮毂编码及两侧结构图像包括以下步骤：[0101]S22:采集轮毂正面、反面和侧面的结构图像信息。[0102]步骤S21通过现有的定位算法，确定轮毂编码大致位置，进行图像采集，便于减少后续图像处理的难度，使结果更加精确。[0103]步骤S22采集轮毂全方位的结构图像信息，可以精确地得到所有结构的图像信息，便于后续精确地识别轮毂类型。[0104]步骤S2中基于神经网络提取图像特征包括以下步骤：[0105]S23:基于卷积神经网络对采集的图像进行图像预处理；[0106]S24:对处理后的图像进行特征提取。[0107]通过机器学习的卷积神经网络进行图像处理，由于卷积神经网络的可学习型，可以使本方法的识别结果更加准确。[0108]步骤S23包括以下步骤：[0109]S231:通过旋转、添加高斯噪声和图像抖动的方式进行图像增强，构建轮毂图像数据集；[0110]S232:将不同类型的轮毂图像数据集的70%的作为训练集，30%的数据集作为测试集进行网络性能测试，得出最终基础网络类型；[0111]S233:对最终基础网络类型的网络特征提取部分和特征分类部分进行调整；[0112]S234:设置卷积神经网络的一般参数和超参数，对一般参数进行训练继而不断更新；对超参数进行控制变量法确定取值；[0113]S235:基于卷积神经网络完成轮毂图像预处理。[0114]步骤S231中旋转包括上下翻转、左右翻转等，随机生成旋转角度，能够模拟出图像系统在流水线中采集到的轮毂相对气嘴孔结构不同的位置图像。[0115]对数据集添加高斯噪声的目的是增强网络对含有噪声的图像的学习能力，方法为通过现有的高斯噪声密度函数公式实现。[0116]图像抖动的目的是提高网络对不同光照条件采集的轮毂图像识别能力。[0117]图像数