CN119515878A 一种滑橇形变的监测方法及装置 （中国汽车工业工程有限公司）

本发明公开了一种滑橇形变的监测方法及卷积神经网络模型，得到应用卷积神经网络模型，使用测试数据集测试应用卷积神经网络模2使用所述训练数据集训练基础卷积神经网络模型，得到应用卷积神经获取所述预测区域与标注区域交并比和中心间距，将所述交并比在生产现场获取实时生产数据，将所述实时生产数据输每一次迭代训练后，记录所述基础卷积神经网络模型的评定数据，3计算所述预测区域范围，计算公式为,,其中，px1为所述预测区域的左上顶点的横坐py2为所述预测区域的右下顶点的纵坐标，pcx为所述预测区域中心点的横坐标，pcy为形框的高度；计算所述预测区域的面积，计算公式为：Bm=pw*ph，其中，Bm为所述预测区域计算所述预测区域和所述标注区域的交集区域，计算公式为：xyr=max(x为所述交集区域的左上顶点的横坐标，xright为所述交集区域的右下顶点的横坐标，vtop为ybottom-ytop的绝对值；4训练单元，用于使用所述训练数据集训练基对比单元，用于获取所述预测区域与标注区域交并比和中心间距，对条件为所述交并比大于所述标准交并比且所述中心间距小于所述标准中心间距，包括：5[0005]相关技术中，关于监测滑橇形变程度不准确的技术问题尚未得到有效的解决方6[0010]可选地，计算标注区域范围，计算公式为域的右下顶点的横坐标，vtop为交集区域的左上顶点的纵坐标，ybottom为交集区域的右78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，都应当属于本申请保护的范9D;(i=1,2,3,4,5,6)与标准距离Dstandy(=1,2,3,4,5,6)计算均方差Q，然后比较均用卷积神经网络模型根据四张图片预测四个中心点位p(i=1,2,3,4)，四个中心点位可分为6组P,PP,PP,P4根据所述距离计算公式得到6条边长D;(i=1,2,3,4,5,6)。四点距离和滑橇形进行展示。[0045]在一种可选地实施例中，计算标注区域范围，计算公式为区域的右下顶点的纵坐标，cx为标注区域中心点的横坐标，cy为标注区域中心点的纵坐[0046]在一种可选地实施例中，计算预测区域和标注区域的交集区域，计算公式为：域的右下顶点的横坐标，vtop为交集区域的左上顶点的纵坐标，ybottom为交集区域的右的一种滑橇形变的监测装置可以用于执行本申请实施例所提供的用于一种滑橇形变的监围，计算公式为其标注区域的面积；第三计算子单元，用于计算预测区域范围，计算公式为：域矩形框的高度；第四计算子单元，用于计算预测区域的面积，计算公式为：Bm=pw*ph，其中，Bm为预测区域的面积。标注区域的交集区域，计算公式为：xyft=max(x1,px1)，xngnt=min(x2,px2)，横坐标，xright为交集区域的右下顶点的横坐标，vtop为交集区域的左上顶点的纵坐标，[0066]所述一种滑橇形变的监测装置包括处理器和存储器，上述获取单元301等均作为[0074]可选地，计算标注区域范围，计算公式为域的右下顶点的横坐标，vtop为交集区域的左上顶点的纵坐标，ybottom为交集区域的右[0083]可选地，计算标注区域范围，计算公式为域的右下顶点的横坐标，vtop为交集区域的左上顶点的纵坐标，ybottom为交集区域的右[0090]可选地，计算标注区域范围，计算公式为域的右下顶点的横坐标，vtop为交集区域的左上顶点的纵坐标，ybottom为交集区域的右[0097]可选地，计算标注区域范围，计算公式为域的右下顶点的横坐标，vtop为交集区域的左上顶点的纵坐标，ybottom为交集区域的右[0104]这些计算机程序指令也可存储在能引导计算机或其他可编程