[发明专利]一种基于CNN和LR的汽车钣金件裂纹检测系统

说明书

本发明公开了一种基于CNN和LR的汽车钣金件裂纹检测系统，具体检测流程如下：首先人工标注正负样本；然后采用模型进行训练，训练时采用CNN将图像映射为固定维度的一维向量，以向量为特征，采用LR训练模型参数；最后对新的产品图像进行预测，确定是否合格。CNN输入层由32×32个感知节点组成，接收原始图像，然后，计算流程在卷积和子抽样之间交替进行，最终得到输出向量，最终的输出向量采用LR进行预测，判断其label。本技术方案实现了一种基于CNN和LR的汽车钣金件检测系统，CNN神经网络泛化能力很强，可以保证高的准确率，解决了之前人工检测准确率低、劳动强度大的问题，降低了公司成本。

技术领域

本发明涉及一种汽车钣金件裂纹检测系统，特别涉及一种基于CNN和LR的汽车钣金件裂纹检测系统，属于汽车检测技术领域。

背景技术

汽车钣金件: 汽车钣金件是汽车上必不可少的零部件，钣金件是汽车白车身的组成部分，每辆汽车都使用了至少上百种不同的钣金件，在汽车上发挥着非常重要的作用，其质量问题直接影响到汽车的安全、整车质量及主机厂的生产节拍。

汽车钣金件检测：针对每个汽车钣金件产品，需要检测是外轮廓大小、孔数尺寸、角度以及表面裂纹等，这些都可以通过检测钣金件的图像，归图像进行分类，确定其是否合格。可以将这些问题转化为图像二分类问题。

CNN: 全称为卷积神经网络，是深度学习技术中极具代表的网络结构之一。在图像处理领域取得了很大的成功。图像处理中，往往会将图像看作为一个二维向量，例如可以看做是一个28 × 28的二维向量，将28*28的向量进行多次卷积和池化，最终形成一个特定维度的一维向量，最后对这个向量进行预测，决定其类别。

LR：全称为logistic regressive，模型都具有 w‘x+b，其中w和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将w‘x+b作为因变量，即y =w‘x+b，而logistic回归则通过函数L将w‘x+b对应一个隐状态p，p =L(w‘x+b),然后根据p 与1-p的大小决定因变量的值。如果L是logistic函数，就是logistic回归，如果L是多项式函数就是多项式回归。LR的二分类的更为常用，也更加容易解释，多类可以使用softmax方法进行处理。实际中最为常用的就是二分类的logistic回归。

人工检测的问题有以下几点：耗时过长，效率低下。容易出现漏检和误检。专业技能检测人员需求较大。检测人员劳动强度很大。无检测过程数据，无法反映生产过程数据。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于CNN和LR的汽车钣金件裂纹检测系统。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明提供了一种基于CNN和LR的汽车钣金件裂纹检测系统，具体检测流程如下：

1）人工标注正负样本；

2）采用模型进行训练：首先采用CNN将图像映射为固定维度的一维向量，以向量为特征，采用LR训练模型参数；

3）对新的产品图像进行预测，确定是否合格。

作为本发明的一种优选技术方案，CNN将输入图像映射为固定维度向量的流程如下：

输入层由32×32个感知节点组成，接收原始图像，然后，计算流程在卷积和子抽样之间交替进行，如下所述：

第一隐藏层进行卷积，它由6个特征映射组成，每个特征映射由28×28个神经元组成，每个神经元指定一个 5×5 的接受域；