[发明专利]一种风挡破损故障检测方法

权利要求书

1.一种风挡破损故障检测方法，其特征在于包括以下步骤：

步骤一：获取车辆风挡图像，并对风挡图像中风挡破损部位进行标注后构建数据集；

步骤二：对数据集进行数据扩增；

步骤三：对扩增后的数据集中图像进行特征提取，并根据提取到的特征以及扩增后的数据集训练神经网络；

步骤四：利用训练好的神经网络完成风挡破损故障检测；

所述步骤三中提取到的特征包括Canny特征与深度学习特征；

所述Canny特征与深度学习特征的获取步骤包括：

步骤三一：对扩增后的数据集中图像进行滤波，并提取滤波后图像的目标候选框；

步骤三二：利用Canny算法得到目标候选框中图像的Canny特征，其中Canny算法的高阈值Th₁采用Otsu算法得到，低阈值Th₂＝0.5Th₁；

步骤三三：将训练集与验证集中图像的目标候选框图像进行分类，分为存在风挡破损的破损类图像和不存在风挡破损的正常类图像，然后使正常类图像与破损类图像数量保持一致，最后利用正常类图像与破损类图像训练Darknet19分类网络；

步骤三四：将训练好的Darknet19网络中最后的平均池化层和Softmax分类层删除，并将网络的输出层变为卷积层，得到改进的Darknet19网络，将目标候选框图像输入改进的Darknet19网络中，得到目标候选框图像的深度学习特征。

2.根据权利要求1所述的一种风挡破损故障检测方法，其特征在于所述数据扩增包括：图像旋转、图像亮度变换、图像对比度变换和图像加噪。

3.根据权利要求1所述的一种风挡破损故障检测方法，其特征在于所述扩增后的数据集包括训练集、测试集与验证集。

4.根据权利要求3所述的一种风挡破损故障检测方法，其特征在于所述训练集、测试集与验证集的比例为7：1：2。

5.根据权利要求1所述的一种风挡破损故障检测方法，其特征在于所述Canny特征包括Canny特征稀疏特征，所述深度学习特征包括深度学习稀疏特征；以及

所述Canny特征与深度学习特征的获取步骤还包括：

步骤三五：选取N个破损类图像，并通过步骤三一和步骤三二得到破损类图像的目标候选框的Canny特征，进而得到Canny特征图，然后将Canny特征图切成8*8的小块，表示为样本X＝[x₁,x₂,…,x_N]∈R^n×N，其中n表示特征维度，为8*8＝64；

步骤三六：对于样本X采用过完备的稀疏字典D∈R^n×K进行稀疏表示，得到稀疏系数，即稀疏特征Α＝[α₁,α₂,…,α_N]∈R^K×N，K取256；

步骤三七：选取N个破损类图像，并通过步骤三三和步骤三四得到破损类图像的目标候选框图像的深度学习特征，进而得到深度学习特征图，表示为样本其中n^d表示特征维度，为7*7＝49；

步骤三八：对于样本X^d采用过完备的稀疏字典进行稀疏表示，得到稀疏系数，即稀疏特征K取256。

6.根据权利要求5所述的一种风挡破损故障检测方法，其特征在于所述步骤三一中采用高斯滤波器对扩增后的数据集中图像进行滤波。

7.根据权利要求5所述的一种风挡破损故障检测方法，其特征在于所述步骤三一中采用选择搜索算法提取滤波后图像中的目标候选框。

8.根据权利要求5所述的一种风挡破损故障检测方法，其特征在于稀疏表示的目标函数表示为：

其中，

其中，D和α_i分别表示稀疏字典和稀疏系数，S为结构性约束函数，分别表示原始样本x_i和经稀疏字典映射后的稀疏系数Dα_i的均值，分别表示原始样本x_i和经稀疏字典映射后的稀疏系数Dα_i的方差，表示原始样本x_i与经稀疏字典映射后的稀疏系数Dα_i的协方差，λ₁、λ₂为规则化系数，c₁、c₂为一个小正数，c₁、c₂为0.01。