[发明专利]一种基于图像识别的关门声品质测评识别方法

说明书

本发明提供了一种基于图像识别的关门声品质测评识别方法，采集关门声音，通过图像转化工具转化为小波图，分析小波图的特征，通过提取图像的特征，并将特征合并，将提取的训练集特征输入SVM算法中进行训练，生成浅层机器学习模型；运用迁移学习方法冻结多种模型的瓶颈层，微调全连接层，通过训练数据集得到新的深度学习模型；通过Keras深度学习框架，搭建适合本数据集的神经网络模型，运用不同的优化器和正则化方法来训练模型，通过对比损失函数和准确率，调整不同的参数，得到新的神经网络模型。本发明是一种基于图像识别的关门声品质测评识别方法，可以有效的识别关门有无异响，为关门声品质测评提供一种新的方法，并具有良好的准确性。

技术领域

本发明属于汽车技术和机器视觉技术领域，尤其是涉及一种基于图像识别的关门声品质测评识别方法。

背景技术

随着汽车工业的发展，人民生活水平的不断被提高，客户对汽车全方位品质要求越来越高。顾客在购车时通常会关注关门声品质，开关车门听其声音已经是顾客挑选汽车时的习惯性动作，因为人们认为汽车品质的好与坏能够从关门声反映出来，因此汽车关门声品质对顾客选择汽车的心理有很大的影响。

在4S店展厅里，常能见到看车的消费者打开车门再重重关上，若声音沉重、厚实，则得出结论，这车质量不错。所以很多汽车厂商为了提高汽车的关门声品质都投入了大量的人力物力，但是目前还没有推出很好的关门声品质的测试装置和评价方法，暂时还是通过人耳测听，根据实际工作经验去判断，这种方法长期以来根深蒂固，因为同样是人耳判断就最接近消费者的理想值，然而人与人之间存在差距，只能说这种方法适应大部分客户，在此将关门声进行量化用数据来说明事实让客户认同的方法还是空白。

汽车车门是汽车整车上一项重要的结构件与最常使用的开闭总成，车门不但影响汽车的碰撞安全性、空气动力特性及密封性，其关门振动噪声特性也是消费者判断整车品质的主要内容之一。自20世纪80年代以来，汽车车门关闭的振动噪声问题越来越受到重视。汽车NVH是评价乘坐舒适性的重要指标.关门噪声是整车NVH的一部分，它影响了许多消费者判断车辆质量。理想的关门声音应该是低沉厚重的，而实际产品中往往混有尖锐的、持久的杂音，或是多次碰撞声等异响，准确地识别关门声品质可以为解决此类噪声提供前提保障。

随着人工智能的发展，机器学习和深度学习也逐渐应用于汽车行业，使汽车更智能化，所以对关门声品质的测评识别也提出了更高的要求。

发明内容

有鉴于此，本发明旨在提出一种基于图像识别的关门声品质测评识别方法，以解决关门声品质的测评识别中，由于关门声音应该是低沉厚重的，而实际产品中往往混有尖锐的、持久的杂音，或是多次碰撞声等异响，不能准确地识别关门声品质的问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于图像识别的关门声品质测评识别方法，包括以下步骤：

S1、利用专业人工头设备采集并分析关门时声音样本，通过图像转化工具转化成小波图并分析小波图的图像特征，图像特征一部分作为训练集图像特征，另一部分作为测试集图像特征；

S2、使用机器学习方法，提取训练集的图像特征，并将图像特征合并，将合并的图像特征输入到SVM算法中进行训练，生成浅层机器学习模型；

S3、通过迁移学习方法冻结多种模型的特征提取层，并分别微调多种模型的全连接层，通过训练集的图像特征训练数据集得到新的迁移学习模型；

S4、利用Keras深度学习框架，搭建全新神经网络模型，通过训练集的图像特征优化得到最优的神经网络模型；

S5、利用测试集的图像特征分别用S2-S4中的不同模型的训练集的图像特征进行分类，识别出测试集的图像特征属于有异响或者无异响。

进一步的，步骤S2中提取训练集的图像特征包括：GLCM和HOG特征；