[发明专利]一种基于机器学习的成型轮毂识别方法

权利要求书

1.一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；

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，将轮毂编码与对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。

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， 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。

3.根据权利要求2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S13中所述轮毂结构包括螺栓孔结构、窗口结构、气嘴孔结构、辐条结构、安装面结构、肋背结构、轮辋结构、偏距、挂型结构和装车曲线。

4.根据权利要求2或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，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。

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，构建轮毂图像数据集；

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。

8.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类型，并确定轮毂类型。

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；

S34：若两者轮毂类型相同，则输出“匹配结果相同”；若两者轮毂类型不同，则跳转步骤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；

S42：当匹配结果为“匹配结果相同”时，输出轮毂类型。