[发明专利]一种基于卷积神经网络的轮胎外壁完好程度的识别方法

说明书

本发明公开了一种基于卷积神经网络的轮胎外壁完好程度的识别方法，包括首先获取并进行图像预处理已对其破损分类的轮胎外壁图像；然后直接基于DenseNet神经网络模型构建非对称卷积结构；再进行构建特征融合模块来融合不同层级的目标特征，将轮胎外壁图像输入融合到DenseNet神经网络模型中；轮胎外壁图像在DenseNet神经网络模型中通过10‑fold交叉检验的训练策略，对DenseNet神经网络模型进行训练、验证和测试；最后，利用Adam算法优化交叉熵代价函数，优化DenseNet神经网络模型模型。本发明通过在行驶的过程中完成测试，提升了测试效率，能够量化并判断轮胎外壁的完整度，以及通过算法识别轮胎外壁筛掉人工失误。

技术领域

本发明涉及卷积神经网络的应用技术领域，具体来说，涉及一种基于卷积神经网络的轮胎外壁完好程度的识别方法。

背景技术

目前，在本领域暂未覆盖轮胎外壁完整程度的检测，并且，没有任何的可量化的轮胎外壁完整度的检测设备，还一直都是依赖于人工的目视检测和人工判断，而且人工检测，需要是车辆静止停留在车位上，存在效率低、易遗漏和易出错的一系列现实问题。

随着社会的工业化发展，制造出专用的检测设备，用于预防轮胎损坏是需要被正视的缺陷。

发明内容

针对相关技术中的上述技术问题，本发明提出一种基于卷积神经网络的轮胎外壁完好程度的识别方法，能够克服现有技术方法的上述不足。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种基于卷积神经网络的轮胎外壁完好程度的识别方法，包括以下步骤：

S1:首先，获取已对其破损分类的轮胎外壁图像，所述轮胎外壁包括胎面，并进行图像预处理；

S2:处理好轮胎外壁图像后，直接基于经过改进后的DenseNet神经网络模型，构建非对称卷积结构；

S3:在包含构建好的非对称卷积结构的网络基础上，进行构建特征融合模块来融合不同层级的目标特征，将预处理后的轮胎外壁图像输入融合到改进后的DenseNet神经网络模型中；

S4:预处理后的轮胎外壁图像在DenseNet神经网络模型中通过10-fold交叉检验的训练策略，对DenseNet神经网络模型进行训练、验证和测试；

S5:最后，利用Adam算法优化交叉熵代价函数，优化DenseNet神经网络模型模型，提高识别轮胎外壁是否破损或完好的程度。

进一步地，步骤S1中，预处理轮胎外壁图像时，预处理的方法为图像归一化和数据集增强，所述归一化就是用于减小待分类轮胎外壁图像由于背景图像及轮毂反射对训练模型的影响。

进一步地，步骤S2中，改进DenseNet神经网络模型是将DenseNet神经网络模型中第一个卷积层替换为Incept ion结构。

进一步地，所述增强数据集的方法包括对轮胎外壁图像做平移、旋转、翻转及倾斜和随机变化图像的亮度、饱和度、对比度、锐化、色调、加入随机噪点及随机像素丢失的处理，将经过处理操作后的轮胎外壁图像数据整合到数据集。

进一步地，步骤S4中，对DenseNet神经网络模型进行训练、验证和测试时，采用交叉验证法，所述交叉验证法就是随机地将训练集平均分为n个互不相交且大小相同的子集，每次取一个子集作为测试数据集，取余下的n-1个样本作为训练数据集，其中，70％作为训练数据和验证数据，30％作为测试数据，输入DenseNet神经网络模型进行训练，直到所有n个子集都做过一次测试集，即测试集循环了一圈，交叉验证的过程就结束；多次调整超参数，观察验证损失和平均精度，计算n次测试结果的准确率平均值作为模型整体的评价指标，从而训练、验证和测试出准确率最高的模型。