[发明专利]一种基于卷积神经网络的多生产点位轮毂图像分类方法

说明书

本发明公开了一种基于卷积神经网络的多生产点位轮毂图像分类方法，该方法首先建立卷积神经网络模型，设置网络的结构参数和训练参数；对生产线不同生产点位采集得到的轮毂图像进行预处理，然后尺寸归一化后得到训练数据；将同种轮毂不同生产点位的图像作为一类数据进行数据增强，然后输入到卷积神经网络中进行训练，得到网络的权重和偏置；基于卷积神经网络的训练模型，将待分类轮毂图像输入网络，得到分类结果。由于同一种轮毂类型在热处理前点位、气密性检测点位和包装前点位的外形差异较大，传统手工提取特征分类的方法并不适用，通过本发明公开的卷积神经网络的方法可以实现轮毂的快速分类，提高分类准确率。

技术领域

本发明属于汽车制造领域，涉及一种基于卷积神经网络的多生产点位轮毂图像分类方法。

背景技术

汽车轮毂是用于支撑轮胎的圆桶形的、中心装在轴上的金属部件，准确地说，就是安装在车轮中心车轴部位处，是连接制动鼓、轮盘和半轴的重要零部件。随着全球汽车产量的不断提升，汽车轮毂行业不断发展壮大，轮毂分类也越来越重要。为了解决轮毂分类问题，目前已有一些特定的轮毂分类方法，这些方法针对生产过程中的同种轮毂图像只有一种外形的轮毂分类问题，进行手工提取特征，建立分类模型。如陈淑红等提出的基于模板匹配和纹理偏差度的轮毂分类方法，通过直方图相似度比较得到纹理偏差度，再利用其进行轮型分类；还有胡凯等提出的一种基于词袋模型和支持向量机的汽车轮毂分类方法，该方法通过提取图像的全局纹理特征、全局颜色特征和利用SIFT算子提取图像的局部特征，进行K-Means聚类得到基于词袋模型的特征描述，仍采用手工提取特征后进行分类的方法。但是，汽车轮毂生产线较长，轮毂外形在生产过程中会发生较大的变化，提取到的图像特征也会发生较大的变化，因此手工提取特征的轮毂图像分类方法，都是基于特定轮毂特征，很难处理多点位多种外形的轮毂图像的分类问题。而卷积神经网络的作用就是利用深层的网络结构，去自动提取图像的特征，这样对于多种外形的轮毂图像，也能提取到类别间差异较大的图像特征，得到较好的分类效果。并且，生产线上还存在生产线之间的轮毂调度，因此只有对多个生产点位的轮毂图像进行分类，才能满足轮毂企业的管理要求。

发明内容

发明目的：针对上述现有方法存在的问题和不足，本发明旨在提供一种基于卷积神经网络的多生产点位轮毂图像分类方法，通过该方法可以利用卷积神经网络模型实现对多生产点位的具有不同外形的轮毂图像进行快速分类，提高轮毂识别、分类的准确率。

技术方案：为实现上述发明目的，本发明采用技术方案如下：一种基于卷积神经网络的多生产点位轮毂图像分类方法，该方法包括以下步骤：

(1)搭建卷积神经网络模型；

(2)获取轮毂图像作为训练数据进行预处理；

(3)对神经网络结构参数进行设定和训练参数初始化；

(4)对获取的轮毂图像数据进行图像增强；

(5)对获取的轮毂图像进行数据训练，得到网络权重和偏置；

(6)将待分类轮毂图像输入神经网络模型，得到轮毂图像的分类结果。

其中，在步骤(1)中，所述搭建卷积神经网络模型的结构如下：

第一层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；

第二层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；

第三层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层；

第三层卷积层中池化层的输出后接一个包含预设个数神经元的全连接层，全连接层输出依次经过Relu函数和Dropout层；