[發明專利]一種輪胎磨損辨識模型的訓練方法及系統

在審

• 申請號: 202011128720.8
• 申請日: 2020-10-20
• 公開（公告）號: CN112270402A
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 羅映;王淑超;李丙洋;羅全巧;姜緒民
• 申請（專利權）人: 山東派蒙機電技術有限公司;山東省網聯智能車輛產業技術研究院有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種輪胎磨損辨識模型的訓練方法，其特征是，包括以下步驟：

S1：獲取輪胎磨損圖像，對輪胎磨損圖像進行處理，得到輪胎磨損樣本圖像；

S2：通過不同的原始辨識模型分別對磨損圖像進行識別，將識別準確率更高的模型作為基礎辨識模型；

S3：在基礎辨識模型的基礎上以卷積層數為單一變量進行模型調整，采用不同的卷積層數模型分別對輪胎磨損處理圖像進行識別，將識別準確率更高的模型作為訓練模型；

S4：在S3獲得的訓練模型的基礎上以卷積核數為單一變量進行模型調整，采用包含不同卷積核數的模型分別對輪胎磨損處理圖像進行識別，選取識別準確率更高的模型作為新的訓練模型；

S5：以S4中得到的新的訓練模型中的卷積層數為標準，確定模型池化層數，得到新的訓練模型；

S6：在S5中獲得的訓練模型的基礎上匹配不同的優化器模型繼續優化訓練，采用不同優化器模型分別對輪胎磨損處理圖像進行識別，將識別準確率更高的模型作為最終識別模型。

2.根據權利要求1所述的輪胎磨損辨識模型的訓練方法，其特征是，所述的S1中對輪胎磨損圖像進行處理，具體包括：

在一定闕值范圍內，對樣本圖像進行增益，樣本增益的方法為：

在獲取的圖像中每個像素的R、G、B值上分別加上對應數值，進行樣本加擾及擴充；所述的對應數值計算公式為：

[p₁，p₂，p₃][α₁λ₁，α₂λ₂，α₃λ₃]^T

其中，P₁、P₂、P₃分別對應樣本圖像中R、G、B的值，λ₁、λ₂、λ₃分別表示樣本圖像中R、G、B的特征值，α₁、α₂、α₃是在區間(0，0.1)中根據高斯分布采樣得到的隨機值。

3.根據權利要求1所述的輪胎磨損辨識模型的訓練方法，其特征是，所述的S1中對輪胎磨損圖像進行處理，具體還包括：

對所述輪胎磨損圖像進行灰度化，得到各像素點的灰度值；

對各像素點的灰度值進行歸一化處理。

4.根據權利要求1所述的輪胎磨損辨識模型的訓練方法，其特征是，所述的原始辨識模型基于AlexNet、ResNet和GoogLeNet三種不同的訓練模型訓練得到。

5.根據權利要求1所述的輪胎磨損辨識模型的訓練方法，其特征是，所述的S5中，模型池化層數與卷積層數相同。

6.根據權利要求1所述的輪胎磨損辨識模型的訓練方法，其特征是，所述的S6中，優化器模型包括AdaGrad優化器、SGD優化器、Momentum優化器、Adam優化器。

7.一種輪胎磨損辨識模型的訓練系統，包括：

圖像處理模塊，用于對輪胎磨損圖像進行處理，得到輪胎磨損樣本圖像；

第一訓練單元，通過多個原始辨識模型分別對輪胎磨損樣本圖像進行識別，獲取識別率更高的模型作為基礎辨識模型；

第二訓練單元，以卷積層數為單一變量，調整第一訓練單元獲取的基礎辨識模型中的卷積層數，以識別率更高的卷積層模型作為繼續訓練模型；

第三訓練單元，以卷積核數為單一變量，調整第二訓練單元獲取的訓練模型中的卷積核數，以識別率更高的卷積核模型作為繼續訓練模型；

第四訓練單元，以模型卷積層數確定模型池化層數，匹配不同的優化器模型繼續優化訓練模型，采用不同優化器模型分別對輪胎磨損處理圖像進行識別，將識別準確率更高的模型作為最終識別模型。

8.根據權利要求7所述的一種輪胎磨損辨識模型的訓練系統，其特征是，所述圖像處理模塊包括：

樣本調整模塊，進行樣本數據增益，實現樣本加擾；

灰度處理模塊，用于對樣本圖像進行灰度處理，對各像素點的灰度值進行歸一化處理。