[發明專利]一種風擋破損故障檢測方法

有效

• 申請號: 202110211242.5
• 申請日: 2021-02-25
• 公開（公告）號: CN112950566B
• 公開（公告）日: 2021-11-12
• 發明（設計）人: 韓旭
• 申請（專利權）人: 哈爾濱市科佳通用機電股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06N3/08;G06K9/62
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 劉強

1.一種風擋破損故障檢測方法，其特征在于包括以下步驟：

步驟一：獲取車輛風擋圖像，并對風擋圖像中風擋破損部位進行標注后構建數據集；

步驟二：對數據集進行數據擴增；

步驟三：對擴增后的數據集中圖像進行特征提取，并根據提取到的特征以及擴增后的數據集訓練神經網絡；

步驟四：利用訓練好的神經網絡完成風擋破損故障檢測；

所述步驟三中提取到的特征包括Canny特征與深度學習特征；

所述Canny特征與深度學習特征的獲取步驟包括：

步驟三一：對擴增后的數據集中圖像進行濾波，并提取濾波后圖像的目標候選框；

步驟三二：利用Canny算法得到目標候選框中圖像的Canny特征，其中Canny算法的高閾值Th₁采用Otsu算法得到，低閾值Th₂＝0.5Th₁；

步驟三三：將訓練集與驗證集中圖像的目標候選框圖像進行分類，分為存在風擋破損的破損類圖像和不存在風擋破損的正常類圖像，然后使正常類圖像與破損類圖像數量保持一致，最后利用正常類圖像與破損類圖像訓練Darknet19分類網絡；

步驟三四：將訓練好的Darknet19網絡中最后的平均池化層和Softmax分類層刪除，并將網絡的輸出層變為卷積層，得到改進的Darknet19網絡，將目標候選框圖像輸入改進的Darknet19網絡中，得到目標候選框圖像的深度學習特征。

2.根據權利要求1所述的一種風擋破損故障檢測方法，其特征在于所述數據擴增包括：圖像旋轉、圖像亮度變換、圖像對比度變換和圖像加噪。

3.根據權利要求1所述的一種風擋破損故障檢測方法，其特征在于所述擴增后的數據集包括訓練集、測試集與驗證集。

4.根據權利要求3所述的一種風擋破損故障檢測方法，其特征在于所述訓練集、測試集與驗證集的比例為7：1：2。

5.根據權利要求1所述的一種風擋破損故障檢測方法，其特征在于所述Canny特征包括Canny特征稀疏特征，所述深度學習特征包括深度學習稀疏特征；以及

所述Canny特征與深度學習特征的獲取步驟還包括：

步驟三五：選取N個破損類圖像，并通過步驟三一和步驟三二得到破損類圖像的目標候選框的Canny特征，進而得到Canny特征圖，然后將Canny特征圖切成8*8的小塊，表示為樣本X＝[x₁,x₂,…,x_N]∈R^n×N，其中n表示特征維度，為8*8＝64；

步驟三六：對于樣本X采用過完備的稀疏字典D∈R^n×K進行稀疏表示，得到稀疏系數，即稀疏特征Α＝[α₁,α₂,…,α_N]∈R^K×N，K取256；

步驟三七：選取N個破損類圖像，并通過步驟三三和步驟三四得到破損類圖像的目標候選框圖像的深度學習特征，進而得到深度學習特征圖，表示為樣本其中n^d表示特征維度，為7*7＝49；

步驟三八：對于樣本X^d采用過完備的稀疏字典進行稀疏表示，得到稀疏系數，即稀疏特征K取256。

6.根據權利要求5所述的一種風擋破損故障檢測方法，其特征在于所述步驟三一中采用高斯濾波器對擴增后的數據集中圖像進行濾波。

7.根據權利要求5所述的一種風擋破損故障檢測方法，其特征在于所述步驟三一中采用選擇搜索算法提取濾波后圖像中的目標候選框。

8.根據權利要求5所述的一種風擋破損故障檢測方法，其特征在于稀疏表示的目標函數表示為：

其中，

其中，D和α_i分別表示稀疏字典和稀疏系數，S為結構性約束函數，分別表示原始樣本x_i和經稀疏字典映射后的稀疏系數Dα_i的均值，分別表示原始樣本x_i和經稀疏字典映射后的稀疏系數Dα_i的方差，表示原始樣本x_i與經稀疏字典映射后的稀疏系數Dα_i的協方差，λ₁、λ₂為規則化系數，c₁、c₂為一個小正數，c₁、c₂為0.01。