[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 |
| 地址： | 150060 黑龍江省*** | 國省代碼： | 黑龍江;23 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 風擋 破損 故障 檢測 方法 | ||
一種風擋破損故障檢測方法，涉及圖像處理技術領域，針對現有技術中風擋破損故障檢測準確率低的問題，包括：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。本申請提出了一種S?SR算法，在稀疏表示優化目標函數中增加結構性約束項，提高稀疏表示算法特征提取能力，進而提高整個故障檢測算法的準確程度；同時采用l2范數約束代替l1范數約束，提高稀疏表示算法速度。
技術領域
本發明涉及圖像處理技術領域，具體為一種風擋破損故障檢測方法。
背景技術
傳統的車輛故障檢測方法大多采用人工查看過車圖像判斷故障位置，檢測過程費時費 力，人工成本高，采用計算機模擬的故障自動檢測方法可以有效的提高故障檢測的效率， 同時能夠減少由于檢車人員疲勞、粗心等造成的故障漏檢、誤檢，提高故障檢測的準確程 度。
發明內容
本發明的目的是：針對現有技術中風擋破損故障檢測準確率低的問題，提出一種風擋 破損故障檢測方法。
本發明為了解決上述技術問題采取的技術方案是：
一種風擋破損故障檢測方法，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。
進一步的，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。
進一步的，擴增后的數據集包括訓練集、測試集與驗證集。
進一步的，訓練集、測試集與驗證集的比例為7：1：2。
進一步的，步驟三中提取到的特征包括Canny特征與深度學習特征。
進一步的，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。
進一步的，Canny特征包括Canny特征稀疏特征，深度學習特征包括深度學習稀疏特 征；以及
Canny特征與深度學習特征的獲取步驟還包括：
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于哈爾濱市科佳通用機電股份有限公司，未經哈爾濱市科佳通用機電股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110211242.5/2.html，轉載請聲明來源鉆瓜專利網。
