[發明專利]一種基于圖像識別的關門聲品質測評識別方法

在審

• 申請號: 202110595225.6
• 申請日: 2021-05-28
• 公開（公告）號: CN113392853A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 蘇麗俐;邱雯婕;顧燦松;陳達亮;鄧江華;李洪亮;楊明輝;何森東;劉玉龍;馬紫輝;石謝達
• 申請（專利權）人: 中汽研（天津）汽車工程研究院有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G10L25/51;G06N3/08;G06N20/00
• 代理公司: 天津企興智財知識產權代理有限公司 12226
• 代理人: 安孔川

1.一種基于圖像識別的關門聲品質測評識別方法，其特征在于包括以下步驟：

S1、采集并分析關門時聲音樣本，通過圖像轉化工具轉化成小波圖并分析小波圖的圖像特征，圖像特征的其中一部作為訓練集圖像特征，另一樣部分作為測試集圖像特征；

S2、使用機器學習方法，提取訓練集的圖像特征，并將圖像特征合并，將合并的圖像特征輸入到SVM算法中進行訓練，生成淺層機器學習模型；

S3、通過遷移學習方法凍結多種模型的特征提取層，并分別微調多種模型的全連接層，通過訓練集的圖像特征訓練得到新的遷移學習模型；

S4、利用Keras深度學習框架，搭建全新神經網絡模型，通過訓練集的圖像特征優化得到最優的神經網絡模型；

S5、利用測試集的圖像特征分別用S2-S4中的不同模型的訓練集的圖像特征進行分類，識別出測試集的圖像特征屬于有異響或者無異響。

2.根據權利要求1所述的一種基于圖像識別的關門聲品質測評識別方法，其特征在于：步驟S2中提取訓的圖像特征包括：GLCM和HOG特征；

圖像特征合并：將GLCM和HOG特征向量組成一維向量，取兩個向量的長度之和就是該輸入圖片特征提取后的總長度。

3.根據權利要求1所述的一種基于圖像識別的關門聲品質測評識別方法，其特征在于：SVM算法采用高斯核函數。

4.根據權利要求1所述的一種基于圖像識別的關門聲品質測評識別方法，其特征在于：步驟S3中多種模型包括VGG16、VGG19、Inception-v3、ResNet50模型。

5.根據權利要求1所述的一種基于圖像識別的關門聲品質測評識別方法，其特征在于,步驟S3中微調多種模型的全連接層的過程如下：凍結原網絡的特征提取層，使卷積層和池化層的權重保持不變，刪除原來的全連接層，在特征提取層之后添加全局平均池化層，再增加兩個全新的全連接層，最后一層全連接層分類數與數據集的類數相匹配，通過訓練集的圖像特征重新訓練確定最后幾層的參數信息，來實現分類目標。

6.根據權利要求1所述的一種基于圖像識別的關門聲品質測評識別方法，其特征在于，步驟S3中新的遷移學習模型訓練過程如下：優化器選擇Adam來優化網絡訓練,針對本網絡模型設置學習率,最后通過訓練集的圖像特征訓練更新新的全連接層權重，訓練時，損失函數選擇交叉熵誤差,迭代次數為200次，通過不斷的調整超參數對比得到的損失和準確率來確定遷移學習模型。

7.根據權利要求1所述的一種基于圖像識別的關門聲品質測評識別方法，其特征在于，步驟S4中最優的神經網絡模型搭建過程如下：通過Keras深度學習框架，來優化網絡訓練,針對本網絡模型設置學習率,最后通過訓練集的圖像特征訓練更新新的全連接層權重，訓練時，損失函數選擇交叉熵誤差,迭代次數為200次，通過不斷的調整超參數對比得到的損失和準確率得到神經網絡模型。

8.根據權利要求7所述的一種基于圖像識別的關門聲品質測評識別方法，其特征在于，更新全連接層權重的過程：在全連接層增加Dropout,當使用dropout時，定義了固定的舍去概率p為0.5，對于選定的層，成比例數量的神經元被舍棄。

9.根據權利要求6-7任一所述的一種基于圖像識別的關門聲品質測評識別方法，其特征在于，模型的準確度計算方法如下：

式中，P指有異響的數據量，N為無異響的數據量，TP指正確預測有異響的數目，TN指正確預測無異響的數目。

10.根據權利要求6-7任一所述的一種基于圖像識別的關門聲品質測評識別方法，其特征在于，損失函數：如下式所示：

式中，E是損失函數，y_k是神經網絡的輸出，t_k是正確解標簽，t_k中只有正確解標簽的索引為1，其他均為0。