[發(fā)明專利]一種基于圖像識(shí)別的關(guān)門聲品質(zhì)測(cè)評(píng)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110595225.6
• 申請(qǐng)日: 2021-05-28
• 公開(kāi)（公告）號(hào): CN113392853A
• 公開(kāi)（公告）日: 2021-09-14
• 發(fā)明（設(shè)計(jì)）人: 蘇麗俐;邱雯婕;顧燦松;陳達(dá)亮;鄧江華;李洪亮;楊明輝;何森東;劉玉龍;馬紫輝;石謝達(dá)
• 申請(qǐng)（專利權(quán)）人: 中汽研（天津）汽車工程研究院有限公司
• 主分類號(hào): G06K9/46
• 分類號(hào): G06K9/46;G06K9/62;G10L25/51;G06N3/08;G06N20/00
• 代理公司: 天津企興智財(cái)知識(shí)產(chǎn)權(quán)代理有限公司 12226
• 代理人: 安孔川

本發(fā)明提供了一種基于圖像識(shí)別的關(guān)門聲品質(zhì)測(cè)評(píng)識(shí)別方法，采集關(guān)門聲音，通過(guò)圖像轉(zhuǎn)化工具轉(zhuǎn)化為小波圖，分析小波圖的特征，通過(guò)提取圖像的特征，并將特征合并，將提取的訓(xùn)練集特征輸入SVM算法中進(jìn)行訓(xùn)練，生成淺層機(jī)器學(xué)習(xí)模型；運(yùn)用遷移學(xué)習(xí)方法凍結(jié)多種模型的瓶頸層，微調(diào)全連接層，通過(guò)訓(xùn)練數(shù)據(jù)集得到新的深度學(xué)習(xí)模型；通過(guò)Keras深度學(xué)習(xí)框架，搭建適合本數(shù)據(jù)集的神經(jīng)網(wǎng)絡(luò)模型，運(yùn)用不同的優(yōu)化器和正則化方法來(lái)訓(xùn)練模型，通過(guò)對(duì)比損失函數(shù)和準(zhǔn)確率，調(diào)整不同的參數(shù)，得到新的神經(jīng)網(wǎng)絡(luò)模型。本發(fā)明是一種基于圖像識(shí)別的關(guān)門聲品質(zhì)測(cè)評(píng)識(shí)別方法，可以有效的識(shí)別關(guān)門有無(wú)異響，為關(guān)門聲品質(zhì)測(cè)評(píng)提供一種新的方法，并具有良好的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明屬于汽車技術(shù)和機(jī)器視覺(jué)技術(shù)領(lǐng)域，尤其是涉及一種基于圖像識(shí)別的關(guān)門聲品質(zhì)測(cè)評(píng)識(shí)別方法。

背景技術(shù)

隨著汽車工業(yè)的發(fā)展，人民生活水平的不斷被提高，客戶對(duì)汽車全方位品質(zhì)要求越來(lái)越高。顧客在購(gòu)車時(shí)通常會(huì)關(guān)注關(guān)門聲品質(zhì)，開(kāi)關(guān)車門聽(tīng)其聲音已經(jīng)是顧客挑選汽車時(shí)的習(xí)慣性動(dòng)作，因?yàn)槿藗冋J(rèn)為汽車品質(zhì)的好與壞能夠從關(guān)門聲反映出來(lái)，因此汽車關(guān)門聲品質(zhì)對(duì)顧客選擇汽車的心理有很大的影響。

在4S店展廳里，常能見(jiàn)到看車的消費(fèi)者打開(kāi)車門再重重關(guān)上，若聲音沉重、厚實(shí)，則得出結(jié)論，這車質(zhì)量不錯(cuò)。所以很多汽車廠商為了提高汽車的關(guān)門聲品質(zhì)都投入了大量的人力物力，但是目前還沒(méi)有推出很好的關(guān)門聲品質(zhì)的測(cè)試裝置和評(píng)價(jià)方法，暫時(shí)還是通過(guò)人耳測(cè)聽(tīng)，根據(jù)實(shí)際工作經(jīng)驗(yàn)去判斷，這種方法長(zhǎng)期以來(lái)根深蒂固，因?yàn)橥瑯邮侨硕袛嗑妥罱咏M(fèi)者的理想值，然而人與人之間存在差距，只能說(shuō)這種方法適應(yīng)大部分客戶，在此將關(guān)門聲進(jìn)行量化用數(shù)據(jù)來(lái)說(shuō)明事實(shí)讓客戶認(rèn)同的方法還是空白。

汽車車門是汽車整車上一項(xiàng)重要的結(jié)構(gòu)件與最常使用的開(kāi)閉總成，車門不但影響汽車的碰撞安全性、空氣動(dòng)力特性及密封性，其關(guān)門振動(dòng)噪聲特性也是消費(fèi)者判斷整車品質(zhì)的主要內(nèi)容之一。自20世紀(jì)80年代以來(lái)，汽車車門關(guān)閉的振動(dòng)噪聲問(wèn)題越來(lái)越受到重視。汽車NVH是評(píng)價(jià)乘坐舒適性的重要指標(biāo).關(guān)門噪聲是整車NVH的一部分，它影響了許多消費(fèi)者判斷車輛質(zhì)量。理想的關(guān)門聲音應(yīng)該是低沉厚重的，而實(shí)際產(chǎn)品中往往混有尖銳的、持久的雜音，或是多次碰撞聲等異響，準(zhǔn)確地識(shí)別關(guān)門聲品質(zhì)可以為解決此類噪聲提供前提保障。

隨著人工智能的發(fā)展，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)也逐漸應(yīng)用于汽車行業(yè)，使汽車更智能化，所以對(duì)關(guān)門聲品質(zhì)的測(cè)評(píng)識(shí)別也提出了更高的要求。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明旨在提出一種基于圖像識(shí)別的關(guān)門聲品質(zhì)測(cè)評(píng)識(shí)別方法，以解決關(guān)門聲品質(zhì)的測(cè)評(píng)識(shí)別中，由于關(guān)門聲音應(yīng)該是低沉厚重的，而實(shí)際產(chǎn)品中往往混有尖銳的、持久的雜音，或是多次碰撞聲等異響，不能準(zhǔn)確地識(shí)別關(guān)門聲品質(zhì)的問(wèn)題。

為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

一種基于圖像識(shí)別的關(guān)門聲品質(zhì)測(cè)評(píng)識(shí)別方法，包括以下步驟：

S1、利用專業(yè)人工頭設(shè)備采集并分析關(guān)門時(shí)聲音樣本，通過(guò)圖像轉(zhuǎn)化工具轉(zhuǎn)化成小波圖并分析小波圖的圖像特征，圖像特征一部分作為訓(xùn)練集圖像特征，另一部分作為測(cè)試集圖像特征；

S2、使用機(jī)器學(xué)習(xí)方法，提取訓(xùn)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(jìn)行訓(xùn)練，生成淺層機(jī)器學(xué)習(xí)模型；

S3、通過(guò)遷移學(xué)習(xí)方法凍結(jié)多種模型的特征提取層，并分別微調(diào)多種模型的全連接層，通過(guò)訓(xùn)練集的圖像特征訓(xùn)練數(shù)據(jù)集得到新的遷移學(xué)習(xí)模型；

S4、利用Keras深度學(xué)習(xí)框架，搭建全新神經(jīng)網(wǎng)絡(luò)模型，通過(guò)訓(xùn)練集的圖像特征優(yōu)化得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型；

S5、利用測(cè)試集的圖像特征分別用S2-S4中的不同模型的訓(xùn)練集的圖像特征進(jìn)行分類，識(shí)別出測(cè)試集的圖像特征屬于有異響或者無(wú)異響。

進(jìn)一步的，步驟S2中提取訓(xùn)練集的圖像特征包括：GLCM和HOG特征；