[發明專利]基于深度學習的電動汽車底盤劃痕三維檢測方法

有效

• 申請號: 202210568310.8
• 申請日: 2022-05-24
• 公開（公告）號: CN114663882B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 范方祝;鄒魁
• 申請（專利權）人: 昆山斯沃普智能裝備有限公司
• 主分類號: G06V20/64
• 分類號: G06V20/64;G06K9/62;G06N3/08;G06V10/30;G06V10/774;G06V10/82
• 代理公司: 蘇州周智專利代理事務所(特殊普通合伙) 32312
• 代理人: 楊月芳

本發明公開了基于深度學習的電動汽車底盤劃痕三維檢測方法，涉及電動汽車底盤檢測技術領域，包括以下步驟：S1，采集圖片并制作數據集；S2，利用深度學習方法，進行數據集訓練，提取劃痕特征，檢測劃痕區域；S3，根據得到的數據模型，檢測汽車底盤圖片，選定可能出現劃痕的位置；S4，求得RGB圖片到點云的矩陣，截取局部點云圖，S5，對局部點云圖處理，獲取劃痕的深度信息，從而對劃痕進行定性判斷。本發明先對平面圖經行篩選，然后對刪選后的區域精確檢測，從而提升檢測效率。

技術領域

本發明涉及電動汽車底盤檢測技術領域，特別是涉及基于深度學習的電動汽車底盤劃痕三維檢測方法。

背景技術

電動汽車底盤劃痕檢測至關重要，底盤劃痕深度過大，會導致電池底盤總成內部結構受損，影響行車安全。

傳統的汽車底盤檢測方案采用線掃相機獲取底盤2D圖像，然后通過深度學習方法，如faster-rcnn、mask-rcnn等模型處理圖片，獲取劃痕坐標；或者一些傳統圖像檢測方法比如頻域處理、blob分析、閾值分割、邊緣檢測等方法識別缺陷位置。此種方法廣泛用于電動汽車底盤總成出廠前檢測，但同時也容易受環境光、臟污、加工工藝參數的變化導致的表面特征變化從而產生的誤判現象。在成品電動車使用過程中，進行底盤劃痕或者裂縫檢測，此種2D圖像方案，也同樣會受干擾，比如底盤黏附一些灰塵、臟污等，使得過檢率和誤檢率居高不下，影響產品檢測效果。

當采用3D解決方案時，目前常采用線結構光相機獲取底盤3D點云，尋找關鍵點，分割出ROI，局部擬合平面，獲取點到平面的距離，可判斷局部點云缺陷的深度，從而點云中是否存在劃痕。此種純點云方案，可以排除臟污、工藝帶來的表面差異的影響，但是在全局尋找劃痕易受汽車底盤高低不平影響，且點云處理速度較慢，無法實時檢測。

為了克服上述缺陷，本領域技術人員積極創新研究，以期創設出基于深度學習的電動汽車底盤劃痕三維檢測方法。

發明內容

針對現有技術存在的問題，本發明提供了基于深度學習的電動汽車底盤劃痕三維檢測方法，采用RGB-D相機拍攝底盤圖片，利用RGB相機先對底盤上的劃痕區域進行初步的篩選，然后對篩選后的區域進行三維的深度檢測，降低深度檢測的工作量，提高檢測效率。

為解決上述技術問題，本發明采用的一個技術方案是：提供一種基于深度學習的電動汽車底盤劃痕三維檢測方法，其特征在于：包括以下步驟：S1，采用RGB-D相機，采集汽車底盤圖片，利用數據集標注軟件，標注劃痕所在位置，將圖片制作成數據集，采用數據增強手段擴充數據集；

S2，利用深度學習方法，進行數據集訓練，提取劃痕特征，檢測劃痕區域；

S3，根據得到的數據模型，檢測汽車底盤圖片，選定可能出現劃痕的位置，形成局部點云圖；

S4，根據RGB-D相機拍攝時的矩陣變化關系，將汽車底盤圖片上的坐標變換到點云坐標系，截取S3步驟中選定的位置的局部點云圖，對局部點云圖進行降噪處理；

S5，對局部點云圖處理，獲取劃痕的深度信息，從而對劃痕進行定性判斷。

拍攝汽車底盤照片并制作成數據集后，通過對RGB相機拍攝的屏幕圖進行深度學習，提取平面圖上的劃痕信息，并去選取可能存在劃痕的區域，處理軟件只需要結合平面圖上選取的區域，對局部點云圖進行處理后得出劃痕的深度信息，通過采用平面圖結合點云圖，處理軟件不需要對整個點云圖經行數據處理，提高了點云的處理速率，實現實時檢測的目的。