[發明專利]一種車輛外觀檢測模型、構建方法及檢測方法

有效

• 申請號: 202310266923.0
• 申請日: 2023-03-20
• 公開（公告）號: CN115984274B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 方超群;孫浩宇;張慶達;王凱;田楷;朱光旭;陳立名;胡江洪;曹彬;常小剛
• 申請（專利權）人: 菲特（天津）檢測技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06V10/764
• 代理公司: 天津知川知識產權代理事務所(特殊普通合伙) 12249
• 代理人: 胡翠

本發明公開了一種車輛外觀檢測模型、構建方法及檢測方法，屬于視覺檢測技術領域，圖像采集模塊包括M組圖像采集單元；數據管控模塊包括標簽化管控單元、人為干預管控單元和中心化數據管控單元；模型訓練模塊包括數據理解和標簽劃分單元、M個模型訓練單元和模型優化單元；模型推理模塊：包括由模型訓練模塊得到的M個模型推理單元、針對推理結果進行臟數據處理的后處理單元、對檢出結果進行比對的比對單元；模型運維模塊：包括NG數據檢出分析單元和迭代單元。本發明從模型與標簽劃分、臟數據的后處理、數據管理、算法優化以及模型運維多方面綜合優化，滿足車輛外觀檢測的特殊需求。

技術領域

本發明屬于視覺檢測技術領域，具體涉及一種車輛外觀檢測模型、構建方法及檢測方法。

背景技術

現有技術的方案簡述：

汽車是人類生活和生產中重要的交通工具之一，隨著智能制造業的快速發展，汽車的日生產能力迅速增加；為了保證汽車的質量，當汽車生產完成組裝之后，需要對其外觀零部件進行全面的細致檢測，目前，傳統的檢測方式包括：

一、人工目檢，由于汽車的零部件眾多，且不同的車型之間的零部件也不盡相同，因此，眾多的零部件需要龐大的記憶數據量；

二、基于圖像處理的視覺檢測；現階段整車外觀檢測中使用的深度學習目標檢測算法主流可以分為兩種，單階段的YOLO系列算法和雙階段的Faster?R-CNN算法，相比較單階段的YOLO算法，雙階段Faster?R-CNN算法的優點在于準確率高，對于小目標和復雜場景也能較好地檢測，非常適合整車外觀的零部件檢測。

現有技術的客觀缺點：

眾所周知，整車外觀的零部件數量非常之多，并且在同一部位中也會存在極其相似，較難區分的零部件種類，比如：僅是材質、大小以及棱角不相同；同時數據的收集也存在不小的困難，比如數據的數量不均，在每日取圖的過程中，有些數據越來越多（比如生產量大的車型對應的圖像數據），但是有些數據依然很少（比如生產量小的車型對應的圖像數據）；這對于數據管理和挖掘以及模型的檢測都是一個不小的挑戰。

基于圖像處理的視覺檢測技術，構建一套車輛外觀檢測方法，覆蓋車廠對車輛外觀檢測的所有需求，是本領域技術人員需要解決的技術問題。

發明內容

本發明為解決公知技術中存在的技術問題，提供一種車輛外觀檢測模型、構建方法及檢測方法，從模型與標簽劃分、臟數據的后處理（顏色識別零部件檢測項）、數據管理、算法優化以及核對檢測模塊多方面綜合優化，滿足車輛外觀檢測的特殊需求。

本發明的第一目的是提供一種車輛外觀檢測模型，包括：

圖像采集模塊：包括從不同角度、不同位置獲取圖像數據的M組圖像采集單元；M為大于1的自然數；

數據管控模塊：包括標簽化管控單元、人為干預管控單元和中心化數據管控單元；所述中心化數據管控單元分別與標簽化管控單元、人為干預管控單元進行數據交互；

模型訓練模塊：包括數據理解和標簽劃分單元、針對車體不同位置圖像的M個模型訓練單元，針對每個模型訓練單元的模型優化單元；

模型推理模塊：包括由模型訓練模塊得到的M個模型推理單元、針對模型推理單元輸出進行臟數據處理的后處理單元、對檢出結果進行比對的比對單元；

模型運維模塊：包括NG數據檢出分析單元和迭代單元；其中：

所述圖像采集模塊、數據管控模塊、模型訓練模塊、模型推理模塊、模型運維模塊依次進行數據交互。

優選地，所述圖像采集模塊包括針對車身前半部分的第一圖像采集單元、針對車身后半部分的第二圖像采集單元、針對車身下半部分的第三圖像采集單元，每組圖像采集單元包括N臺圖像采集設備，N為大于0的自然數。