CN116481461B - 一种汽车隔音隔热零配件成孔切口毛糙度检测方法 - Google Patents

Abstract

本发明提供了一种汽车隔音隔热零配件成孔切口毛糙度检测方法，适用于汽车生产领域，通过对零配件孔位进行图像采集和添加标签，对标签图像预处理，构建改进的Alexnet网络成孔切口毛糙度检测模型，进行模型训练和模型预测，以准确率为控制指标获得符合要求的检测模型应用于孔口毛糙度检测工作中，相对于传统的人工方法，本方法具有识别速度快，准确率高，大大缩减成本等优势。

Description

一种汽车隔音隔热零配件成孔切口毛糙度检测方法

技术领域

本发明涉及一种汽车隔音隔热零配件成孔切口毛糙度检测方法，适用于汽车零配件生产领域。

背景技术

汽车生产过程中，由于舒适性和功能性的要求，存在的大量的隔音隔热零配件，同时需要对隔音隔热零配件进行切孔以满足不同形式的要求，但是汽车隔音隔热零配件由于切口成孔过程中，成孔切口毛糙度对后续的安装流程存在较大的影响，因此需要对其进行检测，目前常规的检测方式为人工法，即采用肉眼的方式对成空切口的粗糙度进行识别，此种方式成本高、效率低，不能够满足汽车流水线生产的要求。

因此，有必要开发一种效率高、速度快、准确率高和低成本的汽车零配件切口成孔毛糙度检测方法。

发明内容

本发明的目的，是为了解决目前汽车隔音隔热零配件成孔切口毛糙度检测方法成本高、效率低，不能够满足汽车流水线生产的要求等问题，提供一种汽车隔音隔热零配件成孔切口毛糙度检测方法，适用于汽车生产领域，具有效率高、速度快、准确率高和低成本等优点，可广泛的应用于汽车生产领域。

本发明的目的可以通过采取如下技术方案达到：

S101，将汽车隔音隔热零配件放置于操作台。

S102，针对汽车隔音隔热零配件，对其孔位进行编号，获得孔位编号集{K₁，K₂...K_n}，通过操作台上部的图像采集装置对每一个孔位K_n进行固定大小和位置的图像采集，前期进行大量的数据采集工作，对每一个孔位K_n获得图像集{T₁，T₂...T_m}。

S103，针对每个孔位K_n的图像集{T₁，T₂...T_m}依据过去的样本进行成孔切口毛糙度评价，根据评价结果进行分类，获得每个孔位K_n的包含标签的图像集{0OR1=T₁，0OR1=T₂...0OR1=T_m}。

S104，将每个孔位K_n的含标签的图像集{T₁，T₂...T_m}分为训练集和测试集，分别放置于不同文件夹内，分别利用程序脚本将训练集与测试集的每张图片组合成“图片路径+标签”的形式存入不同文本文件中以供模型读取。

S105，对所述训练集和测试集的图像进行预处理，获得每个孔位K_n处理后图像集。

S106，针对孔位K_n构建改进的Alexnet网络成孔切口毛糙度检测模型。

S107，使用孔位K_n的训练集数据对改进的Alexnet网络模型进行模型训练。

S108，使用孔位K_n的测试集数据对改进的Alexnet网络模型进行模型测试，针对每个孔位K_n均获得符合要求的成孔切口毛糙度检测模型M_n，应用于汽车隔音隔热零配件成孔切口毛糙度检测工作。

进一步的上述S101中，操作台安置有纠偏调平装置和图像采集装置，通过纠偏调整装置进行位置调整后，通过图片采集装置对成孔切口位置进行图像采集。

进一步的上述S103中，评价类别为合格和不合格，对应的标签为1和0。

进一步的上述S105中，预处理包括对测试集图像进行大小归一化，图像灰度化，直方图均衡化和图形增强，对测试集图像进行大小归一化，图像灰度化，直方图均衡化。

进一步的上述S106中，改进的Alexnet网络模型一共分为8层，主要由卷积层、LeakRelu层、池化层和全连接叠加构成。

进一步的上述S106中，改进的Alexnet网络模型采用带泄露修正线性LeakRelu激活函数，表达式见式（1），

式（1）

式中，leak为一个很小的常数。

进一步的上述S106中，改进的Alexnet网络模型采用Droput正则化，对所有的神经元按照20%的概率进行消除处理。

进一步的上述S106中，改进的Alexnet网络模型主要参数设置为：Batchsize为64，动量设置为0.95，ω衰减率设置为0.0005，学习率为0.001。

进一步的上述S108中，网络训练效果采用准确率（Accuracy，acc）作为评估指标，表达式见式（2），一般acc≥90%，我们认为该模型符合要求，

式（2）

式中：x₁表示将标签合格样本预测为合格的个数；x₂表示将标签合格样本预测为不合格的个数；y₁表示将标签不合格样本预测为不合格的个数；y₂表示将标签不合格样本预测为合格的个数。

本发明的有益效果是：解决了目前汽车隔音隔热零配件成孔切口毛糙度检测方法成本高、效率低，不能够满足汽车流水线生产的要求等问题基坑支护结构位移预测模型，预测数据选取规则缺乏以及预测模型效果较差等问题；提供了一种汽车隔音隔热零配件成孔切口毛糙度检测方法，具有效率高、速度快、准确率高和低成本等优点，可广泛的应用于汽车生产领域。

附图说明

图1：为本发明的一种汽车隔音隔热零配件成孔切口毛糙度检测方法的流程图；

图2：为本发明的一种汽车隔音隔热零配件成孔切口毛糙度检测方法的改进Alexnet网络模型结构；

图中：1为卷积层、101为48个卷积通道数、201为128个卷积通道数、301为192个卷积通道数、2为BN层、3为LeakRelu层、4为池化层、5为全连接层、6为Dropout正则化、7为softmax、8为输入图像、100为第一层、200为第二层、300为第三层、400为第四层、500为第五层、600为第六层、700为第七层、800为第八层。

具体实施方式

以下结合附图对本发明的具体实施例进行详细说明；应当理解的是此处所给出的具体实施例仅用于说明和解释本发明，并不能用来限制本发明。

下面是一种汽车隔音隔热零配件成孔切口毛糙度检测方法的具体实施例。

如图1所示，为根据本发明的一种汽车隔音隔热零配件成孔切口毛糙度检测方法流程图。

步骤S101，将汽车隔音隔热零配件放置于操作台。进一步的，操作台安置有纠偏调平装置和图像采集装置，通过纠偏调整装置进行位置调整后，通过图片采集装置对成孔切口位置进行图像采集。

步骤S102，针对汽车隔音隔热零配件，对其孔位进行编号，获得孔位编号集{K₁，K₂...K_n}，通过操作台上部的图像采集装置对每一个孔位K_n进行固定大小和位置的图像采集，前期进行大量的数据采集工作，对每一个孔位K_n获得图像集{T₁，T₂...T_m}。

步骤S103，针对每个孔位K_n的图像集{T₁，T₂...T_m}依据过去的样本进行成孔切口毛糙度评价，根据评价结果进行分类，获得每个孔位K_n的包含标签的图像集{0OR1=T₁，0OR1=T₂...0OR1=T_m}。进一步的，评价类别为合格和不合格，对应的标签为1和0。

步骤S104，将每个孔位K_n的含标签的图像集{T₁，T₂...T_m}分为训练集和测试集，分别放置于不同文件夹内，分别利用程序脚本将训练集与测试集的每张图片组合成“图片路径+标签”的形式存入不同文本文件中以供模型读取。

步骤S105，对所述训练集和测试集的图像进行预处理，获得每个孔位K_n处理后图像集。进一步的，预处理包括对测试集图像进行大小归一化，图像灰度化，直方图均衡化和图形增强，对测试集图像进行大小归一化，图像灰度化，直方图均衡化。

步骤S106，针对孔位K_n构建改进的Alexnet网络成孔切口毛糙度检测模型。进一步的，改进的Alexnet网络模型一共分为8层，主要由卷积层、LeakRelu层、池化层和全连接叠加构成。改进的Alexnet网络模型采用带泄露修正线性LeakRelu激活函数，表达式见式（1），

式（1）

式中，leak为一个很小的常数。

改进的Alexnet网络模型采用Droput正则化，对所有的神经元按照20%的概率进行消除处理。改进的Alexnet网络模型主要参数设置为：Batchsize为64，动量设置为0.95，ω衰减率设置为0.0005，学习率为0.001。

步骤S107，使用孔位K_n的训练集数据对改进的Alexnet网络模型进行模型训练。

步骤S108，使用孔位K_n的测试集数据对改进的Alexnet网络模型进行模型测试，针对每个孔位K_n均获得符合要求的成孔切口毛糙度检测模型M_n，应用于汽车隔音隔热零配件成孔切口毛糙度检测工作。进一步的，网络训练效果采用准确率（Accuracy，acc）作为评估指标，表达式见式（2），一般acc≥90%，我们认为该模型符合要求，

式（2）

式中：x₁表示将标签合格样本预测为合格的个数；x₂表示将标签合格样本预测为不合格的个数；y₁表示将标签不合格样本预测为不合格的个数；y₂表示将标签不合格样本预测为合格的个数。

整个方法通过对零配件孔位进行图像采集和添加标签，对标签图像预处理，构建改进的Alexnet网络成孔切口毛糙度检测模型，进行模型训练和模型预测，以准确率为控制指标获得符合要求的检测模型应用于孔口毛糙度检测工作中，相对于传统的人工方法，本方法具有识别速度快，准确率高，大大缩减成本等优势。

以上所述为本发明的较佳实施例，并不以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种汽车隔音隔热零配件成孔切口毛糙度检测方法，其特征在于，所述方法包含以下步骤：

1）将汽车隔音隔热零配件放置于操作台；

2）针对汽车隔音隔热零配件，对其孔位进行编号，获得孔位编号集{K₁，K₂...K_n}，通过操作台上部的图像采集装置对每一个孔位K_n进行固定大小和位置的图像采集，前期进行大量的数据采集工作，对每一个孔位K_n获得图像集{T₁，T₂...T_m}；

3）针对每个孔位K_n的图像集{T₁，T₂...T_m}依据过去的样本进行成孔切口毛糙度评价，根据评价结果进行分类，获得每个孔位K_n的包含标签的图像集{0OR1=T₁，0OR1=T₂...0OR1=T_m}；

4）将每个孔位K_n的含标签的图像集{0OR1=T₁，0OR1=T₂...0OR1=T_m}分为训练集和测试集，分别放置于不同文件夹内，分别利用程序脚本将训练集与测试集的每张图片组合成“图片路径+标签”的形式存入不同文本文件中以供模型读取；

5）对所述训练集和测试集的图像进行预处理，获得每个孔位K_n处理后图像集；

6）针对孔位K_n构建改进的Alexnet网络成孔切口毛糙度检测模型，所述改进的Alexnet网络模型一共分为8层，由卷积层、LeakRelu层、池化层和全连接层叠加构成，所述改进的Alexnet网络模型采用带泄露修正线性LeakRelu激活函数，表达式见式（1），

式（1）

式中，leak为一个很小的常数，所述改进的Alexnet网络模型采用Droput正则化，对所有的神经元按照20%的概率进行消除处理，所述改进的Alexnet网络模型参数设置为：Batchsize为64，动量设置为0.95，ω衰减率设置为0.0005，学习率为0.001；

7）使用孔位K_n的训练集数据对改进的Alexnet网络模型进行模型训练；

8）使用孔位K_n的测试集数据对改进的Alexnet网络模型进行模型测试，针对每个孔位K_n均获得符合要求的成孔切口毛糙度检测模型M_n，应用于汽车隔音隔热零配件成孔切口毛糙度检测工作。

2.根据权利要求1所述的一种汽车隔音隔热零配件成孔切口毛糙度检测方法，其特征在于：所述1）中，操作台安置有纠偏调平装置和图像采集装置，通过纠偏调整装置进行位置调整后，通过图片采集装置对成孔切口位置进行图像采集。

3.根据权利要求1所述的一种汽车隔音隔热零配件成孔切口毛糙度检测方法，其特征在于：所述3）中，评价类别为合格和不合格，对应的标签为1和0。

4.根据权利要求1所述的一种汽车隔音隔热零配件成孔切口毛糙度检测方法，其特征在于：所述5）中，预处理包括对测试集图像进行大小归一化，图像灰度化，直方图均衡化和图形增强，对测试集图像进行大小归一化，图像灰度化，直方图均衡化。

5.根据权利要求1所述的一种汽车隔音隔热零配件成孔切口毛糙度检测方法，其特征在于：所述8）中，网络训练效果采用准确率（Accuracy，acc）作为评估指标，表达式见式（2），acc≥90%，我们认为该模型符合要求，

式（2）

式中：x₁表示将标签合格样本预测为合格的个数；x₂表示将标签合格样本预测为不合格的个数；y₁表示将标签不合格样本预测为不合格的个数；y₂表示将标签不合格样本预测为合格的个数。