基于ResNet50与迁移学习的轮毂识别

针对人工进行轮毂分拣存在的误识别问题,采用一种基于ResNet50与迁移学习的神经网络模型来识别汽车轮毂。把预训练模型参数迁移到ResNet50卷积神经网络中,修改原网络的输出层,构建基于ResNet50的迁移学习模型,通过进一步训练轮毂数据集来微调模型参数,提取轮毂的细粒度特征。通过对比AlexNet、VGG11、VGG16与ResNet50模型在未使用微调、使用微调和冻结不同数量卷积层参数时的训练效率、准确率,证明ResNet50迁移学模型在冻结前7个Bottleneck残差块参数时不仅能缩短训练时间,并能在相同迭代周期下取得更高的准确率。在该冻结策略下训练生成TL-ResNet50迁移学习模型,分别对8种轮毂进行预测,得出每种轮毂的平均准确率达到99%以上。

基于环形特征的卷积神经网络轮毂识别

针对实际生产中不同种类轮毂的混流生产问题,提出了一种基于环形特征的卷积神经网络轮毂识别算法。将直角坐标下的环形轮毂映射到极坐标中,归一化为标准形式的矩形,提取轮毂图像的环形特征信息,减少冗余特征产生的影响;设计了一种改进的VGG网络架构,利用深度可分离卷积打破输出通道维度与卷积核大小的联系,在不损失网络性能的同时降低了计算量,能够在实际生产中轮毂识别任务在有限的算力情况下实时进行计算;从有效性和实时性两个方面对轮毂识别算法进行评估,且通过Inception V3、SVM、KNN等模型的对比实验,验证了该算法可以实时地对轮毂自适应分类。实验表明:该方法对轮毂图像的处理精度达到99%以上,单幅图像平均处理时间降低至11.78 ms。

基于OpenCV的汽车轮毂自动识别分类系统

利用能对复杂目标进行识别的图像处理与视觉技术,在Visual Studio环境下基于OpenCV框架编程开发了汽车轮毂自动识别分类系统。系统对采集到的轮毂原始图像进行灰度化、图像去噪、毛刺处理、边缘提取等预处理后,提取了轮毂图像的外圆半径、轮毂辐数及轮辐形状等特征,根据所提取的特征对轮毂进行识别分类,实现了对轮毂的自动识别分类。

基于环投影特征的汽车轮毂定位与识别

为了实现汽车轮毂在辊道上随机混流状态下的型号自动识别,提出一种基于环投影特征的轮毂识别算法。该算法不受轮毂的角度和位置变化的影响。首先提取每种型号轮毂的半径及其环投影特征作为模板,然后求取待匹配图像的重心来近似轮毂的圆心,并在其附近分析每一点的环投影值来确定真正的圆心坐标与半径。利用轮毂的半径和环投影与模板进行粗匹配,筛选掉不匹配的型号。最后通过比较径向投影,返回相似度得分最高的型号。实验结果表明:该算法具有较高的稳定性和实时性,识别速度为1个/2 s。

应用深度学习方法的汽车轮毂类型识别

针对汽车轮毂大批量生产中人工分类效率低、错误率高的问题,研究应用机器视觉和深度学习方法对汽车轮毂进行在线识别和分类。根据轮毂的特点对AlexNet进行修改,将Leaky Relu函数作为激活函数,应用批归一化,改变卷积核大小,简化全连接层并增加平均池化,且在全连接层之前加入通道注意力机制模块,使得修改的模型可以更好地进行特征提取。综合试验结果表明,采用修改后的AlexNet模型进行轮毂分类,其测试精确度达到99.80%,训练时间大幅缩短,综合效果优于常用机器视觉分类方法,具有实际应用价值。

基于双目立体视觉的汽车轮毂型号识别研究

轮毂型号识别是为了对混流在轮毂生产加工流水线上的轮毂进行自动分选。本研究首先改进双目立体视觉算法,并使用该模型对轮毂生产厂家原始图像进行采集并处理,对处理后的图像进行三维重建,得出轮毂高度和直径等信息作为辅助信息,最后利用提取的特征信息进行模板匹配识别轮毂型号。实验结果表明,该方法能够有效提高轮毂测量精度和轮毂型号识别,识别精度达到98.65%,为今后的轮毂型号识别研究提供参考。

改进粒子群优化BP神经网络的轮毂分类算法

针对轮毂识别系统前期图像特征提取误差较大时分类准确性降低的问题,提出了基于改进粒子群算法优化BP神经网络的轮毂识别模型。在标准粒子群中引入遗传算法的变异因子、惯性权重、时间因子、速度边界限制和反弹策略,以改进粒子群算法,从而提高寻找最优阈值与权值的性能。经过与不同算法的对比数据看出,采用改进粒子群优化BP神经网络算法的分类识别率比其他算法提高了9%左右,且收敛速度、收敛精度均有提高,证明了所提IPSO(improved particle swarm optimization)算法的有效性。