基于CNN、SVM和迁移学习的轮胎花纹分类

轮胎花纹图像分类在交通事故及刑侦破案取证中具有重要的作用。为了准确地分类轮胎花纹图像,提出了一种基于卷积神经网络(convelutional neural network,CNN)、支持向量机(support vector machine,SVM)和迁移学习的轮胎花纹分类算法。首先对辅助数据库ImageNet进行CNN训练得到初始CNN模型;其次,基于迁移学习思想,利用轮胎花纹图像数据库对初始CNN模型的分类层进行微调训练,得到用于轮胎花纹图像分类的CNN模型;最后,从所得CNN模型的第二个全连接层提取输出的4 096维特征,用该特征对轮胎花纹图像进行基于SVM的图像分类。使用轮胎花纹图像数据库进行分类实验,结果表明,提出算法的分类精度达到93.1%。说明提出算法能够提高轮胎花纹图像的分类准确率。

基于迁移学习及特征融合的轮胎花纹图像分类

为提高图像分类性能,解决因训练数据不足导致卷积神经网络模型过拟合的问题,提出一种基于迁移学习和特征融合的轮胎花纹图像分类算法。将HSV颜色直方图、GIST描述子与方向梯度直方图结合作为轮胎图像低层特征;将迁移学习引入卷积神经网络模型训练中,通过轮胎图像数据集对预训练模型参数微调,获得适用于轮胎花纹图像的新模型,提取全连接层特征作为图像高层特征;将低层和高层特征融合作为轮胎图像最终特征用于训练SVM分类器,实现高效分类。实验结果表明了所提算法的有效性。

变节距花纹轮胎噪声特性研究

采用主流的室内实验室转鼓方法对变节距花纹轮胎噪声进行了测试。对具有复杂花纹的乘用轮胎和载重轮胎的噪声频谱特性进行对比分析。对于乘用轮胎,轮胎花纹噪声随着速度的增加呈现一个偏于线性的增长趋势;对于载重轮胎,轮胎花纹噪声反而没有明显的增长趋势,曲线较为平缓;不同品牌乘用轮胎与不同品牌载重轮胎在标准速度下的1/3倍频程频谱曲线变化趋势有较大差异;与手工刻制的等节距轮胎噪声相比,成品轮胎所采用的变节距花纹结构设计有效地降低了各频段噪声峰值;对于变节距花纹成品轮胎,波浪形态横沟设计优于锐角形态,更优于正交形态;连通组花纹结构优于半连通组,更优于不连通组。文章为低噪声轮胎花纹结构优化提供了有意义的参考结论。