CN109102493A - 一种基于cnn和lr的汽车钣金件裂纹检测系统 - Google Patents

Abstract

本发明公开了一种基于CNN和LR的汽车钣金件裂纹检测系统，具体检测流程如下：首先人工标注正负样本；然后采用模型进行训练，训练时采用CNN将图像映射为固定维度的一维向量，以向量为特征，采用LR训练模型参数；最后对新的产品图像进行预测，确定是否合格。CNN输入层由32×32个感知节点组成，接收原始图像，然后，计算流程在卷积和子抽样之间交替进行，最终得到输出向量，最终的输出向量采用LR进行预测，判断其label。本技术方案实现了一种基于CNN和LR的汽车钣金件检测系统，CNN神经网络泛化能力很强，可以保证高的准确率，解决了之前人工检测准确率低、劳动强度大的问题，降低了公司成本。

Description

一种基于CNN和LR的汽车钣金件裂纹检测系统

技术领域

本发明涉及一种汽车钣金件裂纹检测系统，特别涉及一种基于CNN和LR的汽车钣金件裂纹检测系统，属于汽车检测技术领域。

背景技术

汽车钣金件: 汽车钣金件是汽车上必不可少的零部件，钣金件是汽车白车身的组成部分，每辆汽车都使用了至少上百种不同的钣金件，在汽车上发挥着非常重要的作用，其质量问题直接影响到汽车的安全、整车质量及主机厂的生产节拍。

汽车钣金件检测：针对每个汽车钣金件产品，需要检测是外轮廓大小、孔数尺寸、角度以及表面裂纹等，这些都可以通过检测钣金件的图像，归图像进行分类，确定其是否合格。可以将这些问题转化为图像二分类问题。

CNN: 全称为卷积神经网络，是深度学习技术中极具代表的网络结构之一。在图像处理领域取得了很大的成功。图像处理中，往往会将图像看作为一个二维向量，例如可以看做是一个28 × 28的二维向量，将28*28的向量进行多次卷积和池化，最终形成一个特定维度的一维向量，最后对这个向量进行预测，决定其类别。

LR：全称为logistic regressive，模型都具有 w‘x+b，其中w和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将w‘x+b作为因变量，即y =w‘x+b，而logistic回归则通过函数L将w‘x+b对应一个隐状态p，p =L(w‘x+b),然后根据p 与1-p的大小决定因变量的值。如果L是logistic函数，就是logistic回归，如果L是多项式函数就是多项式回归。LR的二分类的更为常用，也更加容易解释，多类可以使用softmax方法进行处理。实际中最为常用的就是二分类的logistic回归。

人工检测的问题有以下几点：耗时过长，效率低下。容易出现漏检和误检。专业技能检测人员需求较大。检测人员劳动强度很大。无检测过程数据，无法反映生产过程数据。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于CNN和LR的汽车钣金件裂纹检测系统。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明提供了一种基于CNN和LR的汽车钣金件裂纹检测系统，具体检测流程如下：

1）人工标注正负样本；

2）采用模型进行训练：首先采用CNN将图像映射为固定维度的一维向量，以向量为特征，采用LR训练模型参数；

3）对新的产品图像进行预测，确定是否合格。

作为本发明的一种优选技术方案，CNN将输入图像映射为固定维度向量的流程如下：

输入层由32×32个感知节点组成，接收原始图像，然后，计算流程在卷积和子抽样之间交替进行，如下所述：

第一隐藏层进行卷积，它由6个特征映射组成，每个特征映射由28×28个神经元组成，每个神经元指定一个 5×5 的接受域；

第二隐藏层实现子抽样和局部平均，它同样由 6 个特征映射组成，但其每个特征映射由14×14 个神经元组成。每个神经元具有一个 2×2 的接受域，一个可训练系数，一个可训练偏置和一个 sigmoid 激活函数。可训练系数和偏置控制神经元的操作点。

第三隐藏层进行第二次卷积，它由 16个特征映射组成，每个特征映射由 10×10个神经元组成。该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接，它以与第一个卷积层相似的方式操作。

第四个隐藏层进行第二次子抽样和局部平均计算。它由 16 个特征映射组成，但每个特征映射由 5×5 个神经元组成，它以与第一次抽样相似的方式操作。

第五个隐藏层实现卷积的最后阶段，它由 120 个神经元组成，每个神经元指定一个 5×5 的接受域。

最后是个全连接层，得到输出向量。

作为本发明的一种优选技术方案，最终的输出向量采用LR进行预测，判断其label：

其中，卷积层，用来学习输入数据的特征表征，卷积层由很多的卷积核（convolutionalkernel）组成，卷积核用来计算不同的feature map；

激励函数（activation function）给CNN卷积神经网络引入了非线性，常用的有sigmoid 、tanh、 ReLU函数；

池化层降低卷积层输出的特征向量，同时改善结果（使结构不容易出现过拟合），典型应用有average pooling 和 max pooling；

全连接层将卷积层和Pooling 层堆叠起来以后，就能够形成一层或多层全连接层，这样就能够实现高阶的推力能力。

本发明所达到的有益效果是：本技术方案实现了一种基于CNN和LR的汽车钣金件检测系统，CNN神经网络泛化能力很强，可以保证高的准确率，解决了之前人工检测准确率低、劳动强度大的问题，降低了公司成本。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的整体流程图；

图2是本发明CNN的训练网络结构图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1

如图1-2所示，本发明提供了一种基于CNN和LR的汽车钣金件裂纹检测系统，具体检测流程如下：

1）人工标注正负样本；

2）采用模型进行训练：首先采用CNN将图像映射为固定维度的一维向量，以向量为特征，采用LR训练模型参数；

3）对新的产品图像进行预测，确定是否合格。

CNN将输入图像映射为固定维度向量的流程如下：

输入层由32×32个感知节点组成，接收原始图像，然后，计算流程在卷积和子抽样之间交替进行，如下所述：

第一隐藏层进行卷积，它由6个特征映射组成，每个特征映射由28×28个神经元组成，每个神经元指定一个 5×5 的接受域；

第二隐藏层实现子抽样和局部平均，它同样由 6 个特征映射组成，但其每个特征映射由14×14 个神经元组成。每个神经元具有一个 2×2 的接受域，一个可训练系数，一个可训练偏置和一个 sigmoid 激活函数。可训练系数和偏置控制神经元的操作点。

第三隐藏层进行第二次卷积，它由 16个特征映射组 成，每个特征映射由 10×10个神经元组成。该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接，它以与第一个卷积 层相似的方式操作。

第四个隐藏层进行第二次子抽样和局部平均计算。它由 16 个特征映射组成，但每个特征映射由 5×5 个神经元组成，它以 与第一次抽样相似的方式操作。

第五个隐藏层实现卷积的最后阶段，它由 120 个神经元组成，每个神经元指定一个 5×5 的接受域。

最后是个全连接层，得到输出向量。

最终的输出向量采用LR进行预测，判断其label：

其中，卷积层，用来学习输入数据的特征表征，卷积层由很多的卷积核（convolutionalkernel）组成，卷积核用来计算不同的feature map；

激励函数（activation function）给CNN卷积神经网络引入了非线性，常用的有sigmoid 、tanh、 ReLU函数；这里我们使用了sigmoid函数。

池化层降低卷积层输出的特征向量，同时改善结果（使结构不容易出现过拟合），典型应用有average pooling 和 max pooling；

全连接层将卷积层和Pooling 层堆叠起来以后，就能够形成一层或多层全连接层，这样就能够实现高阶的推力能力。

本发明所达到的有益效果是：本技术方案实现了一种基于CNN和LR的汽车钣金件检测系统，CNN神经网络泛化能力很强，可以保证高的准确率，解决了之前人工检测准确率低、劳动强度大的问题，降低了公司成本。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于CNN和LR的汽车钣金件裂纹检测系统，其特征在于，具体检测流程如下：

1）人工标注正负样本；

2）采用模型进行训练：首先采用CNN将图像映射为固定维度的一维向量，以向量为特征，采用LR训练模型参数；

3）对新的产品图像进行预测，确定是否合格。

2.根据权利要求1所述的一种基于CNN和LR的汽车钣金件裂纹检测系统，其特征在于，CNN将输入图像映射为固定维度向量的流程如下：

输入层由32×32个感知节点组成，接收原始图像，然后，计算流程在卷积和子抽样之间交替进行，如下所述：

第一隐藏层进行卷积，它由6个特征映射组成，每个特征映射由28×28个神经元组成，每个神经元指定一个 5×5 的接受域；

第二隐藏层实现子抽样和局部平均，它同样由 6 个特征映射组成，但其每个特征映射由14×14 个神经元组成，每个神经元具有一个 2×2 的接受域，一个可训练系数，一个可训练偏置和一个 sigmoid 激活函数，可训练系数和偏置控制神经元的操作点；

第三隐藏层进行第二次卷积，它由 16个特征映射组成，每个特征映射由 10×10 个神经元组成，该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接，它以与第一个卷积层相似的方式操作；

第四个隐藏层进行第二次子抽样和局部平均计算，它由 16 个特征映射组成，但每个特征映射由 5×5 个神经元组成，它以与第一次抽样相似的方式操作；

第五个隐藏层实现卷积的最后阶段，它由 120 个神经元组成，每个神经元指定一个 5×5 的接受域；

最后是个全连接层，得到输出向量。

3.根据权利要求2所述的一种基于CNN和LR的汽车钣金件裂纹检测系统，其特征在于，最终的输出向量采用LR进行预测，判断其label：

其中，卷积层，用来学习输入数据的特征表征，卷积层由很多的卷积核（convolutionalkernel）组成，卷积核用来计算不同的feature map；

激励函数（activation function）给CNN卷积神经网络引入了非线性，常用的有sigmoid 、tanh、 ReLU函数；

池化层降低卷积层输出的特征向量，同时改善结果（使结构不容易出现过拟合），典型应用有average pooling 和 max pooling；

全连接层将卷积层和Pooling 层堆叠起来以后，就能够形成一层或多层全连接层，这样就能够实现高阶的推力能力。