CN111062093B - 一种基于图像处理和机器学习的汽车轮胎寿命预测方法 - Google Patents
一种基于图像处理和机器学习的汽车轮胎寿命预测方法 Download PDFInfo
- Publication number
- CN111062093B CN111062093B CN201911369270.9A CN201911369270A CN111062093B CN 111062093 B CN111062093 B CN 111062093B CN 201911369270 A CN201911369270 A CN 201911369270A CN 111062093 B CN111062093 B CN 111062093B
- Authority
- CN
- China
- Prior art keywords
- model
- pattern
- machine learning
- value
- tire
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
- Tires In General (AREA)
Abstract
本发明公开一种基于图像处理和机器学习的汽车轮胎寿命预测方法,属于汽车轮胎寿命预测领域,包括:采集汽车轮胎花纹磨损的图样库;对采集到的图样进行预处理;采用灰度‑梯度共生矩阵和高斯马尔科夫随机场模型提取处理后图样的GGCM和GMRF磨损纹理特征;将两种特征融合并确定权重分配;将图样库按照一定比例划分为训练和测试样本;采用邻近分类算法分类器建立机器学习模型,用训练样本对模型进行训练,用测试样本对模型进行测试;采用交叉验证方法确定分类器的K值和距离公式;采用平均正确率、预测值与真实值的混淆矩阵作为衡量指标。本发明方法针对轮胎检测提供了一种低成本、高效率的预测方法,解决了轮胎寿命预测的难题。
Description
技术领域
本发明涉及机械工程和计算机科学交叉领域,具体是指基于图像处理和机器学习的汽车轮胎寿命预测方法。
背景技术
随着汽车行业的不断发展,汽车已经逐渐成为人们出门的主要代步工具,车辆的安全行驶也逐渐成为人们关注的焦点。目前,我国在高速公路上发生的交通事故有半数以上是由于轮胎磨损问题引起的,其中大量事故的发生是由于爆胎。汽车爆胎主要原因是:轮胎表面磨损严重以及轮胎气压异常,在高速行驶或急刹车等情况下引发爆胎。轮胎作为汽车的主要部件之一,影响车辆行驶时的性能和安全,因此对车辆轮胎的检测可以有效提高车辆行驶的安全性。
目前,人工检测是汽车轮胎磨损程度的主要检测方法,通过检测轮胎花纹深度以及胎肩的花纹磨损来定义测量胎面花纹磨损程度。在赛车比赛中,主要运用手持激光扫描仪检测轮胎表面磨损情况,并精确计算出胎面的厚度以及轮胎单位距离的磨损程度。但激光扫描检测的主要缺点是成本太高,并不能推广到普通家庭汽车使用,而且检测时需要相关技术人员对车辆的每个轮胎分别进行人工检测,并不能实现主动对所有轮胎同时进行智能化检测。
发明内容
针对以上不足,本发明提供了一种汽车轮胎寿命预测方法,本方法基于图像处理和机器学习技术,针对轮胎检测提供了一种低成本、高效率的预测方法,解决了轮胎寿命预测的难题。
本发明的技术方案为:
一种基于图像处理和机器学习的汽车轮胎寿命预测方法,包括以下步骤:
S1:采集汽车轮胎花纹磨损的图样库,并进行分类;
S2:对采集到的图样进行预处理;
S3:采用灰度-梯度共生矩阵和高斯马尔科夫随机场模型提取处理后图样的GGCM和GMRF磨损纹理特征,
S4:将两种特征融合,并确定融合特征的权重分配;
S5:将图样库按照一定比例划分为训练样本和测试样本;
S6:采用邻近分类算法分类器建立机器学习模型,用训练样本对模型进行训练,用测试样本对模型进行测试,得到机器学习模型的平均分类率和所用时间;
S7:采用交叉验证方法确定分类器的K值和距离公式,建立输入样本的特征向量与输出类别的映射关系;
S8:使用测试样本验证机器学习模型的性能;
S9:采用平均正确率、预测值与真实值的混淆矩阵作为衡量指标,对轮胎寿命进行预测。
所述步骤S4的具体包括:
S41:设F为待分配权重的融合特征,x为GGCM特征的权重值,y为GMRF特征的权重值,则F=[x*GGCM,y*GMRF];
S42:以特定步长δ遍历所有的x、y值,分别计算模型的分均分类率;
S43:分别筛选出测试样本为30、35、40、45所对应的平均分类率最高的三种权重组合;
S44:从三组权重组合中选择平均方差最大的一组权重组合作为融合特征的权重系数。
所述步骤S2的预处理包括尺度归一化、灰度化、中值滤波和直方图均衡。
所述步骤S1的分类方法为:根据汽车的行驶里程均分为若干类。
本发明的汽车轮胎寿命预测方法采集汽车轮胎花纹磨损的图样库,筛选出市面上常见的三种品牌的轮胎花纹,对样本进行尺度归一化、灰度化、中值滤波和直方图均衡等预处理;采用灰度-梯度共生矩阵(Gray-Gradient Co-occurrence Matrix,GGCM)和高斯马尔科夫随机场模型(Gauss-Markov Random Field,GMRF)提取输入样本的磨损纹理特征,并将两种特征融合,确定融合特征的权重分配;采用邻近分类算法(K-Nearest Neighbors,KNN)分类器建立机器学习模型,并选择距离公式,建立输入样本的特征向量与输出类别的映射模型,作为该方法的寿命预测模型;使用测试样本验证寿命验证模型的性能,采用平均正确率、预测值与真实值的混淆矩阵作为衡量指标,对轮胎寿命进行预测。本发明的汽车轮胎寿命预测方法高效、准确,以较低成本解决了汽车轮胎使用寿命预测的难题,减少汽车行驶过程中发生的轮胎爆胎事故,增加汽车行车过程的安全性。
附图说明
图1为本发明的汽车轮胎寿命预测方法流程图;
图2为轮胎磨损程度分类图;
图3为本发明的轮胎图像样本分类示意图;
图4为本发明的轮胎图样经过不同预处理后的状态图;
图5为本发明的融合特征的分配权重图;
图6为本发明的单特征和融合特征分类结果比较图;
图7为本发明的交叉验证确定距离公式图;
图8为本发明的预测模型图;
图9为本发明的模型分类结果混淆矩阵图。
具体实施方式
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
参考图1,本发明的一种汽车轮胎寿命预测方法,包括以下步骤:
S1:采集汽车轮胎花纹磨损的图样库,并进行分类;
参考图2,一般来说,轮胎花纹按照磨损程度分别为:无磨损、轻度磨损、中度磨损和重度磨损。由于市面上的轮胎品牌和花纹型号种类繁多,采集数据时受到多种自然环境和人为因素的影响,导致数据样本的不均衡。调研表明,车辆行驶里程在3万公里以下的样本大多为新车,而6万公里以上的基本都已经更换轮胎,过新或过旧的轮胎样本会造成样本较大的差异化,对于建立预测模型都有一定的影响。
因此,经过多次筛选,本发明采用市面上常见的三种品牌的轮胎花纹作为研究对象,采集汽车轮胎花纹磨损的图样库,并按照汽车行驶里程均分为五类。参考图3,三种轮胎品牌分别为:Cinturato P7、Optimo k415和Primacy 3ST,五类行驶里程分别为:3W-3.5W公里、3.5W-4W公里、4W-4.5W公里、4.5W-5W公里和5W-6W公里。
S2:对采集到的图样进行预处理,所述预处理包括尺度归一化、灰度化、中值滤波和直方图均衡;
参考图4,四种图样预处理的好处在于,尺度归一化:将原始样本尺度归一化处理,大小统一为256*256像素,保证样本的均衡;灰度化:原始图像为RGB三通道模式,将其转换为灰度图像,可减少特征提取的计算速度和复杂度;中值滤波:减少拍摄过程中因自然环境和人为因素形成的噪声;直方图均衡:增强图像的对比度,使图像的灰度值均匀分布,减小拍摄过程中光照不均匀的影响。
S3:采用灰度-梯度共生矩阵(Gray-Gradient Co-occurrence Matrix,GGCM)和高斯马尔科夫随机场模型(Gauss-Markov Random Field,GMRF)提取处理后图样的GGCM和GMRF磨损纹理特征;
S4:将两种特征融合,并确定融合特征的权重分配,具体包括:
S41:设F为待分配权重的融合特征,x为GGCM特征的权重值,y为GMRF特征的权重值,则F=[x*GGCM,y*GMRF];
S42:以步长δ=0.1遍历所有的x、y值,分别计算模型的分均分类率;
S43:分别筛选出测试样本为30、35、40、45所对应的平均分类率最高的三种权重组合;
S44:从三组权重组合中选择平均方差最大的一组权重组合作为融合特征的权重系数,由方差分析法可知,如果一个特征不发散,即方差接近于0,则该特征在样本中影响非常小,对于区分样本不起作用。
如图5所示,经过多次的特征权重分配试验,得到一个从不同角度描述轮胎花纹磨损程度的融合特征。本发明中,GGCM和GMRF各特征分量的权重比例选定为4:6,为避免两种特征的取值范围和量纲不同带来的影响,采用标准归一化处理,归一化公式为:其中,xnew为归一化处理后的x值,μ为样本的均值,σ为样本的标准差。经过归一化处理,样本数据的取值被限定在(0,1)之间,符合标准的正态分布。
S5:将图样库按照一定比例划分为训练样本和测试样本,划分比例为:0.5、0.6、0.8和1.0;
S6:采用邻近分类算法(K-Nearest Neighbors,KNN)分类器建立机器学习模型,用训练样本对模型进行训练,用测试样本对模型进行测试,得到机器学习模型的平均分类率和所用时间;
S7:采用交叉验证方法确定分类器的K值和距离公式,建立输入样本的特征向量与输出类别的映射关系;
对比闵可夫斯基距离(Minkowski Distance)、曼哈顿距离(City BlockDistance)、切比雪夫距离(Chebyshev Distance)以及标准化欧氏距离(StandardizedEuclidean Distance)四个不同的距离公式,在交叉验证下,不同的K值对应的验证准确性(Accuracy)和交叉损失熵(Kloss)。由附图7可知,经过交叉验证,发现闵可夫斯基距离(Minkowski Distance)在运算过程中相对于其他三种方法,所呈现出的数据图更平滑,准确度更高。并且,由数据图可以确定当K=1时,准确度最高。
S8:使用测试样本验证机器学习模型的性能;
验证模型时,对测试样本与训练样本进行不同的比例分配,即测试样本数与训练样本数之比不同,验证不同情况下的分类精确度。验证模型条件如表一所示:硬件系统为CPU i5,8GB运存,操作环境MTALAB R2018b,KNN分类器(K=3),闵可夫斯基距离(MinkowskiDistance),每组进行30次验证。特别注意的是:在验证时KNN分类器与理论分析有区别,K=3,精确度最高。如附图8所示,深色线表示预测分类结果,浅色线表示实际分类结果,两线重合表示分类正确,图中仅有少数点偏离。表一列举出不同比例模型预测的正确率和所耗时间,可以看出模型预测耗时很短(均为5-6s),且平均正确率较高(AP均高于80%)。
表一:
S9:采用平均正确率、预测值与真实值的混淆矩阵作为衡量指标,对轮胎寿命进行预测。
混淆矩阵通过将每个实测像元的位置和分类图像中的相应位置相比较计算。附图9中,横坐标表示预期分类结果,纵坐标表示实际分类结果,二者重合表示分类正确。可以看出在分类时,仅第一类和第四类有允许误差,其他分类结果精确度都在80%以上,表明本发明的预测方法能对轮胎寿命进行精确预测,以较低成本解决了汽车轮胎使用寿命预测的难题,减少汽车行驶过程中发生的轮胎爆胎事故,增加汽车行车过程的安全性。
以上公开的仅为本发明的实施例,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (3)
1.一种基于图像处理和机器学习的汽车轮胎寿命预测方法,其特征在于,包括以下步骤:
S1:采集汽车轮胎花纹磨损的图样库,并进行分类;
S2:对采集到的图样进行预处理;
S3:采用灰度-梯度共生矩阵和高斯马尔科夫随机场模型提取处理后图样的GGCM和GMRF磨损纹理特征;
S4:将两种特征融合,并确定融合特征的权重分配;
S5:将图样库按照一定比例划分为训练样本和测试样本;
S6:采用邻近分类算法分类器建立机器学习模型,用训练样本对模型进行训练,用测试样本对模型进行测试,得到机器学习模型的平均分类率和所用时间;
S7:采用交叉验证方法确定分类器的K值和距离公式,建立输入样本的特征向量与输出类别的映射关系;
S8:使用测试样本验证机器学习模型的性能;
S9:采用平均正确率、预测值与真实值的混淆矩阵作为衡量指标,对轮胎寿命进行预测;
其中,所述步骤S4的具体包括:
S41:设F为待分配权重的融合特征,x为GGCM特征的权重值,y为GMRF特征的权重值,则F=[x*GGCM,y*GMRF];
S42:以特定步长δ遍历所有的x、y值,分别计算模型的分均分类率;
S43:分别筛选出测试样本为30、35、40、45所对应的平均分类率最高的三种权重组合;
S44:从三组权重组合中选择平均方差最大的一组权重组合作为融合特征的权重系数;
2.根据权利要求1所述的汽车轮胎寿命预测方法,其特征在于,所述步骤S2的预处理包括尺度归一化、灰度化、中值滤波和直方图均衡。
3.根据权利要求1所述的汽车轮胎寿命预测方法,其特征在于,所述步骤S1的分类方法为:根据汽车的行驶里程均分为若干类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911369270.9A CN111062093B (zh) | 2019-12-26 | 2019-12-26 | 一种基于图像处理和机器学习的汽车轮胎寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911369270.9A CN111062093B (zh) | 2019-12-26 | 2019-12-26 | 一种基于图像处理和机器学习的汽车轮胎寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062093A CN111062093A (zh) | 2020-04-24 |
CN111062093B true CN111062093B (zh) | 2023-06-13 |
Family
ID=70302933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911369270.9A Active CN111062093B (zh) | 2019-12-26 | 2019-12-26 | 一种基于图像处理和机器学习的汽车轮胎寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062093B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724376B (zh) * | 2020-06-22 | 2024-02-13 | 陕西科技大学 | 一种基于纹理特征分析的纸病检测方法 |
CN112116023B (zh) * | 2020-09-28 | 2022-08-09 | 重庆长安汽车股份有限公司 | 基于机器学习的轮胎漏气的实时检测方法及存储介质 |
CN112557063A (zh) * | 2020-12-01 | 2021-03-26 | 安徽信息工程学院 | 一种基于视觉的跨座式单轨轮胎的胎面检测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116744A (zh) * | 2013-02-05 | 2013-05-22 | 浙江工业大学 | 基于mrf和svm-knn分类的假指纹检测方法 |
WO2016138838A1 (zh) * | 2015-03-02 | 2016-09-09 | 华为技术有限公司 | 基于投影极速学习机的唇语识别方法和装置 |
CN108182449A (zh) * | 2017-12-25 | 2018-06-19 | 南京信息工程大学 | 一种高光谱图像分类方法 |
-
2019
- 2019-12-26 CN CN201911369270.9A patent/CN111062093B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116744A (zh) * | 2013-02-05 | 2013-05-22 | 浙江工业大学 | 基于mrf和svm-knn分类的假指纹检测方法 |
WO2016138838A1 (zh) * | 2015-03-02 | 2016-09-09 | 华为技术有限公司 | 基于投影极速学习机的唇语识别方法和装置 |
CN108182449A (zh) * | 2017-12-25 | 2018-06-19 | 南京信息工程大学 | 一种高光谱图像分类方法 |
Non-Patent Citations (2)
Title |
---|
基于支持向量机模型的复杂非线性系统试验不确定度评定方法;朱大业;丁晓红;王神龙;王海华;余慧杰;;机械工程学报;第54卷(第08期);177-184 * |
视觉车辆识别迁移学习算法;蔡英凤;王海;东南大学学报. 自然科学版;第45卷(第2期);275-280 * |
Also Published As
Publication number | Publication date |
---|---|
CN111062093A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062093B (zh) | 一种基于图像处理和机器学习的汽车轮胎寿命预测方法 | |
CN110197588B (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
CN113033284B (zh) | 一种基于卷积神经网络的车辆实时超载检测方法 | |
US9384603B2 (en) | Failure cause classification apparatus | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN114511568B (zh) | 基于无人机的高速公路桥梁检修方法 | |
CN114694178A (zh) | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 | |
CN110705582A (zh) | 一种基于改进K-Means聚类算法的船舶过桥行为特征提取方法 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN113221759A (zh) | 基于异常检测模型的道路遗撒识别方法以及装置 | |
CN115809435A (zh) | 基于模拟器的汽车运行故障识别方法 | |
CN115631472A (zh) | 一种高速公路行人闯入智能检测方法 | |
CN116152749A (zh) | 基于数字孪生的齿轮磨损智能监测方法 | |
CN113314142B (zh) | 发动机故障检测方法、系统、存储介质及设备 | |
CN117168861A (zh) | 污水处理设备的异常监测方法及其系统 | |
CN115240146B (zh) | 基于计算机视觉的机床装配智能验收方法 | |
CN116244657A (zh) | 基于生成对抗网络和集成学习的列车轴温异常识别方法 | |
CN111695582A (zh) | 一种颤振纹理的检测方法及其装置 | |
CN114863210A (zh) | 桥梁结构健康监测数据驱动模型的对抗样本攻击方法及系统 | |
CN114897863A (zh) | 一种缺陷的检测方法、装置以及设备 | |
CN116152674A (zh) | 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法 | |
CN111881988A (zh) | 基于少数类过采样方法的异质不平衡数据故障检测方法 | |
CN112948965A (zh) | 一种基于机器学习和统计验证的汽车行驶工况的构建方法 | |
CN117591986B (zh) | 基于人工智能的汽车数据实时处理方法 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |