CN112097673A - 车身部件虚拟匹配方法和系统 - Google Patents

Abstract

本发明涉及车身部件虚拟匹配方法和系统。车身部件虚拟匹配方法包括：获取训练部件的一个或多个位置处的尺寸数据；对尺寸数据添加匹配度标签，匹配度表示训练部件在所述一个或多个位置处与目标匹配部件的匹配程度；利用带有匹配度标签的尺寸数据生成虚拟匹配模型；以及利用虚拟匹配模型基于测试部件的一个或多个位置处的尺寸数据得到测试部件的虚拟匹配预测结果。

Description

车身部件虚拟匹配方法和系统

技术领域

本发明涉及汽车制造技术领域。具体而言，本发明涉及车身部件虚拟匹配方法。

背景技术

随着现代汽车工业的快速发展，市场竞争日趋激烈。提高汽车质量和缩短开发周期是汽车厂商赢得市场竞争的关键。在制造过程中，控制零部件尺寸是控制质量的一个重要方面。如何消除匹配缺陷以确保较高的整车制造质量一直是汽车生产厂家的一个难题，汽车尺寸工程传统的方法是用检具对部件尺寸进行评估。但是，这种方法只能通过有限的测点进行量化，对于匹配的不可见区域和狭小而无法测量区域，则很难进行尺寸评估。而且，在无检具的情况下，就无法对部件进行尺寸评估。

即使能够采集到关于尺寸的数据，由于影响部件匹配的因素较多，利用传统尺寸链的方法研究部件的匹配是非常困难的。在现有技术中，如果部件在装配的过程中存在干涉（例如，重叠），应对的办法是开发相应的检具辅助安装，或者更改设计的图纸。但这种做法耗时费力，浪费资源，增加成本。

发明内容

因此，需要一种能够在无检具条件下对部件进行虚拟测量（包括全尺寸测量、不可见区域测量、狭小受限区域测量等），从而在早期对产品尺寸进行评估、指导产品修改的车身部件虚拟匹配方法。

为实现以上目的的一个或多个，本发明提供以下技术方案，从而利用机器学习实现在无检具情况下精确全面地对产品尺寸进行评估。

按照本发明的第一方面，提供一种车身部件虚拟匹配方法，其包括：获取训练部件的一个或多个位置处的尺寸数据；对尺寸数据添加匹配度标签，匹配度表示训练部件在所述一个或多个位置处与目标匹配部件的匹配程度；利用带有匹配度标签的尺寸数据生成虚拟匹配模型；以及利用虚拟匹配模型基于测试部件的一个或多个位置处的尺寸数据得到测试部件的虚拟匹配预测结果。

根据本发明一实施例的车身部件虚拟匹配方法，其中，虚拟匹配模型基于支持向量机（SVM）模型和神经网络模型。

根据本发明一实施例或以上任一实施例的车身部件虚拟匹配方法，其中，将SVM模型和神经网络模型的输出进行加权平均而得到虚拟匹配模型输出。

根据本发明一实施例或以上任一实施例的车身部件虚拟匹配方法，其中，在利用带有匹配度标签的尺寸数据生成虚拟匹配模型之前，还对尺寸数据执行预处理操作，预处理操作包括数据的删除和/或补充和/或降维。

根据本发明一实施例或以上任一实施例的车身部件虚拟匹配方法，其中，训练部件和/或测试部件的一个或多个位置处的尺寸数据通过光学测量的方法来获得。

根据本发明一实施例或以上任一实施例的车身部件虚拟匹配方法，其中，匹配程度包括匹配、上工装匹配和不匹配。

按照本发明的第二方面，提供一种车身部件虚拟匹配系统，其包括：数据采集单元，其配置成获取训练部件的一个或多个位置处的尺寸数据；标签生成单元，其配置成对尺寸数据添加匹配度标签，匹配度表示训练部件在一个或多个位置处与目标匹配部件的匹配程度；模型生成单元，其配置成利用带有匹配度标签的尺寸数据生成虚拟匹配模型；以及匹配预测单元，其配置成利用虚拟匹配模型基于测试部件的一个或多个位置处的尺寸数据得到测试部件的虚拟匹配预测结果。

根据本发明一实施例的车身部件虚拟匹配系统，其中，模型生成单元配置成基于支持向量机（SVM）模型和神经网络模型生成虚拟匹配模型。

根据本发明一实施例或以上任一实施例的车身部件虚拟匹配系统，其中，模型生成单元配置成将SVM模型和神经网络模型的输出进行加权平均而得到虚拟匹配模型输出。

根据本发明一实施例或以上任一实施例的车身部件虚拟匹配系统，其中，模型生成单元还配置成在利用带有匹配度标签的尺寸数据生成虚拟匹配模型之前对尺寸数据执行预处理操作，预处理操作包括数据的删除和/或补充和/或降维。

根据本发明一实施例或以上任一实施例的车身部件虚拟匹配系统，其中，数据采集单元配置成通过光学测量的方法来获得训练部件和/或测试部件的一个或多个位置处的尺寸数据。

根据本发明一实施例或以上任一实施例的车身部件虚拟匹配系统，其中，匹配程度包括匹配、上工装匹配和不匹配。

附图说明

本发明的上述和/或其它方面和优点将通过以下结合附图的各个方面的描述变得更加清晰和更容易理解，附图中相同或相似的单元采用相同的标号表示。附图包括：

图1是根据本发明一实施例的车身部件虚拟匹配方法100的示意性流程图；

图2是根据本发明一实施例的车身部件虚拟匹配系统200的示意性框图；

图3是根据本发明一实施例的对车辆座舱系统进行尺寸数据采集的多个位置的示意图；以及

图4是表示圆Hough变换的参数空间的示意图。

具体实施方式

在本说明书中，参照其中图示了本发明示意性实施例的附图更为全面地说明本发明。但本发明可以按不同形式来实现，而不应解读为仅限于本文给出的各实施例。给出的各实施例旨在使本文的披露全面完整，以将本发明的保护范围更为全面地传达给本领域技术人员。

诸如“包含”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接和明确表述的单元和步骤以外，本发明的技术方案也不排除具有未被直接或明确表述的其它单元和步骤的情形。诸如“第一”和“第二”之类的用语并不表示单元在时间、空间、大小等方面的顺序而仅仅是作区分各单元之用。

下文参考根据本发明实施例的方法和系统的流程图说明、框图和/或流程图来描述本发明。将理解这些流程图说明和/或框图的每个框、以及流程图说明和/或框图的组合可以由计算机程序指令来实现。可以将这些计算机程序指令提供给通用计算机、专用计算机或其它可编程数据处理设备的处理器以构成机器，以便由计算机或其它可编程数据处理设备的处理器执行的这些指令创建用于实施这些流程图和/或框和/或一个或多个流程框图中指定的功能/操作的部件。

可以将这些计算机程序指令加载到计算机或其它可编程数据处理器上以使一系列的操作步骤在计算机或其它可编程处理器上执行，以便构成计算机实现的进程，以使计算机或其它可编程数据处理器上执行的这些指令提供用于实施此流程图和/或框图的一个或多个框中指定的功能或操作的步骤。还应该注意在一些备选实现中，框中所示的功能/操作可以不按流程图所示的次序来发生。例如，依次示出的两个框实际可以基本同时地执行或这些框有时可以按逆序执行，具体取决于所涉及的功能/操作。

图1是根据本发明一实施例的车身部件虚拟匹配方法100的示意性流程图。

首先，根据本发明的车身部件虚拟匹配方法100在步骤110处获取训练部件的一个或多个位置处的尺寸数据（参见图3）。其中训练部件是在执行虚拟匹配方法100之前已经生产的用于对虚拟匹配模型进行训练的一个或多个部件。针对某一类型的部件，使用与其属于同一类型的一个或多个部件来训练用于对该类型部件进行虚拟匹配的模型。

在一个实施例中，步骤110中的测量的操作可以采用光学测量方法。例如，可以先采用相机对训练对象（例如，车辆座舱系统）进行拍照。可以采用分辨率为3840×2748的工业相机，在一个实施例中，可以采用大恒星水星系列工业相机（MER-1070-10GM/C-P）。然后，对图片进行处理来得到该训练对象的相关尺寸数据，所述处理可以是根据由相机得到的图片来进行三维（3D）建模。在另一实施例中，可以直接利用激光扫描仪通过扫描技术来获取训练部件的3D点云数据，所述3D点云数据中的每一个可以包括3D坐标，从而可以表示该点相对于空间坐标系的位置。在一些实施例中，3D点云数据还包括颜色信息和反射强度信息。

在步骤120中，对尺寸数据添加匹配度标签，其中匹配度表示训练部件在一个或多个位置处与目标匹配部件的匹配程度。其中。目标匹配部件可以是白车身，该白车身是指完成焊接但未涂装之前的车身（例如，不包括四门两盖等运动件）。对于白车身而言，训练部件可以是例如车辆座舱系统、内外饰（诸如仪表板、座椅、风挡玻璃、内饰护板）、电子电器系统（诸如音响、线束、开关）、底盘系统（诸如制动、悬架系统）和动力总成系统（诸如发动机、变速箱）等等。一般地，方法100适用于刚性较好的零件或者刚性环境下的零件，例如，钣金件、灯等部件，或者是定位在检具或者支架上的部件以确保部件没有形变。

关于匹配度，当在将车辆座舱系统安装到白车身上的情况下，可以通过观察安装于白车身上的踏板系统和位于车辆座舱系统的前围挡的匹配质量来得到匹配度。在一个实施例中，可以将匹配度简记为M，另外，匹配度M的取值可以是0（例如，表示“匹配”）、1（例如，表示“上工装匹配”）和2（例如，表示“不匹配”）。其中，“匹配”、“上工装匹配”和“不匹配”具有本领域技术人员通常理解的含义，并且可以根据所需要精度的不同来变化被判定为“匹配”、“上工装匹配”和“不匹配”的标准。通过对尺寸数据添加匹配度标签，可以有助有在后续过程中利用监督学习算法来进行测试部件的匹配度预测。

在步骤130中，方法包括利用带有匹配度标签的尺寸数据生成虚拟匹配模型。通常，利用从多个训练部件获取的多组带有匹配度标签的尺寸数据来生成匹配性，并且在一般情况下，用于采集尺寸数据的训练模型越多，所生成的虚拟匹配模型将会越接近通常的真实匹配情况。

最后，在完成虚拟匹配模型的建立之后，在步骤140可以利用该虚拟匹配模型并且基于测试部件的一个或多个位置处的尺寸数据来得到该测试部件的虚拟匹配预测结果。例如，该虚拟匹配模型可以具有至少与一个训练部件的尺寸数据的数目相同数目的输入（例如，10个、15个或20个等），则当测试部件被生产之后，可以通过如前所述的光学测量方法来收集测试部件的一个或多个位置处的尺寸数据。然后，该测试部件的尺寸数据被代入虚拟匹配模型的对应输入中，在模型的输出处可以得到测试部件与目标匹配部件的对应位置的匹配度、或者可以得到该测试部件的与目标匹配部件的整体匹配程度评价。

在一个实施例中，虚拟匹配模型基于支持向量机（SVM）模型和神经网络模型。其中SVM中的参数可以通过经验简单设定，而神经网络的层数和节点个数可以由训练部件的容量接合经验来给出初值。这些预先设定的值可以根据需要在最初被改变，也可以在后续学习的过程中实时地进行调整。

支持向量机是机器学习中的线性分类器，其在解决小训练样本、非线性和高维模式识别中表现出特有的优势，可以用于监督学习（包括分类和回归）。支持向量机是一种非线性映射方法，其可以利用内机核函数代替向高维空间的非线性映射。其对特征空间的划分是以寻找最优超平面为目标，因此不涉及概率论和测度的内容。在根据方法100的一个实施例中，可以利用支持向量机将包括“匹配（对应于值0）”、“上工装匹配（对应于值1）”和“不匹配（对应于值2）”特征的空间划分为在最优超平面两侧的两个空间，该最优超平面将特征空间中的“匹配”和“不匹配”特征最大程度地分开，然后可以根据所需要的精度和/或实际情况来将特征空间中距离最优超平面一定距离的特征标识为“上工装匹配”。

神经网络模型是模拟人脑神经元网络处理问题的方式，通过对神经元的抽象来建立的模型。例如，神经网络可以是前馈神经网络。最基本的单个神经元仅具有一个节点，该节点具有多个输入和一个输出，在该节点中对多个输入进行某种运算处理。在复杂的神经网络中，多个节点根据需要通过不同的方式和结构相连，其中每个节点代表一个神经元。像这样，每个节点具有多个输入和一个特定的输出，从而模拟人脑的记忆方式和决策方式。除了之前提及的支持向量机，神经网络同样是机器学习中的重要模型，其具有自学功能。在根据本方法100的实施例中，可以将多个训练部件的带有匹配度标签的尺寸数据代入到所建立的神经网络模型的对应输入中，神经网络可以根据匹配度标签来学习出多个训练部件的尺寸数据的特征，从而在之后利用这些特征对测试部件给出匹配度预测。例如，当向神经网络输入形式为“第一尺寸，第二尺寸，匹配度标签”的数据：“1cm，1cm，不匹配；1.1cm，1.5cm，不匹配；1.2cm，3cm，上工装匹配；1.3cm，1.8cm，匹配；1.4cm，2.5cm，不匹配；1.5cm，1.6cm，不匹配”这一组带有匹配度标签的数据时，神经网络通过学习可以将第一尺寸提取为对匹配度具有主要影响的数据，而可以较少考虑或不考虑第二尺寸的影响（因为从已有的数据来说，匹配度与第二尺寸没有明显关系）。后续地，当接收到的测试部件的第一尺寸在1.2cm至1.4cm之间时，可以将该测试部件的该位置判定为“匹配（对应于值0）”。由于神经网络具有高速寻找最优数值解的能力，所以在需要大量计算量的复杂的寻找最优解的情况下，利用针对特定问题而专门设计的神经网络可以较快地找到最优解。

在一个实施例中，将前述SVM模型和神经网络模型的输出进行加权平均而得到虚拟匹配模型输出。可以通过调节加权时分配给SVM模型输出结果和神经网络模型输出结果的权重来调整对这两个模型的输出结果的采纳比例。例如，当所处理的问题更多地依赖于神经网络模型时，可以增加分配给神经网络模型的输出结果的权重，而适当减小分配给SVM模型的输出结果的权重。另外，也可以通过加权平均之外的任何方式来整合上述两个模型的输出结果。例如，可以对输出结果分别进行处理和调整之后再组合。在一些实施例中，利用交叉核实验证、AIC（赤池信息准则）、BIC（贝叶斯信息准则）等平滑参数的选择方法来对模型中的平滑参数进行优化、对模型进行选择或者使用模型平均的方法来对几个模型组合的权重进行优化来得到虚拟匹配模型。

在一个实施例中，在于步骤130中利用带有匹配度标签的尺寸数据生成虚拟匹配模型之前，还对尺寸数据执行预处理操作。在一个实施例中，预处理操作包括数据的删除和/或补充和/或降维。在一个实施例中，先对收集到的尺寸数据进行选择性地删除（或清洗），其中进行异常数据值得检验，从而将属于异常数据集范围内的数据删除。该异常数据集应当是根据实际测量对象而变化的，例如在表示车门厚度的数据中，大于30cm的数据被认为是异常数据，而在表示车身宽度的数据中，大于5m的数据被认为是异常数据。在另一个实施例中，对数据进行补充。这是由于在数据收集阶段，如果采用光学测量的方法，则由于相机或扫描仪的角度和位置问题会出现缺失数据。在此情况下，可以使用多重随机填补的方法处理缺失数据。在又一实施例中，在测量点的个数较多的情况下，关于多个位置各存在多个数据。此时，每个位置的数据在支持向量机中是一个支持向量，而在神经网络中是一个维度，此时由于支持向量和/或维数较大，直接建模会导致模型的精度降低或者神经网络对问题进行求解的过程中出现梯度弥散问题，因此可以对数据进行降维处理。在一个实施例中，采用PCA（主成分分析）方法通过设定使用前r个主成分来降维。以此方式，既避免了变量之间的多重共线性，又对重要的特征进行了选择。

图2是根据本发明一实施例的车身部件虚拟匹配系统200的示意性框图。车身部件虚拟匹配系统200包括数据采集单元210、标签生成单元220、模型生成单元230和匹配预测单元240。

数据采集单元210可以配置成获取训练部件的一个或多个位置处的尺寸数据（参见图3）。其中训练部件是在执行虚拟匹配方法100之前已经生产的用于对虚拟匹配模型进行训练的一个或多个部件。针对某一类型的部件，可以使用与其属于同一类型的一个或多个部件来训练用于对该类型部件进行虚拟匹配的模型。

在一个实施例中，数据采集单元210的测量的操作可以采用光学测量方法。例如，数据采集单元210可以先采用相机对训练对象（例如，车辆座舱系统）进行拍照。可以采用分辨率为3840×2748的工业相机，在一个实施例中，可以采用大恒星水星系列工业相机（MER-1070-10GM/C-P）。然后，数据采集单元210对图片进行处理来得到该训练对象的相关尺寸数据，所述处理可以是根据由相机得到的图片来进行三维（3D）建模。在另一实施例中，数据采集单元210可以直接利用激光扫描仪通过扫描技术来获取训练部件的3D点云数据，所述3D点云数据中的每一个可以包括3D坐标，从而可以表示该点相对于空间坐标系的位置。在一些实施例中，3D点云数据还包括颜色信息和反射强度信息。

标签生成单元220配置成对尺寸数据添加匹配度标签，其中匹配度表示训练部件在一个或多个位置处与目标匹配部件的匹配程度。其中。目标匹配部件可以是白车身，该白车身是指完成焊接但未涂装之前的车身（例如，不包括四门两盖等运动件）。对于白车身而言，训练部件可以是例如车辆座舱系统、内外饰（诸如仪表板、座椅、风挡玻璃、内饰护板）、电子电器系统（诸如音响、线束、开关）、底盘系统（诸如制动、悬架系统）和动力总成系统（诸如发动机、变速箱）等等。

关于匹配度，当在将车辆座舱系统安装到白车身上的情况下，可以通过观察安装于白车身上的踏板系统和位于车辆座舱系统的前围挡的匹配质量来得到匹配度。在一个实施例中，标签生成单元220可以将匹配度简记为M，另外，匹配度M的取值可以是0（例如，表示“匹配”）、1（例如，表示“上工装匹配”）和2（例如，表示“不匹配”）。其中，“匹配”、“上工装匹配”和“不匹配”具有本领域技术人员通常理解的含义，并且标签生成单元220可以根据所需要精度的不同来变化被判定为“匹配”、“上工装匹配”和“不匹配”的标准。通过标签生成单元220对尺寸数据添加匹配度标签，可以有助有在后续过程中利用监督学习算法来进行测试部件的匹配度预测。

模型生成单元230配置成利用带有匹配度标签的尺寸数据生成虚拟匹配模型。通常，模型生成单元230利用从多个训练部件获取的多组带有匹配度标签的尺寸数据来生成匹配性，并且在一般情况下，用于采集尺寸数据的训练模型越多，所生成的虚拟匹配模型将会越接近通常的真实匹配情况。

最后，匹配预测单元240可以配置成在完成虚拟匹配模型的建立之后，利用该虚拟匹配模型并且基于测试部件的一个或多个位置处的尺寸数据来得到该测试部件的虚拟匹配预测结果。例如，该虚拟匹配模型可以具有至少与一个训练部件的尺寸数据的数目相同数目的输入（例如，10个、15个或20个等），则当测试部件被生产之后，数据采集单元210可以通过如前所述的光学测量方法来收集测试部件的一个或多个位置处的尺寸数据。然后，匹配预测单元240将该测试部件的尺寸数据代入虚拟匹配模型的对应输入中，在模型的输出处可以得到测试部件与目标匹配部件的对应位置的匹配度、或者可以得到该测试部件的与目标匹配部件的整体匹配程度评价。

在一个实施例中，模型生成单元230基于支持向量机（SVM）模型和神经网络模型生成虚拟匹配模型。其中SVM中的参数可以由模型生成单元230通过经验简单设定，而神经网络的层数和节点个数可以由训练部件的容量接合经验来给出初值。这些预先设定的值可以由模型生成单元230根据需要在最初被改变，也可以在后续学习的过程中实时地进行调整。

支持向量机是机器学习中的线性分类器，其在解决小训练样本、非线性和高维模式识别中表现出特有的优势，可以用于监督学习（包括分类和回归）。支持向量机是一种非线性映射方法，其可以利用内机核函数代替向高维空间的非线性映射。其对特征空间的划分是以寻找最优超平面为目标，因此不涉及概率论和测度的内容。在一个实施例中，模型生成单元230可以利用支持向量机将包括“匹配（对应于值0）”、“上工装匹配（对应于值1）”和“不匹配（对应于值2）”特征的空间划分为在最优超平面两侧的两个空间，该最优超平面将特征空间中的“匹配”和“不匹配”特征最大程度地分开，然后可以根据所需要的精度和/或实际情况来将特征空间中距离最优超平面一定距离的特征标识为“上工装匹配”。

神经网络模型是模拟人脑神经元网络处理问题的方式，通过对神经元的抽象来建立的模型。例如，神经网络可以是前馈神经网络。最基本的单个神经元仅具有一个节点，该节点具有多个输入和一个输出，在该节点中对多个输入进行某种运算处理。在复杂的神经网络中，多个节点根据需要通过不同的方式和结构相连，其中每个节点代表一个神经元。像这样，每个节点具有多个输入和一个特定的输出，从而模拟人脑的记忆方式和决策方式。除了之前提及的支持向量机，神经网络同样是机器学习中的重要模型，其具有自学功能。在一个实施例中，模型生成单元230可以将多个训练部件的带有匹配度标签的尺寸数据代入到所建立的神经网络模型的对应输入中，神经网络可以根据匹配度标签来学习出多个训练部件的尺寸数据的特征，从而在之后利用这些特征对测试部件给出匹配度预测。例如，当向神经网络输入形式为“第一尺寸，第二尺寸，匹配度标签”的数据：“1cm，1cm，不匹配；1.1cm，1.5cm，不匹配；1.2cm，3cm，上工装匹配；1.3cm，1.8cm，匹配；1.4cm，2.5cm，不匹配；1.5cm，1.6cm，不匹配”这一组带有匹配度标签的数据时，神经网络通过学习可以将第一尺寸提取为对匹配度具有主要影响的数据，而可以较少考虑或不考虑第二尺寸的影响（因为从已有的数据来说，匹配度与第二尺寸没有明显关系）。后续地，当接收到的测试部件的第一尺寸在1.2cm至1.4cm之间时，可以将该测试部件的该位置判定为“匹配（对应于值0）”。由于神经网络具有高速寻找最优数值解的能力，所以在需要大量计算量的复杂的寻找最优解的情况下，利用针对特定问题而专门设计的神经网络可以较快地找到最优解。

在一个实施例中，模型生成单元230将前述SVM模型和神经网络模型的输出进行加权平均而得到虚拟匹配模型输出。模型生成单元230可以通过调节加权时分配给SVM模型输出结果和神经网络模型输出结果的权重来调整对这两个模型的输出结果的采纳比例。例如，当所处理的问题更多地依赖于神经网络模型时，模型生成单元230可以增加分配给神经网络模型的输出结果的权重，而适当减小分配给SVM模型的输出结果的权重。另外，模型生成单元230也可以通过加权平均之外的任何方式来整合上述两个模型的输出结果。例如，模型生成单元230可以对输出结果分别进行处理和调整之后再组合。在一些实施例中，模型生成单元230利用交叉核实验证、AIC（赤池信息准则）、BIC（贝叶斯信息准则）等平滑参数的选择方法来对模型中的平滑参数进行优化、对模型进行选择或者使用模型平均的方法来对几个模型组合的权重进行优化来得到虚拟匹配模型。

在一个实施例中，在利用带有匹配度标签的尺寸数据生成虚拟匹配模型之前，还由模型生成单元230对尺寸数据执行预处理操作。在一个实施例中，预处理操作包括数据的删除和/或补充和/或降维。在一个实施例中，模型生成单元230先对收集到的尺寸数据进行选择性地删除（或清洗），其中进行异常数据值得检验，从而将属于异常数据集范围内的数据删除。该异常数据集应当是根据实际测量对象而变化的，例如在表示车门厚度的数据中，大于30cm的数据被认为是异常数据，而在表示车身宽度的数据中，大于5m的数据被认为是异常数据。在另一个实施例中，模型生成单元230对数据进行补充。这是由于在数据收集阶段，如果采用光学测量的方法，则由于相机或扫描仪的角度和位置问题会出现缺失数据。在此情况下，可以使用多重随机填补的方法处理缺失数据。在又一实施例中，在测量点的个数较多的情况下，关于多个位置各存在多个数据。此时，每个位置的数据在支持向量机中是一个支持向量，而在神经网络中是一个维度，此时由于支持向量和/或维数较大，直接建模会导致模型的精度降低或者神经网络对问题进行求解的过程中出现梯度弥散问题，因此模型生成单元230可以对数据进行降维处理。在一个实施例中，模型生成单元230采用PCA（主成分分析）方法通过设定使用前r个主成分来降维。以此方式，既避免了变量之间的多重共线性，又对重要的特征进行了选择。

在一个具体实现方式中，首先采用相机或扫描仪对训练部件进行尺寸数据的采集，然后利用Hough变换来提取该训练部件的特征。

Hough变换是从图像中检测圆特征的有效方法，能够用来检测圆心坐标等信息。当尺寸数据为如上所述的三维坐标时，利用组合Hough变换（CHT）来提取圆特征。CHT是利用三维空间中的参数（例如，圆的轮廓曲线、直线的斜率和截距等）提取特征的经典方法，其将输入图像中圆的边界点映射到三维参数空间的圆锥面上。因此，通过相机或扫描仪采集的图像的空间中的每个点（x,y）通过CHT来对应于参数空间的一个圆锥，原图像上其它点也对应于参数空间的一个圆锥。如果在参数空间的三维坐标系中绘制多个圆锥体，则若干个圆锥表面通过次数最多的那个点

对应于图像空间的圆形轮廓，由此得到圆的解析表达式。

下面给出CHT的基本示例,当曲线为圆时，设其圆心坐标为（x0,y0），半径为r，则圆方程为：

（1-1）

相应于图像空间，参数空间中心（x,y）为圆心，r为半径的圆的方程为：

（1-2）

由于CHT将输入图像中圆的边界点映射到三维参数空间的圆锥面上。因此，CHT的建立了从图像平面

到三维参数空间

的映射，可以根据参数空间中的直方图统计结果同时得到圆心

和半径r。在螺孔的测量过程中，由于成像技术的观测只是一个接近圆柱的图形，因此采用CHT技术对得到的三维数据进行处理，得到圆心及半径，用于计算是否匹配。

由此，采集一个或多个车辆座舱系统的多个位置处的尺寸数据。然后，将该一个或多个车辆座舱系统与白车身进行装配，在匹配过程中可以利用光学技术对车辆座舱系统在多个位置处与白车身的匹配情况进行匹配度评估，然后将表示匹配度的标签添加到所采集的尺寸数据。如上所述，标签可以是对应于匹配、上工装匹配和不匹配的数值0、1和2。

接下来，可以对所采集的尺寸数据进行预处理。例如，可以对该数据生成概率密度函数，并将出现在小于2.5%或大于97.5%的概率处的数据认定为异常数据，并对其进行删除或调整。此处，异常数据的认定条件可以根据所需要的准确度和所要求的数据处理效果来适应性地改变，以减少后续建模过程中可能出现的问题。

在由于数据采集角度而出现数据缺失的情况下，可以进行数据的补充。如果缺失数据周围若干个已采集到的数据的相关性较大（例如，相关系数大于0.5），则可以利用已采集的数据与缺失数据的位置信息建立线性回归模型并拟合，然后利用模型中对应于缺失数据位置处的数据值来填补缺失的数据值。如果缺失数据周围若干个已采集到的数据的相关性较小（例如，相关系数小于0.5），则可以采用核方法并利用核函数来进行核概率密度函数估计，从而填补缺失的数据。

接下来可以建立基于神经网络以及支持向量机的虚拟匹配模型。在建立神经网络的过程中，可以使用总共四层神经网络（例如，前馈神经网络），其可以包括一个输入层，一个输出层和两个隐藏层。在一个实施例中，将两个隐藏层的节点个数设置为6个和8个，并可以使用sigmod激活函数，以及可以将最大迭代次数设置为10000次。

在完成虚拟匹配模型的建立之后，在可以利用该虚拟匹配模型并且基于测试部件的一个或多个位置处的尺寸数据来得到该测试部件的虚拟匹配预测结果。例如，该虚拟匹配模型可以具有至少与一个训练部件的尺寸数据的数目相同数目的输入（例如，10个、15个或20个等），则当测试部件被生产之后，可以通过光学测量方法来收集测试部件的一个或多个位置处的尺寸数据。然后，该测试部件的尺寸数据被代入虚拟匹配模型的对应输入中，在模型的输出处可以得到测试部件与目标匹配部件的对应位置的匹配度、或者可以得到该测试部件的与目标匹配部件的整体匹配程度评价。

提供本文中提出的实施例和示例，以便最好地说明按照本技术及其特定应用的实施例，并且由此使本领域的技术人员能够实施和使用本发明。但是，本领域的技术人员将会知道，仅为了便于说明和举例而提供以上描述和示例。所提出的描述不是意在涵盖本发明的各个方面或者将本发明局限于所公开的精确形式。

Claims (12)

1.一种车身部件虚拟匹配方法，其特征在于，包括下列步骤：

获取训练部件的一个或多个位置处的尺寸数据；

对所述尺寸数据添加匹配度标签，所述匹配度表示所述训练部件在所述一个或多个位置处与目标匹配部件的匹配程度；

利用带有所述匹配度标签的所述尺寸数据生成虚拟匹配模型；以及

利用所述虚拟匹配模型基于测试部件的一个或多个位置处的尺寸数据得到所述测试部件的虚拟匹配预测结果。

2.根据权利要求1所述的车身部件虚拟匹配方法，其中，所述虚拟匹配模型基于支持向量机（SVM）模型和神经网络模型。

3.根据权利要求2所述的车身部件虚拟匹配方法，其中，将所述SVM模型和所述神经网络模型的输出进行加权平均而得到所述虚拟匹配模型输出。

4.根据权利要求1至3中任一项所述的车身部件虚拟匹配方法，其中，在利用带有所述匹配度标签的所述尺寸数据生成虚拟匹配模型之前，还对所述尺寸数据执行预处理操作，所述预处理操作包括数据的删除和/或补充和/或降维。

5.根据权利要求4所述的车身部件虚拟匹配方法，其中，所述训练部件和/或所述测试部件的一个或多个位置处的尺寸数据通过光学测量的方法来获得。

6.根据权利要求5所述的车身部件虚拟匹配方法，其中，所述匹配程度包括匹配、上工装匹配和不匹配。

7.一种车身部件虚拟匹配系统，其特征在于，包括：

数据采集单元，其配置成获取训练部件的一个或多个位置处的尺寸数据；

标签生成单元，其配置成对所述尺寸数据添加匹配度标签，所述匹配度表示所述训练部件在所述一个或多个位置处与目标匹配部件的匹配程度；

模型生成单元，其配置成利用带有所述匹配度标签的所述尺寸数据生成虚拟匹配模型；以及

匹配预测单元，其配置成利用所述虚拟匹配模型基于测试部件的一个或多个位置处的尺寸数据得到所述测试部件的虚拟匹配预测结果。

8.根据权利要求7所述的车身部件虚拟匹配系统，其中，所述模型生成单元配置成基于支持向量机（SVM）模型和神经网络模型生成所述虚拟匹配模型。

9.根据权利要求8所述的车身部件虚拟匹配系统，其中，所述模型生成单元配置成将所述SVM模型和所述神经网络模型的输出进行加权平均而得到所述虚拟匹配模型输出。

10.根据权利要求7至9中任一项所述的车身部件虚拟匹配系统，其中，所述模型生成单元还配置成在利用带有所述匹配度标签的所述尺寸数据生成虚拟匹配模型之前对所述尺寸数据执行预处理操作，所述预处理操作包括数据的删除和/或补充和/或降维。

11.根据权利要求10所述的车身部件虚拟匹配系统，其中，所述数据采集单元配置成通过光学测量的方法来获得所述训练部件和/或所述测试部件的一个或多个位置处的尺寸数据。

12.根据权利要求11所述的车身部件虚拟匹配系统，其中，所述匹配程度包括匹配、上工装匹配和不匹配。

Images