CN112270402A - 一种轮胎磨损辨识模型的训练方法及系统 - Google Patents
一种轮胎磨损辨识模型的训练方法及系统 Download PDFInfo
- Publication number
- CN112270402A CN112270402A CN202011128720.8A CN202011128720A CN112270402A CN 112270402 A CN112270402 A CN 112270402A CN 202011128720 A CN202011128720 A CN 202011128720A CN 112270402 A CN112270402 A CN 112270402A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- tire wear
- identification
- image
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011176 pooling Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 41
- 238000010606 normalization Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种轮胎磨损辨识模型的训练方法及系统,通过不同的原始辨识模型分别对磨损图像进行识别,将识别准确率更高的模型作为基础辨识模型;在基础辨识模型的基础上以卷积层数、卷积核数、优化器模型分别做为单个影响因子进行单独考察,通过不断调整,对多个辨识模型辨识结果进行对比,在每次调整后以识别率更高的模型作为基础辨识模型进行再次优化,同时,以得到的模型卷积层数确定模型池化层数,使每个卷积层后均对应的设置有池化层,防止出现过拟合,增加池化层后,能够提供图像平移和旋转的不变性,极大的提高了轮胎磨损识别率。
Description
技术领域
本发明涉及汽车安全技术领域,特别涉及一种轮胎磨损辨识模型的训练方法及系统。
背景技术
现阶段,车辆爆胎仍然是威胁行车安全的重大隐患,现有技术中较为普遍的做法是通过对车胎胎压、车胎温度进行实时监测,当胎压、车胎温度达到一定的范围后,对驾驶员进行提醒,提前采取相应的措施避免因突然爆胎造成行车事故,但是这种方法没有考虑轮胎使用寿命、磨损、扎钉子、鼓包等各种实际中遇到的复杂情况,不能有效对爆胎的可能性发出预警。随着智能化技术的发展,越来越多的先进技术应用于对车辆轮胎的监控中,例如百度在线网络技术(北京)有限公司在申请号为CN201910933246.7的专利申请中就将图像识别技术引入到车辆爆胎预警方法中,通过采集轮胎图像进行磨损程度分析,进而提出预警。当前,通过图像识别模型进行轮胎磨损分析是比较先进的研究方法,行业内也建立了多种轮胎磨损辨识模型,但是,如何进一步通过训练使现有的辨识模型更加准确是值得研究的问题。
发明内容
为了解决上述问题,本发明的目的是提供一种辨识模型的训练方法及系统,并给出优化后的辨识模型,能够具备较高的磨损识别率。
一种轮胎磨损辨识模型的训练方法;包括以下步骤:
S1:获取轮胎磨损图像,对轮胎磨损图像进行处理,得到轮胎磨损样本图像;具体地,获取的轮胎磨损图像包括:轮胎胎面磨损图像、胎肩或者轮胎侧面的磨损图像;
S2:通过不同的原始辨识模型分别对磨损图像进行识别,将识别准确率更高的模型作为基础辨识模型;
S3:在基础辨识模型的基础上以卷积层数为单一变量进行模型调整,采用不同的卷积层数模型分别对轮胎磨损处理图像进行识别,将识别准确率更高的模型作为训练模型;
S4:在上述获得的训练模型的基础上以卷积核数为单一变量进行模型调整,采用包含不同卷积核数的模型分别对轮胎磨损处理图像进行识别,选取识别准确率更高的模型作为新的训练模型;
S5:以S4中得到的新的训练模型中的卷积层数为标准,确定模型池化层数,得到新的训练模型;
S6:在上述获得的训练模型的基础上匹配不同的优化器模型继续优化训练模型,采用不同优化器模型分别对轮胎磨损处理图像进行识别,将识别准确率更高的模型作为最终识别模型。
进一步,对轮胎磨损图像进行处理,包括:
对所述轮胎磨损图像进行灰度化,得到各像素点的灰度值;
对各像素点的灰度值进行归一化处理。
在调整第三辨识模型的优化器模型中,可选的,优化器模型包括AdaGrad优化器、SGD优化器、Momentum优化器、Adam优化器。
一种轮胎磨损辨识模型训练系统,包括:
图像处理模块,用于对轮胎磨损图像进行处理,得到轮胎磨损样本图像;
第一训练单元,通过不同的原始辨识模型分别对轮胎磨损样本图像进行识别,获取识别率更高的模型作为基础辨识模型;
第二训练单元,以卷积层数为单一变量,调整第一训练单元获取的基础辨识模型中的卷积层数,以识别率更高的卷积层模型作为继续训练模型;
第三训练单元,以卷积核数为单一变量,调整第二训练单元获取的训练模型中的卷积核数,以识别率更高的卷积核模型作为继续训练模型;
第四训练单元,以模型卷积层数确定模型池化层数,匹配不同的优化器模型继续优化训练模型,采用不同优化器模型分别对轮胎磨损处理图像进行识别,将识别准确率更高的模型作为最终识别模型。
本发明的有益效果是:本发明方法在行业内现有模型的基础上,将卷积层数、卷积核数、优化器模型分别做为单个影响因子进行单独考察,通过不断调整,对多个辨识模型辨识结果进行对比,在每次调整后以识别率更高的模型作为基础辨识模型进行再次优化,极大的提高了轮胎磨损识别率。增加池化层,且使每个卷积层后均对应的设置有池化层,防止出现过拟合,能够提供图像平移和旋转的不变性,有利于进一步增加模型辨识准确性。
附图说明
图1为本发明的模型训练步骤示意图。
具体实施方式
以下将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明方法的一部分实施例,而不是全部的实施例。基于本方法的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提出的一种轮胎磨损辨识模型的训练方法;包括以下步骤:
S1:获取轮胎磨损图像,对轮胎磨损图像进行处理,得到轮胎磨损样本图像;
具体地,获取的轮胎磨损图像包括:轮胎胎面磨损图像、胎肩或者轮胎侧面的磨损图像。
S2:通过不同的原始辨识模型分别对磨损图像进行识别,将识别准确率更高的模型作为基础辨识模型;
所述的原始辨识模型是基于现有的AlexNet、ResNet和GoogLeNet三种模型结构训练得到的。
S3:在基础辨识模型的基础上以卷积层数为单一变量进行模型调整,采用不同的卷积层数模型分别对轮胎磨损处理图像进行识别,将识别准确率更高的模型作为训练模型。
S4:在S3获得的训练模型的基础上以卷积核数为单一变量进行模型调整,采用包含不同卷积核数的模型分别对轮胎磨损处理图像进行识别,选取识别准确率更高的模型作为新的训练模型。
S5:以S4中得到的新的训练模型中的卷积层数为标准,确定模型池化层数,使模型池化层数与卷积层数相同,得到新的训练模型。
S6:在上述获得的训练模型的基础上匹配不同的优化器模型继续优化训练模型,采用不同优化器模型分别对轮胎磨损处理图像进行识别,将识别准确率更高的模型作为最终识别模型。
进一步地,在步骤S1中,对轮胎磨损图像样本进行增益处理,具体为:在一定阙值范围内,在图像中每个像素的R、G、B值上分别加上对应数值,进行样本数据增益,实现样本加扰。
在步骤S1中,对轮胎磨损图像进行进一步处理,包括:
对所述轮胎磨损图像进行灰度化,得到各像素点的灰度值;
对各像素点的灰度值进行归一化处理。
在调整第三辨识模型的优化器模型中,可选的,优化器模型包括AdaGrad优化器、SGD优化器、Momentum优化器、Adam优化器。
另一方面,本发明还提出了一种用于轮胎磨损辨识模型的训练系统,包括:
图像处理模块,用于对轮胎磨损图像进行处理,得到轮胎磨损样本图像;包括对样本的增益处理、对所述轮胎磨损图像进行灰度化,得到各像素点的灰度值并对各像素点的灰度值进行归一化处理;
第一训练单元,通过多个原始辨识模型分别对轮胎磨损样本图像进行识别,获取识别率更高的模型作为基础辨识模型;
第二训练单元,以卷积层数为单一变量,调整第一训练单元获取的基础辨识模型中的卷积层数,以识别率更高的卷积层模型作为继续训练模型;
第三训练单元,以卷积核数为单一变量,调整第二训练单元获取的训练模型中的卷积核数,以识别率更高的卷积核模型作为继续训练模型;
第四训练单元,以模型卷积层数确定模型池化层数,匹配不同的优化器模型继续优化训练模型,采用不同优化器模型分别对轮胎磨损处理图像进行识别,将识别准确率更高的模型作为最终识别模型。
进一步,所述图像处理模块包括:
样本调整模块,进行样本数据增益,实现样本加扰;
灰度处理模块,用于对增益后的所有样本图像进行灰度处理,对各像素点的灰度值进行归一化处理。
实施例一
本实施例中所采用的基础模型是AlexNet、ResNet和GoogLeNet三种卷积神经网络结构模型。其中,AlexNet模型对局部神经元的活动创建竞争机制,使得其中响应比较大的值变得相对更大,并抑制其他反馈较小的神经元,增强了模型的泛化能力。模型使用重叠的最大池化,避免平均池化的模糊化效果,提升了特征的丰富性。
ResNet模型能够通过残差学习解决模型梯度弥散和性能退化的问题,模型存在明显层级,特征图个数层层递进,能够保证输出特征的表达能力,有利于训练出更深的学习网络,提高模型输出精度。同时模型没有使用dropout,利用BM和全局平均池化进行正则化,能够加快训练速度。
GoogLeNet克服了传统的网络训练结构中多参数、多层数结构不易训练,容易造成参数冗余的弊端,该模型结构将各层连接稀疏化,保留了卷积层的张量数据结构,在保证数据精度的前提下,降低数据冗余,提高稀疏卷积的运算效率。
上述三种模型各具特点,通过不同的运算方法提高模型输出数据的准确性,但是,在同一种辨识模型下对不同的辨识对象进行辨识时,其辨识率也具备一定的差异性,例如在上述三种模型中,对道路信息辨识度较高的模型并不意味着对轮胎磨损信息辨识度高,因此,究竟哪一种模型能够更好的反应出轮胎这一特定目标对象的磨损情况,需要通过训练后,观察样本的辨识结果。
在对基础模型进行对比训练的时,根据轮胎磨损程度的不同,分别对一级磨损轮胎取样3000张,二级磨损轮胎取样3000张,三级磨损轮胎取样3000张,共计获得9000张基础样本,通过进行样本增益,实现样本扩充和加扰,每个基础样本得到4张噪声样本,因此,每张图片形成5个训练样本,共形成45000个训练样本。采用ReLU激活函数,所有1×1卷积降维也使用Relu激活函数,经过5000步训练后,AlexNet模型中的磨损等级识别准确率为77.91%,ResNet模型中的磨损等级识别准确率为78.30%,而GoogLeNet中的识别率为79.16%,因此,第一辨识模型采用识别准确率更高的GoogLeNet模型。
具体地,在前述的样本增益中,可采用如下方法:
在图像中每个像素的R、G、B值上分别加上对应数值,进行样本加扰及扩充,其中对应数值的确定方法可根据如下公式:
[p1,p2,p3][α1λ1,α2λ2,α3λ3]T
其中,P1、P2、P3分别对应样本图像中R、G、B的值,λ1、λ2、λ3分别表示样本图像中R、G、B的特征值,α1、α2、α3是在区间(0,0.1)中根据高斯分布采样得到的随机值。样本数据增益的目的是使模型输出结果不随着轮胎光照强度和颜色而改变,降低模型识别错误率。本领域技术人员也可通过其他方法进行样本增益,不做限制。
灰度处理模块,用于对样本图像进行灰度处理,对各像素点的灰度值进行归一化处理。
以GoogLeNet模型为第一辨识模型,对训练样本进行零均值化的预处理操作,现阶段,GoogLeNet模型一般的采用5段卷积,其中Inception层包含2-4个卷积层,在GoogLeNet模型中,每一层Inception输出的隐含筛选数量将是分支所有筛选数量的和,经过多层之后,最终模型的数量将会变得巨大,且容易出现过拟合现象,因此,在不损失模型特征表示能力的前提下,考虑尽量减少隐含筛选的数量,即降低隐含节点数量。根据模拟中的实验结果,当选取节点数为712时,模型识别率为77.24%,当选取节点数为468时,模型准确识别率为80.13%,当选取节点数为292时,模型准确识别率为82.06%,可以看出,随着节点数的减少,准确识别率明显提高。由于节点数不可能无限制的减少,并且当节点数减小到一定程度后,识别效果会趋于不变,根据识别结果发现,当节点数在180时,其识别率为83.12%,当节点数在120时,其识别率约为83.19%,当节点数为100时,其识别率约为83.20%,当节点数小于100时,其总体识别率变化幅度不超过0.1%,因此,考虑到数据安全和识别效果,选取的较为安全的节点数范围为120-180之间。
调整不同的卷积层数确定相应的辨识模型,现有的模型中,一般的卷积层数为13层,因此,在本方法中,以13层为基准,分别选取小于13层的两组和大于13层的三组辨识模型作为对比,判断相应的模型识别情况,最终选取卷积层数分别为9层、11层、13层、15层、17层、19层的模型进行对比。其对应的磨损识别准确率如表1所示。
表1
由表中测试结果发现,在卷积层为15层时,模型的识别率达到最高,随着卷积层的进一步增加,识别效果反而下降,因此,本方法中最终选择具有15层卷积层的模型结构。
对卷积核数进行调整,通过增加卷积核数,进行识别效果的比较,通过迭代5000步,观察相应模型的辨识效果,本方法在对卷积核数调整的过程中,除第一段及第二段卷积层卷积核数保持不变外,其他分段卷积核数均应进行调整,在方法中随机选取第三段卷积层的卷积核数调整为例,且以现有模型中的512-512-512卷积核数量为基准,选择一组大于现有卷积核数量的模型和两组小于现有卷积核数量的模型,即选取612-612-612、256-256-256、356-356-356,三组作为对照组,得到的相应的识别率85.64%、87.92%、86.44%,其中现有模型512-512-512卷积核数量的模型识别率为85.97%,因此采用卷积核数为256-256-256的辨识模型。
进一步地,在模型中增加池化层,根据前述确定的卷积层数确定池化层数,使池化层数与模型中卷积层数相等,从而使每个卷积层后均对应的设置有池化层,防止出现过拟合。增加池化层后,能够提供图像平移和旋转的不变性,即使图像平移或旋转若干像素,得到的输出值也基本相同,有利于增加辨识准确性。
调整优化器选择,在不同优化器下其辨识结果如表2所示:
优化器类型 | AdaGrad | SGD | Adam | Momentum |
收敛步数 | 4200 | 8400 | 8700 | 8600 |
识别准确率 | 68.78% | 83.57% | 83.05% | 78.94% |
表2
根据测试结果发现,AdaGrad优化器收敛速度较快,但是准确度下降,是因为AdaGrad的噪音较多,使得其计算过程中并不是每次迭代都向着整体最优化方向,得到的最终结果并不是全局最优。Momentum优化器与SGD优化器在收敛步数相差不大的情况下,其识别率远远低于SGD优化器,而Adam优化器与SGD优化器在识别率基本相同的情况下,其收敛步数更多,因此最终选择SGD优化器。
以上实施例描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种轮胎磨损辨识模型的训练方法,其特征是,包括以下步骤:
S1:获取轮胎磨损图像,对轮胎磨损图像进行处理,得到轮胎磨损样本图像;
S2:通过不同的原始辨识模型分别对磨损图像进行识别,将识别准确率更高的模型作为基础辨识模型;
S3:在基础辨识模型的基础上以卷积层数为单一变量进行模型调整,采用不同的卷积层数模型分别对轮胎磨损处理图像进行识别,将识别准确率更高的模型作为训练模型;
S4:在S3获得的训练模型的基础上以卷积核数为单一变量进行模型调整,采用包含不同卷积核数的模型分别对轮胎磨损处理图像进行识别,选取识别准确率更高的模型作为新的训练模型;
S5:以S4中得到的新的训练模型中的卷积层数为标准,确定模型池化层数,得到新的训练模型;
S6:在S5中获得的训练模型的基础上匹配不同的优化器模型继续优化训练,采用不同优化器模型分别对轮胎磨损处理图像进行识别,将识别准确率更高的模型作为最终识别模型。
2.根据权利要求1所述的轮胎磨损辨识模型的训练方法,其特征是,所述的S1中对轮胎磨损图像进行处理,具体包括:
在一定阙值范围内,对样本图像进行增益,样本增益的方法为:
在获取的图像中每个像素的R、G、B值上分别加上对应数值,进行样本加扰及扩充;所述的对应数值计算公式为:
[p1,p2,p3][α1λ1,α2λ2,α3λ3]T
其中,P1、P2、P3分别对应样本图像中R、G、B的值,λ1、λ2、λ3分别表示样本图像中R、G、B的特征值,α1、α2、α3是在区间(0,0.1)中根据高斯分布采样得到的随机值。
3.根据权利要求1所述的轮胎磨损辨识模型的训练方法,其特征是,所述的S1中对轮胎磨损图像进行处理,具体还包括:
对所述轮胎磨损图像进行灰度化,得到各像素点的灰度值;
对各像素点的灰度值进行归一化处理。
4.根据权利要求1所述的轮胎磨损辨识模型的训练方法,其特征是,所述的原始辨识模型基于AlexNet、ResNet和GoogLeNet三种不同的训练模型训练得到。
5.根据权利要求1所述的轮胎磨损辨识模型的训练方法,其特征是,所述的S5中,模型池化层数与卷积层数相同。
6.根据权利要求1所述的轮胎磨损辨识模型的训练方法,其特征是,所述的S6中,优化器模型包括AdaGrad优化器、SGD优化器、Momentum优化器、Adam优化器。
7.一种轮胎磨损辨识模型的训练系统,包括:
图像处理模块,用于对轮胎磨损图像进行处理,得到轮胎磨损样本图像;
第一训练单元,通过多个原始辨识模型分别对轮胎磨损样本图像进行识别,获取识别率更高的模型作为基础辨识模型;
第二训练单元,以卷积层数为单一变量,调整第一训练单元获取的基础辨识模型中的卷积层数,以识别率更高的卷积层模型作为继续训练模型;
第三训练单元,以卷积核数为单一变量,调整第二训练单元获取的训练模型中的卷积核数,以识别率更高的卷积核模型作为继续训练模型;
第四训练单元,以模型卷积层数确定模型池化层数,匹配不同的优化器模型继续优化训练模型,采用不同优化器模型分别对轮胎磨损处理图像进行识别,将识别准确率更高的模型作为最终识别模型。
8.根据权利要求7所述的一种轮胎磨损辨识模型的训练系统,其特征是,所述图像处理模块包括:
样本调整模块,进行样本数据增益,实现样本加扰;
灰度处理模块,用于对样本图像进行灰度处理,对各像素点的灰度值进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011128720.8A CN112270402A (zh) | 2020-10-20 | 2020-10-20 | 一种轮胎磨损辨识模型的训练方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011128720.8A CN112270402A (zh) | 2020-10-20 | 2020-10-20 | 一种轮胎磨损辨识模型的训练方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270402A true CN112270402A (zh) | 2021-01-26 |
Family
ID=74342645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011128720.8A Pending CN112270402A (zh) | 2020-10-20 | 2020-10-20 | 一种轮胎磨损辨识模型的训练方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270402A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255847A (zh) * | 2021-07-08 | 2021-08-13 | 山东捷瑞数字科技股份有限公司 | 一种基于生成对抗网络的轮胎磨损程度预测方法 |
CN114372512A (zh) * | 2021-12-20 | 2022-04-19 | 北京科基佳德智能技术有限公司 | 一种基于卷积神经网络的轮胎外壁完好程度的识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
CN110059751A (zh) * | 2019-04-19 | 2019-07-26 | 南京链和科技有限公司 | 一种基于机器学习的胎码和轮胎状态识别方法 |
CN110648324A (zh) * | 2019-09-29 | 2020-01-03 | 百度在线网络技术(北京)有限公司 | 车辆爆胎预警方法、装置以及计算机设备 |
CN110945337A (zh) * | 2017-08-10 | 2020-03-31 | 株式会社普利司通 | 轮胎图像识别方法和轮胎图像识别装置 |
CN111325146A (zh) * | 2020-02-20 | 2020-06-23 | 吉林省吉通信息技术有限公司 | 一种货车车型和轴型识别方法和系统 |
-
2020
- 2020-10-20 CN CN202011128720.8A patent/CN112270402A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110945337A (zh) * | 2017-08-10 | 2020-03-31 | 株式会社普利司通 | 轮胎图像识别方法和轮胎图像识别装置 |
CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
CN110059751A (zh) * | 2019-04-19 | 2019-07-26 | 南京链和科技有限公司 | 一种基于机器学习的胎码和轮胎状态识别方法 |
CN110648324A (zh) * | 2019-09-29 | 2020-01-03 | 百度在线网络技术(北京)有限公司 | 车辆爆胎预警方法、装置以及计算机设备 |
CN111325146A (zh) * | 2020-02-20 | 2020-06-23 | 吉林省吉通信息技术有限公司 | 一种货车车型和轴型识别方法和系统 |
Non-Patent Citations (1)
Title |
---|
方志军 等著: "《TensorFlow应用案例教程》", 机械工业出版社, pages: 15 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255847A (zh) * | 2021-07-08 | 2021-08-13 | 山东捷瑞数字科技股份有限公司 | 一种基于生成对抗网络的轮胎磨损程度预测方法 |
CN114372512A (zh) * | 2021-12-20 | 2022-04-19 | 北京科基佳德智能技术有限公司 | 一种基于卷积神经网络的轮胎外壁完好程度的识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101426B (zh) | 基于自编码器的无监督学习图像异常检测方法 | |
CN109086824B (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
CN112270402A (zh) | 一种轮胎磨损辨识模型的训练方法及系统 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN110689526B (zh) | 基于视网膜眼底图像的视网膜血管分割方法及系统 | |
CN111126332A (zh) | 基于轮廓特征的跳频信号分类方法 | |
CN113705407B (zh) | 基于时频残差神经网络的变转速下轴裂纹的故障诊断方法 | |
CN112633132A (zh) | 基于二维振动图像增强的轴承故障诊断方法及系统 | |
CN108596044B (zh) | 基于深度卷积神经网络的行人检测方法 | |
CN114821314A (zh) | 基于机器视觉的机场路面异常检测方法 | |
CN114926680A (zh) | 一种基于AlexNet网络模型的恶意软件分类方法及系统 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN111815563A (zh) | 一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法 | |
CN117557922A (zh) | 改进YOLOv8的无人机航拍目标检测方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
CN114372926A (zh) | 一种基于图像修复与卷积神经网络的中医舌质老嫩识别方法 | |
CN113989256A (zh) | 遥感图像建筑物的检测模型优化方法及检测方法、装置 | |
CN117516939A (zh) | 基于改进EfficientNetV2的轴承跨工况故障检测方法及系统 | |
CN117110446A (zh) | 识别车轴疲劳裂纹声发射信号方法 | |
CN111091554A (zh) | 铁路货车摇枕断裂故障图像识别方法 | |
CN112801955B (zh) | 种群分布不平衡条件下的浮游生物检测方法 | |
CN115761467A (zh) | 一种基于高低频特征差分金字塔神经网络的水下目标检测方法 | |
CN114862803A (zh) | 一种基于快速傅里叶卷积的工业图像异常检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210126 |