CN117671381A - 一种基于高光谱成像技术的车辆损伤检测方法 - Google Patents
一种基于高光谱成像技术的车辆损伤检测方法 Download PDFInfo
- Publication number
- CN117671381A CN117671381A CN202311709287.0A CN202311709287A CN117671381A CN 117671381 A CN117671381 A CN 117671381A CN 202311709287 A CN202311709287 A CN 202311709287A CN 117671381 A CN117671381 A CN 117671381A
- Authority
- CN
- China
- Prior art keywords
- image
- hyperspectral
- damage
- noise
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000006378 damage Effects 0.000 title claims abstract description 37
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000926 separation method Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 22
- 238000003702 image correction Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 239000003973 paint Substances 0.000 abstract description 5
- 238000000691 measurement method Methods 0.000 abstract 1
- 238000000513 principal component analysis Methods 0.000 abstract 1
- 239000002344 surface layer Substances 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及汽车检测技术领域,具体涉及一种基于高光谱成像的汽车损伤检测方法。本发明利用高光谱成像技术,使用高光谱相机扫描整个车辆表面,生成包含每个像素点光谱信息的完整图像,同时捕捉到车辆表面的多个区域,提供面层次的详细信息,通过黑白校正去除由于暗电流的存在造成的干扰,通过最小噪声分离方法去噪去除噪声的影响,利用PCA主成成分分析将高光谱立方体数据进行降维,去除冗余信息,将降维后的主成分输入到预训练好的语义分割网络中进行处理,完成检测。相比较于传统基于视觉与基于漆膜仪等检测方法,本发明提供了一种客观的测量方法可以从面层次更快速、更有效地识别和评估汽车损伤,提高了传统检测的效率与准确性。
Description
技术领域
本发明涉及车辆检测技术领域,更具体地说,本发明涉及一种基于高光谱成像技术的车辆损伤检测方法。
背景技术
车辆损伤检测在确保行驶安全性、汽车二手车交易、保险业务、以及汽车维修与检测方面有着重要的意义。首先,从车辆的行驶安全性的角度来看,损伤检测对于确认车辆的结构和功能完整性至关重要,无论是轻微的划痕还是严重的车身变形,及时的诊断和修复可以预防潜在的安全风险,确保驾驶者和乘客的安全,特别是在极端气候和恶劣道路条件下,未经检测的损伤可能会加剧,导致意外事故的发生。在汽车二手车交易中,准确的损伤报告可以为买卖双方提供透明的车辆状况信息,增加交易的信任度,不仅有助于买家做出明智的购车决策,也为卖家确保合理的车辆估价。在保险业中,损伤检测是处理车辆事故和索赔过程中的关键环节,准确的损伤评估有助于保险公司确定赔偿金额,公正处理索赔案件。此外,通过历史损伤数据分析,保险公司还可以优化其风险评估模型,调整保险费率,提高业务效率。在汽车维修与检测领域,损伤检测技术的进步极大提高了维修工作的准确性和效率,提高了车辆维护的整体质量。此技术的应用范围包括但不限于汽车保险业、车辆维修和检测、以及二手车交易。
现有的车辆损伤检测方法可分为直接观察法、超声波检测法、漆膜仪法等。直接观察法主要是依靠技术人员对车辆的外观直接进行观察,适用于一些较为明显的损伤,如擦伤、凹陷等,此方法过于技术人员的经验,检测速度慢,并且对技术人员的素质有较高要求;超声波检测法利用超声波在材料中的传播特性来评估金属或其他硬质材料的内部裂纹或缺陷,其高端设备较为昂贵,在航空和重工业中非常普遍,但不适用于多数车辆检测场景及小型企业;漆膜仪法是一种用于测量汽车车身或其他被涂物上漆膜厚度的方法,这种方法可以用于评估车辆的漆面状况,如确定车辆是否经过重涂或修补等,但是此种方法只能实现点对点的检测,对于检测点的选取只能凭借技术人员的经验,无法进行快速的全车检测。
发明内容
为了解决上述现有技术所存在的缺陷,本发明提出了一种基于高光谱成像技术的车辆损伤检测方法。
本发明提出的一种基于高光谱成像技术的车辆损伤检测方法,包括:图像采集模块、图像预处理模块、分析模块、数据库和显示模块;
所述图像采集模块用于通过高光谱相机对车辆的外表面进行拍摄,并将所获取的图像信息发送图像预处理模块;
所述图像预处理模块用于对图像进行预处理获得可正确反映待检测物体的光谱特性和更加清晰的图像,然后将经过预处理后的图像传输至分析模块;
所述分析模块主要由语义分割网络构成,包括特征提取器、分类器和上采样模块三个部分,其末端连接数据库以及显示模块。
所述数据库包含有车辆在不同损伤类型下的高光谱图像数据。
所述显示模块将语义分割后的结果显示在屏幕上。
进一步的,所述图像预处理模块具体由图像校正单元、图像去噪单元和图像降维单元组成,其中,图像校正单元用于进行图像校正处理,消除由传感器本身或环境条件引起的潜在偏差;图像去噪单元用于对图像进行去噪处理,以提高图像质量,使数据更加清晰可靠;图像降维单元用于对原始高光谱图像进行降维,提高分类精度的同时降低运行负荷。
进一步的,所述分析模块的语义分割网络本发明使用FCN网络。
进一步的,所述数据库具体由数据单元与存储单元组成。数据单元用于存储用于训练语义分割的车辆在不同损伤类型的高光谱数据,存储单元用于存储检测系统检测完成后上传的语义分割的结果。
本发明提出的一种基于高光谱成像技术的车辆损伤检测方法,包括以下步骤:
S1:图像采集
通过图像采集模块对车辆不同方向外表面进行拍摄,得到原始的高光谱图像;并将采集到的原始高光谱图像发送到图像预处理模块中,对采集到的高光谱图像进行预处理;
S2:图像预处理
对步骤一中所采集到的原始高光谱图像进行预处理,包括:对图像进行图像校正处理,消除由传感器本身或环境条件引起的潜在偏差;对图像进行去噪处理,得到更加完好清晰的光谱图像;
步骤二中优选地,图像校正采用黑白校正方法,校正传感器的暗电流噪声。图像去噪的方法采用最小噪声分离法进行降噪预处理,提高图像的质量。图像降维的方法采用PCA降维。
S3:图像分割
将降维后的三个主成分输入进预训练好的语义分割网络进行图像分割,对于不同类型的损伤给予不同的标签,检测结果输入给显示模块以及数据库。
S4:图像显示
将步骤三分割好的图像显示出来,并且不同的损伤类型及其不同的损伤程度用不同颜色表明。
附图说明
图1为车辆损伤检测方法的整体模块示意图;
图2为车辆损伤检测方法的模块单元示意图。
具体实施方式
本发明提出的一种基于高光谱成像技术的车辆损伤检测方法,包括:图像采集模块、图像预处理模块、分析模块、数据库和显示模块,如图1和图2所示。
所述图像预处理模块的输出端连接分析模块,所述分析模块的输入端还连接数据库;所述数据库包含有光谱数据库单元和数据提取单元;
所述图像采集模块用于通过高光谱相机对车辆的外表面进行拍摄,并将所获取的图像信息发送图像预处理模块;
所述图像预处理模块用于对图像的预处理获得可正确反映待检测物体的光谱特性和更加清晰的图像,然后将经过预处理后的图像传输至分析模块;
所述分析模块主要由语义分割网络构成,包括特征提取器与分类器两个部分,其末端连接数据库以及显示模块。
所述数据库包含有车辆在不同损伤下的高光谱图像数据。
所述显示模块将语义分割后的结果显示在屏幕上。
进一步的,所述图像预处理模块具体由图像校正单元、图像去噪单元和图像降维单元组成,其中,图像校正单元用于进行图像校正处理,消除由传感器本身或环境条件引起的潜在偏差;图像去噪单元用于对图像进行去噪处理,以提高图像质量,使数据更加清晰可靠;图像降维单元用于对原始高光谱图像进行降维,提高分类精度的同时降低运行负荷。
进一步的,所述分析模块的语义分割网络本发明使用FCN网络。
进一步的,所述数据库具体由数据单元与存储单元组成。数据单元用于存储用于训练语义分割的车辆在不同损伤类型的高光谱数据,存储单元用于存储检测系统检测完成后上传的语义分割的结果。
本发明提出的一种基于高光谱成像技术的车辆损伤检测方法,包括以下步骤:
S1、语义分割网络训练
根据数据库中车辆不同损伤类型的高光谱数据对构建好的语义分割网络进行训练。
S2、图像采集
通过图像采集模块对车辆不同方向外表面进行拍摄,得到原始的高光谱图像;并将采集到的原始高光谱图像发送到图像预处理模块中,对采集到的高光谱图像进行预处理。
S3、图像预处理
对步骤一中所采集到的原始高光谱图像进行预处理,包括:对图像进行图像校正处理,消除由传感器本身或环境条件引起的潜在偏差;对图像进行去噪处理,得到更加完好清晰的光谱图像。
步骤二中优选地,图像校正采用黑白校正方法,校正传感器的暗电流噪声。图像去噪的方法采用最小噪声分离法进行降噪预处理,提高图像的质量。图像降维的方法采用PCA降维。
S4、图像分割
将降维后的三个主成分输入进预训练好的语义分割网络进行图像分割,不同类型的损伤类型给予不同的标签,检测结果输入给显示模块以及数据库。
S5、图像显示
将步骤三分割好的图像显示出来,并且不用的损伤类型及其程度用不同颜色表明。
进一步的,所述步骤一的语义分割网络为FCN网络,FCN中选用了VGG16作为信息提取模块的backbone,分类模块中将全连接层换为了卷积层,分类模块后增加了三个上采样层将特征图恢复到原始图片的大小实现原图像的像素级别分类。
进一步的,所述步骤二具体为:由图像采集模块中的高光谱相机进行光谱图像采集,并且将采集到的高光谱图像传输到图像预处理模块中中,对图像进行去噪、校正以及降维操作。
进一步的所述步骤三具体为:通过光谱图像预处理模块中的图像校正单元对图像进行校正,通过图像去噪单元对图像进行去噪,通过图像降维单元对高光谱图像进行降维。
S301、图像校正采用黑白校正方法,得到高光谱反射率的图像。公式如下:
其中R表示最终获得的高光谱反射率图像,S表示直接采集得到的原始高光谱样本图像,D表示系统暗电流存在情况下的参考图像,W表示标准白板的参考图像。
S302、图像去噪方法采用最小噪声分离法进行降噪预处理,通过高通滤波器模板对数据X进行分离,得到噪声XN与信号XS,则有:
X=XN+XS
通过最大化信号协方差与噪声协方差得比值,得到变换矩阵V。
式中,YN和YS分别为变换后数据的噪声和信号,CN和CS分别为数据的噪声和信号的协方差,此优化问题可等价为:
式中,C表示数据的总体协方差,C=Cov(X),C=CN+CS。根据拉格朗日乘子法最优解为:
CV=λCNV
取前d个最大特征值对应的特征向量,构建转换矩阵为:
V=[V1,V2…,Vd]
S303、采用PCA降维去除高光谱数据中冗余信息,假设有M个样本,HM×N×L为每个样本高光谱数据,其中M,N代表单个波段图像的长度,L代表总的波段数目。Xi=(X1,X2…,XL),代表不同得波段图像。首先对所有波段去均值,重新得到一组新的特征:
求其协方差矩阵:
其中,每个协方差按照下式计算:
按照下式求C的特征值与特征向量:
Cu-λu=0
其中λ为所求解特征值,u为λ所对应的特征向量;
选择最大的前k个特征值与其对应的k个特征向量,将这k个特征向量当作新的投影轴,得到降维后的新的k维特征。对于每一个样本,其新的特征可由下式计算:
Claims (1)
1.一种基于高光谱成像技术的车辆损伤检测方法,其特征主要有:
S1、语义分割网络训练
根据数据库中车辆不同损伤类型的高光谱数据对构建好的语义分割网络进行训练;
S2、图像采集
通过图像采集模块对车辆不同方向外表面进行拍摄,得到原始的高光谱图像;并将采集到的原始高光谱图像发送到图像预处理模块中,对采集到的高光谱图像进行预处理;
S3、图像预处理
对所采集到的原始高光谱图像进行预处理,包括:对图像进行图像校正处理,消除由传感器本身或环境条件引起的潜在偏差;对图像进行去噪处理,得到更加完好清晰的光谱图像;图像校正采用黑白校正方法,校正传感器的暗电流噪声;图像去噪的方法采用最小噪声分离法进行降噪预处理,提高图像的质量;图像降维的方法采用PCA降维;
S301、图像校正采用黑白校正方法,得到高光谱反射率的图像;公式如下:
其中R表示最终获得的高光谱反射率图像,S表示直接采集得到的原始高光谱样本图像,D表示系统暗电流存在情况下的参考图像,W表示标准白板的参考图像;
S302、图像去噪方法采用最小噪声分离法进行降噪预处理,通过高通滤波器模板对数据X进行分离,得到噪声XN与信号XS,则有:
X=XN+XS
通过最大化信号协方差与噪声协方差得比值,得到变换矩阵V;
式中,YN和YS分别为变换后数据的噪声和信号,CN和CS分别为数据的噪声和信号的协方差,此优化问题可等价为:
式中,C表示数据的总体协方差,C=Cov(X),C=CN+CS;根据拉格朗日乘子法最优解为:
CV=λCNV
取前d个最大特征值对应的特征向量,构建转换矩阵为:
V=[V1,V2…,Vd]
S303、采用PCA降维去除高光谱数据中冗余信息,假设有M个样本,HM×N×L为每个样本高光谱数据,其中M,N代表单个波段图像的长度,L代表总的波段数目;Xi=(X1,X2…,XL),代表不同得波段图像;首先对所有波段去均值,重新得到一组新的特征:
求其协方差矩阵:
其中,每个协方差按照下式计算:
按照下式求C的特征值与特征向量:
Cu-λu=0
其中λ为所求解特征值,u为λ所对应的特征向量;
选择最大的前k个特征值与其对应的k个特征向量,将这k个特征向量当作新的投影轴,得到降维后的新的k维特征;对于每一个样本,其新的特征可由下式计算:
S4、图像分割
将降维后的三个主成分输入进预训练好的语义分割网络进行图像分割,不同类型的损伤类型给予不同的标签,检测结果输入给显示模块以及数据库;
S5、图像显示
将分割好的图像显示出来,并且不用的损伤类型及其程度用不同颜色表明。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709287.0A CN117671381A (zh) | 2023-12-12 | 2023-12-12 | 一种基于高光谱成像技术的车辆损伤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709287.0A CN117671381A (zh) | 2023-12-12 | 2023-12-12 | 一种基于高光谱成像技术的车辆损伤检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117671381A true CN117671381A (zh) | 2024-03-08 |
Family
ID=90067990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311709287.0A Pending CN117671381A (zh) | 2023-12-12 | 2023-12-12 | 一种基于高光谱成像技术的车辆损伤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671381A (zh) |
-
2023
- 2023-12-12 CN CN202311709287.0A patent/CN117671381A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11080841B1 (en) | Systems and methods for machine-assisted vehicle inspection | |
US11836967B2 (en) | Method and device for small sample defect classification and computing equipment | |
EP1430446B1 (en) | Image processing method for appearance inspection | |
US20200111061A1 (en) | Apparatus and Method for Combined Visual Intelligence | |
CN107665348B (zh) | 一种变电站数字仪表的数字识别方法和装置 | |
CN113971660B (zh) | 桥梁健康诊断的计算机视觉方法和智能摄像系统 | |
CN115294038A (zh) | 一种基于联合优化与混合注意力特征融合的缺陷检测方法 | |
US20220148050A1 (en) | Systems and methods for using machine learning for vehicle damage detection and repair cost estimation | |
US11410287B2 (en) | System and method for artificial intelligence based determination of damage to physical structures | |
WO2021208423A1 (zh) | 一种基于pca学习的显卡接口机器测试方法 | |
CN111161260A (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法及装置 | |
CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
CN112819748A (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
US20230298152A1 (en) | Method for analyzing minor defect based on progressive segmentation network | |
US20200104940A1 (en) | Artificial intelligence enabled assessment of damage to automobiles | |
CN114119551A (zh) | 一种人脸图像质量的量化分析方法 | |
CN117671381A (zh) | 一种基于高光谱成像技术的车辆损伤检测方法 | |
WO2023083182A1 (en) | A system for assessing a damage condition of a vehicle and a platform for facilitating repairing or maintenance services of a vehicle | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN117392043A (zh) | 一种基于深度学习的钢板表面缺陷视频检测方法及系统 | |
CN116168117A (zh) | 一种面向车险反欺诈的图像生成方法、系统、装置和介质 | |
CN113327243B (zh) | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 | |
CN114414660A (zh) | 一种铁路车辆轮对的轴号和裂纹识别方法 | |
CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 | |
CN113240628A (zh) | 一种钢卷质量的判定方法、装置及系统 |
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 |