(19)中华人民共和国国家知识产权局
机动车辆保险(12)发明专利说明书 | ||
(10)申请公布号 CN 108021926 A (43)申请公布日 2018.05.11 | ||
(21)申请号 CN201710904966.1
(22)申请日 2017.09.28
(71)申请人 东南大学
地址 210096 江苏省南京市玄武区四牌楼2号
(72)发明人 莫凌飞 侯鑫鑫 蒋红亮
(74)专利代理机构 南京苏高专利商标事务所(普通合伙)
代理人 柏尚春
(51)Int.CI
权利要求说明书 说明书 幅图 |
(54)发明名称
一种基于全景环视系统的车辆刮痕检测方法及系统 | |
(57)摘要
法律状态
法律状态公告日 | 法律状态信息 | 法律状态 |
2021-03-19 | 发明专利申请公布后的驳回 | 发明专利申请公布后的驳回 |
2018-06-05 | 实质审查的生效 | 实质审查的生效 |
2018-05-11 | 公开 | 公开 |
权 利 要 求 说 明 书
1.一种车辆刮痕检测方法,其特征在于,步骤包括:
第一步,采集车身图像;
第二步,对所述车身图像进行畸变校正及预处理,获得数据集;所述预处理包括:对完成畸变校正后的车身图像的数据归一化处理和白化预处理;
第三步,将第二步所得数据集输入预先训练好的深度学习网络模型,进行特征提取和分类;
第四步,输出分类结果,获得车辆刮痕状况。
2.如权利要求1所述的车辆刮痕检测方法,其特征在于,第三步中,所述深度学习网络模型预先由以下训练步骤得到:
S1,创建有标签训练样本集{(X
1
,y
1
),(X
2
,y
2
),...,(X
k
,y
k
)},其中,k为样本标号,k≥2,X
k
表示第k个训练样本图像,y
k
表示第k个训练样本的标签值;所述有标签训练样本集包括至少1个正样本和至少1个负样本,所述正样本的标签值与所述负样本的标签值不同;所述各训练样本图像的尺度均归一化为相同尺寸;
S2,训练样本图像预处理,包括对所述各训练样本图像的数据归一化处理和白化预处理;
S3,建立深度学习网络模型,设置所述深度学习网络模型的初始化参数;
S4,依次将所述步骤S2中预处理后的各个训练样本图像输入至所述深度学习网络模型进行训练,对初始化参数的深度学习网络模型进行前馈计算,根据计算结果与标签值y
k
的差值获得分类误差,利用梯度下降算法进行误差反向传播运算,调整所述深度学习网络模型的各参数值;更换训练样本重复以上过程进行新一轮训练,直至所述分类误差低于预先设定的阈值,获得训练好的深度学习网络模型;
S5,当所述步骤S4中训练好的深度学习网络模型的各参数部署入所述测量刮痕检测方法中。
3.如权利要求2所述的车辆刮痕检测方法,其特征在于,步骤S2中,还包括对所述各训练样本图像的数据增强处
理;所述数据增强处理包括:对所述训练样本图像的缩放、旋转、倾斜、对比度变换、或以上一种或多种数据增强处理的组合。
4.如权利要求2所述的车辆刮痕检测方法,其特征在于,所述第二步或所述步骤S2中,所述白化预处理包括ZCA白化预处理或PCA白化预处理。
5.如权利要求2所述的车辆刮痕检测方法,其特征在于,所述负样本包括但不限于包含树叶或污渍的训练样本图像。
6.如权利要求2所述的车辆刮痕检测方法,其特征在于,所述步骤S3中,所述深度学习网络模型采用卷积神经网络构建。
发布评论