本发明涉及新能源汽车发动机舱装配质量智能检测领域,更具体地说,涉及到一种深度可分离卷积和注意力机制的机舱微小异常识别方法。
背景技术:
1、伴随着新能源汽车产业的迅速蓬勃发展,新能源汽车的可靠性和安全性自然而然也受到了人们愈来愈多的关注。新能源汽车拥有大量高复杂性的车载电器元件,这对于生产过程中的装配质量提出了相较于传统汽车更高的指标要求。传统汽车在生产维修过程中,对于装配质量的检测采用的大多是人工检测,然而,对汽车发动机舱内各种异常进行人工检测存在许多的弊端,一方面,人工检测需要付出大量的人工成本与时间成本;另一方面,人共检测的速度较慢,且检测精度不高。
2、总体而言,当前针对新能源汽车发动机舱的微小异常检测问题存在以下的困难:(1)新能源汽车发动机舱的图像数据异常种类多、异常边界不清晰且存在大量冗余信息;(2)新能源汽车发动机舱的异常图像数据采集较为困难且微小异常图像相对稀缺,可供训练使用的数据量较少,如何有效使用这些数据以达到较好的效果是当前所需解决的问题;(3)实际场景复杂多变导致模型在应用中存在泛化性差的问题。因此,迫切需要设计一种能够高速率、高精度地完成机舱微小异物识别方法来实现对新能源汽车发动机舱装配质量的智能检测。
技术实现思路
1、针对于现有技术的不足,本发明提出一种深度可分离卷积和注意力机制的机舱微小异常识别方法,以解决现有汽车发动机舱装配不能实时高效地对微小异常的检测、不能有效地实现对特征不清晰的微小异常精准识别及不能有效地适应实际中所存在的复杂多变的场景。
2、为了解决上述技术问题,本发明通过以下方式来实现:
3、深度可分离卷积和注意力机制的机舱微小异常识别方法,包括以下步骤:
4、s1、对机舱微小异常图像进行数据预处理;
5、s2、构建机舱微小异常识别网络;
6、s3、将数据输入神经网络得到识别结果,计算损失函数并训练模型。
7、进一步地,所述步骤s1包括如下分步骤:
8、s11、获取新能源汽车发动机舱微小异常图像,并采用最近邻插值方法将获取的微小异常图像的宽高尺寸调整为416×416;
9、s12、通过labelimg软件对经邻插值法调整后数据集中的微小异常区域进行标注,得到精心标注用于训练中作为训练标签的数据格式;
10、s13、将获取得到邻插值法调整后的新能源汽车发动机舱微小异常图像进行数据增广处理,任选取一批数据集中的新能源汽车发动机舱微小异常训练图像,将其进行黑块处理、高斯噪声处理和椒盐噪声处理。
11、进一步地,所述步骤s2包括如下分步骤:
12、s21、输入异常图像进入主干网络,所述主干网络采用了cspdarknet53网络,并将其中的3×3卷积核采用深度可分离卷积进行替换;经过主干网络提取出三个特征层,将它们输入到注意力机制模块,以加强网络对有效异常信息的提取,剔除无关冗余信息;
13、s22、注意力机制模块对不同尺度的feature进行理解和选择,以在步骤s21中三个特征层的不同尺度下学习特征重要信息,并在每个尺度下融合对其他尺度的理解;
14、s23、将步骤s22注意力机制模块输出的三个特征图再经过路径聚合网络,将特征信息依次进行自顶向下和自底向上的双向信息融合,对不同尺寸特征图中的信息反复提取,以提高特征信息质量,增强检测精度;
15、s24、预测头接受经步骤s23的路径聚合网络反复提取的高质量表征,经过解码及非极大值抑制操作,得到预测结果。
16、进一步地,所述步骤s3包括如下分步骤:
17、s31、设置自监督学习中训练的学习率为2×10-5,神经网络参数更新的算法为adam;
18、s32、将数据集以3:1的比例划分为训练集和测试集;
19、s33、在训练的过程中每次任从数据训练集中选取n=128个样本作为batch,在训练中模型以minibatch的方式进行迭代;
20、s34、网络学习的损失函数为其包括置信度损失函数边界框损失函数和专用于不平衡类别的分类损失函数三个部分,损失函数为的计算公式如下所示:
21、
22、其中,λ1和λ2分别是损失函数权重的平衡参数,λ1=1.6,λ2=2.25;
23、s35、将神经网络模型在coco数据集上根据如上参数进行预训练,预训练得到的模型以fine-turning的方式迁移到机舱微小异常识别场景;
24、s36、在当前数据集上对神经网络进行训练,经过一定epoch的训练后,采用map、准确率、召回率以及fps为指标对任务实现情况进行评定。
25、进一步的,所述步骤s34中的损失函数其包括如下:
26、所述的置信度损失函数的计算公式如下所示:
27、
28、其中,y表示预测区域中是否存在异常,其值为0或1,为模型预测是否存在异常;
29、所述的边界框损失函数的计算方法如下所示:
30、
31、其中,boxy表示预测区域,boxt表示标签区域;
32、所述的专用于不平衡类别的分类损失函数的计算公式如下所示:
33、
34、其中,表示目标异常的标签类别是否为预测类别,其值为0或1,pti表示预测的异常类别的概率,γ表示调整参数,γ=2;
35、机舱微小异常识别的训练数据中,负样本的数量是远大于正样本的,因此整个训练过程围绕着负样本进行,从而淹没正样本,造成很大程度上的信息损失,引入调整参数γ用于提高对正样本的重视程度。
36、与现有技术相比,本发明具有的有益效果:
37、本申请中的主干网络使用深度可分离卷积,使得模型参数量减少,能够提升模型运算速度,注意力机制模块的使用,可以使网络更加关注特征层中更重要的通道,加强对异常信息的提取能力,进一步提升模型的检测效果;路径聚合网络的使用,加强网络对于不同大小的目标尤其是微小目标的识别能力,有效提高模型检测精度。
38、使用有效的数据增强方式,使得训练数据的分布更加逼近于实际机舱微小异常的分布,提高了神经网络在实际应用过程中的适用性与鲁棒性,通过联合iou损失函数、置信度损失函数及分类损失函数,使模型有效地学习到符合检测机舱微小异常的参数,有利于提升网络拟合效果以满足任务需求。
1.深度可分离卷积和注意力机制的机舱微小异常识别方法,其特征在于:包括以下步骤:
2.如权利要求1所述的深度可分离卷积和注意力机制的机舱微小异常识别方法,其特征在于:
3.如权利要求1所述的深度可分离卷积和注意力机制的机舱微小异常识别方法,其特征在于:
4.如权利要求1所述的深度可分离卷积和注意力机制的机舱微小异常识别方法,其特征在于:
5.如权利要求1所述的深度可分离卷积和注意力机制的机舱微小异常识别方法,其特征在于: