圖像識別和處理技術在汽車非結構化關鍵數據挖掘中的應用

齊鑫 劉思源

引言

隨著人工智能技術、智能制造業和智能汽車等新興技術、產業的高速發展，為提升智能制造行業的競爭力，我國汽車企業對于非結構化關鍵數據挖掘的需求也愈發強烈。通過人工智能技術，將各類車輛企業研發非結構化信息如警告圖標、檢測報告信息提取后處理，利用圖像識別處理技術的高效性和實用性，實現大量數據挖掘和收集。本文將在人工智能圖像識別與處理技術應用的基礎上，對企業非結構化關鍵數據信息進行分析，根據現有深度學習圖像處理算法，探討算法的可行性，最終實現其在非結構化關鍵數據挖掘上的應用。

一、研究背景

在汽車智能制造領域、對于非結構化數據的應用研究愈發重要，對于非結構化數據中有用信息的提取是關鍵步驟。同時，人工智能深度學習技術、圖像識別技術、數據處理技術日漸成熟，已成為將非結構化數據轉化為結構化數據的有利手段。因此，本文面向車輛研發生產環節中的典型非結構化數據，包括危險品圖片、合格證圖片、檢測報告PDF版、車型照片等進行分析，詳述其典型特征、利用圖像識別技術提取要素方法、圖像識別模型訓練庫分類方法、以及為保證圖像識別的準確度的注意事項等等，促進多種非結構化數據的信息提取和轉化，為企業可用數據資產的積累提供支持。

二、圖像識別和處理技術

圖像識別是新一代信息技術發展的重要應用，它利用計算機視覺和模式識別的方法，將輸入的圖像與已知的圖像進行比對和匹配，從而實現對圖像內容的自動判斷和分類。該技術可以通過分析輸入圖像中的視覺特征，如顏色、紋理、形狀等，來識別和理解圖像中的物體、場景等信息[1]。圖像識別和處理技術的主要功能包括信息采集、預處理、壓縮處理、圖像特征提取以及最終的分類決策，經過這些步驟，計算機可以從圖像中提取特征并對其進行分類，用于滿足智能制造和智能汽車行業對非結構化關鍵數據挖掘的需求。

同時，神經網絡算法的融入使圖像識別的準確度、可用性得到進一步的提升。神經網絡算法作為一種深層次的處理方式，旨在模仿大腦神經元的邏輯運行，其方式與人類神經細胞的視覺處理方式雖然存在差異，但能達到近似的學習效果。通過使用神經網絡學習、圖像識別和處理技術效果進一步增強，能夠處理復雜的圖像信息，自動完成圖像識別任務，并排除非關鍵特征。當然，為了使神經網絡深度學習模型能夠解釋數據，需要進行大量的調節和訓練，以模擬人腦的工作機制。

卷積神經網絡是深度學習模型的一種常見結構，通常由數據處理層、卷積計算層、修正線性單元層、全連接層和池化層組成。數據處理層作為第一層可以接收原始圖像數據，并通過白化和去均值等操作進行圖片處理，以便使模型能更加容易識別圖像信息；卷積計算層是神經網絡模型的核心部分，通過對局部組織進行操作并移動窗口來分析數據。每個神經元可以視為一個功能強大的放大器，它對來自局部組織的數據進行計算。而在具體的卷積網絡計算過程中，共享相關參數是關鍵，即每個神經元與數據庫數據連接的權值不固定，每個神經元只關注特定的外部特征。這一層的作用其實就是通過調整參數，定位到想要識別圖像主體，來確定能表征圖片特征的主要特點的參數；池化層通常用于壓縮數據量及相關參數，以降低過擬合的風險。池化層的功能包括外部特征不變性和外部特征降維，可去除不重要的相關信息，但同時保持顯示圖像的主要表達方式，避免過擬合的發生，該層的目的是提取圖像中最具表現力的特征、去除無用和冗余的相關信息，從而提升圖像識別的準確度[2]。

圖1 神經網絡組成

三、圖像識別和處理技術在企業非結構化關鍵數據挖掘中的應用

車輛企業研發設計中的非結構化關鍵數據常常包括合格證信息、危險標識信息以及檢測報告數據信息等，這些數據信息通常是以PDF、JPG等形式存儲，并且大多需要通過人力進行處理，將其轉化為企業可以正常利用的信息。但是對于這類信息通過人為一個一個緩慢地識別并將其保存為可處理的文本信息，會極大降低企業對于非結構化的關鍵數據的轉換效率，同時還增加人力資源負擔，增加企業的經濟投入。基于此問題，對于需要分類識別的非結構化數據而言，利用人工智能計算機視覺圖像識別和理解技術，可以提高車輛企業非結構化關鍵數據挖掘的準確度、提升挖掘的效率、擴大挖掘的范圍。

簡單來說，車輛企業研發中，非結構化關鍵信息的挖掘和收集是極為重要的，例如圖片、合格證、危險品、報告信息，均為圖片數據和PDF數據。利用條件規則對圖片和PDF中關鍵數據進行提取后，可將此部分數據轉化為結構化數據。在實際應用上，可延伸到多類企業的應用場景，例如，場景一：通過對多張不同車型照片中背景環境的剔除、以車輛為主題提取關鍵特征顏色、型號等，可以精準比對不同照片中的車輛是否為同一車型；場景二：對車輛生產后的合格證照片、檢驗報告等進行識別，可提取關鍵數據，該數據可用與研發過程的數據進行比對，從而判斷車輛研發和生產過程中主要變化；場景三：對危險品照片進行識別，從而可以確定車輛的承載危險品的類型，例如易燃物品或者有毒氣體等，從而在車輛注冊時，針對是否滿足特殊用途給以重點檢查和確認。利用圖像識別手段整理這些重要非結構化信息，可以充分發揮數據價值，輔助確保車輛在研發、生產過程中的一致性，從而保證新型車輛的有效產出，推動智能制造業的高質量發展。

當前如何科學有效地使用圖像識別和處理技術，是企業非結構化關鍵數據挖掘的一大難點。通常企業需要先收集一定量的圖片，作為數據集將其預處理，而預處理是圖像識別中相當重要的一點，預處理過程就是在圖片、PDF等非結構化數據中提取關鍵特征的手段，關鍵特征點提取越準確，后續在特征學習中，算法會被訓練得越發有效；如果預處理未能做好，之后訓練出來的模型將會出現識別不準確的問題，即圖像中包含的有用信息過少，模型過多關注無用信息會導致無法收斂等問題。因此，首先對于數據集的預處理，以車輛企業非結構化關鍵數據圖片為例，需要將圖片進行分類，將這些圖片中屬于合格證、危險標識、檢測報告等等分為大類，再將大類細化，以便獲得最小的預處理學習集合。以危險品標識舉例，車輛危險品標識共有9類，包括易燃固體、易燃液體、放射性物質等，根據不同的危險標識照片建立多個訓練集和驗證集，用于后續訓練和驗證算法。

對于圖像分類而言，其主要目的是將各類企業非結構化數據的圖片進行分類，不同種類圖像的差異較為明顯，因此可選擇的分類器種類多，例如 Logistic Regression、Naive Bayes等算法都可納入圖像分類的初步選擇。分類器選擇完畢后，初始模型可利用訓練集中的照片進行訓練，完成后使用驗證集進行驗證，最終獲得能夠根據企業非結構化數據圖片的關鍵特征進行圖片分類的模型。而訓練出的模型的出錯率則會直接影響后面圖像處理的效率和準確度[3]。

將不同種類的企業非結構化數據圖片進行處理，深度學習可以提取圖像特征，圖像特征的本質是可以高度概括圖像內容的抽象化信息，憑借人工經驗提取的特征是從人的角度將紋理、顏色、形狀等信息從原始像素中提取出來。這些特征都來源于圖像的原始像素，雖然是一種高效的信息抽象方式，但同時會損失掉很多信息，因此，可以利用模型直接在原始數據上學習，能將信息損失大幅降低。然而圖像中除了我們關注的特征信息以外，也留有很多無用的干擾信息，例如對于在道路行駛的車輛照片來說，周圍的環境、樹木、人員，甚至其他移動物體都是干擾信息。這些無用信息過多地被關注，或者參與到模型學習中，會導致模型無法準確提取到關鍵的圖像特征。因此，需要使用卷積神經網絡精準地提取圖像中的有用信息和高效地獲取訓練集，更準確地處理企業非結構化數據。

卷積神經網絡算法，通過將原始數據與預設權重的卷積核做加權，從原始數據中提取出關鍵信息，常用的CNN模型卷積神經網絡算法有三種流派：ResNet、Inception和DenseNet。企業的非結構化數據中，各類圖像特征區別通常較為明顯，例如圖像中危險標識與檢測報告相比，前者主要根據形狀和顏色進行區分，后者則是非常規律的文字信息，兩者具有顯著特征，因此通過卷積神經網絡算法將其分類，準確率可以得到保證。而進一步的圖像識別則需要更加細節化的特征預設和卷積收斂[4]。

車輛企業非結構化數據，以危險標識和檢測報告兩類為例，前者圖像形狀的特征較為明顯，因此可以使用TensorFlow平臺現有的模型為基礎，修改部分代碼、權重等，加以訓練及驗證后，則可識別危險標識，判斷該項目是否需要重點檢查或者用于其他需要判斷危險標識的情況；而后者則可通過圖像識別處理技術，利用檢測報告主要為文字內容的特點，將其中的文字識別，再利用自然語言處理技術或者直接比對，將檢測項目中的內容和實際數據輸出，用作車輛企業的研發數據信息。由此，通過人工智能圖像識別技術和處理技術，利用深度學習的高效性、準確性和實用性，將圖像數據中有關企業非結構化數據進行挖掘和收集，最終在應用上為企業增加產值和貢獻。

結語

在汽車智能制造過程中，傳統工作模式下，企業產生海量的圖片和照片數據，對于企業而言是一座“金礦”，但是開采方式卻是難點痛點，工業數據的應用一直是制造業企業的研究重點。隨著新一代信息技術的發展，人工智能學習愈發成熟，圖像識別越發精確和快速，通過智能化圖像識別技術可以對海量非結構化數據進行處理，將圖像包含的信息進行直觀、清晰的表達，從而促進工業數據在汽車企業研發、設計、生產環節上的應用，助力制造業數字化轉型走深走實。