智能視覺識別在整車腐蝕上的應用研究

摘 要：視覺識別的方式，在工業和農業上已具備一定的成熟應用方案。在第三方檢測機構中，以視覺識別的方案為基礎，增加自學習智能判定的方式，可以形成智能化檢測的應用方案。文章提出了應用視覺識別融合自學習方式在整車防腐領域應用實例，并通過實例的運用得出一些智能測評方向的結論。

關鍵詞：智能 測評 防腐

0 引言

高質量發展是滿足人們日益增長的物質文化需求所需經歷的必然路徑。在用于汽車整車產品的試驗和評價方案中，主觀試驗占據了很高的比例，將主觀試驗的結果進行客觀化處理，可將試驗結果更高精度輸出，實現試驗檢測的高質量發展。

1 整車腐蝕試驗

整車腐蝕試驗是一項綜合型的大型試驗。試驗的內容包括試驗場道路工況，環境艙工況，鹽水路工況等一系列耦合了環境和耐久的復合載荷工況。其目的在于在試驗場進行使用工況加速試驗，讓車輛快速腐蝕，驗證整車各個部位的防腐能力。一般情況下，整車腐蝕試驗每10個循環等效用戶使用1年，汽車主機廠通常都進行60個循環以上。在每10個循環結束時，會對車輛進行整體的檢查，輸出試驗結果。

整車腐蝕試驗結果的輸出，主要以圖片的形式進行。試驗前工程師會核對每臺試驗樣車的檢查部位清單（如圖1所示），根據清單對每個部位進行檢查和評估，并作拍照記錄，如圖2所示。

工程師對每個部位進行外觀、功能和安全性的綜合評估，將評估的結果記錄下來并作等級判定。等級判定的形式行業內一般參考常見的主觀評價方案開展，例如表1所示。

2 試驗數據的數字化分析

試驗結果輸出的數據包含2部分內容：圖片和等級。采集到的照片數據，須根據經驗進行分類和命名整理，如圖3和圖4所示。

在圖3中可以看到，原始數據僅為相機對照片的順序命名，將照片數據中展示的零部件與檢查清單（圖1）實現一一對應。梳理整體數據庫中的數據集，可以發現，存在對同一零部件的不同時間點下拍攝的非重復類數據，亦存在同一種零部件的不同零件數據集。同時，還應注意到，在數據分析時，須針對不同腐蝕部位的腐蝕程度進行比較和分析（如圖5所示）。

根據上述對整車腐蝕試驗結果和數據的分析可以明確，在整車腐蝕試驗的數據處理階段，存在明顯的重復步驟和須根據經驗累積分析判定的步驟，且這些步驟均以圖片數據為基礎，故提出可以使用視覺識別的方式，進行整車腐蝕試驗的智能化數據處理方案。

3 視覺識別和智能化數據處理的常用方案和原理

視覺識別方案通常分為圖像獲取和數字圖像處理等方案。整車腐蝕試驗數據照片的采集過程，可以作為靜態圖像獲取的主要途徑。數字圖像處理的方案通常包括圖像增強、圖像分割、特征提取、數據降維和集成分類算法等方式。如Retinex[1]等方案是一些常用的圖像增強的方式。舉例其原理如下：

設圖像I（x，y）中任一點像素的數值i，Retinex增強算法表達式定義為[2]：

式中rn表示當前像素進行增強后的輸出；n為第n個光譜帶，N表示所有光譜帶的總數；Cn為比色變換因子，定義；wn為不同光譜帶的權值，且；ε為任意小的正數，*表示卷積操作，in為第n個光譜帶的像素值，Gn為高斯函數：

式中σn為高斯函數標準差，k=1/2πσ2n，x， y為像素點的坐標值。同時，高斯函數滿足歸一化條件：

腐蝕試驗圖片數據智能化處理主要涉及基于深度學習的數據集處理方案。常見的深度學習的方式主要有傳統的CNN、基于CNN和其他一些算法的形式，以及YOLO目標檢測模型和對應的更新集目標檢測模型等。通常使用監督學習和無監督學習或兩者結合的形式進行深度學習。Unlersen 等[3]利用預訓練后的CNN 進行提取圖像深層特征，對于識別小麥的訓練任務中，準確率可以達98.1%。宋懷波等[4]以YOLO模型為基礎，對不同的玉米胚乳視覺檢測提出了可行的方案。

4 整車腐蝕試驗結果的智能化數據處理方案驗證

4.1 驗證方案策劃

對于腐蝕試驗的結果處理，分別需要對零部件部位進行識別并對腐蝕等級進行智能判定。實際上都是對圖片處理后進行深度學習分類的任務要求。本文采用監督學習的方式，對測試集進行標注后訓練，研究針對工程應用的視覺識別解決方案demo和可行性。

4.1.1 腐蝕位置視覺處理方案

基于腐蝕易發生部位和之前項目統計，將整車所有零部件和部位進行劃分，其常見統計點位約300余個，也就是說，運用遍歷窮舉的方式可以將95分位的部位或區域進行識別。如表2所示，選用了16個部位（16類）進行標注和訓練，標注的示意圖如圖6所示。需要注意的是，用于標注的圖片，存在1張圖片可以標注多個標注點的情況，故采集來用于標注的測試集照片總數，可能小于單個部位測試集圖片數量之和。也就是說，存在同一張圖片，可以用于多個部位標注和深度學習的情況，如圖6中的背門撐桿和背門撐桿支座，是同一張照片，進行2次標注后訓練和深度學習。

4.1.2 腐蝕等級視覺處理方案

對于整車試驗的結果處理流程分為2個步驟，位置識別與腐蝕等級判定，但是對于視覺處理的方案，均可作為不同分類和深度學習的視覺處理。零部件腐蝕等級的判定與主觀評價的方式一致，通常分為10個不同的等級，將不同的描述與定義與評價等級相對應，如圖7所示。

為提高計算機深度學習的準確度并降低數據分類處理的難度，可將實際發生的銹蝕等級作統計直方圖，可把出現概率較高的銹蝕等級作為加大采集測試集數量的依據。

4.2 視覺處理結果

運用基于YOLO_V5模型對表1的腐蝕位置進行深度學習，使用測試集圖片數量約400張，測試集與驗證集比例約9﹕1。其學習后部位識別的結果如圖8所示。

可以看到，圖8a中，所有列舉出的部位，程序均可以進行腐蝕部位識別，且大部分AP值相對較高，可以計算出，該16個部位中，約60%的部位AP值≥50%。結合圖8b中的mAP值分析整體的多類識別效果，可以看到，最高的AP值為安全帶鎖扣，接近90%的識別準確率。提取16個類集中識別率較低的門框和加油口蓋的P（Precision）值分析（如圖9），可以看到當閥值超過0.6時，其迭代后的識別成功率明顯降低。分析認為，該2個類識別準確率較低的原因有2：a）深度學習的訓練數據集不夠大，b）該2類進行標注時，標注框選時的差別較大，這與人眼識別該2類時遇到的情況一致。同樣地，將視覺識別地方案應用于腐蝕等級的識別判定中，也可采用多分類的方式進行深度學習，亦或者采用多值判定的形式進行學習和應用。

5 結論

本文提出了運用視覺識別的方式，解決整車腐蝕試驗數據處理問題的方法。基于YOLO_V5模型，將16類進行訓練，確認可以將深度學習的方式應用于整車腐蝕試驗結果數據處理，且推斷若進一步提高測試集的數據量，該視覺智能識別的方案的識別精度，足夠處理大部分的用戶數據結果。

參考文獻：

[1]李瑩.基于Retinex理論的圖像增強算法研究[D].西安：西北大學，2014.

[2]Dou Yiwen， Zhou Mingzheng， Tang Ganyi， et al. Focus-guided multi-scale Retinex with color restore algorithm[J]. Computer Engineering and Applications，2013，49（2）：207-210，270.

[3]UNLERSEN M F， et al. CNN-SVM hybrid model for varietal classification of wheat based on bulk samples [J]. European food research and technology， 2022，248（8）：2043-2052.

[4]宋懷波，焦義濤，華志新，等.基于YOLOv5-

OBB與CT的浸種玉米胚乳裂紋檢測[J].農業機械學報，2023，54（3）：394-401，439.