一种基于机器学习的胎码和轮胎状态识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110059751A(43)申请公布日2019.07.26(21)申请号201910319072.5(22)申请日2019.04.19(71)申请人南京链和科技有限公司地址210042江苏省南京市玄武大道699-1号(72)发明人向卫(74)专利代理机构南京经纬专利商标代理有限公司32200代理人朱小兵(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图1页(54)发明名称一种基于机器学习的胎码和轮胎状态识别方法(57)摘要本发明提出了一种基于机器学习的胎码和轮胎状态识别方法，包括以下步骤：S1、采集轮胎图像，并对图像进行预处理；S2、建立单层神经网络模型，并计算模型输出函数；S3、基于误差逆传播算法迭代更新S2，建立多层神经网络模型，模型包括输入层、隐层和输出层；S4、建立卷积神经网络作为多层神经网络中的隐藏层；S5、建立全连接层连接隐藏层与输出层，输出层输出轮胎的胎码和轮胎状态；S6、通过人工标记的验证集对多层神经网络进行督促学习，更新神经网络参数；S7、利用训练好的多层神经网络处理轮胎图像获得对应的胎码和轮胎状态。本发明方法有效缩短了轮胎检查的时间，且识别精度高，为汽车安全检查、轮胎精准维修、轮胎租赁服务等提供了便利。CN110059751ACN110059751A权利要求书1/2页1.一种基于机器学习的胎码和轮胎状态识别方法，其特征在于，包括以下步骤：S1、采集轮胎图像，并对图像进行预处理，将图像中每个像素点的像素值归一化到[0，1]之间；S2、以轮胎图像的像素属性作为输入神经元信号建立单层神经网络模型，并计算模型输出函数；S3、基于误差逆传播算法迭代更新S2，建立多层神经网络模型，模型包括输入层、隐层和输出层；S4、建立卷积神经网络作为多层神经网络中的隐藏层；S5、建立全连接层连接隐藏层与输出层，输出层输出轮胎的胎码和轮胎状态；S6、通过人工标记的验证集对多层神经网络进行督促学习，更新神经网络中的参数；S7、利用训练好的多层神经网络处理轮胎图像获得对应的胎码和轮胎状态。2.根据权利要求1所述的一种基于机器学习的胎码和轮胎状态识别方法，其特征在于，步骤S2的具体操作如下：S21、建立单层神经网络模型，设轮胎图像中共有n个像素点，将像素点的属性作为神经元信号输入单层神经网络模型，共有n个神经元信号；S22、通过神经元的f函数计算单层神经网络模型的输出值，输出函数如下：其中，y为单层神经网络模型的输出值，wi为模型中第i个神经元与输出层之间的连接参数，xi为模型中第i个神经元的属性，θ为阈值，θ的初始值是人为设置的；S23、对于给定的训练集，模型训练过程中自动调整神经网络参数wi：wi←wi+△wi其中，η为学习率，η∈(0，1)，为人工观测的输出值。3.根据权利要求2所述的一种基于机器学习的胎码和轮胎状态识别方法，其特征在于，所述的神经元的属性包括6维数据，分别为2维像素尺寸、1维灰度值、RGB三维色彩尺寸。4.根据权利要求2所述的一种基于机器学习的胎码和轮胎状态识别方法，其特征在于，步骤S3的隐层中各神经元接受到的输入信号为：其中，αh为隐层第h个神经元接收到的输入信号，vih为第i个输入神经元与第h个隐层神经元的连接参数，隐层共有q个神经元，h∈【1，q】。5.根据权利要求1所述的一种基于机器学习的胎码和轮胎状态识别方法，其特征在于，步骤S3的输出层中各神经元接收到的输入信号为：2CN110059751A权利要求书2/2页其中，βj为输出层中第j个神经元接收到的输入信号，whj为第h个隐层神经元与第j个输出神经元的连接参数，bh为第h个隐层神经元的输出，输出层共有l个神经元，j∈【1，l】。6.根据权利要求1所述的一种基于机器学习的胎码和轮胎状态识别方法，其特征在于，步骤S4中的卷积神经网络共有E层，每一层卷积神经网络包括一层卷积层和一层最大化池化层，第e层卷积层的输出信号的计算公式如下：其中，e∈【1，E】，(c，d)为神经元在图像中的位置，(c，d)∈{0，1，...，Le}，Le为第e层卷积层的尺寸，Ye-1为第e层卷积层的输入信号，we-1为e-1层的卷积参数矩阵，第e层卷积网络有K个图像卷积，f为卷积核大小，s0为卷积步长，p为卷积填充，t为偏差量；第e层最大化池化层的输出信号的计算公式如下：其中，g为预先指定的参数。7.根据权利要求1所述的一种基于机器学习的胎码和轮胎状态识别方法，其特征在于，步骤S6中的验证集包括轮胎图像、与图像对应的人工标记的胎码和轮胎状态。8.根据权利要求1或7任一项所述的一种基于机器学习的胎码和轮胎状态识别