智能视觉识别在整车腐蚀上的应用研究

摘 要：视觉识别的方式，在工业和农业上已具备一定的成熟应用方案。在第三方检测机构中，以视觉识别的方案为基础，增加自学习智能判定的方式，可以形成智能化检测的应用方案。文章提出了应用视觉识别融合自学习方式在整车防腐领域应用实例，并通过实例的运用得出一些智能测评方向的结论。

关键词：智能 测评 防腐

0 引言

高质量发展是满足人们日益增长的物质文化需求所需经历的必然路径。在用于汽车整车产品的试验和评价方案中，主观试验占据了很高的比例，将主观试验的结果进行客观化处理，可将试验结果更高精度输出，实现试验检测的高质量发展。

1 整车腐蚀试验

整车腐蚀试验是一项综合型的大型试验。试验的内容包括试验场道路工况，环境舱工况，盐水路工况等一系列耦合了环境和耐久的复合载荷工况。其目的在于在试验场进行使用工况加速试验，让车辆快速腐蚀，验证整车各个部位的防腐能力。一般情况下，整车腐蚀试验每10个循环等效用户使用1年，汽车主机厂通常都进行60个循环以上。在每10个循环结束时，会对车辆进行整体的检查，输出试验结果。

整车腐蚀试验结果的输出，主要以图片的形式进行。试验前工程师会核对每台试验样车的检查部位清单（如图1所示），根据清单对每个部位进行检查和评估，并作拍照记录，如图2所示。

工程师对每个部位进行外观、功能和安全性的综合评估，将评估的结果记录下来并作等级判定。等级判定的形式行业内一般参考常见的主观评价方案开展，例如表1所示。

2 试验数据的数字化分析

试验结果输出的数据包含2部分内容：图片和等级。采集到的照片数据，须根据经验进行分类和命名整理，如图3和图4所示。

在图3中可以看到，原始数据仅为相机对照片的顺序命名，将照片数据中展示的零部件与检查清单（图1）实现一一对应。梳理整体数据库中的数据集，可以发现，存在对同一零部件的不同时间点下拍摄的非重复类数据，亦存在同一种零部件的不同零件数据集。同时，还应注意到，在数据分析时，须针对不同腐蚀部位的腐蚀程度进行比较和分析（如图5所示）。

根据上述对整车腐蚀试验结果和数据的分析可以明确，在整车腐蚀试验的数据处理阶段，存在明显的重复步骤和须根据经验累积分析判定的步骤，且这些步骤均以图片数据为基础，故提出可以使用视觉识别的方式，进行整车腐蚀试验的智能化数据处理方案。

3 视觉识别和智能化数据处理的常用方案和原理

视觉识别方案通常分为图像获取和数字图像处理等方案。整车腐蚀试验数据照片的采集过程，可以作为静态图像获取的主要途径。数字图像处理的方案通常包括图像增强、图像分割、特征提取、数据降维和集成分类算法等方式。如Retinex[1]等方案是一些常用的图像增强的方式。举例其原理如下：

设图像I（x，y）中任一点像素的数值i，Retinex增强算法表达式定义为[2]：

式中rn表示当前像素进行增强后的输出；n为第n个光谱带，N表示所有光谱带的总数；Cn为比色变换因子，定义；wn为不同光谱带的权值，且；ε为任意小的正数，*表示卷积操作，in为第n个光谱带的像素值，Gn为高斯函数：

式中σn为高斯函数标准差，k=1/2πσ2n，x， y为像素点的坐标值。同时，高斯函数满足归一化条件：

腐蚀试验图片数据智能化处理主要涉及基于深度学习的数据集处理方案。常见的深度学习的方式主要有传统的CNN、基于CNN和其他一些算法的形式，以及YOLO目标检测模型和对应的更新集目标检测模型等。通常使用监督学习和无监督学习或两者结合的形式进行深度学习。Unlersen 等[3]利用预训练后的CNN 进行提取图像深层特征，对于识别小麦的训练任务中，准确率可以达98.1%。宋怀波等[4]以YOLO模型为基础，对不同的玉米胚乳视觉检测提出了可行的方案。

4 整车腐蚀试验结果的智能化数据处理方案验证

4.1 验证方案策划

对于腐蚀试验的结果处理，分别需要对零部件部位进行识别并对腐蚀等级进行智能判定。实际上都是对图片处理后进行深度学习分类的任务要求。本文采用监督学习的方式，对测试集进行标注后训练，研究针对工程应用的视觉识别解决方案demo和可行性。

4.1.1 腐蚀位置视觉处理方案

基于腐蚀易发生部位和之前项目统计，将整车所有零部件和部位进行划分，其常见统计点位约300余个，也就是说，运用遍历穷举的方式可以将95分位的部位或区域进行识别。如表2所示，选用了16个部位（16类）进行标注和训练，标注的示意图如图6所示。需要注意的是，用于标注的图片，存在1张图片可以标注多个标注点的情况，故采集来用于标注的测试集照片总数，可能小于单个部位测试集图片数量之和。也就是说，存在同一张图片，可以用于多个部位标注和深度学习的情况，如图6中的背门撑杆和背门撑杆支座，是同一张照片，进行2次标注后训练和深度学习。

4.1.2 腐蚀等级视觉处理方案

对于整车试验的结果处理流程分为2个步骤，位置识别与腐蚀等级判定，但是对于视觉处理的方案，均可作为不同分类和深度学习的视觉处理。零部件腐蚀等级的判定与主观评价的方式一致，通常分为10个不同的等级，将不同的描述与定义与评价等级相对应，如图7所示。

为提高计算机深度学习的准确度并降低数据分类处理的难度，可将实际发生的锈蚀等级作统计直方图，可把出现概率较高的锈蚀等级作为加大采集测试集数量的依据。

4.2 视觉处理结果

运用基于YOLO_V5模型对表1的腐蚀位置进行深度学习，使用测试集图片数量约400张，测试集与验证集比例约9﹕1。其学习后部位识别的结果如图8所示。

可以看到，图8a中，所有列举出的部位，程序均可以进行腐蚀部位识别，且大部分AP值相对较高，可以计算出，该16个部位中，约60%的部位AP值≥50%。结合图8b中的mAP值分析整体的多类识别效果，可以看到，最高的AP值为安全带锁扣，接近90%的识别准确率。提取16个类集中识别率较低的门框和加油口盖的P（Precision）值分析（如图9），可以看到当阀值超过0.6时，其迭代后的识别成功率明显降低。分析认为，该2个类识别准确率较低的原因有2：a）深度学习的训练数据集不够大，b）该2类进行标注时，标注框选时的差别较大，这与人眼识别该2类时遇到的情况一致。同样地，将视觉识别地方案应用于腐蚀等级的识别判定中，也可采用多分类的方式进行深度学习，亦或者采用多值判定的形式进行学习和应用。

5 结论

本文提出了运用视觉识别的方式，解决整车腐蚀试验数据处理问题的方法。基于YOLO_V5模型，将16类进行训练，确认可以将深度学习的方式应用于整车腐蚀试验结果数据处理，且推断若进一步提高测试集的数据量，该视觉智能识别的方案的识别精度，足够处理大部分的用户数据结果。

参考文献：

[1]李莹.基于Retinex理论的图像增强算法研究[D].西安：西北大学，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]宋怀波，焦义涛，华志新，等.基于YOLOv5-

OBB与CT的浸种玉米胚乳裂纹检测[J].农业机械学报，2023，54（3）：394-401，439.