(華北計(jì)算技術(shù)研究所 系統(tǒng)八部，北京 100083)

0 引言

近年來(lái)，我國(guó)汽車產(chǎn)業(yè)迅速發(fā)展，汽車正逐漸進(jìn)入千家萬(wàn)戶，成為人們生活中必不可少的出行工具之一。汽車是一個(gè)復(fù)雜的光機(jī)電系統(tǒng)，隨著使用時(shí)間和行駛里程的增加，汽車的使用性能也會(huì)逐漸降低，出現(xiàn)動(dòng)力變?nèi)?，?jīng)濟(jì)性下降、安全性降低等問題。其中采取對(duì)汽車定期進(jìn)行性能檢測(cè)的方法，汽車使用者能夠?qū)ζ嚨倪\(yùn)行技術(shù)狀態(tài)有一個(gè)清楚的認(rèn)識(shí)與掌控，避免在使用過程中因汽車出現(xiàn)突發(fā)狀況造成一些不必要的損失[1]。

按照汽車檢測(cè)的目的分類，汽車檢測(cè)的內(nèi)容主要分為以下兩個(gè)方面：(1)綜合性能檢測(cè)。即對(duì)汽車進(jìn)行主要技術(shù)參數(shù)檢測(cè)和主要技術(shù)性能檢測(cè)。汽車主要技術(shù)參數(shù)包括總成技術(shù)狀況參數(shù)、整車技術(shù)參數(shù)、照明裝置技術(shù)參數(shù)和信號(hào)裝置技術(shù)參數(shù)等；主要技術(shù)性能包括燃料經(jīng)濟(jì)性能、操作穩(wěn)定性能、動(dòng)力性能、制動(dòng)性能和平順性能等。綜合性能檢測(cè)的目的是為了確定汽車的技術(shù)狀況和工作能力，找出故障或隱患之處，查明原因，對(duì)車輛進(jìn)行維修，建立質(zhì)量監(jiān)管體系，保證汽車具有良好的經(jīng)濟(jì)性、動(dòng)力性、可靠性、舒適性和安全性，從而為社會(huì)創(chuàng)造更大的經(jīng)濟(jì)效益[2]。(2)安全環(huán)保檢測(cè)。主要是對(duì)排放、噪聲進(jìn)行檢測(cè)，確保車輛外觀容貌較佳并且安全性能良好。安全環(huán)保檢測(cè)的目的是建立一個(gè)公害和安全監(jiān)控系統(tǒng)，限制汽車的廢氣排放量，降低對(duì)環(huán)境的污染程度，使其具有優(yōu)異的排氣凈化性和噪聲污染性，在高效、安全、環(huán)保的工況下進(jìn)行。

綜上所述，本文研究了一種基于卷積神經(jīng)網(wǎng)絡(luò)的汽車車輪定位參數(shù)自動(dòng)測(cè)量方法，首先找出汽車車輪定位的各個(gè)參數(shù)，然后將得到的參數(shù)與汽車正常運(yùn)行時(shí)的參數(shù)進(jìn)行對(duì)比，判斷汽車故障或找出隱患所在，最后通過實(shí)驗(yàn)驗(yàn)證了該診斷方法的可行性。

1 汽車車輪定位參數(shù)自動(dòng)測(cè)量方法的實(shí)現(xiàn)

目前，汽車車輪定位參數(shù)的測(cè)量方法有很多，如激光式車輪定位法、氣泡水準(zhǔn)式車輪定位法和電子式車輪定位法等，但是這些方法得到的信息參數(shù)不夠充足，很多特殊部位的故障信息無(wú)法取得確切的參數(shù)。汽車本身就是一個(gè)復(fù)雜的光機(jī)電系統(tǒng)，在診斷其故障時(shí)，必須精準(zhǔn)地查找出每一個(gè)位置的信息和結(jié)構(gòu)參數(shù)。深度學(xué)習(xí)是一種機(jī)器學(xué)習(xí)研究方法，是通過建立、模擬人腦的機(jī)制進(jìn)行分析、學(xué)習(xí)并解釋數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，采用半監(jiān)督式或非監(jiān)督式的組合低層特征提取高效算法，形成抽象的高層代替人工獲取特征。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的一種模型，源自于基于人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)思想，通過模擬人腦接收和處理外部圖像信息的過程，在優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)的同時(shí)發(fā)掘圖像數(shù)據(jù)本身包含的特征，被廣泛應(yīng)用于圖形目標(biāo)的識(shí)別與檢測(cè)之中[3]。

1.1 汽車車輪定位參數(shù)自動(dòng)測(cè)量方法框架設(shè)計(jì)

車輪定位故障多是由于車輪前束與車輪外傾角匹配不當(dāng)造成的，如果想判斷汽車車輪是否出現(xiàn)定位故障或者存在隱患，首先要精確地找出各部件參數(shù)，包括結(jié)構(gòu)參數(shù)和分布參數(shù)，在確保參數(shù)完整后，對(duì)其進(jìn)行診斷。一旦汽車車輪定位參數(shù)失準(zhǔn)，尤其是轉(zhuǎn)向輪定位發(fā)生偏差，就會(huì)造成嚴(yán)重后果，如輪胎的異常磨損、車輛行駛跑偏、車輪擺振和轉(zhuǎn)向沉重等。這不僅影響社會(huì)經(jīng)濟(jì)效益的增長(zhǎng)，更會(huì)對(duì)汽車使用者的生命造成巨大的威脅。因此，為了保證人們出行的安全性和舒適度，必須時(shí)刻保持汽車良好的運(yùn)行狀態(tài)，汽車車輪定位參數(shù)檢測(cè)作為汽車檢測(cè)的重要內(nèi)容之一，對(duì)車輛整體安全性能具有舉足輕重的影響。汽車故障情況有很多種，發(fā)生故障的原因也多種多樣。據(jù)資料統(tǒng)計(jì)，其中車輪定位故障占40%左右[4]。對(duì)車輪定位參數(shù)進(jìn)行檢測(cè)使其處于正常范圍內(nèi)，有助于提高汽車的安全性和經(jīng)濟(jì)性。卷積神經(jīng)網(wǎng)絡(luò)是深度監(jiān)督學(xué)習(xí)下的一種機(jī)器學(xué)習(xí)模型，近年來(lái)被廣泛應(yīng)用于圖像識(shí)別領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)是一種機(jī)器學(xué)習(xí)的深度前饋人工型神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)周圍覆蓋范圍內(nèi)的一部分神經(jīng)單元，已經(jīng)被成功應(yīng)用于圖像分割、物體識(shí)別、目標(biāo)檢測(cè)等領(lǐng)域[5]。

本文所采用的卷積神經(jīng)網(wǎng)絡(luò)基于Image VIEW平臺(tái)上的Deyew網(wǎng)絡(luò)，具有6個(gè)卷積層、4個(gè)全連接層和3個(gè)池化層。將本文網(wǎng)絡(luò)結(jié)構(gòu)中的第一、二層卷積層所對(duì)應(yīng)的特征圖像可視化，對(duì)圖片進(jìn)行預(yù)處理，在第三至第六卷積層用36個(gè)12×12的卷積核對(duì)池化層進(jìn)行重疊池化，滑動(dòng)窗口步長(zhǎng)為3。圖像識(shí)別的關(guān)鍵是進(jìn)行特征提取，其直接影響到測(cè)量結(jié)果的準(zhǔn)確性。提取到的良好特征有以下幾個(gè)特點(diǎn)：(1)可區(qū)別性。對(duì)于不同的圖像，特征應(yīng)具有較大的差異；(2)可拓展性。提取的特征之間不具有關(guān)聯(lián)性，，可以進(jìn)行聯(lián)合；(3)不變性。對(duì)于同一類型的圖像，提取特征應(yīng)該比較相似，沒有明顯變化；(4)穩(wěn)定性。主要包括尺寸不變性、旋轉(zhuǎn)不變性等。卷積神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)模型圖

簡(jiǎn)單地說，卷積神經(jīng)網(wǎng)絡(luò)的工作原理主要是利用卷積層、池化層和全連接層的方法逐級(jí)、逐層地提取待識(shí)別的圖像數(shù)據(jù)特征，在電腦終端對(duì)采集的特征進(jìn)行分類處理分析。本文使用的卷積神經(jīng)網(wǎng)絡(luò)模型具有8層網(wǎng)絡(luò)結(jié)構(gòu)，通過在圖像數(shù)據(jù)集上訓(xùn)練，可以得到卷積神經(jīng)網(wǎng)絡(luò)卷積層的特征圖，提取卷積激活特征，然后進(jìn)行分類。在訓(xùn)練階段，首先利用之前建立的圖像數(shù)據(jù)集對(duì)卷積神經(jīng)模型進(jìn)行無(wú)監(jiān)督訓(xùn)練，待結(jié)束訓(xùn)練后，提取卷積網(wǎng)絡(luò)的第四層網(wǎng)網(wǎng)絡(luò)圖像特征應(yīng)用于分類器進(jìn)行分類；在測(cè)試階段，待測(cè)試的圖像需要經(jīng)過與訓(xùn)練階段相似的預(yù)處理過程和特征特性提取過程，接著將測(cè)試所得到的圖像特征輸入已訓(xùn)練好的分類器，最后輸出汽車圖像的測(cè)量標(biāo)簽[6]。

汽車檢測(cè)技術(shù)起源于20世紀(jì)50年代，最先出現(xiàn)在西方一些發(fā)達(dá)國(guó)家，主要是進(jìn)行汽車的故障檢測(cè)以及性能調(diào)試等工作，同時(shí)也生產(chǎn)一些簡(jiǎn)單的檢測(cè)設(shè)備。具體來(lái)說，汽車檢測(cè)技術(shù)指的是在汽車不發(fā)生解體的狀態(tài)下，采用現(xiàn)代化檢測(cè)方法，利用先進(jìn)的儀器設(shè)備，通過研究汽車運(yùn)行技術(shù)狀態(tài)的變化情況，根據(jù)測(cè)得的有關(guān)技術(shù)參數(shù)值，快速而準(zhǔn)確地了解汽車內(nèi)部各種零部件、機(jī)構(gòu)以及系統(tǒng)的使用性能，檢測(cè)汽車是否存在某些故障或隱患，隨之采取相應(yīng)的修理或預(yù)防措施，從而降低汽車制造成本，節(jié)約化石能源，減少對(duì)環(huán)境的危害，保證汽車處于良好的運(yùn)行狀態(tài)，延長(zhǎng)車輛的使用壽命，提高汽車的安全性能。本文設(shè)計(jì)的基于卷積神經(jīng)網(wǎng)絡(luò)的汽車車輪定位參數(shù)自動(dòng)測(cè)量方法框架如下圖2所示：

圖2 汽車車輪定位參數(shù)自動(dòng)測(cè)量方法框架設(shè)計(jì)

目前的汽車車輪定位參數(shù)測(cè)量設(shè)備不夠完善，中心系統(tǒng)所記錄的數(shù)據(jù)信息不夠充足，診斷汽車故障時(shí)，需要花費(fèi)大量的時(shí)間，但是診斷的結(jié)果并不精準(zhǔn)。本文在分析了汽車車輪定位參數(shù)對(duì)汽車安全行駛的重要性以及對(duì)汽車輪胎使用壽命的影響的基礎(chǔ)上，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的汽車車輪定位參數(shù)自動(dòng)測(cè)量方法，對(duì)四輪定位參數(shù)進(jìn)行測(cè)量。道路攝像機(jī)安裝在移動(dòng)終端監(jiān)測(cè)點(diǎn)，通過攝像頭獲取圖像信息，將卷積神經(jīng)網(wǎng)絡(luò)模型引入車輪定位參數(shù)測(cè)量并加以改進(jìn)，以顯著提高汽車車輪定位參數(shù)測(cè)量的精準(zhǔn)度。

采用本文設(shè)計(jì)的汽車車輪定位參數(shù)自動(dòng)測(cè)量方法，系統(tǒng)能夠適應(yīng)自動(dòng)化測(cè)量的要求，并且測(cè)量系統(tǒng)適用于所有車型，對(duì)測(cè)量現(xiàn)場(chǎng)環(huán)境具有一定的抗干擾能力。車輛駛?cè)霚y(cè)量區(qū)域時(shí)，位置傳感器感應(yīng)并發(fā)出一個(gè)觸發(fā)信號(hào)，此時(shí)計(jì)算機(jī)視覺系統(tǒng)被啟動(dòng)，同時(shí)開啟燈光照明，攝像機(jī)開始采集圖像。然后軟件系統(tǒng)處理、分析采集的圖像數(shù)據(jù)，將分析結(jié)果發(fā)送給終端服務(wù)器[7]。

1.2 汽車車輪定位參數(shù)自動(dòng)測(cè)量方法工作流程

根據(jù)建立的汽車車輪定位參數(shù)自動(dòng)測(cè)量方法的框架圖，四輪定位參數(shù)自動(dòng)測(cè)量的工作流程如圖3所示。

圖3 汽車車輪定位參數(shù)自動(dòng)測(cè)量方法工作流程

本實(shí)驗(yàn)中，選取前束值和車輪外傾角兩個(gè)車輪定位參數(shù)作為試驗(yàn)因素，對(duì)應(yīng)的側(cè)滑量和測(cè)行力作為實(shí)驗(yàn)?zāi)繕?biāo)。對(duì)圖3的自動(dòng)測(cè)量方法的步驟進(jìn)行分析，具體步驟如下。

第一步：建模初始化。在系統(tǒng)初始化后，建立自動(dòng)測(cè)量模型，使用卷積神經(jīng)網(wǎng)絡(luò)模型測(cè)量車輪定位參數(shù)。采用側(cè)滑裝置進(jìn)行測(cè)試時(shí)，先進(jìn)行選項(xiàng)選擇，選擇進(jìn)行側(cè)向力檢測(cè)、側(cè)滑量檢測(cè)或退出。其中側(cè)向力檢測(cè)和側(cè)滑量檢測(cè)的過程大體相同，因此此處僅就側(cè)向力的檢測(cè)對(duì)測(cè)量的流程進(jìn)行說明。

第二步：卷積神經(jīng)網(wǎng)絡(luò)特征提取。通過卷積神經(jīng)網(wǎng)絡(luò)采集圖像的方法為：首先安裝標(biāo)靶和攝像機(jī)。攝像機(jī)每次采集7張圖片，標(biāo)靶中含有大小圓共18個(gè)，其中小圓15個(gè)，大圓3個(gè)，通過跟蹤左上角的小圓進(jìn)行定位，最后采集圖像。圖像采集分兩組進(jìn)行：第一組是選擇左右擺動(dòng)車輪，每當(dāng)車輪轉(zhuǎn)過3°的時(shí)候采集一次標(biāo)靶圖像；第二組是選擇前后推動(dòng)車輪，總計(jì)30cm，每隔5cm采集一張圖像，共7張圖片。采集到的圖片可以直接通過USB2.0接口由攝像機(jī)傳輸至計(jì)算機(jī)[8]。

第三步：數(shù)據(jù)采集。首先將圓形標(biāo)記的標(biāo)靶固定在車輪輪轂上，調(diào)整使發(fā)射光裝置發(fā)出的光線可經(jīng)標(biāo)靶反射面反射進(jìn)入相應(yīng)的圖像獲取裝置。然后前后直線移動(dòng)或轉(zhuǎn)向移動(dòng)汽車，記錄運(yùn)動(dòng)前后標(biāo)靶的圖像數(shù)據(jù)。根據(jù)標(biāo)靶運(yùn)動(dòng)的圖像數(shù)據(jù)確定標(biāo)靶上特征圓的位置及大小變化。由標(biāo)靶上特征圓的位置及大小變化精確計(jì)算出標(biāo)靶到攝像機(jī)的距離和轉(zhuǎn)動(dòng)角度、旋轉(zhuǎn)軸空間位置等。最后建立一個(gè)基準(zhǔn)坐標(biāo)平面，并將上述信息與基準(zhǔn)面進(jìn)行對(duì)比，計(jì)算車輪的定位角度與主銷定位角度，并輸出定位角度。

第四步：自動(dòng)測(cè)量。進(jìn)行側(cè)向力檢測(cè)時(shí)，松開連接器，計(jì)算機(jī)根據(jù)光電開關(guān)信號(hào)判斷汽車是處于前進(jìn)還是后退狀態(tài)，同時(shí)自動(dòng)測(cè)量并記錄車輛此時(shí)的側(cè)向力。然后系統(tǒng)詢問是否需要進(jìn)行定位參數(shù)的測(cè)量。根據(jù)具體需要，則車輛需要再前進(jìn)或后退一次，重新經(jīng)過側(cè)滑臺(tái)進(jìn)行側(cè)就進(jìn)行向力檢測(cè)，然后進(jìn)行車輪定位參數(shù)的動(dòng)態(tài)測(cè)量，即根據(jù)側(cè)向力測(cè)量值與車輪定位系統(tǒng)映射關(guān)系，由測(cè)量算法算出車輪前束值和車輪外傾角的大小，最后輸出測(cè)量結(jié)果；倘若并不需要進(jìn)行車輪定位參數(shù)的測(cè)量，則直接輸出測(cè)量結(jié)果，即車輛后退或前進(jìn)時(shí)的側(cè)滑量，然后根據(jù)國(guó)家標(biāo)準(zhǔn)對(duì)車輛的車輪定位合格情況進(jìn)行判斷。輸出測(cè)量結(jié)果后，系統(tǒng)詢問是否進(jìn)行下一次的側(cè)向力檢測(cè)和車輪定位參數(shù)測(cè)量，若判定結(jié)果為是，則重復(fù)以上全過程；判定結(jié)果為否，則返回選項(xiàng)選擇。全部測(cè)試完成后，選擇退出選項(xiàng)，則本程序結(jié)束運(yùn)行[9]。

2 實(shí)驗(yàn)研究

為了檢測(cè)本文研究的基于卷積神經(jīng)網(wǎng)絡(luò)的汽車車輪定位參數(shù)自動(dòng)測(cè)量方法的實(shí)際工作效果，與傳統(tǒng)方法進(jìn)行了對(duì)比，設(shè)計(jì)了對(duì)比實(shí)驗(yàn)。

2.1 實(shí)驗(yàn)參數(shù)

本實(shí)驗(yàn)中，選用東風(fēng)標(biāo)致307作為實(shí)驗(yàn)車輛進(jìn)行車輪定位參數(shù)測(cè)量， 攝像機(jī)使用的是DMC-FH4數(shù)碼攝像機(jī)。計(jì)算機(jī)選用Windows XP系統(tǒng)，顯示器分辨率為3 648×2 734像素，系統(tǒng)CPU主頻為2.7 GHz，接口類型為SATA接口。選用高效節(jié)能電源，工作電壓為220 V，工作電流在500～1 000 A的范圍內(nèi)，功率≥200 W。

2.2 實(shí)驗(yàn)過程

根據(jù)上述設(shè)定的參數(shù)進(jìn)行實(shí)驗(yàn)，選取傳統(tǒng)車輪定位參數(shù)靜態(tài)測(cè)量方法和本文研究的車輪定位參數(shù)自動(dòng)測(cè)量方法分別對(duì)同一汽車的幾大車輪定位參數(shù)進(jìn)行測(cè)量，記錄兩個(gè)方法的測(cè)量結(jié)果和精準(zhǔn)度，分析實(shí)驗(yàn)結(jié)果，其具體結(jié)果見表1。

2.3 實(shí)驗(yàn)結(jié)果與分析

(1)汽車車輪定位實(shí)驗(yàn)結(jié)果，如表1所示。

表1 四輪定位結(jié)果

本實(shí)驗(yàn)主要測(cè)量了汽車車輪定位的六大參數(shù)，即前輪左外傾角、前輪右外傾角、后輪外傾角、前束角、主銷內(nèi)傾角、主銷后傾角。由表1可以看出，雖然本實(shí)驗(yàn)中使用的攝像機(jī)、標(biāo)靶的精度均低于S2D四輪定位儀，但是采用本文測(cè)量方法所得到的這六大汽車車輪定位參數(shù)測(cè)量結(jié)果基本與Mark Top S2D四輪定位儀測(cè)得的結(jié)果一致，表明了本文測(cè)量方法的正確有效性。Mark Top是全球著名的汽車保養(yǎng)與維修企業(yè)之一，該公司生產(chǎn)制造了第一臺(tái)四輪定位儀，在汽車四輪定位領(lǐng)域的專業(yè)認(rèn)可度極高，并享有極高的聲譽(yù)。將本次實(shí)驗(yàn)的測(cè)量結(jié)果與出廠標(biāo)準(zhǔn)數(shù)據(jù)進(jìn)行比較的同時(shí)，也與該公司生產(chǎn)的定位儀的測(cè)量結(jié)果進(jìn)行對(duì)比，是檢驗(yàn)本文測(cè)量方法的有效標(biāo)準(zhǔn)。最終對(duì)比結(jié)果表明，本文的測(cè)量方法具有可行性，實(shí)驗(yàn)結(jié)果具有相當(dāng)高的可靠性。

(2)精準(zhǔn)度實(shí)驗(yàn)結(jié)果，如圖4所示。

圖4 精準(zhǔn)度實(shí)驗(yàn)結(jié)果

觀察圖4可知，兩種方法的測(cè)量精準(zhǔn)度都隨著提取特征維數(shù)的增加而增大，前期測(cè)量精準(zhǔn)度提高速率較快，在維數(shù)到達(dá)30維以后，測(cè)量精準(zhǔn)度提升減慢，但仍保持增長(zhǎng)趨勢(shì)。當(dāng)提取特征維數(shù)為20維時(shí)，傳統(tǒng)方法的測(cè)量精準(zhǔn)度在15%左右，本文方法的測(cè)量精準(zhǔn)度為在30%左右；當(dāng)提取特征維數(shù)為30維時(shí)，傳統(tǒng)方法的測(cè)量精準(zhǔn)度在40%左右，本文方法的測(cè)量精準(zhǔn)度為在70%左右；當(dāng)提取特征維數(shù)為40維時(shí)，傳統(tǒng)方法的測(cè)量精準(zhǔn)度在45%左右，本文方法的測(cè)量精準(zhǔn)度為在85%左右；當(dāng)提取特征維數(shù)為50維時(shí)，傳統(tǒng)方法的測(cè)量精準(zhǔn)度在48%左右，本文方法的測(cè)量精準(zhǔn)度為在90%左右。

分析圖4可以知道，采用傳統(tǒng)方法與采用本文基于卷積神經(jīng)網(wǎng)絡(luò)的汽車車輪定位參數(shù)自動(dòng)測(cè)量方法的測(cè)量精準(zhǔn)度差距明顯，是因?yàn)閭鹘y(tǒng)方法直接為每個(gè)圖像設(shè)計(jì)分類器，而本文通過逐層提取特征，形成抽象的高層特征進(jìn)行分類處理。本文自動(dòng)測(cè)量方法始終比傳統(tǒng)方法測(cè)量精準(zhǔn)度要高，是因?yàn)閷?duì)特征的融合，使得在特征維數(shù)較低情況下，精度更高。本文提出的方法考慮到了圖像內(nèi)容，融合圖像的多語(yǔ)義特征，對(duì)測(cè)量性能的提高有更好的效果。

在相同測(cè)量環(huán)境下，本文的基于卷積神經(jīng)網(wǎng)絡(luò)的汽車車輪定位參數(shù)自動(dòng)測(cè)量方法的精準(zhǔn)度更高，工作人員可以在短時(shí)間內(nèi)做出完整地分析，給出最佳解決措施。

3 結(jié)束語(yǔ)

隨著汽車行駛里程的增加，不可避免地會(huì)發(fā)生懸架及轉(zhuǎn)向系的磨損、變形，造成車輪定位發(fā)生變化，導(dǎo)致轉(zhuǎn)向沉重、轉(zhuǎn)向盤發(fā)抖、前輪發(fā)擺、輪胎異常磨損、燃料消耗量增加等情況，給車輛使用者的生命財(cái)產(chǎn)安全帶來(lái)極大的影響。為了解決汽車在行進(jìn)過程中的車輪變形影響汽車行駛方向，駕駛?cè)藛T安全無(wú)法保障問題，需要定時(shí)對(duì)汽車車輪定位參數(shù)進(jìn)行測(cè)量，保證其運(yùn)行時(shí)的安全穩(wěn)定。本文利用卷積神經(jīng)網(wǎng)絡(luò)處理、分析獲取的圖像，將測(cè)量區(qū)域分為多個(gè)網(wǎng)絡(luò)，構(gòu)建CNN測(cè)量模型，充分利用了移動(dòng)互聯(lián)網(wǎng)的優(yōu)勢(shì)和特點(diǎn)，以較低成本實(shí)現(xiàn)了高效率、高精準(zhǔn)度的汽車車輪定位參數(shù)測(cè)量。本文研究的基于卷積神經(jīng)網(wǎng)絡(luò)的汽車車輪定位參數(shù)自動(dòng)測(cè)量方法雖然具備一系列的優(yōu)點(diǎn)，但是仍然缺少一定的實(shí)踐操作基礎(chǔ)，在之后的實(shí)際操作中可能還會(huì)存在潛在問題，仍需要進(jìn)一步進(jìn)行探討研究。