摘 要：視覺識(shí)別的方式，在工業(yè)和農(nóng)業(yè)上已具備一定的成熟應(yīng)用方案。在第三方檢測(cè)機(jī)構(gòu)中，以視覺識(shí)別的方案為基礎(chǔ)，增加自學(xué)習(xí)智能判定的方式，可以形成智能化檢測(cè)的應(yīng)用方案。文章提出了應(yīng)用視覺識(shí)別融合自學(xué)習(xí)方式在整車防腐領(lǐng)域應(yīng)用實(shí)例，并通過實(shí)例的運(yùn)用得出一些智能測(cè)評(píng)方向的結(jié)論。

關(guān)鍵詞：智能 測(cè)評(píng) 防腐

0 引言

高質(zhì)量發(fā)展是滿足人們?nèi)找嬖鲩L(zhǎng)的物質(zhì)文化需求所需經(jīng)歷的必然路徑。在用于汽車整車產(chǎn)品的試驗(yàn)和評(píng)價(jià)方案中，主觀試驗(yàn)占據(jù)了很高的比例，將主觀試驗(yàn)的結(jié)果進(jìn)行客觀化處理，可將試驗(yàn)結(jié)果更高精度輸出，實(shí)現(xiàn)試驗(yàn)檢測(cè)的高質(zhì)量發(fā)展。

1 整車腐蝕試驗(yàn)

整車腐蝕試驗(yàn)是一項(xiàng)綜合型的大型試驗(yàn)。試驗(yàn)的內(nèi)容包括試驗(yàn)場(chǎng)道路工況，環(huán)境艙工況，鹽水路工況等一系列耦合了環(huán)境和耐久的復(fù)合載荷工況。其目的在于在試驗(yàn)場(chǎng)進(jìn)行使用工況加速試驗(yàn)，讓車輛快速腐蝕，驗(yàn)證整車各個(gè)部位的防腐能力。一般情況下，整車腐蝕試驗(yàn)每10個(gè)循環(huán)等效用戶使用1年，汽車主機(jī)廠通常都進(jìn)行60個(gè)循環(huán)以上。在每10個(gè)循環(huán)結(jié)束時(shí)，會(huì)對(duì)車輛進(jìn)行整體的檢查，輸出試驗(yàn)結(jié)果。

整車腐蝕試驗(yàn)結(jié)果的輸出，主要以圖片的形式進(jìn)行。試驗(yàn)前工程師會(huì)核對(duì)每臺(tái)試驗(yàn)樣車的檢查部位清單（如圖1所示），根據(jù)清單對(duì)每個(gè)部位進(jìn)行檢查和評(píng)估，并作拍照記錄，如圖2所示。

工程師對(duì)每個(gè)部位進(jìn)行外觀、功能和安全性的綜合評(píng)估，將評(píng)估的結(jié)果記錄下來并作等級(jí)判定。等級(jí)判定的形式行業(yè)內(nèi)一般參考常見的主觀評(píng)價(jià)方案開展，例如表1所示。

2 試驗(yàn)數(shù)據(jù)的數(shù)字化分析

試驗(yàn)結(jié)果輸出的數(shù)據(jù)包含2部分內(nèi)容：圖片和等級(jí)。采集到的照片數(shù)據(jù)，須根據(jù)經(jīng)驗(yàn)進(jìn)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(shù)據(jù)僅為相機(jī)對(duì)照片的順序命名，將照片數(shù)據(jù)中展示的零部件與檢查清單（圖1）實(shí)現(xiàn)一一對(duì)應(yīng)。梳理整體數(shù)據(jù)庫中的數(shù)據(jù)集，可以發(fā)現(xiàn)，存在對(duì)同一零部件的不同時(shí)間點(diǎn)下拍攝的非重復(fù)類數(shù)據(jù)，亦存在同一種零部件的不同零件數(shù)據(jù)集。同時(shí)，還應(yīng)注意到，在數(shù)據(jù)分析時(shí)，須針對(duì)不同腐蝕部位的腐蝕程度進(jìn)行比較和分析（如圖5所示）。

根據(jù)上述對(duì)整車腐蝕試驗(yàn)結(jié)果和數(shù)據(jù)的分析可以明確，在整車腐蝕試驗(yàn)的數(shù)據(jù)處理階段，存在明顯的重復(fù)步驟和須根據(jù)經(jīng)驗(yàn)累積分析判定的步驟，且這些步驟均以圖片數(shù)據(jù)為基礎(chǔ)，故提出可以使用視覺識(shí)別的方式，進(jìn)行整車腐蝕試驗(yàn)的智能化數(shù)據(jù)處理方案。

3 視覺識(shí)別和智能化數(shù)據(jù)處理的常用方案和原理

視覺識(shí)別方案通常分為圖像獲取和數(shù)字圖像處理等方案。整車腐蝕試驗(yàn)數(shù)據(jù)照片的采集過程，可以作為靜態(tài)圖像獲取的主要途徑。數(shù)字圖像處理的方案通常包括圖像增強(qiáng)、圖像分割、特征提取、數(shù)據(jù)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(qiáng)的方式。舉例其原理如下：

設(shè)圖像I（x，y）中任一點(diǎn)像素的數(shù)值i，Retinex增強(qiáng)算法表達(dá)式定義為[2]：

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

式中σn為高斯函數(shù)標(biāo)準(zhǔn)差，k=1/2πσ2n，x， y為像素點(diǎn)的坐標(biāo)值。同時(shí)，高斯函數(shù)滿足歸一化條件：

腐蝕試驗(yàn)圖片數(shù)據(jù)智能化處理主要涉及基于深度學(xué)習(xí)的數(shù)據(jù)集處理方案。常見的深度學(xué)習(xí)的方式主要有傳統(tǒng)的CNN、基于CNN和其他一些算法的形式，以及YOLO目標(biāo)檢測(cè)模型和對(duì)應(yīng)的更新集目標(biāo)檢測(cè)模型等。通常使用監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)或兩者結(jié)合的形式進(jìn)行深度學(xué)習(xí)。Unlersen 等[3]利用預(yù)訓(xùn)練后的CNN 進(jìn)行提取圖像深層特征，對(duì)于識(shí)別小麥的訓(xùn)練任務(wù)中，準(zhǔn)確率可以達(dá)98.1%。宋懷波等[4]以YOLO模型為基礎(chǔ)，對(duì)不同的玉米胚乳視覺檢測(cè)提出了可行的方案。

4 整車腐蝕試驗(yàn)結(jié)果的智能化數(shù)據(jù)處理方案驗(yàn)證

4.1 驗(yàn)證方案策劃

對(duì)于腐蝕試驗(yàn)的結(jié)果處理，分別需要對(duì)零部件部位進(jìn)行識(shí)別并對(duì)腐蝕等級(jí)進(jìn)行智能判定。實(shí)際上都是對(duì)圖片處理后進(jìn)行深度學(xué)習(xí)分類的任務(wù)要求。本文采用監(jiān)督學(xué)習(xí)的方式，對(duì)測(cè)試集進(jìn)行標(biāo)注后訓(xùn)練，研究針對(duì)工程應(yīng)用的視覺識(shí)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(fā)生部位和之前項(xiàng)目統(tǒng)計(jì)，將整車所有零部件和部位進(jìn)行劃分，其常見統(tǒng)計(jì)點(diǎn)位約300余個(gè)，也就是說，運(yùn)用遍歷窮舉的方式可以將95分位的部位或區(qū)域進(jìn)行識(shí)別。如表2所示，選用了16個(gè)部位（16類）進(jìn)行標(biāo)注和訓(xùn)練，標(biāo)注的示意圖如圖6所示。需要注意的是，用于標(biāo)注的圖片，存在1張圖片可以標(biāo)注多個(gè)標(biāo)注點(diǎn)的情況，故采集來用于標(biāo)注的測(cè)試集照片總數(shù)，可能小于單個(gè)部位測(cè)試集圖片數(shù)量之和。也就是說，存在同一張圖片，可以用于多個(gè)部位標(biāo)注和深度學(xué)習(xí)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(jìn)行2次標(biāo)注后訓(xùn)練和深度學(xué)習(xí)。

4.1.2 腐蝕等級(jí)視覺處理方案

對(duì)于整車試驗(yàn)的結(jié)果處理流程分為2個(gè)步驟，位置識(shí)別與腐蝕等級(jí)判定，但是對(duì)于視覺處理的方案，均可作為不同分類和深度學(xué)習(xí)的視覺處理。零部件腐蝕等級(jí)的判定與主觀評(píng)價(jià)的方式一致，通常分為10個(gè)不同的等級(jí)，將不同的描述與定義與評(píng)價(jià)等級(jí)相對(duì)應(yīng)，如圖7所示。

為提高計(jì)算機(jī)深度學(xué)習(xí)的準(zhǔn)確度并降低數(shù)據(jù)分類處理的難度，可將實(shí)際發(fā)生的銹蝕等級(jí)作統(tǒng)計(jì)直方圖，可把出現(xiàn)概率較高的銹蝕等級(jí)作為加大采集測(cè)試集數(shù)量的依據(jù)。

4.2 視覺處理結(jié)果

運(yùn)用基于YOLO_V5模型對(duì)表1的腐蝕位置進(jìn)行深度學(xué)習(xí)，使用測(cè)試集圖片數(shù)量約400張，測(cè)試集與驗(yàn)證集比例約9﹕1。其學(xué)習(xí)后部位識(shí)別的結(jié)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(jìn)行腐蝕部位識(shí)別，且大部分AP值相對(duì)較高，可以計(jì)算出，該16個(gè)部位中，約60%的部位AP值≥50%。結(jié)合圖8b中的mAP值分析整體的多類識(shí)別效果，可以看到，最高的AP值為安全帶鎖扣，接近90%的識(shí)別準(zhǔn)確率。提取16個(gè)類集中識(shí)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(dāng)閥值超過0.6時(shí)，其迭代后的識(shí)別成功率明顯降低。分析認(rèn)為，該2個(gè)類識(shí)別準(zhǔn)確率較低的原因有2：a）深度學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集不夠大，b）該2類進(jìn)行標(biāo)注時(shí)，標(biāo)注框選時(shí)的差別較大，這與人眼識(shí)別該2類時(shí)遇到的情況一致。同樣地，將視覺識(shí)別地方案應(yīng)用于腐蝕等級(jí)的識(shí)別判定中，也可采用多分類的方式進(jìn)行深度學(xué)習(xí)，亦或者采用多值判定的形式進(jìn)行學(xué)習(xí)和應(yīng)用。

5 結(jié)論

本文提出了運(yùn)用視覺識(shí)別的方式，解決整車腐蝕試驗(yàn)數(shù)據(jù)處理問題的方法?；赮OLO_V5模型，將16類進(jìn)行訓(xùn)練，確認(rèn)可以將深度學(xué)習(xí)的方式應(yīng)用于整車腐蝕試驗(yàn)結(jié)果數(shù)據(jù)處理，且推斷若進(jìn)一步提高測(cè)試集的數(shù)據(jù)量，該視覺智能識(shí)別的方案的識(shí)別精度，足夠處理大部分的用戶數(shù)據(jù)結(jié)果。

參考文獻(xiàn)：

[1]李瑩.基于Retinex理論的圖像增強(qiáng)算法研究[D].西安：西北大學(xué)，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(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（3）：394-401，439.