摘 要：隨著安全氣囊設(shè)計的多樣化，安全氣囊裁剪片的設(shè)計也越來越相似。現(xiàn)階段工廠仍然采用人工識別安全氣囊裁剪片的方式，不僅需要投入大量的人力和時間，其準(zhǔn)確率還受人員主觀因素的影響。為解決這一問題，設(shè)計了一種基于深度學(xué)習(xí)的安全氣囊裁剪片識別系統(tǒng)。首先，通過拍攝采集了6種相似OPW安全氣囊的耳片照片共1 000張，構(gòu)建了實(shí)驗(yàn)所用的數(shù)據(jù)集；然后，訓(xùn)練了基于深度學(xué)習(xí)的安全氣囊裁剪片識別模型，并應(yīng)用當(dāng)前常用的幾種深度學(xué)習(xí)模型進(jìn)行實(shí)驗(yàn)，進(jìn)而選取合適的模型；接著，對所選的模型進(jìn)行改進(jìn)，將其識別準(zhǔn)確率提高至93%；最后，開發(fā)Web端，用戶通過訪問網(wǎng)頁端即可識別裁剪片，實(shí)現(xiàn)移動端的識別操作。在Web端對OPW安全氣囊的6種相似耳片進(jìn)行了識別實(shí)驗(yàn)，結(jié)果表明所設(shè)計的系統(tǒng)能夠?qū)崿F(xiàn)預(yù)期的功能，相較于人工識別效果更好，具有替代人工識別的可能性。

關(guān)鍵詞：安全氣囊；裁剪片；深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)：VGG16；移動端；識別系統(tǒng)

中圖分類號：TP39 文獻(xiàn)標(biāo)識碼：A 文章編號：2095-1302（2025）01-00-04

0 引 言

安全氣囊作為汽車的安全部件，已被廣泛應(yīng)用于各類車型中。隨著人們對汽車內(nèi)飾的要求逐漸提升，汽車車型的研發(fā)也逐步趨向于少量多類，而這導(dǎo)致了安全氣囊出現(xiàn)很多相似設(shè)計，使得用于縫制安全氣囊的裁剪片也有很多的相似性。例如，圖1所示的一體化（OPW）安全氣囊雖為全織型，但也需要縫制一些掛耳等，以便能固定至汽車內(nèi)，滿足其性能要求。為防止因裁剪片的混用而導(dǎo)致爆破失敗的事情發(fā)生，工廠常用人工對比圖片的方式進(jìn)行裁剪片的識別。然而這種方式下不僅需要投入大量的人力與時間，其準(zhǔn)確率還受人員主觀因素的影響。

近年來，隨著人工智能的興起，利用深度學(xué)習(xí)的方法進(jìn)行物體識別的技術(shù)已越來越成熟[1-6]。文獻(xiàn)[7]利用卷積神經(jīng)網(wǎng)絡(luò)對蘋果葉片進(jìn)行圖像分類，模型準(zhǔn)確率為98.14%；文獻(xiàn)[8]利用卷積神經(jīng)網(wǎng)絡(luò)分類算法對21個品種的釀酒葡萄進(jìn)行了識別，準(zhǔn)確率可達(dá)到94%以上。但已有研究中鮮有對安全氣囊裁剪片進(jìn)行識別的研究報道。

本文以安全氣囊袋上的耳片為主要識別對象，設(shè)計了一種基于深度學(xué)習(xí)的安全氣囊裁剪片識別系統(tǒng)，從而改變傳統(tǒng)的人工識別方式，提高工廠的生產(chǎn)效率和質(zhì)量。

1 深度學(xué)習(xí)訓(xùn)練模型的選取及算法改進(jìn)

本文設(shè)計的基于深度學(xué)習(xí)的安全氣囊裁剪片識別模型如圖2所示。創(chuàng)建模型的主要步驟如下：

（1）選定識別對象，并進(jìn)行數(shù)據(jù)采集及數(shù)據(jù)擴(kuò)充，進(jìn)而得到增廣的數(shù)據(jù)集；

（2）使用目前應(yīng)用較廣、識別效果最好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

（3）對選擇的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，以提高其準(zhǔn)確率。

1.1 數(shù)據(jù)采集

本文所研究的識別對象主要為OPW氣囊的耳片。本課題共采集了6種OPW氣囊的耳片，共1 000張照片。其中，800張構(gòu)成訓(xùn)練集，200張構(gòu)成測試集。這些耳片的主要區(qū)別在于固定孔位、長寬比例的不同。采集的數(shù)據(jù)均使用線上標(biāo)注工具make sense進(jìn)行標(biāo)注。

1.2 模型訓(xùn)練及選取

首先，將收集的1 000張圖片的像素設(shè)置為28×28。然后，采用目前圖像識別領(lǐng)域中應(yīng)用較廣的幾種卷積網(wǎng)絡(luò)算法，如AlexNet8、Inception10、ResNet18、VGG16，分別進(jìn)行1 000輪訓(xùn)練（batch size為32）。其訓(xùn)練結(jié)果見表1。

根據(jù)上述訓(xùn)練結(jié)果，選取準(zhǔn)確率較高、損失較少的模型VGG16，進(jìn)行進(jìn)一步的模型改進(jìn)。

1.3 選取模型的改進(jìn)

選取識別效果較優(yōu)秀的模型VGG16后，進(jìn)行下述處理：

（1）圖片像素提升為32×32；

（2）對采集的數(shù)據(jù)進(jìn)行水平鏡像、垂直鏡像、旋轉(zhuǎn)90°、180°、270°，得到增廣的數(shù)據(jù)；

（3）在VGG16模型中保持VGG16的卷積堆疊塊和池化層的原結(jié)構(gòu)不動，在全連接層凍結(jié)80%的神經(jīng)元，以提升其訓(xùn)練效率。

經(jīng)過100輪的訓(xùn)練后，結(jié)果如圖3所示，Loss值明顯更加收斂。

對模型進(jìn)行改進(jìn)之后，數(shù)據(jù)對比見表2。

2 基于Web端的識別系統(tǒng)的實(shí)現(xiàn)

完成基于深度學(xué)習(xí)的模型訓(xùn)練后，利用訓(xùn)練樣本建立起圖像的基礎(chǔ)模型，該模型顯著提升了圖像識別系統(tǒng)的識別能力。本章將重點(diǎn)介紹在手機(jī)移動端Web上通過該模型對樣品進(jìn)行識別的具體實(shí)現(xiàn)過程，包括系統(tǒng)架構(gòu)詳解、終端可行性分析、通信機(jī)制選擇、服務(wù)架構(gòu)設(shè)計、系統(tǒng)測試方法以及測試結(jié)果等。

2.1 系統(tǒng)架構(gòu)

本文研究的圖像識別系統(tǒng)整體架構(gòu)如圖4所示。

上文中對深度學(xué)習(xí)訓(xùn)練模型進(jìn)行改進(jìn)并經(jīng)過100輪的訓(xùn)練后，模型的Loss值趨于收斂，這表明模型基本具備圖像識別功能。本文將該功能以接口形式封裝成圖像識別系統(tǒng)。

在該模型的實(shí)際應(yīng)用中，可以采用移動手機(jī)終端的瀏覽器訪問并打開Web端服務(wù)，通過識別拍照上傳的圖片，調(diào)用服務(wù)器的圖像識別算法模型接口服務(wù)，最后經(jīng)過算法模型識別后返回結(jié)果。其整體應(yīng)用架構(gòu)示意圖如圖5所示。

2.2 終端可行性分析

在選擇移動終端時，仔細(xì)分析對比了使用APP和Web端的優(yōu)劣。

2.2.1 使用APP實(shí)現(xiàn)

一般情況下，對于圖像識別系統(tǒng)終端軟件的解決方案大都是針對Android或者iOS端進(jìn)行APP開發(fā)，其優(yōu)勢為用戶體驗(yàn)感較好。相比較Web項(xiàng)目，APP一般具有更豐富的UI交互效果和更友好的用戶體驗(yàn)，支持更快速、更直觀的操作和反饋[9-11]。但APP開發(fā)也有以下劣勢：

（1）開發(fā)難度高。開發(fā)APP需要使用特定的開發(fā)語言和框架，如Java、Swift、Objective-C等，同時還需要考慮不同操作系統(tǒng)和設(shè)備之間的兼容性問題。

（2）安卓和iOS系統(tǒng)的兼容問題。需要開發(fā)2套APP系統(tǒng)才能同時滿足安卓系統(tǒng)和iOS系統(tǒng)。

（3）維護(hù)成本高。APP的更新和維護(hù)復(fù)雜，每次代碼優(yōu)化都需要重新編譯打包，需要消耗更多的時間和資源。

2.2.2 使用Web項(xiàng)目實(shí)現(xiàn)

相比之下，使用Web端雖然在用戶體驗(yàn)上相較于APP略顯不足，但其他優(yōu)勢較明顯，具體如下：

（1）開發(fā)難度低。Web項(xiàng)目主要使用HTML、CSS和JavaScript編寫。

（2）適配能力好。Web項(xiàng)目一般適用于大多數(shù)安卓和iOS手機(jī)，一套代碼可以同時在2種系統(tǒng)的手機(jī)瀏覽器中展示。

（3）維護(hù)成本低。代碼的優(yōu)化迭代隨時更新隨時生效，減少了編譯打包的時間資源消耗。

經(jīng)過比較，本系統(tǒng)最終選取Web項(xiàng)目開發(fā)來實(shí)現(xiàn)移動終端的開發(fā)選型，用戶可直接使用安卓或iOS手機(jī)的瀏覽器打開Web端網(wǎng)頁服務(wù)提供的網(wǎng)站，隨時隨地拍照并上傳圖片進(jìn)行識別。其優(yōu)點(diǎn)為：方便使用，易實(shí)現(xiàn)，省去了開發(fā)APP的成本和占用手機(jī)的部分空間，使用維護(hù)都比較簡便[12]。

2.3 通信方式

將網(wǎng)站代碼部署在服務(wù)器中，通過接入互聯(lián)網(wǎng)或局域網(wǎng)對外提供網(wǎng)站服務(wù)，用戶的手機(jī)終端主要通過無線局域網(wǎng)或5G網(wǎng)絡(luò)與服務(wù)器保持通信，具體有以下2種情況：

（1）5G：若將服務(wù)器部署在外部公網(wǎng)，用戶手機(jī)端可以通過5G通信對網(wǎng)站進(jìn)行訪問；

（2）WiFi：若將服務(wù)器部署在工廠內(nèi)網(wǎng)且不對外提供訪問服務(wù)，用戶手機(jī)端可以通過連接工廠內(nèi)部WiFi網(wǎng)絡(luò)對網(wǎng)站進(jìn)行訪問。

2.4 服務(wù)架構(gòu)設(shè)計

服務(wù)器中包含算法服務(wù)、接口層服務(wù)和Web端服務(wù)，每個服務(wù)獨(dú)立部署且相互提供服務(wù)。

2.4.1 算法服務(wù)

在服務(wù)器中，通過Python開發(fā)并經(jīng)過深度學(xué)習(xí)之后形成的算法服務(wù)模型可以為接口層提供計算識別服務(wù)。

2.4.2 接口層服務(wù)

使用Python開發(fā)接口層服務(wù)，將算法服務(wù)封裝成接口http：//192.168.3.25：5000/predict，該接口的輸入?yún)?shù)為“被識別圖片”，輸出參數(shù)為對應(yīng)裁剪片的名稱，調(diào)用該接口即可調(diào)用內(nèi)部的算法服務(wù)進(jìn)行計算識別。

2.4.3 Web端服務(wù)

使用HTML5開發(fā)Web端服務(wù)，將接口功能嵌入到頁面中，使得用戶能夠直接在網(wǎng)頁上操作。用戶通過手機(jī)端拍照后將圖片上傳到Web端，手動點(diǎn)擊“識別”按鈕，即可觸發(fā)接口層服務(wù)的調(diào)用，并最終在頁面上展示識別結(jié)果。

2.5 系統(tǒng)測試與結(jié)果

根據(jù)上文的研究結(jié)果和系統(tǒng)部署，基于深度學(xué)習(xí)算法模型[13]的圖像識別系統(tǒng)已經(jīng)實(shí)現(xiàn)。本節(jié)將對系統(tǒng)的識別功能進(jìn)行檢驗(yàn)。先啟動系統(tǒng)，再通過手機(jī)端瀏覽器打開網(wǎng)站并進(jìn)入圖片識別主頁面。系統(tǒng)的實(shí)機(jī)演示效果如圖6所示。

點(diǎn)擊圖6中的“選擇圖片”上傳圖片。系統(tǒng)會彈出“拍照”和“文件”2個選項(xiàng)供選擇，如圖7所示，分別支持實(shí)時拍照和上傳之前已經(jīng)拍好的照片。若上傳錯誤，點(diǎn)擊“清除”，則清空圖片并返回主頁面。

上傳樣品圖片后的演示頁面如圖8所示。

上傳好樣品圖片后，點(diǎn)擊“識別”按鈕，通過訓(xùn)練好的模型對其進(jìn)行識別，并返回結(jié)果“MTG_TAB_1”，演示頁面如圖9所示。

3 結(jié) 語

本文研究的主要目的是將深度學(xué)習(xí)應(yīng)用至實(shí)際生產(chǎn)中，將安全氣囊裁剪片生產(chǎn)過程中的人工識別方式改進(jìn)為通過移動端進(jìn)行實(shí)物識別的方式。本文通過訓(xùn)練模型并開發(fā)Web端，使用戶可以通過Web端訪問服務(wù)，并得到識別的數(shù)據(jù)。后期工作仍需要持續(xù)改進(jìn)，當(dāng)前使用的數(shù)據(jù)集局限于6種，后續(xù)需增加更多種類，增強(qiáng)其泛化能力；另外還需要持續(xù)改進(jìn)模型，提升其準(zhǔn)確度。

參考文獻(xiàn)

[1] LIU L， WANG R， XIE C， et al. PestNet： an end-to-end deep learning approach for large-scale multi-class pest detection and classification [J]. IEEE access， 2019， 7： 45301-45312.

[2] GU J， WANG Z， KUEN J， et al. Recent advances in convolutional neural networks [J/OL]. arXiv preprint arXiv：1512.07108， 2015.

[3] KRIZHEVSKY A， SUTSKEVER I， HINTON G. ImageNet classification with deep convolutional neural networks [C]// Neural Information Processing Systems. Lake Tahoe， Nevada， USA： NIPS， 2012： 1106-1114.

[4] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition [J/OL]. arXiv preprint arXiv： 1409.1556， 2014.

[5] HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas， NV， USA： IEEE， 2016： 770-778.

[6] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition [J]. Computer science， 2014.

[7] CHEN J， HAN J， LIU C， et al. A deep-learning method for the classification of apple varieties via leaf images from different growth periods in natural environment [J]. Symmetry， 2022， 14（8）： 1671.

[8] LIU Y， SU J， SHEN L， et al. Development of a mobile application for identification of grapevine （vitis vinifera l.） cultivars via deep learning [J]. International journal of agricultural and biological engineering， 2021， 14（5）： 172-179.

[9] 岳有軍，李雪松，趙輝，等.基于改進(jìn) VGG 網(wǎng)絡(luò)的農(nóng)作物病害圖像識別[J].農(nóng)機(jī)化研究，2022，44（6）：18-24.

[10]莊寧.基于TensorFlow的Android端本地圖像分類的應(yīng)用設(shè)計與實(shí)現(xiàn)[D].杭州：浙江工業(yè)大學(xué)，2019.

[11]劉洋.手機(jī)端植物病害識別與嚴(yán)重程度估計[D].蘭州：甘肅農(nóng)業(yè)大學(xué)，2021.

[12]吳耀平.基于Web指紋識別的暗網(wǎng)漏洞研究[D].廣州：廣州大學(xué)，2023.

[13]趙亮，郭杜杜，王慶慶，等.基于深度學(xué)習(xí)的遙感影像道路提取[J].現(xiàn)代電子技術(shù)，2023，46（23）：48-54.