基于卷積神經(jīng)網(wǎng)絡(luò)的汽車產(chǎn)品檢測優(yōu)化研究

關(guān)鍵詞：圖像分類；卷積神經(jīng)網(wǎng)絡(luò)；汽車產(chǎn)品檢測

0引言

隨著科技革命和產(chǎn)業(yè)變革的深入推進，“信息科技+”的“嫁接對象”越來越廣泛，人工智能等先進技術(shù)正逐步對傳統(tǒng)產(chǎn)業(yè)的基礎(chǔ)設(shè)施、作業(yè)模式等進行全方位、全鏈條的改造。在汽車行業(yè)中，企業(yè)在申報產(chǎn)品準(zhǔn)入時需要在工信部平臺網(wǎng)站上填報新車型的備案參數(shù)。目前大多數(shù)汽車檢測機構(gòu)在備案參數(shù)的校核工作上，仍主要依賴于檢測人員根據(jù)填寫規(guī)范和視同條件進行逐項人工比對，這不僅導(dǎo)致重復(fù)性勞動強度大，而且在面對企業(yè)申報量增多、填報水平參差不齊等情況下，參數(shù)校核的質(zhì)量難以得到保障，進而可能妨礙檢測申報業(yè)務(wù)的順利進行。因此，汽車檢測行業(yè)急需信息技術(shù)的創(chuàng)新與應(yīng)用，以提高生產(chǎn)效率、推進行業(yè)高質(zhì)量發(fā)展。

汽車企業(yè)填報的產(chǎn)品備案數(shù)據(jù)類型多樣，除了包含文字與數(shù)字信息外，還涉及各種角度的汽車產(chǎn)品照片，如產(chǎn)品的右前45°方向、左前45°方向照片，以及正后部、側(cè)后下部防護裝置照片等。這些照片在《備案參數(shù)表》及其填報指南中有著嚴(yán)格的排列位置和方位要求。如果企業(yè)上傳的圖像內(nèi)容與要求不匹配，將無法通過審查。作為一種深度學(xué)習(xí)模型，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）在圖像識別與分類領(lǐng)域已得到廣泛應(yīng)用…，例如交通場景下的車輛識別和定位，以及對車輛類型、車型大小、車輛承重等屬性的分類。然而，在車身方向檢測方面的應(yīng)用尚需進一步完善。

基于上述背景，本文通過分析卷積神經(jīng)網(wǎng)絡(luò)的演化進程和性能特點，選取出適用于汽車產(chǎn)品檢測場景的模型。隨后，通過采集和標(biāo)注大量圖像數(shù)據(jù)，利用這些數(shù)據(jù)對模型進行訓(xùn)練，并通過調(diào)節(jié)相關(guān)參數(shù)來優(yōu)化模型性能。最終，使模型能夠準(zhǔn)確識別車身朝向，從而助力檢測工作的精細(xì)化、智能化發(fā)展，加快檢測行業(yè)的信息化、現(xiàn)代化轉(zhuǎn)型。

1卷積神經(jīng)網(wǎng)絡(luò)發(fā)展綜述

1.1卷積神經(jīng)網(wǎng)絡(luò)的基本特征

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在圖像數(shù)字化處理時，難以有效保留原有圖像特征，因此圖像識別率較低。然而，卷積神經(jīng)網(wǎng)絡(luò)憑借聯(lián)結(jié)稀疏、參數(shù)權(quán)值共享、能夠提取多維特征等優(yōu)勢，顯著提升了圖像識別率。特別是在2012年的ImageNet大賽中，卷積神經(jīng)網(wǎng)絡(luò)大幅度超越了傳統(tǒng)方法。

卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層、池化層和全連接層構(gòu)成。在卷積層中，卷積核在原始圖像上進行滑動，通過卷積操作提取特征，見公式1：

池化層的作用是對卷積層輸出的特征圖像進行降維，減少參數(shù)量。全連接層的功能則是整合卷積層和池化層提取到的特征，完成對計劃的識別和分類。

1.2卷積神經(jīng)網(wǎng)絡(luò)的常用模型

1998年，利用二維卷積進行圖像處理的LeNet-5模型實現(xiàn)了卷積核共享，奠定了現(xiàn)代CNN的基礎(chǔ)，但該模型的應(yīng)用對象主要為手寫字符和英文字符，不擅長處理復(fù)雜問題。2012年提出的AlexNet模型通過ReLU激活函數(shù)緩解了梯度消失的問題，設(shè)置隨機失活以減少過擬合，在ILSVRC 2012競賽中將分類準(zhǔn)確率提升至80%以上。2014年，牛津大學(xué)計算機視覺組提出的VGGNet模型在當(dāng)年的ImageNet競賽中斬獲定位任務(wù)（Localization Task）第1名和分類任務(wù)（ClassificationTask）第2名。與AlexNet相比，VGGNet具有更深的網(wǎng)絡(luò)深度和更簡潔的形式，模型使用3x3的小卷積核代替大尺度卷積核，在不影響感受野的前提下減少了參數(shù)量，提高了對圖像特征的學(xué)習(xí)能力，其采用的2x2小尺寸池化核也可增加通道數(shù)，使得提取的圖像特征更加豐富。同樣在2014年，Szegedy等人提出GoogLeNet模型，在其中加入Inception結(jié)構(gòu)，通過融合不同尺度的特征信息，提高網(wǎng)絡(luò)的性能和效率，并在接下來的幾年中不斷優(yōu)化Inception結(jié)構(gòu)或添加其他結(jié)構(gòu)，陸續(xù)發(fā)布InceptionV2、InceptionV3、InceptionV4、Inception-ResNet-V1、Inception-ResNet-V2等模型。2015年面世的ResNet模型，通過殘差模塊有效地緩解了梯度消失和梯度爆炸的問題，但需要比較長的訓(xùn)練時間。2016年提出的SqueezeNet模型，在保證準(zhǔn)確率相同的情況下，降低了參數(shù)量，減小了CNN架構(gòu)，但具有相對較差的實時性。2017年，采用密集連接方式的DenseNet模型實現(xiàn)了特征復(fù)用，具有較高的泛化能力和抗過擬合性能，但該模型的計算復(fù)雜度大，需要巨量存儲空間，難以得到現(xiàn)有深度學(xué)習(xí)框架的支持。針對移動設(shè)備的使用需求，Howard等人提出了輕量級的MobileNetVI模型，并針對模型性價比低、準(zhǔn)確性難以保障等問題，不斷改進模型結(jié)構(gòu)，陸續(xù)推出MobileNetV2、MobileNetV3模型，不過MobileNetV3仍然具有訓(xùn)練難度高、細(xì)粒度分類效果差的缺點。2019年提出的EfficientNetV1模型在準(zhǔn)確率方面表現(xiàn)優(yōu)秀，但處理較大圖像的速度很慢。為了在參數(shù)量和速度之間取得更加合理的平衡，EfficientNetV2于2021年被提出，實現(xiàn)了更高效的特征提取。

綜上所述，卷積神經(jīng)網(wǎng)絡(luò)經(jīng)歷了多次演化，在訓(xùn)練速度、準(zhǔn)確率、抗過擬合性能等方面不斷得到提升，并仍在持續(xù)改進。不同的CNN模型具有各自的優(yōu)勢和缺點（見圖1），因此適用于不同的應(yīng)用場景，研究人員需要根據(jù)實際情況進行選擇。目前，車輛的識別和定位主要使用R-CNN、YOLO等模型，車輛的分類則常用LeNet、AlexNet、VGG、GoogLeNet等模型。

為了填報備案參數(shù)而給車輛產(chǎn)品拍照時，拍攝角度和距離均相對固定，因此目標(biāo)車輛在上傳照片中所占比例大小相對穩(wěn)定，即檢測對象的尺度相對穩(wěn)定。但是汽車與掛車的種類多樣，對于不同結(jié)構(gòu)或不同用途的車輛，其后部的視覺圖像差異較大，比如欄板式、廂式和罐式車輛的后部外觀具有明顯差別，而同樣屬于罐式運輸車的混凝土攪拌運輸車和危險品運輸車也在外觀上存在差異。因此，企業(yè)備案照片的車身方向分類任務(wù)，需要模型具有比較優(yōu)秀的圖像特征學(xué)習(xí)能力。

VGGNet模型憑借小卷積核獲得了提取豐富圖像特征的性能，具備較強的遷移學(xué)習(xí)能力，而且結(jié)構(gòu)簡潔，易于在現(xiàn)有的深度學(xué)習(xí)框架上實現(xiàn)。綜合考慮分類效果與實現(xiàn)成本等因素，本文選擇VGGNet模型對圖片中的車身方向進行分類。

2模型訓(xùn)練與評估

2.1數(shù)據(jù)采集與處理

本次研究的圖片數(shù)據(jù)來自中汽研汽車檢驗中心（武漢）有限公司的整車與智能網(wǎng)聯(lián)試驗研究部的電子數(shù)據(jù)庫，這些照片均為樣車核查照片，拍攝時間為2020年和2021年。

為了進行模型訓(xùn)練與驗證，本研究在數(shù)據(jù)庫中隨機挑選了1014張車輛前部照片和1023張車輛后部照片，并分別標(biāo)注“front”和“rear”的標(biāo)簽，作為訓(xùn)練集與驗證集的基礎(chǔ)數(shù)據(jù)。對于部分格式異常、無法被程序正確讀取的圖片數(shù)據(jù)，本文利用Python編程語言進行了自動剔除，經(jīng)過清洗后的有效數(shù)據(jù)共2003條。

測試集則包含了19張圖片，其中車輛前部圖片6張，車輛后部圖片13張。由于不同商用車的車輛前部外觀差異相對較小，因此用于測試的車輛前部照片相對較少，涵蓋了車身顏色不同、室內(nèi)室外場景不同等情況。而車輛后部圖片則更加多樣化，覆蓋了多個不同的車輛種類。

2.2模型構(gòu)建與優(yōu)化

2.2.1模型結(jié)構(gòu)設(shè)計

VGGNet包含5層卷積層、3層全連接層和1層softmax輸出層，層與層之間由maxpool（最大池化）層進行分隔。所有的隱藏層都采用了ReLU函數(shù)作為激活函數(shù)。Simonyan等人根據(jù)不同的卷積層子層數(shù)量，設(shè)計了A、A-LRN、B、C、D、E6種網(wǎng)絡(luò)結(jié)構(gòu)。在本文中，我們選取最常用的D型結(jié)構(gòu)（也被稱為VGG16）作為基礎(chǔ)，并使用TensorFlow深度學(xué)習(xí)框架構(gòu)建模型。我們使用的硬件環(huán)境是英特爾酷睿15的CPU，操作系統(tǒng)為windowsl0，并使用PyCharm作為編譯工具進行Python編程?；谏鲜鲈O(shè)置，我們構(gòu)建了初始的VGG16模型。具體的模型結(jié)構(gòu)如圖2所示，圖中的卷積層參數(shù)用“conv感受野大小一通道數(shù)”的形式表示。例如，conv3-64表示該卷積層使用了尺寸為3x3的卷積核，并具有64個輸出通道。

2.2.2模型參數(shù)優(yōu)化

初始模型經(jīng)過訓(xùn)練后，性能并不理想（見圖3左），驗證集的Loss值約為0.3，且與訓(xùn)練集的Loss值相差較大，這顯示出過擬合現(xiàn)象，同時驗證集的準(zhǔn)確率（Accuracy）也并不高，并且過早地趨于穩(wěn)定，陷入了學(xué)習(xí)瓶頸。針對這些問題，本次研究通過不斷調(diào)節(jié)模型的相關(guān)參數(shù)來提升模型性能。

（1）“學(xué)習(xí)率”參數(shù)指權(quán)重在模型訓(xùn)練期間更新的量，過大的學(xué)習(xí)率可能導(dǎo)致模型性能在訓(xùn)練后期產(chǎn)生明顯振蕩，而過小的學(xué)習(xí)率可能導(dǎo)致模型收斂速度過慢甚至不收斂。學(xué)習(xí)率衰減的策略可以確保模型在訓(xùn)練初期使用較大的學(xué)習(xí)率進行模型優(yōu)化，而在訓(xùn)練后期逐漸減小學(xué)習(xí)率以避免過大波動，從而更接近最優(yōu)解，有效提高模型的精度。

（2）“dropout”參數(shù)的設(shè)置，可以在訓(xùn)練過程中隨機丟棄一定比例的神經(jīng)元，以減少神經(jīng)元之間的依賴關(guān)系，從而緩解過擬合問題，提高模型的泛化能力。

（3）“epoch”參數(shù)表示整個數(shù)據(jù)集在網(wǎng)絡(luò)中完成一次前向計算和反向傳播的過程。epoch數(shù)量越大，權(quán)重更新的次數(shù)也越多。如果epoch過小，權(quán)重可能沒有得到充分的更新，模型的特征值曲線可能還未進入優(yōu)化擬合狀態(tài)。

（4）參數(shù)的初始化對深度學(xué)習(xí)模型的訓(xùn)練也至關(guān)重要。采用“截斷正態(tài)分布”的初始化方法可以減少異常值的影響，有利于模型擬合。

考慮到以上參數(shù)設(shè)置對模型的影響，以及初始模型存在的問題，本次研究進行了以下優(yōu)化：

（1）將初始學(xué)習(xí)率由0.01減小至0.001，并設(shè)置了學(xué)習(xí)率衰減策略。

（2）在全連接層中添加了dropout，并嘗試了多個dropout取值，最終依據(jù)模型性能表現(xiàn)將神經(jīng)元的丟棄比例確定為0.6。

（3）參數(shù)初始化方法采用“截斷正態(tài)分布”。

（4）epoch數(shù)量在經(jīng)歷多次試驗后增大至150，以確保模型得到充分的訓(xùn)練。

優(yōu)化后的模型性能見圖3右，訓(xùn)練集與驗證集的Loss值均在epoch為80之后趨于平穩(wěn)，兩者之間的差距相較于初始模型有所減小。驗證集的Loss值最終低于0.2，Accuracy也高達0.95，顯示出較好的分類能力。

2.3建模結(jié)果評估

除了上文提到的Accuracy（準(zhǔn)確率），Precision（精確率）和Recall（召回率）也是評價模型性能的重要指標(biāo)。Precision又稱“查準(zhǔn)率”，表示在預(yù)測結(jié)果為正的樣本中，實際為正的樣本的比例；Recall又稱“查全率”，表示在實際為正的樣本中，預(yù)測結(jié)果為正的樣本的比例，可反映模型對所有真實正例樣本的識別能力。由于Precision和Recall通常是相互制約的，研究人員常用它們的調(diào)和平均值（F1-Score）來衡量二分類（或多任務(wù)二分類）模型的精確度。F1-Score可以同時兼顧分類模型的精確率和召回率，計算方法見公式（3），取值范圍為0～1，值越大則意味著模型越好。

優(yōu)化后的VGG Ixlet模型的各項評價指標(biāo)值如圖4所示，并整理為表1。模型的Accuracy和F1-Score均取值為0.95，表明該模型具有較為優(yōu)秀的性能。

模型構(gòu)建完成后，對測試集的圖片數(shù)據(jù)進行分類，分類結(jié)果全部正確（見表2），且有1/2的預(yù)測概率高達95%以上，進一步驗證了該模型優(yōu)秀的分類準(zhǔn)確度。對于不同的車身主體顏色、室內(nèi)室外環(huán)境、車輛類型，模型均能較為準(zhǔn)確地識別出車身的朝向，表現(xiàn)出較好的泛化能力與學(xué)習(xí)能力，因此，該模型特別適合試驗環(huán)境多樣、試驗對象種類繁雜的汽車檢測行業(yè)。

模型對真實備案照片的分類也非常成功，圖5為某企業(yè)上傳至工信部平臺的備案照片，圖6為模型的輸出結(jié)果，高達99.82%和98.78%的準(zhǔn)確預(yù)測概率表明該模型在實際備案核查工作中的應(yīng)用具有較強的可行性與科學(xué)性。

3結(jié)束語

本文綜合考慮了多種卷積神經(jīng)網(wǎng)絡(luò)模型的性能特點與汽車產(chǎn)品檢測行業(yè)的實際需求，選取了VGGNet模型進行訓(xùn)練。經(jīng)過訓(xùn)練后的模型能夠較為準(zhǔn)確地識別出企業(yè)備案照片中的車輛朝向（前或后），這一成果有助于節(jié)約企業(yè)與檢測機構(gòu)的勞動成本，降低工作失誤率，提升生產(chǎn)效率，從而助力汽車檢測行業(yè)實現(xiàn)“科技為擎，賦智賦能”的目標(biāo)。

在后續(xù)的研究中，可以進一步細(xì)化車身朝向的分類種類，例如將“前向”細(xì)分為“左前45°”“正前”“右前45°”等，以使得模型的應(yīng)用更加貼近實際工作需求，為汽車檢測行業(yè)提供更加全面、細(xì)致的服務(wù)。