基于机器视觉的轮毂识别与气阀孔定位检测.pdf

摘要

摘要

高速发展的中国汽车工业自然而然地带动了轮毂行业的发展，轮毂生产、制造以及

运输管理过程中需要进行轮毂型号识别以及其气阀孔的定位，人工检测的方式越来越不

能满足需求，智能自动化轮毂制造与检测技术将进一步主导市场。机器视觉涉及工业制

造、医学图像分析以及辅助驾驶等多个行业，目前正处于高速成长阶段，发展潜力巨大。

因此，针对工业生产中速度慢、精度不高的轮毂型号识别及其气阀孔定位问题，设计一

种多场景下基于机器视觉的轮毂识别及其气阀孔定位检测系统。

首先，研究基于图像边缘与纹理特征的轮毂特征检测方法，重点研究图像平滑、图

像锐化、轮毂轮廓圆提取、针对轮毂型号分类的方向梯度直方图和局部二值模式特征提

取方法、针对气阀孔的求导微分方法的斑点特征提取方法以及特征分类器。随机采取10

种轮型的1000张轮毂样本图片，融合方向梯度直方图和局部二值模式特征向量后轮毂

型号识别率达到99.3%，在气阀孔定位准确率上达96.3%，单张检测平均约700ms，一

定程度上解决轮毂型号分类以及气阀孔定位的问题，同时在轮毂图像异常场景上的处理

效果比深度学习好，但在标准工业场景下仍存在检测效率与精度上的不足。

其次，研究基于深度学习的轮毂检测方法，通过轮毂数据预处理对数据集进行构建

与增强，基于改进的MobileNetV3模型以及其他轻量化卷积神经网络进行特征提取，采

取分类与分割分支并行的单阶段策略，通过单次检测直接得出轮毂的类别和气阀孔位置

信息。在分类上，加入支持向量机进行监督，完成轮毂型号的识别；在分割上，引入编

码器/解码器结构，融合多尺度特征，学习高效的区分类别，完成气阀孔的定位。并通过

半监督的知识蒸馏方法，压缩加速模型，通过减少标注成本节约人力资源，同时提高模

型的效率。在测试集上获得分类F1-score分数99.9%，分割交并比分数97.37%的高识别

率，单张轮毂图像检测仅需平均约27ms。

最后，针对不同应用场景的轮毂检测需求开发轮毂图像实时检测系统，从算法准确

性、速度、鲁棒性、拓展性探讨分析两种方案的优劣，确定以深度学习检测方法作为标

准场景下的方案，融合边缘纹理特征检测方法和深度学习检测方法作为非标准场景下的

方案；进一步确定系统的软硬件设计和硬件的选型，并利用OpenVINO工具对模型进行

上线部署到CPU设备，实现轮毂识别与气阀孔定位检测技术的集成。

关键词：轮毂分类；气阀孔定位；卷积神经网络；MobileNetV3；边缘与纹理

Abstract

Abstract

TherapiddevelopmentofChinasautomobileindustrynaturallyledtothedevelopment

ofthehubindustry.Intheprocessofhubproduction,manufacturingandtransportation

management,itisnecessarytoidentifyhubtypeandlocateitsvalveholes,themanual

inspectionisincreasinglyunabletomeettheneeds,intelligentautomatedhubmanufacturing

anddetectingtechnologywillfurtherdominatethemarket.Machinevisioninvolves

numerousindustriessuchasindustrialmanufacturing,medicalimageanalysisandassisted

driving.Itiscurrentlyinastageofrapiddevelopmentandhasgre