一种汽车车身变形机构的检测方法与流程

1.本发明涉及一种变形机构检测方法，具体为一种汽车车身变形机构的检测方法，属于基于人工智能的机器视觉技术领域。


背景技术：

2.汽车是日常生活中最常用的交通工具，由于在使用过程中经常会发生碰撞导致汽车车身会发生变形，因此汽车维修也是一项重要工作。汽车车身检测是车身维修中不可缺少的重要环节之一。是维持或恢复车身的正常工作能力，延长使用寿命并使其经常处于完好技术状态的主要依据。车身测量是为了确认车身损伤状态和把握变形程度的大小。
3.机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
4.汽车变形检测是为了确认车身损伤状态和把握变形程度的大小。通过机器视觉来进行检测可以代替人工，效率更高，测量更准确，现有技术中缺少这种相关的检测方法。


技术实现要素：

5.本发明的目的就在于为了解决上述至少一个技术问题而提供一种汽车车身变形机构的检测方法，通过机器视觉获取汽车变形机构信息进行修复。
6.本发明通过以下技术方案来实现上述目的：一种汽车车身变形机构的检测方法，检测方法包括以下步骤：
7.步骤一：启动采用双目视觉系统中的两台相机，调节光源至能清晰拍摄图像；
8.步骤二：进行摄像机标定，对于获取的畸变向量，消除它的径向和切线方向上的镜头畸变，获得无畸变图像，同时建立摄像机的成像模型，确定目标点与像素点之间的对应关系；
9.步骤三：进行图像校正，根据相机的内参和外参将极线转换为水平，构建旋转矩阵e1为基底的单位向量，e2和e1正交且为单位向量，e3＝e1×
e2；
10.步骤四：车身裂痕检测，判断车身是否有裂痕，对图像灰度化处理，增加对比度，运用canny边缘检测，用形态学连接临近裂痕；
11.步骤五：利用bp神经网络对变形结构进行分类，主要有褶皱，凹凸，扭曲三种变形，使用hu不变矩对变形图像进行特征点提取，通过采集数据集进行训练；
12.步骤六：运用slic即简单的线性迭代聚类算法对变形区域进行图像分割，其不仅可以分割彩色图，也可以兼容分割灰度图；
13.步骤七:采用基于图割的全局立体匹配算法进行立体匹配；
14.步骤八：采用三角测量原理计算获取的立体匹配图像的深度值；
15.步骤九：分别对变形机构的变形深度和变形面积进行评价，计算变形部位的最大深度与最小深度差值，由像素点计算变形结构的面积；
16.步骤十：输出变形结构的类型及评价，判断是否可以修复及选择修复方式；
17.步骤十一：输出变形部位的三维结构模型及三维点云的坐标和深度值，规划修复路径。
18.作为本发明再进一步的方案：步骤五中，对采集数据集进行训练时，将数据分类训练集和测试集，训练集训练得到网络的权重，测试集评估网络的泛化误差，调整学习率、隐藏层节点数、迭代次数等参数以提高正确率，损失函数使用交叉熵。
19.作为本发明再进一步的方案：步骤六中，线性迭代聚类算法具体包括：
20.首先初始化种子点(聚类中心)，在种子点的n*n邻域内重新选择种子点，取n＝3，在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)，对每个像素进行距离计算，包括颜色距离和空间距离，最终距离度量然后对其进行迭代优化，进行10次迭代，最后对像素进行遍历消除过小像素并将像素进行分配。
21.作为本发明再进一步的方案：步骤七中，进行立体匹配时，采用的函数优化的思想对匹配代价进行全局优化，将全局能量函数最小值转化为图的最小割问题。
22.作为本发明再进一步的方案：步骤八中，具体包括：
23.根据为视差，计算出深度z，根据得到稠密的三维空间点云，再对获取的三维空间点云进行网格化和差值计算，得到变形部位的三维结构模型。
24.作为本发明再进一步的方案：步骤九中，将变形深度分为深度严重变形、深度中等变形、深度轻微变形三种；由像素点计算变形结构的面积，将变形面积按面积分为面积严重变形、面积中等变形、面积轻微变形三种。
25.本发明的有益效果是：
26.1、本发明通过图像处理及神经网络对汽车变形部位进行快速检测识别变形类型以及变形程度，快速有效的对汽车变形检测以选择相应的修复方法；
27.2、通过运用机器视觉与智能算法结合来检测变形的深度信息，匹配可以代替人工提高变形检测的运行效率和自动化程度。
附图说明
28.图1为本发明检测过程流程图；
29.图2为双目视觉系统图。
具体实施方式
30.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
31.实施例一
32.如图1至图2所示，一种汽车车身变形机构的检测方法，检测方法包括以下步骤：
33.步骤一：启动采用双目视觉系统中的两台相机，调节光源至能清晰拍摄图像；
34.步骤二：进行摄像机标定，对于获取的畸变向量，消除它的径向和切线方向上的镜头畸变，获得无畸变图像，同时建立摄像机的成像模型，确定目标点与像素点之间的对应关系；
35.步骤三：进行图像校正，根据相机的内参和外参将极线转换为水平，构建旋转矩阵e1为基底的单位向量，e2和e1正交且为单位向量，e3＝e1×
e2；
36.步骤四：车身裂痕检测，判断车身是否有裂痕，对图像灰度化处理，增加对比度，运用canny边缘检测，用形态学连接临近裂痕；
37.步骤五：利用bp神经网络对变形结构进行分类，主要有褶皱，凹凸，扭曲三种变形，使用hu不变矩对变形图像进行特征点提取，通过采集数据集进行训练；
38.步骤六：运用slic即简单的线性迭代聚类算法对变形区域进行图像分割，其不仅可以分割彩色图，也可以兼容分割灰度图；
39.步骤七:采用基于图割的全局立体匹配算法进行立体匹配；
40.步骤八：采用三角测量原理计算获取的立体匹配图像的深度值；
41.步骤九：分别对变形机构的变形深度和变形面积进行评价，计算变形部位的最大深度与最小深度差值，由像素点计算变形结构的面积；
42.步骤十：输出变形结构的类型及评价，判断是否可以修复及选择修复方式；
43.步骤十一：输出变形部位的三维结构模型及三维点云的坐标和深度值，规划修复路径。
44.实施例二
45.本实施例中除包括实施例一中的所有技术特征之外，还包括：
46.步骤五中，对采集数据集进行训练时，将数据分类训练集(80％)和测试集(20％)，训练集训练得到网络的权重，测试集评估网络的泛化误差，调整学习率、隐藏层节点数、迭代次数等参数以提高正确率，损失函数使用交叉熵。
47.步骤六中，线性迭代聚类算法具体包括：
48.首先初始化种子点(聚类中心)，在种子点的n*n邻域内重新选择种子点，取n＝3，在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)，对每个像素进行距离计算，包括颜色距离和空间距离，最终距离度量然后对其进行迭代优化，进行10次迭代，最后对像素进行遍历消除过小像素并将像素进行分配。
49.实施例三
50.本实施例中除包括实施例一中的所有技术特征之外，还包括：
51.步骤七中，进行立体匹配时，采用的函数优化的思想对匹配代价进行全局优化，将
全局能量函数最小值转化为图的最小割问题。
52.步骤八中，具体包括：
53.根据d＝x
l-xr为视差，计算出深度z，根据得到稠密的三维空间点云，再对获取的三维空间点云进行网格化和差值计算，得到变形部位的三维结构模型。
54.步骤九中，将变形深度分为深度严重变形、深度中等变形、深度轻微变形三种；由像素点计算变形结构的面积，将变形面积按面积分为面积严重变形、面积中等变形、面积轻微变形三种。
55.首先启动双目视觉系统的相机，调节光源使相机能清晰拍摄，然后进行摄像机标定，标定相机坐标系，消除拍摄图像的镜头畸变，对畸变进行校正，然后根据相机的内参和外参建立旋转矩阵进行图像校正，然后判断车身表面是否有不易修复的裂痕，之后由bp神经网络对车身表面的变形分类，主要分为褶皱，凹凸，弯曲三类。采用slic算法对变形结构进行分割，对变形结构进行全局立体匹配并根据深度值建立三维点云模型和三维结构模型，根据其深度信息和变形面积进行分类，输出变形结构的类型及评价，判断是否可以修复及选择修复方式，输出变形部位的三维结构模型及三维点云的坐标和深度值，规划修复路径。
56.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
57.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

技术特征：
1.一种汽车车身变形机构的检测方法，其特征在于：所述检测方法包括以下步骤：步骤一：启动采用双目视觉系统中的两台相机，调节光源至能清晰拍摄图像；步骤二：进行摄像机标定，对于获取的畸变向量，消除它的径向和切线方向上的镜头畸变，获得无畸变图像，同时建立摄像机的成像模型，确定目标点与像素点之间的对应关系；步骤三：进行图像校正，根据相机的内参和外参将极线转换为水平，构建旋转矩阵其中，e1为基底的单位向量，e2和e1正交且为单位向量，e3＝e1×
e2；步骤四：车身裂痕检测，判断车身是否有裂痕，对图像灰度化处理，增加对比度，运用canny边缘检测，用形态学连接临近裂痕；步骤五：利用bp神经网络对变形结构进行分类，包括褶皱，凹凸，扭曲三种变形，使用hu不变矩对变形图像进行特征点提取，通过采集数据集进行训练；步骤六：运用slic，即线性迭代聚类算法，对变形区域进行图像分割；步骤七：采用基于图割的全局立体匹配算法进行立体匹配；步骤八：采用三角测量原理计算获取的立体匹配图像的深度值；步骤九：分别对变形机构的变形深度和变形面积进行评价，计算变形部位的最大深度与最小深度差值，由像素点计算变形结构的面积；步骤十：输出变形结构的类型及评价，判断是否可以修复及选择修复方式；步骤十一：输出变形部位的三维结构模型及三维点云的坐标和深度值，规划修复路径。2.根据权利要求1所述的检测方法，其特征在于：所述步骤五中，对采集数据集进行训练时，将数据分类训练集和测试集，训练集训练得到网络的权重，测试集评估网络的泛化误差，调整学习率、隐藏层节点数、迭代次数等参数以提高正确率，损失函数使用交叉熵。3.根据权利要求1所述的检测方法，其特征在于：所述步骤六中，线性迭代聚类算法具体包括：首先：初始化种子点，在种子点的n*n邻域内重新选择种子点；其次：取n＝3，在每个种子点周围的邻域内为每个像素点分配类标签，即属于哪个聚类中心，对每个像素进行距离计算，包括颜色距离和空间距离，最终距离度量然后：对其进行迭代优化，进行10次迭代；最后：对像素进行遍历消除过小像素并将像素进行分配。4.根据权利要求1所述的检测方法，其特征在于：所述步骤七中，进行立体匹配时，采用的函数优化的思想对匹配代价进行全局优化，将全局能量函数最小值转化为图的最小割问题。5.根据权利要求1所述的检测方法，其特征在于：所述步骤八中，具体包括：根据d＝x
l-x
r
为视差，计算出深度z，根据得到稠密的三维空间点云，再对获取的三维空间点云进行网格化和差值计算，得到变形部位的三维结构模型。6.根据权利要求1所述的检测方法，其特征在于：所述步骤九中，将变形深度分为深度
严重变形、深度中等变形、深度轻微变形三种；由像素点计算变形结构的面积，将变形面积按面积分为面积严重变形、面积中等变形、面积轻微变形三种。

技术总结
本发明公开了一种汽车车身变形机构的检测方法，包括启动相机，调节光源至能清晰拍摄图像、摄像机标定、图像校正、车身裂痕检测、变形结构进行分类、变形区域进行图像分割、采用基于图割的全局立体匹配算法进行立体匹配、采用三角测量原理计算获取的立体匹配图像的深度值、分别对变形机构的变形深度和变形面积进行评价、输出变形结构的类型及评价、规划修复路径。本发明的有益效果是：本发明通过图像处理及神经网络对汽车变形部位进行快速检测识别变形类型以及变形程度，快速有效的对汽车变形检测以选择相应的修复方法；通过运用机器视觉与智能算法结合来检测变形的深度信息，匹配可以代替人工提高变形检测的运行效率和自动化程度。化程度。化程度。


技术研发人员：刘新华 姜文婷 李春侠
受保护的技术使用者：哈尔滨严格智慧工厂有限公司
技术研发日：2023.04.13
技术公布日：2023/7/22