CN113762281B 一种基于机器学习的成型轮毂识别方法 （浙江跃岭股份有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN113762281B(45)授权公告日2025.07.01

(21)申请号202110891203.4

(22)申请日2021.08.04

(65)同一申请的已公布的文献号申请公布号CN113762281A

(43)申请公布日2021.12.07

(73)专利权人浙江跃岭股份有限公司

地址317500浙江省台州市温岭市泽国镇

横径村飞跃路1号

(72)发明人林斌万坤田勇万士文

李庆贺计i森林苏俩征许国强(74)专利代理机构杭州杭诚专利事务所有限公

司33109专利代理师刘正君

(51)Int.CI.

GO6V10/764(2022.01)

GO6V10/40(2022.01)

GO6V10/82(2022.01)

G06T3/60(2024.01)

GO6F16/21(2019.01)

GO6F16/2455(2019.01)

GO6N3/0464(2023.01)

GO6N3/0985(2023.01)

(56)对比文件

CN106295936A,2017.01.04

梁思琪.基于机器学习的汽车轮毂智能分类识别系统研究.工程科技Ⅱ辑硕士学位论文

.2019,第25-68页.

审查员陆婵婵

权利要求书2页说明书7页附图1页

(54)发明名称

一种基于机器学习的成型轮毂识别方法

(57)摘要

CN113762281B本发明公开了一种基于机器学习的成型轮毂识别方法，为了解决无法辨别轮毂编码和轮毂结构不统一的情况的问题，包括以下步骤：S1:收集轮毂编码及轮毂结构数据并构建轮毂数据库；S2:采集轮毂编码及两侧结构图像，基于神经网络提取图像特征；S3:将提取的图像特征与数据库中轮毂编码及轮毂结构对比，将轮毂编码与对应的轮毂结构进行验证，得到匹配结果；S4:根据匹配结果识别轮毂类型。本发明的有益效果是：本方法基于机器学习的卷积神经网络对轮毂进行识别，便于确定轮毂类型；本方法通过对轮毂编码、轮毂结构两个不同的识别方式，实现辨别轮毂编码和轮毂结构不统一

CN113762281B

收集轮毂数据，构建轮毂数据库

采集并提取轮毂图像特征

对比图像特征和数据库中信息

对比两种识别方法得到的轮毂类型

根据匹配结果得到最终轮毂类型

S1

S2

S3

S4

CN113762281B权利要求书1/2页

2

1.一种基于机器学习的成型轮毂识别方法，其特征在于，包括以下步骤：

S1:收集轮毂编码及轮毂结构数据并构建轮毂数据库，建立编码规则，由4位数字组成商品项目代码；

S2:采集轮毂编码及两侧结构图像，基于神经网络提取图像特征；

S3:将提取的图像特征与数据库中轮毂编码及轮毂结构对比，得到两种识别方式确定的轮毂类型，将轮毂编码与对应的轮毂结构进行验证，对比两种不同识别方式得到的轮毂类型，得到匹配结果；

S4:根据匹配结果识别轮毂类型。

2.根据权利要求1所述的一种基于机器学习的成型轮毂识别方法，其特征在于，所述轮毂编码包括前缀码、厂商识别代码、商品项目代码和校验码，所述商品项目代码由4位数字组成，包括车轮材料代码为第一位，编码1-8表示车轮材料、成型工艺代码为第二位，编码1-8表示车轮成型工艺、车轮结构代码为第三位，编码1-3表示车轮结构、车轮表面状态代码为第四位，编码1-8表示车轮表面状态。

3.根据权利要求1所述的一种基于机器学习的成型轮毂识别方法，其特征在于，步骤S1中所述收集轮毂编码及轮毂结构数据并构建轮毂数据库包括以下步骤：

S11:根据轮毂编码规则对轮毂编码结构进行解析；

S12:将每个编码对应的含义存入并构建编码数据库；

S13:根据不同轮毂型号的轮毂结构存入并构建结构数据库。

4.根据权利要求3所述的一种基于机器学习的成型轮毂识别方法，其特征在于，步骤S13中所述轮毂结构包括螺栓孔结构、窗口结构、气嘴孔结构、辐条结构、安装面结构、肋背结构、轮辋结构、偏距、挂型结构和装车曲线。

5.根据权利要求1所述的一种基于机器学习的成型轮毂识别方法，其特征在于，步骤S2中所述采集轮毂编码及两侧结构图像包括以下步骤：

S21:定位轮毂编码位置，采集轮毂编码信息；

S22: