(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210941249.7 (22)申请日 2022.08.08 (71)申请人 南京耘瞳科技有限公司 地址 211106 江苏省南京市江宁区双龙 大 道1698号10 03-1005室 (72)发明人 贾佳　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 专利代理师 张力 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的汽车关键外观件检测 方法 (57)摘要 本发明公开了一种基于深度学习的汽车关 键外观件检测方法， 步骤1， 采集并构建汽车关键 外观件图像数据集； 步骤2， 构建用于汽 车关键外 观件检测的并行多特征通道轻量化卷积结构模 型， 使用汽 车关键外观件图像数据集作为训练集 进行模型训练； 步骤3， 采用并行多特征通道轻量 化卷积结构模型进行汽车关键外观件实时分类 检测。 本发 明可实现汽车关键外观件的准确自动 检测， 为后续进行整车防错检测提供了数据支 撑。 权利要求书1页 说明书4页 附图1页 CN 115272265 A 2022.11.01 CN 115272265 A 1.一种基于深度学习的汽车关键 外观件检测方法， 其特 征在于， 包括： 步骤1， 采集并构建汽车关键 外观件图像数据集； 步骤2， 构建用于汽车关键外观件检测的并行多特征通道轻量化卷积结构模型， 使用汽 车关键外观件图像数据集作为训练集进行模型训练； 步骤3， 采用并行多特 征通道轻量 化卷积结构模型进行汽车关键 外观件实时分类 检测。 2.根据权利要求1所述的一种基于深度 学习的汽车关键外观件检测方法， 其特征在于， 所述步骤1通过固定在汽车总装流水线四周的工业相机采集模组采集汽车关键外观件图 像。 3.根据权利要求1所述的一种基于深度 学习的汽车关键外观件检测方法， 其特征在于， 所述并行多特征通道轻量化卷积结构模型， 采用非对称卷积和常规卷积相结合构成单独的 特征通道， 采用不同大小的卷积核获取不同大小的感受野， 并进行多路特 征融合。 4.根据权利要求1所述的一种基于深度 学习的汽车关键外观件检测方法， 其特征在于， 所述模型的骨干网络中采用残差结构连接网络的不同层。 5.根据权利要求1所述的一种基于深度 学习的汽车关键外观件检测方法， 其特征在于， 所述模型将输入特征映射分为四个分支， 然后将四个分支输出进行特征融合， 并通过1 ×1 卷积进行降维和通道间的编码。 6.根据权利要求4所述的一种基于深度 学习的汽车关键外观件检测方法， 其特征在于， 所述模型将输入特 征映射分为如下四个分支： 第一分支为3 ×3的深度可分离卷积生成的特 征映射； 第二分支包括5 ×1和1×5的非对称卷积， 以及3 ×3深度可分离卷积的残差结构层； 第三分支的特征通路首先经过3 ×1和1×3的两个非对称卷积的叠加， 再串联3 ×3深度 可分离卷积的残差块； 第四分支保留输入映射进行 特征复用。 7.根据权利要求1所述的一种基于深度 学习的汽车关键外观件检测方法， 其特征在于， 所述步骤3包括： S1， 根据流水线生产节拍设置工业相机的拍摄节拍， 保证不同车辆具备同样的拍摄姿 态， 采集汽车外观图像数据； S2， 将汽车外观图像数据输入到训练好的并行多特征通道轻量化卷积结构模型进行汽 车关键外观件实时检测， 确定汽车关键 外观件位置和类别； S3， 根据汽车关键 外观件位置和类别进行装配错 误检测。 8.根据权利要求1 ‑7任一所述的一种基于深度学习的汽车关键外观件检测方法， 其特 征在于， 所述汽车关键 外观件包括车门、 后视 镜和挡风玻璃。权　利　要　求　书 1/1 页 2 CN 115272265 A 2一种基于深度学习的汽车关键外观件检测方 法 技术领域 [0001]本发明属于汽车生产线检测技术领域， 具体涉及 一种基于深度学习的汽车关键外 观件检测方法。 背景技术 [0002]汽车制造业是中国工业建设的重点， 相比其他行业发展较快， 但和国外高端汽车 企业相比， 中国的汽 车制造企业在制造过程中的管理系统， 汽 车质量， 装配制造和价位 都与 国际汽车制造企业存在一定差距。 其中， 汽车总装过程是汽车装配过程中的关键步骤， 在汽 车制造工业中有着举足轻重的地 位。 [0003]随着汽车行业的发展， 汽车外观件的个性化需求也越来越显著。 为了实现对多个 型号产品的兼容性生产， 同时随着汽车市场的逐渐饱和， 汽车行业利润的降低以及汽车更 新换代的速度加快， 作为配套公司也必须做出适当的调整。 从整个汽 车行业来看， 生产线柔 性化成为了必然趋势。 [0004]柔性化可实现小批量、 多品种的生产 模式， 虽然能够降低制造成本， 但随之而来的 缺点也暴露无遗。 对于汽 车关键外观件产品来说， 常见的问题是装错、 漏装和多装等。 因此， 为了实现整车外观件防错检测， 需要首先对汽车关键外观件进行位置检测， 然后再利用相 应的防错 算法进行防错检测。 因此， 目前急需一种汽车关键 外观件检测方法。 [0005]目前针对汽车外观件的检测主要依靠人工目视检测， 这种检测方式主观性强， 极 易由于人工疲劳造成漏检。 随着基于深度学习的目标检测 技术的发展， 目标检测技术在各 个行业的应用也越来越显著。 因此， 可以将该 方法应用于汽车关键 外观件的检测中。 发明内容 [0006]本发明所要解决的技术问题是针对上述现有技术的不足， 提供一种基于深度学习 的汽车关键 外观件检测方法。 [0007]为实现上述 技术目的， 本发明采取的技 术方案为： [0008]一种基于深度学习的汽车关键 外观件检测方法， 包括： [0009]步骤1， 采集并构建汽车关键 外观件图像数据集； [0010]步骤2， 构建用于汽车关键外观件检测的并行多特征通道轻量化卷积结构模型， 使 用汽车关键 外观件图像数据集作为训练集进行模型训练； [0011]步骤3， 采用并行多特征通道轻量化卷积结构模型进行汽车关键外观件实时分类 检测。 [0012]为优化上述 技术方案， 采取的具体措施还 包括： [0013]上述的步骤1通过固定在汽车总装流水线四周的工业相机采集模组采集汽车关键 外观件图像。 [0014]上述的并行多特征通道轻量化卷积结构模型， 采用非对称卷积和常规卷积相结合 构成单独的特征通道， 采用不同大小的卷积核获取不同大小的感受野， 并进行多路特征融说　明　书 1/4 页 3 CN 115272265 A 3