(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 202210953744.X (22)申请日 2022.08.10 (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 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G05B 19/418(2006.01) (54)发明名称 一种基于深度学习的汽车轮胎装配防错方 法 (57)摘要 本发明公开了一种基于深度学习的汽车轮 胎装配防错方法， 包括步骤1， 待装配车辆送入装 配位时， 获取待装配车辆的VIN信息和对应轮胎 信息； 步骤2， 将轮胎传送到拍照位， 当检测到轮 胎在拍照位信号时， 采用图像采集系统拍摄轮胎 图像； 步骤3， 将轮胎图像传送至识别网络， 识别 网络识别并输出轮胎型号信息； 步骤4， 将步骤3 识别出的轮胎型号信息与步骤1获取的轮胎信息 进行比较， 比较结果反馈给传送带控制中心， 进 而控制传送带的运输路线。 在 整车厂轮胎装配 之 前， 采用机器视觉系统代替人工核对 车辆信息和 轮胎信息的一 致性， 实现汽车轮胎装配防错。 权利要求书1页 说明书3页 附图1页 CN 115294069 A 2022.11.04 CN 115294069 A 1.一种基于深度学习的汽车轮胎装配防错方法， 其特 征在于， 包括： 步骤1， 待装配车辆送入 装配位时， 获取待装配车辆的VI N信息和对应 轮胎信息； 步骤2， 将轮胎传送到拍照位， 当检测到轮胎在拍照位信号时， 采用图像采集系统拍摄 轮胎图像； 步骤3， 将轮胎图像传送至识别网络， 识别网络识别并输出轮胎型号信息； 步骤4， 将步骤3识别出的轮胎 型号信息与步骤1获取的轮胎信息进行比较， 比较结果反 馈给传送带控制中心， 进 而控制传送带的运输路线。 2.根据权利要求1所述的一种基于深度 学习的汽车轮胎装配防错方法， 其特征在于， 所 述对应轮胎信息具体包括轮胎示例图片和型号。 3.根据权利要求1所述的一种基于深度 学习的汽车轮胎装配防错方法， 其特征在于， 所 述图像采集系统包括30万像素Global  Shutter CMOS图像传感器、 两组50cm长的条形LED光 源和遮光 罩。 4.根据权利要求1所述的一种基于深度 学习的汽车轮胎装配防错方法， 其特征在于， 所 述识别网络为改进的YOLOv4网络， 其在YOLOv4网络基础上增加多尺度特征获取模块MS ‑FAM 和通道注意力机制的特 征筛选模块CA ‑FSM。 5.根据权利要求4所述的一种基于深度 学习的汽车轮胎装配防错方法， 其特征在于， 所 述MS‑FAM将扩张卷积和深度可分离卷积并行 结合； 所述深度可分离卷积 将标准卷积分解 为两个子运 算， 分别为： 深度卷积和逐点卷积； 逐点卷积对不同的输入通道使用不同的卷积核， 然后逐点卷积合并得到的输出； 所述扩张卷积使用不同的膨胀率； 所述MS‑FAM通过残差与输入特征图连接， 将不同的特征信息融合成更具鉴别能力的特 征。 6.根据权利要求4所述的一种基于深度 学习的汽车轮胎装配防错方法， 其特征在于， 所 述CA‑FSM通过全局平均池化， 将大小为H ×W×C的矩阵X压缩成1 ×1×C的向量， 命名为Mc， 然后连接两个全连接层， 得到每个特征通道的权重， 命名为ω＝{ω1,ω2,ω3…ωc}， 将权 重与初始特 征相乘后， 得到滤波后的特 征信息。 7.根据权利要求6所述的一种基于深度 学习的汽车轮胎装配防错方法， 其特征在于， 所 述向量Mc公式如下： 其中， xc(i,j)为矩阵x的(i,j,c)处的值。 8.根据权利要求6所述的一种基于深度 学习的汽车轮胎装配防错方法， 其特征在于， 所 述特征通道的权 重的计算方式如下： 其中， σ 表示Sigmoid激活函数， δ表示ReLU激活函数， W1表示降维层参数， W2表示增维层 参数， 表示降维函数， 表示增维函数。权　利　要　求　书 1/1 页 2 CN 115294069 A 2一种基于深度学习的汽车轮胎装配防错方 法 技术领域 [0001]本发明属于汽车轮胎装配技术领域， 具体涉及一种基于深度学习的汽车轮胎装配 防错方法。 背景技术 [0002]整车厂对轮胎的装配， 主要采用流水线的作业方式。 由于生产安排需要， 总装车 间 生产线上的车辆是不同车型、 不同配置 混线生产的， 对应的轮胎样式众多。 尤其为了满足客 户个性化需求， 现在轮胎中轮毂样 式有10种以上， 这对车辆装配过程中设备及物料防错提 出了很高的要求。 [0003]采用工人核对车辆装车单上轮胎项信息， 并与轮胎输送线上轮胎进行比较的方 式， 时常会出现由于人为因素造成轮胎错装， 而引起质量问题， 这对整 车的品质和安全来说 都是一个极大的隐患， 同时效率 也十分低下。 发明内容 [0004]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 的汽车轮胎装配防错方法， 在整车厂轮胎装配之前， 采用机器视觉系统代替人工核对车辆 信息和轮胎信息的一 致性， 实现汽车轮胎装配防错。 [0005]为实现上述 技术目的， 本发明采取的技 术方案为： [0006]一种基于深度学习的汽车轮胎装配防错方法， 包括： [0007]步骤1， 待装配车辆送入 装配位时， 获取待装配车辆的VI N信息和对应 轮胎信息； [0008]步骤2， 将轮胎传送到拍照位， 当检测到轮胎在拍照位信号时， 采用图像采集系统 拍摄轮胎图像； [0009]步骤3， 将轮胎图像传送至识别网络， 识别网络识别并输出轮胎型号信息； [0010]步骤4， 将步骤3识别出的轮胎型号信息与步骤1获取的轮胎信息进行比较， 比较结 果反馈给传送带控制中心， 进 而控制传送带的运输路线。 [0011]为优化上述 技术方案， 采取的具体措施还 包括： [0012]上述的对应 轮胎信息具体包括轮胎示例图片和型号。 [0013]上述的图像采集系统包括30万像素Global  Shutter CMOS图像传感器、 两组50cm 长的条形LED光源和遮光 罩。 [0014]上述的识别网络为改进的YOLOv4网络， 其在 YOLOv4网络基础上增加多尺度特征获 取模块MS ‑FAM和通道 注意力机制的特 征筛选模块CA ‑FSM。 [0015]上述的MS ‑FAM将扩张卷积和深度可分离卷积并行 结合； [0016]所述深度可分离卷积将标准卷积分解为两个子运算， 分别为： 深度卷积和逐点卷 积； [0017]逐点卷积对不同的输入通道使用不同的卷积核， 然后逐点卷积合并得到的输出； [0018]所述扩张卷积使用不同的膨胀率；说　明　书 1/3 页 3 CN 115294069 A 3