基于深度學習的安全氣囊裁剪片識別系統的設計

摘 要：隨著安全氣囊設計的多樣化，安全氣囊裁剪片的設計也越來越相似。現階段工廠仍然采用人工識別安全氣囊裁剪片的方式，不僅需要投入大量的人力和時間，其準確率還受人員主觀因素的影響。為解決這一問題，設計了一種基于深度學習的安全氣囊裁剪片識別系統。首先，通過拍攝采集了6種相似OPW安全氣囊的耳片照片共1 000張，構建了實驗所用的數據集；然后，訓練了基于深度學習的安全氣囊裁剪片識別模型，并應用當前常用的幾種深度學習模型進行實驗，進而選取合適的模型；接著，對所選的模型進行改進，將其識別準確率提高至93%；最后，開發Web端，用戶通過訪問網頁端即可識別裁剪片，實現移動端的識別操作。在Web端對OPW安全氣囊的6種相似耳片進行了識別實驗，結果表明所設計的系統能夠實現預期的功能，相較于人工識別效果更好，具有替代人工識別的可能性。

關鍵詞：安全氣囊；裁剪片；深度學習；卷積神經網絡：VGG16；移動端；識別系統

中圖分類號：TP39 文獻標識碼：A 文章編號：2095-1302（2025）01-00-04

0 引 言

安全氣囊作為汽車的安全部件，已被廣泛應用于各類車型中。隨著人們對汽車內飾的要求逐漸提升，汽車車型的研發也逐步趨向于少量多類，而這導致了安全氣囊出現很多相似設計，使得用于縫制安全氣囊的裁剪片也有很多的相似性。例如，圖1所示的一體化（OPW）安全氣囊雖為全織型，但也需要縫制一些掛耳等，以便能固定至汽車內，滿足其性能要求。為防止因裁剪片的混用而導致爆破失敗的事情發生，工廠常用人工對比圖片的方式進行裁剪片的識別。然而這種方式下不僅需要投入大量的人力與時間，其準確率還受人員主觀因素的影響。

近年來，隨著人工智能的興起，利用深度學習的方法進行物體識別的技術已越來越成熟[1-6]。文獻[7]利用卷積神經網絡對蘋果葉片進行圖像分類，模型準確率為98.14%；文獻[8]利用卷積神經網絡分類算法對21個品種的釀酒葡萄進行了識別，準確率可達到94%以上。但已有研究中鮮有對安全氣囊裁剪片進行識別的研究報道。

本文以安全氣囊袋上的耳片為主要識別對象，設計了一種基于深度學習的安全氣囊裁剪片識別系統，從而改變傳統的人工識別方式，提高工廠的生產效率和質量。

1 深度學習訓練模型的選取及算法改進

本文設計的基于深度學習的安全氣囊裁剪片識別模型如圖2所示。創建模型的主要步驟如下：

（1）選定識別對象，并進行數據采集及數據擴充，進而得到增廣的數據集；

（2）使用目前應用較廣、識別效果最好的卷積神經網絡進行訓練；

（3）對選擇的神經網絡模型進行優化，以提高其準確率。

1.1 數據采集

本文所研究的識別對象主要為OPW氣囊的耳片。本課題共采集了6種OPW氣囊的耳片，共1 000張照片。其中，800張構成訓練集，200張構成測試集。這些耳片的主要區別在于固定孔位、長寬比例的不同。采集的數據均使用線上標注工具make sense進行標注。

1.2 模型訓練及選取

首先，將收集的1 000張圖片的像素設置為28×28。然后，采用目前圖像識別領域中應用較廣的幾種卷積網絡算法，如AlexNet8、Inception10、ResNet18、VGG16，分別進行1 000輪訓練（batch size為32）。其訓練結果見表1。

根據上述訓練結果，選取準確率較高、損失較少的模型VGG16，進行進一步的模型改進。

1.3 選取模型的改進

選取識別效果較優秀的模型VGG16后，進行下述處理：

（1）圖片像素提升為32×32；

（2）對采集的數據進行水平鏡像、垂直鏡像、旋轉90°、180°、270°，得到增廣的數據；

（3）在VGG16模型中保持VGG16的卷積堆疊塊和池化層的原結構不動，在全連接層凍結80%的神經元，以提升其訓練效率。

經過100輪的訓練后，結果如圖3所示，Loss值明顯更加收斂。

對模型進行改進之后，數據對比見表2。

2 基于Web端的識別系統的實現

完成基于深度學習的模型訓練后，利用訓練樣本建立起圖像的基礎模型，該模型顯著提升了圖像識別系統的識別能力。本章將重點介紹在手機移動端Web上通過該模型對樣品進行識別的具體實現過程，包括系統架構詳解、終端可行性分析、通信機制選擇、服務架構設計、系統測試方法以及測試結果等。

2.1 系統架構

本文研究的圖像識別系統整體架構如圖4所示。

上文中對深度學習訓練模型進行改進并經過100輪的訓練后，模型的Loss值趨于收斂，這表明模型基本具備圖像識別功能。本文將該功能以接口形式封裝成圖像識別系統。

在該模型的實際應用中，可以采用移動手機終端的瀏覽器訪問并打開Web端服務，通過識別拍照上傳的圖片，調用服務器的圖像識別算法模型接口服務，最后經過算法模型識別后返回結果。其整體應用架構示意圖如圖5所示。

2.2 終端可行性分析

在選擇移動終端時，仔細分析對比了使用APP和Web端的優劣。

2.2.1 使用APP實現

一般情況下，對于圖像識別系統終端軟件的解決方案大都是針對Android或者iOS端進行APP開發，其優勢為用戶體驗感較好。相比較Web項目，APP一般具有更豐富的UI交互效果和更友好的用戶體驗，支持更快速、更直觀的操作和反饋[9-11]。但APP開發也有以下劣勢：

（1）開發難度高。開發APP需要使用特定的開發語言和框架，如Java、Swift、Objective-C等，同時還需要考慮不同操作系統和設備之間的兼容性問題。

（2）安卓和iOS系統的兼容問題。需要開發2套APP系統才能同時滿足安卓系統和iOS系統。

（3）維護成本高。APP的更新和維護復雜，每次代碼優化都需要重新編譯打包，需要消耗更多的時間和資源。

2.2.2 使用Web項目實現

相比之下，使用Web端雖然在用戶體驗上相較于APP略顯不足，但其他優勢較明顯，具體如下：

（1）開發難度低。Web項目主要使用HTML、CSS和JavaScript編寫。

（2）適配能力好。Web項目一般適用于大多數安卓和iOS手機，一套代碼可以同時在2種系統的手機瀏覽器中展示。

（3）維護成本低。代碼的優化迭代隨時更新隨時生效，減少了編譯打包的時間資源消耗。

經過比較，本系統最終選取Web項目開發來實現移動終端的開發選型，用戶可直接使用安卓或iOS手機的瀏覽器打開Web端網頁服務提供的網站，隨時隨地拍照并上傳圖片進行識別。其優點為：方便使用，易實現，省去了開發APP的成本和占用手機的部分空間，使用維護都比較簡便[12]。

2.3 通信方式

將網站代碼部署在服務器中，通過接入互聯網或局域網對外提供網站服務，用戶的手機終端主要通過無線局域網或5G網絡與服務器保持通信，具體有以下2種情況：

（1）5G：若將服務器部署在外部公網，用戶手機端可以通過5G通信對網站進行訪問；

（2）WiFi：若將服務器部署在工廠內網且不對外提供訪問服務，用戶手機端可以通過連接工廠內部WiFi網絡對網站進行訪問。

2.4 服務架構設計

服務器中包含算法服務、接口層服務和Web端服務，每個服務獨立部署且相互提供服務。

2.4.1 算法服務

在服務器中，通過Python開發并經過深度學習之后形成的算法服務模型可以為接口層提供計算識別服務。

2.4.2 接口層服務

使用Python開發接口層服務，將算法服務封裝成接口http：//192.168.3.25：5000/predict，該接口的輸入參數為“被識別圖片”，輸出參數為對應裁剪片的名稱，調用該接口即可調用內部的算法服務進行計算識別。

2.4.3 Web端服務

使用HTML5開發Web端服務，將接口功能嵌入到頁面中，使得用戶能夠直接在網頁上操作。用戶通過手機端拍照后將圖片上傳到Web端，手動點擊“識別”按鈕，即可觸發接口層服務的調用，并最終在頁面上展示識別結果。

2.5 系統測試與結果

根據上文的研究結果和系統部署，基于深度學習算法模型[13]的圖像識別系統已經實現。本節將對系統的識別功能進行檢驗。先啟動系統，再通過手機端瀏覽器打開網站并進入圖片識別主頁面。系統的實機演示效果如圖6所示。

點擊圖6中的“選擇圖片”上傳圖片。系統會彈出“拍照”和“文件”2個選項供選擇，如圖7所示，分別支持實時拍照和上傳之前已經拍好的照片。若上傳錯誤，點擊“清除”，則清空圖片并返回主頁面。

上傳樣品圖片后的演示頁面如圖8所示。

上傳好樣品圖片后，點擊“識別”按鈕，通過訓練好的模型對其進行識別，并返回結果“MTG_TAB_1”，演示頁面如圖9所示。

3 結 語

本文研究的主要目的是將深度學習應用至實際生產中，將安全氣囊裁剪片生產過程中的人工識別方式改進為通過移動端進行實物識別的方式。本文通過訓練模型并開發Web端，使用戶可以通過Web端訪問服務，并得到識別的數據。后期工作仍需要持續改進，當前使用的數據集局限于6種，后續需增加更多種類，增強其泛化能力；另外還需要持續改進模型，提升其準確度。

參考文獻

[1] LIU L， WANG R， XIE C， et al. PestNet： an end-to-end deep learning approach for large-scale multi-class pest detection and classification [J]. IEEE access， 2019， 7： 45301-45312.

[2] GU J， WANG Z， KUEN J， et al. Recent advances in convolutional neural networks [J/OL]. arXiv preprint arXiv：1512.07108， 2015.

[3] KRIZHEVSKY A， SUTSKEVER I， HINTON G. ImageNet classification with deep convolutional neural networks [C]// Neural Information Processing Systems. Lake Tahoe， Nevada， USA： NIPS， 2012： 1106-1114.

[4] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition [J/OL]. arXiv preprint arXiv： 1409.1556， 2014.

[5] HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas， NV， USA： IEEE， 2016： 770-778.

[6] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition [J]. Computer science， 2014.

[7] CHEN J， HAN J， LIU C， et al. A deep-learning method for the classification of apple varieties via leaf images from different growth periods in natural environment [J]. Symmetry， 2022， 14（8）： 1671.

[8] LIU Y， SU J， SHEN L， et al. Development of a mobile application for identification of grapevine （vitis vinifera l.） cultivars via deep learning [J]. International journal of agricultural and biological engineering， 2021， 14（5）： 172-179.

[9] 岳有軍，李雪松，趙輝，等.基于改進 VGG 網絡的農作物病害圖像識別[J].農機化研究，2022，44（6）：18-24.

[10]莊寧.基于TensorFlow的Android端本地圖像分類的應用設計與實現[D].杭州：浙江工業大學，2019.

[11]劉洋.手機端植物病害識別與嚴重程度估計[D].蘭州：甘肅農業大學，2021.

[12]吳耀平.基于Web指紋識別的暗網漏洞研究[D].廣州：廣州大學，2023.

[13]趙亮，郭杜杜，王慶慶，等.基于深度學習的遙感影像道路提取[J].現代電子技術，2023，46（23）：48-54.