Python 中的人工智能轮胎凹槽分析！

php中文网 2024-10-31 17:25:12

轮胎胎面分析是识别磨损和确保安全的一项关键任务，尤其是对于长途行驶的车辆。使用人工智能 (ai) 和 python，我们可以快速准确地自动化此过程。在这里，我们展示了基于 vgg16 架构的卷积神经网络 (cnn) 模型如何将轮胎分类为“新”或“旧”，而 opencv 则帮助分析图像以测量胎面深度。

使用的技术

python：
适用于人工智能和机器学习的流行编程语言，尤其是其高级库。
opencv：
用于处理图像、检测轮廓和测量轮胎胎面面积。
tensorflow 和 keras：
深度学习库。我们使用 keras 来处理 vgg16 模型，这是一个用于图像识别的预训练 cnn。
matplotlib：
用于数据可视化和图形创建的库，使分类结果更易于解释。

代码：

1。加载和预处理图像：
上传轮胎图像并将其大小调整为模型输入所需的标准格式（150x150 像素）。这种大小调整保持了纵横比，并将像素值标准化在 0 和 1 之间，以便模型更容易处理。

import cv2
import numpy as np
from tensorflow.keras.applications.vgg16 import preprocess_input

def process_image(image_path, target_size=(150, 150)):
    image = cv2.imread(image_path)
    if image is none:
        print(f"erro ao carregar a imagem: {image_path}. verifique o caminho e a integridade do arquivo.")
        return none, none

    image_resized = cv2.resize(image, target_size, interpolation=cv2.inter_area)
    image_array = np.array(image_resized) / 255.0  
    image_array = np.expand_dims(image_array, axis=0)
    image_preprocessed = preprocess_input(image_array)

    return image_resized, image_preprocessed

2。使用训练模型进行分类：
我们加载了预先训练的卷积神经网络模型，该模型经过微调以将轮胎分类为“新”或“旧”。该模型提供了一个置信度分数，表明轮胎是新轮胎的概率。

from tensorflow.keras.models import load_model

model = load_model('pneu_classificador.keras')
prediction = model.predict(image_preprocessed)

3。凹槽深度轮廓分析：
使用计算机视觉技术执行凹槽深度检测。灰度图像经过模糊过滤器和 canny 边缘检测，这有助于识别凹槽轮廓。然后我们计算轮廓的总面积，这使我们能够估计磨损。

def detect_tread_depth(image):
    gray = cv2.cvtcolor(image, cv2.color_bgr2gray)
    blurred = cv2.gaussianblur(gray, (5, 5), 0)
    edges = cv2.canny(blurred, 30, 100)
    contours, _ = cv2.findcontours(edges, cv2.retr_external, cv2.chain_approx_simple)
    total_area = sum(cv2.contourarea(c) for c in contours if cv2.contourarea(c) &gt; 100)
    return total_area

4。结果可视化和分析：
对每个轮胎进行分类和分析后，用 matplotlib 显示结果。我们比较了每张图像中检测到的分类置信度得分和凹槽区域。

import matplotlib.pyplot as plt

confidence_scores = []
total_area_green_values = []
predicted_classes = []

for image_file in os.listdir(ver_dir):
    image_path = os.path.join(ver_dir, image_file)
    image_resized, image_preprocessed = process_image(image_path)
    if image_preprocessed is not None:
        prediction = model.predict(image_preprocessed)
        confidence_score = prediction[0][0]
        total_area_green = detect_tread_depth(image_resized)

        predicted_class = "novo" if total_area_green &gt; 500 else "usado"
        confidence_scores.append(confidence_score)
        total_area_green_values.append(total_area_green)
        predicted_classes.append(predicted_class)

        plt.imshow(cv2.cvtColor(image_resized, cv2.COLOR_BGR2RGB))
        plt.title(f"Pneu {predicted_class} (Área: {total_area_green:.2f}, Confiança: {confidence_score:.2f})")
        plt.axis('off')
        plt.show()

fig, axs = plt.subplots(2, 1, figsize=(10, 10))

axs[0].bar(os.listdir(ver_dir), confidence_scores, color='skyblue')
axs[0].set_title('Confiança na Classificação')
axs[0].set_ylim(0, 1)
axs[0].tick_params(axis='x', rotation=45)

axs[1].bar(os.listdir(ver_dir), total_area_green_values, color='lightgreen')
axs[1].set_title('Área Verde Detectada')
axs[1].tick_params(axis='x', rotation=45)

plt.tight_layout()
plt.show()