Reifenrillenanalyse mit künstlicher Intelligenz in Python!
Die Analyse des Reifenprofils ist eine entscheidende Aufgabe, um Verschleiß zu erkennen und die Sicherheit zu gewährleisten, insbesondere bei Fahrzeugen, die lange Strecken zurücklegen. Mithilfe künstlicher Intelligenz (KI) und Python können wir diesen Prozess schnell und präzise automatisieren. Hier zeigen wir, wie ein Convolutional Neural Network (CNN)-Modell, das auf der VGG16-Architektur basiert, Reifen in „neu“ oder „gebraucht“ klassifiziert, während OpenCV bei der Analyse von Bildern hilft, um die Profiltiefe zu messen.
Verwendete Technologien
Python:
Beliebte Programmiersprache für KI und maschinelles Lernen, insbesondere wegen ihrer erweiterten Bibliotheken.OpenCV:
Wird verwendet, um Bilder zu verarbeiten, Konturen zu erkennen und die Reifenprofilfläche zu messen.TensorFlow und Keras:
Deep-Learning-Bibliotheken. Wir verwenden Keras, um mit dem VGG16-Modell zu arbeiten, einem vortrainierten CNN für die Bilderkennung.Matplotlib:
Bibliothek zur Datenvisualisierung und Diagrammerstellung, die Klassifizierungsergebnisse besser interpretierbar macht.
Code:
1. Bilder laden und vorverarbeiten:
Reifenbilder werden hochgeladen und in der Größe auf ein Standardformat (150 x 150 Pixel) geändert, das für die Modelleingabe erforderlich ist. Diese Größenänderung behält das Seitenverhältnis bei und normalisiert Pixelwerte zwischen 0 und 1, um die Verarbeitung durch das Modell zu erleichtern.
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. Klassifizierung mit dem trainierten Modell:
Wir haben ein vorab trainiertes neuronales Faltungsnetzwerkmodell geladen, das darauf abgestimmt wurde, Reifen als „neu“ oder „gebraucht“ zu klassifizieren. Dieses Modell liefert einen Konfidenzwert, der die Wahrscheinlichkeit angibt, dass ein Reifen neu ist.
from tensorflow.keras.models import load_model model = load_model('pneu_classificador.keras') prediction = model.predict(image_preprocessed)
3. Konturanalyse für Rillentiefe:
Die Erkennung der Rillentiefe erfolgt mithilfe von Computer-Vision-Techniken. Das Graustufenbild durchläuft einen Unschärfefilter und eine Canny-Kantenerkennung, die bei der Identifizierung von Rillenkonturen hilft. Anschließend berechnen wir die Gesamtfläche der Konturen, wodurch wir den Verschleiß abschätzen können.
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) > 100) return total_area
4. Visualisierung und Analyse der Ergebnisse:
Nach der Klassifizierung und Analyse jedes Reifens werden die Ergebnisse mit Matplotlib angezeigt. Wir haben den Klassifizierungskonfidenzwert und den in jedem Bild erkannten Rillenbereich verglichen.
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 > 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()
Dieses Projekt von mir zeigt, wie es möglich ist, die Reifenverschleißanalyse mithilfe von KI und Computer Vision zu automatisieren, was zu einer genauen und schnellen Klassifizierung führt. Die VGG16-Architektur und die Verwendung von OpenCV sind der Schlüssel zur Kombination der Genauigkeit neuronaler Netzwerkmodelle mit visueller Sulci-Analyse. Dieses System kann für eine kontinuierliche Überwachung aller Fahrzeugflotten erweitert werden, was dazu beiträgt, Unfälle zu reduzieren und das Reifenmanagement zu optimieren.
Das obige ist der detaillierte Inhalt vonReifenrillenanalyse mit künstlicher Intelligenz in Python!. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem völlig kostenlosen KI-Gesichtstausch-Tool aus!

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen











Python ist leichter zu lernen und zu verwenden, während C leistungsfähiger, aber komplexer ist. 1. Python -Syntax ist prägnant und für Anfänger geeignet. Durch die dynamische Tippen und die automatische Speicherverwaltung können Sie die Verwendung einfach zu verwenden, kann jedoch zur Laufzeitfehler führen. 2.C bietet Steuerung und erweiterte Funktionen auf niedrigem Niveau, geeignet für Hochleistungsanwendungen, hat jedoch einen hohen Lernschwellenwert und erfordert manuellem Speicher und Typensicherheitsmanagement.

Um die Effizienz des Lernens von Python in einer begrenzten Zeit zu maximieren, können Sie Pythons DateTime-, Zeit- und Zeitplanmodule verwenden. 1. Das DateTime -Modul wird verwendet, um die Lernzeit aufzuzeichnen und zu planen. 2. Das Zeitmodul hilft, die Studie zu setzen und Zeit zu ruhen. 3. Das Zeitplanmodul arrangiert automatisch wöchentliche Lernaufgaben.

Python ist in der Entwicklungseffizienz besser als C, aber C ist in der Ausführungsleistung höher. 1. Pythons prägnante Syntax und reiche Bibliotheken verbessern die Entwicklungseffizienz. 2. Die Kompilierungsmerkmale von Compilation und die Hardwarekontrolle verbessern die Ausführungsleistung. Bei einer Auswahl müssen Sie die Entwicklungsgeschwindigkeit und die Ausführungseffizienz basierend auf den Projektanforderungen abwägen.

Ist es genug, um Python für zwei Stunden am Tag zu lernen? Es hängt von Ihren Zielen und Lernmethoden ab. 1) Entwickeln Sie einen klaren Lernplan, 2) Wählen Sie geeignete Lernressourcen und -methoden aus, 3) praktizieren und prüfen und konsolidieren Sie praktische Praxis und Überprüfung und konsolidieren Sie und Sie können die Grundkenntnisse und die erweiterten Funktionen von Python während dieser Zeit nach und nach beherrschen.

Python und C haben jeweils ihre eigenen Vorteile, und die Wahl sollte auf Projektanforderungen beruhen. 1) Python ist aufgrund seiner prägnanten Syntax und der dynamischen Typisierung für die schnelle Entwicklung und Datenverarbeitung geeignet. 2) C ist aufgrund seiner statischen Tipp- und manuellen Speicherverwaltung für hohe Leistung und Systemprogrammierung geeignet.

PythonlistsarePartThestandardlibrary, whilearraysarenot.listarebuilt-in, vielseitig und UNDUSEDFORSPORINGECollections, während dieArrayRay-thearrayModulei und loses und loses und losesaluseduetolimitedFunctionality.

Python zeichnet sich in Automatisierung, Skript und Aufgabenverwaltung aus. 1) Automatisierung: Die Sicherungssicherung wird durch Standardbibliotheken wie OS und Shutil realisiert. 2) Skriptschreiben: Verwenden Sie die PSUTIL -Bibliothek, um die Systemressourcen zu überwachen. 3) Aufgabenverwaltung: Verwenden Sie die Zeitplanbibliothek, um Aufgaben zu planen. Die Benutzerfreundlichkeit von Python und die Unterstützung der reichhaltigen Bibliothek machen es zum bevorzugten Werkzeug in diesen Bereichen.

Zu den Anwendungen von Python im wissenschaftlichen Computer gehören Datenanalyse, maschinelles Lernen, numerische Simulation und Visualisierung. 1.Numpy bietet effiziente mehrdimensionale Arrays und mathematische Funktionen. 2. Scipy erweitert die Numpy -Funktionalität und bietet Optimierungs- und lineare Algebra -Tools. 3.. Pandas wird zur Datenverarbeitung und -analyse verwendet. 4.Matplotlib wird verwendet, um verschiedene Grafiken und visuelle Ergebnisse zu erzeugen.
