Pythonの人工知能でタイヤ溝解析！-Python チュートリアル-php.cn

Pythonの人工知能でタイヤ溝解析！

Barbara Streisand

リリース： 2024-11-03 07:30:30

オリジナル

474 人が閲覧しました

タイヤのトレッド分析は、特に長距離を走行する車両において摩耗を特定し、安全性を確保するための重要なタスクです。人工知能 (AI) と Python を使用すると、このプロセスを迅速かつ正確に自動化できます。ここでは、VGG16 アーキテクチャに基づく畳み込みニューラルネットワーク (CNN) モデルがタイヤを「新品」または「中古」に分類する方法を示し、同時に OpenCV が画像分析を支援して溝の深さを測定する方法を示します。

使用されているテクノロジー

Python:
AI と機械学習、特に高度なライブラリで人気のプログラミング言語。
OpenCV:
画像の処理、輪郭の検出、タイヤのトレッド面積の測定に使用されます。
TensorFlow と Keras:
深層学習ライブラリ。 Keras を使用して、画像認識用の事前トレーニング済み CNN である VGG16 モデルを操作します。
Matplotlib:
データの視覚化とグラフ作成のためのライブラリ。分類結果をより解釈しやすくします。

コード:

1.画像の読み込みと前処理:
タイヤ画像がアップロードされ、モデル入力に必要な標準形式 (150x150 ピクセル) にサイズ変更されます。このサイズ変更により、アスペクト比が維持され、ピクセル値が 0 と 1 の間で正規化され、モデルの処理が容易になります。

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

ログイン後にコピー

2.トレーニング済みモデルによる分類:
タイヤを「新品」または「中古」に分類するために微調整された、事前トレーニング済みの畳み込みニューラルネットワークモデルをロードしました。このモデルは、タイヤが新品である可能性を示す信頼スコアを提供します。

from tensorflow.keras.models import load_model

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

ログイン後にコピー

3.溝深さの輪郭解析:
溝の深さの検出は、コンピュータービジョン技術を使用して実行されます。グレースケール画像はぼかしフィルターとキャニーエッジ検出を通過し、溝の輪郭を識別するのに役立ちます。次に、等高線の合計面積を計算し、摩耗を推定できるようにします。

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

ログイン後にコピー

4.結果の視覚化と分析:
各タイヤを分類して分析した後、Matplotlib で結果を表示します。分類信頼スコアと各画像で検出された溝領域を比較しました。

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()

ログイン後にコピー

Análise de Sulco de Pneus com Inteligência Artificial em Python!

私のこのプロジェクトは、AI とコンピュータービジョンを使用してタイヤ摩耗分析を自動化し、正確かつ迅速に分類できる方法を示しています。 VGG16 アーキテクチャと OpenCV の使用は、ニューラルネットワークモデルの精度と視覚溝分析を組み合わせる鍵となります。このシステムは、車両全体を継続的に監視するように拡張でき、事故の削減とタイヤ管理の最適化に役立ちます。

以上がPythonの人工知能でタイヤ溝解析！の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。