一种基于机器学习的换胎识别方法及自动换胎系统与流程

1.本发明涉及轮胎识别技术领域，具体涉及一种基于机器学习的换胎识别方法及自动换胎系统。

背景技术：

2.随着工业制造技术的发展，汽车早已成为人们出行的常用选择。轮胎作为汽车的重要部件，决定着整车的控制精度和整体性能。然而，随着行车时间的推移，汽车轮胎的品质和承载能力都会逐渐开始走下坡，轮胎花纹磨损将尽、轮胎中油分逐渐丢失胶质变硬等老化问题出现，此时轮胎的抓地性能降低不少，会影响汽车的制动效果，存在一定的安全隐患。因此，操作者需要根据实际磨损情况需要适时更换汽车轮胎。但是，在整个换胎过程中，操作者需要将原有轮胎拆卸下来，搬运至汽车后备箱，并且将汽车后备箱中的备胎取出，搬运至安装位置。整个换轮胎过程中除了付出体力劳动外，还需要具备一定的技术知识，这对于大多数操作者来说较为困难。相关技术中，采用自动换胎装置对轮胎进行自主更换，但此类装置受限于控制装置往往难以执行精准的换胎操作，经常出现失误导致换胎中止等情况的发生。

技术实现要素：

3.针对相关技术中自动换台机器人抓取轮胎经常因抓取位置不准确造成失误的问题，本发明提供一种基于机器学习的换胎识别方法其包括以下步骤：
4.采集经过预处理的试验轮胎图像作为训练图像输入至卷积神经网络模型，对所述训练图像的抓取点和安装点进行识别；
5.对所述卷积神经网络模型进行修正调整，直至所述卷积神经网络模型对所述训练图像的抓取点和安装点的识别误差低于预设阈值；
6.将实时获取的轮胎和轮胎安装位置的图像信息输入至训练好的所述卷积神经网络模型，以对轮胎的抓取点以及安装位置的安装点进行识别判断；
7.根据所述卷积神经网络模型识别出的抓取点和安装点对轮胎执行抓取动作或安装动作。
8.一些实施例中，所述采集经过预处理的试验轮胎图像作为训练图像输入至卷积神经网络模型，对所述训练图像的抓取点和安装点进行识别，包括：
9.对所述试验轮胎图像上的轮廓进行提取和标记以作为训练图像，并将经过标记的所述试验轮胎图像输入所述卷积神经网络模型，以使所述卷积神经网络模型识别并记录出所述试验轮胎图像中的各个部位的类型。
10.一些实施例中，所述对所述卷积神经网络模型进行修正调整，直至所述卷积神经网络模型对所述训练图像的抓取点和安装点的识别误差低于预设阈值，包括：
11.步骤s1,根据提前经过轮廓提取和标记的所述训练图像上各个部位的易夹取程度，给每个类型进行赋值并得到该次识别的夹取评分以作为实际夹取评分；
12.步骤s2,再次将所述试验轮胎图像输入所述卷积神经网络模型，以使所述卷积神经网络模型对所述试验轮胎图像的轮廓进行提取和标记；
13.步骤s3,卷积神经网络模型根据此次对所述试验轮胎图像识别出的类型进行打分并以该评分作为识别夹取评分；
14.步骤s4,将所述识别夹取评分与所述实际夹取评分的差值作为损失值对所述卷积神经网络模型进行修正；
15.步骤s5,重复上述步骤s1-步骤s4，直至在预设次数中所述损失值均小于预设的阈值。
16.一些实施例中，所述根据提前经过轮廓提取和标记的所述训练图像上各个部位的易夹取程度，给每个类型进行赋值并得到该次识别的夹取评分以作为实际夹取评分，包括：
17.对所述训练图像的凸起结构、孔和槽的易夹取程度进行分类，并根据所述凸起结构、孔和槽的易夹取程度由小至大给每个类型进行赋值以得到夹取评分以作为实际夹取评分。
18.一些实施例中，所述将所述识别夹取评分与所述实际夹取评分的差值作为损失值对所述卷积神经网络模型进行修正，包括：
19.将所述识别夹取评分和实际夹取评分相减得到训练的所述损失值，将所述损失值回传给所述卷积神经网络模型，并根据所述损失值采用梯度下降法对所述卷积神经网络模型进行调整。
20.一些实施例中，所述预设次数为10次。
21.另一方面，本技术提供一种自动换胎系统，包括：
22.轮胎抓取装置，其用于设置在所上述汽车底部，且所述轮胎抓取装置包括夹爪部和摄像部，所述摄像部用于对所述汽车的故障轮胎或备胎进行图像信息收集；
23.卷积神经网络模型，其用于接收经过预处理的试验轮胎图像，对试验轮胎图像的抓取点和安装点进行识别，并对其识别结果进行修正调整，直至所述卷积神经网络模型对所述试验轮胎图像的抓取点和安装点的识别误差低于预设阈值，所述卷积神经网络模型用于识别实时获取的轮胎和轮胎安装位置的图像信息并对所述实时图像信息中轮胎的抓取点以及安装位置的安装点进行识别判断；
24.与所述卷积神经网络模型相连的控制装置，所述控制装置与所述轮胎抓取装置相连并接收所述卷积神经网络模型的识别判断信息，所述控制装置用于驱使所述轮胎抓取装置在所述故障轮胎的预设抓取点和备胎存放点之间移动；其中，
25.当所述轮胎抓取装置位于所述预设抓取点时，所述控制装置用于对实时获得的图像信息进行分析以驱使所述夹爪部拆卸所述故障轮胎或安装所述备胎，当所述轮胎抓取装置位于所述备胎存放点时，所述控制装置用于对实时获得的图像信息进行分析以驱使所述夹爪部取出所述备胎或存放所述故障轮胎。
26.一些实施例中，所述换胎系统还包括：感应磁轨，其用于铺设在所述汽车的车底，所述感应磁轨与所述轮胎抓取装置卡接，且所述轮胎抓取装置用于沿所述感应磁轨移动以在所述预设抓取点或所述备胎存放点之间移动。
27.一些实施例中，所述轮胎抓取装置还包括：
28.滑动部，其组设于所述感应磁轨中；
29.伸缩组件，其一端组设于所述滑动部上，另一端与所述摄像部相连，所述伸缩组件中部与所述夹爪部相连。
30.一些实施例中，所述自动换胎系统还包括：多个胎压传感器，所述胎压传感器用于检测所述汽车轮胎的胎压信息，所述胎压传感器与所述控制系统相连，且所述控制系统可根据所述胎压信息判断所述汽车轮胎是否失效。
31.与现有技术相比，本发明的优点在于：
32.本发明中采用图像识别辅助机器人进行轮胎抓取，并且向图像识别系统输入训练图像进行训练以减少机器人抓取失误的概率，提高换胎成功率。本发明中通过对训练图像各个部位进行标记并根据夹取难易程度对各个部位赋值并对每一次夹取进行评分，以不断修正图像识别系统的卷积神经网络模型的夹取准确性，使得卷积神经网络模型可不断学习以提高其识别准确性。
附图说明
33.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
34.图1为本发明实施例中轮胎抓取装置的正视图；
35.图2为本发明实施例中轮胎抓取装置的俯视图；
36.图3为本发明实施例中轮胎抓取装置的侧视方向上的半剖视图。
37.图中：1、夹爪部；2、摄像部；3、滑动部；31、卷筒；32、滑轮；4、伸缩组件。
具体实施方式
38.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
39.以下结合附图对本发明的实施例作进一步详细说明。为解决相关技术中，自动换胎系统因为抓取成功率不高，容易造成换胎失误的问题，本技术提供一种基于机器学习的换胎识别方法，其包括以下步骤：
40.步骤一.采集经过预处理的试验轮胎图像作为训练图像输入至卷积神经网络模型，对所述训练图像的抓取点和安装点进行识别。
41.具体地，提前对所述试验轮胎图像上的的轮廓进行提取和标记后将其输入卷积神经网络模型；所述卷积神经网络模型识别所述训练图像识别出各个部位的类型
42.步骤二.对所述卷积神经网络模型进行修正调整，直至所述卷积神经网络模型对所述训练图像的抓取点和安装点的识别误差低于预设阈值；
43.具体步骤包括：
44.s1.卷积神经网络模型根据训练图像(即提前进行轮廓提取和标记的图像)凸起结构和孔和槽的易夹取程度进行分类，并根据易夹取程度由小至大给每个类型赋值，得到实
际夹取评分。
45.s2，再次将试验轮胎图像输入卷积神经网络模型，用卷积神经网络模型对图像进行轮廓提取和标记，识别出图像中的凸起和孔槽。
46.s3，将识别出的图像信息分类进之前所划分的各凸起和孔槽的类型，并根据本次分类再次进行评分以得到识别夹取评分。
47.s4，将每次训练的夹取评分和上述实际夹取评分相减得到训练的损失值，将损失值回传给卷积神经网络模型，并根据损失值利用梯度下降法对神经网络进行调整。
48.s5.重复上述步骤s1至s4，直至连续多次(优选为10次)卷积神经网络模型输出的识别夹取评分和上述实际夹取评分相减得到的损失值均小于预设的阈值，此时卷积神经网络模型训练完成。
49.步骤三.将实时获取的轮胎和轮胎安装位置的图像信息输入至训练好的所述卷积神经网络模型对轮胎的抓取点以及安装位置的安装点进行判断。
50.步骤四.轮胎抓取装置根据所述卷积神经网络模型识别出的第一抓取点和第一安装点对轮胎执行抓取动作或安装动作。
51.可以理解的是，本技术中换胎识别方法首先根据轮廓提取并标记好的训练图像进行结构类型识别并将该识别结果作为实际识别结果后。再次将训练图像输入卷积神经网络模型，用卷积神经网络模型对图像进行自主轮廓提取和识别，并根据本次识别类型的识别结果与实际的识别结果进行比较和修正。经过多次修正使其满足设计要求。
52.值得说明的是，利用带有标记的图像数据对卷积神经网络模型进行训练。将大量汽车轮胎的图片输入卷积神经网络模型中，利用轮胎图片中各像素点的属性作为神经网络的输入，利用卷积神经网络模型提取属性数据信息，并通过人工标记处理的验证集督促神经网络学习，更新神经网络参数，最终在输出层得到轮胎的抓取点。直至卷积神经网络模型的多次输出结果均正确，得到训练完成的卷积神经网络模型。
53.另一方面，申请人发现在整个换胎过程中，操作者需要将原有轮胎拆卸下来，搬运至汽车后备箱，并且将汽车后备箱中的备胎取出，搬运至安装位置。整个换轮胎过程中除了需要具备一定的技术知识外还需要操作人员付出较多的体力劳动，这对于一些体质较弱的操作人员来说负担较大。因此，本技术提供一种换胎系统，其包括：轮胎抓取装置和控制装置；其中，
54.轮胎抓取装置，其用于设置在所上述汽车底部，且所述轮胎抓取装置包括夹爪部1和摄像部2，所述摄像部2用于对所述汽车的待更换轮胎或备胎进行图像信息收集；与训练完成的卷积神经网络模型系统相连的控制装置，所述控制装置与所述轮胎抓取装置相连，所述控制装置用于驱使所述轮胎抓取装置在所述故障轮胎的预设抓取点和备胎存放点之间移动；其中，
55.当所述轮胎抓取装置位于所述预设抓取点时，所述控制装置用于对实时获得的图像信息进行分析以驱使所述夹爪部1拆卸所述故障轮胎或安装所述备胎，当所述轮胎抓取装置位于所述备胎存放点时，所述控制装置用于对实时获得的图像信息进行分析以驱使所述夹爪部1取出所述备胎或存放所述故障轮胎。
56.一些具体实施例中，换胎系统还包括：导向驱动组件，其设于所述汽车的下方，所述导向驱动组件与所述控制装置相连，且所述导向驱动组件用于调整所述轮胎抓取装置的
移动方向。
57.优选地，为了方便轮胎抓取装置在车底移动，所述导向驱动组件包括：感应磁轨，其用于铺设在所述汽车的车底，所述感应磁轨与所述轮胎抓取装置卡接，且所述轮胎抓取装置用于沿所述感应磁轨移动以在所述预设抓取点或所述备胎存放点之间移动。感应磁轨可以帮助轮胎抓取装置按预设路线移动，而不会受环境影响(如地面情况，或异物阻碍)发生卡顿。
58.具体地，如图1和图2所示，所述轮胎抓取装置还包括：滑动部3和伸缩组件4；其中，
59.滑动部3，其组设于所述感应磁轨中；伸缩组件4，其一端组设于所述滑动部3上，另一端与所述摄像部2相连，所述伸缩组件4中部与所述夹爪部1相连。
60.值得说明的是，滑动部3用以辅助轮胎抓取装置移动搬运轮胎，而伸缩组件4用以调整摄像部2以及夹爪部1的高度
61.具体地，如图2所示，所述滑动部3包括两个并排设置的卷筒31，两个所述卷筒31均与所述伸缩组件4相连，每个所述卷筒31在长度方向两端均设有一滑轮32，所述滑轮32用于在所述感应磁轨中滑动。
62.另一些具体地实施例中，所述自动换胎系统还包括：多个胎压传感器，所述胎压传感器用于检测所述汽车轮胎的胎压信息，所述胎压传感器与所述控制系统相连，且所述控制系统可根据所述胎压信息判断所述汽车轮胎是否失效。本技术中采用胎压感应对轮胎情况进行判断，但并不限于利用胎压进行轮胎状况判断，也可以采用图像识别等对轮胎进行判断。
63.优选地，为了确保夹爪部1对轮胎抓取牢靠，夹爪部1上设有压力感应装置以检测其是否抓取成功。
64.可以理解的是，自动换胎系统的卷积神经网络模型需要预先经过训练，其训练步骤包括：
65.采集经过标记的试验轮胎图像作为训练图像输入至卷积神经网络模型对所述训练图像的抓取点和安装点进行识别.具体地，提前对所述试验轮胎图像上的的轮廓进行提取和标记后将其输入卷积神经网络模型；所述卷积神经网络模型识别所述训练图像识别出各个部位的类型
66.对所述卷积神经网络模型进行修正调整直至所述卷积神经网络模型对所述训练图像的抓取点和安装点的识别误差低于预设阈值；
67.具体修正和训练步骤包括：卷积神经网络模型根据训练图像(即提前进行轮廓提取和标记的图像)凸起结构和孔和槽的易夹取程度进行分类，并根据易夹取程度由小至大给每个类型赋值，得到实际夹取评分。再次将试验轮胎图像输入卷积神经网络模型，用卷积神经网络模型对图像进行轮廓提取和标记，识别出图像中的凸起和孔槽，并将其分类进之前所划分的各凸起和孔槽的类型，并根据本次分类再次进行评分以得到识别夹取评分。将每次训练的夹取评分和上述实际夹取评分相减得到训练的损失值，将损失值回传给卷积神经网络模型，并根据损失值利用梯度下降法对神经网络进行调整。重复上述步骤直至连续多次(优选为10次)卷积神经网络模型输出的识别夹取评分和上述实际夹取评分的损失值均小于预设的阈值，此时确定卷积神经网络模型训练完成。
68.本技术中换胎识别方法首先根据轮廓提取并标记好的训练图像进行结构类型识
别并将该识别结果作为实际识别结果后。再次将训练图像输入卷积神经网络模型，用卷积神经网络模型对图像进行自主轮廓提取和识别，并根据本次识别类型的识别结果与实际的识别结果进行比较和修正。经过多次修正使其满足设计要求。值得说明的是，利用带有标记的图像数据对卷积神经网络模型进行训练。将大量汽车轮胎的图片输入卷积神经网络模型中，利用轮胎图片中各像素点的属性作为神经网络的输入，利用卷积神经网络模型提取属性数据信息，并通过人工标记处理的验证集督促神经网络学习，更新神经网络参数，最终在输出层得到轮胎的抓取点。直至卷积神经网络模型的多次输出结果均正确，得到训练完成的卷积神经网络模型。
69.本技术还提供一种汽车，其包括：轮胎抓取装置和控制装置；其中，
70.轮胎抓取装置，其用于设置在所上述汽车底部，且所述轮胎抓取装置包括夹爪部1和摄像部2，所述摄像部2用于对所述汽车的待更换轮胎或备胎进行图像信息收集；与训练完成的卷积神经网络模型系统相连的控制装置，所述控制装置与所述轮胎抓取装置相连，所述控制装置用于驱使所述轮胎抓取装置在所述故障轮胎的预设抓取点和备胎存放点之间移动；其中，
71.当所述轮胎抓取装置位于所述预设抓取点时，所述控制装置用于对实时获得的图像信息进行分析以驱使所述夹爪部1拆卸所述故障轮胎或安装所述备胎，当所述轮胎抓取装置位于所述备胎存放点时，所述控制装置用于对实时获得的图像信息进行分析以驱使所述夹爪部1取出所述备胎或存放所述故障轮胎。
72.一些具体实施例中，换胎系统还包括：导向驱动组件，其设于所述汽车的下方，所述导向驱动组件与所述控制装置相连，且所述导向驱动组件用于调整所述轮胎抓取装置的移动方向。
73.优选地，为了方便轮胎抓取装置在车底移动，所述导向驱动组件包括：感应磁轨，其用于铺设在所述汽车的车底，所述感应磁轨与所述轮胎抓取装置卡接，且所述轮胎抓取装置用于沿所述感应磁轨移动以在所述预设抓取点或所述备胎存放点之间移动。感应磁轨可以帮助轮胎抓取装置按预设路线移动，而不会受环境影响(如地面情况，或异物阻碍)发生卡顿。
74.具体地，如图1和图2所示，所述轮胎抓取装置还包括：滑动部3和伸缩组件4；其中，
75.滑动部3，其组设于所述感应磁轨中；伸缩组件4，其一端组设于所述滑动部3上，另一端与所述摄像部2相连，所述伸缩组件4中部与所述夹爪部1相连。
76.值得说明的是，滑动部3用以辅助轮胎抓取装置移动搬运轮胎，而伸缩组件4用以调整摄像部2以及夹爪部1的高度
77.具体地，如图2所示，所述滑动部3包括两个并排设置的卷筒31，两个所述卷筒31均与所述伸缩组件4相连，每个所述卷筒31在长度方向两端均设有一滑轮32，所述滑轮32用于在所述感应磁轨中滑动。
78.另外，本技术的自动换胎方法包括以下步骤：
79.a.当汽车轮胎出现故障需要更换时，车主首先将需要更换的轮胎螺丝拧松，以便于后续机器人进行操作。取出自动换胎系统并且对其感应磁轨以及轮胎抓取装置等进行组装。
80.b.拆卸故障轮胎。
81.根据胎压传感器确定汽车的哪一个轮胎需要更换。具体地，通过将汽车位于左前、右前、左后和右后的轮胎分别编号为1、2、3和4，并将放置于汽车内的备胎编号为5，以方便控制判断。
82.确定好需要更换的轮胎编号后，根据摄像部2的拍摄图像进行计算机视觉判断以规划好轮胎抓取装置的路线。通过车底设置的磁力感应装置，驱动轮胎抓取装置沿着及既定路线，通过滑轮32移动至需要更换轮胎的位置。此时，需要车主进行操作，将轮胎上的螺丝拧松，当轮胎抓取装置的摄像部2拍摄到需要更换的轮胎的照片时，并将图像传输至与卷积神经网络模型系统相连的控制装置中，控制装置将图像输入至训练完成的卷积神经网络模型中，卷积神经网络模型便可识别出轮胎的抓取点，并控制轮胎抓取装置的夹爪部1将轮胎抓取出来。
83.可以理解的是，当轮胎抓取装置的摄像部2拍摄到轮胎的照片时，并将图像传输至控制装置，控制装置将图像输入训练完成的卷积神经网络模型中，卷积神经网络模型便可识别出轮胎的抓取点，将备胎抓取出来。当智能机器人将备胎运送至需要更换轮胎的位置后，通过摄像头拍摄轮胎安装位置的图像，并将图像传输至控制装置，控制装置将图像输入训练完成的卷积神经网络模型中，卷积神经网络模型能够输出该安装孔的位置与结构的类型。
84.c.夹取备用轮胎。
85.随后轮胎抓取装置携带轮胎沿预定的路线，移动至汽车尾部，将轮胎放入汽车后备箱内。然后，通过摄像部2拍摄到备胎，即5号轮胎的照片时，并将图像传输至控制装置，控制装置将图像输入训练完成的卷积神经网络模型中，卷积神经网络模型便可识别出备胎的抓取点，将备胎抓取出来。智能机器人携带备胎沿预定的路线，移动至汽车需要更换轮胎的位置。
86.d.将备用轮胎安装至预设位置。
87.通过摄像部2拍摄轮胎安装位置的图像，并将图像传输至控制装置，控制装置将图像输入训练完成的卷积神经网络模型中，卷积神经网络模型能够输出该安装孔的位置与结构的类型。通过夹爪部1将备胎放入安装位置，车主可将螺丝放入相应的孔位中，拧紧螺丝即可。
88.由此可见，在整个换轮胎的过程中，需要人力操作的部分仅仅在于，将换胎机器人组装完成，并且需要拧松需要更换轮胎的螺丝。当智能机器人已经将备胎放入合适的安装位置，需要人力操作将螺丝拧紧，并且将换胎机器人拆分，收入车内。换轮胎的过程中需要人力完成的部分较少，避免了对轮胎的搬运过程。即便是力量较弱的女性，也能够独立地完成换胎的过程。
89.综上所述，本发明中采用图像识别辅助机器人进行轮胎抓取，并且向图像识别系统输入训练图像进行训练以减少机器人抓取失误的概率，提高换胎成功率。本发明中对训练图像各个部位进行标记并根据夹取难易程度对各个部位赋值并对每一次夹取进行评分，以不断修正图像识别系统的卷积神经网络模型的夹取准确性，使得卷积神经网络模型可不断学习以提高其识别准确性。在整个换轮胎的过程中，需要人力操作的部分仅仅在于，将换胎机器人组装完成，并且需要拧松需要更换轮胎的螺丝。当智能机器人已经将备胎放入合适的安装位置，需要人力操作将螺丝拧紧，并且将换胎机器人拆分，收入车内。换轮胎的过
程中需要人力完成的部分较少，避免了对轮胎的搬运过程。即便是力量较弱的女性，也能够独立地完成换胎的过程，且通过快速识别和移动将备胎快速准确地放置于安装位置中。
90.在本技术的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
91.需要说明的是，在本技术中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
92.以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

技术特征：

1.一种基于机器学习的换胎识别方法，其特征在于，包括以下步骤：采集经过预处理的试验轮胎图像作为训练图像输入至卷积神经网络模型，对所述训练图像的抓取点和安装点进行识别；对所述卷积神经网络模型进行修正调整，直至所述卷积神经网络模型对所述训练图像的抓取点和安装点的识别误差低于预设阈值；将实时获取的轮胎和轮胎安装位置的图像信息输入至训练好的所述卷积神经网络模型，以对轮胎的抓取点以及安装位置的安装点进行识别判断；根据所述卷积神经网络模型识别出的抓取点和安装点对轮胎执行抓取动作或安装动作。2.如权利要求1所述的换胎识别方法，其特征在于，所述采集经过预处理的试验轮胎图像作为训练图像输入至卷积神经网络模型，对所述训练图像的抓取点和安装点进行识别，包括：对所述试验轮胎图像上的轮廓进行提取和标记以作为训练图像，并将经过标记的所述试验轮胎图像输入所述卷积神经网络模型，以使所述卷积神经网络模型识别并记录出所述试验轮胎图像中的各个部位的类型。3.如权利要求2所述的换胎识别方法，其特征在于，所述对所述卷积神经网络模型进行修正调整，直至所述卷积神经网络模型对所述训练图像的抓取点和安装点的识别误差低于预设阈值，包括：步骤s1,根据提前经过轮廓提取和标记的所述训练图像上各个部位的易夹取程度，给每个类型进行赋值并得到该次识别的夹取评分以作为实际夹取评分；步骤s2,再次将所述试验轮胎图像输入所述卷积神经网络模型，以使所述卷积神经网络模型对所述试验轮胎图像的轮廓进行提取和标记；步骤s3,卷积神经网络模型根据此次对所述试验轮胎图像识别出的类型进行打分并以该评分作为识别夹取评分；步骤s4,将所述识别夹取评分与所述实际夹取评分的差值作为损失值对所述卷积神经网络模型进行修正；步骤s5,重复上述步骤s1-步骤s4，直至在预设次数中所述损失值均小于预设的阈值。4.如权利要求3所述的换胎识别方法，其特征在于，所述根据提前经过轮廓提取和标记的所述训练图像上各个部位的易夹取程度，给每个类型进行赋值并得到该次识别的夹取评分以作为实际夹取评分，包括：对所述训练图像的凸起结构、孔和槽的易夹取程度进行分类，并根据所述凸起结构、孔和槽的易夹取程度由小至大给每个类型进行赋值以得到夹取评分以作为实际夹取评分。5.如权利要求3所述的换胎识别方法，其特征在于，所述将所述识别夹取评分与所述实际夹取评分的差值作为损失值对所述卷积神经网络模型进行修正，包括：将所述识别夹取评分和实际夹取评分相减得到训练的所述损失值，将所述损失值回传给所述卷积神经网络模型，并根据所述损失值采用梯度下降法对所述卷积神经网络模型进行调整。6.如权利要求3所述的换胎识别方法，其特征在于，所述预设次数为10次。7.一种自动换胎系统，其特征在于，包括：
轮胎抓取装置，其用于设置在所上述汽车底部，且所述轮胎抓取装置包括夹爪部(1)和摄像部(2)，所述摄像部(2)用于对所述汽车的故障轮胎或备胎进行图像信息收集；卷积神经网络模型，其用于接收经过预处理的试验轮胎图像，对试验轮胎图像的抓取点和安装点进行识别，并对其识别结果进行修正调整，直至所述卷积神经网络模型对所述试验轮胎图像的抓取点和安装点的识别误差低于预设阈值，所述卷积神经网络模型用于识别实时获取的轮胎和轮胎安装位置的图像信息并对所述实时图像信息中轮胎的抓取点以及安装位置的安装点进行识别判断；与所述卷积神经网络模型相连的控制装置，所述控制装置与所述轮胎抓取装置相连并接收所述卷积神经网络模型的识别判断信息，所述控制装置用于驱使所述轮胎抓取装置在所述故障轮胎的预设抓取点和备胎存放点之间移动；其中，当所述轮胎抓取装置位于所述预设抓取点时，所述控制装置用于对实时获得的图像信息进行分析以驱使所述夹爪部(1)拆卸所述故障轮胎或安装所述备胎，当所述轮胎抓取装置位于所述备胎存放点时，所述控制装置用于对实时获得的图像信息进行分析以驱使所述夹爪部(1)取出所述备胎或存放所述故障轮胎。8.如权利要求7所述的自动换胎系统，其特征在于，所述换胎系统还包括：感应磁轨，其用于铺设在所述汽车的车底，所述感应磁轨与所述轮胎抓取装置卡接，且所述轮胎抓取装置用于沿所述感应磁轨移动以在所述预设抓取点或所述备胎存放点之间移动。9.如权利要求8所述的自动换胎系统，其特征在于，所述轮胎抓取装置还包括：滑动部(3)，其组设于所述感应磁轨中；伸缩组件(4)，其一端组设于所述滑动部(3)上，另一端与所述摄像部(2)相连，所述伸缩组件(4)中部与所述夹爪部(1)相连。10.如权利要求9所述的自动换胎系统，其特征在于，所述自动换胎系统还包括：多个胎压传感器，所述胎压传感器用于检测所述汽车轮胎的胎压信息，所述胎压传感器与所述控制系统相连，且所述控制系统可根据所述胎压信息判断所述汽车轮胎是否失效。

技术总结

本发明公开了一种基于机器学习的换胎识别方法及自动换胎系统，涉及轮胎识别领域，该方法包括采集经过预处理的试验轮胎图像作为训练图像输入至卷积神经网络模型，对训练图像的抓取点和安装点进行识别；对卷积神经网络模型进行修正调整，直至卷积神经网络模型对训练图像的抓取点和安装点的识别误差低于预设阈值；将实时获取的轮胎和轮胎安装位置的图像信息输入至训练好的卷积神经网络模型，以对轮胎的抓取点以及安装位置的安装点识别判断；根据卷积神经网络模型识别出的抓取点和安装点对轮胎执行抓取安装动作。本发明中采用图像识别辅助机器人进行轮胎抓取，并且向图像识别系统输入训练图像进行训练以减少机器人抓取失误的概率，提高换胎成功率。提高换胎成功率。提高换胎成功率。