Python 中的人工智能轮胎凹槽分析！

有志者，事竟成！如果你在学习文章，那么本文《Python 中的人工智能轮胎凹槽分析！》，就很适合你！文章讲解的知识点主要包括，若是你对本文感兴趣，或者是想搞懂其中某个知识点，就请你继续往下看吧~

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) > 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 > 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()

我的这个项目演示了如何使用人工智能和计算机视觉自动进行轮胎磨损分析，从而实现准确、快速的分类。 vgg16 架构和 opencv 的使用是将神经网络模型准确性与视觉脑沟分析相结合的关键。该系统可以扩展为跨车队进行持续监控，有助于减少事故并优化轮胎管理。

本篇关于《Python 中的人工智能轮胎凹槽分析！》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于文章的相关知识，请关注golang学习网公众号！