本发明涉及图像数据处理，尤其涉及一种基于图片分类模型的汽车配件智能识别方法。
背景技术：
1、在当前的汽车制造和维修行业中，汽车配件的识别与分类是一个重要且繁琐的任务，传统的识别方法依赖于人工操作，不仅效率低下，而且容易出错，随着计算机视觉和深度学习技术的快速发展，图像识别技术在许多领域得到了广泛应用，然而，在汽车配件识别领域，由于配件种类繁多、形状各异，现有的图像识别技术难以满足高精度、高效率的识别需求。
2、中国专利公开号：cn114494729b公开了一种基于ai识别技术的汽车配件识别方法及装置，该方法包括以下步骤：接收待识别配件图片和待识别配件尺寸信息；自动对待识别配件图片进行抠除背景处理，得到待识别配件主体图片；根据待识别配件尺寸信息对汽车配件图库中的汽车配件图进行筛选，所述汽车配件图为抠除背景的图片；将待识别配件主体图片与筛选后的汽车配件图进行相似度计算，输出相似度最高的汽车配件图和对应的汽车配件信息。但该方案未针对汽车配件图像数据中的个体差异做出归一化修正，无法提高汽车配件图像识别的效率和准确性。
技术实现思路
1、为此，本发明提供一种基于图片分类模型的汽车配件智能识别方法，用以克服现有技术中汽车配件图像识别效率和准确率低的问题。
2、为实现上述目的，本发明提供一种基于图片分类模型的汽车配件智能识别方法，包括：
3、步骤s1，对汽车配件图像数据进行收集；
4、步骤s2，根据标准化处理方法对汽车配件图像数据进行标准化处理，得到标准化汽车配件图像数据；
5、步骤s3，将标准化汽车配件图像数据划分为训练集和验证集；
6、步骤s4，搭建卷积神经网络resnet模型，并根据训练集对卷积神经网络resnet模型进行训练；
7、步骤s5，根据验证集对训练后的卷积神经网络resnet模型进行验证，并输出验证准确率；
8、步骤s6，将验证准确率与预设准确率进行比对，根据比对结果对卷积神经网络resnet模型训练达标情况进行判断，并将训练达标的卷积神经网络resnet模型作为汽车配件识别模型进行输出；
9、步骤s7，卷积神经网络resnet模型训练不达标时，通过最小最大归一化对标准化汽车配件图像数据进行修正，并根据修正后的标准化汽车配件图像数据重复步骤s3-s6；
10、步骤s8，将实时采集的汽车配件图像数据输入至汽车配件识别模型中，并输出汽车配件识别结果。
11、进一步地，在所述步骤s2中，所述标准化处理方法包括：
12、步骤s20，对汽车配件图像数据中的图像尺寸进行调整，得到标准尺寸图像数据；
13、步骤s21，对标准尺寸图像数据进行特征提取，得到特征图像数据；
14、步骤s22，对特征图像数据进行数据标注，得到标准化汽车配件图像数据。
15、进一步地，在所述步骤s20中，通过图像处理软件对汽车配件图像数据中的图像尺寸进行调整，得到标准尺寸图像数据。
16、进一步地，在所述步骤s21中，通过特征提取模型对标准尺寸图像数据进行特征提取，得到特征图像数据。
17、进一步地，在所述步骤s22中，通过图像标注工具对特征图像数据进行数据标注，得到标准化汽车配件图像数据。
18、进一步地，在所述步骤s3中，将标准化汽车配件图像数据划分为70％训练集和30％验证集。
19、进一步地，在所述步骤s4中，根据深度学习框架padd l epadd l e对卷积神经网络resnet模型进行搭建，并将训练集输入卷积神经网络resnet模型中进行训练。
20、进一步地，在所述步骤s5中，根据验证集对训练后的卷积神经网络resnet模型进行验证时，将验证集输入卷积神经网络resnet模型中进行验证，并输出验证准确率h。
21、进一步地，在所述步骤s6中，将验证准确率h与预设准确率h0进行比对，根据比对结果对卷积神经网络resnet模型训练达标情况进行判断，并将训练达标的卷积神经网络resnet模型作为汽车配件识别模型进行输出，其中：
22、当h＜h0时，判定卷积神经网络resnet模型训练不达标；
23、当h≥h0时，判定卷积神经网络resnet模型训练达标，将训练达标的卷积神经网络resnet模型作为汽车配件识别模型进行输出。
24、进一步地，在所述步骤s7中，卷积神经网络resnet模型训练不达标时，根据最小最大归一化对标准化汽车配件图像数据的像素值进行线性变换，并根据修正后的标准化汽车配件图像数据重复步骤s3-s6，其中：
25、最小最大归一化的计算公式为xnor＝(x-xmin)/(xmax-xmin)，x为原始像素值，xnor为归一化后的像素值，xmin为x在标准化汽车配件图像数据中的最小像素值，xmax为x在标准化汽车配件图像数据中的最大像素值。
26、与现有技术相比，本发明的有益效果在于，所述方法通过步骤s1对汽车配件图像数据进行收集，并通过步骤s2根据标准化处理方法对汽车配件图像数据进行标准化处理，得到标准化汽车配件图像数据，以便于提高卷积神经网络resnet模型的泛化能力，并加快模型的训练速度，从而提高卷积神经网络resnet模型的收敛效率，所述方法通过步骤s3将标准化汽车配件图像数据划分为训练集和验证集，以便于减少卷积神经网络resnet模型出现过拟合的现象，从而提高汽车配件识别模型分析效率，所述方法通过步骤s4搭建卷积神经网络resnet模型，并根据训练集对卷积神经网络resnet模型进行训练，以便于提高汽车配件识别模型识别的准确性，所述方法通过步骤s5根据验证集对训练后的卷积神经网络resnet模型进行验证，并输出验证准确率，并通过步骤s6将验证准确率与预设准确率进行比对，根据比对结果对卷积神经网络resnet模型训练达标情况进行判断，并将训练达标的卷积神经网络resnet模型作为汽车配件识别模型进行输出，确保汽车配件识别模型在实际应用中的性能达到预期水平，进一步改善汽车配件识别模型的性能，所述方法通过步骤s7卷积神经网络resnet模型训练不达标时，通过最小最大归一化对标准化汽车配件图像数据进行修正，并根据修正后的标准化汽车配件图像数据重复步骤s3-s6，进一步提高汽车配件识别模型的识别准确率，所述方法通过步骤s8将实时采集的汽车配件图像数据输入至汽车配件识别模型中，并输出汽车配件识别结果，进一步提高汽车配件识别模型的工作效率和准确性。
1.一种基于图片分类模型的汽车配件智能识别方法，其特征在于，包括：
2.根据权利要求1所述的基于图片分类模型的汽车配件智能识别方法，其特征在于，在所述步骤s2中，所述标准化处理方法包括：
3.根据权利要求2所述的基于图片分类模型的汽车配件智能识别方法，其特征在于，在所述步骤s20中，通过图像处理软件对汽车配件图像数据中的图像尺寸进行调整，得到标准尺寸图像数据。
4.根据权利要求2所述的基于图片分类模型的汽车配件智能识别方法，其特征在于，在所述步骤s21中，通过特征提取模型对标准尺寸图像数据进行特征提取，得到特征图像数据。
5.根据权利要求2所述的基于图片分类模型的汽车配件智能识别方法，其特征在于，在所述步骤s22中，通过图像标注工具对特征图像数据进行数据标注，得到标准化汽车配件图像数据。
6.根据权利要求1所述的基于图片分类模型的汽车配件智能识别方法，其特征在于，在所述步骤s3中，将标准化汽车配件图像数据划分为70％训练集和30％验证集。
7.根据权利要求1所述的基于图片分类模型的汽车配件智能识别方法，其特征在于，在所述步骤s4中，根据深度学习框架paddlepaddle对卷积神经网络resnet模型进行搭建，并将训练集输入卷积神经网络resnet模型中进行训练。
8.根据权利要求1所述的基于图片分类模型的汽车配件智能识别方法，其特征在于，在所述步骤s5中，根据验证集对训练后的卷积神经网络resnet模型进行验证时，将验证集输入卷积神经网络resnet模型中进行验证，并输出验证准确率h。
9.根据权利要求1所述的基于图片分类模型的汽车配件智能识别方法，其特征在于，在所述步骤s6中，将验证准确率h与预设准确率h0进行比对，根据比对结果对卷积神经网络resnet模型训练达标情况进行判断，并将训练达标的卷积神经网络resnet模型作为汽车配件识别模型进行输出，其中：
10.根据权利要求1所述的基于图片分类模型的汽车配件智能识别方法，其特征在于，在所述步骤s7中，卷积神经网络resnet模型训练不达标时，根据最小最大归一化对标准化汽车配件图像数据的像素值进行线性变换，并根据修正后的标准化汽车配件图像数据重复步骤s3-s6，其中：
