一种用于行人保护的发动机舱零部件智能布置方法与流程

本发明属于发动机舱零部件布置，具体涉及一种用于行人保护的发动机舱零部件智能布置方法。

背景技术：

1、发动机舱零部件布置的高度对行人保护有重要影响。在汽车碰撞事故中，行人的头部往往会与发动机舱零部件发生碰撞，因此，合理地控制这些零部件的位置和高度是十分必要的。发动机舱零部件，如发动机、变速器、蓄电池、散热器等应该尽可能低、矮，以减少对行人的伤害。但是，发动机舱零部件的布置并不能无限矮；首先，散热器、冷凝器和风扇等部件需要足够的空间来进行空气流动和散热，如果布置位置过于矮，可能会导致散热效果不佳，影响发动机和空调系统的正常工作；其次，布置位置过低的零部件可能会给维修和保养带来不便，例如在更换轮胎或检查悬挂系统时可能会与过低的部件发生干涉。因此，在发动机舱内零部件的布置中，需要综合考虑多种因素，合理地控制各部件的高度，以确保车辆的性能、安全和舒适性。

2、现有技术中，发动机舱零部件布置主要采用经验设计和模拟仿真的方法来确定各部件的高度。

3、其中经验设计方法是根据过往的设计经验和试验结果，通过不断试错和调整来确定各部件的最佳高度和位置。这种方法虽然直观，但效率较低，且受到设计师个人经验和主观判断的影响较大。

4、模拟仿真方法则是通过建立发动机舱的数值模型，利用计算机模拟分析来评估不同高度的性能和安全性。模拟仿真虽然可以减少试验次数，但模型建立、参数设置、求解及结果后处理仍需耗费大量时间和人力。

5、综上所述，现有技术在发动机舱零部件布置方面仍存在精度、效率不足等问题。因此，为了提高车辆的性能、安全和舒适性，需要进一步改进和完善发动机舱零部件布置的现有方法。

技术实现思路

1、为了克服上述问题，本发明提供一种用于行人保护的发动机舱零部件智能布置方法；采用深度学习技术，通过大量的数据训练，可以更准确地预测零部件布置对行人保护的影响，提高设计的精度和可靠性，大幅减少人工设计和调整的时间，提高设计效率。

2、一种用于行人保护的发动机舱零部件智能布置方法，包括如下内容：

3、步骤一，数据收集与标注

4、收集各种车型的发动机舱零部件数据，并将发动机舱零部件数据在头型碰撞点位处进行横截面和纵截面切片，其中发动机舱零部件上一个头型碰撞点位处对应的横截面和纵截面切片作为一个样本，全部车型发动机舱零部件的全部样本构成数据集；

5、人工标注出数据集中每个样本的头型碰撞伤害等级，其中伤害等级分为5个等级，分别为红色、棕色、橙色、黄色、绿色，并分别通过数字0,1,2,3,4进行标注；

6、步骤二，构建深度学习模型，用来识别和提取发动机舱零部件的布置特征，并预测其对行人保护的影响；具体内容如下：

7、使用卷积神经网络进行预测模型的构建，所述卷积神经网络包含三个卷积层、一个池化层、两个全连接层，其中第一层卷积层的卷积核为16个，卷积核大小为3*3，步长为1，填充为1，第二层卷积层的卷积核为32个，卷积核大小为3*3，步长为1，填充为1，第三层卷积层的卷积核为64个，卷积核大小为3*3，步长为1，填充为1；池化层采用最大池化，池化大小为2*2，步长为2；两个全连接层作为一个整体起到分类器的作用，将分类设置为5分类，对应5个伤害等级；

8、步骤三，深度学习模型的训练与优化

9、将步骤一中建立的标注数据集输入深度学习模型进行训练，在训练过程中，每个epoch结束时使用与标注数据集内容相同的验证集来评估模型性能，如果模型对验证集预测结果的准确率趋于稳定，不再显著下降或开始过拟合，则认为模型训练完毕；

10、步骤四，发动机舱零部件智能布置

11、步骤4.1，构建生成器；生成器将噪声和条件向量融合，输出两个图像；生成器会接收一个随机噪声向量以及一个条件向量即头型碰撞伤害等级数字编码，然后通过一系列上采样操作生成对应的横截面和纵截面切片图像作为输出的图像切片；

12、所述生成器包括标签嵌入层、共享层、上采样层和切片操作层，其中：标签嵌入层用于将输入的类别标签转换为固定大小的嵌入向量，输入的类别标签为条件向量，即头型碰撞伤害等级数字编码，输出标签嵌入向量；

13、共享层包含两个全连接层，在两个全连接层之间设置relu激活函数；第一个全连接层将随机噪声向量和标签嵌入向量的组合映射到128维空间，输入特征数为第一层全连接层所接收的所有向量的总维度，输出特征数为128；第二个全连接层进一步将特征映射到更高的维度，以适应后续的上采样操作，输入特征数为128，输出特征数为256*(img_size//8)*(img_size//8)，其中img_size表示目标生成图像的正方形边长；

14、上采样层由一系列卷积转置层组成，用于逐步增加特征图的空间尺寸；其中第一个卷积转置层输入通道数为256，输出通道数为128，卷积核大小为4，步长为2，填充为1，使用特征图通道数为128的批量归一化层，并通过relu激活函数引入非线性；第二个卷积转置层输入通道数为128，输出通道数为64，卷积核大小为4，步长为2，填充为1，使用特征图通道数为64的批量归一化层，并通过relu激活函数引入非线性；第三个卷积转置层输入通道数为64，输出通道数为3，卷积核大小为4，步长为2，填充为1；最后使用tanh激活函数将经过卷积转置层计算后得到的特征图中的每个像素值限制在-1到1之间；

15、切片操作层使用chunk函数将特征图在通道维度上分成两部分；更准确的说，对上采样层生成的图像特征图进行切片操作，将其分成两部分：横截面切片图像、纵截面切片图像；

16、步骤4.2，构建判别器；判别器用于判断图像的真实性和头型碰撞伤害等级的一致性；判别器会同时接收生成器输出的一对切片图像和它们对应的头型碰撞伤害等级数字标签，判断这对图像是否真实，即是来自实际数据集，还是由生成器产生的伪造；

17、所述判别器包括标签嵌入层、卷积层、全连接层；其中：

18、标签嵌入层将类别标签即头型碰撞伤害等级数字标签嵌入到与图像切片相同大小的特征空间中，类别数量为5，与5个伤害等级相匹配，嵌入向量的维度与图像切片的大小相匹配；

19、卷积层包括三个卷积层和全连接层，其中：

20、第一个卷积层输入通道数为图像切片的通道数，输出通道数为64，卷积核大小为4*4，卷积核步长为2，填充为1，使用leakyrelu激活函数引入非线性；第二个卷积层输入通道数为64，输出通道数为128，卷积核大小为4*4，卷积核步长为2，填充为1，使用特征图通道数为128的批量归一化层；第三个卷积层输入通道数为128，输出通道数为256，卷积核大小为4*4，卷积核步长为2，填充为1，使用特征图通道数为256的批量归一化层，使用展平层将特征图展平为一维向量；

21、全连接层输入特征数为256*(img_size//8)*(img_size//8)+

22、n_classes，其中n_classes为头型碰撞伤害等级数字标签的数量，即5；输出特征数为1，表示图像切片是否是真实的概率，使用sigmoid激活函数将输出限制在0到1之间，表示概率值；

23、步骤4.3，训练生成器与判别器并生成图像，具体步骤如下：

24、步骤4.3.1，联合训练

25、准备训练数据集，包含真实横截面和纵截面切片图像，并将其标注头型碰撞伤害等级标签；在每次训练迭代中，执行以下循环：对于生成器，从训练数据集中随机采样噪声向量和头型碰撞伤害等级标签，通过生成器生成对应的图像切片；训练目标是最小化生成器的损失函数；对于判别器，分别使用真实图像和生成器生成的图像作为输入，训练目标是最小化其自身的损失函数；

26、步骤4.3.2，交替更新

27、在步骤4.3.1的训练过程中，先更新判别器的权重，然后再更新生成器的权重，这样的交替进行以保证两者在能力上的动态平衡和提升；

28、步骤4.3.3，生成新图像

29、随着训练的进行，生成器逐渐学会生成更加真实且与头型碰撞伤害等级一致的图像切片；在训练完成后，向生成器内输入不同对应的随机噪声向量和头型碰撞伤害等级的编码标签，生成器回生成新的图像切片作为布置方案；将这些布置方案输入到经步骤三训练好的深度学习模型中，预测每个布置方案的行人保护效果预测等级，进而选择具有最佳保护效果的布置方案，最终实现发动机舱零部件的智能化布置设计。

30、所述步骤一中各种车型的发动机舱零部件数据为catia格式数据。

31、所述步骤一对数据集进行标注是通过基于torch.utils.data的dataset类进行加载，该类读取数据集中的图片文件，并将伤害等级标签编码为数字，如将红色标记为0,将棕色标记为1,将橙色标记为2,将黄色标记为3,将绿色标记为4。

32、所述卷积神经网络中的第一个全连接层的输入维度为64*112*112，输出维度为512；第二个全连接层为输出层，输入维度为512，输出维度为5，对应五个伤害等级的概率。

33、所述步骤三中模型对验证集预测结果的准确率为模型预测正确的样本数量/验证集中样本的总数*100％。

34、本发明的有益效果：

35、1.增强行人保护性能：本发明通过更智能的设计优化，能够更好地保护行人的安全，减少碰撞事故中对行人的伤害风险。

36、2.降低设计和制造成本：本发明能够提高设计效率、减少试验次数和降低设计误差，同时降低车辆的设计和制造成本。

37、3.促进智能化和自动化的发展：本发明引入深度学习技术，推动汽车设计和制造向智能化和自动化的方向发展，有利于提升整个行业的竞争力。

38、4.通过使用深度学习技术，能够处理大量的数据并从中提取有用的特征，以更准确地预测零部件布置对行人保护的影响。

39、5.智能化设计优化：本发明能够自动或半自动地进行发动机舱零部件的布置设计，减少了人工设计和调整的时间，不仅提高了设计的精度和可靠性，而且大大提高了设计效率。