一种面向行人保护的头部碰撞严重性预测方法

技术领域

本发明属于汽车行人保护性能开发技术领域，具体涉及一种面向行人保护的头部碰撞严重性预测方法。

背景技术

目前，在汽车行人保护性能开发过程中，主要通过基于有限元计算的CAE分析方法进行头部碰撞严重性预测。然而，行人保护头部碰撞严重性的CAE分析方法存在两个严重的问题：

1、CAE分析时间过长(包含网格划分、模型搭建、求解及后处理等多个步骤，单轮次CAE分析时间约为2周)，不仅耗费大量的人力、算力成本，并且严重影响开发效率。

2、CAE分析的预测精度当前约为75％～85％，且受限于建模精度、材料本构等因素难以进一步提升。

发明内容

本发明的目的就在于提供一种面向行人保护的头部碰撞严重性预测方法，以解决行人保护头部碰撞严重性的CAE分析方法存在分析时间过长、预测精度难以进一步提升的问题。

本发明的目的是通过以下技术方案实现的：

一种面向行人保护的头部碰撞严重性预测方法，包括以下步骤：

A、准备车辆CAD数据；

B、行人头部点位截图：在行人头部点位处对车辆CAD数据进行横、纵截面截图；

C、使用AI预测模型预测行人头部碰撞严重性：

C1、AI模型建立、训练；

C2、AI模型预测行人头部碰撞严重性。

进一步地，步骤B，截图包括以下方式：

B1、借助CATIA、Pro/E等软件的切片、截图功能，进行手动截图；

B2、进行自动截图。

更进一步地，步骤B1，截图过程中，需保证所有截图尺寸、比例尺一致，点位居中，截图规范命名。

更进一步地，步骤B2，所有截图尺寸、比例尺一致，点位居中，截图规范命名。

进一步地，步骤C1，AI模型建立、训练过程如下：

C11、数据预处理；

C12、模型建立；

C13、模型训练；

C14、模型保存。

更进一步地，步骤C11，包括以下两种方式：

C111、采用torchvision中的datasets.ImageFolder来读取图像，然后采用torch.utils.data.DataLoader加载数据；

C112、继承torch.utils.data.Dataset来实现用户自定义，然后采用torch.utils.data.DataLoader加载数据。

更进一步地，步骤C12，直接加载预训练模型ResNet18，并对网络进行两处参数修改，具体为：

C121、将ResNet18的第一个卷积层的输入通道数由3改为6；其中，6对应横、纵截面各自的RGB三通道；

C122、将ResNet18的最后一个全连接层的输出设置为5；其中，5对应头部伤害严重性的5层级。

更进一步地，步骤C13，使用两片NVIDIA Tesla T4 GPU进行模型训练，训练数据为1万个点位的横、纵截面，测试数据为220个点位的横、纵截面，采用SGD优化器与交叉熵损失函数，学习率为0.001，batchsize为50；经过20小时的训练，得到预测精度81％的AI模型。

更进一步地，步骤C14，采用torch.save保存模型，用于预测行人头部碰撞严重性。

更进一步地，步骤C2、AI模型预测行人头部碰撞严重性，具体为：

C21、数据预处理：AI模型建立、训练；

C22、行人头部碰撞严重性预测，使用步骤C14中AI模型建立、训练中模型保存的模型进行预测。

与现有技术相比，本发明的有益效果是：

1、本发明可以优化行人保护的头型性能开发流程。CAE分析方法需要基于车辆CAD数据进行网格划分、模型搭建、有限元求解及结果后处理四个步骤才能得到头部碰撞严重性；本发明只需基于车辆CAD数据进行行人头部点位截图、AI模型预测两个步骤即可得到头部碰撞严重性；

2、本发明可以提升行人保护的头部碰撞严重性预测效率。CAE分析方法基于车辆CAD数据预测行人保护的头部碰撞严重性的时间约为2周/车型本，发明基于车辆CAD数据预测行人保护的头部碰撞严重性的时间约为10分钟/车型；

3、本发明可以随着数据集的增加持续提升行人保护的头部碰撞严重性预测精度。CAE分析方法的预测精度当前约为75％～85％，且受限于建模精度、材料本构等因素难以进一步提升；本发明的预测精度可达到81％，可用于行人保护的头型性能开发，且该发明的预测方法基于深度学习技术，可以随着数据量的积累而自动提高性能，使预测精度不断提升。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1预测方法流程图；

图2车辆CAD数据；

图3点位截图示意图；

图4点位(A_8_0点位)截图结果。

具体实施方式

下面结合实施例对本发明作进一步说明：

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本发明面向行人保护的头部碰撞严重性预测方法，如图1所示，包括以下步骤：

第一步、准备车辆CAD数据。

第二步、行人头部点位截图。该步骤在行人头部点位处对车辆CAD数据进行横、纵截面截图，可以通过两种方法实现，具体如下：

1、借助CATIA、Pro/E等软件的切片、截图功能，进行手动截图；截图过程中，需保证所有截图尺寸、比例尺一致，点位居中，截图规范命名(训练数据只包含点位名称，预测数据包含点位名称和头型伤害严重性)；该方法操作难度较大，不推荐使用。

2、进行自动截图；该方法可以实现全部点位的横、纵截面自动截图，所有截图尺寸、比例尺一致，点位居中，截图规范命名(训练数据只包含点位名称，预测数据包含点位名称和头型伤害严重性)；该方法简单、高效，推荐使用。

第三步、使用AI预测模型预测行人头部碰撞严重性。方法如下：

1、AI模型建立、训练。其中，本发明的AI模型基于PyTorch框架进行搭建，网络架构为ResNet18。该步骤仅在建立模型时发生，AI模型训练完成后可用于头部碰撞严重性预测，即“一次训练、多次使用”。AI模型建立、训练过程如下：

11、数据预处理。方法通常由两种：方法一：采用torchvision中的datasets.ImageFolder来读取图像，然后采用torch.utils.data.DataLoader加载数据；方法二：继承torch.utils.data.Dataset来实现用户自定义，然后采用torch.utils.data.DataLoader加载数据。

12、模型建立。直接加载预训练模型ResNet18，并对网络进行两处参数修改。修改一：将ResNet18的第一个卷积层的输入通道数由3改为6；其中，6对应横、纵截面各自的RGB三通道。修改二：将ResNet18的最后一个全连接层的输出设置为5；其中，5对应头部伤害严重性的5层级，即绿色(头部伤害HIC≤650)、黄色(650＜头部伤害HIC≤1000)、橙色(1000＜头部伤害HIC≤1350)、棕色(1350＜头部伤害HIC≤1700)、红色(头部伤害HIC＞1700)。

13、模型训练。其中，本发明使用两片NVIDIA Tesla T4 GPU进行模型训练，训练数据为1万个点位的横、纵截面，测试数据为220个点位的横、纵截面，采用SGD优化器与交叉熵损失函数，学习率为0.001，batchsize为50；经过20小时的训练，可以得到预测精度81％的AI模型。

14、模型保存。采用torch.save保存模型，用于预测行人头部碰撞严重性。

2、AI模型预测行人头部碰撞严重性。方法如下：

21、数据预处理。

AI模型建立、训练，训练过程为：数据预处理。

方法一：采用torchvision中的datasets.ImageFolder来读取图像，然后采用torch.utils.data.DataLoader加载数据；

方法二：继承torch.utils.data.Dataset来实现用户自定义，然后采用torch.utils.data.DataLoader加载数据。

22、行人头部碰撞严重性预测。使用第三步，步骤1AI模型建立、训练中模型保存的模型进行预测。

本发明面向行人保护的头部碰撞严重性预测方法；ResNet18网络结构优化方法，即第一个卷积层的输入通道数由3改为6，以输入横、纵截面各自的RGB三通道。本发明可以使用其他深度学习框架(如PaddlePaddle、Tensorflow、Caffe、Theano、MXNet等)利于其他网络结构(如AlexNet、GoogLeNet、VGG等)实现。

实施例1

下面以某乘用车为例，详细介绍本发明提出的面向行人保护的头部碰撞严重性预测方法。

第一步、准备车辆CAD数据，如图2所示。

第二步、行人头部点位截图，点位截图方法如图3所示，点位(以A_8_0点位为例)截图结果如图4所示(A_8_0_x.jpg表示A_8_0点位的纵截面截图、A_8_0_y.jpg表示A_8_0点位的横截面截图)。该步骤在行人头部点位处对车辆CAD数据进行横、纵截面截图，可以通过两种方法实现，具体如下：

1、借助CATIA、Pro/E等软件的切片、截图功能，进行手动截图。

2、进行自动截图。

第三步、使用AI预测模型预测行人头部碰撞严重性。方法如下：

1、AI模型建立、训练。其中，本发明的AI模型基于PyTorch框架进行搭建，网络架构为ResNet18。该步骤仅在建立模型时发生，AI模型训练完成后可用于头部碰撞严重性预测，即“一次训练、多次使用”。AI模型建立、训练过程如下：

11、数据预处理，可采用以下两种方式。

方法一：采用torchvision中的datasets.ImageFolder来读取图像，然后采用torch.utils.data.DataLoader加载数据；

方法二：继承torch.utils.data.Dataset来实现用户自定义，然后采用torch.utils.data.DataLoader加载数据。

12、模型建立。直接加载预训练模型ResNet18，并对网络进行两处参数修改。修改一：将ResNet18的第一个卷积层的输入通道数由3改为6；其中，6对应横、纵截面各自的RGB三通道。修改二：将ResNet18的最后一个全连接层的输出设置为5；其中，5对应头部伤害严重性的5层级，即绿色(头部伤害HIC≤650)、黄色(650＜头部伤害HIC≤1000)、橙色(1000＜头部伤害HIC≤1350)、棕色(1350＜头部伤害HIC≤1700)、红色(头部伤害HIC＞1700)。

13、模型训练。其中，本发明使用两片NVIDIA Tesla T4 GPU进行模型训练，训练数据为1万个点位的横、纵截面，测试数据为220个点位的横、纵截面，采用SGD优化器与交叉熵损失函数，学习率为0.001，batchsize为50；经过20小时的训练，可以得到预测精度81％的AI模型。

14、模型保存。采用torch.save保存模型，用于预测行人头部碰撞严重性。

2、AI模型预测行人头部碰撞严重性。

21、数据预处理。AI模型建立、训练，训练过程，可采取下述两种方式：

方法一：采用torchvision中的datasets.ImageFolder来读取图像，然后采用torch.utils.data.DataLoader加载数据；

方法二：继承torch.utils.data.Dataset来实现用户自定义，然后采用torch.utils.data.DataLoader加载数据。

22、行人头部碰撞严重性预测。使用第三步，步骤1AI模型建立、训练中模型保存的模型进行预测。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。