行人头部碰撞伤害值预测方法、装置、设备及存储介质与流程

本公开涉及人工智能领域，尤其涉及一种行人头部碰撞伤害值预测方法、装置、设备及存储介质。

背景技术：

1、行人保护性能是汽车安全性能的重要组成部分，也是c-ncap（china-new carassessment program，中国新车评价规程）、us ncap（美国新车评价规程）、euro ncap（欧洲新车评价规程）等测试标准的重要内容之一。车辆在和行人碰撞时，要尽可能的保证行人安全，尤其是头部安全。在汽车车头部分（包括保险杠和前大灯等）和引擎盖的开发过程中，不但要考虑模态和刚度性能，同时要兼顾对行人保护的考量。

2、传统行人保护性能的评估多采用cae（computer aided engineering，计算机辅助工程）技术进行。cae是用计算机辅助求解复杂工程和产品结构强度、刚度、屈曲稳定性、动力响应、热传导、三维多体接触、弹塑性等力学性能的分析计算以及结构性能的优化设计等问题的一种近似数值分析方法。然而，该方法的使用需要依赖专业的仿真软件工具，且要求一定的仿真知识和技术门槛，此外，单一车辆模型往往需要计算和处理上百个撞击点的仿真和结果，计算时间长、工作量大，严重阻碍了汽车设计的快速迭代。

技术实现思路

1、本公开提供了一种行人头部碰撞伤害值预测方法、装置、设备及存储介质，以至少解决现有技术中存在的以上技术问题。

2、根据本公开的第一方面，提供了一种行人头部碰撞伤害值预测方法，所述方法包括：

3、获取待测车辆的模型数据，所述待测车辆包括多个撞击点；

4、以每个所述撞击点为中心，获取预设范围内的结构特征值；

5、根据所述结构特征值，形成与每个所述撞击点对应的结构特征图像；

6、对神经网络模型进行训练，得到预测模型；

7、将所述结构特征图像输入至所述预测模型，确定与每个所述撞击点对应的行人头部碰撞伤害值。

8、在一可实施方式中，所述以每个所述撞击点为中心，获取预设范围内的结构特征值，包括：

9、分别获取待测车辆的发罩内板、发罩外板以及连接件的结构特征值；

10、将所述发罩内板、所述发罩外板以及所述连接件的结构特征值分别与rgb图像中的一个通道对应，以形成第一图像；

11、对所述第一图像以每个所述撞击点为中心，获取预设范围内的结构特征值。

12、在一可实施方式中，所述对神经网络模型进行训练，得到预测模型，包括：

13、获取多个样本车辆的模型数据，每个所述样本车辆包括多个样本撞击点；

14、以每个所述样本撞击点为中心，获取预设范围内的结构特征值；

15、根据所述结构特征值，形成与每个所述样本撞击点对应的样本结构特征图像；

16、获取与每个所述样本撞击点对应的行人头部碰撞伤害值；

17、根据与每个所述样本撞击点对应的所述样本结构特征图像和所述行人头部碰撞伤害值，训练所述神经网络模型，以得到预测模型。

18、在一可实施方式中，所述对神经网络模型进行训练，得到预测模型，包括：

19、将所述多个样本车辆的模型数据分为训练数据集和验证数据集，所述训练数据集用于训练神经网络模型，所述验证数据集用于验证所训练的神经网络模型的精度；

20、根据所述训练数据集和所述验证数据集，采用交叉熵损失函数，以精度最高为目标，确定最高验证准确率的神经网络模型；

21、将最高验证准确率的神经网络模型确定为训练完成的预测模型。

22、在一可实施方式中，所述结构特征值包括最大值、最小值、中值、均值、方差或标准差中的至少一种。

23、根据本公开的第二方面，提供了一种行人头部碰撞伤害值预测装置，所述装置包括：

24、第一获取单元，配置为获取待测车辆的模型数据，所述待测车辆包括多个撞击点；

25、第二获取单元，配置为以每个所述撞击点为中心，获取预设范围内的结构特征值；

26、图像形成单元，配置为根据所述结构特征值，形成与每个所述撞击点对应的结构特征图像；

27、训练单元，配置为对神经网络模型进行训练，得到预测模型；

28、确定单元，配置为将所述结构特征图像输入至所述预测模型，确定与每个所述撞击点对应的行人头部碰撞伤害值。

29、在一可实施方式中，所述第二获取单元，包括：

30、第一子获取单元，配置为分别获取待测车辆的发罩内板、发罩外板以及连接件的结构特征值；

31、第一子图像形成单元，配置为将所述发罩内板、所述发罩外板以及所述连接件的结构特征值分别与rgb图像中的一个通道对应，以形成第一图像；

32、第二子获取单元，配置为对所述第一图像以每个所述撞击点为中心，获取预设范围内的结构特征值。

33、在一可实施方式中，所述训练单元，包括：

34、第三子获取单元，配置为获取多个样本车辆的模型数据，每个所述样本车辆包括多个样本撞击点；

35、第四子获取单元，配置为以每个所述样本撞击点为中心，获取预设范围内的结构特征值；

36、第二子图像形成单元，配置为根据所述结构特征值，形成与每个所述样本撞击点对应的样本结构特征图像；

37、第五子获取单元，配置为获取与每个所述样本撞击点对应的行人头部碰撞伤害值；

38、第一子训练单元，配置为根据与每个所述样本撞击点对应的所述样本结构特征图像和所述行人头部碰撞伤害值，训练所述神经网络模型，以得到预测模型。

39、根据本公开的第三方面，提供了一种电子设备，包括：

40、至少一个处理器；以及

41、与所述至少一个处理器通信连接的存储器；其中，

42、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。

43、根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。

44、本公开的行人头部碰撞伤害值预测方法、装置、设备及存储介质，通过获取待测车辆的模型数据，以及提取撞击点附近的结构特征值，以形成结构特征图像，将结构特征图像输入至预测模型来得到与每个所述撞击点对应的行人头部碰撞伤害值。本公开实施例具有较好的正确率和极短的预测时间，有效解决了传统仿真时间成本高的问题，本方法只需传入待测车辆相关模型，无需复杂配置，有效解决了传统仿真难度高的问题。

45、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种行人头部碰撞伤害值预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，

3.根据权利要求1所述的方法，其特征在于，

4.根据权利要求3所述的方法，其特征在于，

5.根据权利要求1所述的方法，其特征在于，

6.一种行人头部碰撞伤害值预测装置，其特征在于，所述装置包括：

7.根据权利要求6所述的装置，其特征在于，

8.根据权利要求6所述的装置，其特征在于，

9.一种电子设备，其特征在于，包括：

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行根据权利要求1-5中任一项所述的方法。

技术总结
本公开提供了一种行人头部碰撞伤害值预测方法、装置、设备及存储介质，涉及汽车被动安全领域；其中，本公开方法根据输入的待测车辆模型数据及需要评估的撞击点，以每个撞击点为中心，获取预设范围内的三维结构特征值并将其转换为对应的结构特征图像，将结构特征图像输入本公开的预测模型，可以快速预测每个撞击点对应的行人头部碰撞伤害值，大幅提升了行人头部碰撞伤害值的预测效率，有效降低了行人头部碰撞伤害值的计算门槛，加速汽车设计的快速迭代，缩短产品研发周期；本公开的方法与传统有限元仿真方法相比，大幅降低了使用门槛并提升了计算效率，与其他基于三维几何的机器学习算法相比，本发明在数据处理和模型使用上更加简洁高效。

技术研发人员：赖宇阳,李玥,卢程浩,范文慧
受保护的技术使用者：树优（宁波）科技有限公司
技术研发日：
技术公布日：2024/12/5