郭志龍 趙輝
摘? 要:針對(duì)不同構(gòu)建取向成型的3D打印試驗(yàn)件,將其作為圖像識(shí)別及檢測(cè)的本體,對(duì)比3D打印模型參數(shù),通過HALCON視覺系統(tǒng)進(jìn)行圖像灰度化、圖像增強(qiáng)及ROI選取等前期圖像預(yù)處理,再針對(duì)不同類型的缺陷檢測(cè)特征,采用基于遺傳算法的特征參數(shù)選取方法。選擇最優(yōu)的亮度、對(duì)比度、伽馬、銳度及照明等HALCON視覺系統(tǒng)參數(shù)并進(jìn)行匹配檢測(cè),同時(shí)對(duì)該遺傳算法進(jìn)行改進(jìn)處理,以驗(yàn)證改進(jìn)后的匹配程度,取得了良好的產(chǎn)品缺陷檢測(cè)效果。
關(guān)鍵詞:3D打印;HALCON軟件;視覺系統(tǒng)參數(shù);預(yù)處理;遺傳算法;最優(yōu);匹配度
中圖分類號(hào):TP273.4? ? 文獻(xiàn)標(biāo)識(shí)碼: ? ?A文章編號(hào):2096-4706(2021)07-0158-04
Feature Parameter Selection Method of Genetic Algorithm Based on
HALCON Vision System
GUO Zhilong,ZHAO Hui
(Lanzhou Petrochemical Polytechnic,Lanzhou? 730060,China)
Abstract:Aiming at the 3D printing test pieces formed in different construction orientations,taking them as the ontology of image recognition and detection,compare the 3D printing model parameters,carry out early image preprocessing such as image graying,image enhancement and ROI selection through HALCON vision system,and then adopt the feature parameter selection method based on genetic algorithm for different types of defect detection features. Select HALCON vision system parameters such as the optimal brightness,contrast,gamma,sharpness and illumination for matching detection. At the same time,improve the genetic algorithm to verify the improved matching degree and achieve good product defect detection effect.
Keywords:3D printing;HALCON software;vision system parameter;preprocessing;genetic algorithm;optimal;matching degree
收稿日期:2021-03-12
課題項(xiàng)目:2018年度教育科學(xué)“十三五”規(guī)劃高校與職業(yè)院校一般課題(GS〔2018〕GHB GZ050)
0? 引? 言
作為一種可在線化、個(gè)性化打印的快速成型技術(shù),3D打印技術(shù)在近年來成為工業(yè)自動(dòng)化及產(chǎn)品制造領(lǐng)域的研究熱點(diǎn)。目前最常用的3D打印方法有熔融沉積成型技術(shù)(FDM)以及切片式成型技術(shù)等,打印成型方向可以選用站立式、側(cè)立式、平躺式等不同方向。3D打印技術(shù)總體而言,具有成本低、自動(dòng)化程度高、個(gè)性化定制等優(yōu)點(diǎn)。但打印精度差,缺陷度高、成品率低、耗時(shí)長(zhǎng)等缺點(diǎn)仍是困擾3D打印高效、快速發(fā)展的技術(shù)因素之一。因此,實(shí)現(xiàn)3D打印產(chǎn)品的缺陷檢測(cè)顯得迫在眉睫,是亟須解決的問題之一[1,2]。
而基于HALCON機(jī)器視覺成像的缺陷檢測(cè)方法是現(xiàn)代制造業(yè)進(jìn)行質(zhì)量控制及檢測(cè)的重要方法之一,將HALCON軟件中的圖像分析及處理算子運(yùn)用到3D打印產(chǎn)品的缺陷檢測(cè)中以執(zhí)行或者輔助完成某些特定的缺陷檢測(cè)任務(wù),例如零部件表面的裂紋、凹坑、擦傷、缺陷等的檢測(cè)[3-5]。而基于HALCON的機(jī)器視覺成像系統(tǒng)對(duì)外部干擾因素如光照、零件形狀、零件材料和反射表面等的敏感度較高,基于對(duì)這些因素的綜合考慮,在執(zhí)行某些檢測(cè)任務(wù)時(shí)對(duì)于機(jī)器視覺成像系統(tǒng)的參數(shù)選擇就顯得尤為重要。目前的常用方法是在系統(tǒng)安裝調(diào)試的過程中通過大量的實(shí)驗(yàn)和經(jīng)驗(yàn)方法獲得一些較為可靠的經(jīng)驗(yàn)參數(shù)。這種方法耗時(shí)量大,且匹配效果準(zhǔn)確度不高。基于此,本文在對(duì)3D打印件進(jìn)行圖像匹配檢測(cè)時(shí)運(yùn)用基于HALCON視覺系統(tǒng)的遺傳算法,得到一種可自動(dòng)獲取最優(yōu)HALCON視覺系統(tǒng)參數(shù)并不斷進(jìn)行優(yōu)化的方法,以實(shí)現(xiàn)3D打印不同構(gòu)建取向成型件的缺陷檢測(cè)。本文所使用的視覺系統(tǒng)軟件HALCON是由德國(guó)MvTec生成的機(jī)器視覺軟件[6]。
1? 系統(tǒng)軟硬件選型及構(gòu)成
為了進(jìn)行本系統(tǒng)圖像檢測(cè)的研究,搭建了3D打印及視覺圖像檢測(cè)的軟硬件系統(tǒng),并對(duì)該系統(tǒng)的視覺性能和穩(wěn)定性能進(jìn)行了研究,后將開發(fā)和優(yōu)化的遺傳算法應(yīng)用于該視覺系統(tǒng)進(jìn)行視覺參數(shù)的優(yōu)化。本文所設(shè)計(jì)得系統(tǒng)包括:一個(gè)基于HALCON視覺軟件集成的開發(fā)的遺傳算法應(yīng)用程序、一個(gè)鋁合金框架搭建得物理視覺系統(tǒng)、一個(gè)3D打印系統(tǒng)和一個(gè)通信控制器。
1.1? 硬件組成
工件打印系統(tǒng)的硬件主要由3D打印機(jī)、3D打印耗材及高溫熔絲噴頭等組成。視覺系統(tǒng)的設(shè)計(jì)由CCD工業(yè)相機(jī)、工業(yè)鏡頭、展臺(tái)、鋁合金框架、四個(gè)獨(dú)立的漫射發(fā)光二極管燈、HALCON視覺圖像處理軟件等組成。發(fā)光二極管燈放置在展臺(tái)內(nèi),從正面、右側(cè)、左側(cè)和頂部照亮各個(gè)部分,使用的相機(jī)是單色SD-U200相機(jī),安裝于鋁合金框架上方從上向下觀察零件。各部分硬件選型如表1所示。
1.2? 軟件的組成及通信實(shí)現(xiàn)
通過運(yùn)用HALCON軟件中開放了的2 000余個(gè)圖像處理算子及其對(duì)應(yīng)的源程序,只需要在HDevelop環(huán)境下調(diào)試HALCON源碼編寫遺傳算法,后選取不同條件下的亮度值、對(duì)比度值、銳度值、伽馬值等參數(shù)進(jìn)行圖像處理及匹配檢測(cè),或者按照特定檢測(cè)對(duì)象,編寫其他程序算法,處理得到圖像處理所需結(jié)果。
為了在測(cè)試過程中控制和操作遺傳算法參數(shù),用C#語言生成一個(gè)圖形用戶界面以實(shí)現(xiàn)算法參數(shù)選擇控制器和HALCON視覺系統(tǒng)之間的串行通信,后調(diào)用HALCON中集成的視覺軟件應(yīng)用程序HALCON.NET數(shù)據(jù)庫進(jìn)行相應(yīng)圖像處理。
為了確保在通信過程中數(shù)據(jù)沒有丟失,以及便于識(shí)別外部輸入錯(cuò)誤,使用腳本文件記錄軟件應(yīng)用程序和物理視覺系統(tǒng)之間的所有命令和響應(yīng)。
2? 遺傳算法的開發(fā)及參數(shù)優(yōu)化
在遺傳算法開發(fā)之前,首先運(yùn)用圖像特征提取及處理的辦法,進(jìn)行圖像灰度化及顏色增強(qiáng),將原始圖片進(jìn)行預(yù)處理,突出圖像中的一些重要的、感興趣的特征,過濾掉少量不必要的信息,使得處理后的圖像對(duì)比度明顯增強(qiáng),特征更加明顯,以便于后期特征提取時(shí)更加精確[7-9]?;叶然幚戆凑誋ALCON中加權(quán)平均法函數(shù)rgb1_to_gray進(jìn)行處理,這里不再詳述。其次利用閾值分割的方法提取所獲得的圖片中各類缺陷對(duì)應(yīng)的感興趣區(qū)域ROI(Region of Interest),在3D打印件模型上,我們主要感興趣的區(qū)域是存在氣泡、凹坑、裂紋、表面缺陷等外表面部位。故根據(jù)缺陷檢測(cè)需要提取不同的ROI,以盡量消除其余區(qū)域造成的誤檢,從而提高檢測(cè)的準(zhǔn)確性。
完成以上圖像預(yù)處理步驟后,進(jìn)行視覺系統(tǒng)的匹配檢測(cè),為了獲得更好的性能參數(shù),得到更好的匹配效果,本文擬選用可迭代的遺傳算法進(jìn)行參數(shù)的選擇。需要選擇的遺傳算法圖像參數(shù)包括投影照明高度定位、亮度、對(duì)比度、伽馬和清晰度等。匹配完成后生成HALCON數(shù)據(jù)類型的XLD(邊緣輪廓模型)等高線輪廓模型,并與實(shí)時(shí)圖像匹配,以定位所需的缺陷對(duì)象或特征。然后根據(jù)面積和長(zhǎng)度等特征來判斷其是否為缺陷產(chǎn)品,并標(biāo)記出缺陷區(qū)域。
在視覺系統(tǒng)進(jìn)行圖像匹配時(shí),因考慮了遺傳算法的收斂性以及其獲得最佳HALCON視覺系統(tǒng)參數(shù)的能力,對(duì)運(yùn)用遺傳算法后得到的視覺系統(tǒng)進(jìn)行性能分析,以確保所使用的視覺匹配算法能夠滿足可重復(fù)性和穩(wěn)定性要求。從而獲得準(zhǔn)確的適應(yīng)值,得到理想的圖像匹配效果。
2.1? 遺傳算法的開發(fā)
用基因序列中的每個(gè)染色體表示一種可能的解決方案,即一個(gè)染色體對(duì)應(yīng)一組視覺匹配參數(shù)。初始化狀態(tài)下,用隨機(jī)選擇的參數(shù)值組成的染色體均勻地組成初始群體,由于硬件單色相機(jī)的規(guī)格和參數(shù)限制,需對(duì)圖像參數(shù)進(jìn)行限制,參數(shù)值從限制值之間隨機(jī)選擇,給出的限值如表2所示。
初始群里選取后,遺傳算法進(jìn)行下一步的迭代,這里規(guī)定每個(gè)染色體的每次突變和交叉繁殖的概率都是同時(shí)、統(tǒng)一進(jìn)行的。為了獲得每次遺傳迭代后的合理解決方案,提出該遺傳算法的適應(yīng)度函數(shù)。該適應(yīng)度函數(shù)用待識(shí)別區(qū)域中任意三個(gè)特征點(diǎn)的平方和的誤差(SSE)表示,其函數(shù)關(guān)系式如式1所示。在使用每個(gè)染色體指定的視覺系統(tǒng)參數(shù)進(jìn)行檢查時(shí),該適應(yīng)度函數(shù)可結(jié)合每個(gè)待找到部分的百分?jǐn)?shù)與已找到部分的百分?jǐn)?shù)之間的數(shù)量誤差關(guān)系,計(jì)算并返回SSE分?jǐn)?shù),SSE越接近于0,說明模型選擇和擬合的更好,數(shù)據(jù)預(yù)測(cè)越成功。
SSE=(100%-Part1Score)2+(100%-Part2Score)2
+(100%-Part3Score)2? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(1)
由于遺傳算法可保持遺傳多樣性且具有良好的局部搜索能力,使用優(yōu)勝劣汰和線性排列兩種選擇方法進(jìn)行迭代以產(chǎn)生最優(yōu)解,即最優(yōu)參數(shù)。為保證總體評(píng)估效果的優(yōu)越性,建立一個(gè)最優(yōu)群落數(shù)據(jù)庫,在每個(gè)種群迭代過程中將最優(yōu)個(gè)體取出來儲(chǔ)存到最優(yōu)群落數(shù)據(jù)庫中再進(jìn)行比較和分析。關(guān)于運(yùn)行時(shí)間T,規(guī)定T的截止時(shí)間為算法滿足特定條件為止的時(shí)間。算法停止的條件包括:(1)達(dá)到了期望時(shí)間;(2)獲得了最優(yōu)解;(3)算法停止。
若在選定的迭代次數(shù)內(nèi)適應(yīng)度函數(shù)趨于平穩(wěn),則認(rèn)為得到最優(yōu)解。如果適應(yīng)度函數(shù)在50次迭代中保持不變,則算法自動(dòng)停止。
2.2? 視覺系統(tǒng)性能選擇
視覺系統(tǒng)的影響因素主要有照明環(huán)境和相機(jī)分辨率(圖像參數(shù))。照明環(huán)境會(huì)影響圖像捕獲時(shí)的對(duì)比度,照明環(huán)境引起的變化會(huì)影響整個(gè)視覺檢查過程;本試驗(yàn)系統(tǒng)所選用的像素到毫米級(jí)分辨率的相機(jī)會(huì)影響系統(tǒng)的可重復(fù)性和穩(wěn)定性。使用一個(gè)3D打印的產(chǎn)品作為參考對(duì)象,與其理想的3D參考模型進(jìn)行匹配,后利用該系統(tǒng)進(jìn)行目標(biāo)識(shí)別,并使用數(shù)值統(tǒng)計(jì)方法對(duì)結(jié)果進(jìn)行分析。圖1為搭建的3D模型打印平臺(tái)。
測(cè)試過程中使用環(huán)形LED高亮光源,該LED陣列成圓錐狀以斜角照射在被測(cè)物表面,產(chǎn)生均勻的漫射照明。測(cè)試流程分4個(gè)步驟:(1)在選取的特征匹配點(diǎn)上分別用低范圍、中范圍和高范圍照射光源進(jìn)行圖像檢測(cè)參數(shù)測(cè)試。這些測(cè)試參數(shù)見表二;(2)對(duì)一個(gè)3D打印試件的每次試驗(yàn)進(jìn)行50次,要求參數(shù)均無變化;(3)每個(gè)測(cè)試點(diǎn)每次測(cè)試返回50個(gè)模型分?jǐn)?shù);(4)對(duì)結(jié)果進(jìn)行統(tǒng)計(jì)分析。
對(duì)于ROI區(qū)域三個(gè)點(diǎn)的測(cè)試,進(jìn)行以下統(tǒng)計(jì)分析:首先計(jì)算每個(gè)測(cè)試點(diǎn)的樣本平均值和標(biāo)準(zhǔn)偏差,然后計(jì)算自由度為31,后得到關(guān)于樣本平均值x的正態(tài)分布xi如由式(2)表示:
xi=±tv,p×Sx? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(2)
方差為0.15時(shí),規(guī)格上限(USL)和規(guī)格下限(LSL)由式(3)和(4)計(jì)算得出,因環(huán)境照明的變化以及所使用的相機(jī)像素的限制,認(rèn)為該上下限制范圍有效。
USL=+(×15/100)? ? ? ? ? ? ? ? ? ? (3)
LSL=-(×15/100)? ? ? ? ? ? ? ? ? ? (4)
由式(3)和式(4)的計(jì)算結(jié)果,根據(jù)一種用于提高過程質(zhì)量和最小化過程變化的行業(yè)策略,即六西格瑪原理得出過程能力值:
Cp=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(5)
當(dāng)過程能力等于或大于1時(shí),可認(rèn)為該系統(tǒng)是可重復(fù)的且穩(wěn)定的。由式(5)得出每個(gè)測(cè)試的每個(gè)部分的結(jié)果如表3所示。
從表3來看,由于散射和噪音的存在,低視距的處理能力值小于1。而遠(yuǎn)視距的散射會(huì)降低系統(tǒng)在物體和背景之間建立清晰對(duì)比度的能力,得到的對(duì)比度值也會(huì)降低。銳度值降低會(huì)導(dǎo)致圖像不清晰,導(dǎo)致檢測(cè)過程中獲得零件邊界的難度升高。綜合來看,中視距和遠(yuǎn)視距測(cè)試的處理能力大于1(滿足檢測(cè)要求),產(chǎn)生了令人滿意的結(jié)果。
由于樣本的變化受到隨機(jī)誤差和樣本數(shù)據(jù)大小的影響,可利用樣本均值獲得真實(shí)均值和真實(shí)標(biāo)準(zhǔn)差的更好估計(jì)值。在靜態(tài)條件下,從特征點(diǎn)取十個(gè)模型分?jǐn)?shù)的樣本,后根據(jù)式(6)計(jì)算重復(fù)該過程的次數(shù),從而將隨機(jī)誤差的估計(jì)值降低到可接受的水平。
N≈? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(6)
其中,P為置信百分比,tv,p置為置信百分比下的學(xué)習(xí)變量,是Sx為標(biāo)準(zhǔn)偏差的平均值,d為期望的單側(cè)置信區(qū)間。
由于單側(cè)區(qū)間的可接受水平為0.005,根據(jù)式(7)可得到樣本的值,其中樣本的標(biāo)準(zhǔn)偏差計(jì)算為0.005 693 966 3,則樣本數(shù)為:
N≈=7.25? ? ? ?(7)
因此,只需要8個(gè)樣本就滿足條件,圖5顯示了8個(gè)樣本的正態(tài)分布函數(shù),這8個(gè)樣本均可獲得更好的真實(shí)均值和標(biāo)準(zhǔn)差估計(jì)。
用式(2)至(5)的平均數(shù)據(jù)分析方法可得出標(biāo)準(zhǔn)偏差為0.013 466(當(dāng)置信百分比為95%時(shí)),盡管某些未知參數(shù)的變化仍會(huì)導(dǎo)致系統(tǒng)的可重復(fù)性及穩(wěn)定性發(fā)生變化,但總體而言,通過以上測(cè)試可以看出平均值的標(biāo)準(zhǔn)偏差較低,視覺系統(tǒng)產(chǎn)生了令人滿意的結(jié)果。
2.3? 遺傳算法的性能和優(yōu)化
不同的控制參數(shù)會(huì)導(dǎo)致解空間產(chǎn)生不同的繁殖和迭代能力,其會(huì)影響選擇條件和遺傳多樣性。因此,將遺傳算法應(yīng)用于視覺系統(tǒng)進(jìn)行視覺系統(tǒng)參數(shù)優(yōu)化之前,需要對(duì)遺傳算法進(jìn)行參數(shù)優(yōu)化。具體通過手動(dòng)及自動(dòng)改變遺傳算法的獨(dú)立參數(shù)并觀察應(yīng)用于視覺系統(tǒng)時(shí)的效果來測(cè)試,每個(gè)測(cè)試的性能由其計(jì)算運(yùn)行時(shí)間和SSE值來評(píng)定。針對(duì)每個(gè)確定的測(cè)試條件和適應(yīng)度函數(shù),設(shè)置初始時(shí)靜態(tài)視覺系統(tǒng)參數(shù)為:亮度值為-5,對(duì)比度值為7,銳度值為0,伽馬值為102,所有燈光采用漫反射的均勻照明。所有測(cè)試結(jié)果如表4所示。
從表4可以看出,最佳控制參數(shù)選擇100的種群規(guī)模、淘汰選擇方法和20%的突變率時(shí)產(chǎn)生了較小的SSE值和較短的計(jì)算運(yùn)行時(shí)間。因此當(dāng)遺傳算法應(yīng)用于視覺系統(tǒng)時(shí),選擇以上的最優(yōu)遺傳算法參數(shù)可獲得最優(yōu)的HALCON視覺系統(tǒng)參數(shù)。
選擇以上參數(shù)后,使用3D打印模型為參考對(duì)象,生成3D打印模型輪廓,返回SSE值以及每個(gè)零件的匹配分?jǐn)?shù),測(cè)試該遺傳算法獲得最佳視覺系統(tǒng)參數(shù)的能力。獲得的優(yōu)化視覺系統(tǒng)參數(shù)包括亮度值26、對(duì)比度值5、伽馬值134、銳度值0和光數(shù)3(僅頂部光)??梢钥闯?,相比于手動(dòng)調(diào)節(jié)參數(shù),將遺傳算法應(yīng)用于HALCON視覺系統(tǒng)產(chǎn)生了最佳的特征點(diǎn)匹配率及SSE值,視覺系統(tǒng)優(yōu)化結(jié)果如表5所示。
3? 遺傳算法的應(yīng)用
可以看出,選用遺傳算法應(yīng)用于視覺系統(tǒng)進(jìn)行視覺系統(tǒng)參數(shù)優(yōu)化后,大大節(jié)省了參數(shù)選擇時(shí)間,且相比較于傳統(tǒng)的試錯(cuò)法,其選擇的參數(shù)匹配度更好、精確度更好,可極大的改善產(chǎn)品表面缺陷檢測(cè)的效果。同時(shí),利用HALCON視覺系統(tǒng)中開放的源碼可進(jìn)行遺傳算法參數(shù)的優(yōu)化,該檢測(cè)方法可針對(duì)不同行業(yè)及應(yīng)用領(lǐng)域,進(jìn)行專業(yè)化的檢測(cè),如陶瓷表面裂紋檢測(cè)、動(dòng)車組制動(dòng)閘片缺陷檢測(cè)、動(dòng)車組輪對(duì)咯傷、擦傷等缺陷檢測(cè)等等,均有廣闊的應(yīng)用前景。
4? 結(jié)? 論
將遺傳算法應(yīng)用于HALCON視覺系統(tǒng)產(chǎn)生了最佳的視覺系統(tǒng)參數(shù)。這項(xiàng)研究的重要性在于,HALCON視覺系統(tǒng)參數(shù)的選擇可以從一個(gè)改進(jìn)的遺傳算法中獲得,而不是傳統(tǒng)的試錯(cuò)等方法。通過實(shí)施參數(shù)優(yōu)化后的遺傳算法,可提高視覺系統(tǒng)的穩(wěn)定性能和可重復(fù)性;通過調(diào)整遺傳算法的適應(yīng)度函數(shù),可將優(yōu)化的遺傳算法應(yīng)用于其他視覺系統(tǒng)檢查領(lǐng)域。
參考文獻(xiàn):
[1] KUANG Z P,DAI G M,WAN R J,et al. Osteogenic and antibacterial dual functions of a novel levofloxacin loaded mesoporous silica microspheres/nano-hydroxyapatite/polyurethane composite scaffold [J].Genes & Diseases,2019(2):193-202.
[2] 徐影,呂毅,王建波,等.深冷處理對(duì)3D打印ABS高分子材料組織性能的影響 [J].礦冶工程,2020,40(4):142-144.
[3] 汪成龍,黃余鳳,陳銘泉,等.基于halcon的字符缺陷檢測(cè)系統(tǒng) [J].制造業(yè)自動(dòng)化,2018,40(9):38-41.
[4] 舒奇,黃家才.基于Halcon的機(jī)器人手眼標(biāo)定方法研究 [J].南京工程學(xué)院學(xué)報(bào)(自然科學(xué)版),2019,17(1):45-49.
[5] 田春林,陳李博,馬國(guó)慶,等.基于Halcon的工業(yè)機(jī)器人手眼標(biāo)定方法研究 [J].制造業(yè)自動(dòng)化,2018,40(3):16-18+ 46
[6] ZAVRTANIK V,KRISTAN M,SK?AJ D. Reconstruction by inpainting for visual anomaly detection [J].Pattern Recognition,2020,112(2):107706.
[7] LIU C,ZHOU A M,ZHANG G X. Automatic clustering method based on evolutionary optimization [J].IET Computer Vision,2013,7(4):258-271.
[8] CHAOUCH I,DRISS O B,GHEDIRA K. Applied Intelligence;Studies from University of Manouba Provide New Data on Applied Intelligence(A novel dynamic assignment rule for the distributed job shop scheduling problem using a hybrid ant-based algorithm) [J].Journal of Robotics & Machine Learning,2018(49):1903-1924
[9] KRUSE J,CONNOR A M,MARKS S.An Interactive Multi-Agent System for Game Design [J].The Computer Games Journal,2021(10):41-63.
作者簡(jiǎn)介:郭志龍(1989.07—),男,漢族,甘肅天水人,工程師,碩士研究生,研究方向:多智能體協(xié)作控制、設(shè)備故障檢測(cè)與診斷;趙輝(1990.09—),女,漢族,甘肅金昌人,助教,碩士研究生,研究方向:汽車智能化制造、物聯(lián)網(wǎng)系統(tǒng)及新能源汽車應(yīng)用技術(shù)。