[發明專利]基于深度學習的刀具特征識別方法

有效

• 申請號: 201910656404.9
• 申請日: 2019-07-19
• 公開（公告）號: CN110472635B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 王明微;許青;周競濤
• 申請（專利權）人: 西北工業大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764;G06K9/62
• 代理公司: 西安匠星互智知識產權代理有限公司 61291
• 代理人: 陳星

1.一種基于深度學習的刀具特征識別方法，其特征在于包括以下步驟：

步驟一、刀具特征提取：從刀具圖中獲得刀具的結構信息和尺寸信息，并構造成刀具輸入數據矩陣組合：

Y_str＝[[Y_M,str],[Y_S,str],[Y_T,str]] (1)

DF_Y＝[[Y_str],[Y_size]^×16]＝[[Y_M,str],[Y_S,str],[Y_T,str],[Y_size]^×16] (3)

式中，Y_str是代表刀具的結構信息，包括主視圖Y_M,str、側視圖Y_S,str、俯視圖Y_T,str；Y_size是刀具的尺寸信息，由長度尺寸向量y_L,size,i、角度尺寸向量y_A,size,i和直徑尺寸向量y_R,size,i構成；DF_Y是刀具特征提取網絡的輸入數據；

將刀具的結構信息和刀具的尺寸信息組合成輸入數據，通過卷積深度信念網絡的生成模型，獲得刀具特征向量；

y＝φ(Y_str,Y_size,β) (4)

式中，Y_str是刀具的結構信息，Y_size是刀具的尺寸信息，β是卷積深度信念網絡學習過程中需要優化的參數，φ(·)是通過生成學習獲得的映射函數，y是獲得的刀具特征向量；

步驟二、關聯關系挖掘：從加工特征圖中獲得加工特征的結構信息和尺寸信息，并構造成加工特征輸入數據矩陣組合：

X_str＝[[X_C,str],[X_C,str],[X_P,str]] (5)

DF_X＝[[X_C,str],[X_C,str],[X_P,str],[X_size]^×16] (7)

式中，X_str代表加工特征的結構信息，X_C,str代表加工特征剖視圖像素矩陣，X_P,str代表加工部位局部放大圖像素矩陣；X_size表示加工特征的尺寸信息，按長度、角度、直徑分為x_L,size,i、x_A,size,i、x_R,size,i三類尺寸向量；DF_X是加工特征提取網絡的輸入數據；

結合卷積深度信念網絡判別模型和遷移學習，在重用刀具特征提取網絡參數的基礎上，通過判別學習，挖掘加工特征與刀具特征向量之間的關聯關系；

y＝f(X_str,X_size,θ) (8)

式中,X_str、X_size分別是加工特征的結構信息和尺寸信息，θ是需要在訓練中優化的參數向量，y是步驟一獲得的刀具特征向量，f(·)是通過判別學習獲得的映射函數；

步驟三、刀具分類：將步驟一中獲得的刀具特征向量通過softmax分類器進行分類，并定義了六種刀具類型，包括外圓車刀、內孔車刀、端面車刀、外圓槽刀、內孔槽刀、端面槽刀：

type＝softmax(net)

式中，type_q表示某樣本屬于類別q的概率，net_k表示標簽層的第k個神經元的輸入值；

步驟四、相似性匹配：首先通過步驟二中的關聯關系挖掘網絡，學習獲得新的加工特征對應的刀具特征向量；然后通過步驟三中的softmax分類器，預測其刀具類別，并在相同類別的歷史刀具特征向量中進行基于夾角余弦法的相似性匹配：

式中，x,y代表兩個刀具特征向量。