[發明專利]一種基于AA R2Unet和HMM的高精密螺紋全自動精確測量方法

在審

• 申請號: 202010741349.6
• 申請日: 2020-07-29
• 公開（公告）號: CN111882542A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 張堃;韓宇;李子杰;張澤眾;馮文宇;華亮;李文俊;鮑毅
• 申請（專利權）人: 南通大學;杭州博拉哲科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/143;G06T7/13;G06N3/08;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于AA R2Unet和HMM的高精密螺紋全自動精確測量方法，其特征在于：包括以下步驟：

A、AA R2Unet螺紋邊緣識別：建立AA R2Unet網絡對采集的螺紋圖片進行螺紋邊緣提取，獲取僅包含螺紋邊緣的圖像；

B、基于HMM的螺紋邊緣點分類：利用步驟A提取到的螺紋邊緣與原圖中的灰度信息計算螺紋邊緣點的梯度方向，并以此為HMM的觀測對象將螺紋邊緣點分為峰谷型、直線型、和過渡型；

C、擬合直線計算參數：將步驟B中的利用最小二乘法擬合成直線，并進行螺紋邊緣配對，計算螺紋的大徑與牙角。

2.根據權利要求1所述的一種基于AA R2Unet和HMM的高精密螺紋全自動精確測量方法，其特征在于：所述步驟A中在Unet中加入了R2模塊與Attention Augment模塊；其中，Unet結構總體呈對稱的U型結構，在設計時共包含12個單元(F1-F12),其中左側F1-F6為收縮路徑，用于特征的提取；右側F6-F12為擴張路徑，用于細節的恢復實現精準預測。

3.根據權利要求2所述的一種基于AA R2Unet和HMM的高精密螺紋全自動精確測量方法，其特征在于：R2模塊包括了殘差學習單元和遞歸卷積，

(1)殘差學習單元：假定一個神經網絡單元的輸入是x，期望輸出是H(x)，另外定義一個殘差映射F(x)＝H(x)-x，若把x直接傳遞給輸出，則該神經網絡單元要學習的目標就是殘差映射F(x)＝H(x)-x，殘差學習單元由一系列卷積層和一個捷徑組成，輸入x通過這個捷徑傳遞給殘差學習單元的輸出，則殘差學習單元的輸出為z＝F(x)+x

(2)遞歸卷積：假定輸入為x，對該輸入x進行連續的卷積，且每一次的卷積輸出加上當前的輸入作為下一次的卷積的輸入。

R2模塊即將殘差學習單元中的普通卷積替換為遞歸卷積。

4.根據權利要求2所述的一種基于AA R2Unet和HMM的高精密螺紋全自動精確測量方法，其特征在于：Attention Augment本質為通過查詢得到一系列鍵-值對的映射；首先，通過對輸入大小為(w,h,c_in)的特征圖進行1×1卷積，其中w、h、c_in分別表示為輸入特征圖的寬、長和深度。輸出QKV矩陣，其大小為(w,h,2*d_k+d_v)，其中w、h、2*d_k+d_V分別表示了QKV矩陣的寬、長與深度。QKV矩陣的寬、長和輸入特征的寬、長尺寸一樣；再從深度通道上對QKV矩陣進行分割，得到Q、K、V三個矩陣其深度通道大小分別為d_k、d_k、d_v；接著，采用了多頭注意力機制的結構，將Q、K、V三個矩陣分別從深度通道上分割為N個相等的矩陣進行后續的計算，這種多頭注意力機制將原本單一的attention計算，擴展為較小且并行獨立的多個計算，使得模型可以在不同的子空間內學習特征信息。

5.根據權利要求4所述的一種基于AA R2Unet和HMM的高精密螺紋全自動精確測量方法，其特征在于：對于分割好的Q、K、V矩陣在進行扁平化處理生成Flat_Q、Flat_K、Flat_V三個矩陣，即對Q、K、V保持深度通道不變，從長寬方向對其進行壓縮到1維，其中前兩個矩陣的大小為(w*h,d_k)，后一個矩陣大小為(w*h,d_v)；接著，Attention Augment保存了原先Self-Attention的做法使用Flat_Q、Flat_K兩矩陣進行矩陣乘法運算，計算出權重矩陣，且在此基礎上添加了相對位置嵌入的計算，通過對Q矩陣進行長寬兩方向的權重計算得到特征圖上每個點的相對位置信息，防止特征位置的變換而降低模型的最終效果。