[發(fā)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?zhí)枺?/td>: 202010741349.6
• 申請日: 2020-07-29
• 公開（公告）號: CN111882542A
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)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(quán)）人: 南通大學(xué);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

本發(fā)明公開了一種基于AA R2Unet和HMM的高精密螺紋全自動精確測量方法，該方法利用AA R2Unet網(wǎng)絡(luò)進(jìn)行螺紋邊緣的提取，以濾除圖像中的異物。接著利用HMM進(jìn)行螺紋邊緣點(diǎn)分類，擬合直線，計算螺紋參數(shù)。

技術(shù)領(lǐng)域

本發(fā)明涉及螺紋參數(shù)檢測技術(shù)領(lǐng)域，具體為一種基于AA R2Unet和HMM的高精密螺紋全自動精確測量方法。

背景技術(shù)

目前，工業(yè)中的螺紋參數(shù)檢測大多使用人工檢測，耗時長，且易對工件造成磨損。近年來，視覺檢測技術(shù)飛速發(fā)展，在螺紋檢測領(lǐng)域出現(xiàn)了許多基于視覺的螺紋檢測方法，利用Canny邊緣檢測算法、模板匹配等傳統(tǒng)視覺技術(shù)進(jìn)行螺紋檢測，但由于工業(yè)現(xiàn)場環(huán)境往往較為復(fù)雜，干擾因素較多，如灰塵、鐵屑、油漬等異物極易對視覺檢測造成干擾，使得檢測結(jié)果異常。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于AA R2Unet和HMM的高精密螺紋全自動精確測量方法，以解決上述背景技術(shù)中提出的問題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于AA R2Unet和HMM的高精密螺紋全自動精確測量方法，包括以下步驟：

A、AA R2Unet螺紋邊緣識別：建立AA R2Unet網(wǎng)絡(luò)對采集的螺紋圖片進(jìn)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(diǎn)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(diǎn)的梯度方向，并以此為HMM的觀測對象將螺紋邊緣點(diǎn)分為峰谷型、直線型、和過渡型；

C、擬合直線計算參數(shù)：將步驟B中的利用最小二乘法擬合成直線，并以此計算螺紋的大徑與牙角。

優(yōu)選的，所述步驟A中在Unet中加入了R2模塊與Attention Augment模塊；其中，Unet結(jié)構(gòu)總體呈對稱的U型結(jié)構(gòu)，在設(shè)計時共包含12個單元(F1-F12),其中左側(cè)F1-F6為收縮路徑，用于特征的提取；右側(cè)F6-F12為擴(kuò)張路徑，用于細(xì)節(jié)的恢復(fù)實(shí)現(xiàn)精準(zhǔn)預(yù)測；R2模塊包括了殘差學(xué)習(xí)單元和遞歸卷積。

優(yōu)選的，R2模塊包括了殘差學(xué)習(xí)單元和遞歸卷積，

(1)殘差學(xué)習(xí)單元：假定一個神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)單元要學(xué)習(xí)的目標(biāo)就是殘差映射F(x)＝H(x)-x，殘差學(xué)習(xí)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(xué)習(xí)單元的輸出，則殘差學(xué)習(xí)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(jìn)行連續(xù)的卷積，且每一次的卷積輸出加上當(dāng)前的輸入作為下一次的卷積的輸入。

R2模塊即將殘差學(xué)習(xí)單元中的普通卷積替換為遞歸卷積。

優(yōu)選的，其特征在于：AttentionAugment本質(zhì)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(jìn)行1×1卷積輸出QKV矩陣，其大小為(w,h,2*d_k+d_v)，其中w、h、2*d_k+d_V分別表示了矩陣的寬、長與深度；再從深度通道上對QKV矩陣進(jìn)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(jī)制的結(jié)構(gòu)，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(jìn)行后續(xù)的計算，這種多頭注意力機(jī)制將原本單一的attention計算，擴(kuò)展為較小且并行獨(dú)立的多個計算，使得模型可以在不同的子空間內(nèi)學(xué)習(xí)特征信息。