[發明專利]一種基于卷積神經網絡的機械零件圖紙檢索方法

在審

• 申請號: 202010869413.9
• 申請日: 2020-08-26
• 公開（公告）號: CN111951263A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 王鑫;覃琴;顏靖柯;李利霞
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06N3/04;G06K9/62;G06F16/583
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 覃永峰

1.一種基于卷積神經網絡的機械零件圖紙檢索方法，其特征在于，包括如下步驟：

1)機械圖紙的標注：對機械零件圖紙數據庫中的數據進行標注，將每個種類的機械零件圖紙圖片標注上對應的類名，在同一種類機械零件圖紙下，把相似的機械圖紙圖片采用唯一的標識ID創建文件夾并把圖片存放在此文件里面；

2)數據增強：對步驟1)獲取的機械圖紙圖片進行數據增強即對機械圖紙圖片進行裁剪、翻轉、旋轉、縮放、扭曲幾何變換、像素擾動、添加噪聲、光照調節、對比度調節、樣本加和或插值、分割補丁處理；

3)mobileNet網絡的構建：所述mobileNet網絡設有深度可分離卷積、普通卷積、全局平均池化和激活函數，并且將通道數縮減為原來卷積通道數的四分之一，最后將經過卷積后，獲取機械圖紙圖片的高維特征，輸入到損失函數進行計算；

4)三元圖例組的構建：設置(x_i^a,x_i^p,x_iⁿ)作為mobileNet網絡的輸入，通過mobileNet網絡得到mobileNet網絡的輸出構成三元圖例組，其中x_i^a即anchor稱為輸入圖像，x_i^p即positive稱為需要靠近相同類型的圖像，x_iⁿ即negative稱為不同類型的圖像，在對x_i^a,x_i^p,x_iⁿ的選擇上，x_i^a的選取是任意、無約束的，x_i^p在和x_i^a同一種類的相似圖片下任意選取，x_iⁿ在和x_i^a不相似情況下任意選取，為錨圖例高維特征空間，為正例高維特征空間，為負例高維特征空間；

5)損失函數設置：將三元圖例組，作為輸入，出入優化空間進行相互之間的核對，并且構建損失函數Triplet loss L，在Triplet loss L中,首先將圖片f(x)的卷積映射到高維特征空間，實現高內聚合低耦合，即anchor稱為輸入圖像,即positive稱為需要靠近相同類型的圖像，即negative稱為不同類型的圖像，和它們之間的保證間隔足夠大，和之間的保證間隔足夠小，最終其損失函數是：并不停的優化L,實現網絡訓練的優化；

6)高維空間的映射：依據mobileNet網絡的訓練和損失函數優化后，將機械圖紙圖片映射到正確的高維特征表達向量空間；

7)檢索實現：依據步驟6)映射的高維空間，進行相似機械圖紙圖片的匹配。

2.根據權利要求1所述的基于卷積神經網絡的機械零件圖紙檢索方法，其特征在于，步驟3)中所述的mobileNet網絡為采用深度可分離卷積，傳統卷積分成兩步，每個卷積核與每張特征圖進行按位相乘然后進行相加，計算量為DF*DF*DK*DK*M*N，其中DF為特征圖尺寸，DK為卷積核尺寸，M為輸入通道數，N為輸出通道數，采用深度可分離卷積首先按照通道進行計算按位相乘的計算，此時通道數不改變，然后得到第一步的結果，采用1*1的卷積核進行傳統的卷積運算，此時通道數進行改變，計算量為DF*DF*DK*DK*M*1+1*1*M*N*DF*DF，通過深度可分離卷積，計算量下降在改進后的mobileNet中，使原來的mobileNet普通卷積和深度可分離卷積部分，通道數變為了原來的四分之一，在改進后的mobileNet中經過普通卷積、歸一化、激活函數、深度可分離卷積、全局平均池化、全連接、L2正則化，其中，激活函數采用relu激活函數，具體如公式(1)：

relu激活函數在x0時，不存在飽和問題，能夠直接以監督的方式訓練深度神經網絡，而無需依賴無監督的逐層預訓練，采用L2正則化，如公式(2)所示：

其中，E_in是未包含正則化項的訓練樣本誤差，λ是正則化參數。

3.根據權利要求1所述的基于卷積神經網絡的機械零件圖紙檢索方法，其特征在于，步驟5)中所述的Triplet loss L中：α為用來控制樣本信息傳遞的邊界參數，α值越小時，輸入的標準圖與相同類型的圖片都不需要拉的太近，而標準圖與不同類型的圖片不需要拉的太遠，就能使得loss很快的趨近于0，這樣訓練得到的結果，不能夠很好的區分相似的圖像，α值設置的太大，很可能最后loss保持一個較大的值，難以趨近于0，在Tripletloss L計算時，當f_i和f_j是同一種類似的圖形距離越小越好，f_i和f_j是不同種類時距離越遠，甚至超過α越好：