[發明專利]一種基于卷積神經網絡的螺紋旋向分類方法

在審

• 申請號: 202111004530.X
• 申請日: 2021-08-30
• 公開（公告）號: CN114202502A
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 白劍宇;王佳慧;白昊天;文世挺;楊勁秋
• 申請（專利權）人: 浙大寧波理工學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 寧波市鄞州盛飛專利代理事務所(特殊普通合伙) 33243
• 代理人: 龍洋

1.一種基于卷積神經網絡的螺紋旋向分類方法，其特征在于，包括步驟：

S1：通過特征提取網絡提取螺紋區域圖像中螺紋的螺紋旋向特征，并輸出為初始的螺紋旋向特征圖；

S2：判斷當前層特征提取網絡的輸出是否與對應的螺紋區域圖像為預設殘差值內的映射，若是，通過當前特征提取網絡對目標螺紋區域圖像進行旋向分類，若否，進入下一步驟；

S3：通過CBAM模塊中的通道注意力模塊，根據螺紋旋向特征圖進行初始感受野和優化感受野的獲取與融合，并提取感受野融合后的融合特征圖；

S4：根據融合特征圖進行通道注意力特征圖的獲取；

S5：通過CBAM模塊中的空間注意力模塊，根據通道注意力特征圖獲取通道各維度組合跨維度交互的交互信息；

S6：根據各維度組合的交互信息依次進行元素相加和平均池化處理，池化后的輸出作為下一層特征提取網絡的輸入；

S7：進入下一層特征提取網絡并根據輸入輸出螺紋旋向特征圖，返回步驟S2；

所述通道維度包括通道C以及通道空間維度中的高度H和寬度W。

2.如權利要求1所述的一種基于卷積神經網絡的螺紋旋向分類方法，其特征在于，所述步驟S3中，初始感受野為通道注意力模塊根據螺紋旋向特征圖進行預設大小卷積核卷積后獲得，優化感受野為通道注意力模塊根據螺紋旋向特征圖在預設大小卷積核的基礎上進行空洞卷積獲得。

3.如權利要求1所述的一種基于卷積神經網絡的螺紋旋向分類方法，其特征在于，所述步驟S4中，通道注意力特征圖的獲取可表達為如下公式組：

z′＝δ(Mz)

X′＝z′Y

式中，Y為融合特征圖，z為通道維度的特征，h為通道空間維度中高度H的尺寸，w為通道空間維度中寬度W的尺寸，F_gap(Y)為對Y的全局平均池化處理，T(i,j)為融合特征圖Y上坐標為(i,j)的的像素點；z′為權重向量，δ為ReLU函數，M為全連接權重；X′為通道注意力特征圖。

4.如權利要求1所述的一種基于卷積神經網絡的螺紋旋向分類方法，其特征在于，所述維度組合包括：

維度C和維度H組成的第一分支，維度C和維度W組成的第二分支，維度H和維度W組成的第三分支。

5.如權利要求4所述的一種基于卷積神經網絡的螺紋旋向分類方法，其特征在于，所述交互信息在獲取前需依次經過如下步驟：

根據分支類別對通道注意力特征圖進行選擇性旋轉；

分別通過最大池化層通道和平均池化層通道對選擇性旋轉后的通道注意力特征圖進行池化處理；

將最大池化層通道和平均池化層通道的輸出進行拼接；

將拼接后的通道輸出通過批歸一化處理及激活獲取權重信息，并將權重信息與選擇性旋轉后的通道注意力特征圖相乘；

根據分支類別對相乘后的通道注意力特征圖進行對應的選擇性反向旋轉；

所述選擇性旋轉與對應的選擇性反向旋轉之間，旋轉的角度一致，旋轉的方向相反。

6.如權利要求5所述的一種基于卷積神經網絡的螺紋旋向分類方法，其特征在于，所述選擇性旋轉包括：

當分支類別為第一分支時，通道注意力特征圖沿高度H方向上的軸逆時針旋轉90°；

當分支類別為第二分支時，通道注意力特征圖沿寬度W方向上的軸逆時針旋轉90°；

當分支類別為第三分支時，通道注意力特征圖不旋轉。

7.如權利要求5所述的一種基于卷積神經網絡的螺紋旋向分類方法，其特征在于，所述步驟S6中，螺紋旋向特征圖的獲取可表達為如下公式：

式中，y為螺紋旋向特征圖，為第一分支的旋轉張量，為第二分支的旋轉張量；為分別經過最大池化層通道和平均池化層通道后的拼接輸出，為分別經過最大池化層通道和平均池化層通道后的拼接輸出，為X′中維度H和維度W的維度組合分別經過最大池化層通道和平均池化層通道后的拼接輸出；σ為激活函數；ψ₁為的二維卷積層，ψ₂為的二維卷積層，ψ₃為的二維卷積層。

8.如權利要求1所述的一種基于卷積神經網絡的螺紋旋向分類方法，其特征在于，所述特征提取網絡為多尺度特征網絡。