[發明專利]基于跨階段局部特征融合策略的殘差網絡模型與模型的訓練方法

在審

• 申請號: 202210382671.3
• 申請日: 2022-04-13
• 公開（公告）號: CN114818794A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 白劍宇;崔乾東;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: G06K9/00
• 分類號: G06K9/00;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

1.一種基于跨階段局部特征融合策略的殘差網絡模型，用于預測數控機床中刀具的磨損狀態，其特征在于，包括：

信號輸入層，用于輸入刀具監測信號；

卷積層，用于對刀具監測信號進行卷積計算以獲取信號特征向量；

批歸一化層，用于對信號特征向量進行批歸一化；

激活層，用于對批歸一化后的信號特征向量進行非線性運算，以獲取信號激活特征向量；

殘差層，其包括殘差塊，殘差塊中設置有左運算通道、右運算通道與合并單元，其中，左運算通道用于對信號激活特征向量進行特征運算以得到殘差左特征向量并輸出；右運算通道用于對信號激活特征向量進行下采樣以得到殘差右特征向量并輸出；合并單元，用于合并輸出的殘差左特征向量與殘差右特征向量以得到殘差特征合并向量；

局部殘差模塊，其包括至少一個局部殘差塊，所述局部殘差塊用于對合并向量進行拆分以得到右特征向量與左特征向量，并通過局部殘差塊中的右側梯度運算通道對右特征向量進行殘差運算，通過局部殘差塊中的左側梯度運算通道對左特征向量進行特征運算，并將殘差運算與特征運算后得到的特征向量進行融合以得到特征融合向量；所述合并向量包括殘差特征合并向量與特征融合向量；

Flatten層，用于展開特征融合向量；第二批歸一化層，用于對展開后的特征融合向量進行歸一化；第二激活層，用于對歸一化后的特征融合向量進行激活；全連接層，用于對激活后特征融合向量進行非線性變化以得到模型預測的刀具磨損狀態。

2.根據權利要求1所述的一種基于跨階段局部特征融合策略的殘差網絡模型，其特征在于，所述殘差層中殘差塊的左運算通道包括依次連接的：

第一卷積層,用于對信號激活特征向量進行卷積計算以得到特征學習向量；

批歸一化層,用于對特征學習向量進行批歸一化；

激活層,用于對批歸一化后的特征學習向量進行非線性運算以得到重激活特征向量；

第二卷積層,用于對重激活特征向量進行卷積計算以得到殘差左特征向量。

3.根據權利要求2所述的一種基于跨階段局部特征融合策略的殘差網絡模型，其特征在于，所述殘差層中殘差塊的右運算通道包括：

最大池化層，用于對信號激活特征向量進行下采樣以得到殘差右特征向量。

4.根據權利要求1所述的一種基于跨階段局部特征融合策略的殘差網絡模型，其特征在于，所述局部殘差模塊中局部殘差塊包括：

拆分層，用于對合并向量進行拆分以得到右特征向量與左特征向量；

左側梯度運算通道，其包括依次連接的批歸一化層、激活層、卷積層與最大池化層，其中：批歸一化層，用于對左特征向量進行批歸一化；激活層，用于對批歸一化后的左特征向量進行非線性運算以得到左激活特征向量；卷積層，用于對左激活特征向量進行卷積計算，以得到左學習特征向量；最大池化層，用于對左學習特征向量進行下采樣以得到左梯度特征向量；

右側梯度運算通道，其包括至少一個基本殘差塊，用于對右特征向量進行殘差運算，以得到右梯度特征向量；

融合層，用于對左梯度特征向量與右梯度特征向量進行融合以得到特征融合向量。

5.根據權利要求4所述的一種基于跨階段局部特征融合策略的殘差網絡模型，其特征在于，所述基本殘差塊包括：

左運算通道，其包括依次連接的第一批歸一化層、第一激活層、第一卷積層、第二批歸一化層、第二激活層與第二卷積層，其中：

第一批歸一化層，用于對右特征向量進行批歸一化；

第一激活層，用于對批歸一化后的右特征向量進行非線性運算以得到左通道激活特征向量；

第一卷積層，用于對左通道激活特征向量進行卷積計算，以得到左通道學習特征向量；

第二批歸一化層，用于對左通道學習特征向量進行批歸一化；

第二激活層，用于對批歸一化后的左通道學習特征向量進行非線性運算以得到左通道重激活特征向量；

第二卷積層，用于對左通道重激活特征向量進行卷積計算，以得到左通道重學習特征向量；

右運算通道，其包括最大池化層，用于對右特征向量進行下采樣以得到右通道池化特征向量；

合并單元，用于合并左通道重學習特征向量與右通道池化特征向量以得到右梯度特征向量。