[发明专利]一种面向复杂产品异形加工特征的智能识别与检索方法

权利要求书

1.一种面向复杂产品异形加工特征的智能识别与检索方法，其特征在于，包括以下步骤：

S1、获取零件异形加工特征图纸；

S2、对异形加工特征的图纸进行预处理，预处理的方法为将图纸一分为二，图纸1中保留异形加工特征内容的相关参数；图纸2中不包含任何相关参数，表示如下：

其中，C_p为是否保留异形加工特征内容的相关参数；

S3、将预处理后的图纸通过虚拟相机获得统一像素大小的图像，预处理后的图纸利用屏幕截图工具，将其设定活动窗口大小为m×n，活动窗口分别从左到右移动、从上到下以合适间隔移动次数为a、b，表达式为：

其中，m、n分别为图像的宽和高，num为获取图像的总量，size为图像的尺寸大小；

S4、将获得的图像通过数据增强处理得到待训练的图像数据集1和数据集2，训练数据集1中包含的图像为从有标注的加工特征图纸中获得，每一张图像都包含异形特征加工内容的一个或者几个参数，能够实现有标注尺寸的异形加工特征图像识别；

训练数据集2在训练数据集1的基础上加入没有尺寸标注的图像，所训练的图像包含有尺寸参数标注的图像和无尺寸参数的图像，能够实现有标注尺寸和无标注尺寸的异形加工特征图像识别；

S5、将上一层的数据集输入到ResNet，ResNet中目标函数采用交叉熵损失函数进行评价，具体为：

其中，l为ResNet模型训练时单次输入图片的数量，y为Softmax层输出的异形加工特征预测归属的类别，y_p是异形加工特征的真实类别；

S6、将ResNet训练的结果保存为.h5文件，所有图像通过ResNet训练的模型和权重保存为.h5文件，新的图像样本通过Softmax函数得到图像属于各个类别的概率，实现异形加工特征的快速智能识别与检索，Softmax函数的表达式为：

其中，i,k＝1,2,3…,j，j表示异形加工特征图像分类的数目，v_k表示节点属于第k类，vi表示节点属于第i类；

S7、输入特征一张或者几张新的图像样本并进行预处理，预处理的方法包括大小归一化、减去像素平均值和灰度处理；大小归一化即把所有新的样本图像都归一化为训练数据集图像的大小；减去像素平均值即新的图像样本中的每个像素减去所有训练数据集图像的平均值，采用新的图像样本中的每个像素减去所有训练数据集图像的平均值，用于智能识别与检索新的异形加工特征图像样本x计算如下：

其中，为所有训练数据集图像的均值，s为所有训练数据集图像的标准差；

S8、将预处理后的图像输入到.h5文件中，所有图像通过ResNet训练的模型和权重保存为.h5文件，新的图像样本通过Softmax函数得到图像属于各个类别的概率，实现异形加工特征的快速智能识别与检索，Softmax函数的表达式为：

其中，i,k＝1,2,3…,j，j表示异形加工特征图像分类的数目，v_k表示节点属于第k类，vi表示节点属于第i类；

S9、根据新样本属于各个类别的概率确定新样本的分类结果，最后输出新样本的分类结果。

2.根据权利要求1所述的复杂产品异形加工特征的智能识别与检索方法，其特征在于，步骤S4中，训练数据集1中图像的总量total1为：

其中，i≥2，total1为训练数据集1中图像的总量，total₁为只包含异形特征加工内容一个参数的图像总量，total_i为包含异形特征加工内容不少于2个参数的图像总量；

训练数据集2中图像的总量total2为：

其中，total2为训练数据集2中图像的总量，total1为训练数据集1中图像的总量，为无尺寸参数的图像总量。

3.根据权利要求1所述的复杂产品异形加工特征的智能识别与检索方法，其特征在于，步骤S5中，ResNet中采用Adam优化算法，具体为：

其中，β₁为0.9，β₂为0.9999，ε为10^-2，α为0.001，t表示次数，m_t是对梯度的一阶矩估计，是对梯度的二阶矩估计。