[发明专利]一种基于卷积神经网络的螺纹旋向分类方法

权利要求书

1.一种基于卷积神经网络的螺纹旋向分类方法，其特征在于，包括步骤：

S1：通过特征提取网络提取螺纹区域图像中螺纹的螺纹旋向特征，并输出为初始的螺纹旋向特征图；

S2：判断当前层特征提取网络的输出是否与对应的螺纹区域图像为预设残差值内的映射，若是，通过当前特征提取网络对目标螺纹区域图像进行旋向分类，若否，进入下一步骤；

S3：通过CBAM模块中的通道注意力模块，根据螺纹旋向特征图进行初始感受野和优化感受野的获取与融合，并提取感受野融合后的融合特征图；

S4：根据融合特征图进行通道注意力特征图的获取；

S5：通过CBAM模块中的空间注意力模块，根据通道注意力特征图获取通道各维度组合跨维度交互的交互信息；

S6：根据各维度组合的交互信息依次进行元素相加和平均池化处理，池化后的输出作为下一层特征提取网络的输入；

S7：进入下一层特征提取网络并根据输入输出螺纹旋向特征图，返回步骤S2；

所述通道维度包括通道C以及通道空间维度中的高度H和宽度W。

2.如权利要求1所述的一种基于卷积神经网络的螺纹旋向分类方法，其特征在于，所述步骤S3中，初始感受野为通道注意力模块根据螺纹旋向特征图进行预设大小卷积核卷积后获得，优化感受野为通道注意力模块根据螺纹旋向特征图在预设大小卷积核的基础上进行空洞卷积获得。

3.如权利要求1所述的一种基于卷积神经网络的螺纹旋向分类方法，其特征在于，所述步骤S4中，通道注意力特征图的获取可表达为如下公式组：

z′＝δ(Mz)

X′＝z′Y

式中，Y为融合特征图，z为通道维度的特征，h为通道空间维度中高度H的尺寸，w为通道空间维度中宽度W的尺寸，F_gap(Y)为对Y的全局平均池化处理，T(i,j)为融合特征图Y上坐标为(i,j)的的像素点；z′为权重向量，δ为ReLU函数，M为全连接权重；X′为通道注意力特征图。

4.如权利要求1所述的一种基于卷积神经网络的螺纹旋向分类方法，其特征在于，所述维度组合包括：

维度C和维度H组成的第一分支，维度C和维度W组成的第二分支，维度H和维度W组成的第三分支。

5.如权利要求4所述的一种基于卷积神经网络的螺纹旋向分类方法，其特征在于，所述交互信息在获取前需依次经过如下步骤：

根据分支类别对通道注意力特征图进行选择性旋转；

分别通过最大池化层通道和平均池化层通道对选择性旋转后的通道注意力特征图进行池化处理；

将最大池化层通道和平均池化层通道的输出进行拼接；

将拼接后的通道输出通过批归一化处理及激活获取权重信息，并将权重信息与选择性旋转后的通道注意力特征图相乘；

根据分支类别对相乘后的通道注意力特征图进行对应的选择性反向旋转；

所述选择性旋转与对应的选择性反向旋转之间，旋转的角度一致，旋转的方向相反。

6.如权利要求5所述的一种基于卷积神经网络的螺纹旋向分类方法，其特征在于，所述选择性旋转包括：

当分支类别为第一分支时，通道注意力特征图沿高度H方向上的轴逆时针旋转90°；

当分支类别为第二分支时，通道注意力特征图沿宽度W方向上的轴逆时针旋转90°；

当分支类别为第三分支时，通道注意力特征图不旋转。

7.如权利要求5所述的一种基于卷积神经网络的螺纹旋向分类方法，其特征在于，所述步骤S6中，螺纹旋向特征图的获取可表达为如下公式：

式中，y为螺纹旋向特征图，为第一分支的旋转张量，为第二分支的旋转张量；为分别经过最大池化层通道和平均池化层通道后的拼接输出，为分别经过最大池化层通道和平均池化层通道后的拼接输出，为X′中维度H和维度W的维度组合分别经过最大池化层通道和平均池化层通道后的拼接输出；σ为激活函数；ψ₁为的二维卷积层，ψ₂为的二维卷积层，ψ₃为的二维卷积层。

8.如权利要求1所述的一种基于卷积神经网络的螺纹旋向分类方法，其特征在于，所述特征提取网络为多尺度特征网络。