[发明专利]一种基于卷积神经网络的螺纹旋向分类方法

说明书

本发明涉及卷积神经网络技术领域，具体公开了一种基于神经网络的螺纹旋向分类方法，在特征提取的过程中，通道注意力模块采用感受野融合的通道注意力，使得网络更加关注特征局部的上下文信息；空间注意力采用三重空间注意力模块，通过跨维度交互方式将空间信息融合，更有利于特征空间位置的学习；采用更为关注细粒度特征的Res2Net骨干网络，并将感受野融合的通道注意力和三重空间注意力嵌入到骨干网络的block中，从而对原骨干网络学习的特征进行注意力修正；采用先通道注意力后空间注意力的方式进行特征提取，在通道和空间层面加强了网络对于螺纹旋向细粒度特征的提取与学习。

技术领域

本发明涉及卷积神经网络技术领域，具体涉及一种基于卷积神经网络的螺纹旋向分类方法。

背景技术

在对螺纹旋向的自动化识别分类的研究中，通过螺旋线相对倾斜角度这一传统算法具有一定的局限性，其只能捕捉宏观特征，如灰度、直线等，对于深层次的特征描述有所欠缺，在更大范围内的图像放缩、背景多变、更为苛刻的光线条件下未能达到令人满意的结果。近年来，深度学习网络的出现为图像分类带来新的解决思路，避免了人工特征选择的复杂性和非普适性，对于对象的大小、颜色及形状等宏观特征有着传统视觉算法无法企及的精确度。

常见工业缺陷检测等任务所针对的目标较为宏观，且存在明显差异，各类缺陷特征显著，因而基于深度学习的识别任务可以利用卷积神经网络提取充分的特征，利用这些关键特征即可较好实现螺纹种类识别及缺陷检测任务。然而螺纹旋向识别由于目标螺纹种类相同，仅在左右旋向的细微特征有区分性，若不能尽量避免背景及无关区域影响，对于旋向区别性特征的提取就会具有一定的难度，导致网络模型的旋向可区分性较差。同时，在实际识别中，如对于自行车脚踏板螺纹旋向特征的提取，其螺纹区域所占图像整体背景较小，左右旋向螺纹区域仅在螺旋线部分有可区分性，因而普通识别网络对螺纹分类已经无法做到速度与质量的兼具，这无疑是无法满足生产需求得。

因此，在针对脚踏板螺纹旋向识别网络的设计中，需要进一步忽略螺纹背景特征，关注旋向的细粒度级别特征，极大程度捕获螺纹螺旋线部分的特征，为最终的螺纹旋向识别奠定基础。如何提高对螺纹旋向细粒度特征的关注度是该分类任务的重点及难点所在。

发明内容

为了解决螺纹旋向识别过程中识别目标差别细微及背景特征易干扰的难点，本发明从跨维度方式的建模空间注意力及不同感受野的局部相关性融合入手，提出了一种基于卷积神经网络的螺纹旋向分类方法，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。

进一步地，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。

进一步地，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：