[发明专利]基于深度学习的刀具特征识别方法

摘要

本发明公开了一种基于深度学习的刀具特征识别方法，用于解决现有非标专用刀具设计方法实用性差的技术问题。技术方案是从图像视觉入手，挖掘工件加工特征与刀具的二维工程图二者的关联关系，实现刀具设计方案重用。首先基于卷积深度信念网络生成模型，融合二维工程图的结构信息和尺寸信息，对高维刀具图进行特征提取，获取低维的刀具特征向量；然后结合CDBN判别模型和迁移学习，在重用刀具特征提取网络参数的基础上，挖掘加工特征与刀具特征向量的关联关系；最后通过基于Sofmax的刀具分类和基于夹角余弦法的相似性匹配两个步骤，实现刀具特征向量到历史刀具设计方案的映射，实用性好。

主权项

1.一种基于深度学习的刀具特征识别方法，其特征在于包括以下步骤：/n步骤一、刀具特征提取：从刀具图中获得刀具的结构信息和尺寸信息，并构造成刀具输入数据矩阵组合：/nY_str＝[[Y_M,str],[Y_S,str],[Y_T,str]] (1)/n /nDF_Y＝[[Y_str],[Y_size]^×16]＝[[Y_M,str],[Y_S,str],[Y_T,str],[Y_size]^×16] (3)/n式中，Y_str是代表刀具的结构信息，包括主视图Y_M,str、侧视图Y_S,str、俯视图Y_T,str；Y_size是刀具的尺寸信息，由长度尺寸向量y_L,size,i、角度尺寸向量y_A,size,i和直径尺寸向量y_R,size,i构成；DF_Y是刀具特征提取网络的输入数据；/n将刀具的结构信息和刀具的尺寸信息组合成输入数据，通过卷积深度信念网络的生成模型，获得刀具特征向量；/ny＝φ(Y_str,Y_size,β) (4)/n式中，Y_str是刀具的结构信息，Y_size是刀具的尺寸信息，β是卷积深度信念网络学习过程中需要优化的参数，φ(·)是通过生成学习获得的映射函数，y是获得的刀具特征向量；/n步骤二、关联关系挖掘：从加工特征图中获得加工特征的结构信息和尺寸信息，并构造成加工特征输入数据矩阵组合：/nX_str＝[[X_C,str],[X_C,str],[X_P,str]] (5)/n /nDF_X＝[[X_C,str]_down,[X_C,str]_down,[X_P,str],[X_size]^×16] (7)/n式中，X_str代表加工特征的结构信息，X_C,str代表加工特征剖视图像素矩阵，X_P,str代表加工部位局部放大图像素矩阵；X_size表示加工特征的尺寸信息，按长度、角度、直径分为x_L,size,i、x_A,size,i、x_R,size,i三类尺寸向量；DF_X是加工特征提取网络的输入数据；/n结合卷积深度信念网络判别模型和迁移学习，在重用刀具特征提取网络参数的基础上，通过判别学习，挖掘加工特征与刀具特征向量之间的关联关系；/ny＝f(X_str,X_size,θ) (8)/n式中,X_str、X_size分别是加工特征的结构信息和尺寸信息，θ是需要在训练中优化的参数向量，y是步骤一获得的刀具特征向量，f(·)是通过判别学习获得的映射函数；/n步骤三、刀具分类：将步骤一中获得的刀具特征向量通过Softmax分类器进行分类，并定义了六种刀具类型，包括外圆车刀、内孔车刀、端面车刀、外圆槽刀、内孔槽刀、端面槽刀：/ntype＝softmax(net)/n /n式中，type_i表示某样本属于类别i的概率，net_k表示标签层的第k个神经元的输入值，K表示总类别数；/n步骤四、相似性匹配：首先通过步骤二中的关联关系挖掘网络，学习获得新的加工特征对应的刀具特征向量；然后通过步骤三中的Softmax分类器，预测其刀具类别，并在相同类别的历史刀具特征向量中进行基于夹角余弦法的相似性匹配：/n /n式中，x,y代表两个刀具特征向量。/n