CN110472635A - 基于深度学习的刀具特征识别方法 - Google Patents

Abstract

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。

Description

基于深度学习的刀具特征识别方法

技术领域

本发明涉及一种非标专用刀具设计方法，特别是涉及一种基于深度学习的刀具特征识别方法。

背景技术

非标专用刀具设计是一个非常依赖设计经验知识的设计过程，设计人员在构思刀具设计方案时，通常会根据个人设计经验，将新的刀具设计要求与以往的刀具设计实例进行对比，参考已有的成熟设计经验知识，对以往刀具设计实例进行修改来满足新刀具的设计要求。

目前，关于刀具设计知识重用方法主要有：基于实例的推理方法、基于专家系统的方法、基于规则的推理方法等。文献“一种基于实例推理的刀具选配方法研究，航空制造技术，2015，vol.474(5),77-81”公开了一种基于实例推理的刀具选配方法。该方法利用以往的经验和知识来解决新的刀具选择问题，重点研究了刀具选配实例的知识表示和检索匹配，首先输入加工要求等信息，用统一的知识表示方法加以组织形成问题实例；然后按照一定的检索匹配策略从实例库中搜索相似的刀具选配实例；最后对检索匹配出的刀具选择结果和切削参数等信息进行修改优化，将修改后的信息作为新问题的解决方法。然而，该方法只是针对通用刀具的选配问题，需要建立统一的知识表示方法和详细的检索匹配策略，对于复杂的非标专用刀具并不适用。

发明内容

为了克服现有非标专用刀具设计方法实用性差的不足，本发明提供一种基于深度学习的刀具特征识别方法。该方法从图像视觉入手，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。

本发明解决其技术问题所采用的技术方案是：一种基于深度学习的刀具特征识别方法，其特点是包括以下步骤：

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：

Y_str＝[[Y_M,str],[Y_S,str],[Y_T,str]] (1)

DF_Y＝[[Y_str],[Y_size]^×16]＝[[Y_M,str],[Y_S,str],[Y_T,str],[Y_size]^×16] (3)

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。

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。

y＝φ(Y_str,Y_size,β) (4)

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。

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：

X_str＝[[X_C,str],[X_C,str],[X_P,str]] (5)

DF_X＝[[X_C,str]_down,[X_C,str]_down,[X_P,str],[X_size]^×16] (7)

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。

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。

y＝f(X_str,X_size,θ) (8)

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。

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：

type＝softmax(net)

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。

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：

式中，x,y代表两个刀具特征向量。

本发明的有益效果是：该方法从图像视觉入手，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。

下面结合具体实施方式对本发明作详细说明。

具体实施方式

本发明基于深度学习的刀具特征识别方法具体步骤如下：

步骤一、刀具特征提取：首先需要构造刀具特征提取网络的输入数据，以256×256的分辨率截取刀头部位的三视图，并处理成二值化灰度像素矩阵，得到256×256×3的结构信息矩阵：

Y_str＝[[Y_M,str],[Y_S,str],[Y_T,str]] (1)

式中，Y_str是刀具结构信息像素矩阵，其维度是256×256×3，包括主视图、侧视图、俯视图三个像素矩阵Y_M,str、Y_S,str、Y_T,str。

构造刀具尺寸信息矩阵，即取刀具各尺寸数据的二进制表示(64位浮点型)作为刀具尺寸向量，按长度、角度、直径分类，并按大小排序，组成维度为64×64的矩阵(尺寸数量不足可以添加零向量)，并取十六个相同矩阵组合成一个维度为256×256的刀具尺寸信息矩阵：

式中，Y_size是刀具尺寸信息矩阵，y_L,size,i、y_A,size,i、y_R,size,i分别是长度、角度、直径类刀具尺寸向量。

将刀具结构信息矩阵和尺寸信息矩阵组合成刀具特征提取网络的输入数据：

DF_Y＝[[Y_str],[Y_size]^×16]＝[[Y_M,str],[Y_S,str],[Y_T,str],[Y_size]^×16] (3)

式中，DF_Y是刀具特征提取网络的输入数据，其维度为256×256×4；刀具尺寸信息矩阵Y_size的上标×16表示取16个相同矩阵拼接为256×256维度的新尺寸信息矩阵。

在完成输入数据构造后，即进行基于卷积深度信念网络(CDBN)生成模型的刀具特征提取网络建模：

y＝φ(Y_str,Y_size,β) (4)

式中，β是CDBN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。刀具特征提取的流程如下所示：

输入：刀具特征提取网络输入数据DF_Y。

输出：刀具特征向量y。

1、将刀具图Y中的结构信息和尺寸信息按上述方法处理成一个维度为256×256×4的刀具特征提取网络输入数据DF_Y。

2、对输入数据DF_Y进行卷积操作(卷积核大小为3×3×4×64，步长为1，进行边界填充)，并加偏置及通过激活函数后，得到一个维度为256×256×64的卷积特征图C₁。

3、进行最大池化下采样(池化层大小为2×2，步长为2)，得到一个维度为128×128×64的下采样特征图S₂。

4、同上，再进行三组卷积和最大池化下采样操作(卷积核大小分别为3×3×64×128、3×3×128×256、3×3×256×512)，得到一个维度为16×16×512的下采样特征图S₈。

5、不再增加卷积特征图数量，再进行两组卷积和最大池化下采样操作(卷积核大小均为3×3×512×512)，得到一个维度为4×4×512的下采样特征图S₁₂。

6、将矩阵S₁₂按行首尾连接拉成一维向量，得到一个8192维的向量H₁₃。

7、通过一个全连接层，即构建一个可视层为8192个神经元，隐藏层为2048个神经元的受限玻尔兹曼机(其全连接权值矩阵为8192×2048)，得到一个2048维的向量H₁₄。

8、再通过一个受限玻尔兹曼机，其可视层为2048个神经元，隐藏层为512个神经元(全连接权值矩阵为2048×512)，得到一个512维的向量H₁₅。

9、最后通过一个分类受限玻尔兹曼机，其可视层由上一层RBM的的隐藏层H₁₅(512个神经元)和标签层type(6个神经元，代表刀具类型)组成，隐藏层为128个神经元(全连接权值矩阵分别为512×128、6×128)，得到一个128维的向量，即为所需的刀具特征向量y。

刀具特征提取模型采用的是CDBN生成模型，其是通过逐层无监督进行预训练的，首先由可视层得到隐藏层的激活概率，再由隐藏层得到可视层的激活概率，其优化目标即是最小化可视层重构误差：

式中，w_k是第k个卷积核的权重向量，v_(q)是可视层第q个子窗口，c_k是第k个卷积核的偏置，h_kq是隐藏层第k个特征的第q个节点的值。是第k个反卷积核的权重向量，h_k(r)是隐藏层第k个特征的第r个子窗口，b是可视层偏置，v_r是可视层第r个节点的值。

刀具特征提取网络通过CD算法进行预训练，并通过醒睡算法进行调优，在此不再详细说明。

步骤二、关联关系挖掘：类似于步骤一的刀具特征提取，首先构造关联关系挖掘网络的输入数据，不同之处在于加工特征的剖视图的截取尺寸为512×512，加工部位局部放大图的截取尺寸为256×256，处理成二值化灰度像素矩阵后，对前者进行一次最大池化下采样，得到256×256×3的加工特征的结构信息矩阵：

X_str＝[[X_C,str],[X_C,str],[X_P,str]] (5)

同样，将加工特征的尺寸数据转为二进制向量，按长度、角度、直径分类，并按大小排序，组成维度为64×64的矩阵，这里取十六个相同矩阵组合成一个维度为256×256的加工特征尺寸信息矩阵：

将加工特征的结构信息矩阵和尺寸信息矩阵组合成关联关系挖掘网络的输入数据，其维度为256×256×4：

DF_X＝[[X_C,str]_down,[X_C,str]_down,[X_P,str],[X_size]^×16] (7)

在完成输入数据构造后，即进行基于CDBN判别模型的关联关系挖掘网络建模：

y＝f(X_str,X_size,θ)(8)

式中,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。

输入：关联关系挖掘网络输入数据DF_X。

输出：刀具特征向量y。

10、将加工特征图X中的结构信息和尺寸信息按上述方法处理成一个维度为256×256×4的关联关系挖掘网络输入数据DF_X。

11、对输入数据DF_X进行六组卷积和下采样操作(卷积核尺寸分别为3×3×4×64、3×3×64×128、3×3×128×256、3×3×256×512、3×3×512×512、3×3×512×512，下采样为两倍最大池化下采样)，最终得到一个维度为4×4×512的下采样特征图S₁₂。

12、将矩阵S₁₂按行首尾连接拉成一维向量，得到一个8192维的向量H₁₃。

13、通过两层受限玻尔兹曼机，其隐藏层神经元个数分别为2048、512个(全连接权值矩阵分别为8192×2048、2048×512)，得到一个512维的向量H₁₅。

14、再通过一个分类受限玻尔兹曼机，其可视层由上一层RBM的的隐藏层H₁₅(512个神经元)和标签层(128个神经元，代表刀具特征向量r)组成，隐藏层为128个神经元(全连接权值矩阵分别为512×128、128×128)，得到一个128维的向量，称为关联特征向量r。

15、最后将卷积深度信念网络展开为一个前向神经网络，标签层作为输出层，则输入数据DF_X经由上述处理步骤，得到一个128维的向量，即为学习得到的刀具特征向量y。

关联关系挖掘网络是一个判别模型，首先使用CD算法进行逐层无监督预训练，然后将其展开为前向网络，使用反向传播算法进行有监督调优。

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。

type＝softmax(net)

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(即刀具特征向量加权求和后未经激活函数处理的值)，K表示总类别数。

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。

式中，x,y代表两个刀具特征向量。

针对一个新的加工特征需要设计非标专用刀具时：

①首先将通过关联关系学习得到新刀具特征向量y_new进行分类。

在此之前，将历史刀具图Y送入训练好的刀具特征提取网络，得到对应的刀具特征向量y，建立一个“加工特征图-刀具特征向量-刀具图”一一对应的刀具数据库；其次，针对刀具数据库中的历史刀具特征向量y，建立一个基于Softmax分类的刀具分类器；再将通过关联关系学习得到新刀具特征向量y_new，送入刀具分类器，预测其刀具类标签。

②然后将分类后的新刀具特征向量y_new在具有相同标签的历史刀具特征向量∑y中进行相似性匹配。

具体是基于夹角余弦法，在具有相同标签的刀具类型中，将通过关联关系学习得到的新刀具特征向量y_new与历史刀具特征向量∑y进行相似性匹配，并按相似度大小排序，输出若干最相似历史刀具特征向量对应的刀具图。

Claims (1)

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：

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：

Y_str＝[[Y_M,str],[Y_S,str],[Y_T,str]] (1)

DF_Y＝[[Y_str],[Y_size]^×16]＝[[Y_M,str],[Y_S,str],[Y_T,str],[Y_size]^×16] (3)

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；

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；

y＝φ(Y_str,Y_size,β) (4)

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；

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：

X_str＝[[X_C,str],[X_C,str],[X_P,str]] (5)

DF_X＝[[X_C,str]_down,[X_C,str]_down,[X_P,str],[X_size]^×16] (7)

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；

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；

y＝f(X_str,X_size,θ) (8)

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；

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：

type＝softmax(net)

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；

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：

式中，x,y代表两个刀具特征向量。