基于CNN的槍械關(guān)重件復(fù)雜加工特征識(shí)別

邵海瑞，劉伊華，王希闊，王永娟

(1.南京理工大學(xué) 機(jī)械工程學(xué)院， 南京 210094；2.中國(guó)兵器工業(yè)第208研究所，北京 102202； 3.中國(guó)人民解放軍63856部隊(duì)，吉林 白城 137001)

1 引言

特征識(shí)別是連接設(shè)計(jì)與生產(chǎn)加工之間的橋梁，CAD系統(tǒng)三維建模表達(dá)的是底層幾何和拓?fù)湫畔ⅲ掠螒?yīng)用需要的是高層次的應(yīng)用特征，例如加工特征信息。因此對(duì)加工特征識(shí)別的優(yōu)劣關(guān)乎下游的生產(chǎn)加工。目前對(duì)于特征識(shí)別主要分為基于邊界匹配的特征識(shí)別、基于立體分解的特征識(shí)別和基于神經(jīng)網(wǎng)絡(luò)的特征識(shí)別。

隨著計(jì)算機(jī)軟硬件的快速發(fā)展，也為神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展提供了良好的環(huán)境，基于神經(jīng)網(wǎng)絡(luò)的特征識(shí)別也出現(xiàn)越來(lái)越多的研究成果。將零件的三維結(jié)構(gòu)轉(zhuǎn)化為三維彩色圖片，然后輸入給神經(jīng)網(wǎng)絡(luò)模型，這一方法給零件加工特征識(shí)別注入了新的解決方案。國(guó)內(nèi)外研究學(xué)者對(duì)其有大量的研究，Google公司提出了Google Net卷積神經(jīng)網(wǎng)絡(luò)模型，引入了inception模塊；Kaiming等提出了ResNet網(wǎng)絡(luò)模型，引入Residual結(jié)構(gòu)；Hu等提出了SENet網(wǎng)絡(luò)模型，能夠有效抑制卷積核的通道，以上的研究都對(duì)模型進(jìn)行了優(yōu)化，從不同方面提高了神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率和有效性。Zhang等將深度學(xué)習(xí)應(yīng)用到特征識(shí)別中，具有較高的識(shí)別率。

于洋等通引入解決子圖同構(gòu)問(wèn)題的VF2算法對(duì)加工特征進(jìn)行識(shí)別。唐碩等通過(guò)邊界表示的方法對(duì)孔類零件進(jìn)行特征識(shí)別。王軍等提出基于圖和痕跡的相交特征識(shí)別算法對(duì)STEP-NC相交特征進(jìn)行識(shí)別。陸凱等將加工特征識(shí)別問(wèn)題轉(zhuǎn)化為圖學(xué)習(xí)問(wèn)題，提出一種基于數(shù)據(jù)驅(qū)動(dòng)的飛機(jī)結(jié)構(gòu)件加工特征識(shí)別方法。薛曉輝等運(yùn)用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化以解決數(shù)控加工特征識(shí)別。齊峰等提出一種應(yīng)用特征構(gòu)成面及其屬性鄰接邊信息構(gòu)成特征編碼的特征表示模型并結(jié)合基于徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)進(jìn)行加工特征的識(shí)別。呂超凡等用近鄰算法構(gòu)建點(diǎn)云的旋轉(zhuǎn)不變表示，結(jié)合融入幾何實(shí)驗(yàn)知識(shí)的點(diǎn)云分類網(wǎng)絡(luò)進(jìn)行加工特征識(shí)別。高遠(yuǎn)等通過(guò)以遺傳算法為主的神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)控加工特征進(jìn)行識(shí)別。張禹等以混沌算法、遺傳算法、BP神經(jīng)網(wǎng)絡(luò)算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)中以進(jìn)行STEP-NC制造特征識(shí)別。許如歡提出一種基于幾何推理和神經(jīng)網(wǎng)絡(luò)相結(jié)合的加工特征識(shí)別混合算法。部分學(xué)者將三維拓?fù)浣Y(jié)構(gòu)轉(zhuǎn)化為點(diǎn)云數(shù)據(jù)，然后輸入給神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，最后對(duì)加工特征進(jìn)行分類識(shí)別。

以上學(xué)者對(duì)特征識(shí)別的研究具有顯著的成果，但是也存在相交特征和復(fù)雜特征不能完全識(shí)別、對(duì)屬性鄰接圖冗余操作等問(wèn)題。而槍械關(guān)重件外形輪廓較為復(fù)雜，多為異形面，因此提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜加工特征識(shí)別方法，為下游提供加工特征信息。首先對(duì)槍械關(guān)重件進(jìn)行復(fù)雜加工特征分類，然后將零件的三維幾何拓?fù)浣Y(jié)構(gòu)模型轉(zhuǎn)化為圖片格式，并創(chuàng)建各個(gè)復(fù)雜加工特征圖像數(shù)據(jù)集，建立其基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型，再次構(gòu)建復(fù)雜加工特征分類器，最后基于UG平臺(tái)進(jìn)行實(shí)例驗(yàn)證槍械關(guān)重件的復(fù)雜加工特征識(shí)別。

2 復(fù)雜加工特征分類

在零件的設(shè)計(jì)階段，設(shè)計(jì)者會(huì)有多種方法構(gòu)建零件的三維模型，其中的特征稱之為幾何形狀特征，但是幾何形狀特征卻不適用于生產(chǎn)加工階段，因此在生產(chǎn)加工階段提出加工特征概念。槍械關(guān)重件中含有深孔特征，此深孔特征具有超大的深徑比，且槍械關(guān)重件還有尺寸小，形狀較為復(fù)雜，形面加工多，加工工序多等特點(diǎn)。結(jié)合關(guān)重件的加工過(guò)程和工藝特點(diǎn)對(duì)關(guān)重件的幾何形狀特征進(jìn)行重新提取、分解、歸類、聚合。以某型號(hào)的自動(dòng)武器為例，將其加工特征分成六大類21小類，其中復(fù)雜加工特征主要包含深孔、螺紋孔、不規(guī)則槽、圓弧面、螺旋槽、螺旋面等特征，如圖1所示。

圖1 槍械關(guān)重件加工特征分類框圖Fig.1 Classification of processing characteristics of guns and heavy parts

3 卷積神經(jīng)網(wǎng)絡(luò)理論

卷積神經(jīng)網(wǎng)絡(luò)是一種包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)算法之一，一般由輸入層、卷積層、池化層、全連接層和輸出層組成，如圖2所示。其中輸入層為特征圖像的輸入；卷積層通過(guò)內(nèi)部的卷積核和激勵(lì)函數(shù)對(duì)特征圖像進(jìn)行提取；池化層通過(guò)池化函數(shù)對(duì)卷積層得到的特征圖進(jìn)行特征選擇和信息過(guò)濾；全連接層對(duì)經(jīng)過(guò)卷積層和池化層提取的特征進(jìn)行非線性組合以得到輸出；輸出層使用邏輯函數(shù)輸出分類標(biāo)簽和結(jié)果。

圖2 卷積神經(jīng)網(wǎng)絡(luò)一般結(jié)構(gòu)框圖Fig.2 General structure diagram of convolutional neural network

3.1 卷積層

卷積層主要對(duì)輸入層的特征圖像進(jìn)行特征提取，其主要包括卷積核、卷積層參數(shù)和激勵(lì)函數(shù)。卷積層的主要原理為卷積核沿著該層輸入的特征圖像以卷積步長(zhǎng)進(jìn)行移動(dòng)，并在對(duì)應(yīng)位置進(jìn)行卷積運(yùn)算。卷積核是卷積層中最重要的組成元素，組成卷積核的每個(gè)元素都對(duì)應(yīng)一個(gè)權(quán)重系數(shù)和一個(gè)偏差量。卷積層參數(shù)主要包含卷積核大小、步長(zhǎng)和特征填充方式，卷積核越大，可提取的輸入特征越復(fù)雜。卷積步長(zhǎng)定義了卷積核兩次掃過(guò)特征圖時(shí)位置的距離。填充方式主要分為有效填充、相同填充、全填充和任意填充4種。卷積層中采用激勵(lì)函數(shù)來(lái)協(xié)助其表達(dá)復(fù)雜特征，表示形式為：

(1)

常用的激勵(lì)函數(shù)主要有sigmoid函數(shù)、Tanh函數(shù)、ReLU函數(shù)，其中應(yīng)用最多的是ReLU函數(shù)(見(jiàn)圖3)，ReLU函數(shù)的表示形式為：

圖3 ReLU函數(shù)及其導(dǎo)函數(shù)曲線Fig.3 ReLU function and its derivative function

(2)

ReLU激勵(lì)函數(shù)當(dāng)≥0時(shí)，梯度為1，不存在梯度飽和問(wèn)題；當(dāng)<0時(shí)，增加了網(wǎng)絡(luò)的稀疏性，提高了模型的泛化能力，因此采用ReLU激勵(lì)函數(shù)對(duì)卷積層的參數(shù)進(jìn)行激勵(lì)。

3.2 池化層

池化層又稱下采樣層，由卷積層輸入的特征圖數(shù)據(jù)傳遞至池化層進(jìn)行特征選擇和過(guò)濾，在保存有用信息的基礎(chǔ)上減少數(shù)據(jù)量，進(jìn)而會(huì)減少卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練量和提高訓(xùn)練效率。對(duì)池化層的操作方式主要有平均池化、最大池化、混合池化和隨機(jī)池化四種，其主要受池化窗口大小、步長(zhǎng)和填充方式控制。最大池化方式進(jìn)行特征圖的提取與處理。表示形式為：

(3)

式中：為填充層數(shù)；為卷積步長(zhǎng)；為卷積核大??；(，)為特征圖的像素。

3.3 全連接層

全連接層位于卷積神經(jīng)網(wǎng)絡(luò)隱含層的最后部分，用于對(duì)提取到的特征進(jìn)行分類組合并輸出最后的結(jié)果。特征圖像經(jīng)過(guò)卷積層和池化層的提取、壓縮和輸出之后，經(jīng)過(guò)最后一個(gè)全連接層進(jìn)行分類識(shí)別，一般采用邏輯回歸，Softmax回歸對(duì)樣本進(jìn)行分類，并輸出最終的結(jié)果。其中Softmax回歸函數(shù)表示形式為：

(4)

由式(4)可以看出，當(dāng)輸入特征為，預(yù)測(cè)類別為的概率為，特征的所有類別概率和為1，對(duì)于特征值越大的類別，最后該類輸出的概率值也就越大。

4 基于CNN的復(fù)雜加工特征識(shí)別方法

簡(jiǎn)單加工特征的識(shí)別已經(jīng)有較多的識(shí)別方法，但是對(duì)于復(fù)雜加工特征卻沒(méi)有行之有效的方法予以識(shí)別，因此本文主要研究槍械關(guān)重件復(fù)雜加工特征的識(shí)別。

基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜加工特征識(shí)別主要從復(fù)雜加工特征多角度捕捉圖像法構(gòu)建復(fù)雜加工特征數(shù)據(jù)集、建立復(fù)雜加工特征卷積神經(jīng)網(wǎng)絡(luò)模型和構(gòu)建復(fù)雜加工特征圖像分類器等3個(gè)方面對(duì)槍械關(guān)重件的復(fù)雜加工特征進(jìn)行識(shí)別。采用復(fù)雜加工特征多角度捕捉圖像的方法創(chuàng)建數(shù)據(jù)集，然后將數(shù)據(jù)集輸入給卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，之后采用損失函數(shù)計(jì)算模型的誤差值和最小梯度法對(duì)模型進(jìn)行優(yōu)化，最后采用Softmax分類器對(duì)獲取的三維拓?fù)浣Y(jié)構(gòu)圖像進(jìn)行分類識(shí)別，最后輸出識(shí)別結(jié)果，其流程如圖4所示。

圖4 基于CNN的復(fù)雜加工特征識(shí)別流程框圖Fig.4 CNN-based method flow for the identification of complex processing features

4.1 復(fù)雜加工特征多角度捕捉圖像方法

復(fù)雜加工特征數(shù)據(jù)集決定復(fù)雜加工特征卷積神經(jīng)網(wǎng)絡(luò)模型的輸入，對(duì)復(fù)雜加工特征分類器有基礎(chǔ)性的意義。采用復(fù)雜加工特征多角度捕捉圖像方法構(gòu)建復(fù)雜加工特征數(shù)據(jù)集。

首先使用參數(shù)化建模的方法創(chuàng)建若干個(gè)形狀大小參數(shù)不同的三維模型，然后根據(jù)復(fù)雜加工特征分類對(duì)拓?fù)浣Y(jié)構(gòu)進(jìn)行抽取，然后對(duì)抽取的加工特征從圖像背景、視圖方向、線框模型、特征顏色、特征平移、特征旋轉(zhuǎn)、特征縮放等方面進(jìn)行控制變量法操作輸出avi格式視頻，最后將輸出的avi格式視頻轉(zhuǎn)化為統(tǒng)一格式的jpg二維彩色圖像。下面以槍械關(guān)重件中的深孔加工特征為例說(shuō)明構(gòu)建深孔加工特征數(shù)據(jù)集的具體步驟如下：

1) 采用參數(shù)化建模方法，創(chuàng)建槍械關(guān)重件中深孔的三維模型；

2) 抽取深孔幾何特征。對(duì)深孔的三維模型進(jìn)行抽取幾何體操作，選擇單個(gè)面選項(xiàng)；

3) 輸出avi格式視頻。對(duì)抽取出的深孔加工特征進(jìn)行視圖背景、視圖方向、線框類型、實(shí)體顏色、實(shí)體平移、實(shí)體旋轉(zhuǎn)、實(shí)體縮放等方面進(jìn)行處理，得到加工特征在不同視圖背景、不同視圖方向、不同線框類型、不同實(shí)體顏色、不同實(shí)體位置、不同實(shí)體角度、不同實(shí)體大小的視頻；

4) 輸出jpg格式圖片。對(duì)上一步驟輸出的視頻通過(guò)外部軟件轉(zhuǎn)化為每幀輸出的jpg格式圖片。

根據(jù)上述方法，分別建立槍械關(guān)重件復(fù)雜加工特征數(shù)據(jù)集，在此列出深孔加工特征數(shù)據(jù)集和螺旋面加工特征數(shù)據(jù)集，如圖5和圖6所示。

圖5 深孔加工特征部分?jǐn)?shù)據(jù)集示意圖Fig.5 Deep hole machining feature part data set

圖6 螺旋面加工特征部分?jǐn)?shù)據(jù)集示意圖Fig.6 Partial data set of spiral surface processing features

4.2 復(fù)雜加工特征卷積神經(jīng)網(wǎng)絡(luò)模型

根據(jù)槍械關(guān)重件復(fù)雜加工特征分類，并結(jié)合槍械關(guān)重件的機(jī)加工藝特點(diǎn)，對(duì)槍械關(guān)重件的復(fù)雜加工特征識(shí)別效果更佳，以卷積神經(jīng)網(wǎng)絡(luò)為框架，設(shè)計(jì)一種包含四層卷積層、四層池化層和三層全連接層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，其每層的參數(shù)如圖7所示。

圖7 隱含層參數(shù)框圖Fig.7 Hidden layer parameters

4.3 復(fù)雜加工特征圖像分類器

在對(duì)數(shù)據(jù)集和模型構(gòu)建完成以后，需要對(duì)模型進(jìn)行評(píng)估和優(yōu)化，然后采用復(fù)雜加工特征分類器對(duì)其進(jìn)行加工特征分類。對(duì)模型的評(píng)估采用交叉熵函數(shù)來(lái)描述計(jì)算結(jié)果中真實(shí)概率與預(yù)測(cè)概率的差異，其計(jì)算公式為：

(5)

確定損失函數(shù)以后，需要根據(jù)損失函數(shù)計(jì)算出的函數(shù)值，采用梯度下降法來(lái)修正復(fù)雜加工特征卷積神經(jīng)網(wǎng)絡(luò)模型，從而減小誤差，以達(dá)到網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果不斷接近真實(shí)結(jié)果。在優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的模型之后，采用Softmax的方式對(duì)復(fù)雜加工特征進(jìn)行分類。

構(gòu)建槍械關(guān)重件的復(fù)雜加工特征數(shù)據(jù)集和搭建卷積神經(jīng)網(wǎng)絡(luò)模型之后，用python程序在PyCharm平臺(tái)中編寫(xiě)復(fù)雜加工特征圖像分類算法，算法流程如圖8所示。

圖8 復(fù)雜加工特征圖像分類算法流程框圖Fig.8 Complex processing feature image classification algorithm flow

具體步驟為：

1) 獲取所有加工特征圖像數(shù)據(jù)集，其中包含個(gè)加工特征，每個(gè)加工特征中含有張加工特征圖，循環(huán)變量初始值為=1，=1，其中-表示第個(gè)加工特征的數(shù)據(jù)集，-表示第個(gè)加工特征數(shù)據(jù)集中的第一張加工特征圖；

2) 依次讀取第個(gè)特征的第張加工特征圖，輸入給訓(xùn)練好的復(fù)雜加工特征卷積神經(jīng)網(wǎng)絡(luò)模型，得到第-張加工特征圖的預(yù)測(cè)概率為-；

3) 然后根據(jù)得到的-計(jì)算-加工特征圖的最大期望值=max{,,,…,}；

4) 根據(jù)得到的最大期望值，結(jié)束復(fù)雜加工特征圖像識(shí)別，輸出最終的復(fù)雜加工特征類型。

5 模型及實(shí)例分析

根據(jù)本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜加工特征圖像識(shí)別方法，采用Python語(yǔ)言編寫(xiě)程序，以PyCharm平臺(tái)結(jié)合TensorFlow深度學(xué)習(xí)框架構(gòu)建復(fù)雜加工特征分類器，并通過(guò)UG的API接口建立復(fù)雜加工特征識(shí)別模塊對(duì)其進(jìn)行實(shí)例驗(yàn)證。

5.1 模型分析

將槍械關(guān)重件訓(xùn)練集輸入給復(fù)雜加工特征卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練參數(shù)，如表1所示。訓(xùn)練次數(shù)和數(shù)據(jù)集損失值的函數(shù)曲線，如圖9所示，訓(xùn)練次數(shù)和數(shù)據(jù)集準(zhǔn)確率的函數(shù)曲線，如圖10所示。

表1 模型訓(xùn)練參數(shù)Table 1 Model training parameters

圖9 數(shù)據(jù)集損失函數(shù)曲線Fig.9 Data set loss function

圖10 數(shù)據(jù)集識(shí)別率函數(shù)曲線Fig.10 Data set recognition rate function

5.2 復(fù)雜特征識(shí)別實(shí)例

在卷積神經(jīng)網(wǎng)絡(luò)完成大量的數(shù)據(jù)訓(xùn)練以后，選擇槍械關(guān)重件進(jìn)行復(fù)雜加工特征識(shí)別驗(yàn)證。其關(guān)重件特征在上述六大類加工特征之中，通過(guò)抽取幾何體、復(fù)雜加工特征多角度捕捉圖像法以及復(fù)雜加工特征圖像識(shí)別分類等操作，部分加工特征識(shí)別結(jié)果，如表2所示。

表2 復(fù)雜加工特征識(shí)別結(jié)果Table 2 Partial processing feature recognition results

槍械某關(guān)重件復(fù)雜加工特征識(shí)別結(jié)果，如圖11所示，從識(shí)別結(jié)果可以看出，該方法能夠識(shí)別出復(fù)雜加工特征類型。

圖11 槍械某關(guān)重件復(fù)雜加工特征識(shí)別結(jié)果界面Fig.11 Recognition results of complex processing features of a certain key important part of firearms

5.3 對(duì)比分析

1) 神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)方法

基于邊界匹配的加工特征識(shí)別方法對(duì)特征的定義簡(jiǎn)單，能準(zhǔn)確地描述特征面鄰接屬性，算法效率高，但是無(wú)法識(shí)別相交特征；基于立體分解的加工特征識(shí)別方法能夠識(shí)別簡(jiǎn)單的相交特征，但是識(shí)別過(guò)程是基于大量的布爾運(yùn)算，會(huì)導(dǎo)致計(jì)算量大，效率低。而基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜加工特征識(shí)別方法有較高的效率，能夠識(shí)別相交特征，并且能夠識(shí)別尺寸大小不同、視圖方向不同的加工特征。

2) 不同神經(jīng)網(wǎng)絡(luò)方法

文獻(xiàn)[22]中基于多層感知機(jī)(multilayer perceptron，MLP)模型，采用改進(jìn)的NBA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，能識(shí)別出孔、盲孔、通槽、臺(tái)階、T形槽、盲槽和部分相交特征。文獻(xiàn)[23]中基于CNN模型可以識(shí)別不同類型的鉆孔的可加工制造性。文獻(xiàn)[7]中構(gòu)建孔、槽、臺(tái)階等24種常見(jiàn)的簡(jiǎn)單特征數(shù)據(jù)集，然后基于CNN對(duì)其進(jìn)行加工特征分類識(shí)別。本研究中提出的基于CNN的復(fù)雜加工特征識(shí)別模型，不僅能夠識(shí)別孔、槽、臺(tái)階等簡(jiǎn)單加工特征，而且能夠識(shí)別深孔、槍用螺旋槽等復(fù)雜加工特征，是對(duì)原有加工特征識(shí)別的一種擴(kuò)展。

6 結(jié)論

1) 提出了復(fù)雜加工特征多角度捕捉圖像方法，創(chuàng)建了復(fù)雜加工特征數(shù)據(jù)集，建立了復(fù)雜加工特征卷積神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建了復(fù)雜加工特征分類器；

2) 通過(guò)槍械關(guān)重件復(fù)雜加工特征識(shí)別實(shí)例驗(yàn)證了基于卷積神經(jīng)網(wǎng)絡(luò)的槍械關(guān)重件復(fù)雜加工特征識(shí)別方法有效、可行。