【技术实现步骤摘要】
本专利技术涉及工业制造自动化，尤其涉及一种基于双向长短期记忆神经网络的轮廓线识别方法及装置。
技术介绍
1、在高能束加工领域(水刀、激光、等离子等)，经常面临这样一个问题：需要将图像的轮廓提取出来，再将提取出来的轮廓线进行特征识别，然后再根据识别出来的特征线进行加工路径规划。在这个业务流程中，轮廓提取方法已经比较成熟。如何将提取出来的轮廓线进行特征识别，这是该业务流程的关键环节。研究轮廓线的快速识别不仅可以减少自动编程系统的人机交互，又可以避免人工判别轮廓线形状标准不一致的问题。
2、在高能束加工二维数控编程中，经常需要将工件的二维图形轮廓转换为加工轮廓的高级描述，以便于进行加工路径规划。在实际加工过程中，被加工工件轮廓可能来自图像等非cad数据，因此需要对工件轮廓进行识别。轮廓线识别的结果直接影响加工轮廓的高级描述的准确性，从而影响工件加工的效率和质量。对于图像等非cad数据，提取出来的轮廓线由多条线段/曲线组成。因此，轮廓线识别分为两个步骤：1)轮廓线分割：通过分割算法实现不同的线段/曲线分割。2)线段识别：对分割后的线段/曲线进行识别，得到其类型(直线段、圆弧、样条曲线，等)。
3、目前采用的方法如下：1、nguyen等人(2011)提出了一种基于支撑区域的轮廓线分割方法，该方法遍历曲线上的每一个关键点，通过尽可能将关键点与其两侧的连续点包含在同一个矩形区域内，来确定关键点两侧的支撑区域，再计算两侧支撑区域形成的夹角，当随着关键点的遍历，夹角呈现连续单调递增/递减而后又递减/递增的趋势时，认为连续递
4、2、(2020)提出了一种基于最小化误差标准的角点过滤方法，该方法首先使用支撑区域和主成分分析(pca)相结合的方法估计曲线上每个点的转角曲率。然后，通过给定的阈值提取转角曲率大于阈值的点作为候选角点。最后，通过基于最小化误差标准的次优特征选择方法来逐步过滤候选角点，最后得到一组固定数量的角点。该方法存在的缺点如下：次优解迭代方法需要固定角点数量，因此对于不同曲线，需要调整参数才能得到较好的分割效果。而搜索方法本身的复杂度较高，因此该方法的分割效率较低。
5、3、ding等人(2016)提出了一种基于主成分分析的方向变换算法，针对基于角点的轮廓线分割方法中，通过阈值分割的方法可能将多条线段分割为一条曲线的问题，引入了关键点的切线方向，通过判断切线方向的变化情况来确定关键点是否为角点。该方法存在的缺点如下：难以处理除圆弧线以外的曲线类型，对于此类曲线，其切线方向变化并不呈现均匀增大或减小的趋势，因此难以识别出角点。
6、综上所述，现有的轮廓线识别方法大多采用了基于曲率、切线方向等的角点检测方法，并在先前的研究成果的基础上，通过引入支撑区域去噪、pca分析选取阈值等方法，提高角点检测的准确性。但是，这些方法或是需要针对不同的曲线类型和场景人工调整参数，或是具有较高的计算复杂度，难以实现轮廓线的快速分割和识别。
7、目前，随着深度学习的发展，基于神经网络的算法已经在图像、自然语言处理等领域取得了巨大的成功。神经网络的优势在于，其能够自动学习特征，从而避免了必须由专家针对不同场景人工提取特征的问题。而在计算机辅助制造等工业领域，因大部分场景下的数据量有限，且数据的标注成本较高，因此深度学习在该领域的应用仍然较少。
8、因此，有必要结合深度学习和传统的轮廓线识别方法，提出了一种基于双向长短期记忆网络(bi-lstm)的轮廓线快速识别方法，以解决现有技术中轮廓线识别算法依赖于人工调整参数、计算复杂度高、识别效果不理想的问题。
技术实现思路
1、本专利技术的目的是提供一种基于双向长短期记忆神经网络的轮廓线识别方法、及装置，结合深度学习和传统的轮廓线识别方法，提出了一种基于双向长短期记忆网络(bi-lstm)的轮廓线快速识别方法，以解决现有技术中轮廓线识别算法依赖于人工调整参数、计算复杂度高、识别效果不理想的问题，同时提供了一种结合深度学习和传统方法的新思路，避免了深度学习在数据量有限的场景下难以训练的缺点。
2、本专利技术提供了一种基于双向长短期记忆神经网络的轮廓线识别方法，包括：
3、获取目标图片的轮廓，基于关键点提取算法从所述目标图片中提取出轮廓线上的关键点；
4、获取关键点的特征序列并输入训练后的第一神经网络模型进行角点检测，从组成不同形状的轮廓的不定长关键点的特征序列中识别出角点信息；
5、按照所述角点信息对轮廓线进行分割，将与所述角点相邻的两侧线段/曲线进行分割，得到轮廓线分割后的线段/曲线的点集序列；
6、获取线段/曲线的点集序列并输入训练后的第二神经网络模型进行线段/曲线类型识别，得到轮廓线的识别结果。
7、作为优选地，所述第一神经网络模型和所述第二神经网络模型均融合卷积神经网络和双向长短期记忆网络，且所述第一神经网络模型为线段分割模型，所述第二神经网络模型为线段类别识别模型；
8、所述第一神经网络模型和所述第二神经网络模型共享骨干网络结构，所述骨干网络结构包括两个或两个以上的卷积单元和双向lstm单元，
9、所述卷积单元包括第一卷积单元和第二卷积单元，所述第一卷积单元和所述第二卷积单元连接，用于将关键点序列作为低层特征输入，提取高层特征；
10、所述双向lstm单元包括分别与所述卷积单元连接的第一lstm单元和第二lstm单元，用于从前向和后向两个方向提取关键点序列的特征，使得骨干网络能够提取覆盖整个关键点序列的特征。
11、作为优选地，所述获取关键点的特征序列并输入训练后的第一神经网络模型进行角点检测进一步包括：
12、在训练后的第一神经网络模型中输入属于同一个轮廓的关键点的特征序列，输出每个关键点被预测为角点的概率值，所述特征序列包括关键点x轴方向的坐标、y轴方向的坐标、曲率及切线角；
13、若输出的概率值大于等于预设阈值，则判定该关键点为角点；
14、若输出的概率值小于预设阈值，则判定该关键点为非角点；
15、当遍历所有关键点获取到角点或非角点的类别后，在轮廓线中的所述角点位置裁断，从而得到以角点为端点的多条线段/曲线，完成对轮廓线分割。
16、作为优选地，所述获取线段/曲线的点集序列并输入训练后的第二神经网络模型进行线段/曲线类型识别包括：
17、在训练后的第二神经网络模型中输入线段/曲线关键点的特征序列，输出该线段/曲线被分类为不同类别的第一概率、第二概率和第三概率，所述不同类别对应包括直线段、圆弧线和b样条；
18、若第一概率>第二概率且第一概率>第三概率时，则网络预测该线段/曲线的类别为直线段；
19、若本文档来自技高网...
【技术保护点】
1.一种基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，包括：
2.根据权利要求1所述的基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，所述第一神经网络模型和所述第二神经网络模型均融合卷积神经网络和双向长短期记忆网络，且所述第一神经网络模型为线段分割模型，所述第二神经网络模型为线段类别识别模型；
3.根据权利要求1所述的基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，所述获取关键点的特征序列并输入训练后的第一神经网络模型进行角点检测进一步包括：
4.根据权利要求1所述的基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，所述获取线段/曲线的点集序列并输入训练后的第二神经网络模型进行线段/曲线类型识别包括：
5.根据权利要求2所述的基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，所述第一神经网络模型包括依次连接的骨干网络单元、第三卷积单元和逐点局部连接单元，将同一个轮廓的关键点的特征序列从输入层输入，从输入层输出该低层特征作为所述骨干网络单元的输入，通过所述骨干网络单元输出高层特征并作为所述第三卷积
6.根据权利要求1所述的基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，所述获取目标图片的轮廓之前包括：
7.根据权利要求1所述的基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，所述第一神经网络模型和第二神经网络模型的训练步骤包括：
8.根据权利要求1所述的基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，所述第二神经网络模型训练步骤进一步包括：
9.一种基于双向长短期记忆神经网络的轮廓线识别装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，包括：
2.根据权利要求1所述的基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，所述第一神经网络模型和所述第二神经网络模型均融合卷积神经网络和双向长短期记忆网络，且所述第一神经网络模型为线段分割模型，所述第二神经网络模型为线段类别识别模型；
3.根据权利要求1所述的基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，所述获取关键点的特征序列并输入训练后的第一神经网络模型进行角点检测进一步包括：
4.根据权利要求1所述的基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，所述获取线段/曲线的点集序列并输入训练后的第二神经网络模型进行线段/曲线类型识别包括：
5.根据权利要求2所述的基于双向长短期记忆神经网络的轮廓线识别方法，其特征在于，所述第一神经网络模型包括依次连接的骨干网络单元、第三卷积单元和逐点局部连接单元，将同一个轮廓的关键点的...
【专利技术属性】
技术研发人员：殷燚涛，张仕进，吴逾强，杜二宝，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。