淄博职业学院 山东 淄博 255314
摘 要：阐述了卷积深度学习应用于机械制图识别，利用卷积深度学习深层结构来模仿人脑感知视觉信号机制，自动地提取机械制图图素视觉特征并进行分类识别。经过深度学习培训开发，卷积深度学习法可以形成基本图素二值矩阵，用于以后比较复杂数控零件自动编程。
关键词：神经网络 人工智能 机械图纸
卷积深度学习可以称为卷积运算，是信号处理领域中最重要的运算之一。卷积深度学习方法在人工智能领域，也取得了初步成果。卷积，定义为：F1(t) 与F2(t) 卷积积分，可以简记为：
S(t)= F1(t)*F2(t)dt
其中，F1(t)＊F2(t) 记为积分卷积。简称：卷积。其中星号是卷积运算符。从以上公式中可以分析出：每当信号处在一个新位置，都要与信号F1(t)相乘，要将这些乘积加起来，而其结果实际上对应着两信号波形相交部分面积。所以，卷积运算可以用几何图解方式来直观求解。卷积深度学习原理可以应用在数控机床自动编程中，检验卷积深度学习对于机械图纸识别性能，分别针对不同机械图纸“提取”图纸典型图素，解析出图纸基本二值矩阵，形成基本图像二值进行矩阵采集，采用卷积深度学习算法，最终形成复杂二值矩阵，用于复杂图纸解析与编程。
一、基本结构及原理
卷积深度学习本质上是一种有“智商”的学习算法，无需事先知道输入与输出之间精确数学表达式，只要用已知图纸图素对卷积深度学习加以训练，就可以解算出输入与输出之间一种多层非线性二值矩阵，非深度学习算法不能做到这一点。利用卷积深度学习目的就是试图模仿人脑感知视觉信号机制，通过构建含有多个多层网络来逐层地对图素特征进行重新提取和空间转换，以自动学习到更加有效图素特征表述，从而利用数控机床程序代码有效实现图纸识别，最终实现数控机床自动编程。
二、机械图纸识别方法
机械图纸是一种人们表达设计意图，用图样确切表示机械结构形状、尺寸大小、工作原理和技术要求的工程语言。图样由图形、符号、文字和数字等组成，表达设计意图和制造要求以及交流经验技术，从机械图纸设计角度来看，不同类型机械图纸在形状或图形上有较大差异，但通常机械图纸中主要有圆、矩形、三角形、梯形、螺纹等基本图素组成。
期刊文章分类查询,尽在期刊图书馆
三、机械图纸识别步骤
根据图纸基本图素，圆、矩形、四边形、六边形等图素，采用卷积深度学习网络，提取基本图素形成二值矩阵，神经网络储存二值矩阵，可以有效形成图库“记忆”，进而可以识别由基本图素形成复杂图纸，从而高效自动编程，极大地提高神经网络自动编程效率，并可以进行复杂难度图纸编程。
深度学习识别机械图纸主要包括机械图纸训练与识别，所以将机械图纸识别归纳为以下2个步骤：
1.网络训练：利用经过预处理机械图纸图像，对卷积深度学习进行训练，通过网络前向传播和反向传播反复交替处理，直到满足识别收敛条件或达到要求训练次数为止。
2.机械图纸识别：将实际采集机械图纸图像经过预处理后，送入训练好卷积深度学习中进行机械图纸特征提取，然后通过一个全连接网络进行特征分类与识别，形成复杂二值矩阵，由此可以获得复杂机械图纸识别能力及编程能力。
四、效果预测与分析
选取了具有机械图纸圆矩形、和四边形等三类中较常见50幅图纸，考虑到在实际中采集到机械图纸图像会用主视图、俯视图、剖面图等表示，因此在构造网络训练集时，除了理想机械图纸以外，还增加了其他识图机械图纸图像，因此最终解算二值矩阵，带有“智商”深度学习算法。
在卷积深度训练学习过程中，整个图素误差率比较平稳，体现出卷积神经网络图素训练学习具有良好识别率。卷积深度学习对实际采集机械制图图像识别率尚不能达到令人满意的结果，主要原因是采集机械制图图像中存在着较严重背景干扰，解决办法是增加实际采集机械制图训练样本数，通过深度学习“思维”、“提高”，可以有效“进化”，进而形成“人工智能”，提高机械图纸解算及自动编程能力。
在现有网络中，利用卷积深度学习机制，构建十层以上深度学习网络，经过人们广泛使用深度学习，神经网络对海量图纸图素学习”进化”，可以预测会形成带有高度“智能”人工网络“大脑”，这种深度学习网络经过长时间学习“进化”，会形成具有解算超级复杂图纸能力，届时人们利用深度学习网络“解读”机械图纸，并且会自动形成数控机床运行程序，这种程序与目前自动编程机械、僵化、冗余刀路轨迹完全不同，具有高效、灵活、简洁、智能刀路化特点，随着神经网络“进化”， 神经网络“大脑”越用越灵活，具有高度“智能”，为机械图纸解算、数控机床智能化、自动化编程提供广阔应用愿景。
参考文献
[1]刘平华 李建民 胡晓林 等 动态场景下交通标识检测与识别研究进展[J].中国图象图形学报，2013，18，（5）：493，503。
[2]郑胤 陈权崎 章毓晋深度学习及其在目标和行为识别中新进展[J].中国图象图形学报2014，19（2）：175，184.
[3]FUKUSHIMA K.Neocognition：a self organizing neural net work model for a mechanism of pattern recognition unaffectedby shift in position [J].Biological Cybernetics，1980，36，（4）：193，202。
论文作者:王海勇
论文发表刊物:《素质教育》2018年11月总第289期
论文发表时间:2018/11/2
标签：卷积论文; 图纸论文; 深度论文; 机械论文; 矩阵论文; 神经网络论文; 网络论文; 《素质教育》2018年11月总第289期论文;