技术特征：
1.一种基于卷积神经网络的3d打印图形识别方法，其特征在于，包括以下步骤：步骤s100：获取零件的拍摄图片；步骤s200：构建网络模型，所述网络模型包括第一特征提取模型、第二特征提取模型、判别模型；步骤s300：训练网络模型：将同一对象的两个不同拍摄角度的图片分别输入第一特征提取模型、第二特征提取模型中并提取图像特征，并得到对应的预测标签，将得到的两个预测标签以及图片的原始预设标签分别输入到判别模型中得到识别结果；所述判别模型的损失值包括第一特征提取模型输出的预测标签与原始预设标签、第二特征提取模型输出的预测标签与原始预设标签以及第一特征提取模型输出的预测标签与第二特征提取模型输出的预测标签之间的损失值；将第一特征提取模型、第二特征提取模型提取的图像特征分别输入到判别模型中并得到两个图片的相似度差异，基于相似度差异与预设标签反向传播更新判别模型；步骤s400：将待测图片输入步骤s300中训练之后的网络模型的第一特征提取模型或第二特征提取模型进行图像识别。2.根据权利要求1所述的一种基于卷积神经网络的3d打印图形识别方法，其特征在于，假设步骤s300中输入图像为{x1，x2}，则对应的预测标签为{y1，y2}；第一特征提取模型旨在得到最为逼真的特征值，因此，需要在向量空间中使得输入图像x1对应的特征与标签值之间的差异最小，所述第一特征提取模型的损失函数采用交叉熵损失函数，计算公式为：（1）其中：y为标签集合；a为第一特征提取模型；a（x1）、a（y1）表示第一特征提取模型前向传播预测得到的结果；公式（1）中的l为第一特征提取模型的计算结果与标签在拉格朗日空间中的距离；第二特征提取模型旨在得到最为逼真的特征值，因此，需要在向量空间中使得输入图像x2对应的特征与标签值之间的差异最小；所述第二特征提取模型的损失函数采用交叉熵损失函数，计算公式为：（2）其中：b为第二特征提取模型；b（x2）、b（y2）表示第二特征提取模型前向传播预测得到的结果；公式（2）中的l为第二特征提取模型的计算结果与标签在拉格朗日空间中的距离。3.根据权利要求2所述的一种基于卷积神经网络的3d打印图形识别方法，其特征在于，所述判别模型旨在最大程度地区分第一特征提取模型、第二特征提取模型的特征之间的差距，判别模型的输出结果是x1、x2、y1、y2对应的期望值：x1对应期望值为：
x2对应期望值为：y1对应期望值为：y2对应期望值为：判别模型的损失函数计算如下：使得第一特征提取模型、第二特征提取模型的计算的差异最大：（3）使得第一特征提取模型与标签之间的差距和第一特征提取模型特征值之间的计算差异最大：（4）使得第二特征提取模型与标签之间的差距和第二特征提取模型特征值之间的计算差异最大：（5）因此，判别模型的损失函数为：（6）其中：k1、k2、k3分别为第一特征提取模型、第二特征提取模型、判别模型的权重，所述k1分别大于k3、k2。4.根据权利要求3所述的一种基于卷积神经网络的3d打印图形识别方法，其特征在于，所述k1优化的步骤如下：步骤a1：确定k1的初始值，对应的判别模型对若干图像的期望值矩阵为p；步骤a2：在0~1的范围内随机确定一个优化后的权重系数k1*；期望值矩阵p随之更新为p*；步骤a3：若p*<p，说明此次搜索未能找到优化的k1；则将0~1之间存在k1优化值的概率d更新为：d*=a/（1
‑
b
·
d）其中，d的初始取值为0.1；a，b分别为预设超参数；步骤a4：选择新的k1值，带入步骤a1中，直至获取到的k1使得p*大于p或者是d*大于某一预设阈值即可。
5.根据权利要求4所述的一种基于卷积神经网络的3d打印图形识别方法，其特征在于，所述k2、k3优化的方法与k1的相同。6.根据权利要求1所述的一种基于卷积神经网络的3d打印图形识别方法，其特征在于，所述步骤s200中，所述第一特征提取模型、第二特征提取模型的结构完全相同，所述第一特征提取模型、第二特征提取模型分别采用cnn卷积神经网络模型。7.根据权利要求6所述的一种基于卷积神经网络的3d打印图形识别方法，其特征在于，所述第一特征提取模型、第二特征提取模型的损失函数为均方误差损失函数、交叉熵损失函数、指数损失函数中的任意一种。8.根据权利要求1所述的一种基于卷积神经网络的3d打印图形识别方法，其特征在于，所述步骤s300中，同一对象的两个不同的图片的清晰度、亮度、拍摄区域中的任意一项或者多项不同。
技术总结
本发明公开了一种基于卷积神经网络的3D打印图形识别方法，将同一对象的两个不同拍摄角度的图片分别输入第一特征提取模型、第二特征提取模型中并提取图像特征，并得到对应的预测标签，将得到的两个预测标签以及图片的原始预设标签分别输入到判别模型中得到识别结果；所述判别模型的损失值包括第一特征提取模型输出的预测标签与原始预设标签、第二特征提取模型输出的预测标签与原始预设标签以及第一特征提取模型输出的预测标签与第二特征提取模型输出的预测标签之间的损失值。本发明通过第一特征提取模型、第二特征提取模型有效提高了判别模型的精度，具有较好的实用性。具有较好的实用性。具有较好的实用性。
技术研发人员：隋少春 荣鹏 高川云
受保护的技术使用者：成都飞机工业（集团）有限责任公司
技术研发日：2021.08.23
技术公布日：2021/9/21