一种面向三维加工特征的智能识别与检索方法技术

本发明专利技术公开了一种面向三维加工特征的智能识别与检索方法，首先获取加工特征三维模型；然后对三维模型进行体素化处理；再对体素化模型进行数据增强处理得到三维模型数据集；然后构建三维卷积神经网络，训练三维模型并记录模型参数；然后输入三维模型，对加工特征三维模型进行体素化处理；根据记录的模型参数计算检索模型与数据集模型之间的相似度，得到模型属于各个类别的概率，最后按降序排列输出检索结果。本发明专利技术方法计算量小，识别速度快并且具有更高的三维加工特征识别和检索准确率。

An Intelligent Recognition and Retrieval Method for 3D Machining Features

The invention discloses an intelligent recognition and retrieval method for three-dimensional machining features. Firstly, the three-dimensional model of processing features is acquired; secondly, the three-dimensional model is processed by voxelization; secondly, the data set of three-dimensional model is obtained by data enhancement of the voxelization model; secondly, the three-dimensional convolution neural network is constructed to train the three-dimensional model and record the model parameters; and then the three-dimensional model is input. The voxelization of the three-dimensional model of processing features is processed. The similarity between the retrieval model and the data set model is calculated according to the recorded model parameters, and the probability that the model belongs to each category is obtained. Finally, the retrieval results are output in descending order. The method of the invention has the advantages of small calculation amount, fast recognition speed and higher recognition and retrieval accuracy of three-dimensional machining features.

【技术实现步骤摘要】
一种面向三维加工特征的智能识别与检索方法
本专利技术属于深度学习和三维模型智能识别及检索
，具体涉及一种面向三维加工特征的智能识别与检索方法。
技术介绍
近年来，随着制造业的发展，企业发展模式从大批量生产向多品种、小批量生产转变，零部件加工特征类型增加且形状复杂多变。另外，随着三维建模技术的日益成熟，零部件的三维模型数量已经呈现出爆炸式的增长趋势，三维工艺设计技术在企业中也逐步得到应用。在传统机械加工零件工艺设计中，技术人员往往依靠编码技术或经验知识对零件加工特征的形状、尺寸等进行识别，在此基础上实现工艺设计。这种方法对人的经验知识依赖度高，不利于快速有效地对加工特征进行工艺设计，且不符合企业智能制造的发展需求。因此，快速有效地识别和检索零部件三维加工特征是一个待解决的难题。2012年，Hinton教授等在ImageNet数据集图像分类、检测和定位中采用了卷积神经网络模型，标志着卷积神经网络在图像识别领域取得了突破性的研究。现在，卷积神经网络已经被广泛应用在图像识别领域，比如人脸识别和手写数字识别，并都取得了不错的成绩。卷积神经网络在三维模型识别和检索中也得到应用，但其主要基于三维模型视图，这种方法难以表达完整的三维模型信息且对于三维模型的理解也较为困难。随着卷积神经网络的发展和计算机计算能力的提升，三维卷积神经网络被提出，为三维加工特征的识别和检索提供了解决方法。但是，当前已有的三维卷积神经网络架构需要学习的参数较多，网络层数少，计算速度较慢并且有可能出现过拟合，因此，如何采用三维卷积神经网络实现对三维加工特征的高效、精确识别与检索还存在诸多需要改进的地方。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种面向三维加工特征的智能识别与检索方法，能够很好地对三维加工特征进行识别和检索，且搭建了一个三维卷积神经网络架构，计算速度快，计算量少，并防止了出现过拟合的情况。本专利技术采用以下技术方案：一种面向三维加工特征的智能识别与检索方法，首先获取三维加工特征；然后对三维加工特征进行体素化处理；再对体素化模型进行数据增强处理得到三维加工特征数据集；然后构建三维卷积神经网络，训练三维加工特征并记录模型参数；然后输入三维加工特征，对加工特征三维模型进行体素化处理；根据记录的模型参数计算检索的加工特征与数据集中加工特征之间的相似度，得到检索的三维加工特征属于各个类别的概率，最后按降序排列输出检索结果。具体的，体素化处理具体为：体素网格以三维模型为中心，大小设置为a×b×c，a、b、c分别表示三维模型在空间三维坐标体系中沿三个坐标轴方向的体素大小，多余空间用0填充，体素完成后三维模型被离散为三维的二进制体素点。具体的，通过对三维体素化模型进行随机旋转变换来扩充数据集如下：其中，V是齐次空间中三维模型网格点组成的矩阵，θ是三维体素化模型的旋转角度，在-180°到180°之间随机变化。具体的，构建三维卷积神经网络包括4个卷积层、4个池化层、2个全连接层和1个Softmax层；4个卷积层依次分别为：一个7×7×7卷积层、一个5×5×5卷积层、一个4×4×4卷积层、一个3×3×3卷积层；4个池化层采用最大值的池化方式，滑动窗口大小都为2×2×2。进一步的，三维卷积神经网络中的每一个卷积层都包括一个卷积层和一个ReLU层，每一个全连接层都包括一个全连接层和一个ReLU层，ReLU层激活函数如下：R(x)＝max(x,0)其中，x表示卷积层或者全连接层函数的输入；从三维体素化模型提取的特征映射在卷积层和池化层中传递时产生的featuremap计算如下：其中，*表示卷积符号，表示第j个神经元连接第k-1层到第k层的权值向量，表示第j个神经元在第k层的偏置项，表示第j个神经元在第k层的输出。进一步的，构建的三维卷积神经网络在每一个全连接层后加入dropout，以一定概率随机去除神经元，具体为：其中，r(l)是一个独立的伯努利随机变量且其值为1的概率为p，*是卷积符号，是第l层全连接层的输出，为经dropout处理后的输出。进一步的，采用随机梯度下降(SGD)优化算法训练三维卷积神经网络，具体为：其中，i是迭代指数，是动量变量，∈是学习率，Di表示第i批训练的三维模型。进一步的，采用交叉熵损失函数对构建的三维卷积神经网络中的目标函数进行评价，具体为：其中，y为Softmax层输出预测的三维加工特征的类别标签，y是三维加工特征的真实类别标签，n表示数据中三维加工特征类别的数目。具体的，检索的加工特征与数据集加工特征之间相似度计算如下：其中，i＝1,2,3…,n，j＝1,2,3…,m，n表示数据集中加工特征类别总数，m表示每一个加工特征类别中包含的模型数目，Q表示检索的加工特征，Mi表示模型数据集中的第i类模型，表示加工特征Q与第i类加工特征中第j个模型的相似度，S(Q,Mi)表示三维加工特征Q与第i类加工特征的相似度。具体的，通过Softmax函数得到检索的三维加工特征属于各个类别的概率，实现三维加工特征的智能识别和检索，Softmax函数如下：其中，i,k＝1,2,3…,n，n表示三维加工特征类别的总数，vk表示节点属于第k类，vi表示节点属于第i类，y(k)表示三维模型属于第k类的概率。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术一种面向三维加工特征的智能识别与检索方法，不再依靠编码技术或经验知识来识别加工特征并进行工艺规划，而是构建了一个三维卷积神经网络，并将其应用到三维加工特征识别与检索领域，充分利用现有的三维模型库并进行体素化处理和数据增强处理得到训练数据集，采用搭建的三维卷积神经网络进行训练，能够实现对一个崭新三维加工特征的智能识别与检索。进一步的，体素化处理采用三维空间立方体堆积的形式将三维加工特征转成为最接近该特征的体素形式。三维模型的空间体素类似于图像中的二维像素，即将图像中二维点阵延伸到三维立方体单元。使用体素形式来表示三维模型与其他方法相比能够有效地表示采样数据且能够直观表示三维模型的内部结构。另外，将三维加工特征表示为体素形式，也便于实现三维模型数据集的扩充。进一步的，在已有三维卷积神经网络的基础上，为了让神经网络具有更强的学习能力，我们搭建了一个比以往三维卷积神经网络层数更多的网络架构，其包括4个卷积层、4个池化层、2个全连接层和1个Softmax层。为了防止因网络层数太多而致使训练过程出现过拟合，我们采用了更多的池化层，让卷积层和池化层交替分布；我们还在每一个全连接层后都加入了dropout。因此，减少了训练过程的计算量，加快了训练速度且使得网络具有更高的三维加工特征识别和检索能力。进一步的，通过计算从三维体素模型提取的特征映射在卷积层和池化层中产生的featuremap，可以确定三维模型经过每一个卷积层和池化层处理后输出的特征图尺寸大小，便于调节卷积核和滑动窗口的大小。其中，池化层对三维模型进行下采样，保留有用信息的同时减少数据计算量。另外，池化层不会减少特征图的数量，只会减少特征图的尺寸大小。进一步的，在两个全连接层后都分别加入了dropout，以一定的概率随机将神经网络单元从网络中丢弃。对于随机梯度下降算法来说，由于是随机丢弃，故每批模型都在训练不同的网络，使本文档来自技高网...

【技术保护点】
1.一种面向三维加工特征的智能识别与检索方法，其特征在于，首先获取三维加工特征；然后对三维加工特征进行体素化处理；再对体素化模型进行数据增强处理得到三维加工特征数据集；然后构建三维卷积神经网络，训练三维加工特征并记录模型参数；然后输入检索的三维加工特征，对三维加工特征进行体素化处理；根据记录的模型参数计算检索的三维加工特征与数据集中各个加工特征之间的相似度，得到三维加工特征属于各个类别的概率，最后按降序排列输出识别和检索结果。

【技术特征摘要】
1.一种面向三维加工特征的智能识别与检索方法，其特征在于，首先获取三维加工特征；然后对三维加工特征进行体素化处理；再对体素化模型进行数据增强处理得到三维加工特征数据集；然后构建三维卷积神经网络，训练三维加工特征并记录模型参数；然后输入检索的三维加工特征，对三维加工特征进行体素化处理；根据记录的模型参数计算检索的三维加工特征与数据集中各个加工特征之间的相似度，得到三维加工特征属于各个类别的概率，最后按降序排列输出识别和检索结果。2.根据权利要求1所述的面向三维加工特征的智能识别与检索方法，其特征在于，体素化处理具体为：体素网格以三维模型为中心，大小设置为a×b×c，a、b、c分别表示三维模型在空间三维坐标体系中沿三个坐标轴方向的体素大小，多余空间用0填充，体素完成后三维模型被离散为三维的二进制体素点。3.根据权利要求1所述的面向三维加工特征的智能识别与检索方法，其特征在于，通过对三维体素化模型进行随机旋转变换来扩充数据集如下：其中，V是齐次空间中三维模型网格点组成的矩阵，θ是三维体素化模型的旋转角度，在-180°到180°之间随机变化。4.根据权利要求1所述的面向三维加工特征的智能识别与检索方法，其特征在于，构建的三维卷积神经网络包括4个卷积层、4个池化层、2个全连接层和1个Softmax层；4个卷积层依次分别为：一个7×7×7卷积层、一个5×5×5卷积层、一个4×4×4卷积层、一个3×3×3卷积层；4个池化层采用最大值的池化方式，滑动窗口大小都为2×2×2。5.根据权利要求4所述的面向三维加工特征的智能识别与检索方法，其特征在于，三维卷积神经网络中的每一个卷积层都包括一个卷积层和一个ReLU层，每一个全连接层都包括一个全连接层和一个ReLU层，ReLU层激活函数如下：R(x)＝max(x,0)其中，x表示卷积层或者全连接层函数的输入；从三维体素化模型提取的特征映射在卷积层和池化层中传递时产生的featuremap计算如下：其中，*表示卷积符...

【专利技术属性】
技术研发人员：周光辉，杨雄军，张超，黎志，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61