基于卷积神经网络的三维模型分类方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络的三维模型分类方法及系统，包括以下步骤：获取待分类的三维模型，对三维模型多角度投影得到视图，作为构建的卷积神经网络的输入，训练卷积神经网络，经过网络层次地提取三维模型形状特征，得到三维模型的分类结果，本发明专利技术避免了模型数据转化等操作，有效提高三维模型分类效率，推动计算机视觉和计算机辅助设计研究的发展。

【技术实现步骤摘要】
基于卷积神经网络的三维模型分类方法及系统
本专利技术涉及一种基于卷积神经网络的三维模型分类方法及系统。
技术介绍
在日常生活中，大量物体通常以三维模型形式存在，能够被人类视觉神经系统所辨识。随着计算机硬件与软件技术的迅速发展，三维模型被广泛应用于工业生产、虚拟现实、医学影像等领域。三维模型数量大规模的增长，对三维模型的管理工作及生产设计造成了困难。因此，为了解决人们对已有三维模型的查找和复用需求，三维模型分类技术应运而生。如何在尽可能完美的表达三维模型形状的情况下对三维模型识别是当前的研究热点。传统的三维模型分类方法过于依赖工程师的经验知识，需要消耗大量时间和精力；并且鉴于三维数据高维性和复杂性特点，直接用于表达三维形状，计算代价大，特征提取复杂。
技术实现思路
本专利技术为了解决上述问题，提出了一种基于卷积神经网络的三维模型分类方法及系统，本专利技术通过对三维模型多角度投影得到视图，作为卷积神经网络的输入，经过网络层次地提取三维模型形状特征，最终得到一个三维模型的分类结果。避免了模型数据转化等操作，有效提高三维模型分类效率，推动计算机视觉和计算机辅助设计研究的发展。为了实现上述目的，本专利技术采用如下技术方案：一种基于卷积神经网络的三维模型分类方法，包括以下步骤：获取待分类的三维模型，对三维模型多角度投影得到视图，作为构建的卷积神经网络的输入，训练卷积神经网络，经过网络层次地提取三维模型形状特征，得到三维模型的分类结果。进一步的，对三维模型多角度投影得到视图的过程中，具体包括：(1)获取三维模型文件，显示三维模型；(2)调整三维模型按照ZYX坐标轴放置，Y轴向上；(3)设定模型绕Y轴旋转一周，放置虚拟相机渲染，得到多角度的若干幅视图，循环导入三维模型文件,直到所有的三维模型视图渲染完毕；(4)将提取的多幅视图进行Picasa图片拼贴制作，按照旋转顺序整理提取到的多幅视图，从中选择需要的视图，使其排列成规则的行和列，呈现为正方形页面格式，创建拼贴，形成一幅汇总视图，导出为任意像素的图像，作为卷积神经网络的输入。可以循环制作图片拼贴，直至所有模型的汇总视图制作完毕。将所有模型的汇总视图整理为训练集和测试集，作为卷积神经网络的输入。进一步的，构建的卷积神经网络包括输入层、隐含层及输出层，且隐含层由多个卷积层和池化层交替构成。更进一步的，在卷积层，使用若干过滤器在输入的汇总视图上滑动进行卷积运算，提取局部特征；每个过滤器共享卷积上一层的特征图的参数。更进一步的，在卷积层，利用卷积区域内的各个单元与其相对应的权值乘积之和，与每个过滤器的固定偏置参数的加法运算，最终形成单元特征值。更进一步的，卷积层的激活函数选择ReLU激活函数，对卷积后得到的单元特征值进行非线性映射归一化。更进一步的，池化层构建在卷积层后，通过平均池化或最大池化操作对特征压缩映射。进一步的，根据提取到的特征对三维模型进行分类的基本步骤如下：(1)池化层输出特征值至全连接层，全连接层连接所有的特征，将低层特征抽象为高层特征。(2)在第一个全连接层后添加一个池化层，进一步降低特征的维度。(3)第二个全连接层将降维的表征模型的抽象特征输出为特征向量。(4)最后一个全连接层为Softmax分类层，使用Softmax回归将输入的特征向量输出为模型属于每个类别的概率，选取概率最大的类作为模型的分类。一种基于卷积神经网络的三维模型分类系统，运行于处理器或存储器上，被配置为执行以下指令：获取待分类的三维模型，对三维模型多角度投影得到视图，作为构建的卷积神经网络的输入，训练卷积神经网络，经过网络层次地提取三维模型形状特征，输入三维模型的分类结果。一种基于卷积神经网络的三维模型分类系统，包括：导入模块，被配置为导入待分类的三维模型；提取模块，并配置为提取三维模型多角度视图；学习单元构建模块，被配置为构建卷积神经网络模型；特征提取模块，被配置为使用视图表征三维模型作为网络的输入，训练卷积神经网络模型，完成特征的提取；分类模块，被配置为根据卷积神经网络模型提取的三维模型抽象特征，对三维模型进行分类。与现有技术相比，本专利技术的有益效果为：本专利技术利用多角度视图表征三维模型，通过构建卷积神经网络自动提取模型特征，实现对三维模型的分类。该方法使用多角度视图描述三维模型外形，能够很好的保持孔洞等几何特征。与传统分类方法相比，计算代价小，避免了显式特征的提取。在大规模的分类应用中过程高效。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为本专利技术模型分类的流程图；具体实施方式：下面结合附图与实施例对本专利技术作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在本专利技术中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本专利技术各部件或元件结构关系而确定的关系词，并非特指本专利技术中任一部件或元件，不能理解为对本专利技术的限制。本专利技术中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本专利技术中的具体含义，不能理解为对本专利技术的限制。正如
技术介绍
中所述的，传统的三维模型分类方法过于依赖工程师的经验知识，需要消耗大量时间和精力，且计算代价大，特征提取复杂，本专利技术为解决上述问题，提供了一种基于卷积神经网络的三维模型分类方法，包括以下步骤：(1)导入待分类的三维模型。(2)提取三维模型多角度视图。视图作为三维模型的原始表征，符合人类的视觉系统，可用作深度学习模型的直接输入数据。且多角度视图可以丰富表达三维模型形状。(3)构建卷积神经网络(CNN)模型。(4)使用视图表征三维模型作为网络的输入，训练CNN，完成特征的提取。(5)根据CNN提取的三维模型抽象特征，对三维模型进行分类。步骤(2)中提取三维模型多角度视图的基本步骤如下：(1)利用Solidworks引擎打开三维模型step文件，显示三维模型。(2)调整三维模型按照ZYX坐标轴放置，Y轴向上。(3)设定模型绕Y轴旋转一周，放置虚拟相机渲染，得到多角度的若干幅视图。循环导入step文件,直到所有的三维模型视图渲染完毕。(4)对获取的视图按序整理，拼贴为一幅视图。汇总视图，作为卷积神经网络的输入。当然，步骤(1)中的应用软件或文件类型可以在其他实施例中进行替换。步骤(3)中卷积神经网络的基本构成要素为：卷积层、池化层和全连接层。构建的CNN模型由输入层、隐含层及输出层组成。隐含层即由多本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的三维模型分类方法，其特征是：包括以下步骤：获取待分类的三维模型，对三维模型多角度投影得到视图，作为构建的卷积神经网络的输入，训练卷积神经网络，经过网络层次地提取三维模型形状特征，得到三维模型的分类结果。

【技术特征摘要】
1.一种基于卷积神经网络的三维模型分类方法，其特征是：包括以下步骤：获取待分类的三维模型，对三维模型多角度投影得到视图，作为构建的卷积神经网络的输入，训练卷积神经网络，经过网络层次地提取三维模型形状特征，得到三维模型的分类结果。2.如权利要求1所述的一种基于卷积神经网络的三维模型分类方法，其特征是：对三维模型多角度投影得到视图的过程中，具体包括：(1)获取三维模型文件，显示三维模型；(2)调整三维模型按照ZYX坐标轴放置，Y轴向上；(3)设定模型绕Y轴旋转一周，放置虚拟相机渲染，得到多角度的若干幅视图，循环导入三维模型文件,直到所有的三维模型视图渲染完毕；(4)将提取的多幅视图进行Picasa图片拼贴制作，按照旋转顺序整理提取到的多幅视图，从中选择需要的视图，使其排列成规则的行和列，呈现为正方形页面格式，创建拼贴，形成一幅汇总视图，导出为任意像素的图像，作为卷积神经网络的输入。3.如权利要求1所述的一种基于卷积神经网络的三维模型分类方法，其特征是：构建的卷积神经网络包括输入层、隐含层及输出层，且隐含层由多个卷积层和池化层交替构成。4.如权利要求3所述的一种基于卷积神经网络的三维模型分类方法，其特征是：在卷积层，使用若干过滤器在输入的汇总视图上滑动进行卷积运算，提取局部特征；每个过滤器共享卷积上一层的特征图的参数。5.如权利要求3所述的一种基于卷积神经网络的三维模型分类方法，其特征是：在卷积层，利用卷积区域内的各个单元与其相对应的权值乘积之和，与每个过滤器的固定偏置参数的加法运算，最终形成单元特征值。6.如权利要求3或4或5所述的一种基于卷积...

【专利技术属性】
技术研发人员：王吉华，李梦鸽，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东,37