一种基于超限学习机的三维CAD模型分割方法和装置制造方法及图纸

本发明专利技术公开了一种基于超限学习机的三维CAD模型分割方法和装置，计算三维CAD模型的每个面所对应的特征描述算子；基于所有面的特征描述算子，训练和测试超限学习机；利用超限学习机对三维CAD模型的每个面进行分类和标注；基于分类结果，构建三维CAD模型的属性邻接标记图；对属性邻接标记图进行分割；以属性邻接标记图分割的最大内聚度为目标函数对分割后的属性邻接标记图进行合并优化，得到多个局部区域。本发明专利技术利用超限学习机对三维CAD模型的平面、凹面、凸面进行分类，将三维CAD模型用属性邻接标记图进行表达，然后根据三维CAD模型对应的属性邻接标记图，进行分割以及优化。

【技术实现步骤摘要】
一种基于超限学习机的三维CAD模型分割方法和装置
本专利技术涉及三维CAD模型分割领域，具体涉及一种基于超限学习机的三维CAD模型分割方法和装置。
技术介绍
CAD模型的分割与标注是三维模型特征理解的基础课题。因而CAD模型分割是对三维模型特征后续处理前的关键工作，传统的表面分割方法主要是针对网格模型，三维CAD模型的表达通常是采用B-rep边界表示法。如何将CAD模型分割成具有一定工程意义的局部区域集成为亟待解决的问题。常规的CAD模型分割是采用人工的方式，用人工的方式进行CAD模型的分割工作效率低，精度差。随着机器学习领域的快节奏发展，一些新的基于机器学习的分类方法被提出来。目前，利用机器学习对CAD模型分割的方法主要有：有监督学习分割方法和无监督学习分割方法。基于有监督学习的模型分割在普林斯顿大学模型分割测评集最好的结果是94％，但是有监督学习分割方法的训练速度较低。无监督学习分割方法中，研究者们采用不同的聚类方法来进行聚类，然后进行分割以及标注。为了加速聚类的计算，这类方法通常先针对三维模型进行过分割，然后在进行特征的抽取和进一步的聚类，能够极大的提高方法的速度，但是最终的分割结果严重依赖与过分割的效果。综上所述，现有技术中对于训练时间过长、泛化精度低以及容易陷入局部最小值的问题，尚缺乏有效的解决方案。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供了一种基于超限学习机的三维CAD模型分割方法和装置，利用超限学习机训练的神经网络对三维CAD模型的平面、凹面、凸面进行分类，以三维CAD模型的B-rep表示形式作为输入源，将三维CAD模型用属性邻接标记图进行表达，然后根据三维CAD模型对应的属性邻接标记图，进行分割以及优化。本专利技术所采用的技术方案是：本专利技术的第一目的是提供一种基于超限学习机分类器的三维CAD模型分割方法，该方法包括以下步骤：计算三维CAD模型的每个面所对应的特征描述算子；基于所有面的特征描述算子，训练和测试超限学习机；利用超限学习机对三维CAD模型的每个面进行分类和标注；基于分类结果，构建三维CAD模型的属性邻接标记图；对属性邻接标记图进行分割；以属性邻接标记图分割的最大内聚度为目标函数对分割后的属性邻接标记图进行合并优化，得到多个局部区域。进一步的，所述三维CAD模型的每个面所对应的特征描述算子包括基于主成分分析的特征、面曲率特征和形状直径特征。进一步的，所述超限学习机的训练和测试方法为：将所有面的基于主成分分析的特征、面曲率特征和形状直径特征进行归一化处理，得到一个向量，作为超限学习机分类器训练的输入特征向量，输入到超限学习机中进行训练；选择超限学习机的隐含层节点数目、训练模型数目和神经元应急函数，去除超限学习机中原始的权重项。进一步的，所述利用超限学习机对三维CAD模型的每个面进行分类和标注的步骤包括：利用超限学习机计算三维CAD模型的每个面的若干个神经元概率值；对每个面的若干个神经元概率值进行归一化处理，得到该面的标签概率值；利用每个面的标签概率值对三维CAD模型的每个面进行分类，区分三维CAD模型的平面、凸面、凹面。进一步的，所述三维CAD模型的属性邻接标记图的构建方法为：定义属性邻接标记图的数据结构，包括邻接性和凹凸性；遍历三维模型的每个面并提取每个面的所有属性，创建属性邻接标记图的对应节点；识别三维模型的每个面之间的邻接关系，创建属性邻接标记图的边。进一步的，所述属性邻接标记图的分割方法为：根据属性邻接标记图中节点和连线的属性对属性邻接标记图G进行分割，得到若干个局部区域子图，构成局部区域集S；从属性邻接标记图G中删除局部区域集S中的各个节点以及节点之间的连线，得到新的属性邻接标记图G′；若新的属性连接标记图G′为空，则表明已经完成了属性邻接标记图中所有节点以及连线的分割；若新的属性连接标记图G′中包含混合性节点的子图，按照先识别分割凹子图再分割凸子图的原则对包含混合性节点的属性连接标记图G′进行再次分割，直至得到新的属性邻接标记图为空。进一步的，还包括设定区域内聚度、属性邻接标记图分割的内聚度以及区域耦合度的步骤，所述区域内聚度为属性邻接标记图中各节点的平均度数；所述属性连接标记图分割的内聚度为三维CAD模型对应的各局部区域内聚度的均值；所述区域耦合度为局部区域集S中的任意两个局部区域子图中的节点在三维CAD模型对应的属性连接标记图中的连线。进一步的，所述对分割后的属性邻接标记图进行合并优化方法为：根据属性邻接标记图分割的内聚度表达式，计算分割后得到的局部区域集S的内聚度，更新后得到新的局部区域集S′；对局部区域集S′中每个局部区域子图Gi′进行分析，得到若干个备选的合并子图，构成备选集合A；从备选集合A中选择出与Gi′耦合度最大的子图进行合并处理；根据属性邻接标记图分割的内聚度，计算分割后局部区域集S′的内聚度，将分割前的局部区域集S的内聚度与分割后的局部区域集S′的内聚度进行比较，若局部区域集S′的内聚度小于局部区域集S的内聚度，则输出该局部区域集S′。进一步的，所述对局部区域集S′中每个局部区域子图Gi′进行分析的方法为：将局部区域集S′中每个局部区域子图Gi′的属性进行分析；判断是否存在子图的节点和连线的凸凹性与局部区域子图Gi′一致；若存在子图的节点和连接的凸凹性与局部区域子图Gi′相同，则将该子图作为备选的合并子图。本专利技术的第二目的是提供一种基于超限学习机分类器的三维CAD模型分割装置，该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：计算三维CAD模型的每个面所对应的特征描述算子；基于所有面的特征描述算子，训练和测试超限学习机；利用超限学习机对三维CAD模型的每个面进行分类和标注；基于分类结果，构建三维CAD模型的属性邻接标记图；对属性邻接标记图进行分割；以属性邻接标记图分割的最大内聚度为目标函数对分割后的属性邻接标记图进行合并优化，得到多个局部区域。与现有技术相比，本专利技术的有益效果是：(1)本专利技术针对三维CAD模型的各个面提取特征，之后训练超限学习机，并通过该超限学习机预测输入的三维CAD模型的分割和标注，采用超限学习机作为分类器，能够取得快速的训练和测试速度；(2)与传统的应用误差梯度下降学习策略的BP神经网络相比，本专利技术采用的超限学习机学习速度很快，泛化精度高，而且不会陷入局部最小值，可以采用多种的激励函数。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是基于超限学习机的三维CAD模型分割方法流程图一；图2是基于超限学习机的三维CAD模型分割方法流程图二；图3是三维CAD模型示意图；图4是三维CAD模型的属性邻接标记图示意图；图5是属性邻接标记图分割示例图。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。如在这本文档来自技高网...

【技术保护点】
1.一种基于超限学习机分类器的三维CAD模型分割方法，其特征是，包括以下步骤：计算三维CAD模型的每个面所对应的特征描述算子；基于所有面的特征描述算子，训练和测试超限学习机；利用超限学习机对三维CAD模型的每个面进行分类和标注；基于分类结果，构建三维CAD模型的属性邻接标记图；对属性邻接标记图进行分割；以属性邻接标记图分割的最大内聚度为目标函数对分割后的属性邻接标记图进行合并优化，得到多个局部区域。

【技术特征摘要】
1.一种基于超限学习机分类器的三维CAD模型分割方法，其特征是，包括以下步骤：计算三维CAD模型的每个面所对应的特征描述算子；基于所有面的特征描述算子，训练和测试超限学习机；利用超限学习机对三维CAD模型的每个面进行分类和标注；基于分类结果，构建三维CAD模型的属性邻接标记图；对属性邻接标记图进行分割；以属性邻接标记图分割的最大内聚度为目标函数对分割后的属性邻接标记图进行合并优化，得到多个局部区域。2.根据权利要求1所述的基于超限学习机分类器的三维CAD模型分割方法，其特征是，所述三维CAD模型的每个面所对应的特征描述算子包括基于主成分分析的特征、面曲率特征和形状直径特征。3.根据权利要求1所述的基于超限学习机分类器的三维CAD模型分割方法，其特征是，所述超限学习机的训练和测试方法为：将所有面的基于主成分分析的特征、面曲率特征和形状直径特征进行归一化处理，得到一个向量，作为超限学习机分类器训练的输入特征向量，输入到超限学习机中进行训练；选择超限学习机的隐含层节点数目、训练模型数目和神经元应急函数，去除超限学习机中原始的权重项。4.根据权利要求1所述的基于超限学习机分类器的三维CAD模型分割方法，其特征是，所述利用超限学习机对三维CAD模型的每个面进行分类和标注的步骤包括：利用超限学习机计算三维CAD模型的每个面的若干个神经元概率值；对每个面的若干个神经元概率值进行归一化处理，得到该面的标签概率值；利用每个面的标签概率值对三维CAD模型的每个面进行分类，区分三维CAD模型的平面、凸面、凹面。5.根据权利要求1所述的基于超限学习机分类器的三维CAD模型分割方法，其特征是，所述三维CAD模型的属性邻接标记图的构建方法为：定义属性邻接标记图的数据结构，包括邻接性和凹凸性；遍历三维模型的每个面并提取每个面的所有属性，创建属性邻接标记图的对应节点；识别三维模型的每个面之间的邻接关系，创建属性邻接标记图的边。6.根据权利要求1所述的基于超限学习机分类器的三维CAD模型分割方法，其特征是，所述属性邻接标记图的分割方法为：根据属性邻接标记图中节点和连线的属性对属性邻接标记图G进行分割，得到若干个局部区域子图，构成局部区域集S；从属性邻接标记图G中删除局部区域集S中的各个节点以及节点之间的连线，得到新的属性邻接标记图G′；若新的属性连接标记图G′为空，则表明已经完成了属性邻接标记图中所有节点...

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