一种基于双分支深度学习的CAD图纸检索方法及系统技术方案

本发明专利技术提出一种基于双分支深度学习的CAD图纸检索方法，包括CAD图纸标注，双支深度卷积网络构建，包括获取样本浅层深度特征的共享层、类间特征提取分支和类内特征分支；进行损失函数设置，三元测试组的构建，训练样本的构建，包括从CAD图纸库中以随机抽取的方式，选取具有不同构成的三元图例组作为训练样本，每组图例中保证至少有两个图例是属于同一对象或类别；对每组图例进行锚图例、正图例和负图例的分配；空间映射，根据训练样本对双支深度卷积网络进行训练，将CAD图纸从原始的图像空间映射到特征表达向量空间；对于任意待检索CAD图纸，利用训练好的双支深度卷积网络实现空间映射，获取匹配结果。

A CAD drawing retrieval method and system based on two branch deep learning

【技术实现步骤摘要】
一种基于双分支深度学习的CAD图纸检索方法及系统
本专利技术涉及通信
，尤其是涉及一种基于双分支深度学习的CAD图纸检索方法及系统。
技术介绍
凭借强大的图形处理能力与简洁的实操性，计算机辅助设计(CAD)技术已经被广泛应用于建筑工程、化工设计等各个领域。作为CAD技术的核心组成部分，CAD图纸也越来越多的成为工程开发、产品设计的重要组成部分。面对种类繁多，需求巨大的CAD图纸数据，如何快速、精准的查找到满足用户特定需求的设计图纸，日渐成为各领域研发和创新面临的重大问题和挑战。现有检索识别技术大多依赖于CAD图纸的几何特征和拓扑特征，忽略了局部显著特征对图纸检索识别的重要影响，另外常用的基于深度学习的图像检索技术通常将整个CAD图纸图像作为输入，直接获取视觉特征，在识别效率和精度上都有所欠缺。这是由于CAD图纸种类繁多，不同类别的图纸，如室内装修CAD图纸和工场建造CAD图纸，具有明显的类间视觉差异；相同类别的不同CAD图纸具有个体化的类内视觉差异。本专利充分利用类间与类内的差异特点与联系，设计双支深度卷积网络，分别实现类内与类间两个层次的特征提取，根据多层次特征，实现CAD图纸更快速，更准确的检索。
技术实现思路
为解决上述现有技术的问题，本专利技术提供一种双分支深度学习的CAD图纸检索方法及系统。本专利技术的技术方案提供一种基于双分支深度学习的CAD图纸检索方法，包括如下步骤：步骤1，CAD图纸标注，包括对CAD图纸库中各图纸数据进行预先标注，将图纸CADrawingi标注格式定义为(imgi,Classi,IDi)，其中imgi表示图纸的序号，每个图纸的imgi唯一且各不相同；IDi表示该图纸对应的实体身份，一个IDi能够对应多个imgi；Classi表示该实体的隶属类别；步骤2，双支深度卷积网络构建，包括获取样本浅层深度特征的共享层、类间特征提取分支和类内特征分支，共享层分别连接类间特征提取分支和类内特征分支，最后将两类特征融合后，进行双层全连接映射输入到损失函数中；步骤3，损失函数设置，包括设以三元测试组＜anci,posi,negi＞作为网络输入，其中anci是图像imgi的锚图例，posi是anci的正图例，即与imgi具有相同IDi的图像，neg是与imgi具有不同IDi的图像，称为负图例，通过优化空间构建损失函数L如下，其中，函数对网络进行训练时，f(·)表示训练使用的是步骤2)构建的双支深度卷积网络，N表示某一类图样本的样本数量，α是用来控制样本信息传递的边界参数，通过L的最大化实现网络的训练和优化；步骤4，三元测试组的构建，包括设定对于任意的三元图例组，锚图例的选取是任意、无约束的，剩余两个图例进行正图例和负图例的分配；步骤5，训练样本的构建，包括从CAD图纸库中以随机抽取的方式，选取具有不同构成的三元图例组作为训练样本，每组图例中保证至少有两个图例是属于同一对象或类别；根据步骤4对每组图例进行锚图例、正图例和负图例的分配；步骤6，空间映射，根据步骤4所得训练样本对步骤2所得双支深度卷积网络进行训练，将CAD图纸从原始的图像空间映射到特征表达向量空间；步骤7，检索实现，包括对于任意待检索CAD图纸，利用步骤6训练好的双支深度卷积网络实现空间映射，获取匹配结果。而且，步骤4中，设定正图例和负图例的分配方式如下，对于三元组图例＜CADrawingj1,CADrawingj2,CADrawingj3＞，设任意选取其中图例CADrawingj1作为锚图例，对图例CADrawingj2与CADrawingj1做SIFT特征点匹配，匹配点个数记为Siftnumj12，CADrawingj3与CADrawingj1做SIFT特征点匹配，匹配点个数记为Siftnumj13；当时，选取max(Siftnumj12,Siftnumj13)对应的图例作为正图例，选取min(Siftnumj12,Siftnumj13)对应的图例作为负图例；其它情况下，CADrawingj2，CADrawingj3任意选取作为正或负图例；其中θ是控制三元组距离度量的常参数，θ越大表示选取的正负图例视觉特征差别越大。本专利技术提供一种基于双分支深度学习的CAD图纸检索系统，包括如下模块：CAD图纸标注模块，用于对CAD图纸库中各图纸数据进行预先标注，将图纸CADrawingi标注格式定义为(imgi,Classi,IDi)，其中imgi表示图纸的序号，每个图纸的imgi唯一且各不相同；IDi表示该图纸对应的实体身份，一个IDi能够对应多个imgi；Classi表示该实体的隶属类别；双支深度卷积网络构建模块，用于获取样本浅层深度特征的共享层、类间特征提取分支和类内特征分支，共享层分别连接类间特征提取分支和类内特征分支，最后将两类特征融合后，进行双层全连接映射输入到损失函数中；损失函数模块，用于设以三元测试组＜anci,posi,negi＞作为网络输入，其中anci是图像imgi的锚图例，posi是anci的正图例，即与imgi具有相同IDi的图像，neg是与imgi具有不同IDi的图像，称为负图例，通过优化空间构建损失函数L如下，其中，函数对网络进行训练时，f(·)表示训练使用的是构建的双支深度卷积网络，N表示某一类图样本的样本数量，α是用来控制样本信息传递的边界参数，通过L的最大化实现网络的训练和优化；三元测试组构建模块，用于设定对于任意的三元图例组，锚图例的选取是任意、无约束的，剩余两个图例进行正图例和负图例的分配；训练样本构建模块，用于从CAD图纸库中以随机抽取的方式，选取具有不同构成的三元图例组作为训练样本，每组图例中保证至少有两个图例是属于同一对象或类别；根据三元测试组构建模块的设定对每组图例进行锚图例、正图例和负图例的分配；空间映射模块，用于根据训练样本构建模块所得训练样本对构建所得双支深度卷积网络进行训练，将CAD图纸从原始的图像空间映射到特征表达向量空间；检索实现模块，用于包括对于任意待检索CAD图纸，利用空间映射模块训练好的双支深度卷积网络实现空间映射，获取匹配结果。而且，三元测试组构建模块中，设定正图例和负图例的分配方式如下，对于三元组图例＜CADrawingj1,CADrawingj2,CADrawingj3＞，设任意选取其中图例CADrawingj1作为锚图例，对图例CADrawingj2与CADrawingj1做SIFT特征点匹配，匹配点个数记为Siftnumj12，CADrawingj3与CADrawingj1做SIFT特征点匹配，匹配点个数记为Siftnumj13；当时，选取max(Siftnumj12,Siftnumj13)对应的图例作为正图例，选取min(Siftnumj12,Siftnumj13)对应的图例作为负图例；其它情况下，CADrawingj2，CADrawingj3任意选取作为正或负图例；本文档来自技高网...

【技术保护点】
1.一种基于双分支深度学习的CAD图纸检索方法，其特征在于，包括如下步骤：/n步骤1，CAD图纸标注，包括对CAD图纸库中各图纸数据进行预先标注，将图纸CADrawing

【技术特征摘要】
1.一种基于双分支深度学习的CAD图纸检索方法，其特征在于，包括如下步骤：
步骤1，CAD图纸标注，包括对CAD图纸库中各图纸数据进行预先标注，将图纸CADrawingi标注格式定义为(imgi,Classi,IDi)，其中imgi表示图纸的序号，每个图纸的imgi唯一且各不相同；IDi表示该图纸对应的实体身份，一个IDi能够对应多个imgi；Classi表示该实体的隶属类别；
步骤2，双支深度卷积网络构建，包括获取样本浅层深度特征的共享层、类间特征提取分支和类内特征分支，共享层分别连接类间特征提取分支和类内特征分支，最后将两类特征融合后，进行双层全连接映射输入到损失函数中；
步骤3，损失函数设置，包括设以三元测试组＜anci,posi,negi＞作为网络输入，其中anci是图像imgi的锚图例，posi是anci的正图例，即与imgi具有相同IDi的图像，neg是与imgi具有不同IDi的图像，称为负图例，通过优化空间构建损失函数L如下，



其中，函数对网络进行训练时，f(·)表示训练使用的是步骤2)构建的双支深度卷积网络，N表示某一类图样本的样本数量，α是用来控制样本信息传递的边界参数，通过L的最大化实现网络的训练和优化；
步骤4，三元测试组的构建，包括设定对于任意的三元图例组，锚图例的选取是任意、无约束的，剩余两个图例进行正图例和负图例的分配；
步骤5，训练样本的构建，包括从CAD图纸库中以随机抽取的方式，选取具有不同构成的三元图例组作为训练样本，每组图例中保证至少有两个图例是属于同一对象或类别；根据步骤4对每组图例进行锚图例、正图例和负图例的分配；
步骤6，空间映射，根据步骤4所得训练样本对步骤2所得双支深度卷积网络进行训练，将CAD图纸从原始的图像空间映射到特征表达向量空间；
步骤7，检索实现，包括对于任意待检索CAD图纸，利用步骤6训练好的双支深度卷积网络实现空间映射，获取匹配结果。


2.根据权利要求1所述的基于双分支深度学习的CAD图纸检索方法，其特征在于：步骤4中，设定正图例和负图例的分配方式如下，
对于三元组图例＜CADrawingj1,CADrawingj2,CADrawingj3＞，设任意选取其中图例CADrawingj1作为锚图例，
对图例CADrawingj2与CADrawingj1做SIFT特征点匹配，匹配点个数记为Siftnumj12，CADrawingj3与CADrawingj1做SIFT特征点匹配，匹配点个数记为Siftnumj13；
当时，选取max(Siftnumj12,Siftnumj13)对应的图例作为正图例，选取min(Siftnumj12,Siftnumj13)对应的图例作为负图例；其它情况下，CADrawingj2，CADrawingj3任意选取作为正或负图例；其中θ是控制三元组距离度量的常参数，θ越大表示选取的正负图例视觉特征差别越大。

...

【专利技术属性】
技术研发人员：何政，叶刚，王中元，傅佑铭，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42