【技术实现步骤摘要】
一种基于强化学习的三维模型自动上色方法
本专利技术涉及三维模型打印
，尤其是一种基于强化学习的三维模型自动上色的方法。
技术介绍
三维打印技术——通常也叫作增材制造技术，正是凭借其全新的制造理念和独特的技术优势迅速发展成为“中国制造2025”中机械领域新的战略方向，在诸多领域已得到广泛的应用，推动了传统制造模式的转型升级。我国正处于信息化与工业化深度融合和产业升级换代的关键阶段，“安全可靠、自主可控”成为信息化发展的国家战略，进一步推进工业制造信息化对于提升我国产业竞争力具有重要的战略意义。国内三维打印市场快速增长，预计2020年达到350亿元。然而，与发达国家相比，我国的三维打印技术自主创新能力不足，特别是在三维打印的处理软件方面，存在着数据处理效率低、稳定性和通用性较差等问题。目前，三维打印在同一模型中仅能使用一种材料进行制造，无法满足航空、航天、医疗等重要领域的需求，严重限制三维打印的应用范围和技术发展。随着多挤出头技术的产生，多种支持多材料三维打印的硬件设备相继面世。现有技术的三维模型自...
【技术保护点】
1.一种基于强化学习的三维模型自动上色方法，其特征在于采用渐进式功能增强网络得到其对象级语义分割，并根据用户指定的模型目标功能描述或在“几何-材料-功能”数据集进行基于离散Hausdorff距离的几何匹配方法，得到输入模型的对象级可打印多材料智能分布结果，对三维模型进行多材料分布及上色具体包括以下步骤：/n步骤1：数据集的补全与扩充/n1.1)通过收集包含几何信息、材料信息以及粗略功能类型描述的初始数据集；/n1.2)使用K-Means算法对模型进行聚类，当每一类的损失值小于指定阈值时停止训练；/n1.3)对每一个聚类核进行功能描述的手动标注，从而获得第一批完整功能标签核心...
【技术特征摘要】
1.一种基于强化学习的三维模型自动上色方法，其特征在于采用渐进式功能增强网络得到其对象级语义分割，并根据用户指定的模型目标功能描述或在“几何-材料-功能”数据集进行基于离散Hausdorff距离的几何匹配方法，得到输入模型的对象级可打印多材料智能分布结果，对三维模型进行多材料分布及上色具体包括以下步骤：
步骤1：数据集的补全与扩充
1.1)通过收集包含几何信息、材料信息以及粗略功能类型描述的初始数据集；
1.2)使用K-Means算法对模型进行聚类，当每一类的损失值小于指定阈值时停止训练；
1.3)对每一个聚类核进行功能描述的手动标注，从而获得第一批完整功能标签核心模型；
步骤2：模型的自迭代学习
2.1)将带有完整功能标签的核心模型输入到深度学习神经网络中，采用强化学习的策略，诱导网络利用新加入的模型进行自迭代学习，通过标签和网络输出确定能量函数值；
2.2)根据能量函数值和训练参数在训练集上训练深度神经网络模型；
2.3)当深度神经网络在训练集上的能量函数值达到设定阈值时，停止训练；
2.4)随着数据集体量不断扩充和模型标注持续自完善，从而得到支持在线优化的“几何-材料-功能”数据集；
步骤3：多材料智能分布
3.1)将上述数据集输入语义分割网络，得到其对象级语义分割，并通过对象级语义分割和标签数据确定分割损失代价函数值；
3.2)根据分割损失代价函数值和训练参数在训练集上训练语义分割网络；
3.3)当语义分割网络在训练集上的分割损失代价函数值小于设定阈值时，停止训练；
3.4)将数据集进行基于离散Hausdorff距离的几何匹配，得到输入模型的对象级可打印多材料智能分布结果。
2.根据权利要求1所述基于强化学习的三维模型自动上色方法，其特征在于所述步骤1的数据集的补全与扩充具体包括：
A1)通过网络查找和数据库搜索，收集三维模型结构与信息，添加到现有的三维模型数据集上进行数据集扩充；
A2)将扩充的数据集进行三维模型旋转、裁剪和缩放处理操作；
A3)使用K-Means算法对三维模型进行聚类，并对每一个聚类核手动进行比对、校验，并打上具有功能描述的标注，从而获得第一批完整功能标签核心模型。
3.根据权利要求1所述基于强化学习的三维模型自动上色方法，其特征在于所述步骤2的模型的自迭代学习具体包括：
B1)将完整功能标签核心模型输入到深度学习神经网络中，确定输出的是三维模型的功能和...
【专利技术属性】
技术研发人员：宋海川，曾鑫超，院旺，张克越，马利庄，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。