一种基于渐进式功能增强网络的物理模型材料识别方法技术

本发明专利技术公开了一种基于渐进式功能增强网络的物理模型材料识别方法，其特点是采用渐进式功能增强网络，实现每个模型的对象级语义分割，将得到标记对象信息的RGB‑D数据作为输入，利用基于经验预测的物理模型材料识别方法，实现对实际物理模型的对象级材料分布信息。本发明专利技术与现有技术相比具有自动根据三维数字模型的功能描述对其进行结构分割，进而利用机器学习技术获取实际物理模型功能与材料分布的对应关系，最终实现对三维模型进行多材料智能分布计算，大大提高了产品设计和制造的效率，方法简便，进一步减少设计师人工成本，经济、高效，具有良好的应用前景。

【技术实现步骤摘要】
一种基于渐进式功能增强网络的物理模型材料识别方法
本专利技术涉及三维模型多材料智能分布
，尤其是一种基于渐进式功能增强网络的物理模型材料识别方法。
技术介绍
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。三维打印技术——通常也叫作增材制造技术，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。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。传统的三维打印技术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。但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。国际主流三维打印公司也随即在其主流工业软件上增加相应功能，对多材料制造技术进行布局，例如：比利时Materialise公司的Magics软件、Autodesk公司的Netfa本文档来自技高网...

【技术保护点】
1.一种基于渐进式功能增强网络的物理模型材料识别方法，其特征在于采用渐进式功能增强网络，实现每个模型的对象级语义分割，将得到标记对象信息的RGB-D数据作为输入，利用基于经验预测的物理模型材料识别方法，实现对象材料信息的获取，物理模型材料的具体识别包括下述步骤：/n步骤1：通过渐进式功能增强网络，从RGBD数据中获取对象信息/n1.1）搜集现有的RGB-D（RGB图像+深度D）数据集，将训练集中的数据通过人工标注的方式，得到具有对象级语义分割信息的初始数据集；/n1.2）将上述初始数据集为渐进式功能增强网络的输入，得到对输出图片中每个区域的对象信息的预测；/n1.3）通过输入图片中的真实标注信...

【技术特征摘要】
1.一种基于渐进式功能增强网络的物理模型材料识别方法，其特征在于采用渐进式功能增强网络，实现每个模型的对象级语义分割，将得到标记对象信息的RGB-D数据作为输入，利用基于经验预测的物理模型材料识别方法，实现对象材料信息的获取，物理模型材料的具体识别包括下述步骤：
步骤1：通过渐进式功能增强网络，从RGBD数据中获取对象信息
1.1）搜集现有的RGB-D（RGB图像+深度D）数据集，将训练集中的数据通过人工标注的方式，得到具有对象级语义分割信息的初始数据集；
1.2）将上述初始数据集为渐进式功能增强网络的输入，得到对输出图片中每个区域的对象信息的预测；
1.3）通过输入图片中的真实标注信息和输出图片中的预测信息，确定预测损失代价函数值，并将其在训练集上以0.0001学习速率，训练渐进式功能增强网络；
1.4）当训练集上的图片重构损失代价函数值小于设定阈值时，停止训练，并将经训练的渐进式功能增强网络作为对象级信息提取模型；
步骤2：基于经验预测的物理模型材料识别模型，获取对象材料信息
2.1）将具有对象级语义分割信息的训练数据集做进一步的标注，增加材料信息，得到具有“几何-材料-功能”标签的新训练数据集；
2.2）将仅有对象级语义分割信息的原始训练集图片输入基于经验预测的物理模型材料识别模型，得到对训练集图片中每个区域的材料预测信息；
2.3）基于材料预测信息和标签信息，确定预测损失代价函数值，并将其在新训练集上，以0.0001学习速率训练物理模型材料识别模型；
2.4）当全连接分类网络在训练集上的分类损失代价函数值小于设定阈值时，停止训练；
2.5）通过预留的RGB-D数据的测试集对渐进式功能增强网络以及物理模型材料识别模型进行对象和材料分类测试，并根据测试结果确定测试精度，所述测试精度为分类正确的区域面积占所有输入区域面积的百分比；
步骤3：构建初始“几何-材料-功能”三维模型数据集
3.1）打印对应的标准采集模型进...

【专利技术属性】
技术研发人员：宋海川，莫瑾媛，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