基于深度学习的三维模型修正方法、装置及存储介质制造方法及图纸

本发明专利技术公开基于深度学习的三维模型修正方法，包括通过获取不同类型的文件的三维模型以及每种类型的文件的三维模型的拓扑几何数据构建数据集；然后创建深度神经网络模型，并根据数据集对深度神经网络模型进行训练以得出三维模型修正器；再获取待修正文件的三维模型并进行解析得出对应的拓扑几何数据，以及将待修正文件的三维模型的拓扑几何数据与三维模型修正器进行匹配以实现对待修正文件的三维模型的拓扑几何数据的修正。本发明专利技术能够应用于文件的三维模型加载的软件中，对导入的文件的三维模型的拓扑几何数据进行修正以使得文件的三维模型能够正确加载。本发明专利技术还公开基于深度学习的三维模型修正装置及存储介质。深度学习的三维模型修正装置及存储介质。深度学习的三维模型修正装置及存储介质。

【技术实现步骤摘要】
基于深度学习的三维模型修正方法、装置及存储介质


[0001]本专利技术涉及CAD软件导入领域，尤其涉及基于深度学习的三维模型修正方法、装置及存储介质。

技术介绍

[0002]对于当前主流的CAD软件来说，其均有自身的文件类型，比如ZW3D的Z3类型的文件。各个软件在交互过程中避免不了需要在CAD软件中导入其他的软件生成的文件模型，这样就需要CAD软件对导入的文件模型进行解析以得出拓扑数据和几何数据，然后再根据解析得出的拓扑数据和几何数据对文件模型进行重现。但是，有些文件模型的文件类型可能在CAD软件中无法解析，或者有些文件模型中的拓扑几何数据可能存在错误，导致CAD软件解析后的数据无法使用，进而导致文件模型就无法加载显示，后续建模也会存在错误，因此，对于导入到CAD软件中的模型的拓扑几何数据的修复成为目前必需要解决的问题。

技术实现思路

[0003]为了克服现有技术的不足，本专利技术的目的之一在于提供基于深度学习的三维模型修正方法，其能够解决现有技术中导入到软件中的文件的三维模型存在拓扑几何数据错误而导致无法在软件中加载的问题。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的三维模型修正方法，其特征在于，所述三维模型修正方法包括以下步骤：数据获取步骤：获取不同类型的文件的三维模型以及每种类型的文件的三维模型的拓扑几何数据构建数据集；模型构建步骤：创建深度神经网络模型，并根据所述数据集对所述深度神经网络模型进行训练以得出三维模型修正器；修正步骤：获取待修正文件的三维模型并对所述待修正文件的三维模型进行解析以得出对应的拓扑几何数据，以及将待修正文件的三维模型的拓扑几何数据与所述三维模型修正器进行匹配以实现对待修正文件的三维模型的拓扑几何数据的修正。2.根据权利要求1所述的基于深度学习的三维模型修正方法，其特征在于，所述模型构建步骤还包括：数据集划分步骤：将所述数据集划分为训练集和测试集；模型训练步骤：通过构建深度神经网络模型并根据所述训练集对构建的深度神经网络模型进行训练以得出三维模型修正器；模型验证步骤：根据所述测试集对训练得出的三维模型修正器进行验证以判断所述三维模型修正器是否符合预设要求，若是，则得出三维模型修正器；若否，则执行模型训练步骤或数据集划分步骤。3.根据权利要求2所述的基于深度学习的三维模型修正方法，其特征在于，所述模型训练步骤中对构建的模型进行训练时，采用非线性激活函数作为训练模型的激活函数；其中，非线性激活函数为以下函数中的任意一种：igmoidal型函数、logistic sigmoidal函数、双曲正切函数、矫正线性单元函数；采用随机梯度下降法为训练方法。4.根据权利要求1所述的基于深度学习的三维模型修正方法，其特征在于，所述拓扑几何数据包括拓扑数据和几何数据；所述拓扑数据包括拓扑总体、流形实体容器、实体、壳体、面、环、环边、边和顶点；所述几何数据为Nurbs表达式，包括控制顶点、节点向量和次数。5.根据权利要求4所述的基于深度学...

【专利技术属性】
技术研发人员：邢健，周雄峰，杜永贤，黄伟贤，甘文峰，
申请(专利权)人：广州中望龙腾软件股份有限公司，
类型：发明
国别省市：