基于特征级图描述符和图卷积网络的CAD模型分类方法技术

本发明专利技术公开了一种基于特征级图描述符和图卷积网络的CAD模型分类方法，本发明专利技术提取CAD模型的特征与特征之间的依赖关系，转换为特征依赖图，进一步转化阵列特征，细化结构，生成特征级图描述符以表征三维CAD模型；本发明专利技术提出的基于特征级图描述符和图卷积网络的模型分类方法，引入跳跃连接网络和基于边收缩的层次化池化机制，构建图卷积网络的分类模型，边收缩的池化机制通过逐步聚合图中节点信息，关注局部关键结构，跳跃连接网络聚合多个中间图表示强化图表示学习，以提升分类效果。本发明专利技术实现对CAD模型的准确分类且分类准确率高于现有表现较佳的其他三维模型分类方法，推广了结构化描述与图卷积网络在CAD模型分类问题上的应用。用。用。

【技术实现步骤摘要】
基于特征级图描述符和图卷积网络的CAD模型分类方法


[0001]本专利技术属于CAD模型复用和深度学习
，具体涉及一种基于CAD模型特征结构的图描述符，以及一种基于图卷积网络的模型分类方法。

技术介绍

[0002]近年来，随着计算机图形学和三维重建技术的发展，三维模型广泛应用于CAD、VR/AR等领域。在产品的设计开发过程中，约80％的产品直接利用已有模型或对已有模型进行微小改动获得。因此，对已有3D CAD模型的有效重用，已经成为零件标准化、优化管理，以及节约开发成本、提高产品质量的关键。传统模型分类方法主要包括基于视觉相似性的方法和基于语义与功能描述的方法。前者是指通过提取三维模型的形状特征，分析模型之间的相似性来进行分类；后者是指通过模型特征结构的工程语义或是模型设计的功能描述，基于这些信息构造相应的描述符，来区分不同类别的CAD模型。CAD模型同类别的的模型在外观上具有相似性，这也是区分CAD模型的一项直接依据。同时，CAD模型在工程领域中一般有特定的设计、制造或应用上下文环境，因此三维CAD模型中的各种制造与加工特征、属性、功能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于特征级图描述符和图卷积网络的CAD模型分类方法，其特征在于，该方法具体如下：步骤1、获取面向特征的模型文件作为基础数据集；步骤2、将数据集中的CAD模型的.sldprt文件转换为TU格式的特征级图描述符，具体操作如下：步骤2
‑
1：读取.sldprt模型文件中CAD模型的特征树，提取规定特征接口的特征，其中特征接口包括ExtrudeFeatureData、LoftFeatureData、SweepFeatureData、RevolveFeatureData、LinearPatternFeatureData、CircularPatternFeatureData、IMirrorPatternFeatureData、ISimpleFilletFeatureData、IVariableFilletFeatureData、IChamferFeatureData、WizardHoleFeatureData、SimpleHoleFeatureData、ShellFeatureData、ThreadFeatureData，再提取特征属性中的父子依赖关系，对提取的特征，构建一个以特征为节点、以特征的父子依赖关系为边的特征依赖图G
fea
，作为特征级图描述符的基础；步骤2
‑
2：设计特征级图描述符节点的属性向量，并读取特征的依赖关系和接口参数，以此定义描述符节点具有哪些属性；读取特征依赖图G
fea
中的特征所具有的子依赖关系，顺位读取首个草图作为生成该特征的草图，若子依赖关系中无草图，则设定对应特征草图为无，根据预定义的属性提取草图线段所具有的各项参数，并分析线段的特征得到草图线段的属性向量，以此组合草图的属性向量，若无草图则对应维度设置为E；预处理模型数据集，根据步骤2
‑
1捕获特征的方法获取所有特征，读取特征对应特征接口的所有参数，并转换为可量化的数值，面向数据集提取所有参数的数值，对相同参数构建数值分布，若同一参数相同数值的分布高于整体的90％，则判定该参数不具备几何表现力，对其进行筛除，同时对同一类的的参数进行加权组合，x
d
＝w1x1+w2x2+
…
+w
n
x
n
，其中x
n
表示第n个参数，w
n
表示第n个参数的加权系数；以压缩参数的维度，最终按照特征接口划分的特征类型，为每个特征设计属性向量，维度不统一的属性向量，对未定义的维度赋值为E；步骤2
‑
3：对特征依赖图G
fea
中的阵列特征进行“阵列关系化”的转换，将阵列...

【专利技术属性】
技术研发人员：秦飞巍，曹磊，邵艳利，詹高扬，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：