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、功能等语义信息可作为CAD模型分类的重要依据。
[0003]然而，由于提取特征的简化与非精确性，部分解决方法的分类精确度难以提升，而面向较大规模的数据样本时，相似度比较的方法与描述符的复杂性，又消耗了大量的计算资源与存储资源，使得方法的精度提升受限。随着深度学习的发展，基于深度学习技术对CAD模型进行准确、有效的分类识别已经成为目前国内外研究的热点和难点问题之一。随着深度学习在图像处理领域的迅速发展，研究者开始利用多视图表示三维模型，通过卷积神经网络获得高阶描述子来进行分类。同时，也有研究在原始的三维模型上，利用体素或是点云表示模型，通过构建对应的特征提取网络提取三维模型的高阶全局特征。由此可见，CAD模型的分类问题因三维表示的不同转化为对应描述符的分类问题。而由于普遍研究的多视图、体素、点云等描述基于视觉形状，无法反映CAD模型特有的结构语义和功能描述，在面向具有复杂特征与细节区别的模型时，以往方法的分类准确性会受到影响。因此，构建具有工程语义的描述符来表示CAD模型具有极大意义。许多面向此类三维表示的研究中，会提取CAD模型的面
‑
边结构，或是提取模型的功能描述来表征模型，然而，这些描述符存在表征信息单一、描述精度低等问题，难以有效表达CAD模型的复杂信息，同时无法提取其中的关键特征信息，以提高模型分类准确率。
[0004]此外，常规的卷积神经网络只面向栅格结构的数据，无法有效处理描述符中的结构信息，而CAD模型往往具有清晰的结构划分，部分模型之间的细节区别存在于对应结构之间。因此，为了合理处理结构化信息，并利用结构间的特征区别区分模型类别，在CAD模型分类方法中使用图卷积网络，旨在通过图卷积网络有效利用结构之间的联系，强化局部关键特征的提取，以提高模型分类的准确率。

技术实现思路

[0005]本专利技术针对现有技术的不足，提出了一种基于CAD模型特征结构的特征级图描述符提取方法，以及一种基于特征级图描述符和图卷积网络的模型分类方法。
[0006]本专利技术提出的基于CAD模型特征结构的特征级图描述符提取方法面向基于特征的CAD模型文件，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，同时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。同时，本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。本专利技术能够实现对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，同时进一步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。
[0007]本专利技术方法具体包括以下步骤：
[0008]步骤1、获取面向特征的模型文件作为基础数据集；
[0009]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：
[0010]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；
[0011]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。
[0012]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。
[0013]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。
[0014]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，阵列特征是其他特征经过阵列复制生成的，因此阵列特征包含多个特征的信息，本身表征了CAD模型的多个结构。将阵列特征扩展为其阵列复制的多个源特征，并依照源特征的依赖关系，连接在G
fea
上，形成特征级图描述符G
fea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：