基于图卷积网络的轻量化三维CAD模型分类与检索的方法技术

本发明专利技术公开了一种基于图卷积网络的轻量化三维CAD模型分类与检索的方法，S1、构建一个三维CAD模型数据集；S2、对三维CAD模型数据集进行数据预处理与特征抽取，进而得到几何信息和拓扑信息，并将抽取的几何信息和拓扑信息转换为以图结构表示的三维模型描述符；S3、构建图卷积网络FuS

【技术实现步骤摘要】
基于图卷积网络的轻量化三维CAD模型分类与检索的方法


[0001]本专利技术涉及智能制造知识复用
，具体指一种基于特征融合自注意力池化的图卷积网络用于由B
‑
rep表示的三维CAD模型特征抽取、分类与检索的方法。

技术介绍

[0002]作为整个生产过程的基础，三维CAD(Computer
‑
Aided Design)模型在工业制造中起着至关重要的作用。随着智能制造技术和智能制造系统技术的发展，三维CAD模型的数据量迅速增加。这些模型包含了大量值得复用的嵌入式知识。但是设计师需要花费大量的精力来寻找符合他们要求的模型。其中现有相当大比例的三维CAD模型可以被重新用于新产品的开发，至少75％的新产品设计复用了现有的知识和模型。只有20％的零件需要全新的设计，而其中40％可以通过直接复用来构建，另外还有40％的零件可以通过修改现有的CAD模型来构建。由此可知，复用现有模型大大缩短了工业制造的开发周期，极大的降低了开发成本。
[0003]而在实现三维CAD模型复用所涉及的技术中，三维CAD模型分类与检索是其中的关键技术之一，有待更加深入的研究。然而，B
‑
rep作为CAD应用中描述三维形状的标准方式，难以被直接用于神经网络学习中的模型分类与检索，以此直接实现复用。影响直接实现复用的主要技术困难有如下几点：
[0004]首先，现实工业应用中的三维CAD模型具有复杂的组成结构、多样的拓扑信息、精确的几何特征，并且是与该领域紧密相关的，包含丰富的工程语义细节。即使同一类别的两个模型虽然包含着相似的工程语义，也可能在外观上有很大区别。因此，以合理的方式抽取模型中丰富的拓扑和几何信息而不损失工程语义至关重要。现有的分类或检索方法大多是基于点云、多视图图像等的应用成果，这些三维模型描述符只能抽取并表示从三维模型表面拟合的离散信息。这意味着B
‑
rep中包含的丰富的内部拓扑信息、工程语义细节等在特征构建过程中没有被利用。
[0005]其次，在工程中很难找到合适的描述符高效地表达工程语义，并以一种通用方法对来自不同CAD系统的三维模型以精确描述进行表征。现有的CAD模型格式多样，不同的CAD系统(如SolidWorks、CATIA、AutoCAD等)使用非互通的文件存储与传输格式。该领域的大部分研究都是在特定的离散数据格式上进行的，但这种离散数据并不适合精确地表示三维CAD模型。此外，很少有通用方法能够统一处理不同格式的三维CAD模型并进行分类与检索。
[0006]最后，从三维模型中提取的图描述符包含了大量而复杂的信息，经典的GCNs(Graph Convolutional Networks)和图池化方法难以对其进行有效处理。且现有的图级别的图神经网络方法的分类能力并没有达到可用于三维CAD模型复用的理想效果。另一方面，为了提高对三维模型识别准确率，制作更深更复杂的三维形状识别模型成为趋势，不可避免地使网络模型参数量愈来愈大，过高的计算资源需求与时间成本导致了这些拥有较好识别效果的模型难以投入现实工业中的CAD模型复用任务。

技术实现思路

[0007]本专利技术针对现有技术得不足，提出一种基于图卷积网络的轻量化三维CAD模型分类与检索的方法，该方法从B
‑
rep信息中提取出模型的拓扑几何信息。B
‑
rep数据存储在以STEP(Standard for the Exchange of Product Data)作为存储与传输格式的三维模型文件中。基于B
‑
rep图设计了名为FuS
‑
GCN的轻量化融合自注意力GCNs框架，用以聚合拓扑几何特征，并有效地学习全局三维CAD形状特征描述符。在此基础上，实现了CAD模型的分类与检索。
[0008]为了解决上述技术问题，本专利技术的技术方案为：
[0009]一种基于图卷积网络的轻量化三维CAD模型分类与检索的方法，包括如下步骤：
[0010]步骤S1：构建一个用于工业制造场景的三维CAD模型数据集。从当地制造工业零件的公司与工厂收集了一部分应用于实际生产的工业零件数据库，其中的三维CAD模型均为精确表示，以STEP(Standard for the Exchange of Product Data)标准作为文件储存与传输格式。并且通过筛选，整理出一个总共含有9419个零件，这些零件被标注为四十个类别的三维CAD模型数据集。
[0011]步骤S2：对该三维CAD模型数据集进行数据预处理与特征抽取，从三维CAD模型复杂的B
‑
rep信息中尽可能地完整抽取几何信息与拓扑信息，并将其构造为适合现存神经网络有效学习并使用的表示形式，具体步骤如下：
[0012]步骤S21：基于三维CAD模型的B
‑
rep信息，抽取其拓扑信息与几何信息，具体步骤如下：
[0013]步骤S211：根据其面边之间的相邻关系，抽取模型的拓扑结构信息。
[0014]步骤S212：根据其面边的形状、大小、方向等几何数据抽取模型的面与边的几何信息。
[0015]步骤S22：根据特征抽取所得的拓扑信息与几何信息，构建适用于神经网络的图结构的三维模型描述符，以图结构的形式表示三维模型的拓扑结构，以图中的节点属性与边属性表示三维模型的面与边的几何信息。同时对数据集中各个类别的三维模型样本数据进行统计分析。
[0016]步骤S3：构建可基于拓扑几何信息学习图数据的全局信息与局部信息融合表示的图卷积网络FuS
‑
GCN，完整的FuS
‑
GCN架构包括三个结构相同的FuS
‑
GCN子模块，每个FuS
‑
GCN子模块由图卷积模块、融合自注意力图池化模块组成，实现对图结构信息的聚合与基于几何拓扑信息的特征融合进行自注意力图池化，最后通过Readout模块获得融合多层图数据局部信息的全局表示的全局特征向量，具体步骤如下：
[0017]步骤S31：图卷积模块为基于谱图卷积的图卷积方法GCNConv(Graph Convolutional Network Layer)。一个图卷积模块包含一个图卷积隐藏层与一个激活函数层叠加而成。图结构的三维模型以图邻接矩阵与节点特征矩阵的形式输入隐藏层，随后经过激活函数获得输出。在隐藏层中，图节点之间会进行消息传递，捕获邻域内的局部信息，公式如下：
[0018][0019]其中H
l
为第l层的节点表示，A∈R
N
×
N
表示图的邻接矩阵，表示拥有自连
接的邻接矩阵，I表示单位矩阵，为的对角节点度矩阵，W
l
表示第l个神经网络层的权重矩阵，σ(
·
)表示一个非线性激活函数，比如ReLU。
[0020]步骤S32：自注意力图池化模块分为第一子模块和第二子模块，第一子模块是对基于几何信息和拓本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积网络的轻量化三维CAD模型分类与检索的方法，其特征在于，包括如下步骤：S1、构建一个三维CAD模型数据集；S2、对三维CAD模型数据集进行数据预处理与特征抽取，进而得到几何信息和拓扑信息，并将抽取的几何信息和拓扑信息转换为以图结构表示的三维模型描述符；S3、构建可基于拓扑信息和几何信息学习图数据的全局信息与局部信息融合表示的图卷积网络FuS
‑
GCN，根据图卷积网络FuS
‑
GCN，以三维模型描述符为输入指导三维CAD模型分类，得到全局特征向量，所述图卷积网络FuS
‑
GCN包三个结构相同的FuS
‑
GCN子模块和Readout模块；S4、全局特征向量作为输入通过一个全连接层获得分类结果；以及根据全局特征向量之间的相似度获得检索结果；S5、将由图卷积网络FuS
‑
GCN和全连接层组成的分类检索模型运用于数据集进行训练测试；S6、使用训练好的分类检索模型对三维CAD模型实现分类、检索和重用。2.根据权利要求1所述的基于图卷积网络的轻量化三维CAD模型分类与检索的方法，其特征在于，所述步骤S1中构建的三维CAD模型数据集是以STEP标准作为文件存储与传输的格式。3.根据权利要求1所述的基于图卷积网络的轻量化三维CAD模型分类与检索的方法，其特征在于，所述步骤S1中，数据集中数据预处理的方法为：将三维CAD模型转为B
‑
rep表示，以及数据标注。4.根据权利要求1所述的基于图卷积网络的轻量化三维CAD模型分类与检索的方法，其特征在于，所述步骤S2中，抽取几何信息和拓扑信息的方法为：从三维CAD模型的B
‑
rep信息中，根据面边之间的相邻关系，抽取拓扑结构的拓扑信息，同时根据面边的几何数据抽取面与边的几何信息；转换为三维模型描述符的方法为：以图结构表示三维CAD模型的拓扑结构，以图中节点属性与边属性表示三维CAD模型的面与边的几何信息。5.根据权利要求1所述的基于图卷积网络的轻量化三维CAD模型分类与检索的方法，其特征在于，所述步骤S3中，每个所述FuS
‑
GCN子模块由图卷积模块、融合自注意力图池化模块组成，实现对三维模型描述符的聚合，以及与基于几何信息和拓扑信息的特征融合进行自注意力图池化，最后通过Readout模块获得融合多层图数据局部信息的全局表示，进而得到全局特征向量。6.根据权利要求5所述的基于图卷积网络的轻量化三维CAD模型分类与检索的方法，其特征在于，所述图卷积模块由一个图卷积隐藏层与一个激活函数层叠加而成，所述图卷积隐藏层以三维模型描述符的图邻接矩阵与图节点特征矩阵的形式作为输入，随后经过激活函数层获得输出，在图卷积隐藏层中，图节点之间会进行消息传递，捕获邻域内的局部信息，公式如下：其中H
l
为第l层的节点表示，A∈R
N
×
N
表示图的邻接矩阵，表示拥有自连接的
邻接矩阵，I表示单位矩阵，为的对角节点度矩阵，W
l
表示第l个神经网络层的权重矩阵，σ(
·
)表示一个非线性激活函数。7.根据权利要求6所述的基于图卷积网络的轻量化三维CAD模型分类与检索的方法，其特征在于，所述自注意力图池化模块包括第一子模块和第二子模块，所述第一子模块是对基于几何拓扑信息特征融合的自注意力分数计算，所述第二子模块是基于两种自注意力分数...

【专利技术属性】
技术研发人员：侯钧皓，秦飞巍，邵艳利，陈一飞，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：