【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。