一种基于几何语义预训练与图网络的制造技术

本发明专利技术公开了一种基于几何语义预训练与图网络的

【技术实现步骤摘要】
一种基于几何语义预训练与图网络的3D模型分类方法


[0001]本专利技术涉及计算机图形学与智能识别的
，特别是一种基于几何语义预训练与图网络的
3D
模型分类方法
。

技术介绍

[0002]近年来，科学技术的不断发展，基于深度学习的三维模型分类方法已经取得了显著的成果
。
三维模型相比于其他
2D
图像，具有更丰富的几何信息和空间结构特征，更贴近与人类生活的显示场景，在工业设计
、
三维重建
、
电影娱乐
、
智能导航
、
医疗等领域都有广泛的应用，同时三维模型的分类也变得更为重要
。
[0003]STEP
全称是
Standard for the Exchange of Product Model Data
，即产品模型数据交换标准，自
1992
成为
ISO
国际标准时起
(ISO10303)
，
STEP
文件作为三维
CAD
通用文本中间交换格式，在几何数据交互中起着重要作用
。
目前主流的
3D
模型分类方法还没有直接从
STEP
文件数据入手的先例
。
[0004]图卷积网络
(GCN)
是一种能够直接作用于图并且利用其结构信息的卷积神经网络，
STEP
文件中的拓扑结构与几何信息，天然契合了图数据结构中的边线与节点属性，使得
STEP
文件能够直接适用图卷积网络
。
[0005]BERT
的全称为
Bidirectional Encoder Representation from Transformers
，是一个预训练的语言表征模型
。
它强调了不再像以往一样采用传统的单向语言模型或者把两个单向语言模型进行浅层拼接的方法进行预训练，而是采用新的
masked language model(MLM)
，以致能生成深度的双向语言表征
。

技术实现思路

[0006]针对现有技术中存在的问题，本专利技术提供了一种基于几何语义预训练与图网络的
3D
模型分类方法，旨在克服现有模型分类方法所存在的采样随机性
、
几何语义信息丢失等问题，本专利技术通过提取
STEP
文件中的图结构信息与几何语义信息，实现零件从文件到模型表征空间的映射，进而通过聚类算法实现三维模型的准确分类
。
[0007]本专利技术的目的通过以下技术方案实现
。
[0008]一种基于几何语义预训练与图网络的
3D
模型分类方法，包括以下步骤：
[0009]1)STEP
数据输入及初始特征提取，提取分为两部分，一部分是三维模型的拓扑数据，经过处理转化为三维模型曲面的邻接矩阵，另一部分是整理后的曲面信息；
[0010]2)
将曲面信息输入几何语义预训练模型，获取每个曲面的词向量；
[0011]3)
将所有曲面词向量与曲面邻接矩阵输入到图语义特征混合网络，获取模型整体的表征向量，即模型语义特征；
[0012]4)
通过
k
‑
means
算法对模型语义特征进行聚类，获得的聚类结果对应的模型为同一类
。
[0013]在步骤
1)
中，对
STEP
数据输入及初始特征提取步骤为：
[0014]1.1)
首先提取
STEP
中的拓扑对象的数据，记顶点集为
V
＝
{v1，
v2，
…
，
v
n
}
，边线集为
E
＝
{e1，
e2，
…
，
e
m
}
，面集为
F
＝
{f1，
f2，
…
，
f
l
}
；
[0015]1.2)
根据几何拓扑关系，提取曲面的邻接矩阵
A
＝
(a
ij
)1×1，
其中
[0016]a
ij
＝1，当
f
i
，
f
j
存在至少一条公共边线
e
k
∈E
[0017]a
ij
＝0，当
f
i
，
f
j
不存在任意公共边线
e
k
∈E
；
[0018]1.3)
根据拓扑关系重新整理获得曲面信息
FF
，每份曲面信息包含曲面自身几何数据
f
a
，和
f
a
曲面关联的边线数据
{e
b
，
…
，
e
c
}
，以及
f
a
曲面关联的顶点数据
{v
g
，
…
，
v
h
}。
[0019]在步骤
2)
中，几何语义预训练模型构建步骤如下：
[0020]2.2)
收集大量无标签
STEP
数据；
[0021]2.2)
构建以
BERT
‑
BASE
为
Backbone
的预训练模型，即
BERT
模型，以
STEP
文件为样本，对该
BERT
模型进行微调，获取每个句子的句意嵌入向量；
[0022]2.3)
构建以
SimCSE
为基础的模型，使用步骤
2.2)
中的句意嵌入向量为输入，进行无监督训练，意图使用该以
SimCSE
为基础的模型优化句意嵌入向量的表达能力；
[0023]2.4)
将
STEP
文件按照描述的曲面进行划分，将每一份内容按顺序输入步骤
2.2)、2.3)
中预训练好的
BERT
模型与以
SimCSE
为基础的模型，获取每份曲面内容的多个句意嵌入向量，最后使用平均获得单个曲面信息的嵌入向量
。
[0024]在步骤
3)
中，图语义特征混合网络构建步骤如下：
[0025]3.1)
设计图语义特征混合网络模型包括图卷积层
、ML本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于几何语义预训练与图网络的
3D
模型分类方法，其特征在于包括以下步骤：
1)STEP
数据输入及初始特征提取，提取分为两部分，一部分是三维模型的拓扑数据，经过处理转化为三维模型曲面的邻接矩阵，另一部分是整理后的曲面信息；
2)
将曲面信息输入几何语义预训练模型，获取每个曲面的词向量；
3)
将所有曲面词向量与曲面邻接矩阵输入到图语义特征混合网络，获取模型整体的表征向量，即模型语义特征；
4)
通过
k
‑
means
算法对模型语义特征进行聚类，获得的聚类结果对应的模型为同一类
。2.
根据权利要求1所述的一种基于几何语义预训练与图网络的
3D
模型分类方法，其特征在于在步骤
1)
中，对
STEP
数据输入及初始特征提取步骤为：
1.1)
首先提取
STEP
中的拓扑对象的数据，记顶点集为
V
＝
{v1，
v2，
…
，
v
n
}
，边线集为
E
＝
{e1，
e2，
…
，
e
m
}
，面集为
F
＝
{f1，
f2，
…
，
f
l
}
；
1.2)
根据几何拓扑关系，提取曲面的邻接矩阵
A
＝
(a
ij
)1×1，其中
a
ij
＝1，当
f
i
，
f
j
存在至少一条公共边线
e
k
∈Ea
ij
＝0，当
f
i
，
f
j
不存在任意公共边线
e
k
∈E
；
1.3)
根据拓扑关系重新整理获得曲面信息
FF
，每份曲面信息包含曲面自身几何数据
f
a
，和
f
a
曲面关联的边线数据

【专利技术属性】
技术研发人员：吴泳荣，过晓蒙，杨庆保，郜清科，
申请(专利权)人：上海设序科技有限公司，
类型：发明
国别省市：