一种基于多视图和加工特征识别的制造技术

本发明专利技术适用于

【技术实现步骤摘要】
一种基于多视图和加工特征识别的CAD模型匹配方法及系统


[0001]本专利技术属于
CAD
智能设计领域，特别地涉及一种基于多视图和加工特征识别的
CAD
模型匹配方法及系统
。

技术介绍

[0002]自上世纪
60
年代起，
CAD(
计算机辅助设计
)
技术获得了广泛的应用，涉及到各行各业的设计和制造领域
。
三维模型可以更加真实地呈现出产品的外观和内部结构，以及各个零部件之间的关系；而且
CAD
三维模型同样也携带加工工艺参数
、
设计需求等内容，这为制造领域带来了更多的便利和优势
。
随着计算机硬件性能的提升和
CAD
软件功能的不断完善，在制造领域中
CAD
三维模型逐渐取代二维模型并成为主流设计方式，深入从产品设计
、
制造流程规划
、
到零部件加工的各个环节中
。
随着制造技术的发展和进步，三维模型运用愈发普及，其数量爆炸式增长，模型携带的信息也愈发丰富
。
海量的三维模型一方面方便设计人员继承以往的设计经验和设计知识，实现产品的快速设计并减轻重复工作，但另一方面也需要更多的计算资源和存储空间来支持其应用
。
工程人员迫切需要一种能结合产品设计需求和加工特征，在零部件三维模型库中实现相似模型的快速匹配的方法，并利用相似模型的设计加工信息，更好地辅助设计和制造等诸多环节
。
这对于提高设计效率和
CAD
系统智能化水平具有重要意义
。
[0003]工业领域描述三维模型几何形貌的方式有两种，分别是边界表示法
(B
‑
REP
，
Boundary Representation)
和三角网格法
。
前者采用参数方程描述模型中的线和面，并将几何形貌和拓扑关系相结合，确保三维模型精确的形状信息
。
后者采用大量点云构成的三角网格描述三维模型外形，方便计算机三维显示
。
两类模型有不同的用途，针对其描述方式和数据结构的特点，相关匹配算法也各不相同
。
因此，研究一种适用于
CAD
领域
、
满足制造业需求
、
兼顾两类模型特点的
CAD
模型匹配算法是非常必要的
。
[0004]传统的
CAD
模型匹配方法通常使用基于文本或者基于形状的特征来进行搜索，但是这些方法在处理大量的
3D
模型数据时往往会存在准确性和效率的问题
。

技术实现思路

[0005]本专利技术目的是提供一种性能稳定
、
体积小
、
成本低
、
功耗小的电动车用智能锂离子电池管理系统，以克服上述电池管理系统的缺陷
。
[0006]本专利技术为实现上述目的所采用的技术方案是：
[0007]一种基于多视图和加工特征识别的
CAD
模型匹配方法，包括以下步骤：
[0008]1)
获取零部件三维模型，构造三维模型数据库，基于数据库，构建并训练基于
ResNet
的多视图卷积神经网络；
[0009]2)
利用训练好的多视图卷积神经网络，计算待匹配零件模型的加工特征，利用三维模型数据库进行待匹配零件模型的匹配，得到待匹配零件模型的加工信息
。
[0010]所述步骤
1)
包括以下步骤：
[0011]1.1)
获取采用边界表示法建模的零部件三维模型，并根据属性进行分类，将属性作为分类标签，构造三维模型数据库，将模型库内所有模型转成
STL
格式；
[0012]1.2)
利用零部件三维模型中语义信息和拓扑结构，提取每个模型中的加工特征；
[0013]1.3)
将零部件三维模型作为输入，三维模型的分类标签作为输出，训练基于
ResNet
的多视图卷积神经网络；
[0014]1.4)
根据训练好的神经网络模型，计算每个零部件三维模型的特征向量，完成数据库的构建和多视图卷积神经网络的训练
。
[0015]所述零部件三维模型的格式包括：
STEP、iges
或其它
CAD
软件专用数据格式
。
[0016]所述步骤
1.2)
包括以下步骤：
[0017]1.2.1)
遍历模型中所有几何面，以及每个几何面邻接的几何面，构建模型零件的邻接图；
[0018]1.2.2)
针对待检索目标中几何面的邻接关系，构建目标特征的特征邻接图；
[0019]1.2.3)
模型的几何面中，选择邻接最多的几何面或者邻接面遍历顺序中的首个几何面为起点，在零件的邻接图中搜索子图，查询与特征邻接图相匹配的最小条件子图，作为加工特征；
[0020]1.2.4)
通过颜色和文本标注的语义信息，提取零部件三维模型的加工特征
。
[0021]所述步骤
1.3)
包括以下步骤：
[0022]1.3.1)
搭建基于
ResNet
的多视图卷积神经网络深度学习模型，将零部件三维模型的分类标签作为多视图卷积神经网络深度学习模型的分类标签；
[0023]1.3.2)
获取
STL
格式的零部件三维模型的多视图，基于多视图和标签对多视图卷积神经网络深度学习模型进行训练
。
[0024]所述步骤
2)
包括以下步骤：
[0025]2.1)
将边界表示法类型的待匹配三维模型，转换成
STL
格式；
[0026]2.2)
采用多视图卷积神经网络对待匹配三维模型进行分类和特征向量计算；
[0027]2.3)
将数据库中匹配特征向量与待匹配模型特征向量的间距从小到大排序，选择前若干个模型，完成三维模型的粗略匹配；
[0028]2.4)
根据待匹配三维模型中面的邻接拓扑关系和通过颜色和文本标注的语义信息，提取其加工特征；
[0029]2.5)
根据提取到的加工特征，在粗略匹配得到的相似模型中进一步匹配，得到加工特征的类型
、
数量
、
尺寸与待匹配模型最接近的模型，完成匹配，并从模型库中得到相应的加工数据
。
[0030]一种基于多视图和加工特征识别的
CAD
模型匹配系统，包括：
[0031]模型及数据库构建模块，用于获取零部件三维模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多视图和加工特征识别的
CAD
模型匹配方法，其特征在于，包括以下步骤：
1)
获取零部件三维模型，构造三维模型数据库，基于数据库，构建并训练基于
ResNet
的多视图卷积神经网络；
2)
利用训练好的多视图卷积神经网络，计算待匹配零件模型的加工特征，利用三维模型数据库进行待匹配零件模型的匹配，得到待匹配零件模型的加工信息
。2.
根据权利要求1所的一种基于多视图和加工特征识别的
CAD
模型匹配方法，其特征在于，所述步骤
1)
包括以下步骤：
1.1)
获取采用边界表示法建模的零部件三维模型，并根据属性进行分类，将属性作为分类标签，构造三维模型数据库，将模型库内所有模型转成
STL
格式；
1.2)
利用零部件三维模型中语义信息和拓扑结构，提取每个模型中的加工特征；
1.3)
将零部件三维模型作为输入，三维模型的分类标签作为输出，训练基于
ResNet
的多视图卷积神经网络；
1.4)
根据训练好的神经网络模型，计算每个零部件三维模型的特征向量，完成数据库的构建和多视图卷积神经网络的训练
。3.
根据权利要求2所的一种基于多视图和加工特征识别的
CAD
模型匹配方法，其特征在于，所述零部件三维模型的格式包括：
STEP、iges
或其它
CAD
软件专用数据格式
。4.
根据权利要求2所的一种基于多视图和加工特征识别的
CAD
模型匹配方法，其特征在于，所述步骤
1.2)
包括以下步骤：
1.2.1)
遍历模型中所有几何面，以及每个几何面邻接的几何面，构建模型零件的邻接图；
1.2.2)
针对待检索目标中几何面的邻接关系，构建目标特征的特征邻接图；
1.2.3)
模型的几何面中，选择邻接最多的几何面或者邻接面遍历顺序中的首个几何面为起点，在零件的邻接图中搜索子图，查询与特征邻接图相匹配的最小条件子图，作为加工特征；
1.2.4)
通过颜色和文本标注的语义信息，提取零部件三维模型的加工特征
。5.
根据权利要求2所的一种基于多视图和加工特征识别的
CAD
模型匹配方法，其特征在于，所述步骤
1.3)
包括以下步骤：
1.3.1)
搭建基于
ResNet
的多视图卷积神经网络深度学习模型，将零部件三维模型的分类标签作为多视图卷积神经网络深度学习模型的分类标签；
1.3.2)
获取
STL
格式的零部件三维模型的多视图，基于多视图和标签对多视图卷积神经网络深度学习模型进行训练
。6.
根据权利要求1所的一种基于多视图和加工特征识别的
CAD
模型匹配方法，其特征在于，所述步骤
2)
包括以下步骤：
2.1)
将边界表示法类型的待匹配三维模型，转换成
STL
格式；
2.2)
采用多视图卷积神经网络对待匹配三...

【专利技术属性】
技术研发人员：王宇，武琼，王挺，曾鹏，于子淳，邵一凡，
申请(专利权)人：沈阳智能机器人创新中心有限公司，
类型：发明
国别省市：