一种B-Rep特征识别方法及计算机设备技术

本发明专利技术公开了一种B‑Rep特征识别方法及计算机设备，B‑Rep特征识别方法包括：S1、利用设定的翼面核获取B‑Rep数据的拓扑特征；S2、将拓扑特征与B‑Rep数据的几何特征输入预先构建的分类模块中，得到B‑Rep数据的特征识别结果；其中，拓扑特征包括B‑Rep数据中的每条有向边的邻域面信息、邻域边信息、邻域有向边信息。本发明专利技术实现了对CAD模型中特征的准确识别。

【技术实现步骤摘要】

本专利技术涉及计算机辅助设计/工艺规划/制造领域，具体涉及一种b-rep特征识别方法及计算机设备。

技术介绍

1、特征识别（feature recognition，fr）是实现计算机辅助设计（cad）、计算机辅助工艺规划（capp）和计算机辅助制造（cam）系统智能化集成的关键技术。传统的特征识别方法包括基于规则、基于图形和基于提示（hint-based）等方法，而近年来深度学习也逐渐应用于该领域。brepnet是当前用于cad模型特征识别的一种深度学习架构。

2、目前的cad模型特征识别研究主要依赖于深度学习，这类方法通过处理cad模型的边界表示数据（b-rep数据）或者点云数据来识别特征。然而，这些方法在面对实际工业场景中的复杂几何形状和拓扑结构时，往往存在识别精度不足的问题。

技术实现思路

1、本专利技术的目的在于提供一种b-rep特征识别方法及计算机设备，以实现对模型特征的准确识别。

2、为解决上述技术问题，本专利技术提供一种b-rep特征识别方法，包括：</p>

3、s1本文档来自技高网...

【技术保护点】

1.一种B-Rep特征识别方法，其特征在于，包括：

2.根据权利要求1所述的B-Rep特征识别方法，其特征在于，翼面核包括基本拓扑算子n、p、m、e、f；

3.根据权利要求1所述的B-Rep特征识别方法，其特征在于，B-Rep数据的几何特征的获取方法包括：

4.根据权利要求3所述的B-Rep特征识别方法，其特征在于，多键自注意力子网络包括多个自注意力编码器，不同自注意力编码器处理UV点阵数据的不同维度数据；UV点阵数据的某一维度数据输入自注意力编码器后，经过线性变换得到Query、Value以及多组不同的Key，每组Key与Query交互生成独立的注意...

【技术特征摘要】

1.一种b-rep特征识别方法，其特征在于，包括：

2.根据权利要求1所述的b-rep特征识别方法，其特征在于，翼面核包括基本拓扑算子n、p、m、e、f；

3.根据权利要求1所述的b-rep特征识别方法，其特征在于，b-rep数据的几何特征的获取方法包括：

4.根据权利要求3所述的b-rep特征识别方法，其特征在于，多键自注意力子网络包括多个自注意力编码器，不同自注意力编码器处理uv点阵数据的不同维度数据；uv点阵数据的某一维度数据输入自注意力编码器后，经过线性变换得到query、value以及多组不同的key，每组key与query交互生成独立的注意力权重分布，不同的注意力权重分布分别与value交互得到不同的上下文向量，多组上下文向量通过平均策略融合后输出为特征表示。

5.根据权利要求3所述的b-rep特征识别方法，其特征在于，几何特征的获取方法为：将面、边和有向边上的点阵信息与对应的特征矩阵在数据维度上对齐。

6.根据权利要求1所述的b-rep特征识别方法，其特征在于，分类模块包括神经网络、多个辅助分类器、主分类器、加权融合层；神经网络包括初始层、多个中间层、最终层，辅助分类器与中间层的数量相同...

【专利技术属性】
技术研发人员：易平，朱凌穹，胡建平，袁蒙，
申请(专利权)人：武汉益模科技股份有限公司，
类型：发明
国别省市：