CN112699915A - 基于改进的图注意力网络识别cad模型装配接口的方法 - Google Patents

基于改进的图注意力网络识别cad模型装配接口的方法 Download PDF

Info

Publication number
CN112699915A
CN112699915A CN202011430609.4A CN202011430609A CN112699915A CN 112699915 A CN112699915 A CN 112699915A CN 202011430609 A CN202011430609 A CN 202011430609A CN 112699915 A CN112699915 A CN 112699915A
Authority
CN
China
Prior art keywords
graph
attention
cad model
data
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011430609.4A
Other languages
English (en)
Other versions
CN112699915B (zh
Inventor
王毅刚
李虹
潘万彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202011430609.4A priority Critical patent/CN112699915B/zh
Publication of CN112699915A publication Critical patent/CN112699915A/zh
Application granted granted Critical
Publication of CN112699915B publication Critical patent/CN112699915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Image Generation (AREA)

Abstract

本发明公开了一种用于CAD模型装配接口识别的方法。本发明包括如下步骤：步骤1：面向图注意力网络量化描述CAD模型，得到每个CAD模型的量化描述形式，构成数据集；步骤2：对步骤1中得到的数据集进行筛选，平衡各装配接口比例；步骤3：基于直推式和聚类策略修改图注意力神经网络，并训练步骤2中得到的数据集。本发明针对目前产品智能设计、装配规划以及运动仿真中CAD模型装配语义重建困难的问题，采用图注意力网络的方法进行识别，可以帮助用户识别CAD模型中用于体现机构语义信息的几何区域，进而提升产品模型装配语义、装配约束、运动机构恢复的智能性，并提升CAD模型重用的效率效果，以及产品装配规划设计的效率和效果。

Description

基于改进的图注意力网络识别CAD模型装配接口的方法
技术邻域
本发明涉及产品智能设计、装配规划、机构语义重建以及运动仿真中的CAD模型装配接口识别方法，尤其是基于图注意力网络的CAD模型装配接口识别方法。
背景技术
CAD模型中的装配接口，位于CAD模型表面，且用于与其他CAD模型相接触，并产生确定的相对运动，是产品(特别是复杂机械产品)机构功能的基本元素。CAD模型上装配接口的识别，是产品开展智能设计、装配规划、机构语义重建、运动仿真非常关键的技术。然而，作为体现高层运动语义信息的基本几何单元，装配接口在零件上的几何形状十分灵活，即使用于实现相同的运动方式，也可以由于具体设计需求的不同而具有不同的几何外形。
目前，CAD模型装配接口的识别主要依靠人工处理，费时低效，且对于工作人员的经验知识要求较高。少量装配接口自动识别的方法，即基于产品装配模型中CAD模型之间的装配约束推理装配接口，往往只适用于低运动副装配接口，如旋转接口、平移接口等，难以适用于高副装配接口的识别。另外，考虑到通过公共渠道获得(如网络模型数据库)的装配模型，通常几何约束并不完整，甚至没有，此时更加难以采用现有的方法开展装配接口的自动识别。
针对上述问题，对于经验关联的CAD装配模型接口的识别，适用基于深度神经网络进行学习和识别。尽管如此，目前深度神经网络主要用于二维的图像数据内容进行识别或理解，针对结构不规则的三维CAD模型开展研究的相关工作并不多见，直接能实现本发明目标的相关研究更是少见。
考虑到近些年有少量的图(深度)神经网络能够用于处理边界表示模型(CAD模型底层的数据结构)，且有较好的分类和识别效果，为此，本发明基于通过改进现有的图注意力网络开展CAD模型的装配接口识别。
发明内容
本发明的目的在于提供一种基于改进的图注意力网络识别CAD模型装配接口的方法。
为了使得发明的技术适用面广泛，本发明基于CAD模型底层的(公共的)边界表示方式进行装配接口识别。
本发明解决其技术问题所采用的技术方案是：
本发明使用改进的图注意力网络训练数据集，达到识别产品机构语义的目的，为产品机构语义重建做准备，包括如下步骤：
步骤1：面向图注意力网络量化描述CAD模型，得到每个CAD模型的量化描述形式，构成数据集；
步骤2：对步骤1中得到的数据集进行筛选，平衡各装配接口比例；
步骤3：基于直推式和聚类策略修改图注意力神经网络，并训练步骤2中得到的数据集。
进一步的，所述的步骤1中对CAD模型的量化描述，具体包括如下步骤：
1-1.使用图表示法将CAD模型转化为图结构，即无向图；
无向图根据CAD模型各个面的邻接关系建立，其中无向图中的节点表示CAD模型的各个面，无向图中的边表示该边连接的两个节点所对应的面之间相邻；
1-2.赋予无向图中每个节点以及每条边以属性信息，构造属性邻接图；属性邻接图包含图所对应CAD模型的拓扑信息、几何信息，主要表现在：
①属性邻接图保留了上一步骤中无向图的邻接关系信息；
②属性邻接图包含每个节点所对应的面的属性；
③属性邻接图包含条边的属性；
1-3.将属性邻接图以面特征文件与边特征文件的形式存储：
①每个CAD模型对应的属性邻接图的面特征文件以文本文档形式存储，文档的第一列为面ID号，最后一列为标注的标签信息，即面所属接口类型，其余列为面的特征信息；
②每个CAD模型对应的属性邻接图的边特征文件以文本文档形式存储，文档的第一列、第二列为该边所连接的两个面的ID号，其他列为边的特征信息。
进一步的，所述的步骤2中，对步骤1中得到的数据集进行筛选时，具体包括如下步骤：
2-1.标注数据集时，先导出各CAD模型每种接口面所占比例列表；
2-2.根据导出的列表分类数据集，并获取每个样本的标签数据；
2-3.从各分类中筛选一定数量的样本，组成误差范围内的均衡的数据集；所述的误差范围是指每两种标签样本数量相差不超过样本总数的百分之5。
进一步的，所述的步骤3中，对步骤2中得到的数据集进行训练，具体包括如下步骤：
3-1.对步骤2中得到的数据集进行数据预处理，并将预处理后的数据集划分为训练集和测试集；预处理后得到双索引数据、标签数据以及图注意力网络能够输入的属性邻接图(features，adj),其中features为无向图中节点的特征向量数据；adj为无向图带位置关系信息的邻接矩阵数据；所述的双索引数据用于定位每一个样本；标签数据用于训练过程中计算误差；
3-2.读取预处理后的数据：双索引数据、特征向量数据、位置邻接矩阵、标签数据；其中特征向量数据、位置邻接矩阵分别是属性邻接图中的features和adj；features从面特征文件中直接获取；adj从边特征文件中直接获取；双索引数据第一级索引为数据预处理时文件的访问顺序号，第二级索引为面的ID号；
3-3.对图注意力网络进行初步改进：
(1)增加图注意力层的输入参数——边特征；
(2)修改图注意力层的隐藏层数；
(3)修改图注意力层的多头注意力机制的头数；
(4)修改训练时的残差公式系数；
3-4.使用训练集对改进后的图注意力网络进行训练，得到收敛后的最优网络模型；
3-5.使用测试集对该最优网络模型进行测试，得到可视化的装配接口识别的准确率与误差变化曲线图；所述的误差变化曲线图由训练过程中每一时刻的计算的误差值连线组成；
3-6.根据分析结果，若识别准确率达到要求(百分之九十以上)，则结束训练，否则，调整网络模型的残差计算公式系数以及训练所用的数据集，返回步骤3-4。
本发明有益效果如下：
本发明对图注意力网络进行改进，改进后能够处理边特征数据，并对CAD模型的装配接口识别工作更具有针对性，即相对于未改进的图注意力网络，改进后的图注意力网络对装配接口识别准确率更高。
本发明使用改进后的图注意力网络进行训练后，测试该次训练中得到的最优网络模型，并分析可视化的装配接口分类的准确率与误差变化曲线图，判断模型是否过拟合或者欠拟合，根据分析结果，调整残差计算公式系数(即超参数)以及训练所用的数据集(根据经验和实验，各类模型装配接口在训练数据集中覆盖全面和均匀时训练效果更好)，从而提升网络模型的分类准确性。
本发明针对目前产品智能设计、装配规划以及运动仿真中CAD模型装配语义重建困难的问题，采用图注意力网络的方法进行识别，可以帮助用户识别CAD模型中用于体现机构语义信息的几何区域，进而提升产品模型装配语义、装配约束、运动机构恢复的智能性，并提升CAD模型重用的效率效果，以及产品装配规划设计的效率和效果。
附图说明
下面结合附图和具体实施方式对本发明每一个步骤进一步说明：
图1为一个简单的CAD模型。
图2为图1模型的属性邻接图。
图3为图1模型的面特征文件示例。
图4为图1模型的边特征文件示例。
图5为图注意力网络方法层次框架结构。
图6为图注意力网络训练所用数据集中各种标签样本数量的相对比例
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明基于Petar在2018年提出的图注意力网络上作针对性的改进。
步骤1：面向图注意力网络量化描述CAD模型，得到每个CAD模型的量化描述形式，构成数据集；
考虑到图注意力网络要求输入的是一个图，为此，本发明首先将CAD模型转化为图结构——属性邻接图。属性邻接图用于表示CAD模型边界表示中的拓扑信息和几何信息。CAD模型中的每个面，对应属性邻接图中的一个节点；面与面之间的相邻关系(公共边)，对应属性邻接图中节点之间的连接边。同时属性邻接图中的每个节点包含对应面的几何属性，如面几何方程、法向、面积等；每条边也包含相应的几何属性，如边几何方程、顶点具体坐标等。
根据属性邻接图需要包含的内容，本发明将每个CAD模型以面属性文件和边属性文件的方式分别存储其几何信息和拓扑信息。面属性文件包括该CAD模型各个面的ID号、面几何属性以及面所属接口类型标签。边属性文件包括该CAD模型的每条边以及边的几何属性，其中每条边以该边连接的两个面的ID号表示。
考虑到输入的数据为多张CAD模型的属性邻接图，且每一张属性邻接图不仅仅包含一个节点，所以需要创建索引数组定位每一个CAD模型的每一个面。将数据读取顺序作为访问每个CAD模型的索引号，每个CAD模型面的ID号作为访问每个面的索引号，双索引的方式能够帮助用户快速准确的读取数据。
由于图注意力网络对于训练和应用的数据(即图)不要求具有同样的规模(相同的图节点个数或相同的边数)，这使得它具备应用于本发明所面向的几何和拓扑复杂度均可能存在差异的CAD模型(对应规模不同的面属性邻接图)。
步骤1具体实现如下：
1-1.使用图表示法将CAD模型转化为图结构，即无向图
图表示法能够将CAD模型的每个面作为无向图(有向图)中的每个节点，CAD模型的边界作为连接节点的边。图1和图2显示了如何将CAD模型表示为无向图。
在图1中，1，2，3，4，5，6，7，8分别为该CAD模型的每个面的ID号。为了简洁易懂，图1选取了较为简单的模型。
1-2.赋予无向图中每个节点以及每条边以属性信息，构造属性邻接图。
图2(a)显示了图1中CAD模型各个面的连接关系，如1面和3面相邻，则有边相连，生成一个无向图，图2(b)中，A、B、C、D和a、b、c、d分别表示该CAD模型所对应无向图每个节点包含的特征信息以及每条边包含的特征信息，面特征信息和边特征信息分别存储在面特征文件和边特征文件中。
1-3.将属性邻接图以面特征文件与边特征文件的形式存储
面特征文件如图3所示，第一列为CAD模型(与图1中的CAD模型对应)各个面的ID号；而最后一列为在CAD模型上交互标注的各个面的接口类型；第二列至倒数第一列为各个面的特征信息，其中第二列为CAD模型各个面的几何类型，如ID为1的面几何类型为平面，记为0，ID为7的面几何类型为圆柱面，记为2，还有其他类型，但在图一模型中未出现；第三列为各个面的相对面积，即各个面的面积占模型总表面积的比例；第四列为各个面的内环与外环总数；第五列表示各个面的法向量是向模型内部还是外部。提取面的特征信息是为了这些信息的联合能够使得面的接口类型对其几何信息具有鲁棒性，并使得神经网络能够在这些信息中挖掘出最可以区分接口类型的隐藏特征。
边特征信息如图4所示，第一列与第二列内容为各个面的ID号，表示两面之间有边相连。第三列表示两个面之间的相对位置关系。
当然，面特征信息与边特征信息远不止这些，此处仅为举例说明。
步骤2.筛选数据集平衡各装配接口比例
考虑到海量的数据集样本难以获取，另一方面行业内装配接口的几何形状变数不多，也并不需要海量的数据集样本，但是对于相对小规模的数据集来说，各类别的样本数量不均衡会导致训练时模型偏向严重，甚至导致训练出来的分类器无效，如训练集的90％的样本是属于同一个类的，分类器很大概率会将所有的样本都分类为该类。
考虑到上述问题，需要平衡各类别装配接口样本的比例。本发明的平衡策略为：
2-1.标注数据集时，先导出各CAD模型每种接口面所占比例列表；
标注数据集时，导出各CAD模型每种接口面所占比例列表，列表中包含模型面总数，如图1示例模型中凸圆柱副占比12.5％，非接口面占比87.5％，模型总面数为8。
2-2.根据导出的列表分类数据集，并获取每个样本的标签数据；
根据导出的列表分类数据集，新建11个文件夹，分别命名为凹圆柱副、凸圆柱副、凹移动副、凸移动副、凹螺旋副、凸螺旋副、固定副、齿轮副、平面副、凹转动副、凸转动副，根据该模型除非接口面之外占比最大的接口面名称，将该模型拖入到相应的文件夹里，此处将图1示例模型拖入到“凸圆柱副”文件夹里。
2-3.从各分类中筛选一定数量的样本，组成误差范围内的均衡的数据集；所述的误差范围是指每两种标签样本数量相差不超过样本总数的百分之5。
步骤3.基于直推式和聚类策略适应性改进图注意力神经网络
考虑到大数据集难以获取的问题，本发明采用直推式学习进行训练。
根据直推式的观察训练的特点，要将所有CAD模型对应的属性邻接图一同放入训练模块，但训练时只计算训练集样本的预测结果与标签之间的损失，将模型库中训练集的每个CAD模型对应的属性邻接图的每个节点样本，作为一个输入单元，输入到图注意力网络中进行逐层训练。图注意力层的注意力机制的聚类策略为：假定在图中距离越近的节点其相似性越大。为了使得图注意力网络能够更好地识别CAD模型的装配接口，对现有的图注意力网络模型进行改进。
主要改进方面在于：
(1)增加图注意力层的输入参数——边特征；
(2)修改图注意力层的隐藏层数；
(3)修改图注意力层的多头注意力机制的头数；
(4)修改训练时的残差公式系数。
3-1.数据预处理
本发明中改进的图注意力网络接受的输入为CAD模型的属性邻接图(features，adj),其中features为无向图中节点的特征向量，只需将图2(b)中A、B、C、D取出组成特征向量即可。adj为无向图带位置关系信息的邻接矩阵，以下简称为位置邻接矩阵，其中位置关系信息表示边连接的两个节点所代表的两个模型面在空间中的相对位置，模型两个面之间的位置关系信息与邻接矩阵以一定的方式(如矩阵点乘)结合在一起，构成图神经网络的输入参数adj。
由于输入的数据为多张CAD模型的属性邻接图，且每一张属性邻接图不仅仅包含一个节点，即每个CAD模型不止包含一个面，所以需要创建索引数组定位每一个CAD模型的每一个面。我们将数据读取顺序作为访问每个CAD模型的索引号，每个CAD模型面的ID号作为访问每个面的索引号，双索引的方式能够帮助用户快速准确的读取数据。
根据双索引的方式，可以准确从面特征文件中提取出每个CAD模型各个面的features，并且边界表示法的模型拓扑信息很容易获取，只需要将获取到的拓扑信息(边特征文件)转换为邻接矩阵的方式存储起来即可，模型两个面之间的位置关系信息与邻接矩阵以一定的方式(如矩阵点乘)结合在一起，构成图神经网络的输入参数adj。
3-2.读取数据
如图5所示，将经过数据预处理的数据从数据预处理单元中读取出来，读取的信息包括：双索引数据(如12_1表示第12个CAD模型的第1个面)、特征向量数据、位置邻接矩阵、标签数据。
其中双索引数据用于定位每一个样本(CAD模型的每一个面)；特征向量数据是训练过程中要进行深度学习的对象，图注意力网络就是从特征向量数据中挖掘出最能区别CAD模型装配接口的隐藏特征向量(其维度不一定等于原特征向量)；位置邻接矩阵为图注意力层的关键参数，使得每个节点的所有邻居给该目标节点提供注意力系数；标签数据用于训练过程中计算误差。
3-3.改进图注意力网络
如图5所示，改进的图注意力网络有n层图注意力层、一个Relu单元和一个Softmax单元构成。在每一层注意力层使用多头注意力机制，K1到Kn表示多头注意力的头数，Ki>＝1(i＝1,2,…,n),当Ki＝1时，该注意力层使用的为普通的单头注意力机制,n根据经验一般取2-6之间，而Ki一般取1-8之间。
根据训练训练的准确率和误差变化曲线图，对现有的图组里网络模型进行分析和改进。
主要从以下几个方面进行改进：
(1)图注意力层的输入参数：Petar提出的图注意力网络的邻接矩阵不包含面之间的位置关系，改进后的为位置邻接矩阵，即将边特征信息用到图注意力层的计算中。
(2)图注意力层的隐藏层数：Petar提出的图注意力网络的隐藏层数适用于Cora等数据集的论文分类，而针对本发明工作的内容，该隐藏层数不能很好的挖掘出对CAD模型装配接口识别具有代表性的隐藏特征，隐藏层数从2改为3，发现误差变化曲线图振荡幅度变小。
(3)图注意力层的注意力机制：Petar提出的图注意力网络多头注意力机制的头数设为一个常量，未对不同层的图注意力层设置不同的头数，改进后的图注意力网络为不同的图注意力层设置了不同的头数，以便更好地挖掘隐藏特征，如将第一层注意力头数设为2，第2、3层设为4。
(4)训练时的残差公式系数常量：针对本发明工作内容，依照经验对残差公式系数作修改，如droupout的概率从0.5改为0.6、学习率从0.001改为0.05。
改进后的图注意力网络与现有的图神经网络相比，其不同之处在于可以处理边特征数据，并对CAD模型的装配接口识别工作更具有针对性，能够更好地挖掘出具有代表性地隐藏特征，在CAD模型装配接口识别工作中达到更好的准确率。
3-4.使用改进后的图注意力网络进行训练
将经过数据预处理单元的数据读取出来，放入改进后的图注意力网络中进行逐层训练，并生成可视化的装配接口分类的准确率与误差变化曲线图。
3-5.测试训练中得到的最优网络模型
分析可视化的装配接口分类的准确率与误差变化曲线图，判断模型是否过拟合或者欠拟合
3-6.分析结果
根据分析结果，若识别准确率达到要求，则结束训练，否则，调整残差计算公式(超参数)以及训练所用的数据集(根据经验和实验，各类模型装配接口在训练数据集中覆盖全面和均匀时训练效果更好)，从而提升网络模型的分类准确性，返回步骤3-4。
残差公式的调整即调整初次实验设置的超参数：droupout的概率、学习率、注意力头数、隐藏层数。而数据集的调整需要尽可能保证各种标签样本覆盖全面且均匀。如图6所示为各种标签样本数目直方图，第1种标签代表非接口样本，其他为接口样本，可以看见非接口面样本数目较多，这是符合实际情况且无法避免的，因此我们只能在保证接口面尽量多的基础上保证接口面样本的相对均匀。
在进行数次实验并调整之后得到结果，以示例模型为例，ID为7的模型面识别为凸圆柱副，其他模型面识别为非接口面。

Claims (5)

1.一种用于CAD模型装配接口识别的方法，其特征在于使用改进的图注意力网络训练数据集，达到识别产品机构语义的目的，为产品机构语义重建做准备，包括如下步骤：
步骤1：面向图注意力网络量化描述CAD模型，得到每个CAD模型的量化描述形式，构成数据集；
步骤2：对步骤1中得到的数据集进行筛选，平衡各装配接口比例；
步骤3：基于直推式和聚类策略修改图注意力神经网络，并训练步骤2中得到的数据集。
2.根据权利要求1所述的一种用于CAD模型装配接口识别的方法，其特征在于所述的步骤1中，对CAD模型的量化描述，具体包括如下步骤：
1-1.使用图表示法将CAD模型转化为图结构，即无向图；
无向图根据CAD模型各个面的邻接关系建立，其中无向图中的节点表示CAD模型的各个面，无向图中的边表示该边连接的两个节点所对应的面之间相邻；
1-2.赋予无向图中每个节点以及每条边以属性信息，构造属性邻接图；属性邻接图包含图所对应CAD模型的拓扑信息、几何信息，主要表现在：
①属性邻接图保留了上一步骤中无向图的邻接关系信息；
②属性邻接图包含每个节点所对应的面的属性；
③属性邻接图包含条边的属性；
1-3.将属性邻接图以面特征文件与边特征文件的形式存储：
①每个CAD模型对应的属性邻接图的面特征文件以文本文档形式存储，文档的第一列为面ID号，最后一列为标注的标签信息，即面所属接口类型，其余列为面的特征信息；
②每个CAD模型对应的属性邻接图的边特征文件以文本文档形式存储，文档的第一列、第二列为该边所连接的两个面的ID号，其他列为边的特征信息。
3.根据权利要求2所述的一种用于CAD模型装配接口识别的方法，其特征在于所述的步骤2中，对步骤1中得到的数据集进行筛选时，具体包括如下步骤：
2-1.标注数据集时，先导出各CAD模型每种接口面所占比例列表；
2-2.根据导出的列表分类数据集，并获取每个样本的标签数据；
2-3.从各分类中筛选一定数量的样本，组成误差范围内的均衡的数据集；所述的误差范围是指每两种标签样本数量相差不超过样本总数的百分之5。
4.根据权利要求2或3所述的一种用于CAD模型装配接口识别的方法，其特征在于所述的步骤3中，对步骤2中得到的数据集进行训练，具体包括如下步骤：
3-1.对步骤2中得到的数据集进行数据预处理，并将预处理后的数据集划分为训练集和测试集；预处理后得到双索引数据、标签数据以及图注意力网络能够输入的属性邻接图(features，adj),其中features为无向图中节点的特征向量数据；adj为无向图带位置关系信息的邻接矩阵数据；所述的双索引数据用于定位每一个样本；标签数据用于训练过程中计算误差；
3-2.读取预处理后的数据：双索引数据、特征向量数据、位置邻接矩阵、标签数据；其中特征向量数据、位置邻接矩阵分别是属性邻接图中的features和adj；features从面特征文件中直接获取；adj从边特征文件中直接获取；双索引数据第一级索引为数据预处理时文件的访问顺序号，第二级索引为面的ID号；
3-3.对图注意力网络进行初步改进：
(1)增加图注意力层的输入参数——边特征；
(2)修改图注意力层的隐藏层数；
(3)修改图注意力层的多头注意力机制的头数；
(4)修改训练时的残差公式系数；
3-4.使用训练集对改进后的图注意力网络进行训练，得到收敛后的最优网络模型；
3-5.使用测试集对该最优网络模型进行测试，得到可视化的装配接口识别的准确率与误差变化曲线图；所述的误差变化曲线图由训练过程中每一时刻的计算的误差值连线组成；
3-6.根据分析结果，若识别准确率达到要求(百分之九十以上)，则结束训练，否则，调整网络模型的残差计算公式系数以及训练所用的数据集，返回步骤3-4。
5.根据权利要求4所述的一种用于CAD模型装配接口识别的方法，其特征在于所述的步骤3-3中改进的图注意力网络，具体如下：改进的图注意力网络由n层图注意力层、一个Relu单元和一个Softmax单元构成；每一层图注意力层使用多头注意力机制，K1到Kn表示多头注意力的头数，Ki≥1,i＝1,2,3,…,n,当Ki＝1时，该注意力层使用的为普通的单头注意力机制,n取值在2-6之间，而Ki取值在1-8之间；
所述的图注意力层的输入参数：改进为位置邻接矩阵，即将边特征信息用到图注意力层的计算中；
所述的图注意力层的隐藏层数：隐藏层数从2改为3；
所述的图注意力层的注意力机制：为不同的图注意力层设置不同的头数，将第一层注意力头数设为2，第2、3层设为4；
所述的训练时的残差公式系数常量：将droupout的概率从0.5改为0.6、学习率从0.001改为0.05。
CN202011430609.4A 2020-12-07 2020-12-07 基于改进的图注意力网络识别cad模型装配接口的方法 Active CN112699915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011430609.4A CN112699915B (zh) 2020-12-07 2020-12-07 基于改进的图注意力网络识别cad模型装配接口的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011430609.4A CN112699915B (zh) 2020-12-07 2020-12-07 基于改进的图注意力网络识别cad模型装配接口的方法

Publications (2)

Publication Number Publication Date
CN112699915A true CN112699915A (zh) 2021-04-23
CN112699915B CN112699915B (zh) 2024-02-02

Family

ID=75505767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011430609.4A Active CN112699915B (zh) 2020-12-07 2020-12-07 基于改进的图注意力网络识别cad模型装配接口的方法

Country Status (1)

Country Link
CN (1) CN112699915B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119930A (zh) * 2022-01-27 2022-03-01 广州中望龙腾软件股份有限公司 基于深度学习的三维模型修正方法、装置及存储介质
CN114218859A (zh) * 2021-12-13 2022-03-22 杭州电子科技大学 一种基于人工神经网络的装配约束智能重建方法
CN114238676A (zh) * 2021-12-22 2022-03-25 芯勍(上海)智能化科技股份有限公司 一种基于图神经网络的mbd模型检索方法及装置
CN114996883A (zh) * 2022-07-18 2022-09-02 广州中望龙腾软件股份有限公司 基于t型槽型材的连接件装配方法、智能终端及存储介质
EP4198797A1 (en) * 2021-12-20 2023-06-21 Accenture Global Solutions Limited Three-dimension (3d) assembly product planning
CN116362127A (zh) * 2023-03-31 2023-06-30 西南大学 一种cad模型运动部件及运动属性联合解析方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875807A (zh) * 2018-05-31 2018-11-23 陕西师范大学 一种基于多注意力多尺度的图像描述方法
CN111428026A (zh) * 2020-02-20 2020-07-17 西安电子科技大学 一种多标签文本分类处理方法及系统、信息数据处理终端

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875807A (zh) * 2018-05-31 2018-11-23 陕西师范大学 一种基于多注意力多尺度的图像描述方法
CN111428026A (zh) * 2020-02-20 2020-07-17 西安电子科技大学 一种多标签文本分类处理方法及系统、信息数据处理终端

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114218859A (zh) * 2021-12-13 2022-03-22 杭州电子科技大学 一种基于人工神经网络的装配约束智能重建方法
EP4198797A1 (en) * 2021-12-20 2023-06-21 Accenture Global Solutions Limited Three-dimension (3d) assembly product planning
CN114238676A (zh) * 2021-12-22 2022-03-25 芯勍(上海)智能化科技股份有限公司 一种基于图神经网络的mbd模型检索方法及装置
CN114119930A (zh) * 2022-01-27 2022-03-01 广州中望龙腾软件股份有限公司 基于深度学习的三维模型修正方法、装置及存储介质
CN114119930B (zh) * 2022-01-27 2022-10-28 广州中望龙腾软件股份有限公司 基于深度学习的三维模型修正方法、装置及存储介质
CN114996883A (zh) * 2022-07-18 2022-09-02 广州中望龙腾软件股份有限公司 基于t型槽型材的连接件装配方法、智能终端及存储介质
CN116362127A (zh) * 2023-03-31 2023-06-30 西南大学 一种cad模型运动部件及运动属性联合解析方法及装置
CN116362127B (zh) * 2023-03-31 2024-04-19 西南大学 一种cad模型运动部件及运动属性联合解析方法及装置

Also Published As

Publication number Publication date
CN112699915B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN112699915B (zh) 基于改进的图注意力网络识别cad模型装配接口的方法
Vesanto Data exploration process based on the self-organizing map
DeFries et al. Multiple criteria for evaluating machine learning algorithms for land cover classification from satellite data
CN102314614B (zh) 一种基于类共享多核学习的图像语义分类方法
CN109408389A (zh) 一种基于深度学习的代码缺陷检测方法及装置
CN110532920A (zh) 基于FaceNet方法的小数量数据集人脸识别方法
CN108629367A (zh) 一种基于深度网络增强服装属性识别精度的方法
CN111783884B (zh) 基于深度学习的无监督高光谱图像分类方法
Hagg et al. Prototype discovery using quality-diversity
CN112102322A (zh) 一种基于多模态U-Net的断层识别方法
CN108846381B (zh) 基于最大边缘度量学习的sar图像变化检测方法
Jeong et al. A systemic approach to exploring an essential patent linking standard and patent maps: Application of generative topographic mapping (GTM)
Tu et al. Multiattribute sample learning for hyperspectral image classification using hierarchical peak attribute propagation
Yue et al. An unsupervised grid-based approach for clustering analysis
Lonij et al. Open-world visual recognition using knowledge graphs
CN117371511A (zh) 图像分类模型的训练方法、装置、设备及存储介质
CN117313932A (zh) 一种半监督矿产资源预测方法、装置、设备及存储介质
CN107729942A (zh) 一种结构化视图缺失数据的分类方法
CN114299330A (zh) 一种地震相分类方法
KR20220042783A (ko) 인공지능 모델 경량화 장치 및 방법
Lakshmi et al. A novel comprehensive investigation for enhancing cluster analysis accuracy through ensemble learning methods.
Su et al. Active learning based on SVM and representativity in a coal mining environment
Gao et al. ENHANCING MOTION CAPTURE TECHNOLOGY FOR YOUTH SPORTS TRAINING THROUGH DECISION TREE ALGORITHMS
CN118132738B (zh) 针对桥梁检评文本的抽取式问答方法
EP4177829A1 (en) Design of engineering components

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant