CN114626111B - 一种三维模型的特征识别方法、电子设备及存储介质 - Google Patents
一种三维模型的特征识别方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114626111B CN114626111B CN202210100687.0A CN202210100687A CN114626111B CN 114626111 B CN114626111 B CN 114626111B CN 202210100687 A CN202210100687 A CN 202210100687A CN 114626111 B CN114626111 B CN 114626111B
- Authority
- CN
- China
- Prior art keywords
- dimensional model
- feature
- topological
- file
- data
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种三维模型的特征识别方法,包括获取待识别文件的三维模型并对所述待识别文件的三维模型进行解析以得出拓扑几何数据;将待识别文件的三维模型的拓扑几何信息与系统中预先构建的三维模型特征识别器进行匹配以确定待识别文件的三维模型的特征的类别;其中,三维模型识别器包括每种类型的文件的三维模型的拓扑几何数据与对应类别的特征之间的关联关系。本发明能够解决现有技术中无法对模型特征识别的问题。本发明还公开一种三维模型的特征识别装置及存储介质。
Description
技术领域
本发明涉及CAD软件模型识别领域,尤其涉及一种三维模型的特征识别方法、电子设备及存储介质。
背景技术
对于当前主流的CAD软件来说,其均有自身的文件格式,比如ZW3D的Z3格式的文件。由于各个三维软件的不同,各个软件在交互过程中避免不了需要在CAD软件中导入其他的软件生成的模型文件,这样就需要CAD软件对导入的模型文件进行解析得出拓扑数据和几何数据。但是,导入的数据并不包含模型的特征信息,用户需要知道模型中包含哪些建模特征或某个面是由什么建模特征产生的,然而这些无从知晓,这样导致CAD软件无法对导入的三维模型进行特征解析,也不能够对导入的三维模型进行完整的加载。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种三维模型的特征识别方法,其能够解决现有技术中无法对导入到软件中的模型文件的特征进行识别的问题。
本发明的目的之二在于提供一种电子设备,其能够解决现有技术中无法对导入到软件中的模型文件的特征进行识别的问题。
本发明的目的之三在于提供一种存储介质,其能够解决现有技术中无法对导入到软件中的模型文件的特征进行识别的问题。
本发明的目的之一采用如下技术方案实现:
一种三维模型的特征识别方法,包括:
数据获取步骤:获取待识别文件的三维模型并对所述待识别文件的三维模型进行解析以得出拓扑几何数据;
识别步骤:将待识别文件的三维模型的拓扑几何信息与系统中预先构建的三维模型特征识别器进行匹配以确定待识别文件的三维模型的特征的类别;其中,三维模型特征识别器包括每种类型的文件的三维模型的拓扑几何数据与对应类别的特征之间的关联关系。
进一步地,所述三维模型特征识别器的构建过程具体包括:
数据集构建步骤:获取不同类型的文件三维模型,并对每种类型的文件的三维模型进行解析以得出对应的拓扑几何信息;以及获取每种类型的文件的三维模型的特征类别,并根据获取到的数据构建数据集;
三维模型特征识别器构建步骤:构建深度神经网络模型,并根据构建的数据集对深度神经网络模型进行训练以得出三维模型特征识别器。
进一步地,所述三维模型特征识别器构建步骤还包括:首先将所述数据集划分为训练集和测试集,再通过构建深度神经网络模型并根据所述训练集对构建的深度神经网络模型进行训练以得出三维模型特征识别器;最后根据所述测试集对训练得出的三维模型特征识别器进行验证以判断所述三维模型特征识别器是否符合预设要求,若是,则得出三维模型特征识别器;若否,则返回继续对深度神经网络模型进行训练或对数据集重新构建。
进一步地,所述深度神经网络模型构建步骤还包括:根据每种类型的文件的三维模型的拓扑几何信息构建拓扑表,并根据对应的拓扑几何信息生成以面为单位的若干个输入向量,将其作为深度神经网络模型训练时的深度神经网络模型的输入数据;为每个面确定特征类别并为特征类别进行编号,然后将特征类别的编号作为输出向量,并将其作为深度神经网络模型训练时的深度神经网络模型的输出数据。
进一步地,所述拓扑几何信息包括拓扑数据和几何数据;所述拓扑数据包括拓扑总体、流形实体容器、实体、壳体、面、环、环边、边和顶点;所述几何数据为Nurbs表达式,包括Nurbs曲线曲面,具体包括控制顶点、节点向量和次数。
进一步地,所述输入向量包括面属于实体还是片体、实体或片体的索引、面的索引、外环的数量、内环的数量、每个环的环边数量、环边的索引、环边对应边的索引、边的首尾端点的索引、面的Nurbs控制顶点、节点向量和次数;所述特征类别包括拉伸、旋转、扫略、圆角、倒角、拔模、孔和布尔。
进一步地,所述深度神经网络模型构建步骤还包括:对构建得出的每个输入向量进行预处理。
进一步地,所述识别步骤还包括:将待识别文件的三维模型的拓扑几何信息输入到系统构建的三维模型特征识别器以得出每种特征类别的条件概率,并将条件概率最大的特征类别作为待识别文件的特征类别。
本发明的目的之二采用如下技术方案实现:
一种电子设备,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述计算机程序为特征识别程序,所述处理器执行所述特征识别程序时实现如本发明的目的之一采用的一种三维模型的特征识别方法的步骤。
本发明的目的之三采用如下技术方案实现:
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有计算机程序,所述计算机程序为特征识别程序,所述特征识别程序被处理器执行如本发明的目的之一采用的一种三维模型的特征识别方法的步骤。
相比现有技术,本发明的有益效果在于:
本发明通过对不同类型的文件的三维模型进行解析以得出对应的拓扑几何信息,并根据拓扑几何信息以及三维模型的特征类别对构建的深度神经网络模型进行训练以得出三维模型特征识别器,然后将训练好的三维模型特征识别器应用到文件的三维模型的特征类别识别中,以解决现有技术中软件无法对导入的文件的三维模型的特征信息进行识别的问题。
附图说明
图1为本发明提供的一种三维模型的特征识别方法流程图;
图2为图1中的步骤S2的流程图;
图3为图2中的步骤S23的流程图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
本发明提供一种优选的实施例,一种三维模型的特征识别方法,如图1所示,包括以下步骤:
步骤S1、获取待识别文件的三维模型并对所述待识别文件的三维模型进行解析以得出拓扑几何数据。
本发明是对文件的三维模型的特征类别进行识别的,因此,首先需要对导入的待识别文件的三维模型进行解析以得出其对应的拓扑几何数据,以便后续根据拓扑几何数据对其特征类别进行识别。
步骤S2、将待识别文件的三维模型的拓扑几何信息与系统中预先构建的三维模型特征识别器进行匹配以确定待识别文件的三维模型的特征的类别。
优选地,三维模型特征识别器是预先构建的并存储于系统中,当获取到导入的待识别文件的三维模型的拓扑几何数据后,可将其代入到预先构建好的三维模型特征识别器中,实现对其特征类别进行识别。
优选地,由于数据统计学的理论,在识别时,每个特征类别的拓扑几何数据不可能完全一样,因此,步骤S2还具体包括:将待识别文件的三维模型的拓扑几何信息输入到三维模型特征识别器以得出每种特征类别的条件概率,并将条件概率最大的特征类别作为待识别文件的特征类别。也即,将匹配得出每种特征类别的条件概率进行对比,将条件概率最大的作为最终的结果即可。
本发明应用于各种3D模型加载软件中,比如CAD软件。当CAD软件中导入对应文件的三维模型时,首先加载三维模型的拓扑几何信息并构建拓扑表,然后经过三维模型特征识别器识别其中建模特征。
优选地,由于文件的类型有很多种,本发明还给出三维模型特征识别器的具体构建过程,包括:
步骤S21、获取不同类型的文件三维模型,并对每种类型的文件的三维模型进行解析以得出对应的拓扑几何信息。
步骤S22、获取每种类型的文件的三维模型的特征类别,并根据获取到的数据构建数据集。
也即,通过收集以往用户创建的不同类型的文件的三维模型,然后根据每个文件的三维模型获取对应的拓扑几何信息。本发明所涉及到的文件的三维模型不仅仅涉及到用户创建的,也可以由互联网上下载已存在的不同类型的文件的三维模型。
优选地,文件的三维模型的类型是指三维模型的格式。一般来说,不同的软件所生成的文件模型的格式不同,比如目前流行的通用软件生成的文件格式和第三方软件生成的文件格式。其中,通用软件可包括以下任意一种:IGES、STEP、VDA、Parasolid(X_T、X_B)、ACIS(SAT)等。第三方软件可包括以下任意一种:NX、SolidWorks、Inventor、CatiaV4\V5\V6、Cero\ProE、SolidEdge等。
优选地,拓扑几何信息包括拓扑数据和几何数据。其中,拓扑数据包括拓扑总体、流形实体容器、实体、壳体、面、环、环边、边和顶点。更为具体地,拓扑总体是最高级别的拓扑实体,它表示一个由连接实体组成的空间,包括流形对象和非流形对象。其中,对象可以为实体、蒙皮、表面模型等实体。每个拓扑实体都属于一个拓扑总体,并且拓扑总体包含流形实体容器。
流形实体容器,是流形拓扑总体或非流形拓扑总体的流形部分,包含一个或多个实体。比如:如果两个实体有一个公共边,它们必须属于两个单独的流形实体容器。
实体,是一个受连接边限制的空间,包含一个或多个壳体。比如,如果两个壳体有一个共同的面,则需要两个实体表示。
壳体,是组成实体的面的集合。其中,壳体可以是外部的,也可以是内部的;可以是开放的,也可以是闭合的。一个实体可以为包含一个外部开放的壳体,也可以为一个包含零个、一个或多个内部闭合壳体的外部闭合壳体。
面,是由一个或几个环组成的曲面,是组成壳体的单位。面是拓扑元素,对应的几何元素为曲面,曲面存储非均匀有理B样条曲面的组成信息。其中,曲面的Nurbs表达如下:
其中,其中,Wi,j为权重,Pi,j为控制点,Ni,p(u)是u方向p次B样条基函数,Ni,p(v)是v方向q次B样条基函数,m为u方向控制点数量,n为v方向控制点数量,S(u,v)为曲面的Nurbs表达。
环边,表示面上的二维环边,是组成环的基本单位。环边是拓扑元素,对应的几何元素是曲线。
边,表示位于面上的三维边,由两个顶点限定。边是拓扑元素,对应的几何元素是曲线。其中,该曲线的Nurbs表达如下:
顶点,限定一条边,并表示一个3D点。一条边具有两个顶点,也可以说两个顶点限定一条边,顶点为拓扑元素,对应的几何元素为点,每个点存储一个3D点的坐标信息。
几何数据,为Nurbs(非均匀有理B样条,Non-Uniform Rational B-Splines)表达式,包括Nurbs曲线曲面,具体包括控制顶点、节点向量和次数。
将文件模型导入到CAD软件中后,CAD软件会对文件的三维模型进行解析以得出拓扑几何信息,同时构建出对应的拓扑表。该拓扑表,用于存储解析得出的拓扑几何信息。由于现有的CAD软件无法得知文件模型的特征,导致CAD软件无法识别,因此,本发明通过收集以往不同类型的文件的三维模型的拓扑几何信息以及特征类别进行深度神经网络模型训练,以得出每种类型的文件的三维模型特征识别器,以便应用于CAD软件,使得CAD软件对模型特征进行识别,从而完整解析数据。因此,本发明先收集以往不同格式的文件的三维模型以及每种格式的文件的三维模型的拓扑几何信息,构成数据集,以便用于后续的深度神经网络模型训练。
步骤S23、构建深度神经网络模型,并根据构建的数据集对深度神经网络模型进行训练以得出三维模型特征识别器。
优选地,本发明通过采用深度神经网络模型来实现三维模型特征识别器的构建。
优选地,如图2所示,步骤S23还包括:
步骤S231、将数据集划分为训练集和测试集。
其中,训练集,用于深度神经网络模型训练。测试集,用于对训练完成的模型进行测试。通过将前述构建的数据集按照一定的方法进行划分,比如通过随机选择其中一部分数据作为训练集,另外一部分作为测试集。
步骤S232、构建深度神经网络模型,并根据训练集对构建好的深度神经网络模型进行训练以得出三维模型特征识别器。
根据前述的训练集中的数据对构建的深度神经网络模型进行训练,以得出每种格式的三维模型特征识别器,通过训练得出的三维模型特征识别器,以便为导入到CAD软件中的文件的三维模型进行特征识别。
优选地,当训练后的三维模型特征识别器,可能会达不到预设要求,因此,本发明还通过测试集对训练后的三维模型特征识别器进行验证,以验证训练后的三维模型特征识别器是否符合要求,以便提高后续特征识别的准确性。
步骤S233、通过测试集对三维模型特征识别器进行验证,以判断三维模型特征识别器是否符合预设要求,若是,则得到三维模型识别器;若否,则返回步骤S232继续根据训练集对构建的深度神经网络模型进行训练或返回步骤S231重新划分训练集和测试集后再进行深度神经网络模型的训练。
优选地,在构建数据集时,本发明还通过对每种类型的文件的三维模型的拓扑几何信息进行向量构建。具体地,步骤S21还包括:对每种类型的文件的三维模型进行解析以得出对应的拓扑几何信息并构建拓扑表,进而根据拓扑几何信息生成以面为单位的若干个输入向量。通过构建输入向量将其作为深度神经网络模型训练的输入向量。同时,本发明还确定每个面的特征类别,并对其进行编号,将特征类别的编号作为深度神经网络模型训练的输出向量。这样,将每种类型的文件的三维模型的输入向量和输出向量汇总后形成数据集。
其中,每个输入向量均包括以下数据:该面属于实体还是片体、实体或片体的索引、面的索引、外环的数量、内环的数量、每个环的环边数量、环边的索引、环边对应边的索引、边的首尾端点的索引、面的Nurbs控制顶点、节点向量和次数。
优选地,本发明的特征类别一般包括以下八种类型:拉伸、旋转、扫略、圆角、倒角、拔模、孔和布尔,通过为其进行编号,并将其作为深度神经网络模型训练的输出向量。
优选地,根据拓扑几何信息构建拓扑表具体包括:根据每种类型的文件的三维模型的拓扑几何信息得出三维边的几何数据,并将三维边的几何数据向曲面投影得到环边几何数据,构成拓扑表并为所有拓扑元素赋予索引信息。
其中,拓扑表的构建是按照自顶向下的顺序进行构建,具体地,按照拓扑总体、流形实体容器、实体、壳体、面、环、环边、边、顶点的顺序进行构建,并在构建壳体包含的面时存储每个面的所有环边、边的信息。
比如,对于一个文件的三维模型中的一个零件,首先存储一个拓扑总体,一个零件对应一个拓扑总体。拓扑总体没有几何信息,用于存储流形实体容器。
然后判断拓扑总体下的模型是否为流形实体容器,若是,则在拓扑总体下存储一个流形实体容器;若否,则对该模型的连接处进行分割,直到分割后的每个模型均为流形实体容器;同时,对分割后的每个模型创建一个流形实体容器,然后将每个流形实体容器存储在拓扑总体下。
在流形实体容器下为每一个独立的实体存储一个实体的几何数据。实体包括外部壳体和内部壳体,为每个壳体存储一个壳体的几何数据。壳体包括组成它的所有面,在壳体下存储每个面的数据。每个面下存储环的数据,可以有一个环或多个环。同时存储面的曲面的几何数据,曲面存储非均匀有理B样条曲面的组成信息。环下存储环边和边的数据,环边和边分别为二维边和三维边,环边和边各自存储自身对应的曲线的几何数据,曲线存储非均匀有理B样条曲线的组成信息。
也即,本发明通过上述构建拓扑表的方法对导入的每个文件的三维模型解析得出的拓扑几何信息进行存储。
优选地,在对深度神经网络模型训练之前,本发明还对输入向量和输出向量做相应的预处理,以提高后续深度神经网络模型训练的复杂度以及准确度。
本发明通过以三维模型的拓扑几何信息来作为特征提取要素,而不是像常用的点云、体素等离散的数据表现形式,本发明采用连续的数据表现形式能够更加精确的反应出模型的拓扑结构和任意位置的几何信息,通过面描述了模型的环、环边以及边的信息,拓扑元素的相邻关系与隶属关系被体现出来;同时,由于几何信息是以连续性的方式表达出来,面和边具有任意位置的几何信息。这种精确的几何表达方式还具有三维模型的参数空间的连续性信息,而离散的数据表现形式并不能够反馈出这一信息,本发明采用的深度神经网络模型训练更能体现出三维模型的数据全貌,可反馈出更多的曲线曲面的数学性质,更能提高特征识别的精准度。
通过将本发明训练得到三维模型特征识别器应用于软件的导入外部文件过程中,对导入的数据构建输入向量,并将构建的输入向量通过三维模型特征识别器进行模型特征的识别,为后续特征重构做基础。
对于现如今主流3D建模软件如NX、SolidWorks等都是直接对导入的文件进行数据读取,但是由于其无法表示模型具有哪些建模特征,因此,还需要工程师手动完成模型特征识别的后续工作;而通过本发明可自动对模型进行特征识别,不需要工程师手动操作,同时,本发明不依赖传统的人工经验和知识积累,不需要针对具体模型研究定向识别方案,而是根据大量正确拓扑几何信息得出的统计规律进行识别,符合人类根据规律总结经验教训的认知过程,而且识别的结果更符合宏观的整体规律,不会陷入局部最优解。
实施例二
基于实施例一,本发明还提供一种电子设备,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述计算机程序为特征识别程序,所述处理器执行所述特征识别程序时实现以下步骤:
数据获取步骤:获取待识别文件的三维模型并对所述待识别文件的三维模型进行解析以得出拓扑几何数据;
识别步骤:将待识别文件的三维模型的拓扑几何信息与系统中预先构建的三维模型特征识别器进行匹配以确定待识别文件的三维模型的特征的类别;其中,三维模型识别器包括每种类型的文件的三维模型的拓扑几何数据与对应类别的特征之间的关联关系。
进一步地,所述三维模型特征识别器的构建过程具体包括:
数据集构建步骤:获取不同类型的文件三维模型,并对每种类型的文件的三维模型进行解析以得出对应的拓扑几何信息;以及获取每种类型的文件的三维模型的特征类别,并根据获取到的数据构建数据集;
三维模型特征识别器构建步骤:构建深度神经网络模型,并根据构建的数据集对深度神经网络模型进行训练以得出三维模型特征识别器。
进一步地,所述三维模型特征识别器构建步骤还包括:首先将所述数据集划分为训练集和测试集,再通过构建深度神经网络模型并根据所述训练集对构建的深度神经网络模型进行训练以得出三维模型特征识别器;最后根据所述测试集对训练得出的三维模型特征识别器进行验证以判断所述三维模型特征识别器是否符合预设要求,若是,则得出三维模型特征识别器;若否,则返回继续对深度神经网络模型进行训练或对数据集重新构建。
进一步地,所述深度神经网络模型构建步骤还包括:根据每种类型的文件的三维模型的拓扑几何信息构建拓扑表,并根据对应的拓扑几何信息生成以面为单位的若干个输入向量,将其作为深度神经网络模型训练时的深度神经网络模型的输入数据;为每个面确定特征类别并为特征类别进行编号,然后将特征类别的编号作为输出向量,并将其作为深度神经网络模型训练时的深度神经网络模型的输出数据。
进一步地,所述拓扑几何信息包括拓扑数据和几何数据;所述拓扑数据包括拓扑总体、流形实体容器、实体、壳体、面、环、环边、边和顶点;所述几何数据为Nurbs表达式,包括Nurbs曲线曲面,具体包括控制顶点、节点向量和次数。
进一步地,所述输入向量包括面属于实体还是片体、实体或片体的索引、面的索引、外环的数量、内环的数量、每个环的环边数量、环边的索引、环边对应边的索引、边的首尾端点的索引、面的Nurbs控制顶点、节点向量和次数;所述特征类别包括拉伸、旋转、扫略、圆角、倒角、拔模、孔和布尔。
进一步地,所述深度神经网络模型构建步骤还包括:对构建得出的每个输入向量进行预处理。
进一步地,所述识别步骤还包括:将待识别文件的三维模型的拓扑几何信息输入到系统构建的三维模型特征识别器以得出每种特征类别的条件概率,并将条件概率最大的特征类别作为待识别文件的特征类别。
实施例三
一种存储介质,所述存储介质为计算机可读存储介质,其上存储有计算机程序,所述计算机程序为特征识别程序,所述特征识别程序被处理器执行以下步骤:
数据获取步骤:获取待识别文件的三维模型并对所述待识别文件的三维模型进行解析以得出拓扑几何数据;
识别步骤:将待识别文件的三维模型的拓扑几何信息与系统中预先构建的三维模型特征识别器进行匹配以确定待识别文件的三维模型的特征的类别;其中,三维模型识别器包括每种类型的文件的三维模型的拓扑几何数据与对应类别的特征之间的关联关系。
进一步地,所述三维模型特征识别器的构建过程具体包括:
数据集构建步骤:获取不同类型的文件三维模型,并对每种类型的文件的三维模型进行解析以得出对应的拓扑几何信息;以及获取每种类型的文件的三维模型的特征类别,并根据获取到的数据构建数据集;
三维模型特征识别器构建步骤:构建深度神经网络模型,并根据构建的数据集对深度神经网络模型进行训练以得出三维模型特征识别器。
进一步地,所述三维模型特征识别器构建步骤还包括:首先将所述数据集划分为训练集和测试集,再通过构建深度神经网络模型并根据所述训练集对构建的深度神经网络模型进行训练以得出三维模型特征识别器;最后根据所述测试集对训练得出的三维模型特征识别器进行验证以判断所述三维模型特征识别器是否符合预设要求,若是,则得出三维模型特征识别器;若否,则返回继续对深度神经网络模型进行训练或对数据集重新构建。
进一步地,所述深度神经网络模型构建步骤还包括:根据每种类型的文件的三维模型的拓扑几何信息构建拓扑表,并根据对应的拓扑几何信息生成以面为单位的若干个输入向量,将其作为深度神经网络模型训练时的深度神经网络模型的输入数据;为每个面确定特征类别并为特征类别进行编号,然后将特征类别的编号作为输出向量,并将其作为深度神经网络模型训练时的深度神经网络模型的输出数据。
进一步地,所述拓扑几何信息包括拓扑数据和几何数据;所述拓扑数据包括拓扑总体、流形实体容器、实体、壳体、面、环、环边、边和顶点;所述几何数据为Nurbs表达式,包括Nurbs曲线曲面,具体包括控制顶点、节点向量和次数。
进一步地,所述输入向量包括面属于实体还是片体、实体或片体的索引、面的索引、外环的数量、内环的数量、每个环的环边数量、环边的索引、环边对应边的索引、边的首尾端点的索引、面的Nurbs控制顶点、节点向量和次数;所述特征类别包括拉伸、旋转、扫略、圆角、倒角、拔模、孔和布尔。
进一步地,所述深度神经网络模型构建步骤还包括:对构建得出的每个输入向量进行预处理。
进一步地,所述识别步骤还包括:将待识别文件的三维模型的拓扑几何信息输入到系统构建的三维模型特征识别器以得出每种特征类别的条件概率,并将条件概率最大的特征类别作为待识别文件的特征类别。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (7)
1.基于深度学习的三维模型特征识别方法,其特征在于,所述三维模型特征识别方法包括以下步骤:
数据获取步骤:获取不同类型的文件的三维模型以及每种类型的文件的三维模型的拓扑几何信息并构建数据集;
模型构建步骤:创建深度神经网络模型,并根据所述数据集对所述深度神经网络模型进行训练以得出三维模型特征识别器;
识别步骤:获取待识别文件的三维模型并对所述待识别文件的三维模型进行解析以得出对应的拓扑几何信息,以及将待识别文件的三维模型的拓扑几何信息与所述三维模型特征识别器进行匹配以对待识别文件的三维模型的特征类别进行识别;所述数据获取步骤还包括:对每种类型的文件的三维模型进行解析以得出对应的拓扑几何信息并构建拓扑表,进而根据拓扑几何信息生成以面为单位的若干个输入向量,同时为每个面确定特征类别并为特征类别进行编号,然后将特征类别的编号作为输出向量,并与若干个输入向量汇总形成所述数据集;所述拓扑几何信息包括拓扑数据和几何数据;所述拓扑数据包括拓扑总体、流形实体容器、实体、壳体、面、环、环边、边和顶点;所述几何数据为Nurbs表达式,包括Nurbs曲线曲面,具体包括控制顶点、节点向量和次数;所述输入向量包括面属于实体还是片体、实体或片体的索引、面的索引、外环的数量、内环的数量、每个环的环边数量、环边的索引、环边对应边的索引、边的首尾端点的索引、面的Nurbs控制顶点、节点向量和次数;所述特征类别包括拉伸、旋转、扫略、圆角、倒角、拔模、孔和布尔。
2.根据权利要求1所述的基于深度学习的三维模型特征识别方法,其特征在于,所述模型训练步骤还包括:
数据集划分步骤:将所述数据集划分为训练集和测试集;
模型训练步骤:通过构建深度神经网络模型并根据所述训练集对构建的模型进行训练以得出三维模型特征识别器;
模型验证步骤:根据所述测试集对训练得出的三维模型特征识别器进行验证以判断所述三维模型特征识别器是否符合预设要求,若是,则得出三维模型特征识别器;若否,则执行模型训练步骤或数据集划分步骤。
3.根据权利要求1所述的基于深度学习的三维模型特征识别方法,其特征在于,根据拓扑几何信息构建拓扑表具体包括:根据每种类型的文件的三维模型的拓扑几何信息得出三维边的几何数据,并将三维边的几何数据向曲面投影得到环边几何数据,构成拓扑表并为所有拓扑元素赋予索引信息。
4.根据权利要求1所述的基于深度学习的三维模型特征识别方法,其特征在于,所述数据获取步骤还包括:对构建的每个输入向量进行预处理。
5.根据权利要求1所述的基于深度学习的三维模型特征识别方法,其特征在于,所述识别步骤还包括:将待识别文件的三维模型的拓扑几何信息输入到三维模型特征识别器以得出每种特征类别的条件概率,并将条件概率最大的特征类别作为待识别文件的特征类别。
6.基于深度学习的三维模型特征识别装置,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述计算机程序为三维模型特征识别程序,其特征在于,所述处理器执行所述三维模型特征识别程序时实现如权利要求1-5中任一项所述的基于深度学习的三维模型特征识别方法的步骤。
7.一种存储介质,所述存储介质为计算机可读存储介质,其上存储有计算机程序,所述计算机程序为三维模型特征识别程序,其特征在于:所述三维模型特征识别程序被处理器执行如权利要求1-5中任意一项所述的基于深度学习的三维模型特征识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210100687.0A CN114626111B (zh) | 2022-01-27 | 2022-01-27 | 一种三维模型的特征识别方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210100687.0A CN114626111B (zh) | 2022-01-27 | 2022-01-27 | 一种三维模型的特征识别方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114626111A CN114626111A (zh) | 2022-06-14 |
CN114626111B true CN114626111B (zh) | 2023-04-07 |
Family
ID=81898483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210100687.0A Active CN114626111B (zh) | 2022-01-27 | 2022-01-27 | 一种三维模型的特征识别方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626111B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975581B (zh) * | 2023-07-20 | 2024-04-26 | 快速直接(深圳)精密制造有限公司 | 一种基于step格式的钣金件快速识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529050A (zh) * | 2016-11-18 | 2017-03-22 | 中国航空综合技术研究所 | 一种产品三维模型数据检测方法、装置及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642062B (zh) * | 2021-10-18 | 2022-03-15 | 广州中望龙腾软件股份有限公司 | 三维模型的拓扑几何数据表示方法、终端、存储介质 |
-
2022
- 2022-01-27 CN CN202210100687.0A patent/CN114626111B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529050A (zh) * | 2016-11-18 | 2017-03-22 | 中国航空综合技术研究所 | 一种产品三维模型数据检测方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114626111A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8429174B2 (en) | Methods, systems, and data structures for performing searches on three dimensional objects | |
Liu et al. | Mesh segmentation via spectral embedding and contour analysis | |
CN110120097A (zh) | 大场景机载点云语义建模方法 | |
CN110059750A (zh) | 户型形状识别方法、装置和设备 | |
CN103310481B (zh) | 一种基于模糊熵迭代的点云精简方法 | |
CN105741355A (zh) | 一种三角网格模型的块分割方法 | |
US20130103365A1 (en) | Method and apparatus for detecting repetitive structures in 3d mesh models | |
CN111882666A (zh) | 三维网格模型的重建方法及其装置、设备、存储介质 | |
CN113095333B (zh) | 无监督特征点检测方法及装置 | |
CN114626111B (zh) | 一种三维模型的特征识别方法、电子设备及存储介质 | |
US20210117648A1 (en) | 3-dimensional model identification | |
Liu et al. | A novel rock-mass point cloud registration method based on feature line extraction and feature point matching | |
CN109886091B (zh) | 基于带权重局部旋度模式的三维人脸表情识别方法 | |
CN112085837B (zh) | 一种基于几何形状和lstm神经网络的三维模型分类方法 | |
CN113191311A (zh) | 矢量pdf图纸的填充边界识别方法、装置、设备及存储介质 | |
Guo et al. | SGLBP: Subgraph‐based local binary patterns for feature extraction on point clouds | |
CN116416377A (zh) | 针对薄壁管激光切割的加工特征的识别方法、装置及系统 | |
US11748943B2 (en) | Cleaning dataset for neural network training | |
CN114119930A (zh) | 基于深度学习的三维模型修正方法、装置及存储介质 | |
Brett et al. | A Method of 3D Surface Correspondence for Automated Landmark Generation. | |
CN117273963B (zh) | 基于车险场景的风险识别方法和装置 | |
Wu et al. | Application of Deep Learning for 3D building generalization | |
Ferrari et al. | Free-form feature representation and comparison | |
CN113971716B (zh) | 一种结合中轴点和最大内切球的孔隙网络模型构建方法 | |
CN116957991B (zh) | 三维模型补全方法 |
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 |