CN116798028A - 三维零件的尺寸自动标注方法 - Google Patents

三维零件的尺寸自动标注方法 Download PDF

Info

Publication number
CN116798028A
CN116798028A CN202310642808.9A CN202310642808A CN116798028A CN 116798028 A CN116798028 A CN 116798028A CN 202310642808 A CN202310642808 A CN 202310642808A CN 116798028 A CN116798028 A CN 116798028A
Authority
CN
China
Prior art keywords
feature
dimensional
geometric
features
marked
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.)
Pending
Application number
CN202310642808.9A
Other languages
English (en)
Inventor
李福刚
黄学良
秦垚
王蕾
吴为治
敬丹
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.)
General Engineering Research Institute China Academy of Engineering Physics
Original Assignee
General Engineering Research Institute China Academy of Engineering Physics
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 General Engineering Research Institute China Academy of Engineering Physics filed Critical General Engineering Research Institute China Academy of Engineering Physics
Priority to CN202310642808.9A priority Critical patent/CN116798028A/zh
Publication of CN116798028A publication Critical patent/CN116798028A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了三维零件的尺寸自动标注方法，涉及计算机技术领域，包括S1构建分层表达模型、特征类型库和特征标注规则库；S2获取待标注的三维零件，并提取待标注三维零件的几何元素及元素之间的结构关系作为几何元素集；S3利用分层表达模型识别待标注的三维零件的特征，并建立待标注的三维零件的特征结构树；S4利用特征标注规则库和特征结构树对待标注的三维零件进行定形尺寸标注和定位尺寸标注；本方法建立三维零件的特征类型库和标注规则库，以建模特征为基本标注单元，将对三维零件的尺寸标注问题转化为对建模特征的定形尺寸标注和定位尺寸标注问题，提高零件特征识别的准确率，保证标注结果的正确性和完整性，可以有效的满足实际工程的使用。

Description

三维零件的尺寸自动标注方法
技术领域
本发明涉及计算机技术领域，尤其涉及一种三维零件的尺寸自动标注方法。
背景技术
三维标注就是对二维工程图进行转化，将其工艺尺寸，技术要求及公差信息等全部集成到三维模型上，以此来替代二维图纸的作用。传统手工标注工作重复且工作量大，有时甚至大于建模工作量，标注效率低，还容易漏标、出错的情况。虽然三维标注技术已经成熟，但是三维自动标注技术尚处于发展阶段。通过三维尺寸自动标注，不但可以弱化对二维图纸的需要，还极大地提高了工作效率及标注结果的准确性。
国内外对三维模型尺寸自动标注的研究主要分为两部分，分别是从模型的几何信息(面、边和顶点)和模型的建模特征入手，给出了尺寸自动标注的理论方法。对于建模特征的定义，大多数研究者将它定义为三维模型中具有一定加工意义的区域，该区域由一系列的几何信息组成。
基于模型几何信息的尺寸自动标注以三维模型本身的点、线、面等几何元素为研究对象，尺寸标注主要是对几何元素进行定形与定位。由于其需要对模型的所有几何元素进行提取，从纯几何意义上讲，可以完整描述模型的形状，其标注结果完整度较高。但是该方法提取的是零件中散乱的点、线、面等纯几何元素，这些信息并没有结构化地组合起来而不能直接体现零件工艺尺寸等工程信息，基于此获取到的标注元素缺少相应的工程含义。并且，在后续计算时对标注元素的搜索是从整个零件的全局范围出发而使得搜索空间范围太广，进而使得标注元素的提取效率很低。另外，由于其尺寸标注直接针对点、线、面等几何元素的定位与定形，标注结果容易出现尺寸冗余和“刺猬”现象，尺寸标注难以满足实际工程标准，工程实用性较低。
基于特征模型的尺寸自动标注以零件特征为研究对象，以特征为标注的基本单元，对特征进行定形与定位标注。其标注结果对于零件工程信息的组织与表达更为准确，更易于实现符合国家标准规定的标注模式，因此更适用于产品的整个生命周期。但现有研究在模型特征的获取和识别上是一技术难点，其标注结果的准确率很大程度上取决于零件特征识别的准确率。由于现有特征识别技术难以实现完全准确的特征识别，所以其标注结果的正确性和完整性难以得到保障。
发明内容
本发明的目的就在于为了解决上述问题设计了一种三维零件的尺寸自动标注方法。
本发明通过以下技术方案来实现上述目的：
三维零件的尺寸自动标注方法，包括：
S1、构建分层表达模型、特征类型库和特征标注规则库，分层表达模型用于对几何元素进行分类，分层表达模型的分类结果包括零件层、特征层和几何层，几何层用于描述零件基本几何元素以及几何元素间的拓扑关系，特征层用于描述各个子特征以及特征间相互关系；特征类型库包括基本特征、附加特征和编辑特征；特征标注规则库包括每种特征类型对应的标注规则；
S2、获取待标注的三维零件，并提取待标注三维零件的几何元素及元素之间的结构关系作为几何元素集；
S3、利用分层表达模型识别待标注的三维零件的特征，并建立待标注的三维零件的特征结构树；
S4、利用特征标注规则库和特征结构树对待标注的三维零件进行定形尺寸标注和定位尺寸标注。
本发明的有益效果在于：本方法建立三维零件的特征类型库和标注规则库，以建模特征为基本标注单元，将对三维零件的尺寸标注问题转化为对建模特征的定形尺寸标注和定位尺寸标注问题，提高零件特征识别的准确率，保证标注结果的正确性和完整性，可以有效的满足实际工程的使用。
附图说明
图1是本发明三维零件的尺寸自动标注方法的流程图；
图2是本发明三维零件的几何元素提取流程图；
图3是本发明特征类型库的分类表；
图4是本发明分层表达模型的分类类型图；
图5是零件建模特征的组成形式；
图6是本发明凝聚层次聚类算法的流程图；
图7是本发明建立特征结构树的流程图；
图8是本发明特征识别的流程图；
图9是本发明实施例的桶装工装零件图；
图10是本发明实施例的桶装工装零件建立历史记录图；
图11是本发明桶装工装零件的特征识别图；
图12是本发明桶装工装零件的标注结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图，对本发明的具体实施方式进行详细说明。
三维零件的尺寸自动标注方法，包括：
S1、构建分层表达模型、特征类型库和特征标注规则库，分层表达模型用于对几何元素进行分类，分层表达模型的分类结果包括零件层、特征层和几何层，几何层用于描述零件基本几何元素以及几何元素间的拓扑关系，特征层用于描述各个子特征以及特征间相互关系；特征类型库包括基本特征、附加特征和编辑特征；特征标注规则库包括每种特征类型对应的标注规则；
S2、获取待标注的三维零件，并提取待标注三维零件的几何元素及元素之间的结构关系作为几何元素集；具体包括：
S21、读取待标注三维零件的零件信息，零件信息为三维零件参数信息；
S22、调用三维建模软件函数获取待标注三维零件的几何元素及元素之间的结构关系；
S23、对几何元素和结构关系进行结构化存储，形成几何元素结构化数据集。
S3、利用分层表达模型识别待标注的三维零件的特征，并建立待标注的三维零件的特征结构树；具体包括：
S31、利用深度卷积神经网络对几何元素集进行特征识别；
S32、利用卷积神经网络按照特征之间的相似关系，对特征识别的结果进行逐个判别；将同一建模特征内所包含的几何元素化分成一类，从而将几何元素集化分成n类；
S33、将任意两个类包含的几何元素共同输入卷积神经网络进行识别，计算与特征库中各建模特征的相似度，并根据相似度判断是否将输入的两个类进行合并构成一个新类；
S34、反复执行S33，直到类的数量为1，形成特征结构树。
S4、利用特征标注规则库和特征结构树对待标注的三维零件进行定形尺寸标注和定位尺寸标注，具体为：遍历特征结构树的每一个特征，根据特征标注规则库对每个特征内部分别进行定形尺寸标注，对特征间进行定位尺寸标注时，根据特征结构树对特征间的定位尺寸标注进行优先级排序，依次对特征进行定位尺寸的标注。
本发明三维零件的尺寸自动标注方法的工作原理如下：
三维零件几何元素的自动提取
机械零件的设计大都是在三维软件环境下对零件进行基于特征的造型，对特征与特征之间进行布尔运算组合形成零件的最终造型。无论一个零件多么复杂，通过建模过程中的系统软件所提供的参数化设计和特征编码功能，零件建模过程中的几何元素、特征之间的约束关系以及特征内部的形状参数等信息都被记录在零件的参数化设计历史中。通过系统软件读取三维零件参数信息，可以获取三维零件几何元素以及它们之间的结构关系。三维尺寸自动提取算法流程如图2所示。
现有的三维建模软件都提供开放的二次开发接口，可以实现三维模型内部几何元素的获取。通过三维设计软件提供的开放接口(API)获取到三维零件的几何元素及其结构关系之后，先对几何元素进行结构化存储，形成几何元素结构化数据集。零件几何元素的结构化数据集是后面进行分层聚类和特征识别的基础。
三维零件的特征建模
特征是由几何元素特定的位置关系与一定数量的面与边组成。GB/T24734-2009标准内的几何建模特征规范部分给出了三维CAD应用中几何建模特征的术语和定义、分类等方面的规范化要求。该标准将几何建模特征分为基本建模特征、附加建模特征和编辑操作特征几大类。参照此标准的分类原则，以这些特征为基础建立三维零件的特征基本类型库，作为三维零件自动标注的基本单元；三维零件的基本特征类型如图3所示。
参考GB/T24734-2009标准将几何建模特征分为基本建模特征、附加建模特征和编辑建模特征几大类，针对不同种类的特征建立特征标注元素及标注规则库。
大部分的特征(孔特征、圆角特征、倒角特征和阵列特征等)具有成熟的工程标注标准。对于已有成熟标注标准的特征，以特征为整体，依据工程标注标准，以固定模式建立特征标注规则库。对于没有成熟标注标准的特征，以特征面为尺寸标注基本单元体，对每一特征面提取标注元素对其进行分组，并依据分组结果划分尺寸标注集，并建立固定模式的特征标注规则库。
基本建模特征又称为主建模特征，用于构造零件的主体形状或基本元素。基本建模特征一般由草图特征通过拉伸、旋转、扫描和放样等方法获得。
a)草图特征(Sketch Feature)
草图是一种参数化特征，是应用草图工具绘制曲线轮廓，在添加约束后用于表达设计意图。如下表1所示，草图特征的标注元素包括：草图绘制面、草图几何、草图尺寸。
表1草图特征几何元素
b)拉伸特征(Extrude Feature)
平面上的草图沿该草图面的法线方向线性平移而生成的几何体称为拉伸特征。如下表2所示，拉伸特征的常用参数包括(但不仅限于)：草图特征、拉伸起始面、拉伸终止位置(或拉伸距离)、拉伸方向、拉伸方式。
表2拉伸特征几何元素
c)旋转特征(Revolve Feature)
位于草图平面上某直线轴一侧的草图轮廓绕该轴向旋转一定角度而生成的几何体称为旋转特征。如下表3所示，旋转特征的常用参数包括(但不仅限于)：草图特征、旋转轴线、旋转起始面(或起始角)、旋转终止位置(或终止角)、旋转方向、旋转方式(单向或双向)。
表3旋转特征几何元素
d)扫描特征(Sweep Feature)
平面上的草图垂直于某轨迹线方向移动，并保持草图平面与该轨迹线交点的位置和方向不变，由此移动生成的几何体。如下表4所示，扫描特征的常用参数包括(但不仅限于)：扫描轨迹线、草图特征及规定方向、扫描起始方向、扫描终止点。
表4扫描特征几何元素
e)放样特征(Loft Feature)
用2个或2个以上平面草图的轮廓按照一定规则连接形成的连续几何体或面片称为放样特征，该特征在规定截面上应满足已定义的草图轮廓形状和尺寸。如下表5所示，放样特征的常用参数包括(但不仅限于)：截面个数n、各截面草图、每个放样截面的控件位置、放样类型。用基本体素获得。
表5放样特征几何元素
附加建模特征又称为辅建模特征，通常不作为第一个特征出现。附加建模特征是对基本特征或其他附加建模特征的修饰或细化，如倒角、圆角、肋板等。
a)孔特征(Hole Feature)
孔特征是指按给定参数(如直径、深度等)在指定几何体上通过布尔差运算方式生成的几何孔。如下表6所示，各种类型的孔特征有不同的参数定义，以简单孔为例，其参数常包括(但不仅限于)孔直径、孔深、末端角。
表6孔特征几何元素
b)肋板特征(Rib Feature)
在几何体上生成的肋状凸起的特征。如下表7所示，肋板特征的参数常包括(但不仅限于)肋板草图、加厚方向、加厚类型、肋板厚度。
表7肋板特征几何元素
c)螺纹特征(Thread Feature)
在圆柱或圆锥等几何面上建立的表达螺纹特征的特征。如下表8所示，螺纹特征的常见参数包括(但不仅限于)大径、小径、螺距、线数、导程、牙型、螺纹旋合长度、螺纹旋向等。
表8螺纹特征几何元素
d)圆角特征(Round Feature)
在几何体上不同表面接合处建立具有圆角特征的特征。圆角特征的参数包括(但不仅限于)圆角边、圆角半径。
e)倒角特征(Chamfer Feature)
在几何体上不同表面接合处建立具有倒角特征的特征。对于倒角特征，不同倒角类型的参数有所不同，如下表9所示，如等边倒角(DxD型)的参数包括(但不仅限于)倒角边、倒角距离。
表9倒角特征几何元素
序号 标注参数 描述 限制条件
1 倒角边 添加倒角过渡的边 --
2 倒角距离D 倒角距离 D>0
f)抽壳特征(Shell Feature)
按照一定厚度和方向将几何体挖成壳状几何的特征。如下表10所示，抽壳特征的参数包括抽壳面、抽壳厚度等。
表10抽壳特征几何元素
序号 标注参数 描述 限制条件
1 抽壳厚度S 抽壳厚度 S>0或S<0
2 抽壳面SF 抽壳面 --
g)起模特征(DraftFeature)
按给定参数对几何体上的一个面或一系列面生成具有起模特征的特征。如下表11所示，起模特征的参数常包括中性面(边)、起模度、起模面、起模方向。
表11起模特征几何元素
序号 参数 描述 限制条件
1 中性面(边) 中性面(边) --
2 起模度 起模角度 30°>起模度>0
3 起模面 期末面 一个或多个
4 起模方向 起模方向 --
建立零件几何信息的分层表达模型
在三维设计软件中开展设计时，特征建模过程不仅记录了零件的特征信息，还记录了零件的点、线、面及其相互间的拓扑信息，所以特征建模过程所形成的三维零件特征库与特征标注规则库，为尺寸自动标注提供了技术基础。透过“零件-特征-几何”的分层表达模型，即可依层获取和组织零件的特征信息和几何信息，如图4所示。
几何层主要描述零件的点、线、面等基本几何元素以及几何元素间的拓扑关系，是零件特征模型的组成元素。特征层主要是各个子特征以及特征间相互关系的描述，是零件特征建模的核心和尺寸自动标注的基本单元。
基于建模特征的零件几何元素层次聚类方法
零件几何元素的分类是一个无监督学习问题。几何元素分类的目的是将零件的点、线、面及其相互间的拓扑信息，采用设定规则，通过无监督学习算法进行分类：识别特征空间内距离相近的几何元素并将其分配给具备相似元素的集群或组，而相似几何元素的集群或组便构成了零件的建模特征，为三维自动标注的基本单元，如图5所示。
凝聚层次聚类(AGglomerative NESting，AGNES)算法以自下而上的方式工作，先让所有几何元素分别成为一个单独的簇，然后通过“相似性”不断组合，直到最后只有一个簇为止，如图6所示。采用凝聚层次聚类算法，假设几何元素的类别之间存在层次结构，将样本聚到层次化的类中，采用特征识别算法识别能够构成建模特征的几何元素子集，用合并手段把样本从每个样本自成一簇到所有样本全为一簇的多级层次聚簇树。建立凝聚层次聚类方法，实现在几何空间内对三维零件的几何元素进行分类，分类的结果形成了几何元素的树状集群，最终便实现了零件的分层建模特征。
在几何空间内，通过对零件的几何元素进行凝聚层次聚类，最终建立三维模型的特征结构树，如图7所示。
通过聚合层次聚类算法，对三维模型建立分层的几何元素树簇。每一层的分类规则采用特征识别算法，算法的主要步骤为：
a)按照特征之间的相似关系，采用卷积神经网络进行几何元素的逐个判别；将同一建模特征内所包含的几何元素化分成一类，从而将几何元素集化分成n类；
b)将上一步中任意两个类包含的几何元素共同输入卷积神经网络进行识别，计算与特征库中各建模特征的相似度，相似度最高则两类间距离最短，从而合并距离最小的两个类，构建一个新类；
c)反复进行上一步，计算新类与本层各类的距离。如类的个数为1，终止计算，否则重复上一步。
开源的机器学习库sklearn中AgglomerativeClustering类已经实现了AGNES算法框架。
将AGNES算法的类间距离计算方式改为本发明描述的特征相似度指标，即可完成基于特征的零件几何元素层次聚类。
采用卷积神经网络(CNN)进行三维零件的特征识别
特征是由几何元素特定的位置关系与一定数量的面与边组成。依据在建模时所产生特征的几何信息和拓扑信息，基于开源神经网络架构TensorFlow和Keras搭建卷积神经网络，如图8所示，采用特征建模所形成的三维模型特征库进行模型训练，完成三维模型建模特征的识别。
三维模型几何元素集的向量化与特征标签编码
当前的深度学习网络都使用张量作为基本数据结构。因此，首先需要将三维模型的几何元素集表示为向量数据并做编码处理，由于三维模型的特征识别是一个多分类问题，因此将模型的特征标签列表进行one-hot编码，
维零件的特征识别是一个单标签多分类问题，每个样本只有一个类别。神经网络的最后一层采用全连接层(Dense层)，使用softmax进行激活，其单元个数等于模型特征的类别数。
编译模型。由于在计算损失函数时，三维零件的特征类别采用one-hot进行编码，那么使用分类交叉熵(sparse_categorical_crossentropy)作为损失函数训练卷积神经网络。
优化器，基于随机梯度下降SGD优化方法的改进变体，一种适合于卷积神经网络的优化方法；采用分类交叉熵损失函数，适用于多分类问题。
对卷积神经网络进行训练
将训练样本集输入上一步搭建的卷积神经网络进行训练，得到训练好的模型，并保存模型，由于在训练过程中，可能在某一代训练之后会出现在过拟合的问题。采用回调函数，此框架会自动保存训练过程中最优迭代次数的模型。
采用卷积神经网络进行三维零件的特征识别
读取待识别三维模型的几何元素集，采用训练好的卷积神经网络模型进行特征识别，按照凝聚层次聚类的步骤，建立特征结构树。
三维零件的自动标注
对于模型的自动标注，首先便是获取到零件的所有特征，建立三维模型的特征结构树。然后依次遍历每一个特征，根据建立的特征标注规则库，对每个特征内部分别进行定形标注，对特征间进行定位标注，从而完成对整个模型零件的尺寸标注。
对于定形尺寸的标注，基于本发明建立的特征标注规则对其进行标注。
对于特征间的定位尺寸标注，就要对特征进行优先级排序。依据层次聚类得到的层次化三维特征树状结构，对特征进行排序之后，依次对特征进行定位尺寸的标注。相同类型特征的优先级相同，不同类型特征的优先级不同，该值的大小决定了特征尺寸标注的次序，将同类型的特征加入对应数组。排序时按特征优先级从大到小进行，优先级相同则按轴向坐标值从小到大进行，最终完成特征间的定位尺寸标注。
采用三维设计软件开放接口对三维模型进行自动标注
在上述研究工作的基础上，通过搭建三维设计软件二次开发环境，采用本发明描述的规则和方法，可实现三维零件的尺寸自动标注。
实施例
如图9所示是一个桶状工装套件，内圆直径500mm，外圆直径600mm，高470mm。桶沿径向有直径40mm的阵列孔，轴向有20mm的阵列孔。在三维设计软件上，通过草图特征、拉伸特征、阵列特征、特征合并和镜像特征等共11个特征建模过程建成，如图10所示。
从图10中可知，对于一个具体的三维零件，用户可以清楚地了解特征1到特征11的具体类型，但是对于自动标注算法来说，基于现有的三维设计软件二次开发函数只能获取桶状工装零件的特征数量为11，并不能获取特定的特征种类。
三维零件建模特征与几何元素的提取
目前的三维设计软件都提供二次开发接口，方便用户根据业务需要在其基础上进行定制化的需求开发。搭建三维设计软件二次开发环境，获取三维零件的特征集(特征名未知)和几何元素集，并进行结构化存储。
图9所示的桶状工装零件获取到的特征集、几何元素集及其之间的相互关系如表12所示。
表12桶状工装零件的特征集和几何元素集
值得注意的是，此处只能获取到特征的数量和编号，并不能获取到具体的特征类型。将获取到的特征集与几何元素集存储到链表结构中。
三维零件的特征建模与特征标注规则库的建立
特征建模的指参照GB/T 24734-2009标准建立三维模型的特征种类库。特征标注规则库是指根据特征种类库，为每一类特征制定标注规则，从而形成特征标注规则库。
以三维零件的特征为基本标注单元，以特征所包含的几何元素集为标注对象，建立三维零件的特征标注规则库。
建立三维零件特征与几何元素的分层表达模型
基于表12中的几何特征集与几何元素集，建立由“零件层-特征层-几何元素层”组成的分层表达模型，如图11所示。
基于特征建模与特征标注规则库的三维零件特征识别方法
基于形成的特征种类库，采用深度学习算法，对图11中的特征1到特征11进行特征类型的识别，识别出桶装工装零件所包含的特征类型。
三维零件的尺寸自动标注
在完成特征识别之后，基于形成的特征标注规则库，通过搭建三维设计软件二次开发环境，使用二次开发函数，完成桶状工装零件的三维尺寸自动标注。
最终完成三维零件的尺寸自动标注，如图12所示。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (4)

1.三维零件的尺寸自动标注方法，其特征在于，包括：
S1、构建分层表达模型、特征类型库和特征标注规则库，分层表达模型用于对几何元素进行分类，分层表达模型的分类结果包括零件层、特征层和几何层，几何层用于描述零件基本几何元素以及几何元素间的拓扑关系，特征层用于描述各个子特征以及特征间相互关系；特征类型库包括基本特征、附加特征和编辑特征；特征标注规则库包括每种特征类型对应的标注规则；
S2、获取待标注的三维零件，并提取待标注三维零件的几何元素及元素之间的结构关系作为几何元素集；
S3、利用分层表达模型识别待标注的三维零件的特征，并建立待标注的三维零件的特征结构树；
S4、利用特征标注规则库和特征结构树对待标注的三维零件进行定形尺寸标注和定位尺寸标注。
2.根据权利要求1所述的三维零件的尺寸自动标注方法，其特征在于，在S3中包括：
S31、利用深度卷积神经网络对几何元素集进行特征识别；
S32、利用卷积神经网络按照特征之间的相似关系，对特征识别的结果进行逐个判别；将同一建模特征内所包含的几何元素化分成一类，从而将几何元素集化分成n类；
S33、将任意两个类包含的几何元素共同输入卷积神经网络进行识别，计算与特征库中各建模特征的相似度，并根据相似度判断是否将输入的两个类进行合并构成一个新类；
S34、反复执行S33，直到类的数量为1，形成特征结构树。
3.根据权利要求1所述的三维零件的尺寸自动标注方法，其特征在于，在S4中，遍历特征结构树的每一个特征，根据特征标注规则库对每个特征内部分别进行定形尺寸标注，对特征间进行定位尺寸标注时，根据特征结构树对特征间的定位尺寸标注进行优先级排序，依次对特征进行定位尺寸的标注。
4.根据权利要求1所述的三维零件的尺寸自动标注方法，其特征在于，提取待标注三维零件的几何元素及元素之间的结构关系包括：
S21、读取待标注三维零件的零件信息，零件信息为三维零件参数信息；
S22、调用三维建模软件函数获取待标注三维零件的几何元素及元素之间的结构关系；
S23、对几何元素和结构关系进行结构化存储，形成几何元素结构化数据集。
CN202310642808.9A 2023-06-01 2023-06-01 三维零件的尺寸自动标注方法 Pending CN116798028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310642808.9A CN116798028A (zh) 2023-06-01 2023-06-01 三维零件的尺寸自动标注方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310642808.9A CN116798028A (zh) 2023-06-01 2023-06-01 三维零件的尺寸自动标注方法

Publications (1)

Publication Number Publication Date
CN116798028A true CN116798028A (zh) 2023-09-22

Family

ID=88045577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310642808.9A Pending CN116798028A (zh) 2023-06-01 2023-06-01 三维零件的尺寸自动标注方法

Country Status (1)

Country Link
CN (1) CN116798028A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117034505A (zh) * 2023-10-09 2023-11-10 深圳市常丰激光刀模有限公司 三维模具结构参数化组装设计用自动标注尺寸方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117034505A (zh) * 2023-10-09 2023-11-10 深圳市常丰激光刀模有限公司 三维模具结构参数化组装设计用自动标注尺寸方法
CN117034505B (zh) * 2023-10-09 2024-01-26 深圳市常丰激光刀模有限公司 三维模具结构参数化组装设计用自动标注尺寸方法

Similar Documents

Publication Publication Date Title
CN109117560B (zh) 基于mbd的汽车典型机加工零件三维工艺设计方法及平台
US8429174B2 (en) Methods, systems, and data structures for performing searches on three dimensional objects
CN106599515B (zh) 基于stl网格特征识别的汽车覆盖件板料冲压工艺优选方法
CN101477529B (zh) 一种三维对象的检索方法和装置
CN104850633A (zh) 一种基于手绘草图部件分割的三维模型检索系统及方法
CN105354353A (zh) 一种基于mbd模型的加工特征识别和建模方法
Huang et al. An effective retrieval approach of 3D CAD models for macro process reuse
Guo et al. A hybrid 3D feature recognition method based on rule and graph
CN115661374B (zh) 一种基于空间划分和模型体素化的快速检索方法
CN116798028A (zh) 三维零件的尺寸自动标注方法
CN112396641A (zh) 一种基于全等二基线匹配的点云全局配准方法
CN108595631B (zh) 基于图谱理论的三维cad模型双层检索方法
CN110795835A (zh) 一种基于自动同步建模的三维工序模型逆向生成方法
Xú et al. STEP-NC based reverse engineering of in-process model of NC simulation
Hou et al. FuS-GCN: Efficient B-rep based graph convolutional networks for 3D-CAD model classification and retrieval
CN116662628A (zh) 一种基于复杂薄壁零件的三维cad模型检索方法
CN114398691A (zh) 一种轮胎模具二维视图智能设计方法及设备
CN117593204B (zh) 一种基于超体素邻近聚类的点云实例分割方法
CN111582053A (zh) 基于特征矩阵的毛坯模型复杂特征分层识别方法
CN115577696B (zh) 一种基于wbs树的项目相似度评估及分析方法
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
Takaishi et al. Free-form feature classification for finite element meshing based on shape descriptors and machine learning
CN117972813B (zh) 一种面向机加工零件的智能工艺方法、系统、设备及介质
CN116842740B (zh) 基于物元模型的加工特征智能识别方法
Shi et al. Recent Research and Prospect on Feature Recognition of Three-dimensional Model

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