CN116975581B - 一种基于step格式的钣金件快速识别方法 - Google Patents

一种基于step格式的钣金件快速识别方法 Download PDF

Info

Publication number
CN116975581B
CN116975581B CN202310897255.1A CN202310897255A CN116975581B CN 116975581 B CN116975581 B CN 116975581B CN 202310897255 A CN202310897255 A CN 202310897255A CN 116975581 B CN116975581 B CN 116975581B
Authority
CN
China
Prior art keywords
sheet metal
metal part
data
topological structure
topological
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
Application number
CN202310897255.1A
Other languages
English (en)
Other versions
CN116975581A (zh
Inventor
江慧明
黄红亮
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.)
Quick Direct Shenzhen Precision Manufacturing Co ltd
Original Assignee
Quick Direct Shenzhen Precision Manufacturing Co ltd
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 Quick Direct Shenzhen Precision Manufacturing Co ltd filed Critical Quick Direct Shenzhen Precision Manufacturing Co ltd
Priority to CN202310897255.1A priority Critical patent/CN116975581B/zh
Publication of CN116975581A publication Critical patent/CN116975581A/zh
Application granted granted Critical
Publication of CN116975581B publication Critical patent/CN116975581B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

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

Abstract

本发明涉及数字模型处理技术领域，尤其涉及一种基于STEP格式的钣金件快速识别方法，该方法包括以下步骤：基于STEP格式文件获取钣金件数据，根据钣金件数据进行拓扑结构分析，以生成钣金件线性拓扑结构数据；对钣金件数据进行非线性映射，生成钣金件拓扑网格结构，利用拓扑分析法对钣金件拓扑网格结构进行非线性拓扑结构拟合，生成钣金件非线性拓扑结构数据；根据钣金件线性拓扑结构数据及钣金件非线性拓扑结构数据进行拓扑数据挖掘，构建钣金件拓扑结构模型；对钣金件拓扑结构模型进行特征点提取，以生成钣金件拓扑结构特征点坐标；对钣金件拓扑结构模型进行坐标系映射，生成钣金件拓扑结构坐标模型；本发明实现了对钣金件的快速、准确识别。

Description

一种基于STEP格式的钣金件快速识别方法
技术领域
本发明涉及数字模型处理技术领域，尤其涉及一种基于STEP格式的钣金件快速识别方法。
背景技术
随着制造业的发展，钣金件的快速识别对于企业的生产效率和产品质量至关重要。然而，传统的钣金件识别方法存在一些挑战，钣金件识别困难、数据处理效率低下，导致钣金件准确度不高，因此，需要引入更加智能化，自动化的钣金件识别方法，种基于STEP格式钣金件的快速识别方法，通过国际标准的STEP格式描述钣金件数据，通过对钣金件线性拓扑结构数据的智能识别，用计算机视觉、图像处理和机器学习等相关技术对文件进行分析和识别，实现钣金件的快速、准确识别。
发明内容
本发明为解决上述技术问题，提出了一种基于STEP格式的钣金件快速识别方法，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种基于STEP格式的钣金件快速识别方法，包括以下步骤：
步骤S1：基于STEP格式文件获取钣金件数据，根据钣金件数据进行拓扑结构分析，以生成钣金件线性拓扑结构数据；
步骤S2：对钣金件数据进行非线性映射，生成钣金件拓扑网格结构，利用拓扑分析法对钣金件拓扑网格结构进行非线性拓扑结构拟合，生成钣金件非线性拓扑结构数据；
步骤S3：根据钣金件线性拓扑结构数据及钣金件非线性拓扑结构数据进行拓扑数据挖掘，构建钣金件拓扑结构模型；
步骤S4：利用特征工程算法对钣金件拓扑结构模型进行特征点提取，以生成钣金件拓扑结构特征点坐标；对钣金件拓扑结构模型进行坐标系映射，生成钣金件拓扑结构坐标模型；
步骤S5：根据空间变换技术对钣金件拓扑结构坐标模型进行非正交变换，以构建钣金件拓扑结构非正交变换模型；对钣金件拓扑结构非正交变换模型进行扭曲变换分析，生成钣金件扭曲结构数据；
步骤S6：利用深度学习算法对钣金件扭曲结构数据进行交互式可视化处理，以生成钣金件扭曲结构可交互视图；
步骤S7：利用循环卷积网络对钣金件扭曲结构数据进行模型构建，生成钣金件扭曲结构识别模型；以执行钣金件识别作业。
本发明通过STEP格式文件获取钣金件数据并进行拓扑结构分析，识别钣金件的基本拓扑结构，例如确定其边界、孔洞和连接关系等，这样的线性拓扑结构数据可以为后续步骤提供基础信息，并为钣金件的准确识别奠定基础，通过对钣金件数据进行非线性映射，并利用拓扑分析法对钣金件拓扑网格结构进行拟合，可以生成钣金件的非线性拓扑结构数据，这种非线性拓扑结构数据能够更准确地描述钣金件的形状、曲面和结构特征，有助于更精确地识别钣金件的复杂形状和变形，通过拓扑数据挖掘和钣金件线性拓扑结构数据及非线性拓扑结构数据的结合，构建钣金件的拓扑结构模型，这些模型能够综合考虑钣金件的线性和非线性拓扑特征，形成丰富的拓扑结构信息，进一步提高对钣金件的识别准确性，利用特征工程算法对钣金件拓扑结构模型进行特征点提取，并进行坐标系映射，生成钣金件的拓扑结构特征点坐标和拓扑结构坐标模型，这些特征点坐标和坐标模型能够更加明确地表示钣金件的关键特征，为后续步骤提供更丰富的信息基础，通过空间变换技术对钣金件拓扑结构坐标模型进行非正交变换，构建钣金件的拓扑结构非正交变换模型，并对其进行扭曲变换分析，生成钣金件的扭曲结构数据，这样的扭曲结构数据能够捕捉到钣金件的变形、扭曲和曲面特征，为深入了解钣金件的形状和变形提供更详细的信息，利用深度学习算法对钣金件的扭曲结构数据进行交互式可视化处理，生成钣金件的扭曲结构可交互视图，这样的可交互视图可以直观地展示钣金件的形状和变形情况，帮助用户更好地理解和分析钣金件的结构特征，利用循环卷积网络对钣金件扭曲结构数据进行建模，生成钣金件的扭曲结构识别模型，这个模型能够通过学习和训练，准确地识别钣金件的扭曲结构特征，为钣金件的自动化识别提供基础，通过该模型，可以对大量的钣金件进行快速而准确的识别，提高生产效率和质量控制的准确性。
优选地，步骤S6包括以下步骤：
步骤S61：利用聚类分析算法对钣金件扭曲结构数据进行频繁项集挖掘，生成钣金件扭曲结构特征聚类项集，
步骤S62：对钣金件扭曲结构特征聚类项集进行数据可视化处理，生成钣金件扭曲结构特征可视化视图；
步骤S63：利用JavaScript库对钣金件扭曲结构特征可视化视图进行交互化处理，生成钣金件扭曲结构可交互视图。
本发明通过聚类分析可以帮助识别出钣金件扭曲结构数据中出现频率较高的特征项集，通过挖掘频繁项集，可以发现在大量数据中出现的共同特征，有助于理解和描述钣金件扭曲结构的重要特征，聚类分析可以帮助识别出钣金件扭曲结构数据中出现频率较高的特征项集，通过挖掘频繁项集，可以发现在大量数据中出现的共同特征，有助于理解和描述钣金件扭曲结构的重要特征，将钣金件扭曲结构特征聚类项集转化为可视化视图，可以以直观的方式展示聚类结果，通过图表、图形和颜色编码等可视化方式，可以更清晰地观察和理解不同特征之间的关系和差异，将钣金件扭曲结构特征聚类项集转化为可视化视图，可以以直观的方式展示聚类结果，通过图表、图形和颜色编码等可视化方式，可以更清晰地观察和理解不同特征之间的关系和差异，通过添加交互功能，用户可以自由地浏览和探索钣金件扭曲结构的特征聚类视图，用户可以缩放、平移和旋转视图，以及选择感兴趣的区域进行详细观察，交互化处理允许用户根据需要进行自定义数据分析，用户可以选择特定的数据点或聚类簇，并获取相关的信息和统计数据，这有助于深入分析钣金件扭曲结构的特征模式，并发现其中的规律和趋势。
优选地，步骤S7包括以下步骤：
步骤S71：利用循环卷积网络对钣金件扭曲结构数据进行卷积预处理，生成钣金件扭曲结构特征样本集；
步骤S72：对钣金件扭曲结构特征样本集进行卷积数据切割，生成钣金件扭曲结构卷积特征序列；
步骤S73：利用膨胀卷积算法对钣金件扭曲结构卷积特征序列进行边缘特征加强处理，生成钣金件扭曲结构卷积特征网络；
步骤S74：利用多尺度采样算法对钣金件扭曲结构卷积特征网络进行空间金字塔池化多层采样，生成钣金件扭曲结构卷积特征图；
步骤S75：对钣金件扭曲结构卷积特征图进行模型构建，生成钣金件扭曲结构识别模型；以执行钣金件识别作业。
本发明通过循环卷积网络可以提取钣金件扭曲结构数据中的关键特征，通过卷积操作，网络能够捕捉到结构的局部和全局特征，并将其转化为机器学习算法可以理解和处理的形式，循环卷积网络可以提取钣金件扭曲结构数据中的关键特征，通过卷积操作，网络能够捕捉到结构的局部和全局特征，并将其转化为机器学习算法可以理解和处理的形式，循环卷积网络可以提取钣金件扭曲结构数据中的关键特征，通过卷积操作，网络能够捕捉到结构的局部和全局特征，并将其转化为机器学习算法可以理解和处理的形式，膨胀卷积算法可以增强钣金件扭曲结构卷积特征序列中的边缘特征，这有助于提升结构边缘的清晰度和可识别性，使得模型能够更准确地捕捉和描述钣金件扭曲结构的边界形状，通过多尺度采样算法，可以在不同层次上采集钣金件扭曲结构的特征，这种多层次的特征表示有助于提取结构的细节和整体信息，使得模型能够更全面地理解和区分不同类型的钣金件扭曲结构，通过对钣金件扭曲结构卷积特征图进行模型构建和训练，可以生成钣金件扭曲结构识别模型，该模型能够根据提供的特征图对钣金件进行准确的识别和分类，从而支持钣金件的自动化识别作业。
优选地，步骤S74包括以下步骤：
步骤S741：利用多尺度采样算法对钣金件扭曲结构卷积特征网络进行空间金字塔池化多层采样，生成钣金件扭曲结构特征卷积数据；
步骤S742：对钣金件扭曲结构特征卷积数据进行卷积特征映射，生成钣金件扭曲结构卷积特征向量；
步骤S743：利用钣金件扭曲结构卷积特征向量进行向量拼接，生成钣金件扭曲结构卷积特征图。
本发明通过多尺度采样算法，在不同的尺度上对钣金件扭曲结构特征进行采样，这样可以捕捉到结构特征的不同细节层次，从较小的局部特征到较大的整体特征，例如，较低的尺度可以提取细微的细节，而较高的尺度则可以捕捉到全局的结构形状，在多尺度采样的基础上，进行空间金字塔池化操作，这是一种对特征图进行空间维度上的分块处理，每个分块表示一个区域内的特征统计信息，通过金字塔池化，可以从不同尺度和不同级别的特征图中提取出更具代表性和鲁棒性的特征，通过对钣金件扭曲结构特征卷积数据进行卷积操作，可以将其映射为更高维度和抽象的特征表示，卷积操作能够捕捉到局部区域的关联性，并生成具有语义信息的特征映射，对于每个钣金件扭曲结构特征卷积数据，通过将其展开为一维向量，可以得到一个钣金件扭曲结构卷积特征向量，这个向量表示了钣金件的特征信息，可以被进一步用于后续的特征处理和模型构建，将钣金件扭曲结构卷积特征向量进行拼接，可以将不同的特征向量组合成一个更综合的特征图，这样做的好处是可以捕捉到不同层次的特征信息，从而提高识别模型对于钣金件扭曲结构的理解能力，将钣金件扭曲结构卷积特征向量进行拼接，可以将不同的特征向量组合成一个更综合的特征图，这样做的好处是可以捕捉到不同层次的特征信息，从而提高识别模型对于钣金件扭曲结构的理解能力。
附图说明
图1为本发明一种基于STEP格式的钣金件快速识别方法的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供一种基于STEP格式的钣金件快速识别方法。所述基于STEP格式钣金件的快速识别方法的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4，本发明提供了一种基于STEP格式钣金件的快速识别方法，所述方法包括以下步骤：
步骤S1：基于STEP格式文件获取钣金件数据，根据钣金件数据进行拓扑结构分析，以生成钣金件线性拓扑结构数据；
步骤S2：对钣金件数据进行非线性映射，生成钣金件拓扑网格结构，利用拓扑分析法对钣金件拓扑网格结构进行非线性拓扑结构拟合，生成钣金件非线性拓扑结构数据；
步骤S3：根据钣金件线性拓扑结构数据及钣金件非线性拓扑结构数据进行拓扑数据挖掘，构建钣金件拓扑结构模型；
步骤S4：利用特征工程算法对钣金件拓扑结构模型进行特征点提取，以生成钣金件拓扑结构特征点坐标；对钣金件拓扑结构模型进行坐标系映射，生成钣金件拓扑结构坐标模型；
步骤S5：根据空间变换技术对钣金件拓扑结构坐标模型进行非正交变换，以构建钣金件拓扑结构非正交变换模型；对钣金件拓扑结构非正交变换模型进行扭曲变换分析，生成钣金件扭曲结构数据；
步骤S6：利用深度学习算法对钣金件扭曲结构数据进行交互式可视化处理，以生成钣金件扭曲结构可交互视图；
步骤S7：利用循环卷积网络对钣金件扭曲结构数据进行模型构建，生成钣金件扭曲结构识别模型；以执行钣金件识别作业。
本发明通过STEP格式文件获取钣金件数据并进行拓扑结构分析，识别钣金件的基本拓扑结构，例如确定其边界、孔洞和连接关系等，这样的线性拓扑结构数据可以为后续步骤提供基础信息，并为钣金件的准确识别奠定基础，通过对钣金件数据进行非线性映射，并利用拓扑分析法对钣金件拓扑网格结构进行拟合，可以生成钣金件的非线性拓扑结构数据，这种非线性拓扑结构数据能够更准确地描述钣金件的形状、曲面和结构特征，有助于更精确地识别钣金件的复杂形状和变形，通过拓扑数据挖掘和钣金件线性拓扑结构数据及非线性拓扑结构数据的结合，构建钣金件的拓扑结构模型，这些模型能够综合考虑钣金件的线性和非线性拓扑特征，形成丰富的拓扑结构信息，进一步提高对钣金件的识别准确性，利用特征工程算法对钣金件拓扑结构模型进行特征点提取，并进行坐标系映射，生成钣金件的拓扑结构特征点坐标和拓扑结构坐标模型，这些特征点坐标和坐标模型能够更加明确地表示钣金件的关键特征，为后续步骤提供更丰富的信息基础，通过空间变换技术对钣金件拓扑结构坐标模型进行非正交变换，构建钣金件的拓扑结构非正交变换模型，并对其进行扭曲变换分析，生成钣金件的扭曲结构数据，这样的扭曲结构数据能够捕捉到钣金件的变形、扭曲和曲面特征，为深入了解钣金件的形状和变形提供更详细的信息，利用深度学习算法对钣金件的扭曲结构数据进行交互式可视化处理，生成钣金件的扭曲结构可交互视图，这样的可交互视图可以直观地展示钣金件的形状和变形情况，帮助用户更好地理解和分析钣金件的结构特征，利用循环卷积网络对钣金件扭曲结构数据进行建模，生成钣金件的扭曲结构识别模型，这个模型能够通过学习和训练，准确地识别钣金件的扭曲结构特征，为钣金件的自动化识别提供基础，通过该模型，可以对大量的钣金件进行快速而准确的识别，提高生产效率和质量控制的准确性。
本实施例中，参考图1所述，为本发明一种基于STEP格式的车床工艺识别方法的步骤流程示意图，在本实例中，所述基于STEP格式的车床工艺识别方法的步骤包括：
步骤S1：基于STEP格式文件获取钣金件数据，根据钣金件数据进行拓扑结构分析，以生成钣金件线性拓扑结构数据；
本实施例中，基于STEP格式文件获取钣金件数据，STEP（Standard for theExchange of Product model data）是一种通用的CAD/CAM数据交换格式，包含了钣金件的几何信息和属性数据，需要获取钣金件的STEP格式文件，可以通过文件导入或者接口调用等方式获取。使用STEP文件解析器，对STEP格式文件进行解析，从解析后的STEP文件中提取出钣金件的几何信息，包括各个面、边、点的坐标和连接关系等。这些几何信息描述了钣金件的形状和拓扑结构，基于钣金件的几何信息，进行拓扑结构分析。拓扑结构分析可以识别和建立钣金件中不同组件之间的连接关系，例如边与边的连接、点与边的连接等。这可以通过检测几何图形的相交、共面等特征来实现，根据拓扑结构分析的结果，生成钣金件的线性拓扑结构数据。线性拓扑结构数据是一种描述钣金件组件之间连接关系的数据结构。
步骤S2：对钣金件数据进行非线性映射，生成钣金件拓扑网格结构，利用拓扑分析法对钣金件拓扑网格结构进行非线性拓扑结构拟合，生成钣金件非线性拓扑结构数据；
本实施例中，钣金件的线性拓扑结构数据需要进行非线性映射，以生成拓扑网格结构。在非线性映射过程中，每个线性拓扑结构中的节点（例如面、边、点）都会被映射到拓扑网格结构中的对应位置，根据非线性映射的结果，生成钣金件的拓扑网格结构。拓扑网格结构通常由三角形、四边形或其他形状的网格单元组成，它们连接起来形成了钣金件的表面根据非线性映射的结果，生成钣金件的拓扑网格结构。拓扑网格结构通常由三角形、四边形或其他形状的网格单元组成，它们连接起来形成了钣金件的表面在拓扑分析法的基础上，根据钣金件的实际应力分布和其他设计要求，通过迭代的方式对拓扑网格结构进行调整和优化，以获得更符合设计要求的非线性拓扑结构据经过非线性拓扑结构拟合的拓扑网格结构，生成钣金件的非线性拓扑结构数据。这些数据包括连接关系、节点坐标、网格单元信息等，可以用于后续的结构分析、模拟仿真和优化设计等应用中。
步骤S3：根据钣金件线性拓扑结构数据及钣金件非线性拓扑结构数据进行拓扑数据挖掘，构建钣金件拓扑结构模型；
本实施例中，对载入的数据进行预处理，包括数据清洗、去除重复数据、处理缺失值等。确保数据的准确性和完整性，从线性拓扑结构数据和非线性拓扑结构数据中提取有用的特征。这些特征可以包括钣金件的几何信息（如面积、长度、曲率等）、节点连接关系、节点与材料的属性等，将线性拓扑结构数据和非线性拓扑结构数据进行融合，以便综合考虑两者的特点和信息。可以使用合适的数据融合方法，如连接、合并或叠加等，根据融合后的数据，使用适当的算法或模型进行拓扑数据挖掘与建模。常见的方法包括聚类分析、关联规则挖掘、决策树、神经网络等。选择合适的方法取决于具体任务的要求和数据的特征，对构建的拓扑结构模型进行评估，并根据评估结果进行必要的调整。评估可以基于预定义的评价指标，如精度、准确度、召回率等。如果模型表现不佳，可以尝试调整模型参数或采用其他算法进行优化。
步骤S4：利用特征工程算法对钣金件拓扑结构模型进行特征点提取，以生成钣金件拓扑结构特征点坐标；对钣金件拓扑结构模型进行坐标系映射，生成钣金件拓扑结构坐标模型；
本实施例中，使用特征工程算法从这些节点和连接关系中提取关键的特征点。这些特征点可以是节点、连接边的中点、拓扑结构的交点等，一旦特征点被提取出来，可以计算它们的坐标。坐标的计算可以基于钣金件拓扑结构模型的几何属性和连接关系。例如，可以使用节点坐标和连接关系定义一个相对坐标系统，并通过计算节点之间的相对位置来确定特征点的坐标，，钣金件拓扑结构模型可能是在某个局部坐标系下定义的，需要将其映射到全局坐标系中，钣金件拓扑结构模型可能是在某个局部坐标系下定义的，需要将其映射到全局坐标系中。
步骤S5：根据空间变换技术对钣金件拓扑结构坐标模型进行非正交变换，以构建钣金件拓扑结构非正交变换模型；对钣金件拓扑结构非正交变换模型进行扭曲变换分析，生成钣金件扭曲结构数据；
本实施例中，非正交变换是一种空间变换技术，用于对钣金件拓扑结构坐标模型进行形状变换。这种变换可以引入非对称性，并改变结构的形状和外观，在构建了非正交变换模型之后，对钣金件拓扑结构进行扭曲变换分析。扭曲变换可以通过施加扭转、弯曲或剪切等变形来引入局部形状的非对称性，扭曲变换可以基于物理原理、数学模型或仿真技术进行分析。常用的方法包括有限元分析、基于解析解的方法或仿真软件等，在扭曲变换分析中，可以对钣金件拓扑结构模型施加不同类型和程度的扭曲变形，并记录相应的变形参数和结果数据，扭曲变换分析完成后，根据所施加的扭曲变形和模拟结果，可以生成钣金件的扭曲结构数据，扭曲结构数据可以包括各个节点的坐标、连接边的长度和角度等信息。这些数据记录了钣金件在非正交变换和扭曲变换下的形状特征，生成的扭曲结构数据可以用于后续的结构分析、应力分析、优化设计或制造过程中的模具调整等。
步骤S6：利用深度学习算法对钣金件扭曲结构数据进行交互式可视化处理，以生成钣金件扭曲结构可交互视图；
本实施例中，利用训练好的深度学习模型对钣金件扭曲结构数据进行可视化处理，生成钣金件扭曲结构的可交互视图，可视化处理可以包括将节点和连接边表示为图形元素，在二维或三维平面上绘制出钣金件的形状，并根据扭曲结构数据的特征进行着色、标记或动态展示，生成的可交互视图可以通过交互操作来浏览和探索钣金件的扭曲结构，例如缩放、旋转、选择和标记等交互操作。
步骤S7：利用循环卷积网络对钣金件扭曲结构数据进行模型构建，生成钣金件扭曲结构识别模型；以执行钣金件识别作业。
本实施例中，对钣金件扭曲结构数据进行预处理，以便输入循环卷积网络进行模型构建。预处理可能包括数据清洗、归一化和转换等操作，设计并搭建包含循环卷积层的神经网络模型，用于钣金件扭曲结构的识别。循环卷积网络能够处理序列型数据，能够捕捉到扭曲结构的时序关系和局部特征，使用测试集评估训练好的循环卷积网络模型的性能。通过将测试集的数据输入模型，并与标注的真实类别进行对比，计算模型的准确率、精确率、召回率等评价指标，以评估模型的识别效果。
本实施例中，参考图2所述，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：基于STEP格式文件获取钣金件数据，钣金件数据包括钣金件几何结构数据、钣金件拓扑数据、钣金件材料属性数据、钣金件尺寸数据及钣金件工艺特征数据；
步骤S12：根据钣金件数据进行拓扑结构分析，生成钣金件拓扑结构数据；
步骤S13：利用边界提取算法对钣金件拓扑结构数据进行边界提取，生成钣金件拓扑结构边界数据；
步骤S14：对钣金件拓扑结构边界数据进行边界线化分析，以获取钣金件拓扑结构边界关联数据；
步骤S15：根据钣金件拓扑结构边界关联数据对钣金件拓扑结构边界数据进行线性化连接，以生成钣金件线性拓扑结构数据。
本发明通过STEP格式文件获取钣金件数据，这些数据的获取将为后续步骤提供全面的钣金件信息，有助于进行有效的分析和处理。根据钣金件数据进行拓扑结构分析，生成钣金件的拓扑结构数据。通过对钣金件的几何结构和拓扑数据进行分析，可以确定钣金件的结构和连接关系。这有助于理解钣金件的整体形态，识别其边界、孔洞、连接等重要特征，并为后续步骤提供基础数据。利用边界提取算法对钣金件的拓扑结构数据进行边界提取，生成钣金件的拓扑结构边界数据。边界提取是将钣金件的重要边缘信息提取出来，形成边界线的过程。这可以进一步突出钣金件的形状特征，减少干扰信息，为后续处理步骤提供更准确的数据。对钣金件的拓扑结构边界数据进行边界线化分析，以获取钣金件拓扑结构边界关联数据。边界线化是将钣金件的边界线进行分析和处理的过程。通过分析边界线的形态、关联关系等特征，可以进一步理解钣金件的结构特征和形变情况，为后续步骤提供更详细的数据基础。根据钣金件的拓扑结构边界关联数据，对钣金件拓扑结构边界数据进行线性化连接，生成钣金件的线性拓扑结构数据。线性化连接可以将钣金件的非线性拓扑结构转化为一系列线性数据，使其更易于处理和分析。这些线性拓扑结构数据可以用于进一步的建模、仿真和处理，为钣金件的分析和识别提供了更便利的基础。
本实施例中，获取钣金件的STEP格式文件，该文件包含了钣金件的几何结构数据、拓扑数据、材料属性数据、尺寸数据和工艺特征数据，提取相应的数据。可以使用专门的STEP解析库或者开发自己的解析器来读取文件中的信息，提取到的数据进行存储和整理，以便后续的拓扑结构分析和处理使用，使用获取到的钣金件数据，进行拓扑结构分析。拓扑结构分析旨在识别并描述钣金件的组件、孔洞、连接关系等，可以使用图论和拓扑分析的方法，通过对钣金件数据中的几何和拓扑信息进行处理，构建钣金件的拓扑结构模型，对拓扑结构数据进行边界提取，以获得钣金件的拓扑结构边界，边界提取算法可以根据钣金件的拓扑结构信息，识别出外轮廓边界和内部孔洞的边界，提取边界后，将其转换为边界线的形式进行存储和处理，提取边界后，将其转换为边界线的形式进行存储和处理，可以使用线段检测算法（如霍夫变换）来识别边界线段，通过对边界线段进行拟合和连接，可以获得边界线之间的拓扑关系和连接关系，根据钣金件拓扑结构边界关联数据，对钣金件拓扑结构边界进行线性化连接，通过将边界线段进行合并和连接，生成钣金件的线性拓扑结构数据，线性化后的数据可以更方便地分析和处理，例如进行形状匹配、特征提取或后续工艺分析。
本实施例中，参考图3所述，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：对钣金件线性拓扑结构数据进行网格化设计，生成钣金件拓扑结构网格控制点；
步骤S22：基于钣金件拓扑结构网格控制点对钣金件数据进行非线性映射，生成钣金件拓扑网格结构；
步骤S23：利用拓扑分析法对钣金件拓扑网格结构进行拟合分析，生成钣金件拓扑结构拟合约束数据；
步骤S24：根据钣金件拓扑结构拟合约束数据对钣金件线性拓扑结构数据进行非线性拓扑结构拟合，生成非线性拓扑结构数据；
步骤S25：利用迭代优化算法对非线性拓扑结构数据进行拓扑结构拟合优化，生成钣金件非线性拓扑结构数据。
本发明通过网格化设计是将线性拓扑结构数据转化为离散网格控制点的过程，通过网格化，可以将钣金件的拓扑结构划分为小块区域，为后续步骤提供更便捷的数据处理方式，这有助于对钣金件进行更精细的分析和建模，网格化设计是将线性拓扑结构数据转化为离散网格控制点的过程，通过网格化，可以将钣金件的拓扑结构划分为小块区域，为后续步骤提供更便捷的数据处理方式，这有助于对钣金件进行更精细的分析和建模，网格化设计是将线性拓扑结构数据转化为离散网格控制点的过程，通过网格化，可以将钣金件的拓扑结构划分为小块区域，为后续步骤提供更便捷的数据处理方式，这有助于对钣金件进行更精细的分析和建模，网格化设计是将线性拓扑结构数据转化为离散网格控制点的过程，通过网格化，可以将钣金件的拓扑结构划分为小块区域，为后续步骤提供更便捷的数据处理方式，这有助于对钣金件进行更精细的分析和建模，迭代优化算法是通过反复调节非线性拓扑结构的参数和形态，使其在拟合约束条件下达到最优状态，这有助于进一步优化模型，提高拓扑结构的合理性和完整性，通过迭代过程，可以逐步逼近最优解，得到更精确的非线性拓扑结构数据。
本实施例中，基于钣金件的线性拓扑结构数据，进行网格化设计，网格化是将钣金件拓扑结构划分为网格的过程，首先确定网格的控制点，控制点是网格的顶点，它们决定了网格的形状和分布，根据钣金件的形状和要求，选择合适的网格规则和划分方式，并在钣金件的线性拓扑结构上放置网格控制点，确定网格控制点的位置后，可以根据控制点之间的连接关系生成钣金件的拓扑结构网格，使用钣金件的拓扑结构网格控制点，进行非线性映射，非线性映射将网格控制点映射到原始钣金件的形状上，通过插值或变形等方法，将网格控制点的位置映射到对应的物理位置，使得生成的拓扑网格结构与原始钣金件的形状相匹配，对钣金件的拓扑网格结构进行拟合分析，以识别拓扑结构的特征和约束，拓扑分析方法可以使用图论、网络分析或拓扑学等技术，通过分析网格的连接关系和边界约束，提取和建立钣金件拓扑结构的拟合约束数据，拟合约束数据包括连接关系、长度、角度、对称性等信息，用于描述和约束非线性拓扑结构的形状特征，根据钣金件拓扑结构的拟合约束数据，对线性拓扑结构数据进行非线性拟合，通过调整网格控制点的位置，使得生成的非线性拓扑结构与拟合约束尽可能符合，并保持与原始钣金件的形状一致，通过调整网格控制点的位置，使得生成的非线性拓扑结构与拟合约束尽可能符合，并保持与原始钣金件的形状一致，对生成的非线性拓扑结构数据进行拓扑结构的优化，使用迭代优化算法，通过调整网格控制点的位置，进一步优化拓扑结构的形状和拟合质量，优化的目标可以包括最小化形状误差、最大化拟合约束的符合度、改善平滑度等，通过迭代优化过程，不断调整和优化非线性拓扑结构，最终生成钣金件的非线性拓扑结构数据。
本实施例中，参考图4所述，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：根据钣金件线性拓扑结构数据及钣金件非线性拓扑结构数据进行节点连接分析，以生成钣金件线性拓扑结构节点匹配数据；
步骤S32：根据钣金件线性拓扑结构节点匹配数据利用插值算法对钣金件线性拓扑结构进行数据整合，生成钣金件拓扑特征结构数据；
步骤S33：对钣金件拓扑特征结构数据进行拓扑数据挖掘，构建钣金件拓扑结构模型；
本发明通过分析钣金件的节点连接关系，可以确定各个节点之间的连接方式和连接强度，这有助于理解钣金件的结构特征，并为后续的数据整合和拓扑结构模型构建提供基础，通过节点连接分析，可以生成钣金件的线性拓扑结构节点匹配数据，这些节点匹配数据记录了钣金件中各个节点的标识信息以及它们之间的连接关系，这一步骤的有益效果是为后续的数据整合和拓扑结构分析提供准确的数据基础，通过节点连接分析，可以生成钣金件的线性拓扑结构节点匹配数据，这些节点匹配数据记录了钣金件中各个节点的标识信息以及它们之间的连接关系，这一步骤的有益效果是为后续的数据整合和拓扑结构分析提供准确的数据基础，经过数据整合，得到的拓扑特征结构数据记录了钣金件的各个节点的位置、连接关系等重要信息，这些数据描述了钣金件的整体形态和结构特征，为后续的拓扑数据挖掘和模型构建提供了基础，经过数据整合，得到的拓扑特征结构数据记录了钣金件的各个节点的位置、连接关系等重要信息，这些数据描述了钣金件的整体形态和结构特征，为后续的拓扑数据挖掘和模型构建提供了基础，经过数据整合，得到的拓扑特征结构数据记录了钣金件的各个节点的位置、连接关系等重要信息，这些数据描述了钣金件的整体形态和结构特征，为后续的拓扑数据挖掘和模型构建提供了基础，经过数据整合，得到的拓扑特征结构数据记录了钣金件的各个节点的位置、连接关系等重要信息，这些数据描述了钣金件的整体形态和结构特征，为后续的拓扑数据挖掘和模型构建提供了基础。
本实施例中，收集钣金件的线性拓扑结构数据和非线性拓扑结构数据。线性拓扑结构数据指钣金件主要的直线、曲线边界信息，非线性拓扑结构数据指钣金件内部的复杂形状、孔洞等信息，在线性拓扑结构数据中标记节点。节点可以是关键点、角点、边界点等。这些节点的选择应基于具体应用的需要，将非线性拓扑结构数据中的节点与线性拓扑结构数据中的节点进行连接匹配。匹配可以基于节点的位置、特征、邻接关系等，将每个非线性节点与其对应的线性节点建立匹配关系，生成钣金件线性拓扑结构节点匹配数据。匹配数据记录了每个非线性节点对应的线性节点的信息，利用钣金件线性拓扑结构节点匹配数据，我们可以对线性拓扑结构进行数据整合，以生成拓扑特征结构数据，使用插值算法对线性节点和其对应的非线性节点之间的位置关系和特征属性进行推断和估算。插值算法可以根据已知节点的信息，预测未知节点的位置和属性，通过插值算法得到的节点信息，可以将线性拓扑结构数据与非线性拓扑结构数据进行整合，生成钣金件的拓扑特征结构数据。这些数据综合了线性和非线性拓扑信息，提供了更全面和详细的描述，钣金件的拓扑特征结构数据包含了丰富的拓扑信息。在本步骤中，可以进行拓扑数据挖掘，以发现其中隐藏的结构特征，使用数据挖掘算法和拓扑分析方法，对钣金件的拓扑特征结构数据进行分析。可以识别出拓扑结构中的重要节点、连通性模式和组织结构等信息，根据挖掘到的拓扑特征，可以构建钣金件的拓扑结构模型。这个模型可以用于进一步的分析、优化和应用，例如钣金件的设计改进、应力分析和优化等。
本实施例中，步骤S4包括以下步骤：
步骤S41：利用特征工程算法对钣金件拓扑结构模型进行特征点提取，生成钣金件拓扑结构特征点数据；
步骤S42：基于钣金件拓扑结构模型利用迭代最近点算法对钣金件拓扑结构特征点数据进行数据配准，生成钣金件拓扑结构特征点坐标；
步骤S43：利用钣金件拓扑结构最小误差计算公式对钣金件拓扑结构特征点坐标进行最小误差映射参数计算，生成钣金件拓扑结构坐标映射参数；
步骤S44：根据钣金件拓扑结构坐标映射参数对钣金件拓扑结构模型进行坐标系映射，以生成钣金件拓扑结构坐标模型；
本发明通过特征工程算法可以通过分析钣金件拓扑结构模型的几何特征、形状特征等，自动提取出具有重要信息和代表性的特征点，这些特征点可以有效地概括钣金件的拓扑结构，有助于后续的数据配准和坐标映射过程，通过特征点提取，可以将原始的钣金件拓扑结构模型数据转化为较低维度的特征点数据，这样可以降低数据的复杂性和计算的开销，提高后续过程的效率，迭代最近点算法可以通过寻找目标点云和参考点云之间的最佳匹配关系，达到数据配准的目的，这可以提高特征点数据的准确性和一致性，避免数据之间存在明显的偏差和不匹配，数据配准可以使得钣金件拓扑结构特征点数据与参考数据在坐标系统中保持一致，这样可以确保不同数据源的特征点在同一坐标系下进行比较和分析，为后续的坐标映射和误差计算提供准确的基础，数据配准可以使得钣金件拓扑结构特征点数据与参考数据在坐标系统中保持一致，这样可以确保不同数据源的特征点在同一坐标系下进行比较和分析，为后续的坐标映射和误差计算提供准确的基础，通过最小化误差计算公式，可以将特征点坐标映射到参考坐标，从而保持数据之间的一致性，这有助于确保不同数据源的特征点在同一坐标系下具有相似的空间位置和几何结构，通过应用映射参数，可以将钣金件拓扑结构模型中的坐标映射到参考坐标系中，这样生成的钣金件拓扑结构坐标模型具有准确的空间位置信息，能够更好地反映钣金件的真实形状和结构，坐标系映射可以确保钣金件拓扑结构模型与参考坐标系中的其他数据保持一致，这对于后续的数据分析、比对和集成具有重要意义，可以准确地查看和分析钣金件的拓扑结构，进一步优化设计和制造流程。
本实施例中，钣金件拓扑结构模型是由节点和边构成的图形表示。我们将利用特征工程算法来提取关键的特征点，以捕捉钣金件拓扑结构模型的重要属性，使用特征工程算法对钣金件拓扑结构模型进行处理。特征工程算法可以基于不同的特征提取方法，如几何特征、拓扑关系、曲率等来提取合适的特征点，特征点的选择应基于具体应用的需求和对钣金件拓扑结构的理解。它们可以是顶点、边界点、拐角点、切线点等，提取完特征点后，将它们组织成钣金件拓扑结构特征点数据，记录特征点的位置和其他相关属性，我们将使用迭代最近点算法对提取的钣金件拓扑结构特征点数据进行数据配准，以将特征点在不同模型中进行对应和匹配，将特征点数据传入迭代最近点算法。该算法将通过迭代的方式寻找在不同模型中最接近的特征点对，算法通过计算特征点之间的距离，并使用迭代优化方法来调整特征点的位置，以最小化特征点之间的距离差异，在迭代的过程中，通过不断优化特征点的位置，最终得到钣金件拓扑结构特征点的准确对应坐标，在迭代的过程中，通过不断优化特征点的位置，最终得到钣金件拓扑结构特征点的准确对应坐标，定义钣金件拓扑结构的最小误差计算公式，该公式可以度量特征点之间的坐标误差，将公式中的原始模型特征点坐标和目标模型特征点坐标代入，通过最小化误差计算公式，得到映射参数的解，运用计算得到的映射参数，可以对钣金件拓扑结构特征点的坐标进行正确的映射，从而实现模型间的坐标对应，得到的钣金件拓扑结构坐标映射参数，我们可以对钣金件拓扑结构模型进行坐标系映射操作，得到的钣金件拓扑结构坐标映射参数，我们可以对钣金件拓扑结构模型进行坐标系映射操作，对于边界以外的内部节点，可以通过插值等方法，利用映射后的边界节点坐标来推断其位置，根据映射后的节点坐标和边信息，生成钣金件拓扑结构坐标模型。该模型具有正确的坐标映射关系，可以用于后续的分析、设计和制造等应用。
本实施例中，步骤S43中的钣金件拓扑结构最小误差计算公式具体为：
；
其中，为钣金件拓扑结构最小误差系数，/>为输入的钣金件拓扑结构特征点坐标值，/>为钣金件在X轴上的长度参数，/>为钣金件的曲率度量参数，/>为钣金件在拉伸方向的张力参数，/>为钣金件在y轴上的宽度参数，/>为钣金件在拉伸方向的应力参数，/>为钣金件表面的摩擦系数，/>为钣金件材料属性弹性参数，/>为钣金件承受最高温度参数，/>为钣金件在Z轴上的厚度参数，/>为钣金件形变程度。
本发明通过用于分析和评估在远离原点的区域内钣金件拓扑结构的特征。这很重要，因为在长距离区域内，钣金件的形态和性能可能发生显著变化，可以揭示钣金件在大范围内的结构特征和性能，通过积分的方式，将钣金件特征点的坐标值x综合考虑进去。这允许将多个特征点的影响进行加权处理，而不仅仅是考虑单个特征点的数值。这对于钣金件拓扑结构的分析和优化非常有益，因为它可以更全面地考虑整个结构的影响，通过/>对钣金件的宽度参数B、应力参数E、表面摩擦系数G和材料属性弹性参数H进行数学运算。通过对这些参数的组合运算，可以综合考虑钣金件的尺寸、材料性质和受力情况，进一步揭示钣金件拓扑结构的特点和影响因素，通过指数函数计算钣金件承受最高温度参数I和厚度参数C的关系。指数函数的作用可以将温度和厚度的影响进行非线性放大或衰减，从而更加准确地描述钣金件在高温和薄厚度条件下的拓扑结构误差，通过/>对钣金件形变程度J进行立方根运算。通过对形变程度进行立方根运算，可以将形变程度的影响进行调整和平衡，使其与其他参数的影响具有更好的匹配性，更准确地反映钣金件的拓扑结构误差，对钣金件形变程度J进行立方根运算。通过对形变程度进行立方根运算，可以将形变程度的影响进行调整和平衡，使其与其他参数的影响具有更好的匹配性，更准确地反映钣金件的拓扑结构误差。
本实施例中，步骤S5包括以下步骤：
步骤S51：根据空间变换技术对钣金件拓扑结构坐标模型进行非正交变换，以构建钣金件拓扑结构非正交变换模型；
步骤S52：对钣金件拓扑结构非正交变换模型进行力变模拟，以获取钣金件拓扑结构力变形态数据；
步骤S53：利用钣金件拓扑结构扭曲形变计算公式对钣金件拓扑结构力变形态数据进行扭曲变换分析，生成钣金件扭曲结构数据；
本发明通过空间变换技术可以对钣金件拓扑结构进行各种非线性、非均匀的变形操作，模拟实际使用中可能发生的复杂变形情况，这有助于评估钣金件在不同工况下的承载能力、变形性能等，通过非正交变换，可以获得钣金件拓扑结构在不同方向和角度上的变形形态，这对于设计过程中的结构优化和改进提供了有益的依据，可以帮助工程师了解和预测钣金件在实际工况下的变形行为，力变模拟可以模拟钣金件在受到外部力作用下的变形情况，包括扭曲、弯曲等变形形态，这有助于评估钣金件在实际工况下的变形和稳定性能，为结构设计和优化提供依据，力变模拟可以模拟钣金件在受到外部力作用下的变形情况，包括扭曲、弯曲等变形形态，这有助于评估钣金件在实际工况下的变形和稳定性能，为结构设计和优化提供依据，力变模拟可以模拟钣金件在受到外部力作用下的变形情况，包括扭曲、弯曲等变形形态，这有助于评估钣金件在实际工况下的变形和稳定性能，为结构设计和优化提供依据，通过分析钣金件的扭曲变形数据，可以确定钣金件在不同工况下的变形程度和分布情况，这有助于优化结构设计，提高钣金件在实际使用中的性能和可靠性。
本实施例中，非正交变换是一种将对象在三维空间中进行旋转、平移或缩放的方法，以改变对象的形状或位置，钣金件拓扑结构坐标模型是一个包含节点和边的图形表示。在本步骤中，我们将利用空间变换技术对该模型进行非正交变换，以改变其形状或位置，非正交变换可以包括旋转、平移和缩放等运算。通过对钣金件拓扑结构模型的节点和边进行相应的变换操作，可以改变其整体结构，可以根据具体需求选择合适的非正交变换操作，例如通过旋转来改变拓扑结构的方向或角度，或通过平移来移动拓扑结构的位置，非正交变换后，得到钣金件拓扑结构的非正交变换模型，其形状或位置与原始模型有所不同，钣金件在受到力的作用下会发生形变，力变模拟是用来模拟和分析钣金件在力加载下的形变行为，对钣金件拓扑结构非正交变换模型施加外部力加载，并模拟其形变过程，可以通过有限元分析等方法进行力变模拟。在有限元分析中，将非正交变换模型离散化为一系列小单元，并将适当的边界条件和载荷应用于模型，根据材料特性、加载方式和边界条件等，通过数值计算方法求解得到钣金件非正交变换模型的力变形态数据，包括位移、应变等信息，钣金件在受到力加载后，由于材料的物性和几何形状的影响，可能会发生扭曲形变，将利用钣金件拓扑结构的扭曲形变计算公式对力变形态数据进行扭曲变换分析，扭曲形变计算公式根据钣金件的几何形状、材料特性和受力情况等因素，描述了扭曲形变的关系，将力变形态数据代入扭曲形变计算公式，并进行计算和分析，可以得到钣金件在受力后产生的扭曲结构数据，扭曲结构数据可以包括位移、角度变化、应变分布等，用于进一步分析和评估钣金件在力加载下的性能和稳定性。
本实施例中，步骤S53中的钣金件拓扑结构扭曲形变计算公式具体为：
；
其中，为钣金件拓扑结构扭曲形变参数，/>为钣金件在坐标系中的X轴坐标值，/>为钣金件在坐标系中的位置参数，/>为钣金件非正交偏移量，/>为钣金件力变模拟参数，/>为钣金件扭曲变换的角度，/>为钣金件拓扑结构的曲率，/>为力变模拟弹性系数，/>为钣金件扭曲变换系数。
本发明通过表示扭曲形变参数随着X轴坐标的变化率。通过计算偏导数，我们可以了解到在X轴不同位置上，扭曲形变参数的变化情况。这对于分析钣金件在不同位置上的扭曲形变程度和变化趋势非常有价值。通过计算偏导数，我们可以分析这些参数对于扭曲形变参数的贡献大小和方向。这对于优化钣金件设计和调整参数取值具有指导意义，通过/>计算了扭曲变换角度N和拓扑结构曲率k对扭曲形变参数的影响。通过对这些参数进行平方根运算，可以调整扭曲形变参数的响应速度和幅度，通过包含了力模拟弹性系数e、扭曲变换系数c、变力模拟参数P以及扭曲变换角度N和拓扑结构曲率k的组合。通过这些参数的综合调整，可以模拟和描述钣金件拓扑结构的实际扭曲形变效果，/>对扭曲参数k和/>的积分运算，其中/>表示纵向坐标值。积分的结果表示了扭曲形变参数对于纵向坐标的累积效应。通过积分运算，可以综合考虑钣金件在不同位置上的扭曲形变情况。
本实施例中，步骤S6包括以下步骤：
步骤S61：利用聚类分析算法对钣金件扭曲结构数据进行频繁项集挖掘，生成钣金件扭曲结构特征聚类项集；
步骤S62：对钣金件扭曲结构特征聚类项集进行数据可视化处理，生成钣金件扭曲结构特征可视化视图；
步骤S63：利用JavaScript库对钣金件扭曲结构特征可视化视图进行交互化处理，生成钣金件扭曲结构可交互视图。
本发明通过聚类分析可以帮助识别出钣金件扭曲结构数据中出现频率较高的特征项集，通过挖掘频繁项集，可以发现在大量数据中出现的共同特征，有助于理解和描述钣金件扭曲结构的重要特征，聚类分析可以帮助识别出钣金件扭曲结构数据中出现频率较高的特征项集，通过挖掘频繁项集，可以发现在大量数据中出现的共同特征，有助于理解和描述钣金件扭曲结构的重要特征，将钣金件扭曲结构特征聚类项集转化为可视化视图，可以以直观的方式展示聚类结果，通过图表、图形和颜色编码等可视化方式，可以更清晰地观察和理解不同特征之间的关系和差异，将钣金件扭曲结构特征聚类项集转化为可视化视图，可以以直观的方式展示聚类结果，通过图表、图形和颜色编码等可视化方式，可以更清晰地观察和理解不同特征之间的关系和差异，通过添加交互功能，用户可以自由地浏览和探索钣金件扭曲结构的特征聚类视图，用户可以缩放、平移和旋转视图，以及选择感兴趣的区域进行详细观察，交互化处理允许用户根据需要进行自定义数据分析，用户可以选择特定的数据点或聚类簇，并获取相关的信息和统计数据，这有助于深入分析钣金件扭曲结构的特征模式，并发现其中的规律和趋势。
本实施例中，聚类分析是一种无监督学习方法，用于将相似的数据对象归类到同一类别。在这一步骤中，我们将使用聚类分析算法对钣金件扭曲结构数据进行处理，将钣金件扭曲结构数据按照特定指标进行向量化表示，将每个钣金件扭曲结构看作一个向量，选择适当的聚类算法，例如k-means、层次聚类或密度聚类等，对钣金件扭曲结构数据进行聚类分析，算法会根据数据的相似性将钣金件扭曲结构分成不同的簇。频繁项集挖掘是聚类分析的一种应用，它可以挖掘出具有高频率出现的特征组合，通过聚类分析算法，可以生成钣金件扭曲结构特征聚类项集，这些项集表示具有相似形态和扭曲特征的钣金件扭曲结构，数据可视化是将数据以直观的图形形式展示，使人能够更好地理解和分析数据，将对钣金件扭曲结构特征聚类项集进行数据可视化处理，以生成可视化视图，可以使用各种数据可视化工具和库，如Matplotlib、Plotly、D3.js等，根据钣金件扭曲结构特征聚类项集的数据进行绘图和可视化，根据具体需求，可以选择合适的图表类型，如散点图、柱状图、雷达图等，来展示钣金件扭曲结构特征的不同聚类簇之间的差异和相似性，通过数据可视化，可以直观地观察和比较钣金件扭曲结构特征聚类项集的数据，帮助理解数据之间的关系和特征，可以使用JavaScript库中的API和组件，对钣金件扭曲结构特征可视化视图进行交互性增强，例如添加鼠标交互、缩放、平移、筛选等功能，交互化处理可以使用户能够自由探索可视化视图中的数据，选择感兴趣的聚类簇进行深入分析，并获取更多细节信息，最终生成的钣金件扭曲结构可交互视图能够提供更直观、灵活和交互式的数据分析工具，帮助用户深入理解钣金件扭曲结构特征的聚类结果。
本实施例中，步骤S7包括以下步骤：
步骤S71：利用循环卷积网络对钣金件扭曲结构数据进行卷积预处理，生成钣金件扭曲结构特征样本集；
步骤S72：对钣金件扭曲结构特征样本集进行卷积数据切割，生成钣金件扭曲结构卷积特征序列；
步骤S73：利用膨胀卷积算法对钣金件扭曲结构卷积特征序列进行边缘特征加强处理，生成钣金件扭曲结构卷积特征网络；
步骤S74：利用多尺度采样算法对钣金件扭曲结构卷积特征网络进行空间金字塔池化多层采样，生成钣金件扭曲结构卷积特征图；
步骤S75：对钣金件扭曲结构卷积特征图进行模型构建，生成钣金件扭曲结构识别模型；以执行钣金件识别作业。
本发明通过循环卷积网络可以提取钣金件扭曲结构数据中的关键特征，通过卷积操作，网络能够捕捉到结构的局部和全局特征，并将其转化为机器学习算法可以理解和处理的形式，循环卷积网络可以提取钣金件扭曲结构数据中的关键特征，通过卷积操作，网络能够捕捉到结构的局部和全局特征，并将其转化为机器学习算法可以理解和处理的形式，循环卷积网络可以提取钣金件扭曲结构数据中的关键特征，通过卷积操作，网络能够捕捉到结构的局部和全局特征，并将其转化为机器学习算法可以理解和处理的形式，膨胀卷积算法可以增强钣金件扭曲结构卷积特征序列中的边缘特征，这有助于提升结构边缘的清晰度和可识别性，使得模型能够更准确地捕捉和描述钣金件扭曲结构的边界形状，通过多尺度采样算法，可以在不同层次上采集钣金件扭曲结构的特征，这种多层次的特征表示有助于提取结构的细节和整体信息，使得模型能够更全面地理解和区分不同类型的钣金件扭曲结构，通过对钣金件扭曲结构卷积特征图进行模型构建和训练，可以生成钣金件扭曲结构识别模型，该模型能够根据提供的特征图对钣金件进行准确的识别和分类，从而支持钣金件的自动化识别作业。
本实施例中，循环卷积网络（Recurrent Convolutional Networks，RCN）是一种结合了循环神经网络（RNN）和卷积神经网络（CNN）的混合模型，适用于处理具有时序特征的数据，将钣金件扭曲结构数据转换为适合RCN处理的格式。可以根据具体情况，将扭曲结构数据表示为时间序列或者图像序列，将钣金件扭曲结构数据输入RCN模型进行卷积预处理，利用RCN的卷积和循环操作提取数据的时空特征。这样可以生成钣金件扭曲结构特征样本集，其中每个样本都包含了经过卷积预处理后的特征向量或特征矩阵，将钣金件扭曲结构数据输入RCN模型进行卷积预处理，利用RCN的卷积和循环操作提取数据的时空特征。这样可以生成钣金件扭曲结构特征样本集，其中每个样本都包含了经过卷积预处理后的特征向量或特征矩阵，将钣金件扭曲结构数据输入RCN模型进行卷积预处理，利用RCN的卷积和循环操作提取数据的时空特征。这样可以生成钣金件扭曲结构特征样本集，其中每个样本都包含了经过卷积预处理后的特征向量或特征矩阵，对于每个样本，使用滑动窗口的方式从头至尾提取连续的子序列。这些子序列将作为钣金件扭曲结构卷积特征序列的基本单位，切割完毕后，得到的钣金件扭曲结构卷积特征序列将包含一系列的子序列，每个子序列对应一个样本。这样可以增加数据样本的多样性，提供更丰富的信息供后续处理使用，膨胀卷积（Dilated Convolution）是卷积神经网络中的一种特殊卷积操作，通过在卷积核中引入膨胀率参数，能够在保持感受野大小的同时增加卷积核的有效范围，膨胀卷积（DilatedConvolution）是卷积神经网络中的一种特殊卷积操作，通过在卷积核中引入膨胀率参数，能够在保持感受野大小的同时增加卷积核的有效，膨胀卷积（Dilated Convolution）是卷积神经网络中的一种特殊卷积操作，通过在卷积核中引入膨胀率参数，能够在保持感受野大小的同时增加卷积核的有效，经过膨胀卷积算法处理后，钣金件扭曲结构卷积特征序列将获得更强的边缘特征表达能力，有助于后续模型的学习和识别，多尺度采样是一种常用的图像处理技术，用于在不同尺度下提取图像特征。在钣金件扭曲结构卷积特征网络中，可以应用多尺度采样算法进行空间金字塔池化，钣金件扭曲结构卷积特征序列通常是一维数据，可以将其看作某个尺度下的图像。利用多尺度采样算法，可以从不同尺度的局部信息中提取特征，形成多个子特征图，在进行空间金字塞池化时，可以利用不同尺度下的滤波器进行特征的聚合和采样，并保留不同尺度下的空间布局信息，在进行空间金字塞池化时，可以利用不同尺度下的滤波器进行特征的聚合和采样，并保留不同尺度下的空间布局信息，最终生成的钣金件扭曲结构卷积特征图将包含多个尺度的特征表示，有助于捕捉不同层次的空间信息，提升特征的表达能力，基于钣金件扭曲结构卷积特征图，可以构建钣金件扭曲结构识别模型。具体的模型可以根据任务需求选择，常用的包括卷积神经网络（CNN）和循环神经网络（RNN）等，在模型构建过程中，需要考虑输入和输出的维度，选择适当的网络结构和层数，以及合适的激活函数和损失函数，训练钣金件扭曲结构识别模型时，可以使用标注好的数据集进行监督学习，通过优化训练损失函数，使模型能够准确地识别不同类型的钣金件扭曲结构。
本实施例中，步骤S74括以下步骤：
步骤S741：利用多尺度采样算法对钣金件扭曲结构卷积特征网络进行空间金字塔池化多层采样，生成钣金件扭曲结构特征卷积数据；
步骤S742：对钣金件扭曲结构特征卷积数据进行卷积特征映射，生成钣金件扭曲结构卷积特征向量；
步骤S743：利用钣金件扭曲结构卷积特征向量进行向量拼接，生成钣金件扭曲结构卷积特征图。
本发明通过多尺度采样算法，在不同的尺度上对钣金件扭曲结构特征进行采样，这样可以捕捉到结构特征的不同细节层次，从较小的局部特征到较大的整体特征，例如，较低的尺度可以提取细微的细节，而较高的尺度则可以捕捉到全局的结构形状，在多尺度采样的基础上，进行空间金字塔池化操作，这是一种对特征图进行空间维度上的分块处理，每个分块表示一个区域内的特征统计信息，通过金字塔池化，可以从不同尺度和不同级别的特征图中提取出更具代表性和鲁棒性的特征，通过对钣金件扭曲结构特征卷积数据进行卷积操作，可以将其映射为更高维度和抽象的特征表示，卷积操作能够捕捉到局部区域的关联性，并生成具有语义信息的特征映射，对于每个钣金件扭曲结构特征卷积数据，通过将其展开为一维向量，可以得到一个钣金件扭曲结构卷积特征向量，这个向量表示了钣金件的特征信息，可以被进一步用于后续的特征处理和模型构建，将钣金件扭曲结构卷积特征向量进行拼接，可以将不同的特征向量组合成一个更综合的特征图，这样做的好处是可以捕捉到不同层次的特征信息，从而提高识别模型对于钣金件扭曲结构的理解能力，将钣金件扭曲结构卷积特征向量进行拼接，可以将不同的特征向量组合成一个更综合的特征图，这样做的好处是可以捕捉到不同层次的特征信息，从而提高识别模型对于钣金件扭曲结构的理解能力。
本实施例中，对钣金件扭曲结构卷积特征网络进行多尺度采样，生成多个不同尺度的特征图，对钣金件扭曲结构卷积特征网络进行多尺度采样，生成多个不同尺度的特征图，将每个尺度的特征向量组合在一起，形成钣金件扭曲结构特征卷积数据。这些特征向量捕捉了不同尺度上的特征信息，并可以进一步用于后续的处理和分析，使用适当的卷积操作对钣金件扭曲结构特征卷积数据进行处理。这可以包括使用不同大小的卷积核进行卷积操作，以捕捉不同尺度的特征，对卷积结果进行非线性变换，如使用激活函数，以增加模型的表达能力和非线性拟合能力，得到钣金件扭曲结构卷积特征向量，它具有更高层次的语义信息，可以更好地描述钣金件的扭曲结构，将钣金件扭曲结构卷积特征向量按照一定顺序进行拼接。这可以是按照尺度、空间位置或其他特征排序的方式进行拼接，拼接后可以得到一个维度更高的特征向量，通过对特征向量进行可视化或进一步的处理，可以生成钣金件扭曲结构卷积特征图，该图反映了钣金件的扭曲结构特征。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于STEP格式的钣金件快速识别方法，其特征在于，包括以下步骤：
步骤S1：基于STEP格式文件获取钣金件数据，根据钣金件数据进行拓扑结构分析，以生成钣金件线性拓扑结构数据；
步骤S2：对钣金件数据进行非线性映射，生成钣金件拓扑网格结构，利用拓扑分析法对钣金件拓扑网格结构进行非线性拓扑结构拟合，生成钣金件非线性拓扑结构数据；
步骤S3：根据钣金件线性拓扑结构数据及钣金件非线性拓扑结构数据进行拓扑数据挖掘，构建钣金件拓扑结构模型；
步骤S4：利用特征工程算法对钣金件拓扑结构模型进行特征点提取，以生成钣金件拓扑结构特征点坐标；对钣金件拓扑结构模型进行坐标系映射，生成钣金件拓扑结构坐标模型；
步骤S5：根据空间变换技术对钣金件拓扑结构坐标模型进行非正交变换，以构建钣金件拓扑结构非正交变换模型；对钣金件拓扑结构非正交变换模型进行扭曲变换分析，生成钣金件扭曲结构数据；
步骤S6：利用深度学习算法对钣金件扭曲结构数据进行交互式可视化处理，以生成钣金件扭曲结构可交互视图；
步骤S7：利用循环卷积网络对钣金件扭曲结构数据进行模型构建，生成钣金件扭曲结构识别模型；以执行钣金件识别作业。
2.根据权利要求1所述的方法，其特征在于，步骤S1的具体步骤为：
步骤S11：基于STEP格式文件获取钣金件数据，钣金件数据包括钣金件几何结构数据、钣金件拓扑数据、钣金件材料属性数据、钣金件尺寸数据及钣金件工艺特征数据；
步骤S12：根据钣金件数据进行拓扑结构分析，生成钣金件拓扑结构数据；
步骤S13：利用边界提取算法对钣金件拓扑结构数据进行边界提取，生成钣金件拓扑结构边界数据；
步骤S14：对钣金件拓扑结构边界数据进行边界线化分析，以获取钣金件拓扑结构边界关联数据；
步骤S15：根据钣金件拓扑结构边界关联数据对钣金件拓扑结构边界数据进行线性化连接，以生成钣金件线性拓扑结构数据。
3.根据权利要求2所述的方法，其特征在于，步骤S2的具体步骤为：
步骤S21：对钣金件线性拓扑结构数据进行网格化设计，生成钣金件拓扑结构网格控制点；
步骤S22：基于钣金件拓扑结构网格控制点对钣金件数据进行非线性映射，生成钣金件拓扑网格结构；
步骤S23：利用拓扑分析法对钣金件拓扑网格结构进行拟合分析，生成钣金件拓扑结构拟合约束数据；
步骤S24：根据钣金件拓扑结构拟合约束数据对钣金件线性拓扑结构数据进行非线性拓扑结构拟合，生成非线性拓扑结构数据；
步骤S25：利用迭代优化算法对非线性拓扑结构数据进行拓扑结构拟合优化，生成钣金件非线性拓扑结构数据。
4.根据权利要求3所述的方法，其特征在于，步骤S3的具体步骤为：
步骤S31：根据钣金件线性拓扑结构数据及钣金件非线性拓扑结构数据进行节点连接分析，以生成钣金件线性拓扑结构节点匹配数据；
步骤S32：根据钣金件线性拓扑结构节点匹配数据利用插值算法对钣金件线性拓扑结构进行数据整合，生成钣金件拓扑特征结构数据；
步骤S33：对钣金件拓扑特征结构数据进行拓扑数据挖掘，构建钣金件拓扑结构模型。
5.根据权利要求4所述的方法，其特征在于，步骤S4的具体步骤为：
步骤S41：利用特征工程算法对钣金件拓扑结构模型进行特征点提取，生成钣金件拓扑结构特征点数据；
步骤S42：基于钣金件拓扑结构模型利用迭代最近点算法对钣金件拓扑结构特征点数据进行数据配准，生成钣金件拓扑结构特征点坐标；
步骤S43：利用钣金件拓扑结构最小误差计算公式对钣金件拓扑结构特征点坐标进行最小误差映射参数计算，生成钣金件拓扑结构坐标映射参数；
步骤S44：根据钣金件拓扑结构坐标映射参数对钣金件拓扑结构模型进行坐标系映射，以生成钣金件拓扑结构坐标模型；
其中，步骤S43中的钣金件拓扑结构最小误差计算公式具体为：
；
其中，为钣金件拓扑结构最小误差系数，/>为输入的钣金件拓扑结构特征点坐标值，为钣金件在X轴上的长度参数，/>为钣金件的曲率度量参数，/>为钣金件在拉伸方向的张力参数，/>为钣金件在y轴上的宽度参数，/>为钣金件在拉伸方向的应力参数，/>为钣金件表面的摩擦系数，/>为钣金件材料属性弹性参数，/>为钣金件承受最高温度参数，/>为钣金件在Z轴上的厚度参数，/>为钣金件形变程度。
6.根据权利要求5所述的方法，其特征在于，步骤S5的具体步骤为：
步骤S51：根据空间变换技术对钣金件拓扑结构坐标模型进行非正交变换，以构建钣金件拓扑结构非正交变换模型；
步骤S52：对钣金件拓扑结构非正交变换模型进行力变模拟，以获取钣金件拓扑结构力变形态数据；
步骤S53：利用钣金件拓扑结构扭曲形变计算公式对钣金件拓扑结构力变形态数据进行扭曲变换分析，生成钣金件扭曲结构数据。
7.根据权利要求6所述的方法，其特征在于，步骤S53的钣金件拓扑结构扭曲形变计算公式具体为：
；
其中，为钣金件拓扑结构扭曲形变参数，/>为钣金件在坐标系中的X轴坐标值，/>为钣金件在坐标系中的位置参数，/>为钣金件非正交偏移量，/>为钣金件力变模拟参数，/>为钣金件扭曲变换的角度，/>为钣金件拓扑结构的曲率，/>为力变模拟弹性系数，/>为钣金件扭曲变换系数。
8.根据权利要求7所述的方法，其特征在于，步骤S6的具体步骤为：
步骤S61：利用聚类分析算法对钣金件扭曲结构数据进行频繁项集挖掘，生成钣金件扭曲结构特征聚类项集；
步骤S62：对钣金件扭曲结构特征聚类项集进行数据可视化处理，生成钣金件扭曲结构特征可视化视图；
步骤S63：利用JavaScript库对钣金件扭曲结构特征可视化视图进行交互化处理，生成钣金件扭曲结构可交互视图。
9.根据权利要求8所述的方法，其特征在于，步骤S7的具体步骤为：
步骤S71：利用循环卷积网络对钣金件扭曲结构数据进行卷积预处理，生成钣金件扭曲结构特征样本集；
步骤S72：对钣金件扭曲结构特征样本集进行卷积数据切割，生成钣金件扭曲结构卷积特征序列；
步骤S73：利用膨胀卷积算法对钣金件扭曲结构卷积特征序列进行边缘特征加强处理，生成钣金件扭曲结构卷积特征网络；
步骤S74：利用多尺度采样算法对钣金件扭曲结构卷积特征网络进行空间金字塔池化多层采样，生成钣金件扭曲结构卷积特征图；
步骤S75：对钣金件扭曲结构卷积特征图进行模型构建，生成钣金件扭曲结构识别模型；以执行钣金件识别作业。
10.根据权利要求9所述的方法，其特征在于，步骤S74的具体步骤为：
步骤S741：利用多尺度采样算法对钣金件扭曲结构卷积特征网络进行空间金字塔池化多层采样，生成钣金件扭曲结构特征卷积数据；
步骤S742：对钣金件扭曲结构特征卷积数据进行卷积特征映射，生成钣金件扭曲结构卷积特征向量；
步骤S743：利用钣金件扭曲结构卷积特征向量进行向量拼接，生成钣金件扭曲结构卷积特征图。
CN202310897255.1A 2023-07-20 2023-07-20 一种基于step格式的钣金件快速识别方法 Active CN116975581B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310897255.1A CN116975581B (zh) 2023-07-20 2023-07-20 一种基于step格式的钣金件快速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310897255.1A CN116975581B (zh) 2023-07-20 2023-07-20 一种基于step格式的钣金件快速识别方法

Publications (2)

Publication Number Publication Date
CN116975581A CN116975581A (zh) 2023-10-31
CN116975581B true CN116975581B (zh) 2024-04-26

Family

ID=88484367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310897255.1A Active CN116975581B (zh) 2023-07-20 2023-07-20 一种基于step格式的钣金件快速识别方法

Country Status (1)

Country Link
CN (1) CN116975581B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101051306A (zh) * 2006-04-07 2007-10-10 同济大学 一种冲压件实例检索方法
CN109977972A (zh) * 2019-03-29 2019-07-05 东北大学 一种基于step的智能特征识别方法
US10614340B1 (en) * 2019-09-23 2020-04-07 Mujin, Inc. Method and computing system for object identification
CN113408055A (zh) * 2021-06-25 2021-09-17 东风汽车集团股份有限公司 一种汽车车架结构优化方法
CN113538486A (zh) * 2021-07-13 2021-10-22 长春工业大学 一种提高汽车钣金工件的识别与定位精度的方法
CN114626111A (zh) * 2022-01-27 2022-06-14 广州中望龙腾软件股份有限公司 一种三维模型的特征识别方法、电子设备及存储介质
CN115984894A (zh) * 2022-12-30 2023-04-18 上海交大智邦科技有限公司 2d图纸特征识别方法、系统、设备及介质
CN116187200A (zh) * 2023-03-20 2023-05-30 杭州电子科技大学 基于图卷积网络的轻量化三维cad模型分类与检索的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7158853B2 (en) * 2004-10-25 2007-01-02 Amada Company, Limited Pattern recognition for sheet metal part models
US20230028912A1 (en) * 2014-12-11 2023-01-26 Imagars Llc Automatic Design Assessment and Smart Analysis
US10234848B2 (en) * 2017-05-24 2019-03-19 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101051306A (zh) * 2006-04-07 2007-10-10 同济大学 一种冲压件实例检索方法
CN109977972A (zh) * 2019-03-29 2019-07-05 东北大学 一种基于step的智能特征识别方法
US10614340B1 (en) * 2019-09-23 2020-04-07 Mujin, Inc. Method and computing system for object identification
CN113408055A (zh) * 2021-06-25 2021-09-17 东风汽车集团股份有限公司 一种汽车车架结构优化方法
CN113538486A (zh) * 2021-07-13 2021-10-22 长春工业大学 一种提高汽车钣金工件的识别与定位精度的方法
CN114626111A (zh) * 2022-01-27 2022-06-14 广州中望龙腾软件股份有限公司 一种三维模型的特征识别方法、电子设备及存储介质
CN115984894A (zh) * 2022-12-30 2023-04-18 上海交大智邦科技有限公司 2d图纸特征识别方法、系统、设备及介质
CN116187200A (zh) * 2023-03-20 2023-05-30 杭州电子科技大学 基于图卷积网络的轻量化三维cad模型分类与检索的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
钣金零件特征识别及其工序模型逆向生成;吴祥宇;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20220115(第1期);B022-1177 *
面向三维建模的零部件区域特征识别研究与实现;吕凯莉;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20220515(第5期);C029-270 *

Also Published As

Publication number Publication date
CN116975581A (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
Liu et al. Multivariate analysis by data depth: descriptive statistics, graphics and inference,(with discussion and a rejoinder by liu and singh)
Ciaburro MATLAB for machine learning
US8345042B2 (en) Mesh-based shape retrieval system
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
Hagg et al. Prototype discovery using quality-diversity
Zellinger et al. Multi-source transfer learning of time series in cyclical manufacturing
CN109886297A (zh) 一种用于从二维图像识别三维模型对象的方法
CN112233249A (zh) 基于密集点云的b样条曲面拟合方法及装置
US10275501B2 (en) System and method for multi-dimensional data representation of objects
Mohamed et al. Deformable 3d shape retrieval using a spectral geometric descriptor
Mirande et al. A graph-based approach for simultaneous semantic and instance segmentation of plant 3D point clouds
CN116975581B (zh) 一种基于step格式的钣金件快速识别方法
Takashima et al. Shape descriptor-based similar feature extraction for finite element meshing
Shu et al. 3D anthropometric data processing
Soriano-Vargas et al. A synthetic case study of measuring the misfit between 4D seismic data and numerical reservoir simulation models through the Momenta Tree
CN116975561B (zh) 一种基于step格式的车床工艺识别方法
Coimbra et al. Analyzing the quality of local and global multidimensional projections using performance evaluation planning
JP2020004311A (ja) 解析装置、解析方法及び解析プログラム
Jeon et al. ZADU: A Python Library for Evaluating the Reliability of Dimensionality Reduction Embeddings
CN117726885B (zh) 一种基于三维几何自注意力机制的车身缝隙分类方法
CN116861543B (zh) 基于bim模型的脚手架力学分析方法及系统
US20230229841A1 (en) Method and system for simulating and verifying layout based on distribution
CN117034505B (zh) 三维模具结构参数化组装设计用自动标注尺寸方法
Liu et al. Visualization of the image geometric transformation group based on riemannian manifold
KR102596257B1 (ko) 기계가공 특징형상 인식 방법 및 이를 수행하기 위한 컴퓨팅 장치

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240402

Address after: 518000, 1st Floor, Building A12, Industrial Zone, Hulin Pokeng, No. 165 Nanpu Road, Shangliao Community, Xinqiao Street, Bao'an District, Shenzhen, Guangdong Province

Applicant after: Quick Direct (Shenzhen) Precision Manufacturing Co.,Ltd.

Country or region after: China

Address before: 518000 407, Building F, Tianyou Maker Industrial Park, No. 2, Lixin Road, Qiaotou Community, Fuhai Street, Bao'an District, Shenzhen, Guangdong

Applicant before: Shenzhen Fast Direct Industrial Technology Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant