CN1614593A - 三维cad模型基于形状的相似度评估方法 - Google Patents

Abstract

一种三维CAD模型基于形状的相似度评估方法，用于数据管理技术领域。步骤如下：将三维CAD模型的STEP AP203 Part21数据转换为属性图数据；从属性图数据提取三维CAD模型的特征不变量并以此构造其特征不变矢量；基于构造的特征不变矢量应用自组织神经网络对CAD模型进行相似度评估。依据本方法可直接进行三维CAD模型的聚类以及基于相似性的CAD模型检索。本发明方法的重要特点是算法简便灵活、资源耗费少、计算效率高，并且具有自学习性、健壮性和灵活性，用户可根据相似度评估的实际需要灵活定义特征不变矢量包含的内容，矢量可长可短，从而满足不同层次的相似度评估需要。

Description

三维CAD模型基于形状的相似度评估方法

技术领域

本发明涉及一种三维CAD模型基于形状的相似度评估方法，具体是一种STEP格式的三维CAD模型基于形状的相似度评估方法。用于数据管理技术领域。

背景技术

随着三维CAD应用的普及和深入，大量的产品设计以三维CAD模型的形式存在，同时由于数据交换的需要，STEP这一中性文件表示格式被广泛采用，如何有效管理乃至重用这些已有CAD数据引起了国内外学者的广泛兴趣。由于传统的基于属性，如文件名称、零件号等的检索方法不仅存在检索结果通常过宽或过窄、要求用户事先知道属性名称、属性也有可能随时间变化等诸多缺陷，更为重要的是这种方法不能进行CAD模型的相似度评估，因而难以实现对CAD设计资源的有效管理和重用，于是提出了若干基于形状相似性或者基于内容的检索方法，基于图的方法便是其中之一。

经对现有技术文献的检索发现，Regli W C等人在《Computer-Aided Design》32(2000)，119-132上发表的“Managing digital libraries for computer-aideddesign”，(《计算机辅助设计》，数字化的计算机辅助设计库的管理)该文介绍了基于图的方法，其基本步骤是首先将CAD模型转化为图表示，利用图的属性和同构计算进行模型的相似度评估。由于图的精确匹配是一个十分复杂的数学问题，计算效率很低，计算资源耗费巨大，有学者也提出了近似匹配算法。尽管如此，这类方法存在的缺陷是：计算方法复杂、资源耗费大、运行速度慢、没有自学习功能，因此很难满足大型CAD数据库的数据管理和知识发现的需要。

发明内容

本发明的目的在于克服现有技术中的不足，提出了一种三维CAD模型基于形状的相似度评估方法，在对STEP格式的CAD模型进行属性图转换后，提取其特征不变矢量，再采用自组织神经网络模型对三维CAD模型进行相似度评估，从而使该方法具有算法简便灵活、资源耗费少、运行效率高、并且能动态更新学习等显著特点，因此可以很好满足大型CAD数据库的数据管理和知识发现的需要。

本发明是通过以下技术方案实现的，本发明方法包括三个基本步骤：

①将三维CAD模型的STEP AP203 Part21数据转换为属性图数据

应用字符串匹配技术，基于从STEP AP203 Part21物理文件中查找关键字的方法建立属性图G＝{N，E，Φ，Ω}，其中，N是图的节点的集合，E是图的边的集合，Φ是关于节点集合与边集合相连关系的集合，Ω是图的节点和边的相关属性集合。具体方法是：利用STEP文件的标准层次结构，先查找到关键字OPEN_SHELL或者CLOSED_SHELL，接着查找其以下的结构ADVANCED_FACE，然后再查找ADVANCED_FACE下面的SURFACE等，再由SURFACE查找相对应的EDGE，如此循环遍历整个STEP文件，逐步逐层找到每个面对应的每条边，并记录其相互关系和相关属性。节点属性包括面的面型、面积等，边的属性包括边的线型、长度等。最后以特定的文件格式记录属性图数据。

②从属性图数据提取三维CAD模型的特征不变量并以此构造其特征不变矢量

计算属性图的相关属性，如顶点数、边数、顶点最大维度、顶点最小维度、顶点平均维度、直径等，同时提取图的顶点和边的相关属性，如顶点的面型和面积，边的线型和长度等，将前述计算得到的特征不变量串接起来形成包含大量拓扑和几何信息的CAD模型的特征不变矢量，其维数或内容可以根据CAD模型相似度评估的实际需要灵活确定。

③基于构造的特征不变矢量应用自组织神经网络对CAD模型进行相似度评估

将CAD模型的特征不变矢量作为自组织神经网络的输入，对神经网络进行训练学习，利用收敛时神经网络输出层拓扑空间神经元之间的相对距离对CAD模型的相似度进行度量。距离越近，表示模型越相似；反之，表示差别越大。具体方法是：根据实际需要对数据库中所有CAD模型逐一进行相关的特征不变量提取并构造各自的特征不变矢量，所有特征不变矢量最终构成网络训练样本集。采用将矢量增加一维的方法对输入矢量进行归一化处理。选定网络拓扑及相关参数，对输入样本集进行训练直至收敛，记录神经网络输出层拓扑空间中各个特征不变矢量之间的相对距离，从而对CAD模型之间的相似度做出评估。

依据本方法可直接进行三维CAD模型的聚类以及基于相似性的CAD模型检索。本发明方法可用于基于内容的三维CAD模型搜索引擎、CAD数据库知识发现、基于事例的产品设计、工艺规划与成本评估等领域。本发明方法的重要特点是其自学习性、健壮性和灵活性，用户可根据相似度评估的实际需要灵活定义特征不变矢量包含的内容，矢量可长可短，从而满足不同层次的相似度评估需要。

附图说明

图1本发明方法原理框图

图2网络训练用CAD模型示意图

具体实施方式

本发明的具体实施方法遵循以下步骤：

①开发基于查找关键字方法读取并转换STEP AP203 Part21文件为属性图文件的属性图转换软件模块。利用该模块将数据库中所有需要训练的CAD模型的STEP文件转化成属性图数据文件。

②开发基于属性图数据文件对图的相关属性进行计算以提取图的特征不变量并以此构造CAD模型特征不变矢量的软件模块。不变量除了包括图的顶点数、边数、顶点最大维度、顶点最小维度、顶点平均维度、直径等外，同时还包括图的顶点和边的相关属性，如顶点含22种面型，边含28种线型，最后再添加两个辅助统计量统计上述面型和线型以外的面、线型数量。这样将前述计算得到的相关特征不变量串接起来即可形成一个包含CAD模型大量拓扑和几何信息的特征不变矢量，其维数可以根据实际需要灵活确定，当只考虑图的顶点和边的类型属性时其长度一般在1-60之间。利用特征不变矢量提取模块对数据库中所有CAD模型逐一进行特征不变量提取以形成各自的特征不变矢量，最终构成网络训练的输入样本集，归一化后是一个“(特征不变矢量维数+1)×样本数”的矩阵。

③开发自组织神经网络训练模块。通过该模块对网络配置参数，包括输出层拓扑(矩形或六边形)及节点数、输入层节点数、初始学习率、领域函数参数、领域时间参数、学习率时间参数、训练次数等进行设置。用一个9×1维矩阵存储所有网络配置参数。利用一随机函数初始化权值矩阵，为一“输出层节点数×(特征不变矢量维数+1)”的矩阵。基于网络训练模块输入网络训练样本集，开始训练直至收敛，记录神经网络输出层拓扑空间中各个特征不变矢量之间的相对距离，从而对CAD模型之间的相似度做出评估。

实施例

用VC++6.0开发属性图转换和特征不变矢量提取程序并利用MFC开发基于自组织神经网络的三维CAD模型相似性评估平台。收集32个工业实用CAD模型(见图2)的STEP AP203 Part21文件进行属性图数据转换和特征不变矢量提取。特征不变矢量维数确定为17，分别是属性图的5个基本统计量(顶点数、边数、顶点最大维度、顶点最小维度、顶点平均维度)，5个顶点属性，5个边的属性，以及2个辅助统计量。这样形成一个17×32的训练样本集，归一化后为18×32。在奔腾1.6G的机器上运行时间为31秒。网络配置为：输出层拓扑为边长为12的正六边形，初始学习率为0.1，领域函数参数为12，领域时间参数为621，学习率时间参数为1000，训练次数为3800。初始权值矩阵(397×18)由随机函数产生。在奔腾1.6G的机器上运行时间为39秒。表1为CAD模型特征不变矢量提取实例，表2给出了两个零件的相似性评估结果。该实施例表明本发明方法是可行和有效的。

表1 CAD模型特征不变矢量提取实例

表2 CAD模型相似性评估实例

Claims (4)

1、一种三维CAD模型基于形状的相似度评估方法，其特征在于，包括三个基本步骤：

①将三维CAD模型的STEP AP203 Part21数据转换为属性图数据；

②从属性图数据提取三维CAD模型的特征不变量并以此构造其特征不变矢量；

③基于构造的特征不变矢量应用自组织神经网络对CAD模型进行相似度评估。

2、根据权利要求1所述的三维CAD模型基于形状的相似度评估方法，其特征是，所述的步骤①，具体实现如下：

应用字符串匹配技术，基于从STEP AP203 Part21物理文件中查找关键字的方法建立属性图G＝{N，E，Φ，Ω}，其中，N是图的节点的集合，E是图的边的集合，Φ是关于节点集合与边集合相连关系的集合，Ω是图的节点和边的相关属性集合，具体方法是：利用STEP文件的标准层次结构，先查找到关键字OPEN_SHELL或者CLOSED_SHELL，接着查找其以下的结构ADVANCED_FACE，然后再查找ADVANCED_FACE下面的SURFACE，再由SURFACE查找相对应的EDGE，如此循环遍历整个STEP文件，逐步逐层找到每个面对应的每条边，并记录其相互关系和相关属性，节点属性包括面的面型、面积，边的属性包括边的线型、长度，最后以特定的文件格式记录属性图数据。

3、根据权利要求1所述的三维CAD模型基于形状的相似度评估方法，其特征是，所述的步骤②，具体实现如下：

计算属性图的顶点数、边数、顶点最大维度、顶点最小维度、顶点平均维度、直径属性，同时提取图的相关顶点的面型和面积，边的线型和长度属性，将前述计算得到的特征不变量串接起来形成包含大量拓扑和几何信息的CAD模型的特征不变矢量，其维数或内容根据CAD模型相似度评估的实际需要灵活确定。

4、根据权利要求1所述的三维CAD模型基于形状的相似度评估方法，其特征是，所述的步骤③，具体实现如下：

将CAD模型的特征不变矢量作为自组织神经网络的输入，对神经网络进行训练学习，利用收敛时神经网络输出层拓扑空间神经元之间的相对距离对CAD模型的相似度进行度量，距离越近，表示模型越相似；反之，表示差别越大，具体方法是：根据实际需要对数据库中所有CAD模型逐一进行相关的特征不变量提取并构造各自的特征不变矢量，所有特征不变矢量最终构成网络训练样本集，采用将矢量增加一维的方法对输入矢量进行归一化处理，选定网络拓扑及相关参数，对输入样本集进行训练直至收敛，记录神经网络输出层拓扑空间中各个特征不变矢量之间的相对距离，从而对CAD模型之间的相似度做出评估。