[发明专利]一种面向三维加工特征的智能识别与检索方法

权利要求书

1.一种面向三维加工特征的智能识别与检索方法，其特征在于，首先获取三维加工特征；然后对三维加工特征进行体素化处理；再对体素化模型进行数据增强处理得到三维加工特征数据集；然后构建三维卷积神经网络，训练三维加工特征并记录模型参数；然后输入检索的三维加工特征，对三维加工特征进行体素化处理；根据记录的模型参数计算检索的三维加工特征与数据集中各个加工特征之间的相似度，得到三维加工特征属于各个类别的概率，最后按降序排列输出识别和检索结果。

2.根据权利要求1所述的面向三维加工特征的智能识别与检索方法，其特征在于，体素化处理具体为：

体素网格以三维模型为中心，大小设置为a×b×c，a、b、c分别表示三维模型在空间三维坐标体系中沿三个坐标轴方向的体素大小，多余空间用0填充，体素完成后三维模型被离散为三维的二进制体素点。

3.根据权利要求1所述的面向三维加工特征的智能识别与检索方法，其特征在于，通过对三维体素化模型进行随机旋转变换来扩充数据集如下：

其中，V是齐次空间中三维模型网格点组成的矩阵，θ是三维体素化模型的旋转角度，在-180°到180°之间随机变化。

4.根据权利要求1所述的面向三维加工特征的智能识别与检索方法，其特征在于，构建的三维卷积神经网络包括4个卷积层、4个池化层、2个全连接层和1个Softmax层；4个卷积层依次分别为：一个7×7×7卷积层、一个5×5×5卷积层、一个4×4×4卷积层、一个3×3×3卷积层；4个池化层采用最大值的池化方式，滑动窗口大小都为2×2×2。

5.根据权利要求4所述的面向三维加工特征的智能识别与检索方法，其特征在于，三维卷积神经网络中的每一个卷积层都包括一个卷积层和一个ReLU层，每一个全连接层都包括一个全连接层和一个ReLU层，ReLU层激活函数如下：

R(x)＝max(x,0)

其中，x表示卷积层或者全连接层函数的输入；

从三维体素化模型提取的特征映射在卷积层和池化层中传递时产生的feature map计算如下：

其中，*表示卷积符号，表示第j个神经元连接第k-1层到第k层的权值向量，表示第j个神经元在第k层的偏置项，表示第j个神经元在第k层的输出。

6.根据权利要求4所述的面向三维加工特征的智能识别与检索方法，其特征在于，构建的三维卷积神经网络在每一个全连接层后加入dropout，以一定概率随机去除神经元，具体为：

其中，r^(l)是一个独立的伯努利随机变量且其值为1的概率为p，*是卷积符号，是第l层全连接层的输出，为经dropout处理后的输出。

7.根据权利要求4所述的面向三维加工特征的智能识别与检索方法，其特征在于，采用随机梯度下降(SGD)优化算法构建三维卷积神经网络，具体为：

其中，i是迭代指数，是动量变量，∈是学习率，D_i表示第i批训练的加工特征三维模型。

8.根据权利要求4所述的面向三维加工特征的智能识别与检索方法，其特征在于，采用交叉熵损失函数对构建的三维卷积神经网络中的目标函数进行评价，具体为：

其中，y为Softmax层输出预测的三维加工特征的类别标签，y是三维加工特征的真实类别标签，n表示数据集中加工特征的类别总数。

9.根据权利要求1所述的面向三维加工特征的智能识别与检索方法，其特征在于，检索的三维加工特征与数据集加工特征之间相似度计算如下：

其中，i＝1,2,3…,n，j＝1,2,3…,m，n表示数据集中加工特征类别总数，m表示每一类加工特征中包含的模型数目，Q表示检索的加工特征，M_i表示数据集中的第i类加工特征，表示加工特征Q与第i类加工特征中第j个模型的相似度，S(Q,M_i)表示加工特征Q与第i类加工特征的相似度。

10.根据权利要求1所述的面向三维加工特征的智能识别与检索方法，其特征在于，通过Softmax函数得到检索的三维加工特征属于各个类别的概率，实现三维加工特征的智能识别与检索，Softmax函数如下：

其中，i,k＝1,2,3…,n，n表示数据集中加工特征类别总数，v_k表示节点属于第k类，v_i表示节点属于第i类，y^(k)表示加工特征属于第k类的概率。