[发明专利]一种面向三维加工特征的智能识别与检索方法

说明书

本发明公开了一种面向三维加工特征的智能识别与检索方法，首先获取加工特征三维模型；然后对三维模型进行体素化处理；再对体素化模型进行数据增强处理得到三维模型数据集；然后构建三维卷积神经网络，训练三维模型并记录模型参数；然后输入三维模型，对加工特征三维模型进行体素化处理；根据记录的模型参数计算检索模型与数据集模型之间的相似度，得到模型属于各个类别的概率，最后按降序排列输出检索结果。本发明方法计算量小，识别速度快并且具有更高的三维加工特征识别和检索准确率。

技术领域

本发明属于深度学习和三维模型智能识别及检索技术领域，具体涉及一种面向三维加工特征的智能识别与检索方法。

背景技术

近年来，随着制造业的发展，企业发展模式从大批量生产向多品种、小批量生产转变，零部件加工特征类型增加且形状复杂多变。另外，随着三维建模技术的日益成熟，零部件的三维模型数量已经呈现出爆炸式的增长趋势，三维工艺设计技术在企业中也逐步得到应用。在传统机械加工零件工艺设计中，技术人员往往依靠编码技术或经验知识对零件加工特征的形状、尺寸等进行识别，在此基础上实现工艺设计。这种方法对人的经验知识依赖度高，不利于快速有效地对加工特征进行工艺设计，且不符合企业智能制造的发展需求。因此，快速有效地识别和检索零部件三维加工特征是一个待解决的难题。

2012年，Hinton教授等在ImageNet数据集图像分类、检测和定位中采用了卷积神经网络模型，标志着卷积神经网络在图像识别领域取得了突破性的研究。现在，卷积神经网络已经被广泛应用在图像识别领域，比如人脸识别和手写数字识别，并都取得了不错的成绩。卷积神经网络在三维模型识别和检索中也得到应用，但其主要基于三维模型视图，这种方法难以表达完整的三维模型信息且对于三维模型的理解也较为困难。随着卷积神经网络的发展和计算机计算能力的提升，三维卷积神经网络被提出，为三维加工特征的识别和检索提供了解决方法。但是，当前已有的三维卷积神经网络架构需要学习的参数较多，网络层数少，计算速度较慢并且有可能出现过拟合，因此，如何采用三维卷积神经网络实现对三维加工特征的高效、精确识别与检索还存在诸多需要改进的地方。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种面向三维加工特征的智能识别与检索方法，能够很好地对三维加工特征进行识别和检索，且搭建了一个三维卷积神经网络架构，计算速度快，计算量少，并防止了出现过拟合的情况。

本发明采用以下技术方案：

一种面向三维加工特征的智能识别与检索方法，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；然后输入三维加工特征，对加工特征三维模型进行体素化处理；根据记录的模型参数计算检索的加工特征与数据集中加工特征之间的相似度，得到检索的三维加工特征属于各个类别的概率，最后按降序排列输出检索结果。

具体的，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。

具体的，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。

具体的，构建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。