[发明专利]一种基于强化学习的三维模型自动上色方法

说明书

本发明公开了一种基于强化学习的三维模型自动上色方法，其特点是采用不断基于初始数据集进行训练，并对其进行扩充和补全，进而采用强化学习技术，诱导网络利用新加入的模型进行迭代自学习，最终，对于输入模型采用渐进式功能增强网络得到其对象级语义分割，并根据用户指定的模型目标功能描述或在“几何‑材料‑功能”数据集进行基于离散Hausdorff距离的高效几何匹配，得到输入模型的对象级可打印多材料智能分布结果。本发明与现有技术相比具有自动对三维模型进行多材料分布及上色，能精确制造出符合用户指定的三维模型多材料分布信息的打印模型，大大满足了航空、航天、医疗等领域的实际制造需求，具有良好的应用前景。

技术领域

本发明涉及三维模型打印技术领域，尤其是一种基于强化学习的三维模型自动上色的方法。

背景技术

三维打印技术——通常也叫作增材制造技术，正是凭借其全新的制造理念和独特的技术优势迅速发展成为“中国制造2025”中机械领域新的战略方向，在诸多领域已得到广泛的应用，推动了传统制造模式的转型升级。我国正处于信息化与工业化深度融合和产业升级换代的关键阶段，“安全可靠、自主可控”成为信息化发展的国家战略，进一步推进工业制造信息化对于提升我国产业竞争力具有重要的战略意义。国内三维打印市场快速增长，预计2020年达到350亿元。然而，与发达国家相比，我国的三维打印技术自主创新能力不足，特别是在三维打印的处理软件方面，存在着数据处理效率低、稳定性和通用性较差等问题。

目前，三维打印在同一模型中仅能使用一种材料进行制造，无法满足航空、航天、医疗等重要领域的需求，严重限制三维打印的应用范围和技术发展。随着多挤出头技术的产生，多种支持多材料三维打印的硬件设备相继面世。

现有技术的三维模型自动上色方法无法直接扩展到多材料三维打印技术中，无法根据三维模型的目标功能进行模型的自动多材料分布。

发明内容

本发明的目的是提供一种基于强化学习的三维模型自动上色方法，采用渐进式功能增强网络得到其对象级语义分割，并根据用户指定的模型目标功能描述或在“几何-材料-功能”数据集进行基于离散Hausdorff距离的高效几何匹配的方法，得到输入模型的对象级可打印多材料智能分布结果，利用该方法自动对三维模型进行多材料分布及上色，以期降低人工设计成本，提高智能化程度，将模型实际功能与其材料分布进行关联，方法简便，效率高，能精确制造出符合用户指定的三维模型多材料分布信息的打印模型，大大满足了航空、航天、医疗等领域的实际制造需求，具有良好的应用前景。

实现本发明目的的具体技术方案是：一种基于强化学习的三维模型自动上色方法，其特点是采用渐进式功能增强网络得到其对象级语义分割，并根据用户指定的模型目标功能描述或在“几何-材料-功能”数据集进行基于离散Hausdorff距离的几何匹配方法，得到输入模型的对象级可打印多材料智能分布结果，对三维模型进行多材料分布及上色具体包括以下步骤：

步骤1：数据集的补全与扩充

1.1)通过收集包含几何信息、材料信息以及粗略功能类型描述的初始数据集；

1.2)使用K-Means算法对模型进行聚类，当每一类的损失值小于指定阈值时停止训练；

1.3)对每一个聚类核进行高精确功能描述的手动标注，从而获得第一批完整功能标签核心模型。

步骤2：模型的自迭代学习

2.1)将所得的带有完整功能标签的核心模型输入到深度学习神经网络中，采用强化学习的策略，诱导网络利用新加入的模型进行自迭代学习，通过标签和网络输出确定能量函数值；

2.2)根据所述能量函数值和训练参数在所述训练集上训练深度神经网络模型；所述训练参数：学习率为0.00025；

2.3)当所述深度神经网络在训练集上的能量函数值达到设定阈值时，停止训练；