一种用于神经网络的零件模型几何特征提取方法技术

本发明专利技术公开了一种用于神经网络的零件模型几何特征提取方法。包括：将零件模型的几何元素划分为多条线和多个面；对划分后的多条线和多个面分别进行线和面的采样和进行特征参数计算后，分别获得对应的几何特征，再根据线的几何特征将多条线划分为直线、圆弧、自由曲线，根据面的几何特征将多个面划分为平面、柱面、球面、自由曲面；最后对自由曲线、自由曲面进行特征参数插值计算和二次采样后，获得自由曲线和自由曲面的最终几何特征，从而获得零件模型中所有线和面的几何特征，用于作为神经网络的输入以支撑后续应用。本发明专利技术充分利用三维模型的局部几何特征，提高了原有的神经网络模型泛化能力，使得自由曲线和自由曲面的识别结果更加可靠。果更加可靠。果更加可靠。

【技术实现步骤摘要】
一种用于神经网络的零件模型几何特征提取方法


[0001]本专利技术涉及到零件特征识别领域的特征提取方法，特别是一种用于神经网络的零件模型几何特征提取方法。

技术介绍

[0002]实体模型表示的行业标准是边界表示法(B
‑
rep)。B
‑
rep是一种多功能数据结构，由面、边和顶点组成，通过它们之间的拓扑关系粘合在一起。B
‑
rep允许各种参数化曲线和曲面由CAD建模操作来实现精确表示。零件设计人员通过软件直接与B
‑
rep面、边和顶点交互，以选择、对齐和修改三维形状。为了利用CAD软件中深度神经网络的最新进展，需要对B
‑
rep数据进行适当的表示。
[0003]尽管B
‑
rep数据在行业中广泛使用，但将B
‑
rep数据和深层神经网络直接相结合的研究仍然有限。已有的方法是将B
‑
rep数据预处理为经过充分研究的表示形式，如图像、体素、点云或三角形网格。离散化表示会丢失保真度，并且可能会丢失返回原始B
‑
rep实体的关键映射。

技术实现思路

[0004]针对
技术介绍
中存在的问题，本专利技术提出一种用于神经网络的零件模型几何特征提取方法。
[0005]本专利技术的技术方案如下：
[0006]本专利技术包括以下步骤：
[0007]步骤一：根据零件模型文件的数据特点将零件模型的几何元素划分为多条线和多个面；
[0008]步骤二：对步骤一中划分后的多条线和多个面分别进行线和面的采样，分别获得多条线和多个面对应的各个离散点，对各个离散点进行特征参数计算后，分别获得多条线和多个面对应的几何特征，再根据线的几何特征将多条线划分为直线、圆弧、自由曲线，根据面的几何特征将多个面划分为平面、柱面、球面、自由曲面；
[0009]步骤三：根据自由曲线、自由曲面的各个离散点，对自由曲线、自由曲面进行插值计算和二次采样后，获得自由曲线和自由曲面的最终几何特征，从而获得零件模型中所有线和面的几何特征。
[0010]所述步骤二具体为：
[0011]S2.1：对零件模型中每条线进行一维采样，获得当前线的各个离散点，以当前线的各个离散点的坐标以及计算所得的单位切向量作为当前线的几何特征，遍历采样所有线，获得所有线的几何特征，根据各条线的几何特征将线划分为直线、圆弧和自由曲线；
[0012]S2.2：对零件模型中每个面进行二维采样，获得当前面的各个离散点，以当前面的各个离散点的坐标以及计算所得的单位法向量作为当前面的几何特征，遍历采样所有面，获得所有面的几何特征，根据各个面的几何特征将面划分为平面、柱面、球面和自由曲面。
[0013]所述S2.1中对零件模型中每条线一维采样，获得当前线的各个离散点，具体为：
[0014]对零件模型中每条线参数化后，实现当前线的参数域区间[m
min
，m
max
]到几何域的映射，其中的映射，其中表示一维实数，对参数化后的当前线进行均匀采样后，使得参数域区间[m
min
，m
max
]离散为一维网格，获得当前线的各个离散点，其中一维网格的采样步长的计算公式如下：
[0015][0016]其中，δm为一维网格步长，m
min
为当前条线的参数域区间下界，m
max
为当前条线的参数域区间上界，M为当前条线的离散点数量。
[0017]所述S2.2中对零件模型中每个面进行二维采样，获得当前面的各个离散点，具体为：
[0018]对零件模型中每个面参数化后，实现当前面的二维参数域区间[s
min
，s
max
]×
[t
min
，t
max
]到几何域的映射，其中，的映射，其中，表示二维实数，对当前面的二维参数域区间[s
min
，s
max
]×
[t
min
，t
max
]分别进行水平向右方向和竖直向上方向上的均匀采样，使得二维参数域区间[s
min
，s
max
]×
[t
min
，t
max
]离散为二维网格，获得当前面的各个离散点，其中二维网格中水平向右和竖直向上的采样步长的计算公式如下：
[0019][0020][0021]其中，δ
s
为二维网格中水平向右方向的采样步长，δt为二维网格中竖直向上方向的采样步长，s
min
、t
min
为二维参数域区间的两个下界，s
max
、t
max
为二维参数域区间的两个上界，Q、P分别为当前面在水平方向和竖直方向上的离散点数量。
[0022]所述步骤三具体为：
[0023]S3.1：将每条自由曲线中任意两个相邻离散点相连后，求解由当前两个离散点所得区间的线性插值方程，根据线性插值方程求解获得当前两个离散点的插值曲线方程，计算公式如下：
[0024]f
lin
(s)＝[f(s
k
)
·
(s
k+1
‑
s)+f(s
k+1
)
·
(s
‑
s
k
)]/(s
k+1
‑
s
k
)
[0025][0026]q(s)＝f
lin
(s
‑
δs)
‑
2f
lin
(s)+f
lin
(s+δs)
[0027]其中，f
lin
(s)表示当前自由曲线D(s)在区间[s
k
，s
k+1
)的线性插值方程，s
min
＜s
k
＜s
max
且s
k
为第k个离散点a
k
的水平方向的坐标值，f(s)为自由曲线D(s)的插值曲线方程，s＝s
k
+α且α∈[0，δs)，α表示水平方向的坐标值偏差参数，q(s)表示插值曲线方程的二阶小量；
[0028]S3.2：求解插值曲线方程中切向量和线性插值方程所表示的线段相平行的点并作为插值点，将离散点的更新方向设置为水平方向，将水平方向坐标值最小的离散点的水平方向坐标值更新为插值点的水平方向坐标值，最后根据更新后的水平方向坐标值在零件模
型中进行二次采样，获得当前离散点竖直方向的坐标值，进行更新当前离散点的坐标以及单位切向量；
[0029]S3.3：遍历当前自由曲线的剩余离散点，重复S3.1
‑
S3.2，更新剩余离散点的坐标以及单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于神经网络的零件模型几何特征提取方法，其特征在于，包括以下步骤：步骤一：根据零件模型文件的数据特点将零件模型的几何元素划分为多条线和多个面；步骤二：对步骤一中划分后的多条线和多个面分别进行线和面的采样，分别获得多条线和多个面对应的各个离散点，对各个离散点进行特征参数计算后，分别获得多条线和多个面对应的几何特征，再根据线的几何特征将多条线划分为直线、圆弧、自由曲线，根据面的几何特征将多个面划分为平面、柱面、球面、自由曲面；步骤三：根据自由曲线、自由曲面的各个离散点，对自由曲线、自由曲面进行插值计算和二次采样后，获得自由曲线和自由曲面的最终几何特征，从而获得零件模型中所有线和面的几何特征。2.根据权利要求1所述的一种用于神经网络的零件模型几何特征提取方法，其特征在于，所述步骤二具体为：S2.1：对零件模型中每条线进行一维采样，获得当前线的各个离散点，以当前线的各个离散点的坐标以及计算所得的单位切向量作为当前线的几何特征，遍历采样所有线，获得所有线的几何特征，根据各条线的几何特征将线划分为直线、圆弧和自由曲线；S2.2：对零件模型中每个面进行二维采样，获得当前面的各个离散点，以当前面的各个离散点的坐标以及计算所得的单位法向量作为当前面的几何特征，遍历采样所有面，获得所有面的几何特征，根据各个面的几何特征将面划分为平面、柱面、球面和自由曲面。3.根据权利要求2所述的一种用于神经网络的零件模型几何特征提取方法，其特征在于，所述S2.1中对零件模型中每条线一维采样，获得当前线的各个离散点，具体为：对零件模型中每条线参数化后，实现当前线的参数域区间[m
min
，m
max
]到几何域的映射，其中射，其中表示一维实数，对参数化后的当前线进行均匀采样后，使得参数域区间[m
min
，m
max
]离散为一维网格，获得当前线的各个离散点，其中一维网格的采样步长的计算公式如下：其中，δm为一维网格步长，m
min
为当前条线的参数域区间下界，m
max
为当前条线的参数域区间上界，M为当前条线的离散点数量。4.根据权利要求2所述的一种用于神经网络的零件模型几何特征提取方法，其特征在于，所述S2.2中对零件模型中每个面进行二维采样，获得当前面的各个离散点，具体为：对零件模型中每个面参数化后，实现当前面的二维参数域区间[s
min
，s
max
]
×
[t
min
，t
max
]到几何域的映射，其中，的映射，其中，表示二维实数，对当前面的二维参数域区间[s
min
，s
max
]
×
[t
min
，t
max
]分别进行水平向右方向和竖直向上方向上的均匀采样，使得二维参数域区间[s
min
，s
max
]
×
[t
min
，t
max
]离散为二维网格，获得当前面的各个离散点，其中二维网格中水平向右和竖直向上...

【专利技术属性】
技术研发人员：冯毅雄，岑鸿晋，洪兆溪，吴轩宇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：