專利名稱：三維cad模型基于形狀的相似度評(píng)估方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種三維CAD模型基于形狀的相似度評(píng)估方法，具體是一種STEP格式的三維CAD模型基于形狀的相似度評(píng)估方法。用于數(shù)據(jù)管理技術(shù)領(lǐng)域。
背景技術(shù)：
隨著三維CAD應(yīng)用的普及和深入，大量的產(chǎn)品設(shè)計(jì)以三維CAD模型的形式存在，同時(shí)由于數(shù)據(jù)交換的需要，STEP這一中性文件表示格式被廣泛采用，如何有效管理乃至重用這些已有CAD數(shù)據(jù)引起了國(guó)內(nèi)外學(xué)者的廣泛興趣。由于傳統(tǒng)的基于屬性，如文件名稱、零件號(hào)等的檢索方法不僅存在檢索結(jié)果通常過寬或過窄、要求用戶事先知道屬性名稱、屬性也有可能隨時(shí)間變化等諸多缺陷，更為重要的是這種方法不能進(jìn)行CAD模型的相似度評(píng)估，因而難以實(shí)現(xiàn)對(duì)CAD設(shè)計(jì)資源的有效管理和重用，于是提出了若干基于形狀相似性或者基于內(nèi)容的檢索方法，基于圖的方法便是其中之一。
經(jīng)對(duì)現(xiàn)有技術(shù)文獻(xiàn)的檢索發(fā)現(xiàn)，Regli W C等人在《Computer-Aided Design》32(2000)，119-132上發(fā)表的“Managing digital libraries for computer-aideddesign”，(《計(jì)算機(jī)輔助設(shè)計(jì)》，數(shù)字化的計(jì)算機(jī)輔助設(shè)計(jì)庫的管理)該文介紹了基于圖的方法，其基本步驟是首先將CAD模型轉(zhuǎn)化為圖表示，利用圖的屬性和同構(gòu)計(jì)算進(jìn)行模型的相似度評(píng)估。由于圖的精確匹配是一個(gè)十分復(fù)雜的數(shù)學(xué)問題，計(jì)算效率很低，計(jì)算資源耗費(fèi)巨大，有學(xué)者也提出了近似匹配算法。盡管如此，這類方法存在的缺陷是計(jì)算方法復(fù)雜、資源耗費(fèi)大、運(yùn)行速度慢、沒有自學(xué)習(xí)功能，因此很難滿足大型CAD數(shù)據(jù)庫的數(shù)據(jù)管理和知識(shí)發(fā)現(xiàn)的需要。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提出了一種三維CAD模型基于形狀的相似度評(píng)估方法，在對(duì)STEP格式的CAD模型進(jìn)行屬性圖轉(zhuǎn)換后，提取其特征不變矢量，再采用自組織神經(jīng)網(wǎng)絡(luò)模型對(duì)三維CAD模型進(jìn)行相似度評(píng)估，從而使該方法具有算法簡(jiǎn)便靈活、資源耗費(fèi)少、運(yùn)行效率高、并且能動(dòng)態(tài)更新學(xué)習(xí)等顯著特點(diǎn)，因此可以很好滿足大型CAD數(shù)據(jù)庫的數(shù)據(jù)管理和知識(shí)發(fā)現(xiàn)的需要。
本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明方法包括三個(gè)基本步驟①將三維CAD模型的STEP AP203 Part21數(shù)據(jù)轉(zhuǎn)換為屬性圖數(shù)據(jù)應(yīng)用字符串匹配技術(shù)，基于從STEP AP203 Part21物理文件中查找關(guān)鍵字的方法建立屬性圖G＝{N，E，Φ，Ω}，其中，N是圖的節(jié)點(diǎn)的集合，E是圖的邊的集合，Φ是關(guān)于節(jié)點(diǎn)集合與邊集合相連關(guān)系的集合，Ω是圖的節(jié)點(diǎn)和邊的相關(guān)屬性集合。具體方法是利用STEP文件的標(biāo)準(zhǔn)層次結(jié)構(gòu)，先查找到關(guān)鍵字OPEN_SHELL或者CLOSED_SHELL，接著查找其以下的結(jié)構(gòu)ADVANCED_FACE，然后再查找ADVANCED_FACE下面的SURFACE等，再由SURFACE查找相對(duì)應(yīng)的EDGE，如此循環(huán)遍歷整個(gè)STEP文件，逐步逐層找到每個(gè)面對(duì)應(yīng)的每條邊，并記錄其相互關(guān)系和相關(guān)屬性。節(jié)點(diǎn)屬性包括面的面型、面積等，邊的屬性包括邊的線型、長(zhǎng)度等。最后以特定的文件格式記錄屬性圖數(shù)據(jù)。
②從屬性圖數(shù)據(jù)提取三維CAD模型的特征不變量并以此構(gòu)造其特征不變矢量計(jì)算屬性圖的相關(guān)屬性，如頂點(diǎn)數(shù)、邊數(shù)、頂點(diǎn)最大維度、頂點(diǎn)最小維度、頂點(diǎn)平均維度、直徑等，同時(shí)提取圖的頂點(diǎn)和邊的相關(guān)屬性，如頂點(diǎn)的面型和面積，邊的線型和長(zhǎng)度等，將前述計(jì)算得到的特征不變量串接起來形成包含大量拓?fù)浜蛶缀涡畔⒌腃AD模型的特征不變矢量，其維數(shù)或內(nèi)容可以根據(jù)CAD模型相似度評(píng)估的實(shí)際需要靈活確定。
③基于構(gòu)造的特征不變矢量應(yīng)用自組織神經(jīng)網(wǎng)絡(luò)對(duì)CAD模型進(jìn)行相似度評(píng)估將CAD模型的特征不變矢量作為自組織神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，利用收斂時(shí)神經(jīng)網(wǎng)絡(luò)輸出層拓?fù)淇臻g神經(jīng)元之間的相對(duì)距離對(duì)CAD模型的相似度進(jìn)行度量。距離越近，表示模型越相似；反之，表示差別越大。具體方法是根據(jù)實(shí)際需要對(duì)數(shù)據(jù)庫中所有CAD模型逐一進(jìn)行相關(guān)的特征不變量提取并構(gòu)造各自的特征不變矢量，所有特征不變矢量最終構(gòu)成網(wǎng)絡(luò)訓(xùn)練樣本集。采用將矢量增加一維的方法對(duì)輸入矢量進(jìn)行歸一化處理。選定網(wǎng)絡(luò)拓?fù)浼跋嚓P(guān)參數(shù)，對(duì)輸入樣本集進(jìn)行訓(xùn)練直至收斂，記錄神經(jīng)網(wǎng)絡(luò)輸出層拓?fù)淇臻g中各個(gè)特征不變矢量之間的相對(duì)距離，從而對(duì)CAD模型之間的相似度做出評(píng)估。
依據(jù)本方法可直接進(jìn)行三維CAD模型的聚類以及基于相似性的CAD模型檢索。本發(fā)明方法可用于基于內(nèi)容的三維CAD模型搜索引擎、CAD數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)、基于事例的產(chǎn)品設(shè)計(jì)、工藝規(guī)劃與成本評(píng)估等領(lǐng)域。本發(fā)明方法的重要特點(diǎn)是其自學(xué)習(xí)性、健壯性和靈活性，用戶可根據(jù)相似度評(píng)估的實(shí)際需要靈活定義特征不變矢量包含的內(nèi)容，矢量可長(zhǎng)可短，從而滿足不同層次的相似度評(píng)估需要。


圖1本發(fā)明方法原理框2網(wǎng)絡(luò)訓(xùn)練用CAD模型示意圖具體實(shí)施方式
本發(fā)明的具體實(shí)施方法遵循以下步驟①開發(fā)基于查找關(guān)鍵字方法讀取并轉(zhuǎn)換STEP AP203 Part21文件為屬性圖文件的屬性圖轉(zhuǎn)換軟件模塊。利用該模塊將數(shù)據(jù)庫中所有需要訓(xùn)練的CAD模型的STEP文件轉(zhuǎn)化成屬性圖數(shù)據(jù)文件。
②開發(fā)基于屬性圖數(shù)據(jù)文件對(duì)圖的相關(guān)屬性進(jìn)行計(jì)算以提取圖的特征不變量并以此構(gòu)造CAD模型特征不變矢量的軟件模塊。不變量除了包括圖的頂點(diǎn)數(shù)、邊數(shù)、頂點(diǎn)最大維度、頂點(diǎn)最小維度、頂點(diǎn)平均維度、直徑等外，同時(shí)還包括圖的頂點(diǎn)和邊的相關(guān)屬性，如頂點(diǎn)含22種面型，邊含28種線型，最后再添加兩個(gè)輔助統(tǒng)計(jì)量統(tǒng)計(jì)上述面型和線型以外的面、線型數(shù)量。這樣將前述計(jì)算得到的相關(guān)特征不變量串接起來即可形成一個(gè)包含CAD模型大量拓?fù)浜蛶缀涡畔⒌奶卣鞑蛔兪噶浚渚S數(shù)可以根據(jù)實(shí)際需要靈活確定，當(dāng)只考慮圖的頂點(diǎn)和邊的類型屬性時(shí)其長(zhǎng)度一般在1-60之間。利用特征不變矢量提取模塊對(duì)數(shù)據(jù)庫中所有CAD模型逐一進(jìn)行特征不變量提取以形成各自的特征不變矢量，最終構(gòu)成網(wǎng)絡(luò)訓(xùn)練的輸入樣本集，歸一化后是一個(gè)“(特征不變矢量維數(shù)+1)×樣本數(shù)”的矩陣。
③開發(fā)自組織神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊。通過該模塊對(duì)網(wǎng)絡(luò)配置參數(shù)，包括輸出層拓?fù)?矩形或六邊形)及節(jié)點(diǎn)數(shù)、輸入層節(jié)點(diǎn)數(shù)、初始學(xué)習(xí)率、領(lǐng)域函數(shù)參數(shù)、領(lǐng)域時(shí)間參數(shù)、學(xué)習(xí)率時(shí)間參數(shù)、訓(xùn)練次數(shù)等進(jìn)行設(shè)置。用一個(gè)9×1維矩陣存儲(chǔ)所有網(wǎng)絡(luò)配置參數(shù)。利用一隨機(jī)函數(shù)初始化權(quán)值矩陣，為一“輸出層節(jié)點(diǎn)數(shù)×(特征不變矢量維數(shù)+1)”的矩陣?；诰W(wǎng)絡(luò)訓(xùn)練模塊輸入網(wǎng)絡(luò)訓(xùn)練樣本集，開始訓(xùn)練直至收斂，記錄神經(jīng)網(wǎng)絡(luò)輸出層拓?fù)淇臻g中各個(gè)特征不變矢量之間的相對(duì)距離，從而對(duì)CAD模型之間的相似度做出評(píng)估。
實(shí)施例用VC++6.0開發(fā)屬性圖轉(zhuǎn)換和特征不變矢量提取程序并利用MFC開發(fā)基于自組織神經(jīng)網(wǎng)絡(luò)的三維CAD模型相似性評(píng)估平臺(tái)。收集32個(gè)工業(yè)實(shí)用CAD模型(見圖2)的STEP AP203 Part21文件進(jìn)行屬性圖數(shù)據(jù)轉(zhuǎn)換和特征不變矢量提取。特征不變矢量維數(shù)確定為17，分別是屬性圖的5個(gè)基本統(tǒng)計(jì)量(頂點(diǎn)數(shù)、邊數(shù)、頂點(diǎn)最大維度、頂點(diǎn)最小維度、頂點(diǎn)平均維度)，5個(gè)頂點(diǎn)屬性，5個(gè)邊的屬性，以及2個(gè)輔助統(tǒng)計(jì)量。這樣形成一個(gè)17×32的訓(xùn)練樣本集，歸一化后為18×32。在奔騰1.6G的機(jī)器上運(yùn)行時(shí)間為31秒。網(wǎng)絡(luò)配置為輸出層拓?fù)錇檫呴L(zhǎng)為12的正六邊形，初始學(xué)習(xí)率為0.1，領(lǐng)域函數(shù)參數(shù)為12，領(lǐng)域時(shí)間參數(shù)為621，學(xué)習(xí)率時(shí)間參數(shù)為1000，訓(xùn)練次數(shù)為3800。初始權(quán)值矩陣(397×18)由隨機(jī)函數(shù)產(chǎn)生。在奔騰1.6G的機(jī)器上運(yùn)行時(shí)間為39秒。表1為CAD模型特征不變矢量提取實(shí)例，表2給出了兩個(gè)零件的相似性評(píng)估結(jié)果。該實(shí)施例表明本發(fā)明方法是可行和有效的。
表1 CAD模型特征不變矢量提取實(shí)例 表2 CAD模型相似性評(píng)估實(shí)例
權(quán)利要求
1.一種三維CAD模型基于形狀的相似度評(píng)估方法，其特征在于，包括三個(gè)基本步驟①將三維CAD模型的STEP AP203 Part21數(shù)據(jù)轉(zhuǎn)換為屬性圖數(shù)據(jù)；②從屬性圖數(shù)據(jù)提取三維CAD模型的特征不變量并以此構(gòu)造其特征不變矢量；③基于構(gòu)造的特征不變矢量應(yīng)用自組織神經(jīng)網(wǎng)絡(luò)對(duì)CAD模型進(jìn)行相似度評(píng)估。
2.根據(jù)權(quán)利要求1所述的三維CAD模型基于形狀的相似度評(píng)估方法，其特征是，所述的步驟①，具體實(shí)現(xiàn)如下應(yīng)用字符串匹配技術(shù)，基于從STEP AP203 Part21物理文件中查找關(guān)鍵字的方法建立屬性圖G＝{N，E，Φ，Ω}，其中，N是圖的節(jié)點(diǎn)的集合，E是圖的邊的集合，Φ是關(guān)于節(jié)點(diǎn)集合與邊集合相連關(guān)系的集合，Ω是圖的節(jié)點(diǎn)和邊的相關(guān)屬性集合，具體方法是利用STEP文件的標(biāo)準(zhǔn)層次結(jié)構(gòu)，先查找到關(guān)鍵字OPEN_SHELL或者CLOSED_SHELL，接著查找其以下的結(jié)構(gòu)ADVANCED_FACE，然后再查找ADVANCED_FACE下面的SURFACE，再由SURFACE查找相對(duì)應(yīng)的EDGE，如此循環(huán)遍歷整個(gè)STEP文件，逐步逐層找到每個(gè)面對(duì)應(yīng)的每條邊，并記錄其相互關(guān)系和相關(guān)屬性，節(jié)點(diǎn)屬性包括面的面型、面積，邊的屬性包括邊的線型、長(zhǎng)度，最后以特定的文件格式記錄屬性圖數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的三維CAD模型基于形狀的相似度評(píng)估方法，其特征是，所述的步驟②，具體實(shí)現(xiàn)如下計(jì)算屬性圖的頂點(diǎn)數(shù)、邊數(shù)、頂點(diǎn)最大維度、頂點(diǎn)最小維度、頂點(diǎn)平均維度、直徑屬性，同時(shí)提取圖的相關(guān)頂點(diǎn)的面型和面積，邊的線型和長(zhǎng)度屬性，將前述計(jì)算得到的特征不變量串接起來形成包含大量拓?fù)浜蛶缀涡畔⒌腃AD模型的特征不變矢量，其維數(shù)或內(nèi)容根據(jù)CAD模型相似度評(píng)估的實(shí)際需要靈活確定。
4.根據(jù)權(quán)利要求1所述的三維CAD模型基于形狀的相似度評(píng)估方法，其特征是，所述的步驟③，具體實(shí)現(xiàn)如下將CAD模型的特征不變矢量作為自組織神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，利用收斂時(shí)神經(jīng)網(wǎng)絡(luò)輸出層拓?fù)淇臻g神經(jīng)元之間的相對(duì)距離對(duì)CAD模型的相似度進(jìn)行度量，距離越近，表示模型越相似；反之，表示差別越大，具體方法是根據(jù)實(shí)際需要對(duì)數(shù)據(jù)庫中所有CAD模型逐一進(jìn)行相關(guān)的特征不變量提取并構(gòu)造各自的特征不變矢量，所有特征不變矢量最終構(gòu)成網(wǎng)絡(luò)訓(xùn)練樣本集，采用將矢量增加一維的方法對(duì)輸入矢量進(jìn)行歸一化處理，選定網(wǎng)絡(luò)拓?fù)浼跋嚓P(guān)參數(shù)，對(duì)輸入樣本集進(jìn)行訓(xùn)練直至收斂，記錄神經(jīng)網(wǎng)絡(luò)輸出層拓?fù)淇臻g中各個(gè)特征不變矢量之間的相對(duì)距離，從而對(duì)CAD模型之間的相似度做出評(píng)估。
全文摘要
一種三維CAD模型基于形狀的相似度評(píng)估方法，用于數(shù)據(jù)管理技術(shù)領(lǐng)域。步驟如下將三維CAD模型的STEP AP203 Part21數(shù)據(jù)轉(zhuǎn)換為屬性圖數(shù)據(jù)；從屬性圖數(shù)據(jù)提取三維CAD模型的特征不變量并以此構(gòu)造其特征不變矢量；基于構(gòu)造的特征不變矢量應(yīng)用自組織神經(jīng)網(wǎng)絡(luò)對(duì)CAD模型進(jìn)行相似度評(píng)估。依據(jù)本方法可直接進(jìn)行三維CAD模型的聚類以及基于相似性的CAD模型檢索。本發(fā)明方法的重要特點(diǎn)是算法簡(jiǎn)便靈活、資源耗費(fèi)少、計(jì)算效率高，并且具有自學(xué)習(xí)性、健壯性和靈活性，用戶可根據(jù)相似度評(píng)估的實(shí)際需要靈活定義特征不變矢量包含的內(nèi)容，矢量可長(zhǎng)可短，從而滿足不同層次的相似度評(píng)估需要。
文檔編號(hào)G06F17/30GK1614593SQ20041006715
公開日2005年5月11日 申請(qǐng)日期2004年10月14日 優(yōu)先權(quán)日2004年10月14日
發(fā)明者王玉, 何瑋, 肖熠中 申請(qǐng)人:上海交通大學(xué)