基于深度学习的加工特征分类识别方法

本发明涉及机械加工，尤其是涉及一种基于深度学习的加工特征分类识别方法。

背景技术：

1、零件加工特征识别是实现加工工艺自动化设计及数控加工程序自动化编制的基础技术。加工特征是cad和capp(computeraided process planning)系统联系的纽带，但当cad和capp系统独立运行时，导致设计信息与制造信息无法互通，需要通过人工手段将设计信息转换为制造信息，该过程不仅影响工艺规范性，难以保证加工质量，而且降低产品制造效率。目前，实现设计信息与制造信息互通的有效途径之一是加工特征识别技术。

2、加工特征识别方法主要包括基于图、基于规则、基于体分解和基于痕迹等方法，但这些加工特征识别方法存在以下问题：(1)特征具有多样性，不同的应用系统只根据需要寻求预定特征的识别算法，使得算法无法适应特征多样性的要求；(2)不具备学习能力，对cad三维模型的抗噪性较差，以及处理复杂、相交特征能力较弱，且识别效率低，不能保证识别结果的准确性。

技术实现思路

1、针对以上存在的问题，本发明提出了一种基于深度学习的加工特征分类识别方法，将传统的加工特征识别方法与深度学习网络相结合，可以有效解决复杂加工特征识别困难的问题，提高识别结果的准确性。

2、为了解决上述问题，本发明采取如下的技术方案：

3、基于深度学习的加工特征分类识别方法，包括以下步骤：

4、步骤1：通过零件三维模型导出step中性文件，从step中性文件中提取出零件模型的几何、拓扑信息，并将几何、拓扑信息存储为内存工作格式文件；

5、步骤2：基于内存工作格式文件对零件模型中相邻两面相交边的凹凸性进行判定；

6、步骤3：根据相邻两面相交边的凹凸性判定结果，构建零件模型的属性邻接图，并以扩展属性邻接矩阵的形式进行储存，所述扩展属性邻接矩阵是一个对称方阵，对角线元素的不同取值表示对应零件模型的不同表面，非对角线元素表示两个面间的邻接属性，若两个面的相交边为凹边，则该元素的个位数为0；若两个面的相交边为凸边，则该元素的个位数为1；若两个面不相交，则该元素为0；

7、步骤4：利用加工特征子图提取算法对属性邻接图进行分解，提取加工特征子图，并生成对应的加工特征邻接子矩阵；

8、步骤5：将加工特征邻接子矩阵与预定义特征库中加工特征的扩展属性邻接矩阵进行匹配，得到加工特征匹配结果；

9、步骤6：根据加工特征匹配结果，在零件模型中对相应的加工特征进行高亮显示；

10、步骤7：基于多角度降维捕捉的方法对零件模型中的三维加工特征进行多角度旋转和视图捕捉操作，在不同角度下捕捉二维彩色加工特征图像，生成加工特征数据集并对数据集预处理；

11、步骤8：在数据集中的二维彩色加工特征图像上框选出包含的加工特征，并标注出每个加工特征的类型，完成数据集的信息标注，再将标注完的数据集分成训练集和测试集；

12、步骤9：构建基于深度网络学习的加工特征分类识别模型，并利用训练集和测试集对所述加工特征分类识别模型进行训练和测试，得到训练好的加工特征分类识别模型，所述加工特征分类识别模型包括主干特征提取网络、加强特征融合网络和预测输出网络，其中主干特征提取网络采用backbone结构提取三个特征图，加强特征融网络包括fpn和pan两个特征金字塔结构，对输入的三个特征图进行融合，融合后得到三个不同尺寸的特征图，预测输出网络对三个不同尺寸的特征图分别进行卷积操作，输出预测结果；

13、步骤10：利用训练好的加工特征分类识别模型对待识别零件模型对应的二维彩色加工特征图像进行识别，得到加工特征分类识别结果。

14、本发明具有以下有益效果：

15、本发明提出的基于深度学习的加工特征分类识别方法，首先通过零件三维模型导出其对应的step中性文件，并从中提取出模型的几何、拓扑信息，以内存工作格式的形式进行存储；然后基于step的内存工作格式对模型中两邻接面的相交边进行凹凸性判定，从而建立模型的属性邻接图，并以扩展属性邻接矩阵的形式对属性邻接图进行存储；基于加工特征子图提取算法从属性邻接图中提取出加工特征子图，并生成加工特征邻接子矩阵，将加工特征邻接子矩阵与预定义特征库中的扩展属性邻接矩阵进行匹配，得到加工特征子图对应的加工特征；在零件模型中对匹配得到的加工特征进行高亮处理，基于多角度降维捕捉方法获取二维彩色加工特征图像，生成加工特征数据集，并对数据集进行预处理，形成训练集和测试集；最后构建基于深度网络学习的加工特征分类识别模型，利用训练集和测试集完成对模型的训练和测试，训练好的加工特征分类识别模型能够实现对待识别零件的加工特征的识别分类。本发明结合了基于属性邻接图的加工特征识别技术和深度神经网络技术的优势，能够适应多样性的加工特征；同时，本发明采用基于深度学习的加工特征分类识别模型不仅具有学习能力，且能有效解决复杂加工特征识别困难的问题，使识别率更高。

技术特征：

1.基于深度学习的加工特征分类识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的加工特征分类识别方法，其特征在于，当相邻两面相交边为直线边时，其凹凸性判定方法如下：

3.根据权利要求2所述的基于深度学习的加工特征分类识别方法，其特征在于，当相邻两面相交边为圆边时，其凹凸性判定方法如下：

4.根据权利要求1所述的基于深度学习的加工特征分类识别方法，其特征在于，构建零件模型的属性邻接图的过程包括以下步骤：

5.根据权利要求1所述的基于深度学习的加工特征分类识别方法，其特征在于，步骤4包括以下步骤：

6.根据权利要求1所述的基于深度学习的加工特征分类识别方法，其特征在于，所述预定义特征库包括加工特征以及其对应的加工特征模型、属性邻接图和扩展属性邻接矩阵。

技术总结
本发明涉及一种基于深度学习的加工特征分类识别方法，包括步骤：从零件三维模型的STEP中性文件中提取出模型的几何、拓扑信息，并存储为内存工作格式；对模型中两邻接面的相交边进行凹凸性判定，建立属性邻接图，并存储为扩展属性邻接矩阵；从属性邻接图中提取出加工特征子图，生成加工特征邻接子矩阵，将加工特征邻接子矩阵与预定义特征库中的扩展属性邻接矩阵进行匹配，得到加工特征并高亮显示，获取二维彩色加工特征图像，生成加工特征数据集；构建基于深度网络学习的加工特征分类识别模型，模型训练后用于对待识别零件的加工特征进行识别分类。该方法基于深度网络学习，有效解决了复杂加工特征识别困难的问题，提高了识别结果的准确率。

技术研发人员：李学光,张大舜,唐正伟,孟凡军,苗立琴,丁海涛,王静,高迪,王相海,郭克,史德晶
受保护的技术使用者：长春理工大学
技术研发日：
技术公布日：2024/1/15