[发明专利]一种基于双层深度残差网络的三维CAD模型智能检索方法

权利要求书

1.一种基于双层深度残差网络的三维CAD模型智能检索方法，其特征在于，采用深度残差网络作为基本框架，构建包括过滤网络FilterNet和排序网络RankNet的双层深度残差网络，过滤网络FilterNet用于三维CAD模型检索时初步排除与输入无关的三维CAD模型，排序网络RankNet用于对与输入相关的三维CAD模型按相似度进行排序并输出给用户；通过获取企业历史三维CAD模型实体视图/线框视图并进行数据预处理制作训练数据集1和训练数据集2，然后将数据集1用于过滤网络FilterNet的参数训练，将数据集2用于排序网络RankNet的参数训练，将训练好的网络保存为.h5文件；调用训练好的双层深度残差网络，通过三维CAD模型的实体视图、线框视图、工程图纸、工程草图实现对相似三维CAD模型的精确检索。

2.根据权利要求1所述的基于双层深度残差网络的三维CAD模型智能检索方法，其特征在于，深度残差网络总体结构包含视图预处理模块、残差模块和后处理模块构成，其中，残差模块O(x)为：

O(x)＝max(0,F(x,{W_i})+W_sx)

其中，x为上一层网络的输出，F(x,{W_i})为残差学习，W_i为残差模块的权重参数，W_sx为恒等映射，W_s为方阵，用于匹配x和F(x,{W_i})的维度。

3.根据权利要求1所述的基于双层深度残差网络的三维CAD模型智能检索方法，其特征在于，实体视图定义为三维CAD模型带边线上色后获取的视图，线框视图定义为三维CAD模型消除隐藏线后获取的视图，基于实体视图和线框视图的三维CAD模型表征为：

其中，表示某个给定的三维CAD模型，U为训练数据集模型总数，其所属模型类别为c_w，C＝{c₁,…,c_w,…,c_W}，W为训练数据集总的模型类别，表示模型的实体视图集合，表示模型的线框视图集合，实体视图和线框视图的数目均为n，像素大小为k×l。

4.根据权利要求1所述的基于双层深度残差网络的三维CAD模型智能检索方法，其特征在于，预处理包括比例缩放、灰度变换和归一化处理，对获取的实体视图和线框视图做比例缩放如下：

其中，[x₀ y₀ 1]为实体视图或线框视图上的点，视图的像素大小为k×l，[x₁ y₁ 1]为该视图比例缩放后得到的新视图上对应的点，且新视图的像素大小为p×q；

对缩放后的视图采用加权法进行灰度变换如下：

V为视图灰度变换后的像素矩阵，V_R、V_G、V_B为视图变换前红、绿、蓝三个颜色通道对应的像素矩阵，上述像素矩阵的维度均为p×q；

数据集归一化如下：

其中，m＝2×n×U为总的视图数目，V为视图灰度变换后的像素矩阵，V_i为视图集中第i个视图灰度变换后的像素矩阵。

5.根据权利要求1所述的基于双层深度残差网络的三维CAD模型智能检索方法，其特征在于，将预处理后的视图按所属模型类别划分为训练数据集1，表达式为：

其中，表示模型类别为c_w的三维CAD模型的视图集合，且该集合中所有视图的标签均为c_w。