[发明专利]基于深度学习的三维模型修正方法、装置及存储介质

权利要求书

1.基于深度学习的三维模型修正方法，其特征在于，所述三维模型修正方法包括以下步骤：

数据获取步骤：获取不同类型的文件的三维模型以及每种类型的文件的三维模型的拓扑几何数据构建数据集；

模型构建步骤：创建深度神经网络模型，并根据所述数据集对所述深度神经网络模型进行训练以得出三维模型修正器；

修正步骤：获取待修正文件的三维模型并对所述待修正文件的三维模型进行解析以得出对应的拓扑几何数据，以及将待修正文件的三维模型的拓扑几何数据与所述三维模型修正器进行匹配以实现对待修正文件的三维模型的拓扑几何数据的修正；所述拓扑几何数据包括拓扑数据和几何数据；所述拓扑数据包括拓扑总体、流形实体容器、实体、壳体、面、环、环边、边和顶点；所述几何数据为Nurbs表达式，包括控制顶点、节点向量和次数；所述数据获取步骤还包括：对每种类型的文件的三维模型进行解析，并通过构建拓扑表的方式存储解析得出的拓扑几何数据；所述拓扑表的构建是按照拓扑总体、流形实体容器、实体、壳体、面、环、环边、边、顶点的顺序进行构建，并在构建壳体包含的面时存储每个面的所有环边、边的信息；

所述模型构建步骤还包括：

数据集划分步骤：将所述数据集划分为训练集和测试集；

模型训练步骤：通过构建深度神经网络模型并根据所述训练集对构建的深度神经网络模型进行训练以得出三维模型修正器；

模型验证步骤：根据所述测试集对训练得出的三维模型修正器进行验证以判断所述三维模型修正器是否符合预设要求，若是，则得出三维模型修正器；若否，则执行模型训练步骤或数据集划分步骤；

所述数据获取步骤还包括：根据每种类型的文件的三维模型的拓扑几何数据构建若干个输入向量和对应的输出向量；其中，所述输入向量为以面为单位构建的，包括面属于实体还是片体、实体或片体的索引、面的索引、外环的数量、内环的数量、每个环的环边数量、环边的索引、环边对应边的索引、边的首尾端点的索引、面的Nurbs控制顶点、节点向量和次数；对应的输出向量包括该面所有边和环边的控制顶点、节点向量和次数；

其中，环边的几何数据由边的三维曲线数据在面上投影得到，环边的几何数据为二维的Nurbs曲线，其通过三维边的Nurbs曲线在曲面上投影计算得到，具体包括以下步骤：

在三维Nurbs曲线上均匀采样1500个点，记录其三维点的坐标；

将每一个三维点向Nurbs曲面上投影，计算得出曲面参数空间中二维点的坐标；对于面上的投影点(u,v)，必须满足下面的条件：

F(u,v)＝[S(u,v)-P]×N(u,v)＝0 (1)；其中，S(u,v)是投影点(u,v)对应的三维点，P是被投影的点，N(u,v)是投影点(u,v)处面的法向量；

假设：u＝u₀+dU,v＝v₀+dV，(u₀,v₀)为投影的初始点坐标，(u,v)为投影点；

将u＝u₀+dU,v＝v₀+dV代入公式(1)，根据二元函数的泰勒公式展开，得出公式(2)：

其中：

对于公式(2)，除了前两项之外的其他项均设为0，则公式(2)可转换为公式(3)：

令F(u,v)＝[S(u,v)-P]×N(u,v)＝S(u,v)×N(u,v)-P×N(u,v)，则根据公式(3)得出公式(4)和公式(5)：

F_u(u,v)＝S_u(u,v)×N(u,v)+S(u,v)×N_u(u,v)-P×N_u(u,v)

＝S_u(u,v)×N(u,v)+[S(u,v)-P]×N_u(u,v) (4)；

F_v(u,v)＝S_v(u,v)×N(u,v)+S(u,v)×N_v(u,v)-P×N_v(u,v)

＝S_v(u,v)×N(u,v)+[S(u,v)-P]×N_v(u,v) (5)；

将公式(4)和公式(5)代入到公式(3)中得出：

令则得出公式(6)：

dU·dFdU+dV·dFdV＝-zRHS (6)；

由于zRHS、dFdU、dFdV都是向量，将公式(6)的两侧分别乘以dFdU和dFdV，则得出公式(7)和公式(8)：

dU·dFdU·dFdU+dV·dFdU·dFdV＝-zRHS·dFdU (7)，

dU·dFdU·dFdV+dV·dFdV·dFdV＝-zRHS·dFdV (8)；

把公式(7)和公式(8)联合作为方程组求解，即可得到dU和dV，进而将求解出的dU和dV代入u＝u₀+dU,v＝v₀+dV中得到投影点(u,v)；

将所有计算出的二维uv点通过插值法构造出二维的Nurbs曲线，也即为环边的几何数据。