[發(fā)明專利]基于改進(jìn)的圖注意力網(wǎng)絡(luò)識(shí)別CAD模型裝配接口的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011430609.4
• 申請(qǐng)日: 2020-12-07
• 公開（公告）號(hào): CN112699915A
• 公開（公告）日: 2021-04-23
• 發(fā)明（設(shè)計(jì)）人: 王毅剛;李虹;潘萬(wàn)彬
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06F30/10;G06F16/901;G06F16/906;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種用于CAD模型裝配接口識(shí)別的方法，其特征在于使用改進(jìn)的圖注意力網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集，達(dá)到識(shí)別產(chǎn)品機(jī)構(gòu)語(yǔ)義的目的，為產(chǎn)品機(jī)構(gòu)語(yǔ)義重建做準(zhǔn)備，包括如下步驟：

步驟1：面向圖注意力網(wǎng)絡(luò)量化描述CAD模型，得到每個(gè)CAD模型的量化描述形式，構(gòu)成數(shù)據(jù)集；

步驟2：對(duì)步驟1中得到的數(shù)據(jù)集進(jìn)行篩選，平衡各裝配接口比例；

步驟3：基于直推式和聚類策略修改圖注意力神經(jīng)網(wǎng)絡(luò)，并訓(xùn)練步驟2中得到的數(shù)據(jù)集。

2.根據(jù)權(quán)利要求1所述的一種用于CAD模型裝配接口識(shí)別的方法，其特征在于所述的步驟1中，對(duì)CAD模型的量化描述，具體包括如下步驟：

1-1.使用圖表示法將CAD模型轉(zhuǎn)化為圖結(jié)構(gòu)，即無(wú)向圖；

無(wú)向圖根據(jù)CAD模型各個(gè)面的鄰接關(guān)系建立，其中無(wú)向圖中的節(jié)點(diǎn)表示CAD模型的各個(gè)面，無(wú)向圖中的邊表示該邊連接的兩個(gè)節(jié)點(diǎn)所對(duì)應(yīng)的面之間相鄰；

1-2.賦予無(wú)向圖中每個(gè)節(jié)點(diǎn)以及每條邊以屬性信息，構(gòu)造屬性鄰接圖；屬性鄰接圖包含圖所對(duì)應(yīng)CAD模型的拓?fù)湫畔?、幾何信息，主要表現(xiàn)在：

①屬性鄰接圖保留了上一步驟中無(wú)向圖的鄰接關(guān)系信息；

②屬性鄰接圖包含每個(gè)節(jié)點(diǎn)所對(duì)應(yīng)的面的屬性；

③屬性鄰接圖包含條邊的屬性；

1-3.將屬性鄰接圖以面特征文件與邊特征文件的形式存儲(chǔ)：

①每個(gè)CAD模型對(duì)應(yīng)的屬性鄰接圖的面特征文件以文本文檔形式存儲(chǔ)，文檔的第一列為面ID號(hào)，最后一列為標(biāo)注的標(biāo)簽信息，即面所屬接口類型，其余列為面的特征信息；

②每個(gè)CAD模型對(duì)應(yīng)的屬性鄰接圖的邊特征文件以文本文檔形式存儲(chǔ)，文檔的第一列、第二列為該邊所連接的兩個(gè)面的ID號(hào)，其他列為邊的特征信息。

3.根據(jù)權(quán)利要求2所述的一種用于CAD模型裝配接口識(shí)別的方法，其特征在于所述的步驟2中，對(duì)步驟1中得到的數(shù)據(jù)集進(jìn)行篩選時(shí)，具體包括如下步驟：

2-1.標(biāo)注數(shù)據(jù)集時(shí)，先導(dǎo)出各CAD模型每種接口面所占比例列表；

2-2.根據(jù)導(dǎo)出的列表分類數(shù)據(jù)集，并獲取每個(gè)樣本的標(biāo)簽數(shù)據(jù)；

2-3.從各分類中篩選一定數(shù)量的樣本，組成誤差范圍內(nèi)的均衡的數(shù)據(jù)集；所述的誤差范圍是指每?jī)煞N標(biāo)簽樣本數(shù)量相差不超過樣本總數(shù)的百分之5。

4.根據(jù)權(quán)利要求2或3所述的一種用于CAD模型裝配接口識(shí)別的方法，其特征在于所述的步驟3中，對(duì)步驟2中得到的數(shù)據(jù)集進(jìn)行訓(xùn)練，具體包括如下步驟：

3-1.對(duì)步驟2中得到的數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，并將預(yù)處理后的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集；預(yù)處理后得到雙索引數(shù)據(jù)、標(biāo)簽數(shù)據(jù)以及圖注意力網(wǎng)絡(luò)能夠輸入的屬性鄰接圖(features，adj),其中features為無(wú)向圖中節(jié)點(diǎn)的特征向量數(shù)據(jù)；adj為無(wú)向圖帶位置關(guān)系信息的鄰接矩陣數(shù)據(jù)；所述的雙索引數(shù)據(jù)用于定位每一個(gè)樣本；標(biāo)簽數(shù)據(jù)用于訓(xùn)練過程中計(jì)算誤差；

3-2.讀取預(yù)處理后的數(shù)據(jù)：雙索引數(shù)據(jù)、特征向量數(shù)據(jù)、位置鄰接矩陣、標(biāo)簽數(shù)據(jù)；其中特征向量數(shù)據(jù)、位置鄰接矩陣分別是屬性鄰接圖中的features和adj；features從面特征文件中直接獲取；adj從邊特征文件中直接獲??；雙索引數(shù)據(jù)第一級(jí)索引為數(shù)據(jù)預(yù)處理時(shí)文件的訪問順序號(hào)，第二級(jí)索引為面的ID號(hào)；

3-3.對(duì)圖注意力網(wǎng)絡(luò)進(jìn)行初步改進(jìn)：

(1)增加圖注意力層的輸入?yún)?shù)——邊特征；

(2)修改圖注意力層的隱藏層數(shù)；

(3)修改圖注意力層的多頭注意力機(jī)制的頭數(shù)；

(4)修改訓(xùn)練時(shí)的殘差公式系數(shù)；

3-4.使用訓(xùn)練集對(duì)改進(jìn)后的圖注意力網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到收斂后的最優(yōu)網(wǎng)絡(luò)模型；

3-5.使用測(cè)試集對(duì)該最優(yōu)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，得到可視化的裝配接口識(shí)別的準(zhǔn)確率與誤差變化曲線圖；所述的誤差變化曲線圖由訓(xùn)練過程中每一時(shí)刻的計(jì)算的誤差值連線組成；

3-6.根據(jù)分析結(jié)果，若識(shí)別準(zhǔn)確率達(dá)到要求(百分之九十以上)，則結(jié)束訓(xùn)練，否則，調(diào)整網(wǎng)絡(luò)模型的殘差計(jì)算公式系數(shù)以及訓(xùn)練所用的數(shù)據(jù)集，返回步驟3-4。

5.根據(jù)權(quán)利要求4所述的一種用于CAD模型裝配接口識(shí)別的方法，其特征在于所述的步驟3-3中改進(jìn)的圖注意力網(wǎng)絡(luò)，具體如下：改進(jìn)的圖注意力網(wǎng)絡(luò)由n層圖注意力層、一個(gè)Relu單元和一個(gè)Softmax單元構(gòu)成；每一層圖注意力層使用多頭注意力機(jī)制，K₁到K_n表示多頭注意力的頭數(shù)，K_i≥1,i＝1,2,3,…,n,當(dāng)K_i＝1時(shí)，該注意力層使用的為普通的單頭注意力機(jī)制,n取值在2-6之間，而K_i取值在1-8之間；

所述的圖注意力層的輸入?yún)?shù)：改進(jìn)為位置鄰接矩陣，即將邊特征信息用到圖注意力層的計(jì)算中；

所述的圖注意力層的隱藏層數(shù)：隱藏層數(shù)從2改為3；

所述的圖注意力層的注意力機(jī)制：為不同的圖注意力層設(shè)置不同的頭數(shù)，將第一層注意力頭數(shù)設(shè)為2，第2、3層設(shè)為4；

所述的訓(xùn)練時(shí)的殘差公式系數(shù)常量：將droupout的概率從0.5改為0.6、學(xué)習(xí)率從0.001改為0.05。