本發(fā)明涉及計(jì)算機(jī)輔助應(yīng)用領(lǐng)域，具體是一種基于邊界表示的無(wú)監(jiān)督三維cad模型檢索方法。

背景技術(shù)：

1、三維cad模型在現(xiàn)代制造企業(yè)的產(chǎn)品開(kāi)發(fā)過(guò)程中發(fā)揮著至關(guān)重要的作用，廣泛應(yīng)用于航空、汽車、模具加工、機(jī)械制造等多個(gè)行業(yè)。研究表明，大約75％-80％的新零件設(shè)計(jì)通過(guò)變體設(shè)計(jì)或適應(yīng)性設(shè)計(jì)復(fù)用歷史數(shù)據(jù)，而僅有20％-25％的零件需要完全重新設(shè)計(jì)。因此，高效的cad模型檢索對(duì)于提高設(shè)計(jì)效率、減少冗余工作以及促進(jìn)創(chuàng)新至關(guān)重要。然而，與標(biāo)準(zhǔn)化零部件不同，工業(yè)領(lǐng)域的cad模型通常具有較強(qiáng)的行業(yè)專屬性，不同企業(yè)和行業(yè)采用的分類標(biāo)準(zhǔn)不統(tǒng)一，缺乏通用的分類體系，導(dǎo)致cad模型的管理和檢索面臨較大挑戰(zhàn)。此外，cad數(shù)據(jù)的標(biāo)注過(guò)程復(fù)雜且耗時(shí)費(fèi)力，由于cad模型的類別劃分存在主觀性和多樣性，難以形成統(tǒng)一的標(biāo)注標(biāo)準(zhǔn)，導(dǎo)致高質(zhì)量標(biāo)注數(shù)據(jù)的獲取成本極為高昂，進(jìn)一步限制了基于監(jiān)督學(xué)習(xí)的cad模型分類與檢索方法的適用性。因此，如何在無(wú)需大量標(biāo)注數(shù)據(jù)的前提下，實(shí)現(xiàn)高效、準(zhǔn)確的三維cad模型分類與檢索，已成為cad領(lǐng)域亟需解決的重要技術(shù)問(wèn)題。

2、在過(guò)去的研究中，cad模型檢索領(lǐng)域已經(jīng)提出了多種方法，主要可以分為傳統(tǒng)方法、有監(jiān)督學(xué)習(xí)方法和無(wú)監(jiān)督學(xué)習(xí)方法。

3、傳統(tǒng)方法基于幾何特征匹配技術(shù)，通過(guò)提取cad模型的幾何形態(tài)、曲面類型等特征進(jìn)行匹配。此類方法計(jì)算高效，但在處理復(fù)雜拓?fù)浣Y(jié)構(gòu)和形態(tài)變化較小的模型時(shí)存在局限性，難以精準(zhǔn)區(qū)分相似但功能不同的cad模型。

4、有監(jiān)督學(xué)習(xí)方法利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?network，cnn)、圖神經(jīng)網(wǎng)絡(luò)(graph?neural?networks，gnn)等神經(jīng)網(wǎng)絡(luò)模型對(duì)cad模型進(jìn)行特征提取。雖然這些方法在某些下游任務(wù)上取得了較好效果，但它們嚴(yán)重依賴于大規(guī)模、高質(zhì)量的人工標(biāo)注數(shù)據(jù)。由于數(shù)據(jù)標(biāo)注的標(biāo)準(zhǔn)不統(tǒng)一，標(biāo)注過(guò)程耗時(shí)耗力且成本高昂，限制了該方法在實(shí)際工業(yè)場(chǎng)景中的廣泛應(yīng)用。

5、無(wú)監(jiān)督學(xué)習(xí)方法利用自編碼器和對(duì)比學(xué)習(xí)等技術(shù)來(lái)提取cad模型特征，減少了對(duì)人工標(biāo)注數(shù)據(jù)的依賴，提高了模型的適應(yīng)性和泛化能力。然而，現(xiàn)有研究主要針對(duì)點(diǎn)云和網(wǎng)格表示的cad模型，而邊界表示(boundary?representations，b-rep)的研究仍較為有限。b-rep作為cad設(shè)計(jì)中廣泛應(yīng)用的建模方式，能夠精確描述復(fù)雜幾何形狀及拓?fù)涮卣?，在工業(yè)制造中具有重要應(yīng)用價(jià)值。

6、因此，亟需一種新的方法，針對(duì)b-rep數(shù)據(jù)設(shè)計(jì)高效的無(wú)監(jiān)督特征學(xué)習(xí)機(jī)制，并優(yōu)化數(shù)據(jù)增強(qiáng)與表示學(xué)習(xí)策略，從而提升cad模型檢索的準(zhǔn)確性與泛化能力。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，結(jié)合圖對(duì)比學(xué)習(xí)(graph?contrastive?learning，gcl)，設(shè)計(jì)了一種基于邊界表示的無(wú)監(jiān)督三維cad模型檢索方法。該方法通過(guò)邊緣介數(shù)中心性(edge?betweenness?centrality，ebc)和特征掩碼(feature?masking)進(jìn)行數(shù)據(jù)增強(qiáng)，提升模型的拓?fù)浜吞卣鞅磉_(dá)能力，并引入基于貝塔混合模型(beta?mixture?model，bmm)的負(fù)樣本采樣策略，減少假負(fù)樣本對(duì)檢索精度的影響，從而提升模型的表示能力和檢索效果。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明具體采用的技術(shù)方案如下：

3、一種基于邊界表示的無(wú)監(jiān)督三維cad模型檢索方法，包括如下步驟：

4、步驟1、首先獲取數(shù)據(jù)集，所述數(shù)據(jù)集中包括若干step格式的cad模型，按比例劃分為訓(xùn)練集和測(cè)試集；

5、步驟2、通過(guò)提取cad模型的拓?fù)潢P(guān)系與幾何特征，所述拓?fù)潢P(guān)系是指cad模型中面與面之間的鄰接關(guān)系，所述幾何特征包括面的類型、法向量等屬性信息，構(gòu)造邊界表示屬性圖；

6、步驟3、構(gòu)建并訓(xùn)練基于邊界表示的無(wú)監(jiān)督學(xué)習(xí)模型，所述基于邊界表示的無(wú)監(jiān)督學(xué)習(xí)模型包括數(shù)據(jù)增強(qiáng)網(wǎng)絡(luò)、特征提取網(wǎng)絡(luò)和負(fù)樣本采樣網(wǎng)絡(luò)；

7、所述基于邊界表示的無(wú)監(jiān)督學(xué)習(xí)模型的訓(xùn)練方法為：

8、步驟3-1、首先按步驟2的方法將待檢索的cad模型轉(zhuǎn)換為邊界表示屬性圖；

9、步驟3-2、所述數(shù)據(jù)增強(qiáng)網(wǎng)絡(luò)通過(guò)基于邊緣介數(shù)中心性的邊緣擾動(dòng)策略對(duì)邊界表示屬性圖進(jìn)行數(shù)據(jù)增強(qiáng)；

10、步驟3-3、通過(guò)所述特征提取網(wǎng)絡(luò)提取原始的邊界表示屬性圖和其對(duì)應(yīng)增強(qiáng)后的邊界表示屬性圖的拓?fù)潢P(guān)系和幾何特征，從而學(xué)習(xí)高維特征表示；

11、步驟3-4、通過(guò)所述負(fù)樣本采樣網(wǎng)絡(luò)對(duì)正樣本與負(fù)樣本之間的相似性分布進(jìn)行建模，通過(guò)后驗(yàn)概率計(jì)算一個(gè)負(fù)樣本為真陰性的概率，消除假陰性的影響；

12、步驟4、應(yīng)用預(yù)訓(xùn)練的基于邊界表示的無(wú)監(jiān)督學(xué)習(xí)模型進(jìn)行cad模型檢索。

13、作為優(yōu)選，所述步驟2中，構(gòu)造邊界表示屬性圖的方法為：首先解析cad模型的step文件，利用專利[基于圖卷積網(wǎng)絡(luò)的輕量化三維cad模型分類與檢索的方法]所述方法提取cad模型的拓?fù)湫畔⒑蛶缀翁卣?，所述拓?fù)潢P(guān)系是指cad模型中面與面之間的鄰接關(guān)系，所述幾何特征包括面的類型、面的法向量、面的切向量、邊的類型、邊的方向和邊的長(zhǎng)度，將面的類型、面的法向量和面的切向量作為節(jié)點(diǎn)特征，并將邊的類型、邊的方向和邊的長(zhǎng)度作為邊的特征，進(jìn)而得到邊界表示屬性圖。

14、作為優(yōu)選，所述步驟3-2中，邊緣介數(shù)中心性的邊緣擾動(dòng)策略：

15、首先定義邊緣介數(shù)中心性表示圖中節(jié)點(diǎn)對(duì)之間沿著邊的最短路徑的數(shù)量，其中最短路徑指任意兩個(gè)節(jié)點(diǎn)之間距離最小的路徑，邊緣介數(shù)中心性計(jì)算公式如下：

16、

17、其中，σ(s,t)表示從節(jié)點(diǎn)s到節(jié)點(diǎn)t的最短路徑總數(shù)，σ(s,t|e)表示所有經(jīng)過(guò)邊e的最短路徑總數(shù)，在邊界表示屬性圖中，移除邊緣介數(shù)中心性值最高的邊，生成的增強(qiáng)圖表示為g′＝(v,e′),其中，v是節(jié)點(diǎn)的集合，e′指的是邊的集合。

18、作為優(yōu)選，所述步驟3-2中，還包括對(duì)增強(qiáng)圖表示為g′＝(v,e′)進(jìn)行掩碼處理。

19、作為優(yōu)選，所述特征提取網(wǎng)絡(luò)采用圖同質(zhì)網(wǎng)絡(luò)作為編碼器，并通過(guò)對(duì)比學(xué)習(xí)機(jī)制進(jìn)行特征優(yōu)化。

20、作為優(yōu)選，所述步驟3-3中，首先將原始的邊界表示屬性圖和其對(duì)應(yīng)增強(qiáng)后的邊界表示屬性圖輸入到圖同質(zhì)網(wǎng)絡(luò)中，獲取每個(gè)節(jié)點(diǎn)的嵌入表示，并利用一個(gè)讀出函數(shù)將所有的節(jié)點(diǎn)嵌入信息轉(zhuǎn)換為整個(gè)圖的嵌入表示；

21、然后，利用兩個(gè)由兩層感知器模型組成的投影頭，將圖的嵌入表示隱射到不同的向量空間，以計(jì)算其對(duì)比損失。

22、作為優(yōu)選，所述讀出函數(shù)過(guò)平均池化來(lái)實(shí)現(xiàn)，其計(jì)算公式如下：

23、h＝gin(x,a),z＝readout(h)

24、h′＝gin(x′,a′),z′＝readout(h′)

25、其中，gin(·)指的是圖同質(zhì)網(wǎng)絡(luò)，h和h′表示節(jié)點(diǎn)嵌入，z和z′表示圖的嵌入表示,x和x′分別表示原始圖和經(jīng)過(guò)掩碼之后的增強(qiáng)圖的節(jié)點(diǎn)特征矩陣，a和a′分別表示原始圖和經(jīng)過(guò)邊緣擾動(dòng)之后的增強(qiáng)圖的鄰接矩陣。

26、作為優(yōu)選，所述投影頭的轉(zhuǎn)換方法如下：

27、u＝σ(g1(z,ψ1)),v＝σ(g2(z′,ψ2))

28、其中σ(·)是非線性激活函數(shù)，g1和g2分別為兩個(gè)投影頭，其偏差為ψ1,ψ2。

29、作為優(yōu)選，所述對(duì)比損失采用的是infonce損失優(yōu)化正負(fù)樣本的相似性，對(duì)比損失的總體目標(biāo)是最大化所有正樣本樣本對(duì)的平均互信息。

30、作為優(yōu)選，所述負(fù)樣本采樣網(wǎng)絡(luò)采用基于貝塔混合模型的負(fù)樣本采樣策略。

31、作為優(yōu)選，所述基于貝塔混合模型的負(fù)樣本采用策略通過(guò)對(duì)正樣本和負(fù)樣本的相似性分布進(jìn)行建模，動(dòng)態(tài)計(jì)算每個(gè)負(fù)樣本為真負(fù)樣本的概率，并基于該概率調(diào)整負(fù)樣本在對(duì)比損失中的權(quán)重。

32、本發(fā)明具有以下的特點(diǎn)和有益效果：

33、1、本發(fā)明首次將無(wú)監(jiān)督學(xué)習(xí)框架應(yīng)用于邊界表示的cad模型檢索，利用圖同質(zhì)網(wǎng)絡(luò)學(xué)習(xí)b-rep屬性圖的高維特征表示，提高對(duì)cad模型的結(jié)構(gòu)化理解能力。

34、2、本發(fā)明提出結(jié)合邊緣介數(shù)中心性和特征掩碼的數(shù)據(jù)增強(qiáng)方法，在保留關(guān)鍵拓?fù)湫畔⒌耐瑫r(shí)，提升模型的泛化能力，使其能更有效地適應(yīng)復(fù)雜cad結(jié)構(gòu)。

35、3、本發(fā)明引入基于貝塔混合模型的負(fù)樣本采樣策略，通過(guò)計(jì)算一個(gè)負(fù)樣本為真陰性的概率優(yōu)化對(duì)比損失計(jì)算，減少假陰性對(duì)模型訓(xùn)練的影響，提高檢索效果。

36、4、通過(guò)與前沿方法的比較，在無(wú)監(jiān)督環(huán)境下提升map和f1分?jǐn)?shù)，降低對(duì)人工標(biāo)注數(shù)據(jù)的依賴，實(shí)現(xiàn)更高效的cad模型檢索。