[发明专利]一种应用于三维工件模型分类的多层感知神经网络方法

说明书

本发明属于机器视觉和人工智能领域，涉及一种应用于三维工件模型分类的多层感知神经网络方法。该方法通过多层感知神经网络对三维工件模型进行训练，建立应用于三维工件模型分类识别的多层感知神经网络。经过测试选取识别效果最佳的多层感知神经网络模型，利用识别效果最佳的多层感知神经网络模型对三维工件模型进行识别，得到分类结果。本发明设计的多层感知神经网络，可以有效地缓解由于人工分类所造成的分类错误以及三维工件模型分类所消耗的大量人力成本。

技术领域

本发明涉及一种应用于三维工件模型分类的多层感知神经网络方法。更具体的说，本发明涉及一种能够对三维工件模型进行自动分类的多层感知神经网络方法。

背景技术

目前，深度学习在自然语言与图像处理领域的表现，显示出深度学习有着极强的应用前景。但是深度学习在三维模型领域的应用研究仍处于起步阶段，急需突破。Hilaga等人采用了测地线距离(Geodesic Distance)函数构建多分辨率Reeb图(MRG，Multiresolutional Reeb Graph)的方式，实现对模型的表征及相似性评价。虽然测地线距离能很好的描述三维模型拓扑结构，即提取的特征对模型的形变具有无关性。但是对于阈值的选择有着严格的要求，很小的变化就会产生完全不同的拓扑结构。Osada等构造了5种几何函数，这5种函数获得的是模型表面几何属性的一组概率分布。将这些概率分布表征为直方图的形式，计算两模型的直方图的距离来判断它们之间的相似度，最后经过试验，D2函数对检索的效果最佳。KZaharia等人提出SSD(Shape Spectrum Description)三维模型局部特征描述法。此方法由三维模型表面的一些局部属性提供了模型内部的形状索引来描述(Shape Index，SI)，模型表面某个顶点的两个曲率函数被定义为形状索引，此局部特征描述就是形状索引在整个三维模型网格上的分布。使用此方法提取出来的特征描述符对三维模型的拓扑结构敏感，通用性较差。Min等人用最简单的提取三视图的方法，从模型三个固定的方向获取了正视图、俯视图、侧视图，然后对这些二维轮廓特征图进行相似性比较。此类简单视图对于模型本身的拓扑等空间信息不能表达，最后的检索性能并不能取得足够的满意度。Wu等人提出了一种3D深度模型，可以很好地表示三维物体特征，该算法能够在一定程度上解决三维物体特征提取难的问题。深度学习在一维和二维领域已经取得了较大的突破，但深度学习在三维模型领域的应用研究仍有许多问题有待探究。为了实现三维工件模型的自动分类，本发明基于多层感知神经网络的方法，设计了一种新的基于多层感知神经网络的三维工件模型分类方法。

发明内容

本发明提供一种基于多层感知神经网络的三维工件模型分类方法。该方法能够应用于三维制造和设计领域，完成三维工件模型自动快速地识别分类。

所述的三维工件模型分类方法的硬件系统主要包括用于数据采集、数据训练、模型训练、模型测试以及分类识别效果验证的高性能计算机；

本发明所设计的多层感知神经网络方法，其特征是：对三维工件模型进行识别分类，步骤如下：

步骤1：选取含有N类三维工件模型的数据集，所述的三维工件模型数据集包含训练三维工件模型X个，测试三维工件模型Y个，将所述数据集的三维工件模型的大小和格式统一设置为包含2048个点的三维点云数据；

步骤2：多层感知神经网络模型的第一层为输入层，其参数I₁＝a₁×b₁，设置a₁＝2048，b₁＝3；

步骤3：步骤2中所述的多层感知神经网络模型的第二层为多层感知器，其参数M₁＝a₂×b₂，设置a₂＝64，b₂＝64；