用于深度学习的几何数据典型特征数据集建模方法及系统与流程

本发明涉及一种用于深度学习的几何数据典型特征数据集建模方法及系统。

背景技术：

1、随着深度学习技术的发展，建立包含特定几何特征(如孔、筋、凸台、翻边等)的数据集，具有重要的用途和意义：

2、1)特征识别与分类：通过深度学习技术，可以训练深度学习模型，使其能够准确地识别和分类不同的特征；这有助于提高自动化制造流程的准确性和效率，减少人工干预和错误。

3、2)模型优化与改进：深度学习技术能够从大量数据中提取有用特征，并基于这些特征进行预测和优化；通过分析几何特征数据集，可以发现隐藏的模式和关系，从而指导产品设计和工艺改进。

4、3)知识表示与推理：深度学习模型能够从数据中学习到特征之间的内在联系和规则，从而生成有效的知识表示；这些知识表示可以用于推理、决策和规划，并将其应用于实际问题的解决。

5、然而，在公开资料中，尚未发现几何数据典型特征数据集的建模方法，限制了其在深度学习领域的应用。

技术实现思路

1、本发明所要解决的技术问题是克服了现有技术存在的上述问题，提供了一种用于深度学习的几何数据典型特征数据集建模方法。

2、需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

3、为解决上述技术问题，本发明是采用如下技术方案实现的：

4、一种用于深度学习的几何数据典型特征数据集建模方法，包括以下步骤：

5、s1读取几何数据；

6、s2设置数据颜色；

7、s3典型特征识别；

8、s4典型特征截图。

9、进一步地，s1中所述读取几何数据，是使用cad软件读取几何数据；所述几何数据包括描述外形和内部结构的几何信息。

10、几何数据主要包括描述外形和内部结构的详细具体的几何信息。这些数据通常涵盖了多个层次和维度，用于精确地构建和表示三维模型。具体来说，几何数据可能包括以下几个方面：基本几何元素(如点、线、面等)、曲线和曲面数据(描述复杂的轮廓)、实体模型数据(表示三维实体结构)。

11、进一步地，s2中所述设置数据颜色，具体是将几何数据中所有零件设置为统一颜色，用于后续基于深度学习进行特征识别和分类任务。

12、进一步地，s3中所述典型特征识别，具体是按类别识别几何数据中所有典型特征，具体包括以下步骤；

13、第一步，读取典型特征参数文件；

14、第二步，获取所有零件赋值给列表list_parts；

15、第三步，创建空字典dirt_features用于存放典型特征；

16、第四步，从列表list_parts任取一零件赋值给part；

17、第五步，获取part的所有典型特征，并赋值给临时变量features；

18、第六步，从临时变量features任取一特征赋值给feature；

19、第七步，获取feature的类别、并赋值给feature_class；

20、第八步，判断feature_class是否在空字典dirt_features中；

21、第九步，如果是在空字典dirt_features中，则将feature放入空字典dirt_features；

22、第十步，如果不在空字典dirt_features中，则将feature_class添加到空字典dirt_features中；创建空列表，将feature放入空字典dirt_features。

23、feature表示特征；

24、part表示零件；

25、feature_class表示特征的类别；

26、faces表示面；

27、max_face表示最大的面；

28、典型特征是指圆凸台、带孔的圆凸台、筋、椭圆凸台、带孔的椭圆凸台、多边形凸台、方形凸台、多个圆组成的凸台等。

29、进一步地，s4中所述典型特征截图，具体是遍历所有典型特征，单独显示并将视角调整至最佳，然后对特征进行截图；截图按类别放入不同文件夹，完成数据集建模，具体步骤如下：

30、第一步、从空字典dirt_features中任取一键值对赋值给k、v；

31、“键值对”是编程语言python基本术语，键值对通常与字典(dictionary)数据结构相关联。字典是一个无序的键值对集合，其中每个键都是唯一的，并与一个值相关联。键值对由两部分组成：键(key)：它是一个标识符，用于在字典中查找特定的值；值(value)：它是与键相关联的数据，值可以是任何python对象，包括列表、字典、函数等。

32、第二步，从v任取一特征赋值给feature；

33、v就是上一步解释的“值”，这个v是列表，里面包含很多元素，即很多个feature。

34、第三步，单独显示feature；

35、第四步，获取feature所有面，赋值给faces；

36、第五步，计算faces中面积最大的面，赋值给max_face；

37、第六步，旋转max_face，使max_face与显示屏平行；

38、第七步，将feature缩放至最佳大小；

39、第八步，对feature截图，并保存至feature所属类对应的文件夹中。

40、进一步地，基于ansa软件实现，使用python编程语言实现建模过程自动化。

41、进一步地，所述基于ansa软件实现，使用python编程语言实现建模过程自动化，具体包括：

42、1)读取几何数据；

43、从ansa模块导入base子模块，使用base子模块的open()函数读取几何数据；

44、2)设置数据颜色；

45、①获取所有零件并赋值给变量pids；

46、使用base子模块的collectentities()函数获取所有零件并赋值给变量pids；

47、②遍历所有零件，将每个零件的颜色设置为所需颜色；

48、使用base子模块的setentitycardvalues()函数设置颜色；

49、3)典型特征识别；

50、①读取典型特征参数文件；

51、从ansa模块导入mesh子模块；

52、使用mesh子模块的readmeshparams()函数读取典型特征的主要参数；

53、②获取所有零件，赋值给列表list_parts；

54、使用base子模块的collectentities()函数获取所有零件；

55、③创建空字典dict_features，用于存放典型特征；

56、④使用for循环遍历所有零件；

57、⑤获取part的所有典型特征，并赋值给临时变量features；

58、⑥使用for循环遍历当前零件所有典型特征；

59、⑦获取feature的类别，并赋值给feature_class；

60、⑧判断feature_class是否在dict_features中，若feature_class不在dict_features中，则将feature_class添加到dict_features中，并创建空列表dict_features[feature_class]，然后进入步骤3)⑨；若feature_class在dict_features中，则直接进入步骤3)⑨；

61、⑨将feature放入dict_features[feature_class]；

62、完成典型特征识别，并将几何数据所有典型特征分类放入字典dict_features；

63、4)典型特征截图；

64、①使用for循环遍历所有典型特征类别；从dict_features任取一键-值对赋值给k、v；其中，k为典型特征当前类别，v为典型特征当前类别所对应的所有典型特征列表；

65、②使用for循环遍历当前类别所有典型特征v；从v任取一特征赋值给feature

66、③单独显示feature；

67、④获取feature所有面，赋值给faces；

68、⑤计算faces中面积最大的面，赋值给max_face；

69、⑥旋转max_face，使其与显示屏平行；

70、⑦将feature缩放至最佳大小；

71、⑧对feature截图，并保存至feature所属类对应的文件夹。

72、一种用于深度学习的几何数据典型特征数据集建模系统，包括：

73、几何数据模块，用于读取几何数据；

74、设置数据颜色模块，用于设置数据颜色；

75、特征识别模块，用于识别典型特征；

76、特征截图模块，用于典型特征截图。

77、一种装置，包括一个或多个处理器；

78、存储器，用于存储一个或多个程序；

79、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的方法。

80、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的方法。

81、与现有技术相比本发明的有益效果是：

82、本发明提供了一种用于深度学习的几何数据典型特征数据集建模方法，填补了该领域的技术空白。

83、本发明可以建立用于深度学习的几何数据典型特征数据集。

84、本发明可以对几何数据典型特征进行自动识别。

85、本发明可以对几何数据典型特征进行自动取样。

86、本发明可以对几何数据典型特征进行自动分类。

87、本发明建立的数据集样本尺寸、颜色完全一致。

88、本发明建立的数据集样本取样角度均为最佳视角。