买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种融合边界表示与图注意力机制的三维CAD模型分类方法，具体为：首先基于B‑rep解析三维CAD模型的STEP文件，构建包含模型精确拓扑和几何特征的属性图描述符。进一步基于属性图构建三维CAD模型分类的图神经网络。为了提升网络特征的表征能力，改进图池化层，融合注意力机制以在拓扑结构和几何特征两个维度评估节点重要性；同时引入注意力层，用于从读出层中获得全局图表示。本发明优于基线算法，在TraceParts数据集实现100％的准确率，在FabWave数据集实现90.4％的准确率。

主权项：1.一种融合边界表示与图注意力机制的三维CAD模型分类方法，其特征在于，包括以下步骤：步骤S1：基于B-rep的属性图构建；基于B-rep解析不同CAD系统的STEP文件，将其转换为可学习的统一属性图表示，按照壳-面-环-边-点的层次结构，详细记录构成实体模型相关元素的几何信息以及它们之间的拓扑关系，具体为：步骤S11：初始化属性图的节点集合V、边集合E和节点属性键集合K，其中K包含type键；步骤S12：解析三维CAD模型STEP文件的壳集合，获取每个壳的面集合；步骤S13：解析面集合，对每个面进行以下操作：创建该面非引用参数的属性键并添加到K；将面及其属性键值对添加到V；解析面的环集合；步骤S14：解析环集合，获取每个环的边集合；步骤S15：解析边集合，对每条边进行以下操作：创建该边非引用参数的属性键并添加到K；将边及其属性键值对添加到V；将面与边的引用关系添加到E；解析边的顶点集合；步骤S16：解析顶点集合，对每个顶点进行以下操作：创建该顶点非引用参数的属性键并添加到K；将顶点及其属性键值对添加到V；将边与顶点的引用关系添加到E；步骤S17：将构建的属性图信息存储为GraphML文件；文件定义了属性图的节点、边以及各种属性键；步骤S2：构建适用的分类图神经网络模型；构建图注意力池化网络GAPNet，采用分层池化架构，通过三个池化模块逐步减小图的规模，提取不同层次的特征表示；每个池化模块包含一个图卷积层和一个图池化层，输出在读出层汇总；通过引入注意力层，实现对三个读出层特征的加权求和；将所得全局特征向量输入到全连接层，全连接层将其映射到预定义的类别空间；神经网络模型具体为：图卷积层：采用图卷积网络GCN提取属性图特征，实现对属性图的端到端识别；图池化层：在自注意力图池化SAGPool的基础上融合注意力机制，全面考虑节点的重要性，既包含节点特征的全局上下文相似度，又结合图卷积对拓扑结构的评估；读出层：从池化模块中提取并汇总特征表示；注意力层：对三个读出层输出特征进行加权求和；全连接层：将全局特征向量映射到预定义的类别空间，预测分类结果。

全文数据：

权利要求：

百度查询： 西南交通大学 融合边界表示与图注意力机制的三维CAD模型分类方法