本发明属于注塑制品领域，更具体地，涉及一种基于流动特征获取注塑制品类型的方法。
背景技术：
在注塑制品的生产过程中，产品的外部形状及内部结构会对其模具设计、成型过程以及质量产生重要影响。而注塑工业经过许多年的发展已经积累了无数宝贵生产经验和数据，因此，我们需要有效的方法来利用这些经验及数据。通过检索相似注塑产品形状及结构，可以从以往的生产数据中找到相似的生产方案，从而高效地指导后续的模具设计及工艺参数优化等，或者甚至重复利用以往的生产实例指导生产。
目前的技术大多数是通过人工或者简单的制品几何信息对制品进行检索，以求获得以往相似的生产实例。而许多三维模型的形状检索方法，都是通过旋转模型来生成多个方向观察的二维图像，然后从二维图像中提取图像的形状描述因子和特征向量，通过比较这些形状描述因子和特征向量来判断三维模型的相似性，从而达到模型检索目的。但形状描述因子等特征需要人工选取，而且构建十分繁琐且涉及大量计算，选取方式将会直接影响检索的准确性，因此鲁棒性不佳。此外，大多数模型检索只是对模型的外形进行检测和检索，而在注塑成型过程中，产品的内部结构与材料在模具内部的流动状态息息相关，对注射过程的影响更加重要，而目前并没有很好的方法能够对三维模型内部进行有效的相似性检索。
技术实现要素：
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于流动特征获取注塑制品类型的方法，基于对注塑制品三维模型的流动特性，根据该流动特性构建神经网络模型，实现对注塑制品的分类，由此解决没有结合注塑制品三维模型内部结构获取其所属类型的技术问题。
为实现上述目的，按照本发明，提供了一种基于流动特征获取注塑制品类型的方法，其特征在于，该方法包括下列步骤：
(a)采集n个注塑制品的三维模型，该三维模型中包括注塑制品的外部和内部几何结构特征，n为大于或等于1的任意正整数；
(b)针对每个三维模型，采用仿真模拟流体填充该三维模型，由此获得该三维模型填充过程中的流动特征，将该流动特征转化为矩阵形式；
(c)重复步骤(b)n次获得n个注塑制品各自相应的矩阵，n个矩阵构成矩阵集合，构建深度卷积神经网络模型，该神经网络模型首先学习和识别所述矩阵对应的流动特征，然后根据该流动特征对所述矩阵进行聚类，采用所述矩阵集合对神经网络模型进行训练，由此完成神经网络模型的构建；
(d)将待处理注塑制品的三维模型重复步骤(b)获得与该三维模型对应的待处理矩阵，然后将该待处理矩阵输入所述神经网络模型中，获得该待处理矩阵所属的类型，由此获得待处理注塑制品的类型。
进一步优选地，在步骤(b)中，将流动特征转化为矩阵形式包括下列步骤：
(b1)在所述流动特征中设定s个采样点，并获取每个采样点对应的m个特征参数与时间的关系，由此所述流动特征对应s*m个特征参数与时间的关系，其中，s和m为大于或等于1的任意整数；
(b2)将每个所述特征参数与时间的关系绘制为曲线，并以图像的形式存储，对所述图像进行图像处理获得与该图像对应的灰度值二维矩阵；
(b3)重复步骤(b2)直至s*m个特征参数与时间的关系均转化为二维矩阵，将获得的s*m个二维矩阵堆叠为一个行数是s*m的二维矩阵，该矩阵即为所述流动特征对应的矩阵。
进一步优选地，在步骤(b2)中，所述图像处理包括大小变换、滤波处理、灰度处理和归一化处理。
进一步优选地，在步骤(d)中，所述深度卷积神经网络包括卷积网络部分和聚类部分，所述卷积网络部分用于学习和识别,所述聚类部分用于根据学习与识别的结果进行分类。
进一步优选地，所述卷积网络部分采用梯度下降法、momentum算法、rmsprop算法或adam算法。
进一步优选地，所属聚类部分优选采用k-means聚类方法。
进一步优选地，在步骤(b)中，所述采用仿真模拟流体填充该三维模型，包括用理想流体以恒定温度填充，用非理想流体以恒定温度填充或恒定压力填充。
进一步优选地，所述m个特征参数与时间的关系包括：
(ⅰ)采用理想流体以恒定温度填充获得流动特征，根据该流动特征获得的流动速率与时间的关系；
(ⅱ)采用非理想流体以恒定温度填充获得流动特征，根据该流动特征获得的流动阻力与时间的关系；
(ⅲ)采用理想流体以恒定压力填充获得流动特征，根据该流动特征获得的流动阻力与时间的关系。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明通过基于流动数值模拟分析和深度卷积神经网络模型进行特征提取、学习并对塑料制品三维模型进行聚类，获取与待处理注塑制品相似的制品模型，进而获得相似的生产实例，由此采用相似的加工工艺和方法；
2、本发明通过采集三维模型的内部和外部几何结构特征，然后利用该几何结构特征仿真获得注塑制品的流动特性，更加真实准确且全面的反映注塑制品的特征，最终获得的待处理的注塑制品所属的类型更加准确；
3、本发明中对不同模型的流动特征曲线的相似性判断，通过深度卷积神经网络模型来完成，通过输入曲线的图像，它能自动学习曲线的形状特征，从而根据不同三维模型的曲线相似性进行聚类，训练好的模型对三维模型的检索快速、准确，并且能够通过样本的增加不断学习进化，提高准确率；
4、本提供的获取方法整个过程高效、准确，可以脱离人工操作实现智能化，为后续的产品生产过程提供准确的实例参考；
附图说明
图1是按照本发明的优选实施例所构建的获取注塑制品类型的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是按照本发明的优选实施例所构建的获取注塑制品类型的方法流程图，如图1所示，为实现上述目的，本发明通过下述技术方案实现，其包括如下步骤：
1)获取已有注塑制品三维模型，并进行最少三项流动数值模拟分析；
2)对分析结果进行采样，得到相应的流动特征曲线，以图像方式构建训练样本；
3)搭建深度卷积神经网络模型，所述网络模型利用深度卷积网络进行曲线图像的特征提取并结合k-means聚类方法，将输入模型进行聚类，即将拥有相似结构的模型划分到同一类；
4)将步骤2)中得到的训练样本集进行图像处理，构建模型的输入；
5)用步骤4)中得到的输入对步骤3)中构建的深度卷积网络模型进行训练；
6)对待查询的注塑制品三维模型进行流动数值模拟分析，以步骤2)中同样的方式提取流动曲线，以图像的方式输入步骤4)中训练好的网络模型，深度卷积网络模型会对新输入的流动曲线图像进行特征识别，以此找到与其最相似的已有的注塑制品模型。
步骤1)中获取已有注塑制品三维模型的方式为：从以往的注塑生产经验中，获得n个产品三维模型，用集合表示为：m＝{m1，m2，m3，...，mn-1，mn}。
步骤1)中流动数值模拟分析包括：利用cae仿真软件进行数值模拟分析：(1)用理想流体以恒定压力模拟流体填充制品模型，得到模拟的流动速率场f1；用非理想流体以恒定温度填充制品模型，得到模拟的流动阻力场f2；用非理想流体以恒定压力填充制品模型，模拟的流动阻力场f3。则所有的模拟分析结果为：
f{1，2，3，...，n-1，n}＝{fi，1，fi，2，fi，3}，i＝1，2，3，...，n-1，n。
步骤2)中对分析结果中的场进行采样包括：对所有制品模型设定统一采样点数s，进行均匀采样；根据流动数值模拟的分析结果，在采样点上分别提取场f1中流动速率与时间的关系、f2中流动阻力与时间的关系和f3中流动阻力与时间的关系。
在本实施例中，使用流体(包括理想流体和非理想流体)在适当的控制条件(恒温或恒压等)下来进行仿真，其中，通过改变流体或控制条件可以获得多个特征参数与时间的关系，本实施例中采用的是以上3个仿真特征参数与时间的关系，但是不仅仅限于本发明中列举的3个仿真特征，可以通过改变仿真条件来增加其他流动特征。
步骤2)中训练样本的构建过程为：将所有模型从分析结果中得到的三部分特征曲线分别以统一像素大小h×w的图像方式进行存储，构建出训练样本集：
i{1，2，3，...，n-1，n}＝{ii，j，1，ii，j，2，ii，j，3}，i＝1，2，3，...，n-1，n；j＝1，2，3，...，s-1，s。
步骤3)中深度卷积神经网络模型包括：卷积网络部分可以由使用者重新搭建，也可以采用应用广泛的网络结构alexnet、resnet、densenet并根据训练结果进行参数微调，通过对样本集的训练，卷积网络部分能够学习到流动曲线图像的特征表示；聚类部分根据卷积部分得到的特征表示采用k-means进行模型的自动分类。两部分共同构成从特征曲线输入到相似模型类输出的端对端神经网络学习模型。
步骤4)中图像处理过程具体为：对训练样本集i{1，2，3，...，n-1，n}中的图像进行处理，通过灰度变换、滤波等方法保留并增强图像中的有效信息，并将图像像素值从[0,255]归一化处理到[0,1]，得到h×w的二维灰度值矩阵，将其按行展开成h*w维向量v＝{v1，v2，...，vh*w-1，vh*w}。将i{1，2，3，...，n-1，n}中所有图像处理并展开成向量后，属于同一模型的(3*s)个向量堆叠构成一个新的(3*s)×(h*w)二维灰度矩阵。经过图像处理后的样本集如下：
mati＝{m1，m2，m3...，mn-1，mn}，m∈r(3*s)*(h*w)。
步骤5)中训练过程为：采用学习算法包括梯度下降法、momentum算法、rmsprop算法、adam算法对网络模型的参数进行更新，以得到更好的分类结果。
步骤6)中对待查询的三维模型进行检索过程为：对模型进行流动数值模拟分析，对分析结果进行采样，采样方式与训练集相同；将采样得到的曲线图像进行灰度变换、滤波及归一化等处理，处理得到的二维灰度矩阵构建成该三维模型的输入矩阵，输入到步骤4)中训练好的深度卷积神经网络模型中，根据输出结果，得到相似的模型类，即输出与待查询模型相似的制品模型。得到所需结果后，该模型数据也成为训练集的一部分，用以持续提高网络模型的准确率。
本发明采用产品模型的流动特征作为检索的依据，流动特征不仅能表示模型简单的几何信息，如体积、厚度等，还能有效反映模型内部的结构，如直角、圆角及特殊结构等，相比现有技术选取形状描述因子去反映三维模型，更简单、更准确，是一种创新的方法。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。