草图序列重建模型的训练方法、几何模型重建方法及设备与流程

本技术涉及cad逆向工程，特别涉及一种草图序列重建模型的训练方法、几何模型重建方法及设备。

背景技术：

1、计算机辅助设计系统（cad）是工业产品设计、研发与制造的基础软件系统，已广泛应用于机械、建筑、航空、船舶以及汽车等工业领域，二维草图序列是三维设计的基础，是cad软件系统的核心之一。在逆向工程中，从三维点云恢复cad建模序列是不可或缺的一项关键技术，其中，草图序列作为三维建模序列的基础，是恢复精确三维建模序列至关重要的一环。

2、传统的从点云数据恢复cad建模序列普遍是基于ransec、hough变换算法等。然而，这些算法会受限于需要较好的初始条件、边缘不够清晰、无法直接转换成cad建模序列等问题，进而影响了从点云中直接恢复出草图序列的精度，进而影响了逆向工程的精度。

3、因而现有技术还有待改进和提高。

技术实现思路

1、本技术要解决的技术问题在于，针对现有技术的不足，提供一种草图序列重建模型的训练方法、几何模型重建方法及设备。

2、为了解决上述技术问题，本技术第一方面提供了一种草图序列重建模型的训练方法，其中，所述的草图序列重建模型的训练方法包括：

3、获取训练数据集，其中，所述训练数据集包括若干训练数据，若干训练数据中的每个训练数据均包括训练点云数据以及训练点云数据对应的标注草图序列参数以及标注点云边界；

4、将所述训练点云数据输入预设网络模型，通过预设网络模型确定预测草图序列参数以及预测点云边界；

5、基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项，并基于所述目标损失项对所述预设网络模型进行优化，以得到草图序列重建模型。

6、所述的草图序列重建模型的训练方法，其中，所述获取训练数据集具体包括：

7、获取若干实体三维建模序列数据；

8、对于每个实体三维建模序列数据，将实体三维建模序列数据重构为建模实体；根据所述建模实体确定三维点云模型，将所述三维点云模型投影至预设平面以得到训练点云数据；根据所述训练点云数据确定建模序列隐式场，并基于所述建模序列隐式场确定标注点云边界；将所述实体三维建模序列数据中的草图序列参数向量化以得到标注草图序列参数，以得到一训练数据；

9、将得到的所有训练数据构成的集合作为训练数据集。

10、所述的草图序列重建模型的训练方法，其中，所述根据所述建模实体确定三维点云模型，将所述三维点云模型投影至预设平面以得到训练点云数据具体包括：

11、对所述建模实体进行分割，以得到若干拉伸实体；

12、对于每个拉伸实体，对所述拉伸实体的mesh模型进行采样，以得到所述拉伸实体对应的三维点云模型；

13、将所述拉伸实体对应的三维点云模型按照拉伸轴投影至草图平面，以得到二维的训练点云数据。

14、所述的草图序列重建模型的训练方法，其中，所述将所述实体三维建模序列数据中的草图序列参数向量化以得到标注草图序列参数具体包括：

15、在所述实体三维建模序列数据中选取所述训练点云数据对应的草图序列参数，并读取所述草图序列参数所包括的各图元的图元类型和图元属性参数；

16、基于各图元的图元类型和图元属性参数构建各图元对应的图元向量，其中，各图元对应的图元向量的向量维度相同；

17、在各图元中选取一个起始图元，以所述起始图元对应的图元向量为起始向量元素，按照预设顺序将各图元向量按列方向排列以得到初始向量矩阵；

18、在所述初始向量矩阵的最前向量元素前添加起始指示符，在所述初始向量矩阵的最后向量元素后添加终止指示符，以得到标注草图序列参数。

19、所述的草图序列重建模型的训练方法，其中，所述基于各图元的图元类型和图元属性参数构建各图元对应的图元向量具体包括：

20、将各图元的图元类型和图元属性参数按照预设格式转换为初始图元向量；

21、对于各初始图元向量中无对应参数信息的元素位置，采用预设数值进行弥补以得到各图像的图元向量。

22、所述的草图序列重建模型的训练方法，其中，所述预设格式包括图元类型对应的参数信息、图元位置参数对应的参数信息、圆弧中点参数对应的参数信息和圆半径参数对应的参数信息。

23、所述的草图序列重建模型的训练方法，其中，所述预设网络模型包括骨干点云编码器、骨干点云解码器、transformer编码器和transformer解码器，所述骨干点云编码器分别与所述骨干点云解码器和transformer编码器相连接，所述transformer编码器和所述transformer解码器相连接，其中，所述transformer解码器用于确定预测草图序列参数，所述骨干点云解码器用于确定预测点云边界。

24、所述的草图序列重建模型的训练方法，其中，所述预测草图序列参数包括所述transformer解码器的输出层输出的预测草图序列参数以及所述transformer解码器中的至少一个中间层输出的预测草图序列参数。

25、所述的草图序列重建模型的训练方法，其中，所述基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项具体包括：

26、基于预测草图序列参数和所述标注草图序列参数确定序列参数损失项；

27、基于所述预测点云边界和所述标注点云边界确定分割损失项；

28、基于所述序列参数损失项和所述分割损失项，确定目标损失项。

29、所述的草图序列重建模型的训练方法，其中，所述标注草图序列参数包括图元类型和图元属性参数，所述基于预测草图序列参数和所述标注草图序列参数确定序列参数损失项具体包括：

30、对于预测草图序列参数中的每个预测草图序列参数，计算所述预测草图序列参数中的预测图元类型和所述标注草图序列参数中的图元类型的类型损失项，以及所述预测草图序列参数中的预测图元属性参数和所述标注草图序列参数中的标注图元属性参数的参数损失项；

31、根据计算的类型损失项和参数损失项，确定序列参数损失项。

32、所述的草图序列重建模型的训练方法，其中，在将所述训练点云数据输入预设网络模型，通过预设网络模型确定预测草图序列参数以及预测点云边界的过程中，所述方法还包括：

33、对所述训练点云数据的标注草图序列参数执行添加噪声操作，以得到噪声标注草图序列参数；

34、将所述噪声标注草图序列参数输入所述预设网络模型中，通过所述预设网络模型输入去噪标注草图序列参数。

35、所述的草图序列重建模型的训练方法，其中，所述目标损失项包括去噪损失项，所述去噪损失项为基于所述去噪标注草图序列参数和所述训练点云数据对应的标注草图序列参数确定的。

36、本技术第二方面提供了一种几何模型重建方法，应用基于如上所述的草图序列重建模型的训练方法所得到的草图序列重建模型，所述的几何模型重建方法包括：

37、获取待重建的点云数据；

38、将所述待重建的点云数据输入所述草图序列重建模型，通过所述草图序列重建模型输出所述待重建的点云数据对应的草图序列参数和边界点云；

39、基于所述草图序列参数和所述边界点云，构建所述点云数据对应的几何模型。

40、所述的几何模型重建方法，其中，所述基于所述草图序列参数和所述边界点云，构建所述点云数据对应的几何模型具体包括：

41、以所述边界点云为隐式场网格点，对所述草图序列参数进行修正以得到目标草图序列参数；

42、将所述目标草图序列参数转换为建模序列，并将所述建模序导入建模软件以得到点云数据对应的几何模型。

43、所述的几何模型重建方法，其中，在获取待重建的点云数据之后，还包括对所述待重建的点云数据进行的预处理过程，其中，所述预处理过程具体包括：

44、获取所述待重建的点云数据的最小坐标值和最大均对值坐标值；

45、将所述待重建的点云数据中各点云坐标减去所述最小坐标值后，再除以所述最大均对值坐标值，以得到各点的调整坐标；

46、将各点云的调整坐标减去所述待重建的点云数据的点云中心。

47、本技术第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的草图序列重建模型的训练方法中的步骤，和/或以实现如上所述的几何模型重建方法的方法中的步骤。

48、本技术第四方面提供了一种终端设备，其包括：处理器和存储器；

49、所述存储器上存储有可被所述处理器执行的计算机可读程序；

50、所述处理器执行所述计算机可读程序时实现如上所述的草图序列重建模型的训练方法中的步骤，和/或实现如上所述的几何模型重建方法的方法中的步骤。

51、有益效果：与现有技术相比，本技术提供了一种草图序列重建模型的训练方法、几何模型重建方法及设备，所述训练方法包括获取训练数据集；将所述训练数据集中的训练点云数据输入预设网络模型，通过预设网络模型确定预测草图序列参数以及预测点云边界；基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项，并基于所述目标损失项对所述预设网络模型进行优化，以得到草图序列重建模型。本技术通过将点云分割任务和草图序列预测任务结合，显著提高网络对深层点云信息的提取，提高参数预测精度，解决了三维点云到草图序列重建中的边界不清晰及无法直接转换成建模序列的问题，大大提高了逆向工程的智能化和效率。