1. Введение 2
2. Обзор литературы 4
3. Постановка задачи 5
4. Признаковое описание 6
4.1. Функции формы 6
4.2. Построение вектора признаков 6
5. Классификция признаков 9
5.1. Алгоритм k-ближайших соседей 9
5.2. Метод главных компонент 11
5.3. Методика оценки алгоритма 12
6. Результаты 15
7. Выводы 26
8. Заключение 28
Список литературы 29
В настоящее время инженерами активно используются системы автоматизированного проектирования (САПР), которые позволяют сильно уменьшить время на создание объекта, снизить трудоемкость процесса, повысить качество проектируемых изделий и свести к минимуму затраты на натурное моделирование. В широком смысле САПР определяется как организационно-техническая система входящая в структуру проектной организации и осуществляющая проектирование при помощи комплекса средств автоматизированного проектирования1. Для целей данной работы такое определение слишком обширно, поэтому под САПР будем понимать программное обеспечение предназначенное для создания чертежей, конструкторской документации и трехмерных моделей. На рынке широко представлены САПР различных компаний. Некоторые имеют узкую специализацию, вроде систем проектирования коттеджей К-З-Коттедж, Dietrich или судостроительных систем проектирования Foran, К-3-Ship. САПР общего назначения, позволяющие создавать произвольные твердотельные модели, обладают большим набором инструментов для проектировщика. Модели созданные в них могут быть использованы как в узкоспециализированных комплексах представленных выше, так и в системах автоматизации инженерных расчетов и анализа, например: ANSYS, FreeFEM. Примерами САПР общего назначения могут служить AutoCAD, КОМПАС-ЗВ, SolidWorks или FreeCAD.
Первая в мире САПР была разработана в 1947 году в США, а первая отечественная в 1980-х гг., под руководством Кошина А.А в Челябинском политехническом институте. С этого времени системы автоматизированного проектирования прошли долгий путь, в частности сформировались способы представления данных и их форматы. Редакторы трехмерной графики типа Blender, Maya и Autodesk 3Ds Мах, используются для художественных целей и у них нет требования на точность представления, поэтому они использую полигональные модели - набор треугольников и нормалей. Преимущество такого представления в его простоте и переносимости. Требования модели для САПР отличаются. Здесь необходима математическая точность представления спроектированного объекта потому, что по нему будут строиться чертежи, производится математическое моделирование процесса и, иногда, автоматическая печать на станке.
В САПР системах распространены два типа представления трехмерных моделей - это конструктивная сплошная геометрия и граничное представление. Конструктивная сплошная геометрия - трехмерная модель представляется в виде набора булевых операций над «примитивами», телами простой формы, рисунок 1. Граничное представление - способ представления трехмерной модели с помощью ее точных границ. Оно состоит из топологии - грани, ребра и вершины, и геометрии - поверхности, кривые и точки, рисунок 2.
Рис. 1. Пример представления трехмерной модели с помощью конструктивной сплошной геометрии.
Рис. 2. Пример грапичпого представления трехмерной модели.
Оба этих представления несложно преобразуются к полигональному представлению, рисунок 3. Этот факт делает полигональные модели наиболее независимым способом представления трехмерной модели для нужд классификации.
Рис. 3. Полигональное представление трехмерной модели.
Актуальность работы по созданию алгоритмов классификации трехмерных САПР-моделей вызвана массовым внедрением данного типа ПО в конструкторской практике. В результате этого, разработано огромное количество моделей. Например, сайт grabcad.com содержит тысячи работ инженеров, но классификация и поиск возможен только по тегам. Так же свое применение алгоритм может найти для патентной базы, где решение задачи классификации объектов поможет увеличит скорость проведения экспертизы работником патентного бюро, а введенные признаки и метрики над моделями помогут быстрее принять решение о статусе интеллектуальной собственности.
В ходе выполнения выпускной квалификационной работы:
• Разработан алгоритма класс классификации трехмерных САПР моделей.
• Написана программная реализация на языке Python 2.7.
• Произведена оценка работы алгоритма классификации на трех наборах данных.
Таким образом полностью достигнуты задачи поставленные в рамках данной работы.
1. Robert Osada, Thomas Funkhouser, Bernard Chazelle, and David Dobkin. Matching 3d models with shape distributions. In 154-166, editor, International Conference on Shape Modeling and Applications. ACM SIGGRAPH, the Computer Graphics Society and EUROGRAPHICS, IEEE Computer Society Press, Genova, Italy, May 7-11 2001.
2. Ip C-Y, Lapadat D, Sieger L, Regli WC. Using shape distributions to compare solid models. In: 7th ACM/SIGGRAPH symposium on solid modeling and applications. 2002. p. 273-80.
3. Sadjadi FA, Hall EL. Three-dimensional moment invariants. IEEE Transactions on Pattern Analysis and Machine Intelligence 1980. 2(2). p. 127-36.
4. Kazhdan M, Funkhouser T, Rusinkiewicz S. Rotation invariant spherical harmonic representation of 3D shape descriptors. In: Proceedings of ACM/Eurographics symposium on geometry processing. 2003. p. 167-75.
5. Ip C-Y, Lapadat D, Sieger L, Regli WC. Using shape distributions to compare solid models. In: 7th ACM/SIGGRAPH symposium on solid modeling and applications. 2002. p. 273-80.
6. Osada R, Funkhouser T, Chazelle B, Dobkin D. Shape distributions. ACM Transactions on Graphics 2002. 21(4). p. 807-32
7. Kalyanaraman Y, Boutin M, Rarnani K. Effectiveness of convex hull histograms for shape matching. PRECISE technical report. PRE-TR2005-2, West Lafayette (IN): Purdue University, 2005.
8. Chen D-Y, Ouhyoung M, Tian X-P, Shen Y-T. On visual similarity based 3D model retrieval. Computer Graphics Forum 2003. p. 223-32.
9. Fei-wei QIN, Lu-ye LI, Shu-ming GAO , Xiao-ling YANG, Xiang CHEN. A deep learning approach to the classification of 3D CAD models. Journal of Zhejiang University-SCIENCE C (Computers & Electronics) 2014. p. 91-106.
10. Subramaniam Jayanti, Yagnanarayanan Kalyanaraman, Natraj Iyer, Karthik Ramani. Developing an engineering shape benchmark for CAD models. Computer-Aided Design 38. 2006. p. 939-953.
11. D. S. Zhang and G. Lu. "An Integrated Approach to Shape Based Image Retrieval". Proc, of 5th Asian Conference on Computer Vision (ACCV), Melbourne, Australia, Jan. 2002. p. 652-657.
12. Воронцов К. В., Колосков А. О. Профили компактности и выделение опорных объектов в метрических алгоритмах классификации. Искусственный Интеллект, 2006. С. 30-33.