(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111647747.2 (22)申请日 2021.12.3 0 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 高雪瑶　杨博寓　张春祥　 (74)专利代理 机构 北京中济纬天专利代理有限 公司 11429 专利代理师 杨红娟 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06T 17/00(2006.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) (54)发明名称 一种基于EfficientNet和卷积神经网络的 三维模型分类方法 (57)摘要 本发明公开了一种基于EfficientNet和卷 积神经网络的三维模型分类方法， 涉及三维模型 分类领域。 本发 明针对现有三维模 型分类方法存 在分类精度低的问题。 本发明获取三维模型各侧 面的二维视图、 形状特征D1、 形状特征D2、 形状特 征D3、 Zernike矩特征和Fourier特征； 构建 EfficientNet和卷积神经网络结合的深度卷积 神经网络， 将形状特征D1、 形状特征D2、 形状特征 D3、 Zernike矩特征和Fourier特征融合形 成形状 分布特征向量， 将二维视图和形状 分布特征向量 作为深度卷积神经网络的输入， 得到三维模型的 分类结果； 本发 明将形状分布特征和视图特征融 合， 提高了三维模型分类的精度。 权利要求书2页 说明书9页 附图3页 CN 114492593 A 2022.05.13 CN 114492593 A 1.一种基于EfficientNet和卷积神经网络的三维模型分类方法， 其特征在于， 包括如 下步骤： S1、 获取三维模型 各侧面的二维视图； S2、 获取三维模型的形状特 征D1、 形状特 征D2和形状特 征D3； S3、 提取所述二维视图的Zern ike矩特征； S4、 提取所述二维视图的Fourier特 征； S5、 构建EfficientNet和卷积神经网络结合的深度卷积神经网络， 将所述形状特征D1、 形状特征D2、 形状特征D3、 所述Zernike矩特征和所述Fourier特征融合形成形状分布特征 向量， 将所述三 维模型各侧面的二维视图和所述形状分布特征向量作为所述深度卷积神经 网络的输入， 得到三维模型的分类结果。 2.根据权利要求1所述一种基于EfficientNet和卷积神经网络的三维模型分类方法， 其特征在于， 步骤S1包括： 利用固定投影法获取三维模型的六个投影视图V1、 V2、 V3、 V4、 V5 和V6。 3.根据权利要求1所述一种基于EfficientNet和卷积神经网络的三维模型分类方法， 其特征在于， 所述形状特征D1为二 维模型视图的质心与二 维模型边界上的采样点之 间的距 离， 所述形状特 征D1的提取 方法包括： S211、 等距离采样二维视图边界上的点； S212、 从所述采样点中提取点 集合PD1， 所述P D1＝{ai1,…,aik,…,aiN}； S213、 构建形状特征D1的集合为{D 1_v1,D1_v2,…,D1_vi,…,D1_vBins}， 所述D1_vi为间 隔统计数据(BinsSize*(i ‑1)， BinsSize*i)， Bins表示区间数， BinsSize表示区间长度， 所 述D1_vi的计算方法为： D1_vi＝|{P|dist(P,O)∈(Bi nSize*(i ‑1),BinSize*i),P∈P D1}|； 其中， Bin sSize＝max({dist(P,O)|P ∈PD1})/N,di st()是两点之间的欧氏距离， O为二 维视图的质心。 4.根据权利要求2所述一种基于EfficientNet和卷积神经网络的三维模型分类方法， 其特征在于， 所述形状特征D2为二维模型视图的两个随机采样点之间的距离， 三维模型 的 D2特征的提取， 具体步骤为： S221、 随机采样二维模型视图上的点， 从所述采样点中提取点集合PD2为{(aj1,bj1), (aj2,bj2),…,(ajN,bjN)}。 S222、 构建形状特 征D2的集 合为{D2_v1,…,D2_vi,…,D2_vBins}， D2_vi的计算方法为： D2_vi＝|{P|dist(P)∈(Bi nSize*(i ‑1),BinSize*i),P∈P D2}|； 其中， BinsSize＝max({dist(P)|P∈P D2})/N。 5.根据权利要求2所述一种基于EfficientNet和卷积神经网络的三维模型分类方法， 其特征在于， 所述形状特征D3为二维视图上三个随机采样点构成的三角形面积的平方根， 所述形状特 征D3的提取 方法为： S231、 随机采样二维模型视图上的点， 从所述采样点中提取点集合PD3＝{(ak1,bk1, ck1),(ak2,bk2,ck2),…,(akn,bkn,ckn)}中。 S232、 构建形状特 征D3的集 合为{D3_v1,…,D3_vi,…,D3_vBins},D3_vi的计算方法为： D3_vi＝|{P|herso n(P)∈(Bi nSize*(i ‑1),BinSize*i),P∈P D3}|；权　利　要　求　书 1/2 页 2 CN 114492593 A 2其中， herson()为用于计算三角形的面积 的Helen公式， 三角形面积的计算方法为： 其中， A＝dist(P1,P2)， B＝dist(P1,P3)， C＝dist(P2,P3)。 6.根据权利要求1所述一种基于EfficientNet和卷积神经网络的三维模型分类方法， 其特征在于， 所述Zernike矩特征为二维图像在正交基上的投影， 所述Zernike矩特征的获 取方法为： 式中， f(x,y)为 二维图像， Vnm(x,y)表示在单位圆内的任何平方 可积函数。 7.根据权利要求1所述一种基于EfficientNet和卷积神经网络的三维模型分类方法， 其特征在于， 所述Fourier特 征的获取 方法为： 其中， R(n)为 傅里叶系数。 8.根据权利要求7所述一种基于EfficientNet和卷积神经网络的三维模型分类方法， 其特征在于， 所述 傅里叶系数R(n)的获取 方法为： 其中， j为复单位， xi和yi构成外轮廓的边界点P{xi， yi}， i＝1， 2，…， N。 9.根据权利要求1所述一种基于EfficientNet和卷积神经网络的三维模型分类方法， 其特征在于， 所述深度卷积神经网络包括efficientnet 网络单元、 卷积网络单元、 融合层、 全连接层和分类器， 所述三维模型各侧面的二维视图输入efficientnet网络单元， 三维模 型的形状分布特征向量输入卷积 网络单元， efficient网络单元和卷积 网络单元输出的数 据进入融合层中。 10.根据权利要求9所述一种基于EfficientNet和卷积神经网络的三维模型分类方法， 其特征在于， 步骤S5包括： S51、 将所述 二维视图输入ef ficientnet网络单 元中， 得到语义特 征XE； S52、 将所述形状分布特 征向量输入卷积网络单 元中， 得到语义特 征XS； S53、 所述语义特 征XE和语义特 征XS分别经 过平整层处 理后进入融合层进行融合； S54、 将融合后的特 征输入到全连接层， 经 过分类器得到分类结果。权　利　要　求　书 2/2 页 3 CN 114492593 A 3