本发明涉及计算机辅助产品设计、智能制造技术领域，具体涉及一种相似零件智能检索方法。
背景技术：
随着市场需求趋于个性化、差异化，企业的生产方式也由单一品种的大批量过渡到多品种、小批量生产方式。为适应市场需求变化，面对新订单需求时，企业在制定合理的生产方案后，设计人员需要辅助设计工具对机械产品进行快速化、智能化设计，完成机械产品零件中零件智能分类、板材件排版、型材件统计、材料汇总、采购清单汇总等为生产制造提供便利，在此之前都需要一种快速有效的相似零件检索方法。
文献“mbd环境下计算机辅助零件分类技术.航空精密制造技术.2016,52(6):42-45.”提出一种基于mbd的零件分类方法，该方法通过对零件的mbd信息进行编码处理，然后通过机器学习方法对零件分类，但是其在对mbd零件信息提取的过程中涉及到零件的工艺信息、零件属性、工程注释等信息，种类较多，信息量大，在检索过程中容易出错。
申请号为cn200810062348.8的专利文献，公开了一种“基于可拓聚类的零件分类方法”，其通过提取零件特征节点域，建立各个零部件结构的距公式，确定零件之间聚类的关联度，然后通过建立关联度矩阵，利用最小关联度法去划分。此方法需要将所有零件具体信息获取再进行一些复杂的计算，最终通过可拓聚类的方法获取零件的分类，实际实施起来非常困难，智能化水平不高。
面向制造装备的机械产品零件种类量大类多，不能通过设计人员经验对其进行人工分类，缓慢且繁琐；在从种类繁多的零件中找出目标零件更是不容易，这是企业在生产制造中存在的问题，需要一个新的技术方案来解决这个问题。
技术实现要素：
发明目的：为了克服现有技术中存在的不足，提供一种相似零件智能检索方法，其从零件本身出发，通过辨别零件的特征而划分不同的零件种类，解决了机械产品设计过程中面对制造装备量大类多的零件如何快速分类并辅助设计人员完成产品设计的问题。
技术方案：为实现上述目的，本发明提供一种相似零件智能检索方法，包括如下步骤：
s1：获取已有设备数据库信息，通过对数据库中的零件进行关键特征提取，获取到训练零件集；
s2：对训练集中的零件进行特征识别，将获取到的特征数据作为训练数据存储；
s3：对待检索的所有零件作为测试零件集进行特征识别，将获取到的特征数据作为测试数据存储；
s4：基于布尔运算方法，将训练集的特征和测试零件集的特征进行相似对比分类，获得测试零件集中的相似零件。
进一步地，所述步骤s1中训练集的获取方法为：通过三维软件二次开发编程打开数据库中的一个零件，通过图像捕获功能获取到该零件当前视图下的二维视图，通过三维软件对该零件进行多视角自由旋转，在旋转过程捕捉零件多视角静态二维视图，将捕捉的静态二维图作为训练样本，形成训练集。
进一步地，所述步骤s2中训练集中的零件的特征识别方法为：首先读取训练集中零件的二维视图，然后分别从方向梯度直方图和灰度共生矩阵两个方面特征提取特征值，最后将提取到的两方面特征值进行融合。
进一步地，所述方向梯度直方图方面的特征值的提取方法为：
首先采用gamma校队法对输入零件二维截图颜色进行空间标准化处理，然后计算二维图片中每个像素点的梯度，接着将二维图像划分成若干细胞单元，通过统计每个细胞单元的梯度直方图来获得每个细胞的描述符，将细胞单元组成空间块，对组成的空间块进行归一化处理，接着对处理后的空间块提取其hog特征，根据获取的hog特征量分到不同的分类。
进一步地，所述灰度共生矩阵方面的特征值的提取方法为：
读取零件图像中任意一点a及偏离它的另一点b形成点对，设定该点对的灰度值，令点a在整个图像上移动，得到各种灰度值，对得到的灰度值进行归一化处理，获取零件图像的灰度共生矩阵，获取灰度共生矩阵的纹理特征，分别计算纹理特征指标的均差和方差值。
进一步地，所述灰度共生矩阵的纹理特征包括能量、对比度、熵和相关性四种纹理参数。
进一步地，所述步骤s3中测试零件集中的零件的特征识别方法为：首先读取测试零件集中零件的二维视图，然后分别从方向梯度直方图和灰度共生矩阵两个方面特征提取特征值，最后将提取到的两方面特征值进行融合。
进一步地，所述步骤s4的具体过程为：采用支持向量机的方法实现相似零件的初步分类，将划分在同一类别的训练集和测试零件集做布尔运算，将运算获取的训练集与测试零件集特征之差△f作为进一步分类数据，如果同类别之差值△f和0的对比获取到测试零件集中的相似零件。
进一步地，所述步骤s4中相似零件的初步分类方法具体为：首先将训练集和测试零件集数据转换为支持向量机包格式，对获得的数据进行归一化处理，避免零件截图中特征值数值较大或较小影响分类精度，采用rbf径向基核函数将非线性映射到高维空间，通过交叉验证选取最佳惩罚参数c和核函数参数g，提高分类器准确率，采用分类器进行分类，接着测试分类器的分类效果，完成数据的分类。
进一步地，对于通过支持向量机分类获得的相似零件，以训练集p1与相似的测试集{s1,s2…sm}为例，其中m是设备b中与零件p1相似的个数。本发明方法采用的计算公式为f＝fe △fe，其中f为训练集p1特征值，fe为测试集{s1,s2…sm}特征值，△fe为当前的残值。需要说明的是，这里的△fe上述记载的训练集与测试零件集特征之差△f。
综上所述，本发明方法包括三维零件信息提取、零件特征识别、零件信息的布尔运算以及相似特征分类。三维零件信息提取包括零件的提取和特征的提取；零件特征识别包括方向梯度直方图和灰度共生矩阵特征值的获得；零件信息布尔运算包括训练集与测试集特征拟合差值的提取；相似特征分类包括基于支持向量机的分类方法。
有益效果：本发明与现有技术相比，具备如下优点：
1、本发明解决了量大类多、描述繁琐的制造装备零件分类检索问题，将三维零件特征以多个二维图片的形式表示，获取零件多视角基本特征信息，提取图片的方向梯度直方图和灰度共生矩阵特征融合值，使用svm支持向量机对提取的图像特征分类，使得平均识别率明显提高，提升了检索方法的智能化水平和零件分类的准确性。
2、本发明将训练样本提取的零件二维图像特征的值作为一个标准库，将测试样本图像所提取的特征值与标准库训练样本特征作布尔运算，将测试样本与训练样本特征值之间的布尔值作为零件分类的判别结果，从而明显提升了零件检索的准确性。
3、本发明解决了制造装备专有零件的快速检索问题，具有很强的通用性，通过零件特征识别与零件属性信息相结合的方法准确获得零件信息资源，并将零件汇总，具有较好的实用性，能够有效提升生产制造效率。
4、本发明根据svm支持向量机分类过程中获得分类结果的基础上进行了子分类处理，减少了由于零件特征内差异而引起的分类误差，保证了分类精度。
附图说明
图1是本发明方法的总体流程图；
图2是三维零件多视角二维图像识别的具体流程图；
图3是基于布尔运算差值训练的混淆矩阵结果图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种相似零件智能检索方法，如图1所示，其包括如下步骤：
s1：获取已有设备数据库信息，通过对数据库中的零件进行关键特征提取，获取到训练零件集。
本实施例中以一种零件a为例，获取零件a位置地址，通过三维软件二次开发编程打开零件a，通过程序驱动软件视图工具条下荧屏捕获的下一级子菜单中的图像捕获功能，获取零件a此时视图下的二维视图，通过独自开发的软件程序实现零件a的多视角自由旋转，在旋转过程捕捉零件a多视角静态二维视图，将捕捉的静态二维图作为训练样本，对一个零件的多个视角二维图标记为t＝{t1,t2…tn},其中n为该零件的视角总数，对不同零件进行标记为p＝{p1,p2,…pk},其中k为不同类型零件总数。
s2：对训练集中的零件进行特征识别，将获取到的特征数据作为训练数据存储。
本实施例中以图像识别原理来处理捕捉到的机械零件二维图，通过图像识别的方法去识别已有零件特征，通过对捕捉到的图行进行特征选择与提取。
如图2所示，首先读取训练集中零件的二维视图，然后分别从方向梯度直方图和灰度共生矩阵两个方面特征提取特征值，最后将提取到的两方面特征值进行融合。
方向梯度直方图方面的特征值的提取方法为：
获取上一步中截取的二维图形地址，读取图片，将零件二维图分成许多很小的连通的细胞单元，采集细胞单元中各像素点的梯度和边缘方向，然后在每个细胞单元中累加出一个一维的梯度方向直方图，接着计算出各直方图在这个区间中的密度，根据密度对区间中各个细胞单元做归一化。
首先采用gamma校队法对输入零件二维截图颜色进行空间标准化处理，采用公式：f(i)＝iγ，然后计算二维图片中每个像素点的梯度，主要包括大小和方向：
gx(x,y)＝i(x 1,y)-i(x-1,y)
gy(x,y)＝i(x,y 1)-i(x,y-1)
上式中gx(x,y)、gy(x,y)分别表示输入图像在像素点(x,y)处的水平方向梯度和垂直方向梯度。
接着就是将二维图像划分成多个小的细胞单元，每个细胞单元是8*8的矩形，通过统计每个细胞单元的梯度直方图来作为每个细胞的描述符，将细胞单元组成一个大的空间块，对组成的空间块进行归一化处理，接着对归一化后的空间块提取其hog特征，根据获取的hog特征量分到不同的分类。
灰度共生矩阵方面的特征值的提取方法为：
读取零件图像中(n×n)中任意一点(x,y)及偏离它的另一点(x a，y b)，点(x,y)和点(x a，y b)组成点对，设该点对的灰度值为(g1，g2)。令点(x，y)在整个图像上移动，则会得到各种(g1，g2)值，设该灰度图像的灰度值级数为k，则(g1，g2)的组合共有k2种。对于整个图像矩阵，统计出每一种(g1，g2)值出现的次数，然后排列成一个方阵，再用(g1，g2)出现的总次数将它们归一化为出现的概率p(g1，g2)，获取零件图像的灰度共生矩阵。本实施例中在四个不同的方向和两个偏移点可获得14个属性，为提高零件的分类准确性，采用灰度共生矩阵的能量、对比度、熵和相关性四种纹理参数作为纹理特征，分别计算其特征指标的均差和方差值。
s3：对待检索的所有零件作为测试零件集进行特征识别，将获取到的特征数据作为测试数据存储。
本步骤中对于测试零件集中的所有零件的特征识别方法和步骤s2中对于训练集中的零件的特征识别方法相同。本实施例中待检索的所有零件为一个机械设备b上的所有零件，通过步骤s2方法获取机械设备b所有的零件特征信息，以测试集作为存储，标记为s＝{s1,s2,…sx}，其中x为设备b的零件总数。
s4：基于布尔运算方法，将训练集的特征和测试零件集的特征进行相似对比分类，获得测试零件集中的相似零件。
本实施例步骤s4中采用分类的方法对步骤s2获得的训练零件集p＝{p1,p2,…pk}与步骤s3中获得是机械设备b测试集零件s＝{s1,s2,…sx}特征进行相似对比分类，采用支持向量机的方法实现相似零件的初步分类，将划分在同一类别的训练集和测试集做布尔运算，将获取的训练集与测试集特征之差△f作为进一步分类数据，如果同类别之差值△f等于或者接近于0，则零件分类正确，如果同类别之差值△f明显大于0，则零件分类错误，重新进行步骤二处理，最终获取为0的即为相似零件。
本实施例中首先是将训练集和测试集数据转换为支持向量机包格式，对获得数据进行归一化处理，避免零件截图中特征值数值较大或较小影响分类精度，选择径向基核函数，本实施例采用rbf径向基核函数将非线性映射到高维空间，通过交叉验证选取最佳惩罚参数c和核函数参数g，提高分类器准确率，接着测试分类器的分类效果，对于测试结果的误差如果发现误差率是在期望值内，则可以使用此时的分类器实现数据的分类。
rbf径向基核函数的表达式为：
分类器的分类方法就是采用支持向量机svm，在支持向量机中采用内积函数rbf径向基函数，将样本映射到一个更高维的空间，通过处理类标签与特征之间的非线性关系进行分类。
s5：对获取的进行相似零件进行汇总处理，通过二次开发技术对获取机械设备b中的所有相似零件汇总，完成所需相似零件的检索，方便下一步的生产制造。
基于上述检索方法，本实施例中获取到如图3所示的基于布尔运算差值训练的混淆矩阵结果图，混淆矩阵是通过实验得到的一个图，通过这个图可以直观的看到测试数据被分类到哪个训练数据集中的，由图3可见，本发明方法的检索分类准确度非常高。
为了更加直观的体现本发明方法的检索效果，将本实施例中的本发明方法的试验结果和多种现有检索方法进行对比，具体对比结果表1所示：
表1多种算法与本方法试验结果对比结果
可见，本发明方法与knn和svm方法相比，准确性更高，基于训练集与测试集特征值作差的方法有效的提高了零件分类的准确性。
可见，本发明方法将三维零件转向二维多视角特征图，模拟设计人员通过识别工程图来辨别零件的智能化方法，将检索零件对象与训练零件对象进行拟合做差值，以此更能提高零件检索的准确性。
1.一种相似零件智能检索方法，其特征在于，包括如下步骤：
s1：获取已有设备数据库信息，通过对数据库中的零件进行关键特征提取，获取到训练零件集；
s2：对训练集中的零件进行特征识别，将获取到的特征数据作为训练数据存储；
s3：对待检索的所有零件作为测试零件集进行特征识别，将获取到的特征数据作为测试数据存储；
s4：基于布尔运算方法，将训练集的特征和测试零件集的特征进行相似对比分类，获得测试零件集中的相似零件。
2.根据权利要求1所述的一种相似零件智能检索方法，其特征在于，所述步骤s1中训练集的获取方法为：通过三维软件二次开发编程打开数据库中的一个零件，通过图像捕获功能获取到该零件当前视图下的二维视图，通过三维软件对该零件进行多视角自由旋转，在旋转过程捕捉零件多视角静态二维视图，将捕捉的静态二维图作为训练样本，形成训练集。
3.根据权利要求2所述的一种相似零件智能检索方法，其特征在于，所述步骤s2中训练集中的零件的特征识别方法为：首先读取训练集中零件的二维视图，然后分别从方向梯度直方图和灰度共生矩阵两个方面特征提取特征值，最后将提取到的两方面特征值进行融合。
4.根据权利要求3所述的一种相似零件智能检索方法，其特征在于，所述方向梯度直方图方面的特征值的提取方法为：
首先对输入零件二维截图颜色进行空间标准化处理，然后计算二维图片中每个像素点的梯度，接着将二维图像划分成若干细胞单元，通过统计每个细胞单元的梯度直方图来获得每个细胞的描述符，将细胞单元组成空间块，对组成的空间块进行归一化处理，接着对处理后的空间块提取其hog特征，根据获取的hog特征量分到不同的分类。
5.根据权利要求3所述的一种相似零件智能检索方法，其特征在于，所述灰度共生矩阵方面的特征值的提取方法为：
读取零件图像中任意一点a及偏离它的另一点b形成点对，设定该点对的灰度值，令点a在整个图像上移动，得到各种灰度值，对得到的灰度值进行归一化处理，获取零件图像的灰度共生矩阵，获取灰度共生矩阵的纹理特征，分别计算纹理特征指标的均差和方差值。
6.根据权利要求5所述的一种相似零件智能检索方法，其特征在于，所述灰度共生矩阵的纹理特征包括能量、对比度、熵和相关性四种纹理参数。
7.根据权利要求1所述的一种相似零件智能检索方法，其特征在于，所述步骤s3中测试零件集中的零件的特征识别方法为：首先读取测试零件集中零件的二维视图，然后分别从方向梯度直方图和灰度共生矩阵两个方面特征提取特征值，最后将提取到的两方面特征值进行融合。
8.根据权利要求1所述的一种相似零件智能检索方法，其特征在于，所述步骤s4的具体过程为：采用支持向量机的方法实现相似零件的初步分类，将划分在同一类别的训练集和测试零件集做布尔运算，将运算获取的训练集与测试零件集特征之差△f作为进一步分类数据，如果同类别之差值△f和0的对比获取到测试零件集中的相似零件。
9.根据权利要求8所述的一种相似零件智能检索方法，其特征在于，所述步骤s4中相似零件的初步分类方法具体为：首先将训练集和测试零件集数据转换为支持向量机包格式，对获得的数据进行归一化处理，采用rbf径向基核函数将非线性映射到高维空间，通过交叉验证选取最佳惩罚参数c和核函数参数g，采用分类器进行分类，接着测试分类器的分类效果，完成数据的分类。
技术总结