买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利基于特征级图描述符和图卷积网络的CAD模型分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114936609B 。

龙图腾网通过国家知识产权局官网在2025-07-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210678696.8，技术领域涉及：G06V10/764；该发明授权基于特征级图描述符和图卷积网络的CAD模型分类方法是由秦飞巍;曹磊;邵艳利;詹高扬设计研发完成，并于2022-06-15向国家知识产权局提交的专利申请。

本基于特征级图描述符和图卷积网络的CAD模型分类方法在说明书摘要公布了：本发明公开了一种基于特征级图描述符和图卷积网络的CAD模型分类方法，本发明提取CAD模型的特征与特征之间的依赖关系，转换为特征依赖图，进一步转化阵列特征，细化结构，生成特征级图描述符以表征三维CAD模型；本发明提出的基于特征级图描述符和图卷积网络的模型分类方法，引入跳跃连接网络和基于边收缩的层次化池化机制，构建图卷积网络的分类模型，边收缩的池化机制通过逐步聚合图中节点信息，关注局部关键结构，跳跃连接网络聚合多个中间图表示强化图表示学习，以提升分类效果。本发明实现对CAD模型的准确分类且分类准确率高于现有表现较佳的其他三维模型分类方法，推广了结构化描述与图卷积网络在CAD模型分类问题上的应用。

本发明授权基于特征级图描述符和图卷积网络的CAD模型分类方法在权利要求书中公布了：1.基于特征级图描述符和图卷积网络的CAD模型分类方法，其特征在于，该方法具体如下： 步骤1、获取面向特征的模型文件作为基础数据集； 步骤2、将数据集中的CAD模型的.sldprt文件转换为TU格式的特征级图描述符，具体操作如下： 步骤2-1：读取.sldprt模型文件中CAD模型的特征树，提取规定特征接口的特征，其中特征接口包括ExtrudeFeatureData、LoftFeatureData、SweepFeatureData、RevolveFeatureData、LinearPatternFeatureData、CircularPatternFeatureData、IMirrorPatternFeatureData、ISimpleFilletFeatureData、IVariableFilletFeatureData、IChamferFeatureData、WizardHoleFeatureData、SimpleHoleFeatureData、ShellFeatureData、ThreadFeatureData，再提取特征属性中的父子依赖关系，对提取的特征，构建一个以特征为节点、以特征的父子依赖关系为边的特征依赖图Gfea，作为特征级图描述符的基础； 步骤2-2：设计特征级图描述符节点的属性向量，并读取特征的依赖关系和接口参数，以此定义描述符节点具有哪些属性； 读取特征依赖图Gfea中的特征所具有的子依赖关系，顺位读取首个草图作为生成该特征的草图，若子依赖关系中无草图，则设定对应特征草图为无，根据预定义的属性提取草图线段所具有的各项参数，并分析线段的特征得到草图线段的属性向量，以此组合草图的属性向量，若无草图则对应维度设置为E； 预处理模型数据集，根据步骤2-1捕获特征的方法获取所有特征，读取特征对应特征接口的所有参数，并转换为可量化的数值，面向数据集提取所有参数的数值，对相同参数构建数值分布，若同一参数相同数值的分布高于整体的90％，则判定该参数不具备几何表现力，对其进行筛除，同时对同一类的的参数进行加权组合，xd＝w1x1+w2x2+…+wnxn，其中xn表示第n个参数，wn表示第n个参数的加权系数；以压缩参数的维度，最终按照特征接口划分的特征类型，为每个特征设计属性向量，维度不统一的属性向量，对未定义的维度赋值为E； 步骤2-3：对特征依赖图Gfea中的阵列特征进行“阵列关系化”的转换，将阵列特征扩展为其阵列复制的多个源特征，并依照源特征的依赖关系，连接在Gfea上，形成特征级图描述符Gfea-level； 步骤3、结合跳跃连接网络和基于边收缩的层次化池化机制，构建CAD模型的图卷积分类网络，实现对CAD模型的分类，具体操作如下： CAD模型分类网络使用GraphSAGE图卷积网络作为骨干网络，并融合了跳跃连接网络和基于边收缩池化机制，面向构造几何的CAD模型，将该网络记为CSG-GraphNet；CSG-GraphNet共包含5个卷积部分conv1～conv5，在其conv2和conv4卷积部分后添加层次化池化部分pool1和pool2；添加跳跃连接网络的残差单元JK-Net，聚合conv1～conv5和pool～pool2的网络层输出； GraphSAGE图卷积网络基于空域实现节点消息传递，提出了一种邻居采样的机制使图卷积网络能够适应不同大小的图，在进行卷积时，对邻居节点进行采样，通过设置采样倍率Si来控制采样的节点数； 步骤3-1：在分类模型中加入了基于边收缩的层次化池化模块，边收缩池化遵循节点之间的边关系实现池化； 步骤3-2：在分类模型中加入跳跃连接网络模块，聚合不同层次的中间图表示； 跳跃连接网络模块操作如下：首先，以每一个网络层输出的中间图表示为输入，分别通过一个全局平均读出层，将图结构读出为一个规范的特征矩阵；接着，将所有读出层输出的特征矩阵拼接合并为一个多层次特征矩阵，以更好表现图的层次变化。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。