你有没有搜索过如何将 Cad 模型转换为 python 就绪的 numpy 数组，但没有得到任何明确的答案？ 我也是。 经过长时间的研究并尝试了很多软件和 python 库，我终于能够将 3D STEP 文件转换为 3 维 numpy 数组。 如果你想做同样的事情或只是想知道它是如何完成的，请继续阅读 😃
推荐：用 NSDT设计器 快速搭建可编程3D场景。
1、简介
与二维图像数据相比，对 3 维模型的机器学习研究并不多。 大多数机器学习和深度学习模型都使用 numpy 数组作为数据类型。
虽然点云数据可以作为 numpy 数组导入，但是当 3D 模型转换为点云时，空间信息会丢失。 点云只是空间中的一组数据点，其中每个点都有其一组 X、Y 和 Z 坐标。 当点云被转换为 3 维 numpy 数组时，空间信息被恢复。 一个 3 维 numpy 数组就像一堆 2D 图像，其中每个图像都是整个 3D 的横截面视图，无论你如何切片阵列。
我最近正在从事一个这样的项目，但没有找到任何资源来帮助我将 cad 模型转换为 numpy 数组。
2、需要的软件和 Python 库
要加载“.stp”文件，我们将使用 FreeCAD 软件。 FreeCAD 是一款免费的开源参数化 3D 建模器。 你可以从此处下载该软件。 我们将使用 FreeCAD 加载“.stp”文件并将其转换为点云。
对于 Python，我将使用 Jupyter Notebook，但代码应该可以在任何其他 IDE 上正常运行。 我们将需要以下 Python 库来可视化点云并将其转换为 numpy 数组。
import pptk #not essential, but its good for visualizing
import numpy as np
import pandas as pd
from pyntcloud import PyntCloud
3、将 .stp 文件转换为点云
FreeCAD 的用户界面非常直观且易于理解。 当你在 FreeCAD 中打开一个“.stp”文件时，它看起来像这样：
我正在使用的 cad 模型是我几年前为 GrabCad 网站上的竞赛创建的。 您可以通过单击此处查看我的其他 Cad 模型并在 GrabCad 上进行渲染。
我们在 FreeCAD 中要做的第一件事是激活点工作台。 转到 View>Workbench>Points，如下图所示：
要将 3D 模型转换为点云，请选择左侧面板上的零件（part）。 选择零件实体后，工具栏中的“转换为点”选项将可用。 选择转换为点选项并输入最大距离。 最大距离是两点之间的距离。 创建点云所花费的时间与最大距离成反比。 因此，请根据所需的详细程度和你的计算机配置来选择它。
当单击“确定”时，点云即会生成，并且可以在左侧面板上将其视为一个单独的零件体。 可以在下图中看到：
要导出点云，请在左侧面板上选择点云零件主体，然后单击“导出点云”选项。 确保在保存点云时文件的扩展名应该是“.asc”。
4、点云到 3D Numpy 数组
要将“.asc”点云文件加载到 python 中，我们将使用 numpy 库。 使用下面显示的代码行将点云导入 python。 点云将是一个形状为 (N, 3) 的 numpy 数组。 其中 N 是数据点的数量，3 是每个数据点的 X、Y 和 Z 坐标。 有关单个数据点的示例，请参见下面代码中的最后两行。
import numpy as np
point_cloud = np.loadtxt("path/bracketpointcloud.asc")
point_cloud.shape
#output: (1840605, 3)
point_cloud[1]
#output: array([94.5374 , -2.27163, -3.81])
我们可以使用 pptk 库或 PyntCloud 库来查看点云。 我将解释两者，但 pptk 更好且易于可视化。 要使用 pptk 可视化点云，只需使用以下代码。 这将打开一个新窗口，你可以在其中缩放和旋转点云。 pptk 库提供了许多其他参数，可以在文档中看到。
v = pptk.viewer(point_cloud)
要使用 PyntCloud 可视化点云，我们必须将 numpy 数组转换为 pandas 数据框。 其中每行代表一个数据点，列代表相应数据点的 X、Y 和 Z 坐标。 然后这个数据框被用来创建一个 PyntCloud 对象，如下面的代码所示。 要绘制点云，请使用以下代码的最后一行。 PyntCloud 将在 jupyter 中显示输出。 我们可以在显示点云之前设置点大小和不透明度。
from pyntcloud import PyntCloud
df = pd.DataFrame(data=point_cloud, columns=['x','y','z'])
cloud = PyntCloud(new_df)
cloud
#output: PyntCloud1840603 points with 0 scalar fields0 faces in mesh0 kdtrees0 voxelgridsCentroid: 57.98352803, 18.506313633, -6.561006902397e-05Other attributes:
cloud.plot(point_size=0.1, opacity=0.6)
现在我们将点云数据帧转换为体素网格，也称为点云体素化（Voxelization）。 为此，我们将使用下面的前两行代码。 我们还可以设置表示 3D 模型的体素空间的大小。 这在深度学习和机器学习中特别方便，因为所有输入都应该具有相同的大小。 可以使用下面显示的最后一行代码查看体素网格。
voxelgrid_id = cloud.add_structure(“voxelgrid”, n_x=512, n_y=512, n_z=512)
voxelgrid = cloud.structures[voxelgrid_id]
voxelgrid.plot(d=3, mode="density", cmap="hsv")
最后我们只需要将体素网格转换为二进制 numpy 数组。 使用下面的代码行。
Binary_voxel_array = voxelgrid.get_feature_vector(mode=”binary”)
Binary_voxel_array.shape
#output: (512, 512, 512)
好了，现在我们有了一个 Numpy 数组表示的 3D cad 模型。
5、让我们看看结果
我们创建的 numpy 数组与 3D 模型非常相似。 当我们在 2 维中对数组进行切片时，我们将立即获得剖面图。 通过这种方式，机器可以保留 3D 模型的空间信息，机器可以使用各种深度学习或机器学习技术来学习这些信息。 下面是我们在 (512, 512, 512) 数组的不同索引处对数组进行切片时得到的几个示例。
plt.imshow(Binary_voxel_array[ 200, : , : ], cmap=’gray’)
plt.imshow(Binary_voxel_array[ :, 300, : ], cmap=’gray’)
plt.imshow(Binary_voxel_array[ :, :, 250 ], cmap=’gray’)
原文链接：3D CAD模型体素化 — BimAnt
