1.一种三维模型解析生产订单的方法，其特征在于，包括：

采集三维模型中每个部件的连接关系和空间位置信息，构建用于描述三维模型组成的原始数据集，对所述原始数据集执行结构解耦、坐标归一化与尺寸重构操作，生成适配DeepLab v3+算法输入要求的三维模型图像数据；

将所述三维模型图像数据输入至DeepLab v3+算法中，执行像素级语义分割，得到按部件分割标注的分割结果；

从所述分割结果中提取几何特征、拓扑特征和语义特征作为三类特征编码，将三类特征编码融合，得到综合特征向量；

对综合特征向量采用t‑分布随机邻域嵌入算法执行特征降维处理，得到低维特征向量；

将标注好的三维模型图像数据作为训练样本，采用交叉熵损失函数对DeepLab v3+算法执行模型训练，获得用于执行部件级像素分割的语义分割模型；

以所述低维特征向量作为输入，采用三元组损失函数训练并构建用于部件分类和相似度检索的特征识别模型；将所述语义分割模型与所述特征识别模型作为后续解析任务中执行分割与识别操作的两个并行子模型，构成组合形式的目标模型；

依据通过特征识别模型获得的分类结果与相似模型检索结果，以及由语义分割模型得到的三维模型特征信息，生成生产订单；所述生产订单包括部件清单、生产工艺、数量需求和时间安排。

2.根据权利要求1所述的一种三维模型解析生产订单的方法，其特征在于：

在基于DeepLab v3+算法执行像素级语义分割时，通过调整模型的空洞卷积参数、优化ASPP模块结构以及调整解码器上采样方式，优化对三维模型部件的分割精度；

其中，空洞卷积参数是DeepLab v3+算法中用于扩大感受野的技术，其公式为：其中，x是输入信号；y是输出信号；w是卷积核；k是卷积核的大小；r是空洞率；i是空间位置索引；y[i]表示对输入信号x在空间位置i上进行空洞卷积后得到的输出信号y在空间位置i的值；

DeepLab v3+算法中的ASPP模块结构通过多个不同空洞率的空洞卷积并行对特征图进行采样，以捕捉不同感受野尺度下的语义信息；ASPP模块结构构建了空洞卷积形式的空间金字塔池化效果；假设输入特征图为F，经过n个不同空洞率的空洞卷积层后的输出为yi(y＝1,2,...,n)，则ASPP模块结构的输出Y表示为：Y＝Concat(y1,y2,...,yn)；

其中，yi＝Convri(F)，Convri表示空洞率为ri的空洞卷积操作；

DeepLab v3+中的解码器用于将低分辨率的语义特征图恢复到原始图像分辨率，同时结合高分辨率的低级特征来细化分割结果；假设解码器的输入为经过空间金字塔池化处理后的低分辨率特征图Flow和对应的高分辨率低级特征图Fhigh，解码器通过一系列卷积和上采样操作来生成最终的像素级语义分割S；其过程表示为：Fup＝Upsample(Flow)

Fconcat＝Concat(Fup,Fhigh)

S＝Conv(Fconcat)

其中Fup表示将Flow上采样后的特征图；Fconcat表示将Fup和Fhigh沿通道维度拼接后的特征图；Upsample是上采样操作，Concat是特征连接操作，Conv是卷积操作，用于对连接后的特征进行进一步的融合和细化。

3.根据权利要求2所述的一种三维模型解析生产订单的方法，其特征在于：

在t‑分布随机邻域嵌入算法中，高维空间中相似度的度量t‑SNE通过高斯分布计算高维数据点的邻近关系；在高维空间中，给定两个样本数据点xi和xj，高维空间中的相似度通过条件概率Pj|i来表示：其中，σi是样本数据点xi的高斯核宽度，σi反映了其邻域的尺度，通过调整来保证每个2

数据点有相似数量的邻近点；exp为自然指数函数；||xi‑xj||表示xi和xj之间的欧几里得距离平方；在Pj|i式中的u≠i表示求和时排除自身xi，而只考虑与其他点xu的相似度；xu表示数据集中与xi不同的所有其他样本点的特征向量；

使用联合概率来定义样本数据点和的邻近关系：

其中n为样本数据点的总数；Pij为对称联合概率，对称联合概率表示高维空间中xi和xj之间的邻近相似度；Pi|j是相对于Pj|i相反方向的条件概率；

在t‑分布随机邻域嵌入算法中，低维空间中的相似度度量采用t分布来计算样本点之间的邻近关系；t分布作为相似度函数引入，以实现低维空间中点间分离性的保持与拥挤现象的抑制；对于低维空间中的样本数据点和yi和yj，相似度通过如下公式计算：其中qij表示低维空间中yi和yj之间的对称相似度概率；在qij式中的u≠i表示归一化求和时排除yi，仅保留与其他点yu的相似度项；yu表示数据集中与yi不同的所有其他样本点的特征向量；

t‑SNE的优化目标是极小化高维空间中点对之间的相似度分布P与低维空间中点对之间的相似度分布Q之间的KL散度，从而使高维空间与低维空间中的邻近关系一致：其中KL(P||Q)表示P相对于Q的KL散度；∑i≠j表示对所有不同样本点对(i,j)进行求和，并排除i＝j的自比较。

4.根据权利要求3所述的一种三维模型解析生产订单的方法，其特征在于：

还包括结构熵加权融合的低维特征生成方法，在结构熵加权融合的低维特征生成方法中，计算几何特征Fg、拓扑特征Ft、语义特征Fs三类特征的结构熵，依据结构熵生成归一化熵权，以熵权加权拼接三类编码，得融合向量，将融合向量送入t‑SNE输出低维向量；

ffus＝[wgfg,wtft,wsfs]

定义Fc表示类别c∈{g,t,s}的特征矩阵， 其中N行为样本数，dc列为维度数； 表示维度为N×dc的矩阵；g为几何类别，t为拓扑类别，s为语义类别；λc,r表示类别c中第r个维度的特征值； 表示λc,r归一化后的值；λc,u表示类别c中第u个维度的特征值；u表示与当前特征维度索引不同的其他特征维度索引；Ec表示类别c的结构熵；wc表示类别c的熵权；β表示结构熵在权重分配中的调控因子；γ表示局部扰动响应在特征分异度中的映射强度；Eg表示几何类别的结构熵；Et表示拓扑类别的结构熵；Es表示语义类别的结构熵；fc表示类别c的向量化编码；fc＝vec(Fc)，vec表示向量化操作；fg表示几何类别的向量化编码；ft表示拓扑类别的向量化编码；fs表示语义类别的向量化编码；wg,wt,ws分别表示几何特征、拓扑特征和语义特征的融合权重因子；ffus为熵权融合向量； 为高维点对联合概率； 为低维点对概率；zi为第i个样本在低维空间中的嵌入向量；Ψt‑SNE表示t‑SNE的嵌入映射函数，t‑SNE的嵌入映射函数用于将高维输入ffus,i映射为低维zi；ffus,i为第i个样本的融合特征向量； 表示最优化过程中的变量是低维嵌入集合Z，求使后续KL散度下限的嵌入。

5.根据权利要求4所述的一种三维模型解析生产订单的方法，其特征在于：

还包括多尺度残差感知图神经网络的分类与检索方法，在多尺度残差感知图神经网络的分类与检索方法中，构建图G(V,E,A)，堆叠L层多尺度残差图卷积，全局池化得到图向量，以三元组损失函数训练，实现分类与检索；

r

A ＝(A+I) ,r＝1,…,Rmax

在图G(V,E,A)中，V为节点集，E为边集，A为邻接矩阵；I为单位矩阵；Rmax为空洞尺度上 (l) (l,r限；A 为第r尺度邻接矩阵；L为残差图卷积层数；H 为第l层节点嵌入矩阵；W )为第l层G第r尺度权重；σ(·)表示激活函数；h为图结构嵌入表示； 表示第L层图神经网络中，节点v对应的整行嵌入向量； 为三元组集合，三元组集合包括锚a、正p、负n； 分别表示三元组中锚图、正图、负图的图嵌入表示；在三元组损失函数中，δ表示间隔阈值；

表示欧几里得范数的平方； 表示三元组损失。