CN112232182A - 一种三维模型局部特征识别过程中孤立面的判断及去除方法、存储介质 - Google Patents
一种三维模型局部特征识别过程中孤立面的判断及去除方法、存储介质 Download PDFInfo
- Publication number
- CN112232182A CN112232182A CN202011095264.1A CN202011095264A CN112232182A CN 112232182 A CN112232182 A CN 112232182A CN 202011095264 A CN202011095264 A CN 202011095264A CN 112232182 A CN112232182 A CN 112232182A
- Authority
- CN
- China
- Prior art keywords
- matrix
- target model
- source
- model
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种三维模型局部特征识别过程中孤立面的判断及去除方法、存储介质,是指:首先,计算源特征与目标模型间表面的整体最优匹配M,并去除源特征的补充面与目标模型表面间权值为零的匹配,得到目标模型中局部特征表面集合T;然后,通过判断表面集合T中表面的连续性,判断此表面是否为孤立面;最后,通过降权重新匹配的方法重新进行特征识别并继续判断搜索到的表面的连续性,直至所有表面均不是孤立面为止。本发明可以判断出在基于MBD的Creo模型特征识别过程中,识别到的表面集合中不属于同一特征的表面,并将其排除。保证了特征识别过程中识别出的多个表面属于同一特征,提升了基于MBD的Creo模型特征识别的正确性。
Description
技术领域
本发明涉及一种三维模型中局部特征识别的方法,特别涉及一种三维模型局部特征识别过程中孤立面的判断及去除方法。
背景技术
现有技术中基于MBD的Creo模型特征识别及其相似度评价方法,将源特征和目标模型的表面作为顶点建立两个独立集,并使用独立集之间每对顶点的相似性作为权重,建立赋值偶图;利用Kuhn-Munkres算法求解得到源特征和目标模型之间的最优匹配M;去除补充面,仅保留实际源特征和目标模型表面间的匹配。根据匹配结果得到目标模型中被识别的局部特征表面集合,命名为集合T。
由于模型表面之间形状的差异性,上述方法可能会出现搜索到的表面集合T中的表面不属于同一特征的情况。如图1中源特征Ⅰ与图2所示目标模型中的特征Ⅱ具有最高的相似度,但因为图2中的圆环面B与图1中的圆环面A具有更高的面积和周长相似度,在应用Kuhn-Munkres算法进行最优匹配时,会出现A-B一对孤立面。因此,要对求得的最优匹配面组进行连续性、邻接性判断,以排除孤立面,确保求得的面组具有连续性、属于同一特征。
发明内容
针对现有技术的不足,本发明提供了一种三维模型局部特征识别过程中孤立面的判断及去除方法。
本发明的目的是:提供一种三维模型局部特征识别过程中孤立面的判断及解决方法,判断特征识别过程中求出的目标模型中的局部特征中的孤立面,并通过一定的策略,剔除这些孤立面,最终找到符合要求的目标模型中与源特征相似的面的集合。
本发明为实现上述目的所要解决的技术问题是:如何判断特征识别过程中的孤立面,并将其剔除。
本发明的技术方案为:
一种三维模型局部特征识别过程中孤立面的判断及去除方法,是指:首先,利用Kuhn-Munkres算法计算源特征与目标模型间表面的整体最优匹配M,并去除源特征的补充面与目标模型表面间权值为零的匹配,仅保留实际源特征的表面与目标模型表面间的匹配,目标模型中去除源特征的补充面和目标模型表面之间权值为零的匹配的表面后得到表面集合T;将要从中搜索局部特征的模型称为目标模型,将用于对比的模型称为源模型,源模型中用于对比的局部特征称为源特征;目标模型和源模型均为使用Creo软件建立的基于MBD的三维实体模型。基于MBD的模型中除了包含模型结构、尺寸外,还在模型中定义了模型表面的表面粗糙度和各类形状公差。然后,通过判断表面集合T中表面的连续性,判断此表面是否为孤立面;最后,通过降权重新匹配的方法重新进行特征识别并继续判断搜索到的表面的连续性,直至所有表面均不是孤立面为止。
根据本发明优选的,通过判断表面的连续性,判断此表面是否为孤立面,包括步骤如下:
若搜索到的表面集合T中的某一表面与本集合T中其他任一表面均不相邻,则判断该表面为孤立面,否则,若该表面与另一表面有共享的边,则表明此两个表面相邻,则判断该表面不是孤立面。
根据本发明优选的,通过降权重新匹配的方法重新进行特征识别并继续判断搜索到的表面的连续性,直至所有表面均不是孤立面为止,对于最优匹配中的孤立面,通过降低孤立面与目标模型中表面之间的权重、并重新进行匹配运算的方法,重新计算最优匹配,以排除孤立面,得到正确的匹配结果。包括步骤如下:
A、降权
降低目标模型中孤立面与各源特征中表面之间的权重ω(S(i),T(isosurf)),新的权重如式(Ⅰ)所示,
ω(S(i),T(isosurf))′=0 (Ⅰ)
式(Ⅰ)中,ω(S(i),T(isosurf))′为新的目标模型孤立面与各源特征中表面之间的权重,将其降为0;S(i)表示第i个源特征中表面,i为1到m,m为源特征中表面的数量,T(isosurf)表示目标模型中检测到的孤立面;
B、重新计算最优匹配
经过以上降权后,使用ω(S(i),T(isosurf))′替代ω(s(i),T(isosurf)),重新计算权值矩阵WM′,假设第j列元素所代表的目标特征的表面为孤立面,权值矩阵WM′如式(Ⅱ)所示:
式(Ⅱ)中,ω(i,j)’为第i个源特征表面与第j个目标模型表面的相似性权值,m为源特征中表面的数量,h为源特征中补充面的数量,n为目标模型中表面的数量;
利用Kuhn-Munkres算法重新计算源特征与目标模型的表面的整体最优匹配M;
C、去除补充面
去除源特征与目标模型的表面的整体最优匹配M中源特征的补充面和目标模型表面之间权值为零的匹配,在目标模型中去除与源特征中虚拟面相匹配的面后得到表面集合T;
D、邻接性判断
再次对步骤C处理后的表面集合T中的表面判断孤立面,若存在孤立面,使用步骤A至步骤C的方法处理孤立面,直至所有面均为邻接面为止。
根据本发明优选的,利用Kuhn-Munkres算法计算源特征与目标模型间表面的整体最优匹配之前,执行以下步骤:
步骤1:建立目标模型的基于MBD的多维属性邻接矩阵
目标模型的基于MBD的多维属性邻接矩阵是通过提取目标模型中表面和边的拓扑结构、几何形状、几何尺寸、表面粗糙度以及形状公差信息,建立的五个属性邻接矩阵;包括:第一维属性邻接矩阵即拓扑结构矩阵TM,表示目标模型中各表面和边相对位置关系;第二维属性邻接矩阵即形状矩阵SM,表示目标模型中各表面和边的形状;形状矩阵SM中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面或边;第三维属性邻接矩阵即几何尺寸矩阵GDM,表示目标模型表面的面积或边的长度;以目标模型表面的面积或边的长度构建GDM,GDM中元素与TM中相同位置上的元素表达的是同一个表面或同一条边;第四维属性邻接矩阵即表面粗糙度矩阵SRM,表示目标模型表面的粗糙度值;表面粗糙度矩阵SRM中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面;第五维属性邻接矩阵即形状公差矩阵组FTMG;形状公差矩阵组FTMG中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面。
步骤2:建立源特征的基于MBD的多维属性邻接矩阵
源特征是从源模型中选取的一部分连续的表面组,这些表面组具有一定的工程语义,表示某一个特征。在进行源特征选取时,从Creo软件中,打开源模型,选取源特征,完成源特征的选取后,根据步骤1中的方法,依次获取源特征所有表面和边的信息,建立源特征的基于MBD的多维属性邻接矩阵;
与步骤1不同的是,步骤1中建立了整个目标模型的多维属性邻接矩阵,程序执行时,调用ProSolidSurfaceVisit()函数遍历模型所有表面,得到的是所有表面的句柄数组。此处需建立选取的源特征的多维属性邻接矩阵,程序执行时,调用ProSelect()函数遍历所选取的源特征,得到选取的表面的句柄数组surface[]。
根据步骤1中的方法,根据上述获得的源特征中选取表面的句柄数组surface[],依次获取源特征所有表面和边的信息,建立源特征的基于MBD的多维属性邻接矩阵;
步骤3:分别以源特征的表面和目标模型的表面作为独立集构建赋权完全偶图。
根据本发明优选的,第一维属性邻接矩阵即拓扑结构矩阵TM的建立过程如下:
拓扑结构矩阵TM是一个n阶方阵,n是目标模型中表面的数量;拓扑结构矩阵TM的表达形式如式(1)所示:
式(1)中,拓扑结构矩阵TM中对角线元素STii记录模型表面的ID,i=1,2,…,n;非对角线元素ETij代表目标模型表面与表面之间交线的ID,i,j=1,2,…,n,若目标模型中两个表面不相交,则这两个表面所在的行与列的相交元素、以及列与行的相交元素为0。
模型中的圆柱类、回转类表面一般由两个半面组成,这两个半面将有两条完全相同的交线,此处称为多重边。多重边在建立模型ID矩阵时,使用多重边检测方法,检测出多重边并仅记录其中的一条。
根据本发明优选的,第二维属性邻接矩阵即形状矩阵SM的建立过程如下:
形状矩阵SM为n阶方阵,n代表目标模型中的表面的个数,形状矩阵SM如式(2)所示,
式(2)中,矩阵中对角线元素SSii代表模型上的表面,i=1,2,…,n,根据不同的表面的类型,赋予不同的数值,其定义如式(3)所示;其他元素ESij表示目标模型表面与表面的交线,i,j=1,2,…,n,当表面与表面不相交时,其值赋0,当元素相交时,根据交线类别的不同分别赋予不同的值,如式(4)所示;
根据本发明优选的,第三维属性邻接矩阵即几何尺寸矩阵GDM的建立过程如下:
几何尺寸矩阵GDM中,若元素为表面,表示该表面的面积;若元素为边,表示该边的长度,GDM定义如式(5)所示:
式(5)中,矩阵中对角线元素SGDii表示目标模型中表面的面积,i=1,2,…,n,使用ProSurfaceAreaEval()函数依次获取模型中所有表面的面积;非对角线元素EGDij表示目标模型中表面与表面之间交线的长度,i,j=1,2,…,n,若两个表面不相交,则此元素值为0,使用ProEdgeLengthEval()函数依次获得模型所有边的长度。
根据本发明优选的,第四维属性邻接矩阵即表面粗糙度矩阵SRM的建立过程如下:
表面粗糙度矩阵SRM中,非对角线元素均为零,矩阵为对角线矩阵,表面粗糙度矩阵SRM如式(6)所示:
式(6)中,元素SRii表示模型第i个表面粗糙度值,i=1,2,…,n,若获取到粗糙度,其值为粗糙度值,若无粗糙度,其值为零。
根据本发明优选的,第五维属性邻接矩阵即形状公差矩阵组FTMG的建立过程如下:
形状公差矩阵组FTMG中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面;形状公差矩阵组FTMG施加于目标模型的表面,形状公差矩阵组FTMG为对角矩阵,表面形状公差数量可能大于1,每个表面用一个6维数组来定义其形状公差,形状公差矩阵组FTMG定义如式(7)所示:
式(7)中,矩阵元素FTii(6)表示模型第i个表面的形状公差数组,i=1,2,…,n,6为数组的维数;数组元素由形状公差类型及其数值组成,定义如式(8)所示:
式(8)中,ST、FL、CI、CY、PL、PS分别表示直线度公差、平面度公差、圆度公差、圆柱度公差、线轮廓度公差、面轮廓度公差,通过调用ProGtoldataTypeGet()函数获取;xx表示公差数值,通过调用ProGtoldataValueGet()函数获取。
根据本发明优选的,步骤3中,分别以源特征的表面和目标模型的表面作为独立集构建赋权完全偶图,包括步骤如下:
301:建立赋权完全偶图
以源特征的表面作为顶点集合建立源特征独立集,以目标模型的表面作为顶点集合建立目标模型独立集;通常情况下,源特征独立集中模型表面的数量要小于相比较的目标模型独立集中模型表面的数量。因此,在源特征独立集中增加补充面,使得源特征独立集与目标模型独立集中的表面数量相等;需要添加的补充面的数量为源特征独立集和目标模型独立集中表面数量的差。添加补充面后的源特征独立集表示为VS,目标模型独立集表示为VT,以VS与VT之间每对表面之间的连接路径作为边,建立赋权完全偶图G,如式(9)所示:
G=(VS,VT,E) (9)
式(9)中,E为Vs与VT之间的边集;
302:求取赋权完全偶图中连接边的权值
以边连接的源特征与目标模型之间的两个表面的相似度作为权重,计算赋权完全偶图的每个连接边的权值;源特征与目标模型之间的两个表面的相似度ω(S,T)计算公式如式(10)所示:
ω(S,T)=ωTY×ωSim (10)
式(10)中,ω(S,T)是源特征的某一表面到目标模型某一表面连接边的权值;ωTY为类型权值,代表匹配面的类型权重,其取值如式(11)所示;ωSim为相似性权值,代表匹配面的相似性权重,其定义如式(12)所示:
ωSim=(ωSH+ωSR+ωFT)/3 (12)
式(11)中各个面的类型从式(2)中读取,式(12)中,ωSH、ωSR和ωFT分别代匹配表面间的形状相似性、粗糙度相似性和形状公差相似性;
表面间形状相似性ωSH定义如式(13)所示:
式(13)中,AS和AT,CS和CT以及NS和NT分别表示源特征和目标零件匹配面的面积、周长和边的数量;各表面的面积从模型几何尺寸矩阵GDM中对角线元素SGDii中直接读取,i=1,2,…,n,目标模型的第i个面的周长为矩阵GDM中第i行非对角线元素EGDij的数值和,i,j=1,2,…,n,i≠j;目标模型的第i个面的边的数量为矩阵GDM中第i行中数值为非零的非对角线元素EGDij的数量;源特征的第i个面的周长为两部分之和,第一部分为矩阵GDM中第i行非对角线元素EGDij的数值和;第二部分为此面开放边长度之和;源特征的第i个面的边的数量为两部分之和,第一部分为矩阵GDM中第i行中数值为非零的非对角线元素EGDij的数量;第二部分为此面的开放边的数量;
模型表面粗糙度相似性ωSR计算公式如式(14)所示:
式(14)中,ωSR为两个表面表面粗糙度相似性数值,SRS和SRT分别为源特征和目标模型的表面粗糙度值;
形状公差相似性ωFT计算公式如式(15)所示:
式(15)中,ωFT代表两个表面之间形状公差相似性数值,h代表源特征和目标模型匹配表面中包含的形状公差的种类,h≤6,i代表形状公差的序号;di(FTSi,FTTi)代表直线度、平面度、圆度、圆柱度、线轮廓度、面轮廓度中,第i种形状公差FTSi、FTTi两个值的差异性,其定义如式(16)所示:
式(16)中,FTSi和FTTi分别代表源特征和目标模型的第i个形状公差的值;
设源特征中包含m个表面,目标模型中包含n个表面,在源特征中添加的补充面数量为h,则提取赋值完全偶图G中连接边的权值并建立权值矩阵如式(17)所示:
式(17)中,ω(i,j)是源特征的第i个表面与目标模型的第j个表面之间的连接边的权值,代表了此两个表面的相似性。
使用Kuhn-Munkres算法搜索源特征和目标模型之间权值和最大的边的集合,是指:Kuhn-Munkres算法通过引入可行顶点标号的方法,将偶图最优匹配问题转化为偶图完美匹配下的最大加权匹配。通过Kuhn-Munkres算法,计算由源模型和目标模型构成的赋值完全偶图G=(VS,VT,E(s,t))的最优匹配关系。
通过以上算法,得到两顶点集VS和VT之间的匹配关系数组match,使得其权ω(match)=∑e∈Mω(e)最大。此match数组即为要求解的目标模型与源特征的相似表面的对应关系。
一种计算机可读存储介质,所述计算机可读存储介质中存储有三维模型局部特征识别过程中孤立面的判断及去除方法的程序,所述三维模型局部特征识别过程中孤立面的判断及去除方法的程序被处理器执行时,实现任一项所述的三维模型局部特征识别过程中孤立面的判断及去除方法的步骤。
本发明的有益效果为:
本发明中三维模型局部特征识别过程中孤立面的判断及去除方法,可以判断出在基于MBD的Creo模型特征识别过程中,识别到的表面集合中不属于同一特征的表面,并将其排除。保证了特征识别过程中识别出的多个表面属于同一特征,提升了基于MBD的Creo模型特征识别的正确性。
附图说明
图1为源模型的示意图;
图2为目标模型的示意图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定,但不限于此。
实施例1
一种三维模型局部特征识别过程中孤立面的判断及去除方法,是指:首先,利用Kuhn-Munkres算法计算源特征与目标模型间表面的整体最优匹配M,并去除源特征的补充面与目标模型表面间权值为零的匹配,仅保留实际源特征的表面与目标模型表面间的匹配,目标模型中去除源特征的补充面和目标模型表面之间权值为零的匹配的表面后得到表面集合T;将要从中搜索局部特征的模型称为目标模型,将用于对比的模型称为源模型,源模型中用于对比的局部特征称为源特征;目标模型和源模型均为使用Creo软件建立的基于MBD的三维实体模型。基于MBD的模型中除了包含模型结构、尺寸外,还在模型中定义了模型表面的表面粗糙度和各类形状公差。然后,通过判断表面集合T中表面的连续性,判断此表面是否为孤立面;最后,通过降权重新匹配的方法重新进行特征识别并继续判断搜索到的表面的连续性,直至所有表面均不是孤立面为止。
利用Kuhn-Munkres算法计算源特征与目标模型间表面的整体最优匹配之前,执行以下步骤:
步骤1:建立目标模型的基于MBD的多维属性邻接矩阵
目标模型的基于MBD的多维属性邻接矩阵是通过提取目标模型中表面和边的拓扑结构、几何形状、几何尺寸、表面粗糙度以及形状公差信息,建立的五个属性邻接矩阵;包括:第一维属性邻接矩阵即拓扑结构矩阵TM,表示目标模型中各表面和边相对位置关系;第二维属性邻接矩阵即形状矩阵SM,表示目标模型中各表面和边的形状;形状矩阵SM中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面或边;第三维属性邻接矩阵即几何尺寸矩阵GDM,表示目标模型表面的面积或边的长度;以目标模型表面的面积或边的长度构建GDM,GDM中元素与TM中相同位置上的元素表达的是同一个表面或同一条边;第四维属性邻接矩阵即表面粗糙度矩阵SRM,表示目标模型表面的粗糙度值;表面粗糙度矩阵SRM中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面;第五维属性邻接矩阵即形状公差矩阵组FTMG;形状公差矩阵组FTMG中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面。
第一维属性邻接矩阵即拓扑结构矩阵TM的建立过程如下:
拓扑结构矩阵TM是一个n阶方阵,n是目标模型中表面的数量;拓扑结构矩阵TM的表达形式如式(1)所示:
式(1)中,拓扑结构矩阵TM中对角线元素STii记录模型表面的ID,i=1,2,…,n;非对角线元素ETij代表目标模型表面与表面之间交线的ID,i,j=1,2,…,n,若目标模型中两个表面不相交,则这两个表面所在的行与列的相交元素、以及列与行的相交元素为0。
模型中的圆柱类、回转类表面一般由两个半面组成,这两个半面将有两条完全相同的交线,此处称为多重边。多重边在建立模型ID矩阵时,使用多重边检测方法,检测出多重边并仅记录其中的一条。
建立拓扑结构矩阵TM的过程如下:
本实施例中,建立的目标模型的拓扑结构矩阵TMT如下所示:
第二维属性邻接矩阵即形状矩阵SM的建立过程如下:
形状矩阵SM为n阶方阵,n代表目标模型中的表面的个数,形状矩阵SM如式(2)所示,
式(2)中,矩阵中对角线元素SSii代表模型上的表面,i=1,2,…,n,根据不同的表面的类型,赋予不同的数值,其定义如式(3)所示;其他元素ESij表示目标模型表面与表面的交线,i,j=1,2,…,n,当表面与表面不相交时,其值赋0,当元素相交时,根据交线类别的不同分别赋予不同的值,如式(4)所示;
其建立过程:
本实施例中,建立的目标模型形状矩阵SMT如下所示:
第三维属性邻接矩阵即几何尺寸矩阵GDM的建立过程如下:
几何尺寸矩阵GDM中,若元素为表面,表示该表面的面积;若元素为边,表示该边的长度,GDM定义如式(5)所示:
式(5)中,矩阵中对角线元素SGDii表示目标模型中表面的面积,i=1,2,…,n,使用ProSurfaceAreaEval()函数依次获取模型中所有表面的面积;非对角线元素EGDij表示目标模型中表面与表面之间交线的长度,i,j=1,2,…,n,若两个表面不相交,则此元素值为0,使用ProEdgeLengthEval()函数依次获得模型所有边的长度。
其建立过程:
本实施例中,建立的目标模型几何尺寸矩GDMT(矩阵元素取整)如下所示:
第四维属性邻接矩阵即表面粗糙度矩阵SRM的建立过程如下:
表面粗糙度矩阵SRM中,非对角线元素均为零,矩阵为对角线矩阵,表面粗糙度矩阵SRM如式(6)所示:
式(6)中,元素SRii表示模型第i个表面粗糙度值,i=1,2,…,n,若获取到粗糙度,其值为粗糙度值,若无粗糙度,其值为零。
其获取过程如下所示。
本实施例中,建立的目标模型表面粗糙度矩阵SRMT如下所示:
第五维属性邻接矩阵即形状公差矩阵组FTMG的建立过程如下:
形状公差矩阵组FTMG中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面;形状公差矩阵组FTMG施加于目标模型的表面,形状公差矩阵组FTMG为对角矩阵,表面形状公差数量可能大于1,每个表面用一个6维数组来定义其形状公差,形状公差矩阵组FTMG定义如式(7)所示:
式(7)中,矩阵元素FTii(6)表示模型第i个表面的形状公差数组,i=1,2,…,n,6为数组的维数;数组元素由形状公差类型及其数值组成,定义如式(8)所示:
式(8)中,ST、FL、CI、CY、PL、PS分别表示直线度公差、平面度公差、圆度公差、圆柱度公差、线轮廓度公差、面轮廓度公差,通过调用ProGtoldataTypeGet()函数获取;xx表示公差数值,通过调用ProGtoldataValueGet()函数获取。
其获取流程如下。
本实施例中,建立的建立目标模型形状公差矩阵组FTMGT如下所示:
步骤2:建立源特征的基于MBD的多维属性邻接矩阵
源特征是从源模型中选取的一部分连续的表面组,这些表面组具有一定的工程语义,表示某一个特征。在进行源特征选取时,从Creo软件中,打开源模型,选取源特征,完成源特征的选取后,根据步骤1中的方法,依次获取源特征所有表面和边的信息,建立源特征的基于MBD的多维属性邻接矩阵;
与步骤1不同的是,步骤1中建立了整个目标模型的多维属性邻接矩阵,程序执行时,调用ProSolidSurfaceVisit()函数遍历模型所有表面,得到的是所有表面的句柄数组。此处需建立选取的源特征的多维属性邻接矩阵,程序执行时,调用ProSelect()函数遍历所选取的源特征,得到选取的表面的句柄数组surface[]。
根据步骤1中的方法,根据上述获得的源特征中选取表面的句柄数组surface[],依次获取源特征所有表面和边的信息,建立源特征的基于MBD的多维属性邻接矩阵;
本实施例中,以图1所示模型中的局部特征Ⅰ作为源特征,建立的源特征拓扑矩阵TMS如下所示:
本实施例中,建立的源特征形状矩阵SMS如下所示:
本实施例中,建立的源特征几何尺寸矩GDMS(矩阵元素的值取整)如下所示:
本实施例中,建立的源特征表面粗糙度矩阵SRMS如下所示:
本实施例中,建立的源特征形状公差矩阵组FTMGS如下所示:
步骤3:分别以源特征的表面和目标模型的表面作为独立集构建赋权完全偶图。包括步骤如下:
301:建立赋权完全偶图
以源特征的表面作为顶点集合建立源特征独立集,以目标模型的表面作为顶点集合建立目标模型独立集;通常情况下,源特征独立集中模型表面的数量要小于相比较的目标模型独立集中模型表面的数量。因此,在源特征独立集中增加补充面,使得源特征独立集与目标模型独立集中的表面数量相等;需要添加的补充面的数量为源特征独立集和目标模型独立集中表面数量的差。添加补充面后的源特征独立集表示为VS,目标模型独立集表示为VT,以VS与VT之间每对表面之间的连接路径作为边,建立赋权完全偶图G,如式(9)所示:
G=(VS,VT,E) (9)
式(9)中,E为Vs与VT之间的边集;
302:求取赋权完全偶图中连接边的权值
以边连接的源特征与目标模型之间的两个表面的相似度作为权重,计算赋权完全偶图的每个连接边的权值;源特征与目标模型之间的两个表面的相似度ω(S,T)计算公式如式(10)所示:
ω(S,T)=ωTY×ωSim (10)
式(10)中,ω(S,T)是源特征的某一表面到目标模型某一表面连接边的权值;ωTY为类型权值,代表匹配面的类型权重,其取值如式(11)所示;ωSim为相似性权值,代表匹配面的相似性权重,其定义如式(12)所示:
ωSim=(ωSH+ωSR+ωFT)/3 (12)
式(11)中各个面的类型从式(2)中读取,式(12)中,ωSH、ωSR和ωFT分别代匹配表面间的形状相似性、粗糙度相似性和形状公差相似性;
表面间形状相似性ωSH定义如式(13)所示:
式(13)中,AS和AT,CS和CT以及NS和NT分别表示源特征和目标零件匹配面的面积、周长和边的数量;各表面的面积从模型几何尺寸矩阵GDM中对角线元素SGDii中直接读取,i=1,2,…,n,目标模型的第i个面的周长为矩阵GDM中第i行非对角线元素EGDij的数值和,i,j=1,2,…,n,i≠j;目标模型的第i个面的边的数量为矩阵GDM中第i行中数值为非零的非对角线元素EGDij的数量;源特征的第i个面的周长为两部分之和,第一部分为矩阵GDM中第i行非对角线元素EGDij的数值和;第二部分为此面开放边长度之和;源特征的第i个面的边的数量为两部分之和,第一部分为矩阵GDM中第i行中数值为非零的非对角线元素EGDij的数量;第二部分为此面的开放边的数量;
模型表面上开放边长度和数量的计算流程如下:
模型表面粗糙度相似性ωSR计算公式如式(14)所示:
式(14)中,ωSR为两个表面表面粗糙度相似性数值,SRS和SRT分别为源特征和目标模型的表面粗糙度值;
形状公差相似性ωFT计算公式如式(15)所示:
式(15)中,ωFT代表两个表面之间形状公差相似性数值,h代表源特征和目标模型匹配表面中包含的形状公差的种类,h≤6,i代表形状公差的序号;di(FTSi,FTTi)代表直线度、平面度、圆度、圆柱度、线轮廓度、面轮廓度中,第i种形状公差FTSi、FTTi两个值的差异性,其定义如式(16)所示:
式(16)中,FTSi和FTTi分别代表源特征和目标模型的第i个形状公差的值;
设源特征中包含m个表面,目标模型中包含n个表面,在源特征中添加的补充面数量为h,则提取赋值完全偶图G中连接边的权值并建立权值矩阵如式(17)所示:
式(17)中,ω(i,j)是源特征的第i个表面与目标模型的第j个表面之间的连接边的权值,代表了此两个表面的相似性。
本实施例中,建立的权值矩阵WM如下
使用Kuhn-Munkres算法搜索源特征和目标模型之间权值和最大的边的集合,是指:Kuhn-Munkres算法通过引入可行顶点标号的方法,将偶图最优匹配问题转化为偶图完美匹配下的最大加权匹配。通过Kuhn-Munkres算法,计算由源模型和目标模型构成的赋值完全偶图G=(VS,VT,E(s,t))的最优匹配关系。
具体实施步骤如下:
输入数据:以二维数组sim[n][n]表示的权重矩阵WM,n为顶点独立集中的顶点数
输出数据:最优匹配的VS与VT中顶点的对应关系数组match[n],其中match[i]表示VT中与VS中的第i个表面相匹配的表面的序号
定义初始值:
足够大整型常数INF
整型数组exS[n]和exT[n],分别代表VS和VT中顶点的可行顶点标号
布尔型数组visS[n]和visT[n],记录每一轮匹配中VS和VT的点是否被匹配
整型数组match[n],记录VT中,与VS中第i个顶点相匹配的点,如果没有则为-1
整型数组slack[n],记录每个VT的点如果能被VS的点匹配可行顶点标号需要改变的最小值
程序:
通过以上算法,得到两顶点集VS和VT之间的匹配关系数组match,使得其权ω(match)=∑e∈Mω(e)最大。此match数组即为要求解的目标模型与源特征的相似表面的对应关系。
本实施例中,利用Kuhn-Munkres算法计算源特征与目标模型间表面的整体最优匹配,结合赋值偶图G的权值矩阵WM,使用Kuhn-Munkres算法计算得到源特征和目标模型间表面的最优匹配,去除补充面后最优匹配的对应关系如表1所示。
表1
源模型表面ID | 目标模型表面ID |
71 | 159 |
73 | 161 |
79 | 86 |
123 | 203 |
通过判断表面的连续性,判断搜索到的目标模型表面集合中是否存在孤立面,包括步骤如下:
若搜索到的表面集合T中的某一表面与本集合T中其他任一表面均不相邻,则判断该表面为孤立面,否则,若该表面与另一表面有共享的边,则表明此两个表面相邻,则判断该表面不是孤立面。
逐一检索集合T中的每个面是否含有与其他面共享的边,可实现孤立面的检测,其代码如下所示。
Algorithm 1.孤立面判定算法
本实施例中,求得表1所示目标模型表面集合中存在1个孤立面,其ID为86。
通过降权重新匹配的方法重新进行特征识别并继续判断搜索到的表面的连续性,直至所有表面均不是孤立面为止,对于最优匹配中的孤立面,通过降低孤立面与目标模型中表面之间的权重、并重新进行匹配运算的方法,重新计算最优匹配,以排除孤立面,得到正确的匹配结果。包括步骤如下:
A、降权
降低目标模型中孤立面与各源特征中表面之间的权重ω(S(i),T(isosurf)),新的权重如式(Ⅰ)所示,
ω(S(i),T(isosurf))′=0 (Ⅰ)
式(Ⅰ)中,ω(S(i),T(isosurf))′为新的目标模型孤立面与各源特征中表面之间的权重,将其降为0;S(i)表示第i个源特征中表面,i为1到m,m为源特征中表面的数量,T(isosurf)表示目标模型中检测到的孤立面;
B、重新计算最优匹配
经过以上降权后,使用ω(S(i),T(isosurf))′替代ω(S(i),T(isosurf)),重新计算权值矩阵WM′,假设第j列元素所代表的目标特征的表面为孤立面,权值矩阵WM′如式(Ⅱ)所示:
式(Ⅱ)中,ω(i,j)’为第i个源特征表面与第j个目标模型表面的相似性权值,m为源特征中表面的数量,h为源特征中补充面的数量,n为目标模型中表面的数量;
本实施例中,将目标模型中孤立面与源特征中所有表面之间连接边的权重降为0,即:将WM中目标模型中ID为86的表面所在的列元素权值降为0,得到WM′如下所示。
利用Kuhn-Munkres算法重新计算源特征与目标模型的表面的整体最优匹配M;
C、去除补充面
去除源特征与目标模型的表面的整体最优匹配M中源特征的补充面和目标模型表面之间权值为零的匹配,在目标模型中去除与源特征中虚拟面相匹配的面后得到表面集合T;
根据权值矩阵WM′,使用Kuhn-Munkres算法重新计算源特征与目标模型间表面的整体最优匹配M。去除补充面后源模型表面与目标模型表面间的对应关系如表2所示。
表2
源模型表面ID | 目标模型表面ID |
71 | 159 |
73 | 161 |
79 | 163 |
123 | 203 |
D、邻接性判断
再次对步骤C处理后的表面集合T中的表面判断孤立面,若存在孤立面,使用步骤A至步骤C的方法处理孤立面,直至所有面均为邻接面为止。至此,目标模型匹配面组中所有孤立面均被找到,且已排除,完成了所要解决的技术问题,达到了本发明的目的。
综合根据以上算法,目标模型中最优匹配面邻接性判断及孤立面的处理流程伪代码如下所示:
Algorithm 2.孤立面判断及处理程序
实施例2
一种计算机可读存储介质,计算机可读存储介质中存储有实施例1所述三维模型局部特征识别过程中孤立面的判断及去除方法的程序,实施例1所述三维模型局部特征识别过程中孤立面的判断及去除方法的程序被处理器执行时,实现任一项实施例1所述三维模型局部特征识别过程中孤立面的判断及去除方法的步骤。
Claims (11)
1.一种三维模型局部特征识别过程中孤立面的判断及去除方法,其特征在于,是指:首先,利用Kuhn-Munkres算法计算源特征与目标模型间表面的整体最优匹配M,并去除源特征的补充面与目标模型表面间权值为零的匹配,得到目标模型中局部特征表面集合T;将要从中搜索局部特征的模型称为目标模型,将用于对比的模型称为源模型,源模型中用于对比的局部特征称为源特征;然后,通过判断表面集合T中表面的连续性,判断此表面是否为孤立面;最后,通过降权重新匹配的方法重新进行特征识别并继续判断搜索到的表面的连续性,直至所有表面均不是孤立面为止。
2.根据权利要求1所述的一种三维模型局部特征识别过程中孤立面的判断及去除方法,其特征在于,通过判断表面的连续性,判断此表面是否为孤立面,包括步骤如下:
若搜索到的表面集合T中的某一表面与本集合T中其他任一表面均不相邻,则判断该表面为孤立面,否则,若该表面与另一表面有共享的边,则表明此两个表面相邻,则判断该表面不是孤立面。
3.根据权利要求1所述的一种三维模型局部特征识别过程中孤立面的判断及去除方法,其特征在于,通过降权重新匹配的方法重新进行特征识别并继续判断搜索到的表面的连续性,直至所有表面均不是孤立面为止,包括步骤如下:
A、降权
降低目标模型中孤立面与各源特征中表面之间的权重ω(S(i),T(isosurf)),新的权重如式(I)所示,
ω(S(i),T(isosurf))′=0 (I)
式(I)中,ω(S(i),T(isosurf))′为新的目标模型孤立面与各源特征中表面之间的权重,将其降为0;S(i)表示第i个源特征中表面,i为1到m,m为源特征中表面的数量,T(isosurf)表示目标模型中检测到的孤立面;
B、重新计算最优匹配
使用ω(S(i),T(isosurf))′替代ω(S(i),T(isosurf)),重新计算权值矩阵WM′,假设第j列元素所代表的目标特征的表面为孤立面,权值矩阵WM′如式(II)所示:
式(II)中,ω(i,j)′为第i个源特征表面与第j个目标模型表面的相似性权值,m为源特征中表面的数量,h为源特征中补充面的数量,n为目标模型中表面的数量;
利用Kuhn-Munkres算法重新计算源特征与目标模型的表面的整体最优匹配M;
C、去除补充面
去除源特征与目标模型的表面的整体最优匹配M中源特征的补充面和目标模型表面之间权值为零的匹配,得到目标模型中局部特征表面集合T;
D、邻接性判断
再次对步骤C处理后的表面集合T中的表面判断孤立面,若存在孤立面,使用步骤A至步骤C的方法处理孤立面,直至所有面均为邻接面为止。
4.根据权利要求1所述的一种三维模型局部特征识别过程中孤立面的判断及去除方法,其特征在于,利用Kuhn-Munkres算法计算源特征与目标模型间表面的整体最优匹配之前,执行以下步骤:
步骤1:建立目标模型的基于MBD的多维属性邻接矩阵
目标模型的基于MBD的多维属性邻接矩阵是通过提取目标模型中表面和边的拓扑结构、几何形状、几何尺寸、表面粗糙度以及形状公差信息,建立的五个属性邻接矩阵;包括:第一维属性邻接矩阵即拓扑结构矩阵TM,表示目标模型中各表面和边相对位置关系;第二维属性邻接矩阵即形状矩阵SM,表示目标模型中各表面和边的形状;形状矩阵SM中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面或边;第三维属性邻接矩阵即几何尺寸矩阵GDM,表示目标模型表面的面积或边的长度;以目标模型表面的面积或边的长度构建GDM,GDM中元素与TM中相同位置上的元素表达的是同一个表面或同一条边;第四维属性邻接矩阵即表面粗糙度矩阵SRM,表示目标模型表面的粗糙度值;表面粗糙度矩阵SRM中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面;第五维属性邻接矩阵即形状公差矩阵组FTMG;形状公差矩阵组FTMG中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面。
步骤2:建立源特征的基于MBD的多维属性邻接矩阵
源特征是从源模型中选取的一部分连续的表面组,在进行源特征选取时,打开源模型,选取源特征,建立源特征的基于MBD的多维属性邻接矩阵;
步骤3:分别以源特征的表面和目标模型的表面作为独立集构建赋权完全偶图。
7.根据权利要求4所述的一种三维模型局部特征识别过程中孤立面的判断及去除方法,其特征在于,第三维属性邻接矩阵即几何尺寸矩阵GDM的建立过程如下:
几何尺寸矩阵GDM中,若元素为表面,表示该表面的面积;若元素为边,表示该边的长度,GDM定义如式(5)所示:
式(5)中,矩阵中对角线元素SGDii表示目标模型中表面的面积,i=1,2,,...,n,使用ProSurfaceAreaEval()函数依次获取模型中所有表面的面积;非对角线元素EGDij表示目标模型中表面与表面之间交线的长度,i,j=1,2,...,n,若两个表面不相交,则此元素值为0,使用ProEdgeLengthEval()函数依次获得模型所有边的长度。
9.根据权利要求4所述的一种三维模型局部特征识别过程中孤立面的判断及去除方法,其特征在于,第五维属性邻接矩阵即形状公差矩阵组FTMG的建立过程如下:
形状公差矩阵组FTMG中元素与拓扑结构矩阵TM中相同位置上的元素表达的是同一个表面;形状公差矩阵组FTMG施加于目标模型的表面,形状公差矩阵组FTMG为对角矩阵,表面形状公差数量可能大于1,每个表面用一个6维数组来定义其形状公差,形状公差矩阵组FTMG定义如式(7)所示:
式(7)中,矩阵元素FTii(6)表示模型第i个表面的形状公差数组,i=1,2,...,n,6为数组的维数;数组元素由形状公差类型及其数值组成,定义如式(8)所示:
式(8)中,ST、FL、CI、CY、PL、PS分别表示直线度公差、平面度公差、圆度公差、圆柱度公差、线轮廓度公差、面轮廓度公差,通过调用ProGtoldataTypeGet()函数获取;xx表示公差数值,通过调用ProGtoldataValueGet()函数获取。
10.根据权利要求49任一所述的一种三维模型局部特征识别过程中孤立面的判断及去除方法,其特征在于,步骤3中,分别以源特征的表面和目标模型的表面作为独立集构建赋权完全偶图,包括步骤如下:
301:建立赋权完全偶图
以源特征的表面作为顶点集合建立源特征独立集,以目标模型的表面作为顶点集合建立目标模型独立集;通常情况下,源特征独立集中模型表面的数量要小于相比较的目标模型独立集中模型表面的数量。因此,在源特征独立集中增加补充面,使得源特征独立集与目标模型独立集中的表面数量相等;需要添加的补充面的数量为源特征独立集和目标模型独立集中表面数量的差。添加补充面后的源特征独立集表示为VS,目标模型独立集表示为VT,以VS与VT之间每对表面之间的连接路径作为边,建立赋权完全偶图G,如式(9)所示:
G=(VS,VT,E) (9)
式(9)中,E为VS与VT之间的边集;
302:求取赋权完全偶图中连接边的权值
以边连接的源特征与目标模型之间的两个表面的相似度作为权重,计算赋权完全偶图的每个连接边的权值;源特征与目标模型之间的两个表面的相似度ω(S,T)计算公式如式(10)所示:
ω(S,T)=ωTY×ωSim (10)
式(10)中,ω(S,T)是源特征的某一表面到目标模型某一表面连接边的权值;ωTY为类型权值,代表匹配面的类型权重,其取值如式(11)所示;ωSim为相似性权值,代表匹配面的相似性权重,其定义如式(12)所示:
ωSim=(ωSH+ωSR+ωFT)/3 (12)
式(11)中各个面的类型从式(2)中读取,式(12)中,ωSH、ωSR和ωFT分别代匹配表面间的形状相似性、粗糙度相似性和形状公差相似性;
表面间形状相似性ωSH定义如式(13)所示:
式(13)中,AS和AT,CS和CT以及NS和NT分别表示源特征和目标零件匹配面的面积、周长和边的数量;各表面的面积从模型几何尺寸矩阵GDM中对角线元素SGDii中直接读取,i=1,2,...,n,目标模型的第i个面的周长为矩阵GDM中第i行非对角线元素EGDij的数值和,i,j=1,2,...,n,i≠j;目标模型的第i个面的边的数量为矩阵GDM中第i行中数值为非零的非对角线元素EGDij的数量;源特征的第i个面的周长为两部分之和,第一部分为矩阵GDM中第i行非对角线元素EGDij的数值和;第二部分为此面开放边长度之和;源特征的第i个面的边的数量为两部分之和,第一部分为矩阵GDM中第i行中数值为非零的非对角线元素EGDij的数量;第二部分为此面的开放边的数量;
模型表面粗糙度相似性ωSR计算公式如式(14)所示:
式(14)中,ωSR为两个表面表面粗糙度相似性数值,SRS和SRT分别为源特征和目标模型的表面粗糙度值;
形状公差相似性ωFT计算公式如式(15)所示:
式(15)中,ωFT代表两个表面之间形状公差相似性数值,h代表源特征和目标模型匹配表面中包含的形状公差的种类,h≤6,i代表形状公差的序号;di(FTSi,FTTi)代表直线度、平面度、圆度、圆柱度、线轮廓度、面轮廓度中,第i种形状公差FTSi、FTTi两个值的差异性,其定义如式(16)所示:
式(16)中,FTSi和FTTi分别代表源特征和目标模型的第i个形状公差的值;
设源特征中包含m个表面,目标模型中包含n个表面,在源特征中添加的补充面数量为h,则提取赋值完全偶图G中连接边的权值并建立权值矩阵如式(17)所示:
式(17)中,ω(i,j)是源特征的第i个表面与目标模型的第j个表面之间的连接边的权值,代表了此两个表面的相似性。
11.一种计算机可读存储介质,所述计算机可读存储介质中存储有权利要求1-10任一所述三维模型局部特征识别过程中孤立面的判断及去除方法的程序,权利要求1-10任一所述三维模型局部特征识别过程中孤立面的判断及去除方法的程序被处理器执行时,实现权利要求1-10任一所述的三维模型局部特征识别过程中孤立面的判断及去除方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011095264.1A CN112232182B (zh) | 2020-10-14 | 2020-10-14 | 一种三维模型局部特征识别过程中孤立面的判断及去除方法、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011095264.1A CN112232182B (zh) | 2020-10-14 | 2020-10-14 | 一种三维模型局部特征识别过程中孤立面的判断及去除方法、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232182A true CN112232182A (zh) | 2021-01-15 |
CN112232182B CN112232182B (zh) | 2022-06-07 |
Family
ID=74112694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011095264.1A Active CN112232182B (zh) | 2020-10-14 | 2020-10-14 | 一种三维模型局部特征识别过程中孤立面的判断及去除方法、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232182B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521869A (zh) * | 2011-09-30 | 2012-06-27 | 北京航空航天大学 | 一种几何特征引导的三维模型表面纹理空洞填补方法 |
CN103106339A (zh) * | 2013-01-21 | 2013-05-15 | 武汉大学 | 同步航空影像辅助的机载激光点云误差改正方法 |
US20130278748A1 (en) * | 2012-04-24 | 2013-10-24 | Hitachi High-Technologies Corporation | Pattern matching method and apparatus |
CN110795797A (zh) * | 2019-09-26 | 2020-02-14 | 北京航空航天大学 | 一种mbd模型加工特征识别及信息提取方法 |
-
2020
- 2020-10-14 CN CN202011095264.1A patent/CN112232182B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521869A (zh) * | 2011-09-30 | 2012-06-27 | 北京航空航天大学 | 一种几何特征引导的三维模型表面纹理空洞填补方法 |
US20130278748A1 (en) * | 2012-04-24 | 2013-10-24 | Hitachi High-Technologies Corporation | Pattern matching method and apparatus |
CN103106339A (zh) * | 2013-01-21 | 2013-05-15 | 武汉大学 | 同步航空影像辅助的机载激光点云误差改正方法 |
CN110795797A (zh) * | 2019-09-26 | 2020-02-14 | 北京航空航天大学 | 一种mbd模型加工特征识别及信息提取方法 |
Non-Patent Citations (2)
Title |
---|
RUI HUANG,ETC: ""Multi-level structuralized MBD model for manufacturing reuse of mechanical parts "", 《2013 13TH INTERNATIONAL CONFERENCE ON COMPUTER-AIDED DESIGN AND COMPUTER GRAPHICS》 * |
张守京,等: ""三维模型特征面分级过滤检索技术研究"", 《机械科学与技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112232182B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489358B (zh) | 一种基于深度学习的三维点云语义分割方法 | |
CN111640157B (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
CN110188228B (zh) | 基于草图检索三维模型的跨模态检索方法 | |
CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
CN109101981B (zh) | 一种街景场景下基于全局图像条纹码的回环检测方法 | |
JP2015511736A (ja) | 画像上のオブジェクト輪郭のスケール不変特徴を識別するシステム及び方法 | |
JP2000222581A (ja) | 形状情報を用いるマルチメディアデ―タの検索方法及び装置 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN112396643A (zh) | 一种尺度不变特征与几何特征融合的多模态高分影像配准方法 | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
CN113298146A (zh) | 一种基于特征检测的图像匹配方法、装置、设备及介质 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN116012310A (zh) | 基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法 | |
CN110909747B (zh) | 一种基于多颜色空间主元分析描述的煤矸石识别方法 | |
CN112232182B (zh) | 一种三维模型局部特征识别过程中孤立面的判断及去除方法、存储介质 | |
CN102289661A (zh) | 一种基于谱匹配的三维网格模型的匹配方法 | |
CN110472543B (zh) | 一种基于局部连接特征匹配的机械图纸对比方法 | |
JPH08287258A (ja) | カラー画像認識装置 | |
CN116778156A (zh) | 一种基于深度学习的三维测量分割方法 | |
CN112149611B (zh) | 一种Creo模型特征识别及相似度评价方法、存储介质 | |
CN111539966A (zh) | 一种基于模糊c均值聚类的比色传感器阵列图像分割方法 | |
CN115147471A (zh) | 一种基于曲率密度特征的激光点云自动配准方法 | |
KR101644426B1 (ko) | 변형3d모델에 대응되는 원본3d모델 인식방법 | |
CN114155406A (zh) | 一种基于区域级特征融合的位姿估计方法 | |
CN114170202A (zh) | 基于面阵结构光3d视觉的焊缝分割与铣削判别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |