CN113963127B - 一种基于仿真引擎的模型自动生成方法及处理设备 - Google Patents

Abstract

本发明公开一种基于仿真引擎的模型自动生成方法及处理设备，涉及深度学习技术领域，解决了深度学习的数据样本获取较为困难，效率低，难以满足深度学习需要的技术问题。该方法包括S100：获取深度学习对象的基础数据；S200：基于所述基础数据建立深度学习对象的基础模型；S300：通过所述基础模型获取UV纹理贴图所需的参数及切割路线；S400：对所述深度学习对象的外包装进行拍摄，并通过自动处理得到UV纹理贴图；S500：将所述UV纹理贴图与所述基础模型的纹理相结合，得到初始模型；S600：对所述初始模型进行视觉处理，自动生成结果模型。本发明整个操作过程方便快捷，实现了对真实场景的模拟，便于快速得到大量的深度学习训练样本，有效满足了深度学习的需要。

Description

一种基于仿真引擎的模型自动生成方法及处理设备

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于仿真引擎的模型自动生成方法及处理设备。

背景技术

深度学习是学习样本数据的内在规律和表示层次，最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据，深度学习的基础是大数据。

大数据时代带来了各种各样的数据，然而深度学习的神经网络训练依托的是已经标注好的能用以训练的大量数据样本。数据样本一般需要有不同角度、不同颜色和不同大小，具体而言：符合真实使用场景、进行训练标注、大量的样本数据是数据样本的主要需求。数据样本的多少可以作为验证或构建更优良解决办法的起点，也决定着模型对未来数据的解释能力。现有的数据样本一般通过搜集或拍摄实际场景的照片进行获取，由于数据样本的数量有限，影响了深度学习在部分特殊领域的应用。由此出现了通过深度学习对象物理建模来获取深度学习数据样本的方法，但现有的物理建模方法需要花费大量时间，效率较低，难以快速获取深度学习所需的大量数据样本。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

深度学习的数据样本获取较为困难，效率低，难以满足深度学习的需要，影响了深度学习在部分领域应用。

发明内容

本发明的目的在于提供一种基于仿真引擎的模型自动生成方法，以解决现有技术中存在的深度学习的数据样本获取较为困难，效率低，难以满足深度学习的需要，影响了深度学习在部分领域应用的技术问题。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。

为实现上述目的，本发明提供了以下技术方案：

本发明提供的一种基于仿真引擎的模型自动生成方法，包括以下步骤：

S100：获取深度学习对象的基础数据；S200：基于所述基础数据建立深度学习对象的基础模型；S300：通过所述基础模型获取UV纹理贴图所需的参数及切割路线；S400：对所述深度学习对象的外包装进行拍摄，并通过自动处理得到UV纹理贴图；S500：将所述UV纹理贴图与所述基础模型的纹理相结合，得到初始模型；S600：对所述初始模型进行视觉处理，自动生成结果模型。

优选的，所述深度学习对象为冰激凌或香烟。

优选的，所述冰激凌的基础模型为圆锥体、圆台或椭圆柱体，所述香烟的基础模型为六面体。

优选的，所述基础数据为深度学习对象的形状和尺寸。

优选的，所述S200、S300步骤之间，还包括S210：对所述基础模型设置重量、材质、角动量和摩擦力参数。

优选的，所述S400步骤中，生成所述UV纹理贴图包括以下步骤：S410：制作深度学习对象外包装样本拍摄时所需的标尺版；S420：将所述外包装样本展开并置于所述标尺版上，进行拍摄后得到待处理的外包装样本图像；S430：通过Python脚本算法，获取所述外包装样本图像的尺寸及纹理贴图。

优选的，所述S430步骤中，所述Python脚本算法的步骤为：S431：将待处理的外包装样本图像进行仿射变换，得到外包装样本图像，其中所述标尺版的图像仿射变换为规整的矩形；S432：对所述外包装样本图像使用点间距离及点间角度进行抑制，并获取拐点信息，通过待处理的外包装样本图像的梯度信息获取所述外包装样本图像中间纹理的外轮廓点；S433：通过所述拐点信息计算点与点间的像素距离，并将所述像素距离换算为真实尺寸；S434：对所述拐点信息进行仿射变换以及mask遮罩得到纹理图，并映射到对应位置，得到所述外包装样本图像的纹理贴图。

优选的，所述S600之后还包括：S700：调节所述结果模型的表面材质粗糙度、反射度，在不同所述结果模型中，所述粗糙度、反射度在设定范围内随机分布。

优选的，所述视觉处理具体为：通过Python脚本对局部的所述UV纹理贴图随机增加反光和划痕。

一种处理设备，包括：一个或多个处理器；存储器，用于存储一个或多个计算机程序，一个或多个所述处理器用于执行所述存储器存储的一个或多个计算机程序，以使一个或多个所述处理器执行如以上任一项所述的一种基于仿真引擎的模型自动生成方法。

实施本发明上述技术方案中的一个技术方案，具有如下优点或有益效果：

本发明通过深度学习对象的基础数据建立基础模型，并将外包装进行拍摄后自动处理得到纹理贴图，然后将基础模型与纹理贴图相互结合得到初始模型，再经过视觉处理得到结果模型，整个操作过程方便快捷，通过自动化操作提高了作业效率，实现了对真实场景的模拟，便于快速得到大量的深度学习训练样本，有效满足了深度学习的需要，便于深度学习在部分新领域的应用。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，附图中：

图1是本发明实施例一的流程图；

图2是本发明实施例一中生成UV纹理贴图的流程图；

图3是本发明实施例一中Python脚本算法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下文将要描述的各种示例性实施例将要参考相应的附图，这些附图构成了示例性实施例的一部分，其中描述了实现本发明可能采用的各种示例性实施例。除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。应明白，它们仅是与如所附权利要求书中所详述的、本发明公开的一些方面相一致的流程、方法和装置等的例子，还可使用其他的实施例，或者对本文列举的实施例进行结构和功能上的修改，而不会脱离本发明的范围和实质。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”等指示的是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的元件必须具有的特定的方位、以特定的方位构造和操作。术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。术语“多个”的含义是两个或两个以上。术语“相连”、“连接”应做广义理解，例如，可以是固定连接、可拆卸连接、一体连接、机械连接、电连接、通信连接、直接相连、通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明，仅示出了与本发明实施例相关的部分。

实施例一：

如图1-3所示，本发明提供了一种基于仿真引擎的模型自动生成方法，包括以下步骤：S100：获取深度学***展为一个平面后进行拍摄，得到外包装在平面内的全景图，并通过自动处理得到UV纹理贴图，自动处理过程即将外包装以外的部分像素直接抠除，只保留外包装所对应的部分，并进行相应的变换处理。S500：将UV纹理贴图与基础模型的纹理相结合，得到初始模型，在结合过程中，需要将UV纹理贴图进行相应变换，具体变换根据基础模型的形状及外部轮廓确定，以更好与基础模型的纹理轮廓相适配。S600：对初始模型进行视觉处理，自动生成结果模型，经过视觉处理后，可以使结果模型与真实场景更为接近，实现更为逼真的效果。本发明通过深度学习对象的基础数据建立基础模型，并将外包装进行拍摄后自动处理得到纹理贴图，然后将基础模型与纹理贴图相互结合得到初始模型，再经过视觉处理得到结果模型，整个操作过程方便快捷，通过自动化操作提高了作业效率，能够模拟真实的场景，便于快速得到大量的深度学习训练样本，有效满足了深度学习的需要，便于深度学习在部分新领域的应用。

作为可选的实施方式，深度学习对象为冰激凌或香烟。冰激凌或香烟经常需要对销售和库存情况进行统计，现有的统计方法繁琐低效，结果也不准确，通过深度学习可以很好解决这个问题，为冰激凌或香烟的销售提供可靠的数据支撑，但冰激凌或香烟进行深度学习所需的大量数据样本获取困难，本方法通过自动生成冰激凌或香烟模型，可以很好解决这一问题。冰激凌的基础模型为圆锥体、圆台或椭圆柱体，香烟的基础模型为六面体（优选为长方体），圆锥体、圆台或椭圆柱体为冰激凌的常见形状，六面体尤其是长方体为香烟的常见形状，这些基础模型为冰激凌或香烟的真实形状，在三维建模软件中也容易建模。当然，也可以根据异形的冰激凌或香烟形状构建其他形状的基础模型，以更好模拟真实场景。

作为可选的实施方式，基础数据为深度学习对象的形状和尺寸，形状和尺寸是深度学习对象的主要参数，模型与深度学习对象的形状和尺寸基本保持一致是建立更为真实模型的基础，形状主要指深度学习对象的长宽高三个方向的轮廓，尺寸则指具体轮廓在长宽高三个方向的具体尺寸。

作为可选的实施方式，如图1所示，S200、S300步骤之间，还包括S210：对基础模型设置重量、材质、角动量和摩擦力参数，设置这些参数后，基础模型可以更真实模拟出真实场景中的各种情况，实现更逼真的效果。

作为可选的实施方式，如图2所示，S400步骤中，生成UV纹理贴图包括以下步骤：S410：制作深度学***面，便于通过标尺版对尺寸进行精确测量，待处理的外包装样本图像即为一个完整平面。当然，也可以对深度学***台上写脚本和快速开发应用的编程语言。因此，Python语言便于快速编写脚本，并实现相应功能。由于外包装样本图像的尺寸即对应像素固定，因此，拍摄后所不需要的部分也都一致，通过Python脚本便于快速抠出所不需要的背景部分，Python脚本具体代码可以直接采用现有技术中的抠图代码，从而得到外包装样本图像的纹理贴图，再结合标尺版还可得到对应尺寸，即得到本方法所需的UV纹理贴图。

作为可选的实施方式，如图3所示，S430步骤中，Python脚本算法的步骤为：S431：将待处理的外包装样本图像进行仿射变换，得到外包装样本图像，其中标尺版的图像仿射变换为规整的矩形。图像的仿射变换是从一个二维坐标系变换到另一个二维坐标系，属于线性变换，仿射变换可以通过一系列的原子变换的复合来实现，包括平移（Translation）、缩放（Scale）、翻转（Flip）、旋转（Rotation）和剪切（Shear）。将标尺版仿射变换为规整的矩形（实际为正方形）实现了整个外包装样本图像的规整，并能够通过标尺版获取外包装各部分的准确尺寸。S432：对外包装样本图像使用点间距离及点间角度进行抑制并获取拐点信息，通过待处理的外包装样本图像的梯度信息获取外包装样本图像中间纹理的外轮廓点。通过抑制处理可以减少图像中的噪声，通过获取外轮廓点，点与点之间的经过角度计算即可得到拐点信息，使得尺寸计算更加准确。S433：通过拐点信息计算点与点间的像素距离，并将像素距离换算为真实尺寸；从而得到了纹理图各个像素间更为完整的信息，拓展了纹理图所包括的信息内容。S434：对拐点信息进行仿射变换以及mask遮罩得到纹理图，并映射到对应位置，得到外包装样本图像的纹理贴图。该UV纹理贴图能够适应基础模型在不同位置的角度及方向变化，能够更准确融入基础模型的外部轮廓中，最终得到更真实的结果模型。mask遮罩能够进一步去除不相关的像素。

作为可选的实施方式，S600之后还包括步骤S700：调节结果模型的表面材质粗糙度、反射度，在不同结果模型中，粗糙度、反射度在设定范围内随机分布。冰激凌、香烟等的外包装材质主要为塑料、硬纸等，材质之间的差异主要体现在粗糙度和反射度参数上，通过调节这两个参数可以体现出两种不同材质的区别。同时，粗糙度、反射度在设定范围内随机分布，即不同模型中，根据材质的类型，设定粗糙度、反射度的参考参数值后，不同结果模型的粗糙度、反射度还呈现随机性，偏移的百分比控制在10%或5%以内（如偏移10%时，结果模型的粗糙度、反射度的最大值和最小值在参考参数值的10%以内随机分布），当然具体比例的设定范围也可以根据需要进行调整，从而结果模型更加贴近真实样本的多样性、唯一性，实现了对真实场景的更好模拟。

作为可选的实施方式，视觉处理具体为：通过Python脚本对局部的UV纹理贴图随机增加反光和划痕。现实场景中，真实样本由于外力、反光、材质等物理因素会导致样本之间存在着个体差异，反光和划痕可以最大程度模拟这种细微差别，从而与真实场景更为接近，实现更好的训练效果。反光和划痕在实际场景中极为常见，这也是一种现有的2D仿真方法，可以极大增加场景的真实性，随机增加即每个基础模型中的反光和划痕位置不同，同时，反光的大小、亮度，划痕的深度、宽度等也不同。Python脚本的代码可以直接使用现有技术中的代码，通过反光和划痕处理，可使最终得到的3D模型更为真实，更便于应用到深度学习的模型训练中，得到效果更好的训练模型。

实施例仅是一个特例，并不表明本发明就这样一种实现方式。

实施例二：

本发明还提供一种处理设备的实施例，包括一个或多个处理器及存储器；其中，所述存储器用于存储一个或多个计算机程序，所述一个或多个处理器用于执行存储器存储的一个或多个计算机程序，以使处理器执行本发明的基于仿真引擎的模型自动生成方法实施例的步骤。该处理设备通过深度学习对象的基础数据建立基础模型，并将外包装进行拍摄后自动处理得到纹理贴图，然后将基础模型与纹理贴图相互结合得到初始模型，再经过视觉处理得到结果模型，整个操作过程方便快捷，通过自动化操作提高了作业效率，能够模拟真实的场景，便于快速得到大量的深度学习训练样本，有效满足了深度学习的需要，便于深度学习在部分新领域的应用。

以上所述仅为本发明的较佳实施例而已，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等同替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。

Claims (8)

1.一种基于仿真引擎的模型自动生成方法，其特征在于，包括以下步骤：

S100：获取深度学习对象的基础数据；S200：基于所述基础数据建立深度学习对象的基础模型；S300：通过所述基础模型获取UV纹理贴图所需的参数及切割路线；S400：对所述深度学习对象的外包装进行拍摄，并通过自动处理得到UV纹理贴图；S500：将所述UV纹理贴图与所述基础模型的纹理相结合，得到初始模型；S600：对所述初始模型进行视觉处理，自动生成结果模型；

所述S400步骤中，生成所述UV纹理贴图包括以下步骤：S410：制作深度学习对象外包装样本拍摄时所需的标尺版；S420：将所述外包装样本展开并置于所述标尺版上，进行拍摄后得到待处理的外包装样本图像；S430：通过Python脚本算法，获取所述外包装样本图像的尺寸及纹理贴图；

所述S430步骤中，所述Python脚本算法的步骤为：S431：将待处理的外包装样本图像进行仿射变换，得到外包装样本图像，其中所述标尺版的图像仿射变换为规整的矩形；S432：对所述外包装样本图像使用点间距离及点间角度进行抑制，并获取拐点信息，通过待处理的外包装样本图像的梯度信息获取所述外包装样本图像中间纹理的外轮廓点；S433：通过所述拐点信息计算点与点间的像素距离，并将所述像素距离换算为真实尺寸；S434：对所述拐点信息进行仿射变换以及mask遮罩得到纹理图，并映射到对应位置，得到所述外包装样本图像的纹理贴图。

2.根据权利要求1所述的一种基于仿真引擎的模型自动生成方法，其特征在于，所述深度学习对象为冰激凌或香烟。

3.根据权利要求2所述的一种基于仿真引擎的模型自动生成方法，其特征在于，所述冰激凌的基础模型为圆锥体、圆台或椭圆柱体，所述香烟的基础模型为六面体。

4.根据权利要求1所述的一种基于仿真引擎的模型自动生成方法，其特征在于，所述基础数据为深度学习对象的形状和尺寸。

5.根据权利要求1所述的一种基于仿真引擎的模型自动生成方法，其特征在于，所述S200、S300步骤之间，还包括

S210：对所述基础模型设置重量、材质、角动量和摩擦力参数。

6.根据权利要求1所述的一种基于仿真引擎的模型自动生成方法，其特征在于，所述S600之后还包括：

S700：调节所述结果模型的表面材质粗糙度、反射度，在不同所述结果模型中，所述粗糙度、反射度在设定范围内随机分布。

7.根据权利要求1所述的一种基于仿真引擎的模型自动生成方法，其特征在于，所述视觉处理具体为：通过Python脚本对局部的所述UV纹理贴图随机增加反光和划痕。

8.一种处理设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个计算机程序，一个或多个所述处理器用于执行所述存储器存储的一个或多个计算机程序，以使一个或多个所述处理器执行如权利要求1-7任一项所述的一种基于仿真引擎的模型自动生成方法。

Images