CN114694139B - 一种数控机床复杂结构件加工特征识别方法及*** - Google Patents
一种数控机床复杂结构件加工特征识别方法及*** Download PDFInfo
- Publication number
- CN114694139B CN114694139B CN202210612462.3A CN202210612462A CN114694139B CN 114694139 B CN114694139 B CN 114694139B CN 202210612462 A CN202210612462 A CN 202210612462A CN 114694139 B CN114694139 B CN 114694139B
- Authority
- CN
- China
- Prior art keywords
- target
- structural part
- model
- information
- processing feature
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Numerical Control (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种数控机床复杂结构件加工特征识别方法及***,方法包括:获取待识别结构件对应的结构件模型以及描述语句,其中,结构件模型是待识别结构件的三维模型;对描述语句进行语义提取并获得目标语义信息;根据目标语义信息和结构件模型获取待识别结构件对应的目标图像集合,其中,目标图像集合中包括多张目标结构件图像,各目标结构件图像是在不同视角对结构件模型采集获得的二维图像;根据结构件图像集合、目标语义信息以及预先训练好的加工特征识别模型对待识别结构件进行加工特征识别,获得待识别结构件对应的目标加工特征信息并输出。与现有技术相比,本发明有利于提高加工特征识别的效率。
Description
技术领域
本发明涉及计算机辅助制造技术领域,尤其涉及的是一种数控机床复杂结构件加工特征识别方法及***。
背景技术
随着科学技术的发展,数控机床的应用越来越广泛,计算机辅助设计(CAD,Computer Aided Design)技术和计算机辅助制造(CAM,Computer Aided Manufacturing)技术的应用也越来越广泛。加工特征识别技术是实现CAD/CAM一体化的重要途径。
现有技术中,通常需要依靠人工经验来识别加工特征,即需要用户对工件(即结构件)的模型进行观察,并且一一人工识别各个加工特征并进行标注。现有技术的问题在于,通过人工识别各个加工特征并进行标注的方案不利于提高加工特征识别的效率。
因此,现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种数控机床复杂结构件加工特征识别方法及***,旨在解决现有技术中通过人工识别各个加工特征并进行标注的方案不利于提高加工特征识别的效率的问题。
为了实现上述目的,本发明第一方面提供一种数控机床复杂结构件加工特征识别方法,其中,上述数控机床复杂结构件加工特征识别方法包括:
获取待识别结构件对应的结构件模型以及描述语句,其中,上述结构件模型是上述待识别结构件的三维模型;
对上述描述语句进行语义提取并获得目标语义信息;
根据上述目标语义信息和上述结构件模型获取上述待识别结构件对应的目标图像集合,其中,上述目标图像集合中包括多张目标结构件图像,各上述目标结构件图像是在不同视角对上述结构件模型采集获得的二维图像;
根据上述结构件图像集合、上述目标语义信息以及预先训练好的加工特征识别模型对上述待识别结构件进行加工特征识别,获得上述待识别结构件对应的目标加工特征信息并输出。
可选的,上述描述语句包括优化描述语句和加工特征识别描述语句,上述目标语义信息包括优化描述信息和加工特征识别信息,上述对上述描述语句进行语义提取并获得目标语义信息,包括:
根据预先训练好的第一语义识别模型,对上述优化描述语句进行语义识别,获得多个优化关键词,并将上述优化关键词作为上述优化描述信息;
根据预先训练好的第二语义识别模型,对上述加工特征识别描述语句进行语义识别,获得多个加工特征识别关键词,并将上述加工特征识别关键词作为上述加工特征识别信息。
可选的,上述根据上述目标语义信息和上述结构件模型获取上述待识别结构件对应的目标图像集合,包括:
根据上述优化关键词对上述结构件模型进行优化并获得目标结构件模型;
在多个不同视角对上述目标结构件模型进行图像采集,获得上述目标结构件图像,其中,上述目标结构件图像的数目不小于4。
可选的,上述在多个不同视角对上述目标结构件模型进行图像采集,获得上述目标结构件图像,包括:
获取上述目标结构件模型的最小包围盒,将上述最小包围盒的各个顶点和各个包围面中心点分别作为目标视点,其中,一个上述包围面中心点是上述最小包围盒的一个包围面的中心点;
获取各上述包围面对应的模型面复杂度,根据上述模型面复杂度和预设的复杂度范围获取各上述包围面对应的视点数目,其中,一个上述包围面对应的模型面复杂度用于体现上述目标结构件模型与该包围面对应的一侧的模型表面起伏变化程度;
根据各上述包围面对应的视点数目分别在各上述包围面均匀添加目标视点;
将各上述目标视点与目标中心点的连线方向作为各上述目标视点的视角方向,根据各上述目标视点采集获取上述目标结构件图像,并标记各上述目标结构件图像的视点和视角,其中,上述目标中心点是上述目标结构件模型的中心点或上述最小包围盒的中心点。
可选的,一个上述包围面对应的模型面复杂度通过以下步骤计算:
根据预设的测量点数目获取上述包围面中的测量点,上述测量点均匀分布在上述包围面中;
根据上述测量点获取测量线段,其中,上述测量线段的起点是上述测量点,上述测量线段的终点是上述目标结构件模型表面的一个点,且各上述测量线段所在的直线垂直于上述包围面;
计算上述包围面对应的所有测量线段的长度值的方差并作为上述包围面对应的模型面复杂度。
可选的,上述根据上述结构件图像集合、上述目标语义信息以及预先训练好的加工特征识别模型对上述待识别结构件进行加工特征识别,获得上述待识别结构件对应的目标加工特征信息并输出,包括:
将上述结构件图像集合和上述加工特征识别信息输入上述预先训练好的加工特征识别模型中;
通过上述预先训练好的加工特征识别模型结合上述加工特征识别信息对上述结构件图像集合中的各上述目标结构件图像进行加工特征识别,确定各上述目标结构件图像中包含的目标加工特征信息;
将上述目标加工特征信息添加到上述结构件模型中,获得已识别模型,并输出所述已识别模型。
可选的,上述加工特征识别模型是预先训练好的深度残差网络模型,上述深度残差网络模型通过以下步骤进行预先训练:
获取训练数据集,其中,上述训练数据集中包括多个训练数据,上述训练数据中包括训练语义信息、训练图像和上述训练图像对应的加工特征标注信息;
根据上述训练数据集和预设的标注信息误差阈值对上述深度残差网络模型进行迭代训练,直到获得训练好的深度残差网络模型,其中,上述训练好的深度残差网络模型针对输入的训练语义信息和训练图像进行加工特征识别,且识别获得的加工特征信息与上述训练图像对应的加工特征标注信息之间的损失值不大于上述标注信息误差阈值。
可选的,上述获取训练数据集,包括:
获取不同类型的训练结构件对应的训练模型;
分别对各上述训练模型进行不同视角的二维图像采集,获得各上述训练模型对应的第一图像;
通过预设的对抗神经网络对上述第一图像进行数据样本增强,获得第二图像;
将各上述第二图像作为上述训练图像,并为各上述训练图像添加训练语义信息和加工特征标注信息,构建上述训练数据集。
可选的,上述方法还包括:
对上述待识别结构件的目标加工特征信息进行统计获得统计信息,输出上述统计信息,其中,上述统计信息包括上述目标加工特征信息中的特征类型以及各上述特征类型对应的目标加工特征的数目。
本发明第二方面提供一种数控机床复杂结构件加工特征识别***,其中,上述数控机床复杂结构件加工特征识别***包括:
数据获取模块,用于获取待识别结构件对应的结构件模型以及描述语句,其中,上述结构件模型是上述待识别结构件的三维模型;
语义识别模块,用于对上述描述语句进行语义提取并获得目标语义信息;
数据处理模块,用于根据上述目标语义信息和上述结构件模型获取上述待识别结构件对应的目标图像集合,其中,上述目标图像集合中包括多张目标结构件图像,各上述目标结构件图像是在不同视角对上述结构件模型采集获得的二维图像;
加工特征识别模块,用于根据上述结构件图像集合、上述目标语义信息以及预先训练好的加工特征识别模型对上述待识别结构件进行加工特征识别,获得上述待识别结构件对应的目标加工特征信息并输出。
由上可见,本发明方案中,获取待识别结构件对应的结构件模型以及描述语句,其中,上述结构件模型是上述待识别结构件的三维模型;对上述描述语句进行语义提取并获得目标语义信息;根据上述目标语义信息和上述结构件模型获取上述待识别结构件对应的目标图像集合,其中,上述目标图像集合中包括多张目标结构件图像,各上述目标结构件图像是在不同视角对上述结构件模型采集获得的二维图像;根据上述结构件图像集合、上述目标语义信息以及预先训练好的加工特征识别模型对上述待识别结构件进行加工特征识别,获得上述待识别结构件对应的目标加工特征信息并输出。与现有技术中通过人工识别各个加工特征并进行标注的方案相比,本发明方案可以结合用户输入的描述语句和待识别结构件对应的结构件模型自动进行加工特征识别。具体的,提取描述语句中的目标语义信息,根据结构件模型获得目标图像集合,从而根据预先训练好的加工特征识别模型进行加工特征识别,既可以充分利用对应的经验知识,又可以通过模型自动快速地实现加工特征的识别,无需用户一一进行识别和标注,有利于提高加工特征识别的效率。尤其是对于复杂的结构件,结合目标语义信息还可以提高其加工特征识别的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,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性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种数控机床复杂结构件加工特征识别方法的流程示意图;
图2是本发明实施例图1中步骤S400的具体流程示意图;
图3是本发明实施例提供的一种数控机床复杂结构件加工特征识别***的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
随着科学技术的发展,数控机床的应用越来越广泛,计算机辅助设计技术和计算机辅助制造技术的应用也越来越广泛。加工特征识别技术是实现CAD/CAM一体化的重要途径。
现有技术中,通常需要依靠人工经验来识别加工特征,即需要用户对工件(即结构件)的模型进行观察,并且一一人工识别各个加工特征并进行标注。现有技术的问题在于,通过人工识别各个加工特征并进行标注的方案不利于提高加工特征识别的效率。
尤其是,对于复杂结构件,要求用户有较强的识别能力,对用户的识别水平和经验的要求很高,不利于普通用户实现加工特征识别。且用户在进行加工特征识别过程中,需要耗费大量的时间,识别效率低,识别准确性也较低。在一种应用场景中,在对复杂的相交特征进行识别时还需要输入特征相交模式,如此,难以满足对飞机结构件等复杂结构件的复杂特征识别需求,不利于提高复杂结构件的加工特征识别效率。
为了解决上述多个问题中的至少一个问题,本发明方案中,获取待识别结构件对应的结构件模型以及描述语句,其中,上述结构件模型是上述待识别结构件的三维模型;对上述描述语句进行语义提取并获得目标语义信息;根据上述目标语义信息和上述结构件模型获取上述待识别结构件对应的目标图像集合,其中,上述目标图像集合中包括多张目标结构件图像,各上述目标结构件图像是在不同视角对上述结构件模型采集获得的二维图像;根据上述结构件图像集合、上述目标语义信息以及预先训练好的加工特征识别模型对上述待识别结构件进行加工特征识别,获得上述待识别结构件对应的目标加工特征信息并输出。
与现有技术中通过人工识别各个加工特征并进行标注的方案相比,本发明方案可以结合用户输入的描述语句和待识别结构件对应的结构件模型自动进行加工特征识别。具体的,提取描述语句中的目标语义信息,根据结构件模型获得目标图像集合,从而根据预先训练好的加工特征识别模型进行加工特征识别,既可以充分利用对应的经验知识,又可以通过模型自动快速地实现加工特征的识别,无需用户一一进行识别和标注,有利于提高加工特征识别的效率。尤其是对于复杂的结构件,结合目标语义信息还可以提高其加工特征识别的准确性。
示例性方法
如图1所示,本发明实施例提供一种数控机床复杂结构件加工特征识别方法,具体的,上述方法包括如下步骤:
步骤S100,获取待识别结构件对应的结构件模型以及描述语句,其中,上述结构件模型是上述待识别结构件的三维模型。
具体的,上述待识别结构件是需要进行加工特征识别的结构件(零件或工件),上述结构件模型可以是待识别结构件的CAD三维模型,也可以是其它格式的三维模型,在此不作具体限定。本实施例中,通过对待识别结构件的三维模型进行加工特征识别,可以识别出待识别结构件上的各个加工特征。
上述描述语句可以是操作对象(例如用户)输入的针对结构件模型或其中包括的加工特征的描述性语句。例如,当待识别结构件是一个简单的结构件,如四面体、立方体等时,用户可以直接在描述语句中描述其形状,例如立方体对应的描述语句可以就是“立方体”,如此,可以使得加工特征识别模型迅速获知其形状等信息,从而提高加工特征识别的效率。同时,上述描述语句中也可以描述待识别结构件中有哪些可能存在的加工特征或者不存在哪些加工特征,例如描述语句可以为“存在孔和键槽”,从而使得加工特征识别模型可以尽快注意到可能存在的加工特征,提高加工特征识别的效率和准确性。
需要说明的是,上述加工特征是指具有加工语义的形状,例如孔、盲孔、键槽等。本实施例中,最终识别获得的目标加工特征信息包括加工特征的特征类型、构成的几何面及其包含的像素范围。
步骤S200,对上述描述语句进行语义提取并获得目标语义信息。
需要说明的是,本实施例中,上述描述语句包括优化描述语句和加工特征识别描述语句,上述目标语义信息包括优化描述信息和加工特征识别信息,上述对上述描述语句进行语义提取并获得目标语义信息,包括:
根据预先训练好的第一语义识别模型,对上述优化描述语句进行语义识别,获得多个优化关键词,并将上述优化关键词作为上述优化描述信息;
根据预先训练好的第二语义识别模型,对上述加工特征识别描述语句进行语义识别,获得多个加工特征识别关键词,并将上述加工特征识别关键词作为上述加工特征识别信息。
具体的,上述优化描述语句是用户输入的用于描述需要对结构件模型执行的优化操作的语句。例如,用户预先构建的结构件模型可以是一个草图模型,可能出现线条未对齐、多余的线条未擦除等问题,此时用户可以输入优化描述语句来调整对应的结构件模型。或者,用户想要在当前的结构件模型进行进一步的优化修改,例如删除其中的部分结构、删除某区域范围内的结构或线条等,也可以通过输入优化描述局域来实现。
而加工特征识别描述语句则是用户输入的用于对结构模型中可能存在的加工特征(及其位置)、或者不存在的加工特征进行描述的语句。输入加工特征描述语句可以使得加工特征识别模型更关注于可能存在的加工特征,不关注或者更少的关注不存在的加工特征。
需要说明的是,本实施例中预先训练了两个不同的语义识别模型,即第一语义识别模型和第二语义识别模型,分别用于对优化描述语句和加工特征识别语句进行语义识别和关键词提取。此时,第一语义识别模型预先通过采集的优化描述语句及其关键词标注信息组成的第一训练集进行训练,第二语义识别模型预先通过采集的加工特征识别语句及其关键词标注信息组成的第二训练集进行训练,使用两个不同的模型,有利于提高语义识别模型的针对性,从而提高语义识别的准确性。其中,上述第一语义识别模型和第二语义识别模型可以是预先训练好的神经网络模型或深度学习模型,在此不作具体限定。
在一种应用场景中,上述优化描述语句和加工特征识别语句也可以使用同一个预先训练好的语义识别模型进行语义识别和提取,以减少需要使用的模型及其需要占用的存储空间,在此不作具体限定。
步骤S300,根据上述目标语义信息和上述结构件模型获取上述待识别结构件对应的目标图像集合,其中,上述目标图像集合中包括多张目标结构件图像,各上述目标结构件图像是在不同视角对上述结构件模型采集获得的二维图像。
具体的,上述目标图像集合中的所有目标结构图像结合起来可以覆盖上述结构件模型的外表面。本实施例中,先根据上述优化关键词对结构件模型进行优化之后再进行目标结构件图像的采集,以提高加工特征识别的准确性。
本实施例中,上述步骤S300具体包括:根据上述优化关键词对上述结构件模型进行优化并获得目标结构件模型;在多个不同视角对上述目标结构件模型进行图像采集,获得上述目标结构件图像,其中,上述目标结构件图像的数目不小于4。
在一种应用场景中,可以根据预先训练好的优化操作模型对上述三维的目标结构件模型进行优化,例如,删除目标结构件模型表面的多余线条,将未完全闭合的线条进行优化和连接等。上述优化操作模型是预先根据预设的优化训练数据集训练好的模型,可以用于对三维的模型数据进行优化。
在另一种应用场景中,上述优化关键词包括对应的优化坐标(或优化坐标区域)和优化操作,例如,在坐标(x,y)处删除多余的线条、连接两个具体坐标点处的线条、删除某个具体坐标区域内的所有线条等,如此,可以直接根据对应的坐标(或坐标区域)和优化操作来进行优化,获得目标结构件模型。
需要说明的是,当不存在优化描述语句,或者不存在优化关键词时,可以直接将上述结构件模型作为目标结构件模型,即无需进行优化操作,直接进行图像采集,获得对应的目标结构件图像。
进一步的,获得的目标结构件模型也是三维模型,需要对其进行图像采集,获得对应的二维图像,以便进行加工特征识别。本实施例中,在目标结构件模型的周围设置不同视点,并为各个视点设置对应视角,以实现对目标结构件模型表面图像的全面采集,提高加工特征识别的准确性。
本实施例中,上述在多个不同视角对上述目标结构件模型进行图像采集,获得上述目标结构件图像,包括:
获取上述目标结构件模型的最小包围盒,将上述最小包围盒的各个顶点和各个包围面中心点分别作为目标视点,其中,一个上述包围面中心点是上述最小包围盒的一个包围面的中心点;
获取各上述包围面对应的模型面复杂度,根据上述模型面复杂度和预设的复杂度范围获取各上述包围面对应的视点数目,其中,一个上述包围面对应的模型面复杂度用于体现上述目标结构件模型与该包围面对应的一侧的模型表面起伏变化程度;
根据各上述包围面对应的视点数目分别在各上述包围面均匀添加目标视点;
将各上述目标视点与目标中心点的连线方向作为各上述目标视点的视角方向,根据各上述目标视点采集获取上述目标结构件图像,并标记各上述目标结构件图像的视点和视角,其中,上述目标中心点是上述目标结构件模型的中心点或上述最小包围盒的中心点。
需要说明的是,本实施例中,对于简单的结构件,例如四面体、立方体等结构件,可以直接在经过结构件的各个面的中心点且垂直与对应面的位置设置视点,视角设置为面向对应的中心点的方向。
而对于复杂的机构件,可以获取其最小包围盒,上述最小包围盒是一个矩形体,可以将上述目标结构件的三维模型包围在最小包围盒内部,对应的,上述最小包围盒有8个顶点和6个包围面,先将各个顶点和各个包围面的中心点分别作为目标视点。然后,根据每一个包围面对应的模型面复杂度来确定各个包围面中需要设置的目标视点的数目。对应的,当一个包围面对应的模型面复杂度越大时,说明目标结构件模型与该包围面对应的一侧的模型表面起伏变化程度越大,此时需要在该侧设置更多的目标视点,以实现对复杂的模型表面的采集。
其中,一个上述包围面对应的模型面复杂度通过以下步骤计算:根据预设的测量点数目获取上述包围面中的测量点,上述测量点均匀分布在上述包围面中;根据上述测量点获取测量线段,其中,上述测量线段的起点是上述测量点,上述测量线段的终点是上述目标结构件模型表面的一个点,且各上述测量线段所在的直线垂直于上述包围面;计算上述包围面对应的所有测量线段的长度值的方差并作为上述包围面对应的模型面复杂度。
上述测量点数目是预先设置的一个包围面中的测量点的数目,也可以根据实际需求进行调整,在一个包围面中均匀选取测量点数目个测量点,然后获取对应的测量线段,测量线段的长度值之间的差异体现了该包围面对应的模型表面的起伏变化,因此可以根据测量线段的长度值的方差确定该包围面对应的模型面复杂度。
在一种应用场景中,获得模型面复杂度之后,可以直接基于模型面复杂度计算获取对应的测量点数目,例如,将模型面复杂度乘以预设的数目参考值(如10)之后取整,作为对应的视点数目。
本实施例中,获得模型面复杂度之后,可以根据预先设置的复杂度范围获取各上述包围面对应的视点数目,例如,对于第一个包围面,如果其模型面复杂度属于第一范围(例如大于等于0且小于5)内,则设置对应的视点数目为预设的第一数目(例如10);对于第二个包围面,如果其模型面复杂度属于第二范围(例如大于5且小于10),则设置对应的视点数目为预设的第二数目(例如20),具体的范围划分方式和对应的数目值不作为具体限制,仅作为示例说明。
如此,获得各个包围面对应的视点数目之后,均匀布置对应的目标视点,需要说明的是,在各个包围面的边缘也可以布置目标视点。在一种应用场景中,还可以根据各个包围面中不同区域对应的模型面区域复杂度(计算方式与模型面复杂度的计算方式相似)调整对应的目标视点数目,使得模型表面起伏变化程度越大的区域对应的视点数目越多。
本实施例中,将各上述目标视点与目标中心点的连线方向作为各上述目标视点的视角方向。在一种应用场景中,还可以将各个目标视点的视角方向设置为垂直于对应的包围面的方向,在此不作具体限定。
拍摄获得对应的目标结构件图像之后,标记各目标结构件图像对应的视点坐标和视角倾斜角度,以便将识别出的加工特征映射到原来的三维模型中。
步骤S400,根据上述结构件图像集合、上述目标语义信息以及预先训练好的加工特征识别模型对上述待识别结构件进行加工特征识别,获得上述待识别结构件对应的目标加工特征信息并输出。
本实施例中,对二维图像进行加工特征识别,即确定二维图像图中包含加工特征的特征类型、构成的几何面及其包含的像素范围。上述目标加工特征信息包括待识别结构件模型中对应的包含加工特征的特征类型、构成的几何面及其具***置。
本实施例中,如图2所示,上述步骤S400具体包括如下步骤:
步骤S401,将上述结构件图像集合和上述加工特征识别信息输入上述预先训练好的加工特征识别模型中。
步骤S402,通过上述预先训练好的加工特征识别模型结合上述加工特征识别信息对上述结构件图像集合中的各上述目标结构件图像进行加工特征识别,确定各上述目标结构件图像中包含的目标加工特征信息。
步骤S403,将上述目标加工特征信息添加到上述结构件模型中,获得已识别模型,并输出所述已识别模型。
其中,上述已识别模型是已经识别出加工特征并且进行了目标加工特征信息标注的三维模型,输出该三维模型可以方便用户查看待识别结构件的具体形状构造,以及对应的位置的各个加工特征。
具体的,上述加工特征识别模型是预先训练好的深度残差网络模型,上述深度残差网络模型通过以下步骤进行预先训练:
获取训练数据集,其中,上述训练数据集中包括多个训练数据,上述训练数据中包括训练语义信息、训练图像和上述训练图像对应的加工特征标注信息;
根据上述训练数据集和预设的标注信息误差阈值对上述深度残差网络模型进行迭代训练,直到获得训练好的深度残差网络模型,其中,上述训练好的深度残差网络模型针对输入的训练语义信息和训练图像进行加工特征识别,且识别获得的加工特征信息与上述训练图像对应的加工特征标注信息之间的损失值不大于上述标注信息误差阈值。
其中,上述训练图像是二维图像,训练数据中的所有训练图像可以属于同一零件(即训练结构件),也可以属于不同的零件。当训练数据中的所有训练图像属于同一零件时,各个训练图像对应的训练语义信息可以是相同的(对应的进行加工特征识别时各目标结构件图像也共用同一个加工特征识别信息),即同一零件对应的所有训练图像可以拥有相同的训练语义信息,但不作为具体限定。
在一种应用场景中,每一个上述训练数据中包括一个训练语义信息,多个训练图像和上述训练图像对应的加工特征标注信息,多个训练图像可以共用一个训练语义信息。
上述标注信息误差阈值是预先设置的误差阈值,还可以预先设置模型更新次数,当深度残差网络模型的精度符合要求或者达到模型更新次数时即可视为训练完成。对应的识别获得的加工特征信息与上述训练图像对应的加工特征标注信息之间的损失值可以直接是两者的差值,也可以是根据预设的损失函数计算获得的值,在此不作具体限定。
进一步的,上述获取训练数据集,包括:获取不同类型的训练结构件对应的训练模型;分别对各上述训练模型进行不同视角的二维图像采集,获得各上述训练模型对应的第一图像;通过预设的对抗神经网络对上述第一图像进行数据样本增强,获得第二图像;将各上述第二图像作为上述训练图像,并为各上述训练图像添加训练语义信息和加工特征标注信息,构建上述训练数据集。
其中,上述训练结构件是用于采集获取训练数据的结构件,本实施例中,对多种类型的训练结构件的模型进行图像采集,需要说明的是,每一种类型的训练结构件可以有多个。为训练模型设置视点和视角的过程可以参照上述视点和视角的设置过程,在此不再赘述。
需要说明的是,本实施例中,对于采集获得的第一图像,还通过对抗神经网络进行数据样本的增强,从而获得第二图像,并作为训练图像。如此,有利于提高加工特征识别模型的训练效率和训练效果。
进一步的,本实施例中,上述方法还包括:对上述待识别结构件的目标加工特征信息进行统计获得统计信息,输出上述统计信息,其中,上述统计信息包括上述目标加工特征信息中的特征类型以及各上述特征类型对应的目标加工特征的数目。如此,统计待识别结构件中的加工特征对应的信息并输出,有利于进行后续的结构件加工等操作。
由上可见,本发明实施例提供的数控机床复杂结构件加工特征识别方法中,获取待识别结构件对应的结构件模型以及描述语句,其中,上述结构件模型是上述待识别结构件的三维模型;对上述描述语句进行语义提取并获得目标语义信息;根据上述目标语义信息和上述结构件模型获取上述待识别结构件对应的目标图像集合,其中,上述目标图像集合中包括多张目标结构件图像,各上述目标结构件图像是在不同视角对上述结构件模型采集获得的二维图像;根据上述结构件图像集合、上述目标语义信息以及预先训练好的加工特征识别模型对上述待识别结构件进行加工特征识别,获得上述待识别结构件对应的目标加工特征信息并输出。
与现有技术中通过人工识别各个加工特征并进行标注的方案相比,本发明方案可以结合用户输入的描述语句和待识别结构件对应的结构件模型自动进行加工特征识别。具体的,提取描述语句中的目标语义信息,根据结构件模型获得目标图像集合,从而根据预先训练好的加工特征识别模型进行加工特征识别,既可以充分利用对应的经验知识,又可以通过模型自动快速地实现加工特征的识别,无需用户一一进行识别和标注,有利于提高加工特征识别的效率。尤其是对于复杂的结构件,结合目标语义信息还可以提高其加工特征识别的准确性。
示例性设备
如图3中所示,对应于上述数控机床复杂结构件加工特征识别方法,本发明实施例还提供一种数控机床复杂结构件加工特征识别***,上述数控机床复杂结构件加工特征识别***包括:
数据获取模块510,用于获取待识别结构件对应的结构件模型以及描述语句,其中,上述结构件模型是上述待识别结构件的三维模型。
具体的,上述待识别结构件是需要进行加工特征识别的结构件(零件或工件),上述结构件模型可以是待识别结构件的CAD三维模型,也可以是其它格式的三维模型,在此不作具体限定。本实施例中,通过对待识别结构件的三维模型进行加工特征识别,可以识别出待识别结构件上的各个加工特征。
上述描述语句可以是操作对象(例如用户)输入的针对结构件模型或其中包括的加工特征的描述性语句。
语义识别模块520,用于对上述描述语句进行语义提取并获得目标语义信息。
需要说明的是,本实施例中,上述描述语句包括优化描述语句和加工特征识别描述语句,上述目标语义信息包括优化描述信息和加工特征识别信息。
数据处理模块530,用于根据上述目标语义信息和上述结构件模型获取上述待识别结构件对应的目标图像集合,其中,上述目标图像集合中包括多张目标结构件图像,各上述目标结构件图像是在不同视角对上述结构件模型采集获得的二维图像。
具体的,上述目标图像集合中的所有目标结构图像结合起来可以覆盖上述结构件模型的外表面。本实施例中,还可以先根据上述优化描述语句对应的优化关键词对结构件模型进行优化之后再进行目标结构件图像的采集,以提高加工特征识别的准确性。
加工特征识别模块540,用于根据上述结构件图像集合、上述目标语义信息以及预先训练好的加工特征识别模型对上述待识别结构件进行加工特征识别,获得上述待识别结构件对应的目标加工特征信息并输出。
本实施例中,对二维图像进行加工特征识别,即确定二维图像图中包含加工特征的特征类型、构成的几何面及其包含的像素范围。上述目标加工特征信息包括待识别结构件模型中对应的包含加工特征的特征类型、构成的几何面及其具***置。
具体的,本实施例中,上述数控机床复杂结构件加工特征识别***及其各模块的具体功能可以参照上述数控机床复杂结构件加工特征识别方法中的对应描述,在此不再赘述。
需要说明的是,上述数控机床复杂结构件加工特征识别***的各个模块的划分方式并不唯一,在此也不作为具体限定。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有数控机床主轴误差预测与补偿程序,上述数控机床主轴误差预测与补偿程序被处理器执行时实现本发明实施例提供的任意一种数控机床复杂结构件加工特征识别方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述***的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的***/智能终端和方法,可以通过其它的方式实现。例如,以上所描述的***/智能终端实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种数控机床复杂结构件加工特征识别方法,其特征在于,所述数控机床复杂结构件加工特征识别方法包括:
获取待识别结构件对应的结构件模型以及描述语句,其中,所述结构件模型是所述待识别结构件的三维模型;
对所述描述语句进行语义提取并获得目标语义信息;
根据所述目标语义信息和所述结构件模型获取所述待识别结构件对应的目标图像集合,其中,所述目标图像集合中包括多张目标结构件图像,各所述目标结构件图像是在不同视角对所述结构件模型采集获得的二维图像;
根据所述结构件图像集合、所述目标语义信息以及预先训练好的加工特征识别模型对所述待识别结构件进行加工特征识别,获得所述待识别结构件对应的目标加工特征信息并输出;
其中,所述描述语句包括优化描述语句和加工特征识别描述语句,所述目标语义信息包括优化描述信息和加工特征识别信息,所述对所述描述语句进行语义提取并获得目标语义信息,包括:根据预先训练好的第一语义识别模型,对所述优化描述语句进行语义识别,获得多个优化关键词,并将所述优化关键词作为所述优化描述信息;根据预先训练好的第二语义识别模型,对所述加工特征识别描述语句进行语义识别,获得多个加工特征识别关键词,并将所述加工特征识别关键词作为所述加工特征识别信息;
所述根据所述目标语义信息和所述结构件模型获取所述待识别结构件对应的目标图像集合,包括:根据所述优化关键词对所述结构件模型进行优化并获得目标结构件模型;在多个不同视角对所述目标结构件模型进行图像采集,获得所述目标结构件图像,其中,所述目标结构件图像的数目不小于4;
所述在多个不同视角对所述目标结构件模型进行图像采集,获得所述目标结构件图像,包括:获取所述目标结构件模型的最小包围盒,将所述最小包围盒的各个顶点和各个包围面中心点分别作为目标视点,其中,一个所述包围面中心点是所述最小包围盒的一个包围面的中心点;获取各所述包围面对应的模型面复杂度,根据所述模型面复杂度和预设的复杂度范围获取各所述包围面对应的视点数目,其中,一个所述包围面对应的模型面复杂度用于体现所述目标结构件模型与该包围面对应的一侧的模型表面起伏变化程度;根据各所述包围面对应的视点数目分别在各所述包围面均匀添加目标视点;将各所述目标视点与目标中心点的连线方向作为各所述目标视点的视角方向,根据各所述目标视点采集获取所述目标结构件图像,并标记各所述目标结构件图像的视点和视角,其中,所述目标中心点是所述目标结构件模型的中心点或所述最小包围盒的中心点。
2.根据权利要求1所述的数控机床复杂结构件加工特征识别方法,其特征在于,一个所述包围面对应的模型面复杂度通过以下步骤计算:
根据预设的测量点数目获取所述包围面中的测量点,所述测量点均匀分布在所述包围面中;
根据所述测量点获取测量线段,其中,所述测量线段的起点是所述测量点,所述测量线段的终点是所述目标结构件模型表面的一个点,且各所述测量线段所在的直线垂直于所述包围面;
计算所述包围面对应的所有测量线段的长度值的方差并作为所述包围面对应的模型面复杂度。
3.根据权利要求1所述的数控机床复杂结构件加工特征识别方法,其特征在于,所述根据所述结构件图像集合、所述目标语义信息以及预先训练好的加工特征识别模型对所述待识别结构件进行加工特征识别,获得所述待识别结构件对应的目标加工特征信息并输出,包括:
将所述结构件图像集合和所述加工特征识别信息输入所述预先训练好的加工特征识别模型中;
通过所述预先训练好的加工特征识别模型结合所述加工特征识别信息对所述结构件图像集合中的各所述目标结构件图像进行加工特征识别,确定各所述目标结构件图像中包含的目标加工特征信息;
将所述目标加工特征信息添加到所述结构件模型中,获得已识别模型,并输出所述已识别模型。
4.根据权利要求1-3任意一项所述的数控机床复杂结构件加工特征识别方法,其特征在于,所述加工特征识别模型是预先训练好的深度残差网络模型,所述深度残差网络模型通过以下步骤进行预先训练:
获取训练数据集,其中,所述训练数据集中包括多个训练数据,所述训练数据中包括训练语义信息、训练图像和所述训练图像对应的加工特征标注信息;
根据所述训练数据集和预设的标注信息误差阈值对所述深度残差网络模型进行迭代训练,直到获得训练好的深度残差网络模型,其中,所述训练好的深度残差网络模型针对输入的训练语义信息和训练图像进行加工特征识别,且识别获得的加工特征信息与所述训练图像对应的加工特征标注信息之间的损失值不大于所述标注信息误差阈值。
5.根据权利要求4所述的数控机床复杂结构件加工特征识别方法,其特征在于,所述获取训练数据集,包括:
获取不同类型的训练结构件对应的训练模型;
分别对各所述训练模型进行不同视角的二维图像采集,获得各所述训练模型对应的第一图像;
通过预设的对抗神经网络对所述第一图像进行数据样本增强,获得第二图像;
将各所述第二图像作为所述训练图像,并为各所述训练图像添加训练语义信息和加工特征标注信息,构建所述训练数据集。
6.根据权利要求1-3任意一项所述的数控机床复杂结构件加工特征识别方法,其特征在于,所述方法还包括:
对所述待识别结构件的目标加工特征信息进行统计获得统计信息,输出所述统计信息,其中,所述统计信息包括所述目标加工特征信息中的特征类型以及各所述特征类型对应的目标加工特征的数目。
7.一种数控机床复杂结构件加工特征识别***,其特征在于,所述数控机床复杂结构件加工特征识别***包括:
数据获取模块,用于获取待识别结构件对应的结构件模型以及描述语句,其中,所述结构件模型是所述待识别结构件的三维模型;
语义识别模块,用于对所述描述语句进行语义提取并获得目标语义信息;
数据处理模块,用于根据所述目标语义信息和所述结构件模型获取所述待识别结构件对应的目标图像集合,其中,所述目标图像集合中包括多张目标结构件图像,各所述目标结构件图像是在不同视角对所述结构件模型采集获得的二维图像;
加工特征识别模块,用于根据所述结构件图像集合、所述目标语义信息以及预先训练好的加工特征识别模型对所述待识别结构件进行加工特征识别,获得所述待识别结构件对应的目标加工特征信息并输出;
其中,所述描述语句包括优化描述语句和加工特征识别描述语句,所述目标语义信息包括优化描述信息和加工特征识别信息,所述对所述描述语句进行语义提取并获得目标语义信息,包括:根据预先训练好的第一语义识别模型,对所述优化描述语句进行语义识别,获得多个优化关键词,并将所述优化关键词作为所述优化描述信息;根据预先训练好的第二语义识别模型,对所述加工特征识别描述语句进行语义识别,获得多个加工特征识别关键词,并将所述加工特征识别关键词作为所述加工特征识别信息;
所述根据所述目标语义信息和所述结构件模型获取所述待识别结构件对应的目标图像集合,包括:根据所述优化关键词对所述结构件模型进行优化并获得目标结构件模型;在多个不同视角对所述目标结构件模型进行图像采集,获得所述目标结构件图像,其中,所述目标结构件图像的数目不小于4;
所述在多个不同视角对所述目标结构件模型进行图像采集,获得所述目标结构件图像,包括:获取所述目标结构件模型的最小包围盒,将所述最小包围盒的各个顶点和各个包围面中心点分别作为目标视点,其中,一个所述包围面中心点是所述最小包围盒的一个包围面的中心点;获取各所述包围面对应的模型面复杂度,根据所述模型面复杂度和预设的复杂度范围获取各所述包围面对应的视点数目,其中,一个所述包围面对应的模型面复杂度用于体现所述目标结构件模型与该包围面对应的一侧的模型表面起伏变化程度;根据各所述包围面对应的视点数目分别在各所述包围面均匀添加目标视点;将各所述目标视点与目标中心点的连线方向作为各所述目标视点的视角方向,根据各所述目标视点采集获取所述目标结构件图像,并标记各所述目标结构件图像的视点和视角,其中,所述目标中心点是所述目标结构件模型的中心点或所述最小包围盒的中心点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210612462.3A CN114694139B (zh) | 2022-06-01 | 2022-06-01 | 一种数控机床复杂结构件加工特征识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210612462.3A CN114694139B (zh) | 2022-06-01 | 2022-06-01 | 一种数控机床复杂结构件加工特征识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114694139A CN114694139A (zh) | 2022-07-01 |
CN114694139B true CN114694139B (zh) | 2022-09-13 |
Family
ID=82131277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210612462.3A Active CN114694139B (zh) | 2022-06-01 | 2022-06-01 | 一种数控机床复杂结构件加工特征识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114694139B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293749B (zh) * | 2022-10-08 | 2022-12-27 | 深圳市地铁集团有限公司 | 一种基于bim导出工程量清单的方法、***及设备 |
CN115576434B (zh) * | 2022-12-09 | 2023-04-25 | 深圳先进技术研究院 | 基于ar的设备操作指导方法、***及相关设备 |
CN115793571B (zh) * | 2023-02-07 | 2023-05-02 | 中科航迈数控软件(深圳)有限公司 | 基于多模态数据的加工设备控制方法、***及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829894A (zh) * | 2018-06-29 | 2018-11-16 | 北京百度网讯科技有限公司 | 口语词识别和语义识别方法及其装置 |
CN113901253A (zh) * | 2021-09-22 | 2022-01-07 | 成都飞机工业(集团)有限责任公司 | 一种零组件工艺路线确定方法、装置、设备及存储介质 |
CN114067231A (zh) * | 2022-01-14 | 2022-02-18 | 成都飞机工业(集团)有限责任公司 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635833A (zh) * | 2018-10-30 | 2019-04-16 | 银河水滴科技(北京)有限公司 | 一种基于云平台和模型智能推荐的图像识别方法及*** |
-
2022
- 2022-06-01 CN CN202210612462.3A patent/CN114694139B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829894A (zh) * | 2018-06-29 | 2018-11-16 | 北京百度网讯科技有限公司 | 口语词识别和语义识别方法及其装置 |
CN113901253A (zh) * | 2021-09-22 | 2022-01-07 | 成都飞机工业(集团)有限责任公司 | 一种零组件工艺路线确定方法、装置、设备及存储介质 |
CN114067231A (zh) * | 2022-01-14 | 2022-02-18 | 成都飞机工业(集团)有限责任公司 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
Non-Patent Citations (1)
Title |
---|
复杂结构件数控编程加工特征用户自定义方法;刘长青 等;《航空学报》;20170625;第38卷(第6期);第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114694139A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114694139B (zh) | 一种数控机床复杂结构件加工特征识别方法及*** | |
CN102236794B (zh) | 3d场景中3d对象的识别和姿态确定 | |
Olson et al. | Automatic target recognition by matching oriented edge pixels | |
Unnikrishnan et al. | Toward objective evaluation of image segmentation algorithms | |
Zhong | Intrinsic shape signatures: A shape descriptor for 3D object recognition | |
Ulusoy et al. | Semantic multi-view stereo: Jointly estimating objects and voxels | |
Ning et al. | Part machining feature recognition based on a deep learning method | |
CN110490915B (zh) | 一种基于卷积受限玻尔兹曼机的点云配准方法 | |
Liu | An adaptive process of reverse engineering from point clouds to CAD models | |
Xiao et al. | Critical assessment of shape retrieval tools (SRTs) | |
CN110007764B (zh) | 一种手势骨架识别方法、装置、***及存储介质 | |
CN115810133A (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
EP3367296A1 (en) | A computer-implemented method of identifying a perforated face in a geometrical three-dimensional model | |
Bespalov and et al. | Scale-space representation and classification of 3d models | |
US11687687B1 (en) | Apparatuses and methods for superimposition of a cross-sectional drawing over a three-dimensional model | |
US11947336B2 (en) | Apparatus and methods for superimposing two-dimensional prints onto three-dimensional models of a part for manufacture | |
CN114186603B (zh) | 多源模型单体化融合方法及***、存储介质及终端 | |
Nagata et al. | Determining orientation, location and size of primitive surfaces by a modified Hough transformation technique | |
CN114511745A (zh) | 三维点云分类及旋转姿态预测方法及*** | |
CN112668590A (zh) | 基于图像特征空间和空域空间的视觉词组构建方法和装置 | |
Bräutigam et al. | A model-free voting approach for integrating multiple cues | |
EP1546936A1 (en) | Computer system and method for comparing data sets of three- dimensional bodies | |
CN117974846B (zh) | 可控图像描述的生成方法、装置及电子设备 | |
Suetens et al. | Using expert systems for image understanding | |
CN117252993B (zh) | 特征点提取算法的验证方法、装置、电子设备及存储介质 |
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 |