CN117725966B - 草图序列重建模型的训练方法、几何模型重建方法及设备 - Google Patents
草图序列重建模型的训练方法、几何模型重建方法及设备 Download PDFInfo
- Publication number
- CN117725966B CN117725966B CN202410179959.XA CN202410179959A CN117725966B CN 117725966 B CN117725966 B CN 117725966B CN 202410179959 A CN202410179959 A CN 202410179959A CN 117725966 B CN117725966 B CN 117725966B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- sketch
- sequence
- primitive
- parameter
- 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
- 238000012549 training Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 85
- 238000002372 labelling Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000007787 solid Substances 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 5
- 206010063385 Intellectualisation Diseases 0.000 abstract description 4
- 238000011960 computer-aided design Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Generation (AREA)
Abstract
本申请公开了一种草图序列重建模型的训练方法、几何模型重建方法及设备,所述训练方法包括获取训练数据集;将训练数据集中的训练点云数据输入预设网络模型,通过预设网络模型确定预测草图序列参数以及预测点云边界;基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项,并基于所述目标损失项对所述预设网络模型进行优化,以得到草图序列重建模型。本申请通过将点云分割任务和草图序列预测任务结合,显著提高网络对深层点云信息的提取,提高参数预测精度,解决了三维点云到草图序列重建中的边界不清晰及无法直接转换成建模序列的问题,大大提高了逆向工程的智能化和效率。
Description
技术领域
本申请涉及CAD逆向工程技术领域,特别涉及一种草图序列重建模型的训练方法、几何模型重建方法及设备。
背景技术
计算机辅助设计***(CAD)是工业产品设计、研发与制造的基础软件***,已广泛应用于机械、建筑、航空、船舶以及汽车等工业领域,二维草图序列是三维设计的基础,是CAD软件***的核心之一。在逆向工程中,从三维点云恢复CAD建模序列是不可或缺的一项关键技术,其中,草图序列作为三维建模序列的基础,是恢复精确三维建模序列至关重要的一环。
传统的从点云数据恢复CAD建模序列普遍是基于RANSEC、Hough变换算法等。然而,这些算法会受限于需要较好的初始条件、边缘不够清晰、无法直接转换成CAD建模序列等问题,进而影响了从点云中直接恢复出草图序列的精度,进而影响了逆向工程的精度。
因而现有技术还有待改进和提高。
发明内容
本申请要解决的技术问题在于,针对现有技术的不足,提供一种草图序列重建模型的训练方法、几何模型重建方法及设备。
为了解决上述技术问题,本申请第一方面提供了一种草图序列重建模型的训练方法,其中,所述的草图序列重建模型的训练方法包括:
获取训练数据集,其中,所述训练数据集包括若干训练数据,若干训练数据中的每个训练数据均包括训练点云数据以及训练点云数据对应的标注草图序列参数以及标注点云边界;
将所述训练点云数据输入预设网络模型,通过预设网络模型确定预测草图序列参数以及预测点云边界;
基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项,并基于所述目标损失项对所述预设网络模型进行优化,以得到草图序列重建模型。
所述的草图序列重建模型的训练方法,其中,所述获取训练数据集具体包括:
获取若干实体三维建模序列数据;
对于每个实体三维建模序列数据,将实体三维建模序列数据重构为建模实体;根据所述建模实体确定三维点云模型,将所述三维点云模型投影至预设平面以得到训练点云数据;根据所述训练点云数据确定建模序列隐式场,并基于所述建模序列隐式场确定标注点云边界;将所述实体三维建模序列数据中的草图序列参数向量化以得到标注草图序列参数,以得到一训练数据;
将得到的所有训练数据构成的集合作为训练数据集。
所述的草图序列重建模型的训练方法,其中,所述根据所述建模实体确定三维点云模型,将所述三维点云模型投影至预设平面以得到训练点云数据具体包括:
对所述建模实体进行分割,以得到若干拉伸实体;
对于每个拉伸实体,对所述拉伸实体的mesh模型进行采样,以得到所述拉伸实体对应的三维点云模型;
将所述拉伸实体对应的三维点云模型按照拉伸轴投影至草图平面,以得到二维的训练点云数据。
所述的草图序列重建模型的训练方法,其中,所述将所述实体三维建模序列数据中的草图序列参数向量化以得到标注草图序列参数具体包括:
在所述实体三维建模序列数据中选取所述训练点云数据对应的草图序列参数,并读取所述草图序列参数所包括的各图元的图元类型和图元属性参数;
基于各图元的图元类型和图元属性参数构建各图元对应的图元向量,其中,各图元对应的图元向量的向量维度相同;
在各图元中选取一个起始图元,以所述起始图元对应的图元向量为起始向量元素,按照预设顺序将各图元向量按列方向排列以得到初始向量矩阵;
在所述初始向量矩阵的最前向量元素前添加起始指示符,在所述初始向量矩阵的最后向量元素后添加终止指示符,以得到标注草图序列参数。
所述的草图序列重建模型的训练方法,其中,所述基于各图元的图元类型和图元属性参数构建各图元对应的图元向量具体包括:
将各图元的图元类型和图元属性参数按照预设格式转换为初始图元向量;
对于各初始图元向量中无对应参数信息的元素位置,采用预设数值进行弥补以得到各图像的图元向量。
所述的草图序列重建模型的训练方法,其中,所述预设格式包括图元类型对应的参数信息、图元位置参数对应的参数信息、圆弧中点参数对应的参数信息和圆半径参数对应的参数信息。
所述的草图序列重建模型的训练方法,其中,所述预设网络模型包括骨干点云编码器、骨干点云解码器、Transformer编码器和Transformer解码器,所述骨干点云编码器分别与所述骨干点云解码器和Transformer编码器相连接,所述Transformer编码器和所述Transformer解码器相连接,其中,所述Transformer解码器用于确定预测草图序列参数,所述骨干点云解码器用于确定预测点云边界。
所述的草图序列重建模型的训练方法,其中,所述预测草图序列参数包括所述Transformer解码器的输出层输出的预测草图序列参数以及所述Transformer解码器中的至少一个中间层输出的预测草图序列参数。
所述的草图序列重建模型的训练方法,其中,所述基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项具体包括:
基于预测草图序列参数和所述标注草图序列参数确定序列参数损失项;
基于所述预测点云边界和所述标注点云边界确定分割损失项;
基于所述序列参数损失项和所述分割损失项,确定目标损失项。
所述的草图序列重建模型的训练方法,其中,所述标注草图序列参数包括图元类型和图元属性参数,所述基于预测草图序列参数和所述标注草图序列参数确定序列参数损失项具体包括:
对于预测草图序列参数中的每个预测草图序列参数,计算所述预测草图序列参数中的预测图元类型和所述标注草图序列参数中的图元类型的类型损失项,以及所述预测草图序列参数中的预测图元属性参数和所述标注草图序列参数中的标注图元属性参数的参数损失项;
根据计算的类型损失项和参数损失项,确定序列参数损失项。
所述的草图序列重建模型的训练方法,其中,在将所述训练点云数据输入预设网络模型,通过预设网络模型确定预测草图序列参数以及预测点云边界的过程中,所述方法还包括:
对所述训练点云数据的标注草图序列参数执行添加噪声操作,以得到噪声标注草图序列参数;
将所述噪声标注草图序列参数输入所述预设网络模型中,通过所述预设网络模型输出去噪标注草图序列参数。
所述的草图序列重建模型的训练方法,其中,所述目标损失项包括去噪损失项,所述去噪损失项为基于所述去噪标注草图序列参数和所述训练点云数据对应的标注草图序列参数确定的。
本申请第二方面提供了一种几何模型重建方法,应用基于如上所述的草图序列重建模型的训练方法所得到的草图序列重建模型,所述的几何模型重建方法包括:
获取待重建的点云数据;
将所述待重建的点云数据输入所述草图序列重建模型,通过所述草图序列重建模型输出所述待重建的点云数据对应的草图序列参数和边界点云;
基于所述草图序列参数和所述边界点云,构建所述点云数据对应的几何模型。
所述的几何模型重建方法,其中,所述基于所述草图序列参数和所述边界点云,构建所述点云数据对应的几何模型具体包括:
以所述边界点云为隐式场网格点,对所述草图序列参数进行修正以得到目标草图序列参数;
将所述目标草图序列参数转换为建模序列,并将所述建模序导入建模软件以得到点云数据对应的几何模型。
所述的几何模型重建方法,其中,在获取待重建的点云数据之后,还包括对所述待重建的点云数据进行的预处理过程,其中,所述预处理过程具体包括:
获取所述待重建的点云数据的最小坐标值和最大均对值坐标值;
将所述待重建的点云数据中各点云坐标减去所述最小坐标值后,再除以所述最大均对值坐标值,以得到各点云的调整坐标;
将各点云的调整坐标减去所述待重建的点云数据的点云中心,以得各点云的预处理后的点云坐标。
本申请第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的草图序列重建模型的训练方法中的步骤,和/或以实现如上所述的几何模型重建方法的方法中的步骤。
本申请第四方面提供了一种终端设备,其包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如上所述的草图序列重建模型的训练方法中的步骤,和/或实现如上所述的几何模型重建方法的方法中的步骤。
有益效果:与现有技术相比,本申请提供了一种草图序列重建模型的训练方法、几何模型重建方法及设备,所述训练方法包括获取训练数据集;将所述训练数据集中的训练点云数据输入预设网络模型,通过预设网络模型确定预测草图序列参数以及预测点云边界;基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项,并基于所述目标损失项对所述预设网络模型进行优化,以得到草图序列重建模型。本申请通过将点云分割任务和草图序列预测任务结合,显著提高网络对深层点云信息的提取,提高参数预测精度,解决了三维点云到草图序列重建中的边界不清晰及无法直接转换成建模序列的问题,大大提高了逆向工程的智能化和效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,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。
图1为本申请实施例提供的草图序列重建模型的训练方法的流程图。
图2为标注草图序列参数的示例图。
图3为本申请实施例提供的草图序列重建模型的训练方法的结构原理图。
图4为本申请实施例提供的几何模型重建方法的流程图。
图5为本申请实施例提供的终端设备的结构原理图。
具体实施方式
本申请实施例提供一种草图序列重建模型的训练方法、几何模型重建方法及设备,为使本申请的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本申请进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
应理解,本实施例中各步骤的序号和大小并不意味着执行顺序的先后,各过程的执行顺序以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
经过研究发现,计算机辅助设计***(CAD)是工业产品设计、研发与制造的基础软件***,已广泛应用于机械、建筑、航空、船舶以及汽车等工业领域,二维草图序列是三维设计的基础,是CAD软件***的核心之一。在逆向工程中,从三维点云恢复CAD建模序列是不可或缺的一项关键技术,其中,草图序列作为三维建模序列的基础,是恢复精确三维建模序列至关重要的一环。
传统的从点云数据恢复CAD建模序列普遍是基于RANSEC、Hough变换算法等。然而,这些算法会受限于需要较好的初始条件、边缘不够清晰、无法直接转换成CAD建模序列等问题,进而影响了从点云中直接恢复出草图序列的精度,进而影响了逆向工程的精度。
为了解决上述问题,在本申请实施例提供了一种草图序列重建模型的训练方法,包括:获取训练数据集;将所述训练数据集中的训练点云数据输入预设网络模型,通过预设网络模型确定预测草图序列参数以及预测点云边界;基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项,并基于所述目标损失项对所述预设网络模型进行优化,以得到草图序列重建模型。本申请通过将点云分割任务和草图序列预测任务结合,显著提高网络对深层点云信息的提取,提高参数预测精度,解决了三维点云到草图序列重建中的边界不清晰及无法直接转换成建模序列的问题,大大提高了逆向工程的智能化和效率。
下面结合附图,通过对实施例的描述,对申请内容作进一步说明。
本实施例提供了一种草图序列重建模型的训练方法,如图1所示,所述方法包括:
S10、获取训练数据集。
具体地,训练数据集用于训练草图序列重建模型,其中,训练数据集包括若干训练点云数据,训练点云数据对应的标注草图序列参数以及标注点云边界。训练点云数据对应一个实体三维模型中的一个拉伸实体,标注草图序列参数用于反映该该拉伸实体所包含图元的图元类型和图元属性信息,标注点云边界用于反映拉伸实体对应的实体边缘。将原始的大规模实体三维建模序列数据转换为可供深度学习模型直接输入的张量形式的数据格式。
在本申请实施例的一个实现方式中,所述获取训练数据集具体包括:
S11、获取若干实体三维建模序列数据;
S12、对于每个实体三维建模序列数据,将实体三维建模序列数据重构为建模实体;根据所述建模实体确定三维点云模型,将所述三维点云模型投影至预设平面以得到训练点云数据;根据所述训练点云数据确定建模序列隐式场,并基于所述建模序列隐式场确定标注点云边界;将所述实体三维建模序列数据中的草图序列参数向量化以得到标注草图序列参数,以得到一个训练数据;
S13、将得到的所有训练数据构成的集合作为训练数据集。
具体地,在步骤S11中,实体三维建模序列数据为以构建几何模型的建模数据,基于实体三维建模序列数据可以重建几何模型,例如,实体三维建模序列数据为采用CAD软件绘制的三维几何模型的建模数据,那么根据实体三维建模序列数据可以重建成该三维几何模型,以得到建模实体。
在步骤S12中,在重建得到建模实体后,可以通过对建模实体进行采样来得到三维点云模型。由于本申请实施例训练得到的草图序列重建模型用于基于平面点云(即二维点云)来进行草图序列重建,从而在获取到三维点云模型后,需要将三维点云模型投影至二维平面,以得到训练点云数据。此外,需要说明的是,建模实体可以为大规模几何模型,也就是说,建模实体可以包括一个或者多个拉伸实体,其中,当建模实体包括一个拉伸实体时,直接对该个拉伸实体进行采样以得到一个训练点云数据,当建模实体包括多个拉伸实体时,先对建模实体进行划分得到多个拉伸实体,然后将每个拉伸实体作为一个建模实体进行采样以得到一个训练点云数据。
在本申请实施中,以建模实体包括多个拉伸实体为例进行说明。相应地,所述根据所述建模实体确定三维点云模型,将所述三维点云模型投影至预设平面以得到训练点云数据具体包括:
对所述建模实体进行分割,以得到若干拉伸实体;
对于每个拉伸实体,对所述拉伸实体的mesh模型进行采样,以得到所述拉伸实体对应的三维点云模型;
将所述拉伸实体对应的三维点云模型按照拉伸轴投影至草图平面,以得到二维的训练点云数据。
具体地,若干拉伸实体构成建模实体,若干拉伸实体中的每个拉伸实体通过一个拉伸得到的,一个拉伸实体对应一个点云集合,一个点云集合由N个空间点构成。由此,可以通过将拉伸实体对应的三维点云模型投影至草图平面来得到二维的平面点云。也就是说,在对三维点云模型进行投影时可以采用垂直于草图平面作为预设平面,其中,拉伸轴垂直于草图平面。此外,需要说明的是,mesh模型用于表示拉伸实体的数据结构,其通过定义顶点、边和面来表示物体的形状和表面细节,通过对mesh模型进行采样可以得到拉伸实体的三维点云模型。
进一步,在步骤S12中,标注点云边界为训练点云数据中的边界点,其中,所述标注点云边界可以是通过人工手段标注的,也通过对拉伸实体的三维点云模型进行边缘识别后投影至草图平面,也可以是通过对训练点云数据进行边缘识别得到的。在本申请实施例中,标注点云边界是通过对训练点云数据进行边缘识别得到的,其中,标注点云边界的识别过程可以为:以训练点云数据为网格点,按照实体三维建模序列数据的SDF场计算方法计算网格点的建模序列数据SDF隐式场,然后筛选出隐式场值为0的点云数据以得到标注点云边界。
进一步,在步骤S12中,在获取到训练点云数据和标注点云边界之后,将训练点云数据对应的三维建模序列数据中的草图序列数据向量化以得到标注草图序列参数,其中,标注草图序列参数为构成训练点云数据对应的草图的所有图元的参数按照顺序排列而成,标注草图序列参数均包括各图元类型和图元属性参数,其中,图元类型包括但不限于点、线段、圆和圆弧等。图元属性参数用于反映图元位置和图元形状,例如,点的图元属性参数由点的x,y坐标构成,线段的图元属性参数由线段起点(x10,y10)和终点坐标(x11,y11)构成,圆弧的图元属性参数由起点(x20,y20)、中点(x21,y21)和终点坐标(x22,y22),圆的图元属性参数由圆心(x,y)和半径r构成。
在本申请一个实现方式中,所述将所述实体三维建模序列数据中的草图序列参数向量化以得到标注草图序列参数具体包括:
在所述实体三维建模序列数据中选取所述训练点云数据对应的草图序列参数,并读取所述草图序列参数所包括的各图元的图元类型和图元属性参数;
基于各图元的图元类型和图元属性参数构建各图元对应的图元向量,其中,各图元对应的图元向量的向量维度相同;
在各图元中选取一个起始图元,以所述起始图元对应的图元向量为起始向量元素,将各图元向量按照预设顺序排列以得到初始向量矩阵;
在所述初始向量矩阵的最前向量元素前添加起始指示符,在所述初始向量矩阵的最后向量元素后添加终止指示符,以得到标注草图序列参数。
具体地,当所述实体三维建模序列数据对应一个训练点云数据时,直接读取所述实体三维建模序列数据中的草图序列参数,当实体三维建模序列数据对应多个训练点云数据时,在实体三维建模序列数据中选取用于构建训练点云数据对应的拉伸实体的草图序列参数,其中,草图序列参数包括用于构成训练点云数据对应的拉伸实体的所有图元的图元类型和图元属性参数,图元属性参数包括位置参数和绘制参数。
需要说明的是,由于部分图元可以直接通过位置参数来反映绘制参数,因此,部分图元的图元属性参数可以仅包括位置参数,绘制参数为空。例如,当图元为点时,位置参数为点的x,y坐标,绘制参数为空,当图元为线段时,位置参数线段起点(x10,y10)和终点坐标(x11,y11),绘制参数为空;当图元为圆弧时,位置属性为起点(x20,y20)和终点坐标(x22,y22),绘制参数为中点(x21,y21);当图元为圆时,位置属性为圆心(x,y),绘制参数为半径。
在读取到各图元的图元类型和图元属性参数后,可以将每个图元的图元类型和图元属性参数按照预设格式转换为图元向量,其中,预设格式可以按照图像类型和图像属性参数所包括的参数信息设置的。具体地,预设格式可以为图元类型-位置参数-绘制参数中的中心参数-绘制参数中的半径参数;也可以为图元类型-位置参数-绘制参数中的半径参数-绘制参数中的中心参数等,这里不具体限制,仅是以预设格式可以为图元类型-位置参数-绘制参数中的中心参数-绘制参数中的半径参数为例进行说明。
进一步,在将图元类型和图元属性参数转换为图元向量时,可以预先设置每个图像类型对应的类型数值,例如,点对应1,线段对应2,圆弧对应3,圆对应4等;然后可以直接将图元类型转换为其对应的类型数值,以得到向量元素;图元属性参数所包括的位置参数和绘制参数均以数值方式表示的,从而可以直接将位置参数和绘制参数作为向量元素,最后将所有向量元素按照预设格式进行排列,以得到图元向量。当然,需要说明的是,图像属性参数中不包括预设格式中的所有参数信息,为了使得每个图元对应的图元向量的向量维度相同,直接各图元的图元类型和图元属性参数按照预设格式转换为初始图元向量,对于初始图元向量中未被添加的参数信息,采用预设数值进行弥补,其中,预设数值可以根据实际需求进行设置,只需要是不会被作为位置参数、绘制参数和图元类型的类型数值的数值即可。例如,位置参数、绘制参数和图元类型的类型数值均采用正数,那么预设数值可以为-1。
在得到各图元的图元向量后,可以将各图元向量按照列方向排列以得到标注草图序列参数;也就是说,将每个图元向量按照行方向进行拼接,以得到草图序列参数。在本申请实施例中,采用各图元向量按照列方向排列的方式来确定标注草图序列参数,其中,在采用各图元向量按照列方向排列的方式来确定标注草图序列参数时,可以随机在所有图元中选取一个图元作为起始图元,也可以按照草图绘制顺序第一个绘制的图元作为起始图元等。在本申请实施例中,按照草图绘制顺序第一个绘制的图元作为起始图元,按照预设顺序将各图元向量按列方向排列以得到初始向量矩阵,其中,预设顺序可以为草图的逆时针绘制顺序,也可以是草图的顺时针绘制顺序。在本申请实施例中,采用草图的逆时针绘制顺序。此外,需要说明的是,由于本申请采用草图的逆时针绘制顺序进行排列,从而在每个图元向量中用于表示位置参数的向量元素可以仅采用终止位置的位置信息,而将其前一向量元素的位置信息作为该图元的起始位置,这样可以减少草图序列参数的数据量,可以提高草图序列重建模型的计算速度。当然,在实际应用中,图元向量中用于表示位置参数的向量元素可以同时包括起始位置和终止位置的位置信息等。
在得到初始草图序列数据后,可以直接将初始草图序列数据作为标注草图序列数据,也可以在初始草图序列数据的前面添加起点指示符,在初始草图序列数据的后面添加终止指示符,以通过起始指示符和终止指示符可以快速识别草图序列数据。在本申请实施例中,在初始草图序列数据的前面添加起点指示符,在初始草图序列数据的后面添加终止指示符,并将添加起点指示符和终止指示符的初始向量矩阵作为表示草图序列参数,即,将一个三维草图序列向量化成适合网络模型训练和推理的数据结构。
在本申请的一个具体实现方式中,如图2所示,标注草图序列参数采用向量矩阵形式存储,其中,向量矩阵的第一行为起始指示符,向量矩阵的最后一个行为终止矩阵,图元的图元向量为向量矩阵中的一行。也就是说,在图元向量按照预设顺序进行排列时,可以以图元向量为行,按照列方向对各图元向量进行排列,然后再排列形成的初始向量矩阵的第一行添加一各起始指示符行,并在初始向量矩阵的最后一行添加一个终止指示符行,以得到标注草图序列参数。
预设格式包括图元类型对应的参数信息、图元位置参数对应的参数信息、圆弧中点参数对应的参数信息和圆半径参数对应的参数信息。相应的,如图2所示,基于预设格式转换得到的图元向量包括四个组成部分,分别为是图元类型,图元位置参数,圆弧中点参数和圆半径参数,其中,图元类型占用一个向量元素位,图元位置参数占用两个向量元素位,圆弧中点参数占用两个向量元素位,圆半径参数占用一个向量元素位,也就是说,图元向量的向量维度为6。此外图元位置参数只记录每个图元的终止点,所有图元按照草图的逆时针绘制顺序构建,未被使用的参数用-1进行弥补。当然,在实际应用中,预设格式还可以包括其他参数信息,具体可以根据图元属性数据所包括的参数信息项来确定。
此外,在实际应用中,训练数据集的生成过程可以封装为一个数据加载器,通过数据加载器来执行步骤S10的过程以生成训练数据集。其中,数据加载器可以继承PyTorch中dataloader模块,通过PyTorch中dataloader模块来实现训练数据集的获取过程,即可以实现从实体三维建模序列数据到训练点云数据、标注点云边界以及标注草图序列参数的转换过程。
S20、将所述训练点云数据输入预设网络模型,通过预设网络模型确定预测草图序列参数以及预测点云边界。
具体地,预设网络模型为基于深度学习构建的,预设网络模型的输入项为训练点云数据,输出项为预测草图序列参数和预测点云边界,其中,作为草图序列重建模型的初始网络模型,通过对预设网络模型进行训练可以得到草图序列重建模型。也就是说,预设网络模型的模型结构与草图序列重建模型的模型结构相同,两者的区别是模型参数不同,其中,预设网络模型的模型参数为初始模型参数,草图序列重建模型的模型参数为经过训练数据集训练后的模型参数。因此,这里以预设网络模型为例来对模型结构进行说明。
如图3所示,预设网络模型可以包括骨干点云编码器、骨干点云解码器、Transformer编码器和Transformer解码器,所述骨干点云编码器分别与所述骨干点云解码器和Transformer编码器相连接,所述Transformer编码器和所述Transformer解码器相连接,其中,骨干点云编码器用于对训练点云数据进行特征提取,Transformer编码器用于对骨干点云编码器提取到的点云特征序列进行编码以得到编码特征;所述Transformer解码器用于基于编码特征确定预测草图序列参数,所述骨干点云解码器用于基于点云特征序列确定预测点云边界。本申请实施例通骨干点云解码器和Transformer解码器将草图序列参数预测任务和点云边界分割任务进行组合,帮助骨干点云编码器学习到更深层,更符合草图序列参数预测的特征,进而可以提高训练得到的草图序列重建模型预测的草图序列参数的准确性。此外,本申请实施例通过各图元的图元类型和图元属性参数进行学习,无需对图元类型和图元属性参数进行预处理(例如,离散化,整数化等),减少了操作流程,提高了预测效率。
需要说明的是,骨干点云编码器和骨干点云解码器可以采用现有点云特征提取网络,这里不对骨干点云编码器和骨干点云解码器所采用的具体网络模型进行限定,仅给出一个具体例子,即骨干点云编码器为PointNet++中的编码器,骨干点云解码器为PointNet++中的解码器等。
进一步,所述预测草图序列参数可以包括预设网络模型的输出的预测草图序列参数,还可以包括预设网络模型的一个或者多个中间网络层输出的预测草图序列参数。在一个实现方式中,预测草图序列参数包括输出层输出的预测草图序列参数和所有中间层输出的预测草图序列参数,通过获取输出层和所有中间层输出的预测草图序列参数来构建损失项,可以使得预设网络模型更好的学习到更符合草图序列参数预测的特征。
此外,需要说明的是,当预设网络模型通过Transformer解码器确定预测草图序列参数时,由于Transformer解码器包括若干级联的Transformer解码模块,从而预测草图序列参数包括Transformer解码器中位于最后的Transformer解码模块(即输出层)输出的预测草图序列参数,和至少一个位于中间的Transformer解码模块(即中间层)输出的预测草图序列参数。在一个典型实现方式中,预测草图序列参数包括所有Transformer解码模块输出的预测草图序列参数。此外,需要说明的是,对于位于中间的每个Transformer解码模块,该Transformer解码模块输出的草图序列参数除了被作为预测草图序列参数外,还会被作为下一Transformer解码模块的输入项。
S30、基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项,并基于所述目标损失项对所述预设网络模型进行优化,以得到草图序列重建模型。
具体地,目标损失项用于对预设网络模型的模型参数进行优化,其中,目标损失项包括序列参数损失项和分割损失项。序列参数损失项用于监督草图序列参数预测任务,分割损失项用于监督点云边界分割任务,这样通过将序列参数损失项和分割损失项相结合来确定目标损失项,可以将草图序列参数预测任务和点云边界分割任务进行结合,以提高训练得到的草图序列重建模型的模型性能。
在一个实现方式中,所述基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项具体包括:
基于预测草图序列参数和所述标注草图序列参数确定序列参数损失项;
基于所述预测点云边界和所述标注点云边界确定分割损失项;
基于所述序列参数损失项和所述分割损失项,确定目标损失项。
具体地,序列参数损失项为通过将预测草图序列参数和所述标注草图序列参数进行对比所得到的,分割损失项为通过将预测点云边界和所述标注点云边界进行对比所得到的。其中,目标损失项为求和分割损失项和序列参数损失项得到的。序列参数损失项可以直接对计算预测草图序列参数和所述标注草图序列参数进行损失计算得到,也可以分别对草图序列参数所包括的图元类型和图元属性参数进行分别计算损失得到的。分割损失项可以直接通过将边界点云概率预测值进行Sigmoid处理映射到0和1之间,将结果与对应边界点云的标签(0,1)作为交叉熵损失函数的输入计算得到的,也可以采用其他方式计算得到的。当然,在实际应用中,分割损失项还可以采用其他损失函数计算得到的,例如,L1损失函数等。
在本申请实施例中,所述标注草图序列参数包括图元类型和图元属性参数,序列参数损失项为对草图序列参数所包括的图元类型和图元属性参数进行分别计算损失得到的。相应地,所述基于预测草图序列参数和所述标注草图序列参数确定序列参数损失项具体包括:
对于预测草图序列参数中的每个预测草图序列参数,计算所述预测草图序列参数中的预测图元类型和所述标注草图序列参数中的图元类型的类型损失项,以及所述预测草图序列参数中的预测图元属性参数和所述标注草图序列参数中的标注图元属性参数的参数损失项;
根据计算的类型损失项和参数损失项,确定序列参数损失项。
具体地,在标注草图序列参数和预测草图序列参数中,各图元的图元类型位于同一列,从而可以通过提取图元类型所在列来得到标注图元类型向量和预测图元类型向量,然后根据提取到的标注图元类型向量和预测图元类型向量,通过第一预设损失函数(例如,交叉熵损失函数)可以计算得到类型损失项。同理,在标注草图序列参数和预测草图序列参数中可以分别提取到标注图元属性参数和预测图元属性参数,然后通过第二预设损失函数(例如,L1损失函数)计算得到参数损失项。最后,通过将类型损失项和参数损失项进行相加或者加权等得到序列参数损失项。
以上完成草图序列重建模型的一种训练过程的实现方式的说明。在实际应用中,可以直接采用上述实现方式训练得到草图序列重建模型,也可以在采用上述实现方式训练草图序列重建模型的过程中,添加去噪任务以增加草图序列重建模型对标注信息的学习,从而可以提高草图序列重建模型对标注信息的学习速度,进而提高草图序列重建模型的训练速度。
基于此,在本申请实施例的一个实现方式中,在基于训练点云数据对预设网络模型的训练过程中,所述方法还包括:
对所述训练点云数据的标注草图序列参数执行添加噪声操作,以得到噪声标注草图序列参数;
将所述噪声标注草图序列参数输入所述预设网络模型中,通过所述预设网络模型输出去噪标注草图序列参数。
具体地,执行添加噪声操作中的噪声均为随机生成的,并且对于每个标注草图序列参数添加的噪声可以相同,也可以不同。在本申请实施例中,在训练过程中,对于每个标注草图序列参数添加的噪声互不相同,这样可以丰富训练数据集中所携带的噪声数据的多样性,从而使得草图序列重建模型可以应对各种噪声情况。
在一个实现方式中,所述添加噪声操作包括对图元类型的添加类型噪声操作和/或对图像属性参数添加参数噪声操作,也就是说,在对标注草图序列参数执行添加噪声操作时,可以仅对图元类型执行添加类型噪声操作或者仅对图像属性参数执行添加参数噪声操作,也可以是分别对图元类型执行添加类型噪声操作和对图像属性参数执行添加参数噪声操作。在一个典型实现方式中,所述添加噪声操作为分别对图元类型执行添加类型噪声操作和对图像属性参数执行添加参数噪声操作,也就是说,同时对图元类型和图像属性参数添加噪声,以增加噪声后的噪声标注草图序列参数与图元类型和图像属性参数的差异性。其中,在对图像类型进行类型噪声操作时,可以按照概率将图像类型替换为噪声类型,在对图像属性参数添加参数噪声操作时,可以调整图像属性参数中的一个或者多个属性参数值。
进一步,在获取到噪声标注草图序列参数后,将噪声标注草图序列参数作为预设网络模型的输入项,通过预设网络模型输出噪声标注草图序列参数对应的去噪标注草图序列参数。例如,如图2所示,当预设网络模型采用上述模型结构时,噪声标注草图序列参数可以作为Transformer解码器的输入项,通过Transformer解码器输出去噪标注草图序列参数。
需要说明的是,当将噪声标注草图序列参数作为预设网络模型的输入项时,在确定目标损失项时,会基于噪声标注草图序列参数和去噪标注草图序列参数构建去噪损失项,然后基于去噪损失项作为目标损失项的一部分。也就是说所述目标损失项包括去噪损失项,所述去噪损失项为基于所述去噪标注草图序列参数和所述训练点云数据对应的标注草图序列参数确定的。基于此,目标损失项可以根据序列参数损失项(包括类型损失项和参数损失项)、分割损失项和去噪损失项加权得到的,即目标损失项可以表示为:
,
其中,表示类型损失项,/>表示参数损失项,/>表示分割损失项,表示去噪损失项,/>,/>,/>和/>均表示加权系数。
综上所述,本实施例提供了一种草图序列重建模型的训练方法;将所述训练点云数据输入预设网络模型,通过预设网络模型确定预测草图序列参数以及预测点云边界;基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项,并基于所述目标损失项对所述预设网络模型进行优化,以得到草图序列重建模型。本申请通过将点云分割任务和草图序列预测任务结合,显著提高网络对深层点云信息的提取,提高参数预测精度,解决了三维点云到草图序列重建中的边界不清晰及无法直接转换成建模序列的问题,大大提高了逆向工程的效率。同时,本申请通过采用包括图元类型和图元属性参数的草图序列参数作为草图表示,通过草图序列重建模型输出草图序列参数,这样可以直接通过草图序列参数对几何模型进行重建,大大提高了逆向工程的智能化。
基于上述草图序列重建模型的训练方法,本实施例提供了一种几何模型重建方法,应用基于如上任意一项所述的草图序列重建模型的训练方法所得到的草图序列重建模型,如图4所示,所述的几何模型重建方法包括:
B10、获取待重建的点云数据;
B20、将所述待重建的点云数据输入所述草图序列重建模型,通过所述草图序列重建模型输出所述待重建的点云数据对应的草图序列参数和边界点云;
B30、基于所述草图序列参数和所述边界点云,构建所述点云数据对应的几何模型。
具体地,一个完整的重建过程由参数推理和参数修正构成,参数推理直接应用训练好的草图序列重建模型输出草图序列参数和边界点云。待重建的点云数据为一个几何模型的点云表示,其中,点云数据为平面点云数据。例如,待重建的点云数据为一个通过CAD设计软件构建的三维模型的点云表示等。此外,在实际应用中,在获取到待重建的点云数据后,可以先对待重建的点云数据进行预处理,其中,预处理可以包括标准化、归一化等。在本实施例中,预处理过程可所述预处理过程具体包括:获取所述待重建的点云数据的最小坐标值和最大均对值坐标值;将所述待重建的点云数据中各点云坐标减去所述最小坐标值后,再除以所述最大均对值坐标值,以得到各点云的调整坐标;将各点云的调整坐标减去所述待重建的点云数据的点云中心,以得到各点云的预处理后的点云坐标。
在一个实现方式中,所述基于所述草图序列参数和所述边界点云,构建所述点云数据对应的几何模型具体包括:
以所述边界点云为隐式场网格点,对所述草图序列参数进行修正以得到目标草图序列参数;
将所述目标草图序列参数转换为建模序列,并将所述建模序导入建模软件以得到点云数据对应的几何模型。
具体地,以步骤B20输出的草图序列参数作为初值,以目标函数进行优化,对所述草图序列参数进行修正用于使得草图序列参数与边界点云重合,以提高草图序列参数的准确性。其中,修正过程使用pyTorch的随机梯度下降方法进行实现,具体地,将草图序列参数作为优化变量,以所述边界点云为隐式场网格点,以根据草图序列参数计算的隐式距离场与真实点云的隐式距离场的差作为目标函数,利用梯度下降方法优化草图序列参数,以得到目标草图序列参数。
进一步,建模序列的数据存储格式与目标草图序列参数的数据存储格式不同,其中,建模序列的数据存储格式可以根据待重建的点云数据对应的几何模型所采用的建模软件确定的,以使得建模序列可以导入建模软件,通过建模软件重建几何模型。例如,建模软件为CAD,建模序列包括草图数据,在获取到草图序列参数后,可以将草图序列参数转换为草图数据,将草图数据导入CAD,通过CAD重建几何模型。
基于上述草图序列重建模型的训练方法,本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述实施例所述的草图序列重建模型的训练方法中的步骤。
基于上述草图序列重建模型的训练方法,本申请还提供了一种终端设备,如图5所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过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取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (16)
1.一种草图序列重建模型的训练方法,其特征在于,所述的草图序列重建模型的训练方法包括:
获取训练数据集,其中,所述训练数据集包括若干训练点云数据以及各训练点云数据对应的标注草图序列参数以及标注点云边界;
将所述训练点云数据输入预设网络模型,通过预设网络模型确定预测草图序列参数以及预测点云边界;
基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项,并基于所述目标损失项对所述预设网络模型进行优化,以得到草图序列重建模型;
其中,所述获取训练数据集,具体包括:
获取若干实体三维建模序列数据;
对于每个实体三维建模序列数据,将实体三维建模序列数据重构为建模实体;根据所述建模实体确定三维点云模型,将所述三维点云模型投影至预设平面以得到训练点云数据;根据所述训练点云数据确定建模序列隐式场,并基于所述建模序列隐式场确定标注点云边界;将所述实体三维建模序列数据中的草图序列参数向量化以得到标注草图序列参数,以得到一训练数据,其中,所述草图序列参数包括各图元的图元类型和图元属性参数;
将得到的所有训练数据构成的集合作为训练数据集。
2.根据权利要求1所述的草图序列重建模型的训练方法,其特征在于,所述根据所述建模实体确定三维点云模型,将所述三维点云模型投影至预设平面以得到训练点云数据具体包括:
对所述建模实体进行分割,以得到若干拉伸实体;
对于每个拉伸实体,对所述拉伸实体的mesh模型进行采样,以得到所述拉伸实体对应的三维点云模型;
将所述拉伸实体对应的三维点云模型按照拉伸轴投影至草图平面,以得到二维的训练点云数据。
3.根据权利要求1所述的草图序列重建模型的训练方法,其特征在于,所述将所述实体三维建模序列数据中的草图序列参数向量化以得到标注草图序列参数具体包括:
在所述实体三维建模序列数据中选取所述训练点云数据对应的草图序列参数,并读取所述草图序列参数所包括的各图元的图元类型和图元属性参数;
基于各图元的图元类型和图元属性参数构建各图元对应的图元向量,其中,各图元对应的图元向量的向量维度相同;
在各图元中选取一个起始图元,以所述起始图元对应的图元向量为起始向量元素,按照预设顺序将各图元向量按列方向排列以得到初始向量矩阵;
在所述初始向量矩阵的最前向量元素前添加起点指示符,在所述初始向量矩阵的最后向量元素后添加终止指示符,以得到标注草图序列参数。
4.根据权利要求3所述的草图序列重建模型的训练方法,其特征在于,所述基于各图元的图元类型和图元属性参数构建各图元对应的图元向量具体包括:
将各图元的图元类型和图元属性参数按照预设格式转换为初始图元向量;
对于各初始图元向量中无对应参数信息的元素位置,采用预设数值进行弥补以得到各图像的图元向量。
5.根据权利要求4所述的草图序列重建模型的训练方法,其特征在于,所述预设格式包括图元类型对应的参数信息、图元位置参数对应的参数信息、圆弧中点参数对应的参数信息和圆半径参数对应的参数信息。
6.根据权利要求1所述的草图序列重建模型的训练方法,其特征在于,所述预设网络模型包括骨干点云编码器、骨干点云解码器、Transformer编码器和Transformer解码器,所述骨干点云编码器分别与所述骨干点云解码器和Transformer编码器相连接,所述Transformer编码器和所述Transformer解码器相连接,其中,所述Transformer解码器用于确定预测草图序列参数,所述骨干点云解码器用于确定预测点云边界。
7.根据权利要求6所述的草图序列重建模型的训练方法,其特征在于,所述预测草图序列参数包括所述Transformer解码器的输出层输出的预测草图序列参数以及所述Transformer解码器中的至少一个中间层输出的预测草图序列参数。
8.根据权利要求1所述的草图序列重建模型的训练方法,其特征在于,所述基于所述预测草图序列参数、所述预测点云边界、所述标注草图序列参数以及所述标注点云边界确定目标损失项具体包括:
基于预测草图序列参数和所述标注草图序列参数确定序列参数损失项;
基于所述预测点云边界和所述标注点云边界确定分割损失项;
基于所述序列参数损失项和所述分割损失项,确定目标损失项。
9.根据权利要求8所述的草图序列重建模型的训练方法,其特征在于,所述标注草图序列参数包括图元类型和图元属性参数,所述基于预测草图序列参数和所述标注草图序列参数确定序列参数损失项具体包括:
对于预测草图序列参数中的每个预测草图序列参数,计算所述预测草图序列参数中的预测图元类型和所述标注草图序列参数中的图元类型的类型损失项,以及所述预测草图序列参数中的预测图元属性参数和所述标注草图序列参数中的标注图元属性参数的参数损失项;
根据计算的类型损失项和参数损失项,确定序列参数损失项。
10.根据权利要求1-9任意一项所述的草图序列重建模型的训练方法,其特征在于,在将所述训练点云数据输入预设网络模型,通过预设网络模型确定预测草图序列参数以及预测点云边界的过程中,所述方法还包括:
对所述训练点云数据的标注草图序列参数执行添加噪声操作,以得到噪声标注草图序列参数;
将所述噪声标注草图序列参数输入所述预设网络模型中,通过所述预设网络模型输出去噪标注草图序列参数。
11.根据权利要求10所述的草图序列重建模型的训练方法,其特征在于,所述目标损失项包括去噪损失项,所述去噪损失项为基于所述去噪标注草图序列参数和所述训练点云数据对应的标注草图序列参数确定的。
12.一种几何模型重建方法,其特征在于,应用基于如权利要求1-11任意一项所述的草图序列重建模型的训练方法所得到的草图序列重建模型,所述的几何模型重建方法包括:
获取待重建的点云数据;
将所述待重建的点云数据输入所述草图序列重建模型,通过所述草图序列重建模型输出所述待重建的点云数据对应的草图序列参数和边界点云;
基于所述草图序列参数和所述边界点云,构建所述点云数据对应的几何模型。
13.根据权利要求12所述的几何模型重建方法,其特征在于,所述基于所述草图序列参数和所述边界点云,构建所述点云数据对应的几何模型具体包括:
以所述边界点云为隐式场网格点,对所述草图序列参数进行修正以得到目标草图序列参数;
将所述目标草图序列参数转换为建模序列,并将所述建模序列导入建模软件以得到点云数据对应的几何模型。
14.根据权利要求12所述的几何模型重建方法,其特征在于,在获取待重建的点云数据之后,还包括对所述待重建的点云数据进行的预处理过程,其中,所述预处理过程具体包括:
获取所述待重建的点云数据的最小坐标值和最大绝对值坐标值;
将所述待重建的点云数据中各点云坐标减去所述最小坐标值后,再除以所述最大绝对值坐标值,以得到各点云的调整坐标;
将各点云的调整坐标减去所述待重建的点云数据的点云中心,以得各点云的预处理后的点云坐标。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-11任意一项所述的草图序列重建模型的训练方法中的步骤,和/或以实现如权利要求12-14任意一项所述的几何模型重建方法的方法中的步骤。
16.一种终端设备,其特征在于,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如权利要求1-11任意一项所述的草图序列重建模型的训练方法中的步骤,和/或实现如权利要求12-14任意一项所述的几何模型重建方法的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179959.XA CN117725966B (zh) | 2024-02-18 | 2024-02-18 | 草图序列重建模型的训练方法、几何模型重建方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179959.XA CN117725966B (zh) | 2024-02-18 | 2024-02-18 | 草图序列重建模型的训练方法、几何模型重建方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117725966A CN117725966A (zh) | 2024-03-19 |
CN117725966B true CN117725966B (zh) | 2024-06-11 |
Family
ID=90211103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410179959.XA Active CN117725966B (zh) | 2024-02-18 | 2024-02-18 | 草图序列重建模型的训练方法、几何模型重建方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725966B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117935291B (zh) * | 2024-03-22 | 2024-06-11 | 粤港澳大湾区数字经济研究院(福田) | 草图生成模型的训练方法、草图生成方法、终端及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622479A (zh) * | 2012-03-02 | 2012-08-01 | 浙江大学 | 一种基于三维草图的逆向工程cad建模方法 |
CN115965833A (zh) * | 2022-12-26 | 2023-04-14 | 中山大学·深圳 | 点云序列识别模型的训练、识别方法、装置、设备及介质 |
CN116721207A (zh) * | 2023-05-30 | 2023-09-08 | 中国科学院深圳先进技术研究院 | 基于Transformer模型的三维重建方法、装置、设备及存储介质 |
CN116863091A (zh) * | 2023-06-30 | 2023-10-10 | 中水珠江规划勘测设计有限公司 | 土石坝三维模型创建及工程量提取方法、装置 |
CN117058384A (zh) * | 2023-08-22 | 2023-11-14 | 山东大学 | 一种三维点云语义分割的方法及*** |
CN117150664A (zh) * | 2023-07-25 | 2023-12-01 | 北京航空航天大学 | Cad模型解析方法、装置、设备和存储介质 |
CN117454495A (zh) * | 2023-12-25 | 2024-01-26 | 北京飞渡科技股份有限公司 | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4200739A1 (en) * | 2020-08-20 | 2023-06-28 | Siemens Industry Software Inc. | Method and system for providing a three-dimensional computer aided-design (cad) model in a cad environment |
EP4092558A1 (en) * | 2021-05-21 | 2022-11-23 | Dassault Systèmes | Parameterization of cad model |
-
2024
- 2024-02-18 CN CN202410179959.XA patent/CN117725966B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622479A (zh) * | 2012-03-02 | 2012-08-01 | 浙江大学 | 一种基于三维草图的逆向工程cad建模方法 |
CN115965833A (zh) * | 2022-12-26 | 2023-04-14 | 中山大学·深圳 | 点云序列识别模型的训练、识别方法、装置、设备及介质 |
CN116721207A (zh) * | 2023-05-30 | 2023-09-08 | 中国科学院深圳先进技术研究院 | 基于Transformer模型的三维重建方法、装置、设备及存储介质 |
CN116863091A (zh) * | 2023-06-30 | 2023-10-10 | 中水珠江规划勘测设计有限公司 | 土石坝三维模型创建及工程量提取方法、装置 |
CN117150664A (zh) * | 2023-07-25 | 2023-12-01 | 北京航空航天大学 | Cad模型解析方法、装置、设备和存储介质 |
CN117058384A (zh) * | 2023-08-22 | 2023-11-14 | 山东大学 | 一种三维点云语义分割的方法及*** |
CN117454495A (zh) * | 2023-12-25 | 2024-01-26 | 北京飞渡科技股份有限公司 | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 |
Non-Patent Citations (2)
Title |
---|
Point2CAD: Reverse Engineering CAD Models from 3D Point Clouds;Yujia Liu et al.;《arXiv:2312.04962v1》;20231207;第1-12页 * |
建筑点云几何模型重建方法研究进展;杜建丽 等;《遥感学报》;20190331;第23卷(第3期);第374-391页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117725966A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111627065B (zh) | 一种视觉定位方法及装置、存储介质 | |
CN117725966B (zh) | 草图序列重建模型的训练方法、几何模型重建方法及设备 | |
JP7194685B2 (ja) | 八分木に基づく畳み込みニューラルネットワーク | |
CN113705588A (zh) | 基于卷积自注意力模块的孪生网络目标跟踪方法与*** | |
CN113706686B (zh) | 一种三维点云重建结果补全方法及相关组件 | |
CN111476719A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
KR102305230B1 (ko) | 객체 경계정보의 정확도 개선방법 및 장치 | |
CN112132739A (zh) | 3d重建以及人脸姿态归一化方法、装置、存储介质及设备 | |
CN113222964B (zh) | 一种冠脉中心线提取模型的生成方法及装置 | |
CN116152611B (zh) | 一种多级多尺度点云补全方法、***、设备及存储介质 | |
CN111707262B (zh) | 基于最近点向量投影的点云匹配方法、介质、终端和装置 | |
CN116543388B (zh) | 一种基于语义引导信息的条件式图像生成方法及相关装置 | |
CN115908908A (zh) | 基于图注意力网络的遥感图像聚集型目标识别方法及装置 | |
CN111241326B (zh) | 基于注意力金字塔图网络的图像视觉关系指代定位方法 | |
CN114638866A (zh) | 一种基于局部特征学习的点云配准方法及*** | |
CN112825199A (zh) | 碰撞检测方法、装置、设备及存储介质 | |
CN117709210A (zh) | 约束推断模型训练、约束推断方法、组件、终端及介质 | |
CN116912296A (zh) | 一种基于位置增强注意力机制的点云配准方法 | |
CN116597071A (zh) | 一种基于可学习的k临近点采样的缺陷点云数据重建方法 | |
CN115222947B (zh) | 基于全局自注意力变换网络的岩石节理分割方法和装置 | |
CN116110102A (zh) | 基于辅助热力图的人脸关键点检测方法及*** | |
CN112837420B (zh) | 基于多尺度和折叠结构的兵马俑点云的形状补全方法及*** | |
CN111860824A (zh) | 一种数据处理方法及相关产品 | |
CN114842153A (zh) | 从单幅二维线框图重建三维模型的方法、装置和电子设备 | |
CN113920466A (zh) | 先验空间的生成方法、装置、计算机设备和存储介质 |
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 |