CN118070434A - 一种汽车零部件的工艺信息模型构建方法及*** - Google Patents
一种汽车零部件的工艺信息模型构建方法及*** Download PDFInfo
- Publication number
- CN118070434A CN118070434A CN202410480973.3A CN202410480973A CN118070434A CN 118070434 A CN118070434 A CN 118070434A CN 202410480973 A CN202410480973 A CN 202410480973A CN 118070434 A CN118070434 A CN 118070434A
- Authority
- CN
- China
- Prior art keywords
- point
- pixel
- gradient
- points
- pixel point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 198
- 238000012545 processing Methods 0.000 claims abstract description 112
- 238000003754 machining Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 110
- 239000013598 vector Substances 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000005764 inhibitory process Effects 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 43
- 238000011960 computer-aided design Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 10
- 238000003708 edge detection Methods 0.000 description 8
- 238000013439 planning Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010146 3D printing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003698 laser cutting Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241000984642 Cura Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本申请提供一种汽车零部件的工艺信息模型构建方法及***。其中，对汽车零部件进行3D扫描，以获取所述汽车零部件的三角网络模型，并基于所述三角网络模型获取对应的几何信息；对所述汽车零部件进行切片，生成切片数据；根据所述汽车零部件的几何信息以及所述切片数据，构建工艺信息模型，所述工艺信息模型至少包括所述汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹；将所述工艺信息模型导出为CAM程序，以用于所述汽车零部件的数控加工。本申请提供的技术方案能够提高所构建的工艺信息模型的精度及可靠性。
Description
技术领域
本申请实施例涉及计算机图像处理技术领域，尤其涉及一种汽车零部件的工艺信息模型构建方法及***。
背景技术
汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹等信息构成了汽车零部件的工艺信息模型。这些信息对于汽车零部件的加工生产过程至关重要，因为它们直接影响到加工过程的效率和质量。
目前，汽车零部件的工艺信息模型主要是基于计算机辅助设计（CAD）和计算机辅助制造（CAM）技术实现的。其中，CAD技术用于构建汽车零部件的三维模型，而CAM技术则用于将工艺信息模型转化为数控加工程序，实现数控加工。
在现有的汽车零部件的工艺信息模型构建方法中，一般采用基于CAD模型的切片技术，将CAD模型切片后，提取出每个切片的轮廓信息，进而生成汽车零部件的工艺信息模型。这种方法的缺点是，由于CAD模型通常是由曲面或NURBS表示的，因此其表达能力和准确度有限，无法精确地反映汽车零部件的实际几何形态，从而影响工艺信息模型的精度和可靠性。
发明内容
本申请实施例提供一种汽车零部件的工艺信息模型构建方法及***，用以解决现有技术中所构建的工艺信息模型的精度差的问题。
第一方面，本申请实施例中提供了一种汽车零部件的工艺信息模型构建方法，包括：
对汽车零部件进行3D扫描，以获取所述汽车零部件的三角网络模型，并基于所述三角网络模型获取对应的几何信息；
对所述汽车零部件进行切片，生成切片数据；
根据所述汽车零部件的几何信息以及所述切片数据，构建工艺信息模型，所述工艺信息模型至少包括所述汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹；
将所述工艺信息模型导出为CAM程序，以用于所述汽车零部件的数控加工。
可选地，所述对汽车零部件进行3D扫描，获取所述汽车零部件的三角网络模型，包括：
对汽车零部件进行多次拍摄，并将拍摄得到的多张图像进行特征提取，以获取每个所述图像中的多个特征点，所述特征点至少包括坐标、尺度及方向；
针对多个图像中的第一图像中的每个所述特征点，通过最近邻的特征匹配算法确定在第二图像中的最近特征点，并对所述特征点及对应的所述最近特征点进行匹配，若所述特征点与所述最近特征点之间的距离小于预设倍数的所述特征点与次近特征点之间的距离，则认为所述特征点与所述最近特征点之间成功匹配，并将所述特征点和对应的所述最近特征点确定为匹配点对，其中，所述第一图像为多个图像中的任一图像，所述第二图像为多个图像中除所述第一图像之外的其他任一图像；
选择预设数量个成功匹配的所述匹配点对，并针对每个所述匹配点对，获取每个所述匹配点对在所述第一图像上的齐次坐标以及在所述第二图像上的齐次坐标，并基于所述第一图像上的齐次坐标以及在所述第二图像上的齐次坐标，构建约束方程，所述约束方程中至少包括单应性矩阵和基础矩阵；
分别获取单应性矩阵和基础矩阵的估计结果，并利用基础矩阵和单应性矩阵的估计结果以及对应的所述匹配点对，建立三角网络模型。
可选地，获取单应性矩阵的估计结果，包括：
针对每个所述匹配点对，将所述匹配点对中的匹配点的二维坐标点转换为齐次坐标形式[x',y',1]，并将所述匹配点对中的匹配点的三维点/>归一化为单位向量/>，其中/>，/>，/>；
将所述单应性矩阵H中的元素按照SVD分解的形式表示为，其中U和V是正交矩阵，S是对角矩阵；
通过公式：将所述匹配点对中的匹配点的齐次坐标点/>与单应性矩阵H相乘，以获取重投影结果P'；
通过公式：，将所述匹配点对中的匹配点的单位向量/>与单应性矩阵H相乘，以获取归一化三维点P；
通过公式：，对所述重投影结果P'进行归一化处理，得到重投影点的第一二维坐标，其中，/>表示为重投影点的第一二维坐标，P'(1)、P'(2)分别表示归一化三维点P在重投影后的二维坐标值，P'(3)表示归一化三维点P的第三个维度坐标值；通过公式：/>，对所述归一化三维点P进行归一化处理，得到重投影点的第二二维坐标，其中，/>表示为重投影点的第二二维坐标，P(1)、P(2)分别表示归一化三维点P在/>轴上的坐标值，P(4)表示归一化三维点P的第四个维度坐标值；
通过公式：，基于所述重投影点的第一二维坐标及重投影点的第二二维坐标，计算重投影误差，并基于所述重投影误差计算出单应性矩阵的估计结果，其中，E表示为重投影误差。
可选地，获取基础矩阵的估计结果，包括：
针对每个所述匹配点对和/>，根据极线约束，确定方程式：，其中，F是基础矩阵；
将所述方程式重写为：；
将基础矩阵F展开为的矩阵形式：/>
基于所述矩阵形式，将方程重写为：
；
获取所有的所述匹配点对的重写方程，以得到超定方程组：，其中，A表示是一个/>的矩阵，m是匹配点对的数量，/>是9维向量，且包含基础矩阵的参数；
通过公式：，基于最小二乘法求解所述超定方程组，以获取到参数向量/>，其中/>表示向量的范数；
基于参数向量，构建基础矩阵F，并对F进行额外的约束，以确定出基础矩阵的估计结果。
可选地，所述对汽车零部件进行切片，生成切片数据，包括：
对所述汽车零部件进行切片处理，以获取切片图像；
计算每个所述切片图像中每个像素点的梯度幅值和梯度方向角度，以确定所述像素点是否为边缘点，并在所述像素点及所述像素点的相邻像素点均为边缘点的情况下，通过非极大值抑制，基于所述像素点及所述像素点的相邻像素点的梯度幅值和梯度方向角度，确定出局部梯度最大的像素点，并将所述局部梯度最大的像素点确定为边缘点；或者，计算每个所述切片图像中每个像素点周围像素的梯度幅值的均值和标准差，以得到局部特性，并根据所述局部特性动态调整高阈值和低阈值，以确定通过所述局部特性确定的像素点是否为边缘点；
使用自适应阈值进行双阈值分割，将所确定的边缘点划分为强边缘点、弱边缘点和非边缘点中的一项；
对所述弱边缘点进行边缘连接，将所述弱边缘点连接到强边缘点上，以得到完整边缘；
基于所述完整边缘，生成所述汽车零部件的切片数据。
可选地，所述计算每个所述切片图像中每个像素点的梯度幅值和梯度方向角度，以确定所述像素点是否为边缘点，并在所述像素点及所述像素点的相邻像素点均为边缘点的情况下，通过非极大值抑制，基于所述像素点及所述像素点的相邻像素点的梯度幅值和梯度方向角度，确定出局部梯度最大的像素点，并将所述局部梯度最大的像素点确定为边缘点，包括：
通过公式：，计算每个所述切片图像中每个像素点的梯度幅值和梯度方向角度，其中，G(i,j)表示为所述切片图像中每个像素点(i,j)的梯度幅值，Gx(i,j)表示为像素点(i,j)处水平方向的梯度幅值，Gy(i,j)表示为像素点(i,j)处垂直方向的梯度幅值；θ(i,j)表示为所述切片图像中每个像素点(i,j)的梯度方向角度，arctan表示为反正切函数，用于计算Gy(i,j)和Gx(i,j)之间的夹角；
方向的梯度幅值通过公式：，将梯度方向角度量化为水平、垂直和两个对角线方向；
通过公式：，针对每个像素点，比较所述像素点在梯度方向角度上的两个相邻像素点的梯度幅值，若所述像素点的梯度幅值不是两个相邻像素点的梯度幅值中的最大值，则将所述像素点处的梯度幅值设为0，直到所有像素点的梯度幅值都被处理完毕，以获取局部梯度最大的像素点，并将所述局部梯度最大的像素点确定为边缘点，其中，G(i,j-1)及G(i,j+1)表示像素点(i,j)在梯度方向角度上的两个相邻像素点的梯度幅值；
所述计算每个所述切片图像中每个像素点周围像素的梯度幅值的均值和标准差，以得到局部特性，并基于所述局部特性确定所述像素点是否为边缘点，包括：
通过公式：，计算每个所述切片图像中每个像素点周围像素的梯度幅值的均值mean(i,j)和标准差std(i,j)，以得到局部特性，其中，mean(i,j)表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的均值，std(i,j)表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的标准差，/>表示像素点/>处的梯度幅值，/>表示为循环变量，取值范围为-1到1，用于遍历3x3的滤波窗口；
通过公式：，根据所述局部特性动态调整高阈值和低阈值，以确定通过所述局部特性确定的像素点是否为边缘点，其中，/>表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的高阈值，表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的低阈值。
可选地，所述使用自适应阈值进行双阈值分割，将所确定的边缘点划分为强边缘点、弱边缘点和非边缘点中的一项，包括：
通过公式：，使用自适应阈值进行双阈值分割，将所确定的边缘点划分为强边缘点、弱边缘点和非边缘点中的一项，其中，/>表示为若像素点(i,j)的梯度幅值G(i,j)大于或者等于像素点(i,j)对应的高阈值，则将像素点(i,j)确定为强边缘点；表示为若像素点(i,j)的梯度幅值G(i,j)大于或者等于像素点(i,j)对应的低阈值且小于像素点(i,j)对应的高阈值，则将像素点(i,j)确定为弱边缘点；/>表示为若像素点(i,j)的梯度幅值G(i,j)小于像素点(i,j)对应的低阈值，则将像素点(i,j)确定为非边缘点。
第二方面，本申请实施例提供了一种汽车零部件的工艺信息模型构建***，该***包括：
获取模块，用于对汽车零部件进行3D扫描，以获取所述汽车零部件的三角网络模型，并基于所述三角网络模型获取对应的几何信息；
生成模块，用于对所述汽车零部件进行切片，生成切片数据；
构建模块，用于根据所述汽车零部件的几何信息以及所述切片数据，构建工艺信息模型，所述工艺信息模型至少包括所述汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹；
处理模块，用于将所述工艺信息模型导出为CAM程序，以用于所述汽车零部件的数控加工。
第三方面，本申请实施例提供了一种计算设备，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如上述第一方面所述的汽车零部件的工艺信息模型构建方法。
第四方面，本申请实施例提供了一种计算机存储介质，存储有计算机程序，所述计算程序被计算机执行时，实现如上述第一方面所述的汽车零部件的工艺信息模型构建方法。
本申请实施例中，对汽车零部件进行3D扫描，以获取所述汽车零部件的三角网络模型，并基于所述三角网络模型获取对应的几何信息；对所述汽车零部件进行切片，生成切片数据；根据所述汽车零部件的几何信息以及所述切片数据，构建工艺信息模型，所述工艺信息模型至少包括所述汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹；将所述工艺信息模型导出为CAM程序，以用于所述汽车零部件的数控加工。
本申请方法的有益效果包括：
提高几何信息的准确性：通过对汽车零部件进行3D扫描获取三角网络模型，可以更准确地获取汽车零部件的几何信息，避免了基于CAD模型切片技术的准确性限制，提高了工艺信息模型的准确性。
提高加工效率：通过对汽车零部件进行切片并生成切片数据，可以将汽车零部件分割为多个切片，有利于工艺规划和路径生成，提高了加工效率。
降低人工干预：根据汽车零部件的几何信息和切片数据构建工艺信息模型，可以减少复杂的后处理和手工调整，降低人工干预，提高生产效率。
适应个性化生产需求：将工艺信息模型导出为CAM程序，可以实现定制化的数控加工，适应个性化生产需求，提高生产灵活性。
提高生产质量：工艺信息模型包括加工工艺参数、加工路径、加工顺序、工具轨迹等信息，帮助实现精准加工，提高生产质量和产品一致性。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
图1为本申请实施例提供的一种汽车零部件的工艺信息模型构建方法一个实施例的流程图；
图2为本申请实施例提供的一种汽车零部件的工艺信息模型构建方法另一个实施例的流程图；
图3为本申请实施例提供的一种汽车零部件的工艺信息模型构建***的结构示意图；
图4为本申请实施例提供的一种计算设备结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
本申请实施例的技术方案主要应用于的场景包括：汽车零部件的生产制造过程。在汽车制造过程中，需要大量的汽车零部件进行加工生产，而这些零部件的几何形态复杂且精度要求高，因此需要精确的工艺信息模型来指导加工生产过程。
具体场景可以包括以下几个方面：
汽车零部件设计与制造：在汽车零部件的设计阶段，需要对零部件进行3D扫描，获取三角网络模型并提取几何信息，然后进行切片处理生成切片数据。在制造阶段，根据零部件的几何信息和切片数据构建工艺信息模型，包括加工工艺参数、加工路径、加工顺序、工具轨迹等信息，最后将工艺信息模型导出为计算机辅助制造（Computer-AidedManufacturing，CAM）程序（以下简称CAM程序），用于数控加工。
汽车零部件定制生产：对于某些特殊要求的汽车零部件，可以根据客户需求进行个性化定制生产。通过本申请方法，可以快速获取零部件的几何信息，构建相应的工艺信息模型，并导出CAM程序，实现定制化的数控加工。
精密零部件加工：对于需要高精度加工的汽车零部件，本申请方法可以提供精确的工艺信息模型，帮助指导加工过程，确保零部件的几何形态和质量满足要求。
总之，本申请所运用的场景主要是在汽车零部件的设计、制造和定制生产过程中，通过精确的工艺信息模型指导加工过程，提高生产效率和质量。
发明人研究发现，目前，汽车零部件的工艺信息模型主要是基于计算机辅助设计（Computer-Aided Design，CAD）和CAM技术实现的。其中，CAD技术用于构建汽车零部件的三维模型，而CAM技术则用于将工艺信息模型转化为数控加工程序，实现数控加工。
在现有的汽车零部件的工艺信息模型构建方法中，一般采用基于CAD模型的切片技术，将CAD模型切片后，提取出每个切片的轮廓信息，进而生成汽车零部件的工艺信息模型。这种方法的缺点是，由于CAD模型通常是由曲面或非均匀有理B样条曲线（Non-UniformRational B-Spline，NURBS）表示的，因此其表达能力和准确度有限，无法精确地反映汽车零部件的实际几何形态，从而影响工艺信息模型的精度和可靠性。
现有汽车零部件的工艺信息模型构建方法存在一些问题。首先，基于CAD模型的切片技术无法精确地反映汽车零部件的实际几何形态，影响了工艺信息模型的精度和可靠性。其次，现有方法常常需要进行复杂的后处理和手工调整，增加了加工生产时间和成本。最后，现有方法通常不能满足快速定制和个性化生产的需求，难以适应汽车行业的快速发展和变化。
鉴于此，本申请实施例提供了一种汽车零部件的工艺信息模型构建方法，该方法包括：对汽车零部件进行3D扫描，以获取所述汽车零部件的三角网络模型，并基于所述三角网络模型获取对应的几何信息；对所述汽车零部件进行切片，生成切片数据；根据所述汽车零部件的几何信息以及所述切片数据，构建工艺信息模型，所述工艺信息模型至少包括所述汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹；将所述工艺信息模型导出为CAM程序，以用于所述汽车零部件的数控加工。本申请实施例提供的技术方案能够提高所构建的工艺信息模型的精度及可靠性。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种汽车零部件的工艺信息模型构建方法的流程图，如图1所述，该方法执行主体可以是计算机或数字化生产***。具体来说，执行主体可以是以下几种形式之一：
计算机软件：可以设计开发专门的软件程序，通过该软件程序实现汽车零部件的工艺信息模型构建方法。软件程序可以包括实现汽车零部件的3D扫描、切片处理、工艺信息模型构建和CAM程序导出等功能模块，用户可以通过操作软件界面完成整个流程。
数字化生产***：数字化生产***是指整合了CAD/CAM等数字化技术的生产***，可以实现从设计到制造的全过程数字化管理。在数字化生产***中，可以集成本申请提供的汽车零部件的工艺信息模型构建方法，实现自动化的加工工艺规划和路径生成。
专用设备：某些汽车制造企业可能会开发专门的数字化加工设备，这些设备可以直接集成汽车零部件的工艺信息模型构建方法，实现自动化的加工流程。
总的来说，汽车零部件的工艺信息模型构建方法的执行主体可以是计算机软件、数字化生产***或专用设备，通过这些执行主体的支持，可以实现汽车零部件的工艺信息模型的快速构建和数控加工。
该方法包括：
101、对汽车零部件进行3D扫描，以获取所述汽车零部件的三角网络模型，并基于所述三角网络模型获取对应的几何信息；
在该步骤中，步骤101是指利用3D扫描技术对汽车零部件进行扫描，获取其表面的点云数据，然后将点云数据转换为三角网格模型，即以大量的三角形构成的表面模型。基于这个三角网络模型，可以提取出汽车零部件的几何信息，如尺寸、形状、曲率等，为后续的工艺规划、制造和质量控制提供依据。
本申请实施例中，选择适合的3D扫描设备，如激光扫描仪或结构光扫描仪，对汽车零部件进行扫描。获取汽车零部件表面的点云数据，通过数据处理软件进行处理，进行数据清洗、去噪、配准等操作，生成三角网格模型。基于三角网格模型，利用计算机辅助设计软件或几何处理软件，提取所需的几何信息，如点的坐标、线的长度、面的面积等。将提取出的几何信息用于工艺规划，如确定加工路径、模具设计、数控编程等，以实现对汽车零部件的精确加工和制造。
通过以上实施例，可以有效地利用3D技术获取汽车零部件的几何信息，并在制造过程中提高生产效率和产品质量。
102、对所述汽车零部件进行切片，生成切片数据；
在该步骤中，步骤102是指将汽车零部件的三维模型进行切割，生成一系列平面切片，并将每个切片转换为二维图像数据，即切片数据。这个过程也称为切片分层或切片划分，是数字化制造中的重要环节。通过切片数据，可以进行数控加工、3D打印、模具制造等工艺过程。
需要说明的是，汽车零部件的三维模型与三角网络模型并不相同。汽车零部件的三维模型和三角网络模型是在计算机辅助设计（CAD）和计算机图形学领域中常见的两种表示形式，它们之间的区别如下：
三维模型（Solid Model）：三维模型是一种几何实体的精确表示，包括了实体的几何形状、尺寸、位置和属性等信息。三维模型通常由数学方程或参数化表示，能够精确地描述物体的几何特征和结构。在汽车设计中，三维模型通常用于设计和工程分析，能够提供准确的尺寸和形状信息。
三角网络模型（Polygon Mesh Model）：三角网络模型是由许多连接在一起的三角形构成的表面网格模型，它是一种表面逼真但不精确的表示形式。三角网络模型通常用于计算机图形学中的渲染和动画，能够提供逼真的外观效果。在汽车设计中，三角网络模型通常用于可视化和展示，但不适用于工程分析和制造。
总的来说，三维模型更适合用于设计和工程分析，而三角网络模型更适合用于可视化和展示。在实际应用中，这两种表示形式通常会相互转换和结合，以满足不同的需求。
本申请实施例中，选择适合的切片软件，如Slic3r、Cura等，打开汽车零部件的三维模型。在切片软件中设置切片参数，包括层高、填充密度、支撑结构等，然后进行切片操作。切片软件将汽车零部件的三维模型进行切割，生成一系列平面切片，并将每个切片转换为二维图像数据，即切片数据。切片数据可以用于数控加工、3D打印等工艺过程，如使用数控加工设备按照切片数据进行加工，或使用3D打印机逐层打印，最终制造出符合要求的汽车零部件。
通过以上实施例，可以将汽车零部件的三维模型转换为切片数据，实现数字化制造，并在制造过程中提高生产效率和产品质量。
103、根据所述汽车零部件的几何信息以及所述切片数据，构建工艺信息模型，所述工艺信息模型至少包括所述汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹；
在该步骤中，步骤103是指根据汽车零部件的几何信息和切片数据，构建工艺信息模型。工艺信息模型包括汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹等信息。通过工艺信息模型，可以实现对汽车零部件的加工过程进行规划和控制，确保加工质量和效率。
本申请实施例中，获取汽车零部件的几何信息和切片数据，包括尺寸、形状、切片厚度等。根据汽车零部件的几何信息和切片数据，确定加工工艺参数，如切削速度、进给速度、切削深度等。设计加工路径，即确定工具在汽车零部件表面的运动轨迹，以确保完整加工整个零件。确定加工顺序，即确定零部件加工的先后顺序，使加工过程顺利进行。根据工艺参数、加工路径、加工顺序等信息，生成工具轨迹，即工具在加工过程中的实际运动路径。
通过以上实施例，可以根据汽车零部件的几何信息和切片数据构建工艺信息模型，为汽车零部件的加工过程提供指导和控制，以确保加工质量和效率。
104、将所述工艺信息模型导出为CAM程序，以用于所述汽车零部件的数控加工。
在该步骤中，步骤104是指将构建的工艺信息模型导出为CAM（计算机辅助制造）程序，以用于汽车零部件的数控加工。CAM程序可以将工艺信息模型中的加工路径、加工顺序、工具轨迹等信息转换为数控机床能够理解和执行的指令，实现汽车零部件的自动化加工。
本申请实施例中，在CAM软件中导入构建的工艺信息模型，包括汽车零部件的几何信息、切片数据、加工工艺参数、加工路径等。在CAM软件中设置数控机床的参数，如工件坐标系、刀具补偿、进给速度等。根据工艺信息模型生成数控加工程序，即将加工路径、加工顺序、工具轨迹等信息转换为数控机床的指令代码，如G代码、M代码等。通过CAM软件将生成的数控加工程序导出为适合数控机床执行的格式，如ISO标准格式。将导出的CAM程序传输到数控机床上，通过数控***加载并执行，实现对汽车零部件的自动化加工。
通过以上实施例，可以将构建的工艺信息模型导出为CAM程序，用于汽车零部件的数控加工。CAM程序可以实现对加工过程的自动化控制和执行，提高加工效率和精度。
可选地，本申请实施例中，为进一步提高所获取的汽车零部件对应的三角网络模型的精度，本申请提供了一种具体实现方案，如图2所示，即步骤101“所述对汽车零部件进行3D扫描，获取所述汽车零部件的三角网络模型”可具体包括：
1011、对汽车零部件进行多次拍摄，并将拍摄得到的多张图像进行特征提取，以获取每个所述图像中的多个特征点，所述特征点至少包括坐标、尺度及方向；
在该步骤中，多次拍摄：指对于同一个汽车零部件，进行多次拍摄，以获得不同角度、不同光照条件下的多张图像。
特征提取：指从每张图像中提取出一些特殊的、具有代表性的、不易受光照、视角等因素影响的点。
特征点：指从图像中提取出来的具有代表性的、比较稳定的点，可以用于后续的匹配、矫正等操作。
坐标：指特征点在图像上的位置，常用像素坐标表示。
尺度：指特征点的大小，通常用特征点周围像素的方差表示。
方向：指特征点的主方向，通常用特征点周围像素的梯度方向角度表示。
本申请实施例中，对于汽车零部件的多次拍摄，可以使用相机或扫描仪等设备，拍摄得到多张图像。对于每张图像，可以使用SIFT（尺度不变特征变换）算法进行特征提取，提取出其中的特征点，并记录它们的坐标、尺度和方向等信息。对于每个特征点，可以将其在图像上用一个小圆圈进行标记，以便人工检验特征点的正确性。可以将拍摄得到的多张图像及其对应的特征点保存为一个数据集，供后续的计算机视觉任务使用。
1012、针对多个图像中的第一图像中的每个所述特征点，通过最近邻的特征匹配算法确定在第二图像中的最近特征点，并对所述特征点及对应的所述最近特征点进行匹配，若所述特征点与所述最近特征点之间的距离小于预设倍数的所述特征点与次近特征点之间的距离，则认为所述特征点与所述最近特征点之间成功匹配，并将所述特征点和对应的所述最近特征点确定为匹配点对，其中，所述第一图像为多个图像中的任一图像，所述第二图像为多个图像中除所述第一图像之外的其他任一图像；
在该步骤中，最近邻的特征匹配算法：指在第一张图像中的每个特征点，在第二张图像中寻找最近的特征点，并对特征点及对应的最近特征点进行匹配的算法。
特征点匹配：指将第一张图像中的特征点与第二张图像中的最近特征点进行匹配的过程。
匹配点对：指第一张图像中的每个特征点及其在第二张图像中的最近特征点，构成的一组匹配点。
本申请实施例中，针对多个图像中的第一张图像中的每个特征点，在第二张图像中使用最近邻的特征匹配算法，寻找最近的特征点，并对特征点及对应的最近特征点进行匹配。对于每个特征点，可以计算其与最近特征点之间的距离，并计算其与次近特征点之间的距离。如果特征点与最近特征点之间的距离小于预设倍数的特征点与次近特征点之间的距离，则认为特征点与最近特征点之间成功匹配，并将特征点和对应的最近特征点确定为匹配点对。可以将成功匹配的匹配点对保存为一个数据集，供后续的计算机视觉任务使用。
1013、选择预设数量个成功匹配的所述匹配点对，并针对每个所述匹配点对，获取每个所述匹配点对在所述第一图像上的齐次坐标以及在所述第二图像上的齐次坐标，并基于所述第一图像上的齐次坐标以及在所述第二图像上的齐次坐标，构建约束方程，所述约束方程中至少包括单应性矩阵和基础矩阵；
在该步骤中，齐次坐标：一种在计算机视觉领域常用的坐标表示方法，通过引入齐次坐标可以将平移和仿射变换等复杂的变换统一表示为矩阵相乘的形式。
约束方程：由匹配点对的齐次坐标构建的一组方程，用来表示匹配点在不同图像中的关系。
单应性矩阵：描述了两个平面之间的投影关系,在计算机视觉中常用于图像配准和摄像机标定等任务。
基础矩阵：描述了两个视图之间的几何关系，用于立体视觉中的立体匹配和三维重建等任务。
本申请实施例中，选择预设数量个成功匹配的匹配点对，例如选择10对匹配点对。对于每个匹配点对，获取在第一张图像上的齐次坐标和在第二张图像上的齐次坐标。基于每个匹配点对的齐次坐标，在第一张图像上的齐次坐标为[x1,y1,1]，在第二张图像上的齐次坐标为[x2,y2,1]，构建约束方程。约束方程中至少包括单应性矩阵和基础矩阵，可以通过矩阵运算得到这两个矩阵。可以使用这些约束方程进行图像配准、三维重建等计算机视觉任务。
1014、分别获取单应性矩阵和基础矩阵的估计结果，并利用基础矩阵和单应性矩阵的估计结果以及对应的所述匹配点对，建立三角网络模型。
在该步骤中，单应性矩阵：描述了两个平面之间的投影关系,在计算机视觉中常用于图像配准和摄像机标定等任务。
基础矩阵：描述了两个视图之间的几何关系，用于立体视觉中的立体匹配和三维重建等任务。
匹配点对：指第一张图像中的每个特征点及其在第二张图像中的最近特征点，构成的一组匹配点。
三角网络模型：一种描述三维物体形状的模型，由一组连接在一起的三角形构成。
本申请实施例中，根据所选取的匹配点对，分别使用单应性矩阵和基础矩阵的估计方法，计算出单应性矩阵和基础矩阵的估计结果。利用基础矩阵和单应性矩阵的估计结果，对匹配点对进行三角化，建立三角网络模型。对于每组匹配点对，可以根据单应性矩阵和基础矩阵的估计结果计算出相应的三维坐标。可以将所有匹配点对的三维坐标进行三角网格化，生成三角网络模型。可以使用三角网络模型进行三维重建、形状分析等计算机视觉任务。
需要注意的是，单应性矩阵和基础矩阵的估计结果可能不完全准确，这会影响到三角化的精度和生成的三角网络模型的质量。因此，在实际应用中需要进行精度评估和误差控制。
其中，作为一种可能实现的方案，步骤1014中“获取单应性矩阵的估计结果”，包括：
针对每个所述匹配点对，将所述匹配点对中的匹配点的二维坐标点[x',y']转换为齐次坐标形式[x',y',1]，并将所述匹配点对中的匹配点的三维点[X,Y,Z]归一化为单位向量[x,y,z]，其中，/>，/>；
将所述单应性矩阵H中的元素按照SVD分解的形式表示为，其中U和V是正交矩阵，S是对角矩阵；
通过公式：将所述匹配点对中的匹配点的齐次坐标点与单应性矩阵H相乘，以获取重投影结果；
通过公式：，将所述匹配点对中的匹配点的单位向量[X,Y,Z]与单应性矩阵H相乘，以获取归一化三维点P；
通过公式：，对所述重投影结果P'进行归一化处理，得到重投影点的第一二维坐标，其中，[u',v']表示为重投影点的第一二维坐标，P'(1)、P'(2)分别表示归一化三维点P在重投影后的二维坐标值，P'(3)表示归一化三维点P的第三个维度坐标值；通过公式：/>，对所述归一化三维点P进行归一化处理，得到重投影点的第二二维坐标，其中，[u,v]表示为重投影点的第二二维坐标，P(1)、P(2)分别表示归一化三维点P在x、y轴上的坐标值，P(4)表示归一化三维点P的第四个维度坐标值；
通过公式：，基于所述重投影点的第一二维坐标及重投影点的第二二维坐标，计算重投影误差，并基于所述重投影误差计算出单应性矩阵的估计结果，其中，E表示为重投影误差。
本申请实施例中，假设有一组匹配点对，其中一个对应点的二维坐标为[x',y']=[100,200]，三维点为[X,Y,Z]=[30,40,10]。
将二维坐标和三维点归一化为齐次坐标和单位向量：[x',y',1]=[100,200,1]，[x,y,z]=[30/10,40/10,1]=[3,4,1]
假设单应性矩阵H的SVD分解结果为：H=U*S*V^T；
计算重投影结果P'和归一化三维点P：P'=H*[x',y',1]^T、P=H*[x,y,z]^T；
假设计算结果为：P'=[150,250,1]、P=[6,8,2]；
计算重投影点的第一二维坐标[u',v']和第二维坐标[u,v]：[u',v']=[P'(1)/P'(3),P'(2)/P'(3)]=[150/1,250/1]=[150,250]；[u,v]=[P(1)/P(3),P(2)/P(3)]=[6/2,8/2]=[3,4]；
计算重投影误差E：
E=||[u,v]-[u',v']||^2=||[3,4]-[150,250]||^2=||[-147,-246]||^2=147^2+246^2=21609；
最后根据重投影误差E，使用最小二乘法或RANSAC等方法，计算出单应性矩阵的估计结果。
例如，对于RANSAC方法，可以按照以下步骤进行估计单应性矩阵：
随机选择一定数量的匹配点对，计算出对应的单应性矩阵H。
对于剩余的匹配点对，根据当前的H计算重投影误差。
根据设定的阈值，将重投影误差小于阈值的点对加入内点集合。
重复上述步骤多次，选择具有最大内点数的H作为最终的估计结果。
其中，步骤1014中“获取基础矩阵的估计结果”，包括：
针对每个所述匹配点对和/>，根据极线约束，确定方程式：，其中，F是基础矩阵；
将所述方程式重写为：；
将基础矩阵F展开为的矩阵形式：/>
基于所述矩阵形式，将方程重写为：
；
获取所有的所述匹配点对的重写方程，以得到超定方程组：，其中，A表示是一个/>的矩阵，m是匹配点对的数量，/>是9维向量，且包含基础矩阵的参数；
通过公式：，最小二乘法求解所述超定方程组，以获取到参数向量，其中/>表示向量的范数；
基于参数向量，构建基础矩阵F，并对F进行额外的约束，以确定出基础矩阵的估计结果。
本申请实施例中，假设构建矩阵A包括以下4组匹配点对：
匹配点对1：(x1=2,y1=3),(x2=4,y2=5)
匹配点对2：(x1=1,y1=4),(x2=3,y2=2)
匹配点对3：(x1=3,y1=1),(x2=5,y2=3)
匹配点对4：(x1=4,y1=2),(x2=6,y2=4)
构建矩阵A：A=[[8,15,4,6,15,5,2,3,1],[3,8,3,4,8,2,1,4,1],[15,9,5,3,9,3,3,1,1],[24,12,6,8,12,4,4,2,1]]
使用最小二乘法计算基础矩阵F的估计值：假设我们得到的估计参数向量f为[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9]，则基础矩阵F_est为：F_est=[[0.1,0.2,0.3],[0.4,0.5,0.6],[0.7,0.8,0.9]]
进行额外的约束：假设我们将F_est的最后一个奇异值设为0，重新计算F，得到最终的基础矩阵估计结果。
可选地，本申请实施例中，基于所述三角网络模型获取对应的几何信息的方法如下：
三角测量：通过在三角网络模型中选择三个点，可以进行三角测量来确定这三个点之间的距离和角度关系。这样可以获取几何信息，如线段长度、角度大小等。
三角剖分：对于复杂的几何形状，可以进行三角剖分来将几何形状分解为多个小三角形，从而更容易获取几何信息。
几何计算：利用三角网络模型中的三角形信息，可以进行几何计算，如计算三角形的面积、周长、重心等几何属性。
拓扑关系：通过三角网络模型中的连接关系和邻近关系，可以获取几何对象之间的拓扑关系，如相邻、连通等信息。
总之，基于三角网络模型可以进行三角测量、三角剖分、几何计算和拓扑关系分析等操作来获取对应的几何信息。
可选地，本申请实施例中，为进一步提高所获取切片数据的准确性，本申请提供了一种具体实现方案，即步骤102“所述对汽车零部件进行切片，生成切片数据”可具体包括：
1021、对所述汽车零部件进行切片处理，以获取切片图像；
在该步骤中，这一步骤的目的是将汽车零部件进行切片，得到一系列的切片图像作为输入数据。切片处理可以通过不同的方法实现，例如机械切割、激光切割、电火花加工等。切片的大小和数量可以根据需要进行设置，通常会根据零部件的形状、尺寸和材料等因素进行选择。
本申请实施例中，假设我们需要对一块汽车发动机缸体进行切片处理，得到一系列的切片图像。我们可以使用机械切割的方法，将缸体沿垂直于缸轴线的方向进行切割，得到一系列的切片。切片的大小和间距可以根据需要进行调整，例如我们可以将切片大小设置为50mmx50mmx5mm，切片间距设置为10mm。这样，我们就可以得到一系列大小相同、间距相等的切片图像，作为输入数据进行后续处理。
1022、计算每个所述切片图像中每个像素点的梯度幅值和梯度方向角度，以确定所述像素点是否为边缘点，并在所述像素点及所述像素点的相邻像素点均为边缘点的情况下，通过非极大值抑制，基于所述像素点及所述像素点的相邻像素点的梯度幅值和梯度方向角度，确定出局部梯度最大的像素点，并将所述局部梯度最大的像素点确定为边缘点；或者，计算每个所述切片图像中每个像素点周围像素的梯度幅值的均值和标准差，以得到局部特性，并根据所述局部特性动态调整高阈值和低阈值，以确定通过所述局部特性确定的像素点是否为边缘点；
在该步骤中，通过边缘检测在图像中检测出物体的边缘。本申请提供了两种边缘检测算法，一种是基于梯度的算法，通过计算每个像素点的梯度幅值和梯度方向，来确定像素点是否为边缘点；另一种基于局部特性的算法，通过计算每个像素点周围像素的梯度幅值的均值和标准差，来动态调整高阈值和低阈值，以确定像素点是否为边缘点。
1023、使用自适应阈值进行双阈值分割，将所确定的边缘点划分为强边缘点、弱边缘点和非边缘点中的一项；
在该步骤中，双阈值分割是一种图像分割方法，通过使用两个阈值来将图像中的像素点分为三类：强边缘点、弱边缘点和非边缘点。强边缘点通常指梯度值很大，非常明显的边缘点；弱边缘点则指梯度值较小，边缘不太明显的点；非边缘点则是除了强边缘点和弱边缘点之外的其他像素点。
自适应阈值是根据图像的局部特性来动态调整阈值的方法，可以有效地应对图像中不同区域的亮度差异。在边缘检测中，使用自适应阈值进行双阈值分割可以更准确地区分出强边缘点、弱边缘点和非边缘点，从而得到更精确的边缘检测结果。
本申请实施例中，在实施双阈值分割时，可以按照以下步骤进行：
根据前面步骤得到的边缘点，将其分为强边缘点和弱边缘点。可以根据梯度幅值的大小来判断，一般设定一个较大的阈值作为强边缘点的判定标准，较小的阈值作为弱边缘点的判定标准。
对于强边缘点，直接将其确定为边缘点；对于弱边缘点，则需要进一步判断。
使用自适应阈值方法，根据像素点周围的局部特性动态调整阈值。可以根据像素点的灰度值、梯度值等特征来计算适合的阈值。
根据动态调整后的阈值，将弱边缘点划分为弱边缘点或非边缘点。
最终得到的结果包括强边缘点、弱边缘点和非边缘点，可以根据需要进一步处理或显示。
1024、对所述弱边缘点进行边缘连接，将所述弱边缘点连接到强边缘点上，以得到完整边缘；
在该步骤中，在图像处理中，边缘连接是指将零散的边缘点或弱边缘点连接成连续的边缘线的过程。对于弱边缘点，经过边缘连接处理后，可以将其连接到强边缘点上，从而形成完整的边缘线，提高边缘检测的准确性和连续性。
边缘连接通常包括两种方法：基于像素邻域的连接和基于边缘方向的连接。基于像素邻域的连接是指根据像素点周围的邻域像素来判断是否连接；基于边缘方向的连接是指根据边缘点的梯度方向来确定连接的方向。通过这些方法，可以有效地将弱边缘点连接到强边缘点上，得到完整的边缘线。
本申请实施例中，在实施弱边缘点的边缘连接时，可以按照以下步骤进行：
对于每个弱边缘点，找到其周围的邻域像素点，可以采用固定大小的窗口或者根据像素间距离来确定邻域范围。
对于每个邻域像素点，判断其是否为强边缘点。如果邻域中存在强边缘点，则将该弱边缘点连接到最近的强边缘点上。
如果邻域中不存在强边缘点，则可以根据边缘方向信息来确定连接的方向，将弱边缘点沿着边缘方向进行连接。
不断重复以上步骤，直到所有弱边缘点都被连接到强边缘点上。
最终得到的结果是完整的边缘线，包括强边缘点和连接后的弱边缘点，可以根据需要进行后续处理或显示。
1025、基于所述完整边缘，生成所述汽车零部件的切片数据。
在该步骤中，在汽车零部件的工艺信息模型中，生成切片数据是指将完整边缘线转换为一系列水平（或垂直）方向上的切片，用于后续的加工或制造过程。这些切片数据可以包含零部件的几何形状、尺寸信息以及加工路径等关键信息，有助于实现对零部件的精确加工和制造。
切片数据的生成过程通常包括将完整边缘线进行分割，将零部件的几何形状划分为一系列平行的切片，每个切片对应一个加工层。这些切片数据可以用于数控机床、激光切割等加工设备的控制，实现对零部件的精确加工。
本申请实施例中，在生成汽车零部件的切片数据时，可以按照以下步骤进行：
将完整边缘线转换为平面上的多边形，表示零部件的几何形状。
将多边形进行分割，生成一系列水平（或垂直）方向上的切片，每个切片对应一个加工层。
对每个切片进行加工路径规划，确定加工顺序和路径，以确保零部件可以被精确加工出来。
将切片数据输出为标准的CAD文件格式，如DXF、STEP等，以便后续加工设备进行读取和控制。
根据需要，可以对切片数据进行进一步的优化和调整，以满足不同加工设备的要求或加工工艺的需要。
最终得到的切片数据包含了零部件的几何信息、加工路径等关键信息，可以用于数控加工设备的控制，实现对汽车零部件的精确加工和制造。
其中，步骤1022可具体包括：
通过公式：，计算每个所述切片图像中每个像素点的梯度幅值和梯度方向角度，其中，(i,j)表示为所述切片图像中每个像素点(i,j)的梯度幅值，Gx(i,j)表示为像素点(i,j)处水平方向的梯度幅值，Gy(i,j)表示为像素点(i,j)处垂直方向的梯度幅值；θ(i,j)表示为所述切片图像中每个像素点(i,j)的梯度方向角度，arctan表示为反正切函数，用于计算Gy(i,j)和Gx(i,j)之间的夹角；
在这个公式中，G(i,j)表示为所述切片图像中每个像素点(i,j)的梯度幅值，即该像素点的边缘强度。Gx(i,j)表示为像素点(i,j)处水平方向的梯度幅值，Gy(i,j)表示为像素点(i,j)处垂直方向的梯度幅值，即横向和纵向的边缘强度。表示为对水平和竖直方向的边缘强度进行综合，得到像素点(i,j)处的梯度幅值。因此，该公式可以用来提取图像中的边缘特征。
θ(i,j)表示图像在像素点(i,j)处的梯度方向角度，即该像素点的边缘方向。Gx(i,j)和Gy(i,j)分别表示图像在像素点(i,j)处水平和竖直方向的梯度幅值，即横向和纵向的边缘强度。arctan是反正切函数，用来计算两个数的反正切值，即求得Gy(i,j)和Gx(i,j)之间的夹角。因此，θ(i,j)表示通过计算水平和竖直方向的边缘强度之间的夹角，得到像素点(i,j)处的梯度方向角度。这个公式通常用于图像边缘检测和特征提取。
例如，假设有一个图像矩阵I，其中(i,j)表示图像矩阵I中的某一像素点，Gx(i,j)和Gy(i,j)分别表示该像素点在x和y方向上的梯度值，则该公式可以表示为：
；
假设对于某一像素点(i,j)、Gx(i,j)=3、Gy(i,j)=4，则根据该公式可以计算出该像素点的梯度幅值G(i,j)：
；
因此，对于该像素点其梯度幅值为5，其梯度方向角约为0.93弧度。
进一步地，通过公式：，将梯度方向角度量化为水平、垂直和两个对角线方向；
在这个公式组中，θ(i,j)表示图像在像素点(i,j)处的梯度方向角度。公式组中的第一个公式表达了一个条件，即如果θ(i,j)的取值在-π/8到π/8之间（即-22.5°到22.5°之间），则将θ(i,j)的值设为0。这个条件判断可以用来简化梯度方向的表示，将梯度方向角度限制在一个特定范围内。这样可以更好地描述图像的边缘方向特征，简化后的梯度方向值更易于处理和理解。
第二个公式表达了一个条件，即如果θ(i,j)的取值在π/8到3π/8之间（即22.5°到67.5°之间），则将θ(i,j)的值设为π/4。这个条件判断可以用来简化梯度方向的表示，将梯度方向角度限制在一个特定范围内。这样可以更好地描述图像的边缘方向特征，简化后的梯度方向值更易于处理和理解。当梯度方向角度在这个范围内时，说明该像素点的边缘方向与垂直方向的夹角为45°，因此将其梯度方向值设为π/4。
第三个公式表达了一个条件，即如果θ(i,j)的取值在3π/8到5π/8之间（即67.5°到112.5°之间），则将θ(i,j)的值设为π/2。这个条件判断可以用来简化梯度方向的表示，将梯度方向角度限制在一个特定范围内。这样可以更好地描述图像的边缘方向特征，简化后的梯度方向值更易于处理和理解。当梯度方向角度在这个范围内时，说明该像素点的边缘方向与水平方向的夹角为90°，因此将其梯度方向值设为π/2。
第四个公式表达了一个条件，即如果θ(i,j)的取值在5π/8到7π/8之间（即112.5°到157.5°之间），则将θ(i,j)的值设为3π/4。这个条件判断可以用来简化梯度方向的表示，将梯度方向角度限制在一个特定范围内。这样可以更好地描述图像的边缘方向特征，简化后的梯度方向值更易于处理和理解。当梯度方向角度在这个范围内时，说明该像素点的边缘方向与水平方向的夹角为135°，因此将其梯度方向值设为3π/4。
第五个公式表达了一个条件，即如果θ(i,j)的取值在7π/8到π之间（即157.5°到180°之间），则将θ(i,j)的值设为0。这个条件判断可以用来简化梯度方向的表示，将梯度方向角度限制在一个特定范围内。这样可以更好地描述图像的边缘方向特征，简化后的梯度方向值更易于处理和理解。当梯度方向角度在这个范围内时，说明该像素点的边缘方向与水平方向的夹角为180°，因此将其梯度方向值设为0。
也就是说，如果0<=θ(i,j)<22.5°或157.5°<=θ(i,j)<=180°，则量化为水平方向；如果22.5°<=θ(i,j)<67.5°，则量化为对角线方向；如果67.5°<=θ(i,j)<112.5°，则量化为垂直方向；如果112.5°<=θ(i,j)<157.5°，则量化为另一个对角线方向。
通过公式：，针对每个像素点，比较所述像素点在梯度方向角度上的两个相邻像素点的梯度幅值，若所述像素点的梯度幅值不是两个相邻像素点的梯度幅值中的最大值，则将所述像素点处的梯度幅值设为0，直到所有像素点的梯度幅值都被处理完毕，以获取局部梯度最大的像素点，并将所述局部梯度最大的像素点确定为边缘点，其中，G(i,j-1)及G(i,j+1)表示像素点(i,j)在梯度方向角度上的两个相邻像素点的梯度幅值；
在这个公式组中，公式组中的第一个公式表达了：如果θ(i,j)等于0，表示图像在像素点(i,j)处的梯度方向角度为0度，即与水平方向平行。如果像素点(i,j)处的梯度值G(i,j)小于其左边像素点(i,j-1)处的梯度值或者小于其右边像素点(i,j+1)处的梯度值，则将该像素点(i,j)处的梯度值G(i,j)设为0。
这两个条件判断用来处理图像中的梯度信息。第一个条件描述了梯度方向为水平方向时的情况，第二个条件描述了梯度值小于其相邻像素点梯度值时的处理方式。这样的处理可以用来消除图像中的一些噪声或不必要的细节，使得梯度信息更加清晰和准确。
公式组中的第二个公式表达了：如果θ(i,j)等于π/4，表示图像在像素点(i,j)处的梯度方向角度为45度，即与45度对角线方向平行。如果像素点(i,j)处的梯度值G(i,j)小于其左上角像素点(i-1,j+1)处的梯度值或者小于其右下角像素点(i+1,j-1)处的梯度值，则将该像素点(i,j)处的梯度值G(i,j)设为0。
这两个条件判断用来处理图像中的梯度信息。第一个条件描述了梯度方向为45度对角线方向时的情况，第二个条件描述了梯度值小于其相邻像素点梯度值时的处理方式。这样的处理可以用来消除图像中的一些噪声或不必要的细节，使得梯度信息更加清晰和准确。
公式组中的第三个公式表达了：如果θ(i,j)等于π/2，表示图像在像素点(i,j)处的梯度方向角度为90度，即与竖直方向平行。
如果像素点(i,j)处的梯度值G(i,j)小于其上方像素点(i-1,j)处的梯度值或者小于其下方像素点(i+1,j)处的梯度值，则将该像素点(i,j)处的梯度值G(i,j)设为0。
这两个条件判断用来处理图像中的梯度信息。第一个条件描述了梯度方向为竖直方向时的情况，第二个条件描述了梯度值小于其相邻像素点梯度值时的处理方式。这样的处理可以用来消除图像中的一些噪声或不必要的细节，使得梯度信息更加清晰和准确。
公式组中的第四个公式表达了：如果θ(i,j)等于3π/4，表示图像在像素点(i,j)处的梯度方向角度为135度，即与135度对角线方向平行。如果像素点(i,j)处的梯度值G(i,j)小于其左上角像素点(i-1,j-1)处的梯度值或者小于其右下角像素点(i+1,j+1)处的梯度值，则将该像素点(i,j)处的梯度值G(i,j)设为0。
这两个条件判断用来处理图像中的梯度信息。第一个条件描述了梯度方向为135度对角线方向时的情况，第二个条件描述了梯度值小于其相邻对角线方向像素点梯度值时的处理方式。这样的处理可以用来消除图像中的一些噪声或不必要的细节，使得梯度信息更加清晰和准确。
本申请实施例中，例如，假设有一个像素点(i,j)的梯度幅值和梯度方向角度如下：G(i,j)=10θ(i,j)=30°
根据梯度方向角度的量化：
因为22.5°<=30°<67.5°，将梯度方向角度量化为对角线方向。
根据非极大值抑制算法：假设该像素点(i,j)在对角线方向上的相邻像素点P1和P2的梯度幅值分别为：G(P1)=12、G(P2)=8；
由于G(i,j)=10不是最大值，则将该像素点处的梯度幅值设为0。
经过非极大值抑制处理后，该像素点处的梯度幅值为0，即将该像素点消除，使边缘更加细化。
其中，所述计算每个所述切片图像中每个像素点周围像素的梯度幅值的均值和标准差，以得到局部特性，并基于所述局部特性确定所述像素点是否为边缘点，包括：
通过公式：，计算每个所述切片图像中每个像素点周围像素的梯度幅值的均值mean(i,j)和标准差std(i,j)，以得到局部特性，其中，mean(i,j)表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的均值，std(i,j)表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的标准差，/>表示像素点/>处的梯度幅值，/>、/>表示为循环变量，取值范围为-1到1，用于遍历3x3的滤波窗口；
在这个公式组中，公式组中的第一个公式的含义是：对于图像中的每个像素点(i,j)，以该点为中心取一个3x3的滤波窗口，将该窗口中的所有像素值加起来，再除以9（即窗口大小）得到平均值，最终得到以该点为中心的平均滤波后的梯度幅值的均值。其中，平均滤波可以用来消除图像中的一些噪声或不必要的细节，使图像更加平滑。
第二个公式的含义是：对于图像中的每个像素点(i,j)，以该点为中心取一个3x3的滤波窗口，计算窗口中每个像素值与该窗口的平均值的差的平方，然后将所有差的平方加起来再除以9（即窗口大小）得到方差，最后对方差开方得到标准差。其中，标准差可以用来衡量数据的离散程度，即图像中像素值的波动程度，从而评估图像的清晰度或质量。
通过公式：，根据所述局部特性动态调整高阈值和低阈值，以确定通过所述局部特性确定的像素点是否为边缘点，其中，/>表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的高阈值，表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的低阈值；
在这个公式组中，公式组中的第一个公式的含义是：对于图像中的每个像素点(i,j)，以该点为中心取一个3x3的滤波窗口，计算该窗口的平均值mean(i,j)和标准差std(i,j)，然后将平均值加上两倍的标准差，得到高阈值。这个高阈值通常用于图像处理中的边缘检测或者二值化处理，可以用来区分图像中的边缘或者目标物体与背景的差异。
第二个公式的含义是：对于图像中的每个像素点(i,j)，以该点为中心取一个3x3的滤波窗口，计算该窗口的平均值mean(i,j)和标准差std(i,j)，然后将平均值加上标准差，得到低阈值。这个低阈值通常用于图像处理中的边缘检测或者二值化处理，可以用来区分图像中的边缘或者目标物体与背景的差异。低阈值和高阈值一起使用，可以将图像中的边缘或者目标物体从背景中分离出来。
其中，步骤1023可包括：
通过公式：，使用自适应阈值进行双阈值分割，将所确定的边缘点划分为强边缘点、弱边缘点和非边缘点中的一项，其中，表示为若像素点(i,j)的梯度幅值G(i,j)大于或者等于像素点(i,j)对应的高阈值，则将像素点(i,j)确定为强边缘点；/>表示为若像素点(i,j)的梯度幅值G(i,j)大于或者等于像素点(i,j)对应的低阈值且小于像素点(i,j)对应的高阈值，则将像素点(i,j)确定为弱边缘点；/>表示为若像素点(i,j)的梯度幅值G(i,j)小于像素点(i,j)对应的低阈值，则将像素点(i,j)确定为非边缘点。
本申请实施例中，假设有一个图像矩阵I，其中(i,j)表示矩阵中的某一像素点，G(i,j)表示该像素点的梯度幅值，和/>分别表示强边缘和弱边缘的阈值，则该公式组可以表示为：
如果，则该像素点为强边缘点。
如果，则该像素点为弱边缘点。
如果，则该像素点为非边缘点。
假设对于某一像素点(i,j)，G(i,j)=20，，/>，则可以根据该公式组确定该像素点的边缘类型：
由于，因此该像素点为强边缘点。因此，对于该像素点，其边缘类型为强边缘。
图3为一种汽车零部件的工艺信息模型构建***的结构示意图，如图3所示，该***包括：
获取模块31，用于对汽车零部件进行3D扫描，以获取所述汽车零部件的三角网络模型，并基于所述三角网络模型获取对应的几何信息；
生成模块32，用于对所述汽车零部件进行切片，生成切片数据；
构建模块33，用于根据所述汽车零部件的几何信息以及所述切片数据，构建工艺信息模型，所述工艺信息模型至少包括所述汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹；
处理模块34，用于将所述工艺信息模型导出为CAM程序，以用于所述汽车零部件的数控加工。
可选地，本申请实施例中，所述获取模块31具体用于对汽车零部件进行多次拍摄，并将拍摄得到的多张图像进行特征提取，以获取每个所述图像中的多个特征点，所述特征点至少包括坐标、尺度及方向；针对多个图像中的第一图像中的每个所述特征点，通过最近邻的特征匹配算法确定在第二图像中的最近特征点，并对所述特征点及对应的所述最近特征点进行匹配，若所述特征点与所述最近特征点之间的距离小于预设倍数的所述特征点与次近特征点之间的距离，则认为所述特征点与所述最近特征点之间成功匹配，并将所述特征点和对应的所述最近特征点确定为匹配点对，其中，所述第一图像为多个图像中的任一图像，所述第二图像为多个图像中除所述第一图像之外的其他任一图像；选择预设数量个成功匹配的所述匹配点对，并针对每个所述匹配点对，获取每个所述匹配点对在所述第一图像上的齐次坐标以及在所述第二图像上的齐次坐标，并基于所述第一图像上的齐次坐标以及在所述第二图像上的齐次坐标，构建约束方程，所述约束方程中至少包括单应性矩阵和基础矩阵；分别获取单应性矩阵和基础矩阵的估计结果，并利用基础矩阵和单应性矩阵的估计结果以及对应的所述匹配点对，建立三角网络模型。
可选地，本申请实施例中，所述获取模块31具体用于针对每个所述匹配点对，将所述匹配点对中的匹配点的二维坐标点转换为齐次坐标形式[x',y',1]，并将所述匹配点对中的匹配点的三维点/>归一化为单位向量/>，其中/>，，/>；
将所述单应性矩阵H中的元素按照SVD分解的形式表示为，其中U和V是正交矩阵，S是对角矩阵；
通过公式：将所述匹配点对中的匹配点的齐次坐标点与单应性矩阵H相乘，以获取重投影结果/>；
通过公式：，将所述匹配点对中的匹配点的单位向量与单应性矩阵H相乘，以获取归一化三维点P；
通过公式：，对所述重投影结果P'进行归一化处理，得到重投影点的第一二维坐标，其中，/>表示为重投影点的第一二维坐标，P'(1)、P'(2)分别表示归一化三维点P在重投影后的二维坐标值，P'(3)表示归一化三维点P的第三个维度坐标值；通过公式：/>，对所述归一化三维点P进行归一化处理，得到重投影点的第二二维坐标，其中，表示为重投影点的第二二维坐标，P(1)、P(2)分别表示归一化三维点P在/>轴上的坐标值，P(4)表示归一化三维点P的第四个维度坐标值；
通过公式：，基于所述重投影点的第一二维坐标及重投影点的第二二维坐标，计算重投影误差，并基于所述重投影误差计算出单应性矩阵的估计结果，其中，E表示为重投影误差。
可选地，本申请实施例中，所述获取模块具体用于针对每个所述匹配点对和/>，根据极线约束，确定方程式：/>，其中，F是基础矩阵；
将所述方程式重写为：；
将基础矩阵展开为的矩阵形式：
基于所述矩阵形式，将方程重写为：
；
获取所有的所述匹配点对的重写方程，以得到超定方程组：，其中，A表示是一个/>的矩阵，m是匹配点对的数量，/>是9维向量，且包含基础矩阵的参数；
通过公式：，基于最小二乘法求解所述超定方程组，以获取到参数向量/>，其中/>表示向量的范数；
基于参数向量，构建基础矩阵F，并对F进行额外的约束，以确定出基础矩阵的估计结果。
可选地，本申请实施例中，所述生成模块32具体用于对所述汽车零部件进行切片处理，以获取切片图像；计算每个所述切片图像中每个像素点的梯度幅值和梯度方向角度，以确定所述像素点是否为边缘点，并在所述像素点及所述像素点的相邻像素点均为边缘点的情况下，通过非极大值抑制，基于所述像素点及所述像素点的相邻像素点的梯度幅值和梯度方向角度，确定出局部梯度最大的像素点，并将所述局部梯度最大的像素点确定为边缘点；或者，计算每个所述切片图像中每个像素点周围像素的梯度幅值的均值和标准差，以得到局部特性，并根据所述局部特性动态调整高阈值和低阈值，以确定通过所述局部特性确定的像素点是否为边缘点；使用自适应阈值进行双阈值分割，将所确定的边缘点划分为强边缘点、弱边缘点和非边缘点中的一项；对所述弱边缘点进行边缘连接，将所述弱边缘点连接到强边缘点上，以得到完整边缘；
基于所述完整边缘，生成所述汽车零部件的切片数据。
可选地，本申请实施例中，所述生成模块32具体用于：
通过公式：，计算每个所述切片图像中每个像素点的梯度幅值和梯度方向角度，其中，G(i,j)表示为所述切片图像中每个像素点(i,j)的梯度幅值，Gx(i,j)表示为像素点(i,j)处水平方向的梯度幅值，Gy(i,j)表示为像素点(i,j)处垂直方向的梯度幅值；θ(i,j)表示为所述切片图像中每个像素点(i,j)的梯度方向角度，arctan表示为反正切函数，用于计算Gy(i,j)和Gx(i,j)之间的夹角；/>
通过公式：，将梯度方向角度量化为水平、垂直和两个对角线方向；
通过公式：，针对每个像素点，比较所述像素点在梯度方向角度上的两个相邻像素点的梯度幅值，若所述像素点的梯度幅值不是两个相邻像素点的梯度幅值中的最大值，则将所述像素点处的梯度幅值设为0，直到所有像素点的梯度幅值都被处理完毕，以获取局部梯度最大的像素点，并将所述局部梯度最大的像素点确定为边缘点，其中，G(i,j-1)及G(i,j+1)表示像素点(i,j)在梯度方向角度上的两个相邻像素点的梯度幅值；
通过公式：，计算每个所述切片图像中每个像素点周围像素的梯度幅值的均值mean(i,j)和标准差std(i,j)，以得到局部特性，其中，mean(i,j)表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的均值，std(i,j)表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的标准差，/>表示像素点/>处的梯度幅值，/>、/>表示为循环变量，取值范围为-1到1，用于遍历3x3的滤波窗口；/>
通过公式：，根据所述局部特性动态调整高阈值和低阈值，以确定通过所述局部特性确定的像素点是否为边缘点，其中，/>表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的高阈值，表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的低阈值；
可选地，本申请实施例中，所述生成模块32具体用于：通过公式：，使用自适应阈值进行双阈值分割，将所确定的边缘点划分为强边缘点、弱边缘点和非边缘点中的一项，其中，表示为若像素点(i,j)的梯度幅值G(i,j)大于或者等于像素点(i,j)对应的高阈值，则将像素点(i,j)确定为强边缘点；表示为若像素点(i,j)的梯度幅值G(i,j)大于或者等于像素点(i,j)对应的低阈值且小于像素点(i,j)对应的高阈值，则将像素点(i,j)确定为弱边缘点；/>表示为若像素点(i,j)的梯度幅值G(i,j)小于像素点(i,j)对应的低阈值，则将像素点(i,j)确定为非边缘点。
图3所述的一种汽车零部件的工艺信息模型构建***可以执行图1所示实施例所述的一种汽车零部件的工艺信息模型构建方法，其实现原理和技术效果不再赘述。对于上述实施例中的一种汽车零部件的工艺信息模型构建***其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
在一个可能的设计中，图3所示实施例的一种汽车零部件的工艺信息模型构建***可以实现为计算设备，如图4所示，该计算设备可以包括存储组件41以及处理组件42；
所述存储组件41存储一条或多条计算机指令，其中，所述一条或多条计算机指令供所述处理组件42调用执行。
所述处理组件42用于：对汽车零部件进行3D扫描，以获取所述汽车零部件的三角网络模型，并基于所述三角网络模型获取对应的几何信息；对所述汽车零部件进行切片，生成切片数据；根据所述汽车零部件的几何信息以及所述切片数据，构建工艺信息模型，所述工艺信息模型至少包括所述汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹；将所述工艺信息模型导出为CAM程序，以用于所述汽车零部件的数控加工。
其中，处理组件42可以包括一个或多个处理器来执行计算机指令，以完成上述的方法中的全部或部分步骤。当然处理组件也可以为一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
存储组件41被配置为存储各种类型的数据以支持在终端的操作。存储组件可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
显示组件43可以为电致发光(EL)元件、液晶显示器或具有类似结构的微型显示器、或者视网膜可直接显示或类似的激光扫描式显示器。
当然，计算设备必然还可以包括其他部件，例如输入/输出接口、通信组件等。
输入/输出接口为处理组件和***接口模块之间提供接口，上述***接口模块可以是输出设备、输入设备等。
通信组件被配置为便于计算设备和其他设备之间有线或无线方式的通信等。
其中，该计算设备可以为物理设备或者云计算平台提供的弹性计算主机等，此时计算设备即可以是指云服务器，上述处理组件、存储组件等可以是从云计算平台租用或购买的基础服务器资源。
本申请实施例还提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被计算机执行时可以实现上述图1所示实施例的汽车零部件的工艺信息模型构建方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
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 (10)
1.一种汽车零部件的工艺信息模型构建方法，其特征在于，包括：
对汽车零部件进行3D扫描，以获取所述汽车零部件的三角网络模型，并基于所述三角网络模型获取对应的几何信息；
对所述汽车零部件进行切片，生成切片数据；
根据所述汽车零部件的几何信息以及所述切片数据，构建工艺信息模型，所述工艺信息模型至少包括所述汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹；
将所述工艺信息模型导出为CAM程序，以用于所述汽车零部件的数控加工。
2.根据权利要求1所述的方法，其特征在于，所述对汽车零部件进行3D扫描，获取所述汽车零部件的三角网络模型，包括：
对汽车零部件进行多次拍摄，并将拍摄得到的多张图像进行特征提取，以获取每个所述图像中的多个特征点，所述特征点至少包括坐标、尺度及方向；
针对多个图像中的第一图像中的每个所述特征点，通过最近邻的特征匹配算法确定在第二图像中的最近特征点，并对所述特征点及对应的所述最近特征点进行匹配，若所述特征点与所述最近特征点之间的距离小于预设倍数的所述特征点与次近特征点之间的距离，则认为所述特征点与所述最近特征点之间成功匹配，并将所述特征点和对应的所述最近特征点确定为匹配点对，其中，所述第一图像为多个图像中的任一图像，所述第二图像为多个图像中除所述第一图像之外的其他任一图像；
选择预设数量个成功匹配的所述匹配点对，并针对每个所述匹配点对，获取每个所述匹配点对在所述第一图像上的齐次坐标以及在所述第二图像上的齐次坐标，并基于所述第一图像上的齐次坐标以及在所述第二图像上的齐次坐标，构建约束方程，所述约束方程中至少包括单应性矩阵和基础矩阵；
分别获取单应性矩阵和基础矩阵的估计结果，并利用基础矩阵和单应性矩阵的估计结果以及对应的所述匹配点对，建立三角网络模型。
3.根据权利要求2所述的方法，其特征在于，获取单应性矩阵的估计结果，包括：
针对每个所述匹配点对，将所述匹配点对中的匹配点的二维坐标点[x',y']转换为齐次坐标形式[x',y',1]，并将所述匹配点对中的匹配点的三维点归一化为单位向量，其中/>，/>，/>；
将所述单应性矩阵H中的元素按照SVD分解的形式表示为，其中U和V是正交矩阵，S是对角矩阵；
通过公式：将所述匹配点对中的匹配点的齐次坐标点/>与单应性矩阵H相乘，以获取重投影结果P'；
通过公式：，将所述匹配点对中的匹配点的单位向量/>与单应性矩阵/>相乘，以获取归一化三维点P；
通过公式：，对所述重投影结果P'进行归一化处理，得到重投影点的第一二维坐标，其中，/>表示为重投影点的第一二维坐标，P'(1)、P'(2)分别表示归一化三维点P在重投影后的二维坐标值，P'(3)表示归一化三维点P的第三个维度坐标值；通过公式：/>，对所述归一化三维点P进行归一化处理，得到重投影点的第二二维坐标，其中，/>表示为重投影点的第二二维坐标，P(1)、P(2)分别表示归一化三维点P在/>、/>轴上的坐标值，P(4)表示归一化三维点P的第四个维度坐标值；
通过公式：，基于所述重投影点的第一二维坐标及重投影点的第二二维坐标，计算重投影误差，并基于所述重投影误差计算出单应性矩阵的估计结果，其中，E表示为重投影误差。
4.根据权利要求2所述的方法，其特征在于，获取基础矩阵的估计结果，包括：
针对每个所述匹配点对和/>，根据极线约束，确定方程式：，其中，F是基础矩阵；
将所述方程式重写为：；
将基础矩阵F展开为的矩阵形式：/>；
基于所述矩阵形式，将方程重写为：
；
获取所有的所述匹配点对的重写方程，以得到超定方程组：，其中，A表示是一个/>的矩阵，m是匹配点对的数量，/>是9维向量，且包含基础矩阵的参数；
通过公式：，基于最小二乘法求解所述超定方程组，以获取到参数向量/>，其中/>表示向量的范数；
基于参数向量，构建基础矩阵F，并对F进行额外的约束，以确定出基础矩阵的估计结果。
5.根据权利要求1所述的方法，其特征在于，所述对汽车零部件进行切片，生成切片数据，包括：
对所述汽车零部件进行切片处理，以获取切片图像；
计算每个所述切片图像中每个像素点的梯度幅值和梯度方向角度，以确定所述像素点是否为边缘点，并在所述像素点及所述像素点的相邻像素点均为边缘点的情况下，通过非极大值抑制，基于所述像素点及所述像素点的相邻像素点的梯度幅值和梯度方向角度，确定出局部梯度最大的像素点，并将所述局部梯度最大的像素点确定为边缘点；或者，计算每个所述切片图像中每个像素点周围像素的梯度幅值的均值和标准差，以得到局部特性，并根据所述局部特性动态调整高阈值和低阈值，以确定通过所述局部特性确定的像素点是否为边缘点；
使用自适应阈值进行双阈值分割，将所确定的边缘点划分为强边缘点、弱边缘点和非边缘点中的一项；
对所述弱边缘点进行边缘连接，将所述弱边缘点连接到强边缘点上，以得到完整边缘；
基于所述完整边缘，生成所述汽车零部件的切片数据。
6.根据权利要求5所述的方法，其特征在于，所述计算每个所述切片图像中每个像素点的梯度幅值和梯度方向角度，以确定所述像素点是否为边缘点，并在所述像素点及所述像素点的相邻像素点均为边缘点的情况下，通过非极大值抑制，基于所述像素点及所述像素点的相邻像素点的梯度幅值和梯度方向角度，确定出局部梯度最大的像素点，并将所述局部梯度最大的像素点确定为边缘点，包括：
通过公式：，计算每个所述切片图像中每个像素点的梯度幅值和梯度方向角度，其中，G(i,j)表示为所述切片图像中每个像素点(i,j)的梯度幅值，Gx(i,j)表示为像素点(i,j)处水平方向的梯度幅值，Gy(i,j)表示为像素点(i,j)处垂直方向的梯度幅值；θ(i,j)表示为所述切片图像中每个像素点(i,j)的梯度方向角度，arctan表示为反正切函数，用于计算Gy(i,j)和Gx(i,j)之间的夹角；
通过公式：，将梯度方向角度量化为水平、垂直和两个对角线方向；
通过公式：，针对每个像素点，比较所述像素点在梯度方向角度上的两个相邻像素点的梯度幅值，若所述像素点的梯度幅值不是两个相邻像素点的梯度幅值中的最大值，则将所述像素点处的梯度幅值设为0，直到所有像素点的梯度幅值都被处理完毕，以获取局部梯度最大的像素点，并将所述局部梯度最大的像素点确定为边缘点，其中，G(i,j-1)及G(i,j+1)表示像素点(i,j)在梯度方向角度上的两个相邻像素点的梯度幅值；
所述计算每个所述切片图像中每个像素点周围像素的梯度幅值的均值和标准差，以得到局部特性，并基于所述局部特性确定所述像素点是否为边缘点，包括：
通过公式：，计算每个所述切片图像中每个像素点周围像素的梯度幅值的均值mean(i,j)和标准差std(i,j)，以得到局部特性，其中，mean(i,j)表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的均值，std(i,j)表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的标准差，/>表示像素点/>处的梯度幅值，/>、/>表示为循环变量，取值范围为-1到1，用于遍历3x3的滤波窗口；
通过公式：，根据所述局部特性动态调整高阈值和低阈值，以确定通过所述局部特性确定的像素点是否为边缘点，其中，/>表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的高阈值，表示为以所述切片图像中每个像素点(i,j)为中心的3x3平均滤波后的梯度幅值的低阈值。
7.根据权利要求5所述的方法，其特征在于，所述使用自适应阈值进行双阈值分割，将所确定的边缘点划分为强边缘点、弱边缘点和非边缘点中的一项，包括：
通过公式：，
使用自适应阈值进行双阈值分割，将所确定的边缘点划分为强边缘点、弱边缘点和非边缘点中的一项，其中，表示为若像素点(i,j)的梯度幅值G(i,j)大于或者等于像素点(i,j)对应的高阈值，则将像素点(i,j)确定为强边缘点；表示为若像素点(i,j)的梯度幅值G(i,j)大于或者等于像素点(i,j)对应的低阈值且小于像素点(i,j)对应的高阈值，则将像素点(i,j)确定为弱边缘点；/>表示为若像素点(i,j)的梯度幅值G(i,j)小于像素点(i,j)对应的低阈值，则将像素点(i,j)确定为非边缘点。
8.一种汽车零部件的工艺信息模型构建***，其特征在于，包括：
获取模块，用于对汽车零部件进行3D扫描，以获取所述汽车零部件的三角网络模型，并基于所述三角网络模型获取对应的几何信息；
生成模块，用于对所述汽车零部件进行切片，生成切片数据；
构建模块，用于根据所述汽车零部件的几何信息以及所述切片数据，构建工艺信息模型，所述工艺信息模型至少包括所述汽车零部件的加工工艺参数、加工路径、加工顺序、工具轨迹；
处理模块，用于将所述工艺信息模型导出为CAM程序，以用于所述汽车零部件的数控加工。
9.一种计算设备，其特征在于，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如权利要求1~7任一项所述的汽车零部件的工艺信息模型构建方法。
10.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算程序被计算机执行时，实现如权利要求1~7任一项所述的汽车零部件的工艺信息模型构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410480973.3A CN118070434B (zh) | 2024-04-22 | 2024-04-22 | 一种汽车零部件的工艺信息模型构建方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410480973.3A CN118070434B (zh) | 2024-04-22 | 2024-04-22 | 一种汽车零部件的工艺信息模型构建方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118070434A true CN118070434A (zh) | 2024-05-24 |
| CN118070434B CN118070434B (zh) | 2024-07-02 |
Family
ID=91095836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410480973.3A Active CN118070434B (zh) | 2024-04-22 | 2024-04-22 | 一种汽车零部件的工艺信息模型构建方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118070434B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106445981A (zh) * | 2016-02-15 | 2017-02-22 | 哈尔滨理工大学 | 一种基于小波变换的stl网格模型切片数据自适应压缩方法 |
| WO2020206903A1 (zh) * | 2019-04-08 | 2020-10-15 | 平安科技（深圳）有限公司 | 影像匹配方法、装置及计算机可读存储介质 |
| WO2022099958A1 (zh) * | 2020-11-11 | 2022-05-19 | 中国标准化研究院 | 一种基于三维点云坐标的头面部号型分类方法 |
| WO2022148091A1 (zh) * | 2021-01-07 | 2022-07-14 | 珠海格力电器股份有限公司 | 目标匹配方法、装置和机器人 |
| CN116486037A (zh) * | 2023-03-23 | 2023-07-25 | 北京理工大学 | 一种基于ct图像切片的编织复合材料快速网格重构方法 |
-
2024
- 2024-04-22 CN CN202410480973.3A patent/CN118070434B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106445981A (zh) * | 2016-02-15 | 2017-02-22 | 哈尔滨理工大学 | 一种基于小波变换的stl网格模型切片数据自适应压缩方法 |
| WO2020206903A1 (zh) * | 2019-04-08 | 2020-10-15 | 平安科技（深圳）有限公司 | 影像匹配方法、装置及计算机可读存储介质 |
| WO2022099958A1 (zh) * | 2020-11-11 | 2022-05-19 | 中国标准化研究院 | 一种基于三维点云坐标的头面部号型分类方法 |
| WO2022148091A1 (zh) * | 2021-01-07 | 2022-07-14 | 珠海格力电器股份有限公司 | 目标匹配方法、装置和机器人 |
| CN116486037A (zh) * | 2023-03-23 | 2023-07-25 | 北京理工大学 | 一种基于ct图像切片的编织复合材料快速网格重构方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118070434B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135455B (zh) | 影像匹配方法、装置及计算机可读存储介质 | |
| Woo et al. | A new segmentation method for point cloud data | |
| KR102318023B1 (ko) | 에지를 이용한 3차원 모델 생성 | |
| Wei et al. | A non-contact measurement method of ship block using image-based 3D reconstruction technology | |
| WO2014024579A1 (ja) | 光学データ処理装置、光学データ処理システム、光学データ処理方法、および光学データ処理用プログラム | |
| CN112233249B (zh) | 基于密集点云的b样条曲面拟合方法及装置 | |
| JP2013507679A (ja) | 三次元物体モデルの３ｄプリントが可能な方法及びシステム | |
| EP2294555A1 (en) | Three dimensional mesh modeling | |
| CN112037318A (zh) | 三维岩体结构模型的构建方法、***及模型的应用 | |
| CN112991424B (zh) | 一种基于八叉树算法的分形维数计算方法及装置 | |
| WO2020240497A1 (en) | System and method of generating a 3d representation of an object | |
| Bodenmüller et al. | Online surface reconstruction from unorganized 3d-points for the DLR hand-guided scanner system | |
| US9977993B2 (en) | System and method for constructing a statistical shape model | |
| Liu et al. | Extract feature curves on noisy triangular meshes | |
| CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
| Liu et al. | Integrating cross-sectional imaging based reverse engineering with rapid prototyping | |
| CN116476070B (zh) | 大型筒件局部特征机器人扫描测量路径调整方法 | |
| Rossoni et al. | Retopology and simplification of reality-based models for finite element analysis | |
| CN118070434B (zh) | 一种汽车零部件的工艺信息模型构建方法及*** | |
| Men et al. | Hue-assisted automatic registration of color point clouds | |
| Budianti et al. | Background blurring and removal for 3d modelling of cultural heritage objects | |
| EP4011602A1 (en) | Additive manufacturing based on displaced signed distance fields | |
| CN113920267A (zh) | 三维场景模型构建方法、装置、设备及存储介质 | |
| Balzer et al. | Volumetric reconstruction applied to perceptual studies of size and weight | |
| Yao et al. | Fully automated registration of 3D CT data to CAD model for surface deviation measurement |
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 |