CN107704889A - 一种面向数字化检测的mbd模型阵列特征快速标注方法 - Google Patents
一种面向数字化检测的mbd模型阵列特征快速标注方法 Download PDFInfo
- Publication number
- CN107704889A CN107704889A CN201711052084.3A CN201711052084A CN107704889A CN 107704889 A CN107704889 A CN 107704889A CN 201711052084 A CN201711052084 A CN 201711052084A CN 107704889 A CN107704889 A CN 107704889A
- Authority
- CN
- China
- Prior art keywords
- sampled point
- array features
- point cloud
- array
- mbd
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种面向数字化检测的MBD模型阵列特征快速标注方法,涉及数字化检测技术领域。该方法首先对MBD模型上的一组阵列特征进行均匀采样,获得采样点云;然后采用PCA算法和改进的ICP算法进行采样点云间的粗配准和精确配准,确立采样点云间的匹配关系;最后根据采样点云间的对应关系,完成对阵列特征所缺失标注信息的补全。本发明提供的面向数字化检测的MBD模型阵列特征快速标注方法,在不干预设计人员对MBD模型的阵列特征标注习惯的基础上,自动地完成缺失信息的补全,提高了阵列特征尺寸标注的效率和准确性,使经过快速标注方法标注的阵列特征对象满足可测量性的要求,实现待检对象与检测要求的一一对应。
Description
技术领域
本发明涉及数字化检测技术领域,尤其涉及一种面向数字化检测的MBD模型阵列特征快速标注方法。
背景技术
随着基于模型的产品定义技术(Model Based Definition,MBD)在产品研发制造领域的广泛使用,基于MBD模型的数字化检测模式已成为学术界和工业部门的关注热点,该模式以附注产品检验要求的MBD模型作为产品检验环节的唯一检测依据并直接传递给检测设备,有效保障了检验过程中数据来源的单一化,同时也为实现产品数据在设计、制造和检验环节之间的快速传递和闭环管理,进而能够有效提升产品研制质量并缩短研制周期。
为了保证检验信息传递的准确性和完整性,基于MBD模型的数字化检测模式要求在模型定义时需要完整标注所有待检对象,使待检内容和其检测要求做到一一对应。然而根据已有对MBD模型标注方法的标准文件(GB/T·24734·《技术产品文件·数字化产品定义数据通则》),对于阵列特征这类几何元素,设计人员通常只会选择对一组阵列特征的其中一个成员进行待检信息的标注(Product Manufacturing Information PMI),即完成对其它成员尺寸约束的指代和关联。显然,上述情况对MBD模型上待检信息的完整拾取造成了阻碍。目前对该问题的解决尚依赖检验人员在执行检测任务前检视并判读MBD模型上的阵列尺寸标注信息。人工干预的方法不仅效率低下,同时也存在因精力懈怠或理解偏差造成的信息遗漏甚至谬误的风险。
基于此,如何在设计人员对MBD模型阵列特征的已有标注结果基础上,自动地完成缺失信息的补全,实现待检对象和其检测要求的一一对应,进而使MBD模型上的待检验内容能够完整地传递到产品检验环节,其对于实现MBD模型从设计环节到检验环节的全自动传递以及内容解析,以及在此基础上实现检测工艺的自动规划及检验过程的自动执行,有着重要的研究意义和应用价值。
目前对阵列特征标注方法的研究都集中在二维工程图纸识别和逆向工程领域,针对的分别是二维工程图和三维点云上的产品阵列特征识别问题。
发明内容
针对现有技术的缺陷,本发明提供一种面向数字化检测的MBD模型阵列特征快速标注方法,实现MBD模型从设计环节到检验环节的全自动传递以及内容解析。
一种面向数字化检测的MBD模型阵列特征快速标注方法,包括以下步骤:
步骤1:对来自MBD模型上的一组阵列特征进行均匀采样,获取能够表征各阵列特征成员形状的采样点云,具体方法为:
步骤1.1:根据阵列特征的已有标注结果对MBD模型进行解析,识别MBD模型上参与组成该阵列特征的所有成员,并获取这些阵列特征成员的几何形状信息,包括对应的顶点信息、边信息和面信息;
步骤1.2:沿阵列特征各成员的几何边展开均匀采样,采样点的数量由其所在边的长度决定,边越长则采样点越多;
步骤1.3:定义已有标注结果的阵列特征成员为样例阵列特征成员SA,未标注的阵列特征成员为目标阵列特征成员OA,在样例阵列特征成员的几何边上均匀采样的点云为样例点云S,在目标阵列特征成员的几何边上均匀采样的点云为目标点云O;
步骤2:依次采用主元分析算法和改进的最近点迭代算法,即PCA算法和改进的ICP算法,对样例阵列特征成员和目标阵列特征成员的采样点云S和O实施粗配准和精确配准,直到准确确立两者采样点云的匹配关系,具体方法为:
步骤2.1:采用PCA算法对样例阵列特征成员和目标阵列特征成员的采样点云实施采点云间的粗配准,具体方法为:
首先根据两个采样点云S和O的坐标信息构建其对应的协方差矩阵,并求解得到三个特征向量;然后定义一个以这些特征向量为坐标轴,两个采样点云各自的质心为坐标中心的坐标系,并通过实施坐标变换,最终将两个采样点云归一化到一致的坐标方向;
步骤2.2:采用改进的ICP算法对样例阵列特征成员和目标阵列特征成员的采样点云实施采样点云间的精确配准,具体方法为:
步骤2.2.1:对于样例阵列特征成员SA和目标阵列特征成员OA各自的采样点云S和O,首先从S中任选一个点p,然后采用k-d tree算法展开快速搜索,获取p在O中的最近邻域点p’;
步骤2.2.2:根据步骤1.1中所获取的阵列特征成员的几何形状信息,比较采样点p和p’各自所从属的边的类型,若两者属于同类边,即均属于直线边或圆弧边,则执行步骤2.2.3,否则,返回步骤2.2.1重新选点;若采样点p和p’其中任一点属于原MBD模型的顶点,即MBD模型中的不同边的交点,则返回步骤2.2.1重新选点;
步骤2.2.3:判断采样点p和p’各自所从属的边e1和e2的类型,若e1和e2均为直线边,则比较采样点p和p’各自所从属的边e1和e2的法向矢量,若e1和e2都为圆弧边,比较采样点p和p’各自所从属的边e1和e2的曲率,若采样点p和p’各自所从属的边e1和e2的法向矢量或曲率相同,则执行步骤2.2.4,否则,返回步骤2.2.1重新选点;
步骤2.2.4:重复步骤2.2.1-步骤2.2.3,建立采样点云S和O中的候选对应点集;
步骤2.2.5:考察候选对应点集中属于采样点云S的成员,参考样例阵列特征成员上的带有PMI信息的已标注结果,若存在某一采样点所从属的边为含有PMI信息的边,或从属于含有PMI信息的面,则执行步骤2.2.6,否则,返回步骤2.2.1重新选点,确保与PMI信息相关联的采样点均进入采样点的精确配准过程;
步骤2.2.6:使用奇异值分解法对采样点云S和O中的候选对应点集进行计算,获得采样点云S和O之间的旋转矩阵R和平移矩阵T,并基于此对采样点云S进行坐标变换;
步骤2.2.7:重复步骤2.2.6,直到采样点云S和O间各组对应点间的平均距离dis满足:disk-disk-1<ε,其中disk与disk-1分别为第k次和第k+1次迭代所获得的平均距离,ε为阈值且ε>0,完成采样点云S和O之间的精确配准;
步骤3:根据采样点间的对应关系,识别目标阵列特征成员缺失信息的待标注位置,完成对MBD模型的尺寸标注添加,具体方法为:
步骤3.1:基于步骤2的计算结果,确定样例阵列特征成员SA和目标阵列特征成员OA各自采样点云间的匹配关系,并进一步确定出SA和OA各自几何元素的对应关系;
步骤3.2:根据几何元素间的对应关系,识别目标阵列特征成员OA上待标注的几何对象,复制样例阵列特征成员SA的PMI信息至目标阵列特征成员OA的相应位置;
步骤3.3:重复步骤3.1-步骤3.2,直到完成对所有目标阵列特征成员的标注添加,实现对整组阵列特征所缺失标注信息的补全,输出带有阵列特征标注的MBD模型。
由上述技术方案可知,本发明的有益效果在于:本发明提供的一种面向数字化检测的MBD模型阵列特征快速标注方法,在不干预设计人员对MBD模型的阵列特征标注习惯的基础上,自动地完成缺失信息的补全,大大提高阵列特征尺寸标注的效率和准确性,使经过快速标注方法标注的阵列特征对象满足可测量性的要求,实现了待检对象和其检测要求的一一对应,进而使MBD模型上的待检验内容能够完整地传递到产品检验环节。对于实现MBD模型从设计环节到检验环节的全自动传递以及内容解析,以及在此基础上实现检测工艺的自动规划及检验过程的自动执行,有着重要的研究意义和应用价值。
附图说明
图1为本发明实施例提供的待检测的MBD模型示意图;
图2为本发明实施例提供的一种面向数字化检测的MBD模型阵列特征快速标注方法的流程图;
图3为本发明实施例提供的待检测MBD模型的阵列特征成员的示意图;
图4为本发明实施例提供的在获取的阵列特征成员的几何边上进行均匀采样的示意图;
图5为本发明实施例提供的获得的阵列特征成员中样例点云S和目标点云O的示意图;
图6为本发明实施例提供的改进的ICP算法的流程图;
图7为本发明实施例提供的采样点云S中的采样点p及p在O中的最近邻域点p’的示意图;
图8为本发明实施例提供的采样点p和p’各自的从属边为圆弧类型时的示意图;
图9为本发明实施例提供的样例阵列特征成员SA和目标阵列特征成员OA中采样点云间匹配关系的示意图;
图10为本发明实施例提供的SA上已标注的PMI信息复制并添加到OA待标注几何对象的相应位置的示意图;
图11为本发明实施例提供的对所有目标阵列特征成员完成添加标注信息的示意图;
图12为本发明实施例提供的添加标注信息后输出的MBD模型示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例使用面向数字化检测的MBD模型阵列特征快速标注方法对如图1所示的待检测MBD模型进行模型阵列特征的快速标注。
一种面向数字化检测的MBD模型阵列特征快速标注方法,如图2所示,包括以下步骤:
步骤1:对来自MBD模型上的一组阵列特征进行均匀采样,获取能够表征各阵列特征成员形状的采样点云,具体方法为:
步骤1.1:根据阵列特征的已有标注结果对MBD模型进行解析,识别MBD模型上参与组成该阵列特征的所有成员,并获取这些阵列特征成员的几何形状信息,包括对应的顶点信息、边信息和面信息;
步骤1.2:沿阵列特征各成员的几何边展开均匀采样,采样点的数量由其所在边的长度决定,边越长则采样点越多;
步骤1.3:定义已有标注结果的阵列特征成员为样例阵列特征成员,未标注的阵列特征成员为目标阵列特征成员,在样例阵列特征成员的几何边上均匀采样的点云为样例点云S,在目标阵列特征成员的几何边上均匀采样的点云为目标点云O;
本实施例中,获取的待检测MBD模型的阵列特征成员,如图3所示,在获取的阵列特征成员的几何边上进行的均匀采样,如图4所示,长度越长的几何边信息采样点的数目越多。在对阵列特征成员的几何边均匀采样之后,获得了如图5所示的阵列特征成员中样例点云S和目标点云O。
步骤2:依次采用主元分析算法(Principal Component Analysis,PCA)和如图6所示的改进的ICP(Iterative Closest Point)算法,对样例阵列特征成员SA和目标阵列特征成员OA的采样点云S和O实施粗配准和精确配准,直到准确确立两者采样点云的匹配关系,具体方法为:
步骤2.1:采用PCA算法对样例阵列特征成员和目标阵列特征成员的采样点云实施采点云间的粗配准,具体方法为:
首先根据两个采样点云S和O的坐标信息构建其对应的协方差矩阵,并求解得到三个特征向量;然后,定义一个以这些特征向量为坐标轴,两个采样点云各自的质心为坐标中心的坐标系,并通过实施坐标变换,最终将两个采样点云归一化到一致的坐标方向;
步骤2.2:采用改进的ICP算法对样例阵列特征成员和目标阵列特征成员的采样点云实施精确配准,具体方法为:
步骤2.2.1:如图7所示,对于样例阵列特征成员SA和目标阵列特征成员OA各自的采样点云S和O,首先从采样点云S中任选一个点p,然后采用k-d tree算法展开快速搜索,获取点p在采样点云O中的最近邻域点p’;
步骤2.2.2:根据步骤1.1中所获取的阵列特征成员的几何形状信息,比较采样点p和p’各自所从属的边的类型,若两者属于同类边,即均属于直线边或圆弧边,则执行步骤2.2.3,否则,返回步骤2.2.1重新选点;若采用点p和p’其中任一点属于原MBD模型的顶点,则返回步骤2.2.1重新选点;
本实施例中,采样点p和p’各自的从属边e1和e2的类型,如图8所示,均为圆弧,属于同类边。
步骤2.2.3:判断采样点p和p’各自所从属的边e1和e2的类型,若e1和e2为直线边,则比较采样点p和p’各自所从属的边e1和e2的法向矢量,若e1和e2都为圆弧边,比较采样点p和p’各自所从属的边e1和e2的曲率,若采样点p和p’各自所从属的边e1和e2的法向矢量或曲率相同,则执行步骤2.2.4,否则,返回步骤2.2.1重新选点,具体的判断内容如下所示:
(1)当采样点p和p’各自的从属边e1和e2为直线边时:
若e1和e2的法向矢量N1和N2相同,即N1·N2=±1,则执行步骤2.2.4;
若e1和e2的法向矢量N1和N2不相同,即N1·N2≠±1,则返回步骤2.2.1,重新选点;
(2)当采样点p和p’各自的从属边e1和e2为圆弧边时:
若e1和e2的曲率K1和K2相同,即K1=K2,则执行步骤2.2.4;
若e1和e2的曲率K1和K2不相同,即K1≠K2,则返回步骤2.2.1,重新选点。
步骤2.2.4:重复步骤2.2.1-步骤2.2.3,直到完成对所有采样点所属边的判断处理,建立采样点云S和O中的候选对应点集;
步骤2.2.5:考察候选对应点集中属于采样点云S的成员,通过参考样例阵列特征成员上的带有PMI信息的已标注结果,若存在某一采样点所从属的边为含有PMI信息的边,或从属于含有PMI信息的面,则执行步骤2.26,否则,返回步骤2.2.1重新选点,确保与PMI信息相关联的采样点均进入采样点的精确配准过程;
步骤2.2.6:使用奇异值分解(Singular Value Decomposition,SVD)法对采样点云S和O中的候选对应点集进行计算,获得采样点云S和O之间的旋转矩阵R和平移矩阵T,并基于此对采样点云S进行坐标变换;
步骤2.2.7:重复步骤2.2.6,直到采样点云S和O间各组对应点的平均距离dis满足:disk-disk-1<ε,其中disk与disk-1分别为第k次和第k+1次迭代所获得的平均距离,ε为阈值且ε>0,完成采样点云S和O之间的精确配准,本实施例中阈值阈值取ε=0.0001;
步骤3:根据采样点间的对应关系,识别目标阵列特征成员缺失信息的待标注位置,完成标注添加,具体方法为:
步骤3.1:基于步骤2的计算结果,确定样例阵列特征成员SA和目标阵列特征成员OA各自采样点云间的匹配关系,进一步确定出SA和OA各自几何元素的对应关系;
步骤3.2:根据几何元素间的对应关系,如图9所示,识别目标阵列特征成员OA上待标注的几何对象,复制样例阵列特征成员SA的PMI信息至目标阵列特征成员OA的相应位置,如图10所示;
步骤3.3:重复步骤3.1-步骤3.2,直到完成对所有目标阵列特征成员的标注添加,如图11所示,实现对整组阵列特征所缺失标注信息的补全,输出如图12所示的带有阵列特征标注的MBD模型。
最后应说明的是:以上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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部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发明权利要求所限定的范围。
Claims (4)
1.一种面向数字化检测的MBD模型阵列特征快速标注方法,其特征在于:包括以下步骤:
步骤1:对来自MBD模型上的一组阵列特征进行均匀采样,获取能够表征各阵列特征成员形状的采样点云,具体方法为:
步骤1.1:根据阵列特征的已有标注结果对MBD模型进行解析,识别MBD模型上参与组成该阵列特征的所有成员,并获取这些阵列特征成员的几何形状信息,包括对应的顶点信息、边信息和面信息;
步骤1.2:沿阵列特征各成员的几何边展开均匀采样,采样点的数量由其所在边的长度决定,边越长则采样点越多;
步骤1.3:定义已有标注结果的阵列特征成员为样例阵列特征成员SA,未标注的阵列特征成员为目标阵列特征成员OA,在样例阵列特征成员的几何边上均匀采样的点云为样例点云S,在目标阵列特征成员的几何边上均匀采样的点云为目标点云O;
步骤2:依次采用主元分析算法和改进的最近点迭代算法,即PCA算法和改进的ICP算法,对各阵列特征成员采样点云实施粗配准和精确配准,直到准确确立两者采样点云的匹配关系,具体方法为:
步骤2.1:采用PCA算法对样例阵列特征成员和目标阵列特征成员的采样点云实施采点云间的粗配准;
步骤2.2:采用改进的ICP算法对样例阵列特征成员和目标阵列特征成员的采样点云实施采样点云间的精确配准;
步骤3:根据采样点间的对应关系,识别目标阵列特征成员缺失信息的待标注位置,完成MBD模型的标注添加。
2.根据权利要求1所述的一种面向数字化检测的MBD模型阵列特征快速标注方法,其特征在于:步骤2.1所述采用PCA算法对样例阵列特征成员和目标阵列特征成员的采样点云实施采点云间的粗配准的具体方法为:
首先根据两个采样点云S和O的坐标信息构建其对应的协方差矩阵,并求解得到三个特征向量;然后定义一个以这些特征向量为坐标轴,两个采样点云各自的质心为坐标中心的坐标系,并通过实施坐标变换,最终将两个采样点云归一化到一致的坐标方向。
3.根据权利要求1所述的一种面向数字化检测的MBD模型阵列特征快速标注方法,其特征在于:步骤2.2所述采用改进的ICP算法对样例阵列特征成员和目标阵列特征成员的采样点云实施精确配准的具体方法为:
步骤2.2.1:对于样例阵列特征成员SA和目标阵列特征成员OA各自的采样点云S和O,首先从S中任选一个点p,然后采用k-d tree算法展开快速搜索,获取p在O中的最近邻域点p’;
步骤2.2.2:根据步骤1.1中所获取的阵列特征成员的几何形状信息,比较采样点p和p’各自所从属的边的类型,若两者属于同类边,即均属于直线边或圆弧边,则执行步骤2.2.3,否则,返回步骤2.2.1重新选点;若采样点p和p’其中任一点属于原MBD模型的顶点,即MBD模型中的不同边的交点,则返回步骤2.2.1重新选点;
步骤2.2.3:判断采样点p和p’各自所从属的边e1和e2的类型,若e1和e2均为直线边,则比较采样点p和p’各自所从属的边e1和e2的法向矢量,若e1和e2都为圆弧边,比较采样点p和p’各自所从属的边e1和e2的曲率,若采样点p和p’各自所从属的边e1和e2的法向矢量或曲率相同,则执行步骤2.2.4,否则,返回步骤2.2.1重新选点;
步骤2.2.4:重复步骤2.2.1-步骤2.2.3,建立采样点云S和O中的候选对应点集;
步骤2.2.5:考察候选对应点集中属于采样点云S的成员,参考样例阵列特征成员上的带有PMI信息的已标注结果,若存在某一采样点所从属的边为含有PMI信息的边,或从属于含有PMI信息的面,则执行步骤2.2.6,否则,返回步骤2.2.1重新选点,,确保与PMI信息相关联的采样点均进入采样点的精确配准过程;
步骤2.2.6:使用奇异值分解法对采样点云S和O中的候选对应点集进行计算,获得采样点云S和O之间的旋转矩阵R和平移矩阵T,并基于此对采样点云S进行坐标变换;
步骤2.2.7:重复步骤2.2.6,直到采样点云S和O间各组对应点间的平均距离dis满足:disk-disk-1<ε,其中disk与disk-1分别为第k次和第k+1次迭代所获得的平均距离,ε为阈值且ε>0,完成采样点云S和O之间的精确配准。
4.根据权利要求1所述的一种面向数字化检测的MBD模型阵列特征快速标注方法,其特征在于:步骤3所述完成MBD模型标注添加的具体方法为:
步骤3.1:基于步骤2的计算结果,确定样例阵列特征成员SA和目标阵列特征成员OA各自采样点云间的匹配关系,并进一步确定出SA和OA各自几何元素的对应关系;
步骤3.2:根据几何元素间的对应关系,识别目标阵列特征成员OA上待标注的几何对象,复制样例阵列特征成员SA的PMI信息至目标阵列特征成员OA的相应位置;
步骤3.3:重复步骤3.1-步骤3.2,直到完成对所有目标阵列特征成员的标注添加,实现对整组阵列特征所缺失标注信息的补全,输出带有阵列特征标注的MBD模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711052084.3A CN107704889B (zh) | 2017-10-30 | 2017-10-30 | 一种面向数字化检测的mbd模型阵列特征快速标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711052084.3A CN107704889B (zh) | 2017-10-30 | 2017-10-30 | 一种面向数字化检测的mbd模型阵列特征快速标注方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107704889A true CN107704889A (zh) | 2018-02-16 |
CN107704889B CN107704889B (zh) | 2020-09-11 |
Family
ID=61177410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711052084.3A Active CN107704889B (zh) | 2017-10-30 | 2017-10-30 | 一种面向数字化检测的mbd模型阵列特征快速标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704889B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472816A (zh) * | 2018-09-17 | 2019-03-15 | 西北大学 | 一种点云配准方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616311A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于改进icp算法的损伤零部件精确配准方法 |
CN105718653A (zh) * | 2016-01-20 | 2016-06-29 | 西北工业大学 | 一种用于mbd工艺模型的标注信息完备性自动检查方法 |
CN106296741A (zh) * | 2016-08-15 | 2017-01-04 | 常熟理工学院 | 纳米视觉图像中细胞高速运动特征标注方法 |
US20170010216A1 (en) * | 2015-07-06 | 2017-01-12 | Elemental Scientific, Inc. | Interchangeable, visually marked sample introduction system mounting structure and components for inductively coupled plasma systems |
CN106934091A (zh) * | 2017-01-09 | 2017-07-07 | 武汉开目信息技术股份有限公司 | 一种用于mbd工序模型生成尺寸标注的方法 |
CN107220995A (zh) * | 2017-04-21 | 2017-09-29 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
-
2017
- 2017-10-30 CN CN201711052084.3A patent/CN107704889B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616311A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于改进icp算法的损伤零部件精确配准方法 |
US20170010216A1 (en) * | 2015-07-06 | 2017-01-12 | Elemental Scientific, Inc. | Interchangeable, visually marked sample introduction system mounting structure and components for inductively coupled plasma systems |
CN105718653A (zh) * | 2016-01-20 | 2016-06-29 | 西北工业大学 | 一种用于mbd工艺模型的标注信息完备性自动检查方法 |
CN106296741A (zh) * | 2016-08-15 | 2017-01-04 | 常熟理工学院 | 纳米视觉图像中细胞高速运动特征标注方法 |
CN106934091A (zh) * | 2017-01-09 | 2017-07-07 | 武汉开目信息技术股份有限公司 | 一种用于mbd工序模型生成尺寸标注的方法 |
CN107220995A (zh) * | 2017-04-21 | 2017-09-29 | 西安交通大学 | 一种基于orb图像特征的icp快速点云配准算法的改进方法 |
Non-Patent Citations (3)
Title |
---|
QIUZHONG ZHOU ET AL: "MBD Driven Digital Product Collaborative Definition Technology", 《2010 THIRD INTERNATIONAL CONFERENCE ON INTELLIGENT NETWORKS AND INTELLIGENT SYSTEMS》 * |
屈力刚 等: "基于MBD的数字化检测工艺分工技术研究", 《航空制造技术》 * |
朱晶杭: "基于加工特征的MBD工艺信息自动标注方法研究", 《内蒙古科技与经济》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472816A (zh) * | 2018-09-17 | 2019-03-15 | 西北大学 | 一种点云配准方法 |
CN109472816B (zh) * | 2018-09-17 | 2021-12-28 | 西北大学 | 一种点云配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107704889B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lim et al. | A simple approach to intrinsic correspondence learning on unstructured 3d meshes | |
CN105740899B (zh) | 一种机器视觉图像特征点检测与匹配复合的优化方法 | |
CN113409382B (zh) | 车辆损伤区域的测量方法和装置 | |
CN105139007B (zh) | 人脸特征点定位方法和装置 | |
Chen et al. | Non-rigid point set registration via coherent spatial mapping | |
JP2012128661A (ja) | 情報処理装置、情報処理方法及びプログラム | |
Oomori et al. | Point cloud matching using singular value decomposition | |
He et al. | A value recognition algorithm for pointer meter based on improved Mask-RCNN | |
Gao et al. | Shape analysis, a field in need of careful validation | |
CN113168729B (zh) | 一种基于局部参考坐标系的3d形状匹配方法及装置 | |
Fu et al. | Image segmentation of cabin assembly scene based on improved RGB-D mask R-CNN | |
CN105787464A (zh) | 一种大量图片在三维场景中的视点标定方法 | |
Yang et al. | Non-rigid point set registration via global and local constraints | |
US20210150078A1 (en) | Reconstructing an object | |
CN107704889A (zh) | 一种面向数字化检测的mbd模型阵列特征快速标注方法 | |
Lejemble et al. | Stable and efficient differential estimators on oriented point clouds | |
Chen et al. | An application of improved RANSAC algorithm in visual positioning | |
Wu et al. | Fast robot localization approach based on manifold regularization with sparse area features | |
Liu et al. | Deep modeling of growth trajectories for longitudinal prediction of missing infant cortical surfaces | |
Portilla et al. | Nested normalizations for decoupling global features | |
Liu et al. | An RGB-D-based cross-field of view pose estimation system for a free flight target in a wind tunnel | |
CN105938615A (zh) | 基于特征导向gmm和边缘图像的图像配准方法及系统 | |
Guo et al. | A contour-guided pose alignment method based on Gaussian mixture model for precision assembly | |
Landgraf et al. | Computer vision for industrial defect detection | |
Siddiqi et al. | A Network Analysis for Correspondence Learning via Linearly-Embedded Functions |
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 |