CN108764029A - 模型智能检查方法 - Google Patents

模型智能检查方法 Download PDF

Info

Publication number
CN108764029A
CN108764029A CN201810339774.5A CN201810339774A CN108764029A CN 108764029 A CN108764029 A CN 108764029A CN 201810339774 A CN201810339774 A CN 201810339774A CN 108764029 A CN108764029 A CN 108764029A
Authority
CN
China
Prior art keywords
model
template
identification
view
inspection method
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.)
Pending
Application number
CN201810339774.5A
Other languages
English (en)
Inventor
杨松贵
李俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Wei Tuo Polytron Technologies Inc
Original Assignee
Nanjing Wei Tuo Polytron Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Wei Tuo Polytron Technologies Inc filed Critical Nanjing Wei Tuo Polytron Technologies Inc
Priority to CN201810339774.5A priority Critical patent/CN108764029A/zh
Publication of CN108764029A publication Critical patent/CN108764029A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种模型智能检查方法，其特征在于，所述方法包括以下步骤：1)打开需要查检的产品三维模型；2)从数据库中读取该产品的查检规则，确定需要收集产品三维模型的那些结构或部位；3)通过上述各种识别技术的单独或组合运用找到需要查检的结构或部位；4)获取需要查检的结构或部位的信息和规则比对，正确就通过，不正确就报错。该技术方案能快速准确定位到用户需要查检的目标位置和结构，获取信息和设计规则比对，得出是否符合设计规则的结论。

Description

模型智能检查方法
技术领域
本发明涉及一种检查方法，具体涉及一种模型智能检查方法，属于产品三维图像、三维图形识别技术领域。
背景技术
在产品模型设计过程中，由于主客观等多种因素，设计出来的产品模型，多多少少都存在不符合国家、行业或者企业规范的地方，另外也会存在一些以前设计的模型，由于规范进行了更新，以前符合规范的地方，现在就不符合规范了，所以在决定使用产品设计模型进行生产和加工前，需要对设计模型进行检查，确定没有问题后，再进行生产和加工，否则，产品生产和加工出来后报废的风险会非常大，给企业造成的损失也非常大。
现有查检方式一是靠人工查检，人眼主观感知；二是使用三维设计软件提供的测量功能，测量后跟规则对比，虽然借助了软件测量功能，本质上还是人工检查；三是做一些简单的模型定义，然后根据这些定义结合规则进行查检；前两种查检方式对于人员要求高，必须要了解所有规则，检查时间长，而且会有误检查或者漏检查的风险，采用人工查检的方式，人力成本很高，正确率低，第三种查检方式实现了一定程度的自动化，但是由于需要事先做模型定义，消耗时间多，而且扩展很不方便，只能针对固定场景做检查，在加上市场上这类软件内部算法简易，只能做一些简单的查检，复杂查检还要通过人工查检，所以只能算是初级自动化，完全达不到市场预期。
发明内容
本发明正是针对现有技术中存在的技术问题，提供一种模型智能检查方法，该技术方案能快速准确定位到用户需要查检的目标位置和结构，获取信息和设计规则比对，得出是否符合设计规则的结论。
为了实现上述目的，本发明的技术方案如下，一种模型智能检查方法，所述方法包括以下步骤：1)打开需要查检的产品三维模型；2)从数据库中读取该产品的查检规则，确定需要收集产品三维模型的那些结构或部位；3)通过上述各种识别技术的单独或组合运用找到需要查检的结构或部位；4)获取需要查检的结构或部位的信息和规则比对，正确就通过，不正确就报错。
作为本发明的一种改进，所述步骤2)中的规则如下：
大数据统计识别技术、深度学习识别技术、模板匹配识别技术、距离分类识别技术以及色彩识别技术。
作为本发明的一种改进，所述大数据统计识别技术包含以下步骤：
数据收集：收集用户设计指定结构或部件的过程数据，建模步骤，设置的材料，密度等；数据分析：对大量数据采用统计学原理，分析出该结构或部件在设计过程中的共性点，把这些共性点，记录到数据库中；
使用数据进行图形识别：获取目标模型的所有结构信息，一一比对上述记录的设计过程共性点，如果符合共性点则可以确定结构或模型为共性点所对应的结构和模型。
作为本发明的一种改进，所述步骤2)中的深度学习识别技术包括如下步骤：构建一个用于三维图形识别的深度学习神经网络模型；收集三维模型，并把三维模型按照类别分类，构建用于神经网络培训的模型库，通过模型库完善神经网络模型；通过上述的神经网络的培训，此神经网络已经能认识我们需要它辨认的模型和结构了，这样识别的目的就达到了。
作为本发明的一种改进，所述步骤2)中的模板匹配识别技术包含如下步骤：
模板创建：模板匹配技术经常用于平面图的比较，需要把三维模型转化为二维模型才能，使用此方法，三维模板模型取前视图、左视图、俯视图这三个基本二维图来作为三维模型模板的模板视图；
模板识别：获取需要判别的模型或结构的前视图、左视图和俯视图分别和三维模板视图的前视图、左视图和俯视图比较非相似度，比较采用SSDA法计算图像f(x,y)在像素(u,v)的非相似度m(u,v)为：
以m(u,v)作为匹配尺度。式中(u,v)表示的不是模板与图像重合部分的中心坐标，而是重合部分左上角像素坐标。模板的大小为：n×m。
作为本发明的一种改进，所述步骤2)中的距离分类识别技术包含如下步骤：建立距离和类别的关系：离目标位置距离范围内的有可能就是某东西，有点类似于人体穴位的识别，我们经常会听到离膝盖上方大概多少厘米就是XX穴位；
距离识别：首先需要找到距离的起点位置，然后才能通过距离找到我们需要的模型或结构，如上面的例子我们只要找到膝盖了，才能通过距离范围找到需要的穴位。
作为本发明的一种改进，所述步骤2)中的色彩识别技术包括以下步骤：建立色彩和模型结构或类别的对应关系表；获取模型所有结构和部件的色彩；通过模型色彩匹配关系识别出模型各结构和部件是什么。
相对于现有技术，本发明具有如下优点：该软件采用了大数据传输和处理、模板匹配识别、距离分类识别、大数据统计识别、色彩识别、深度学习识别、微分算法处理等先进技术，确保该软件能够满足市场需求，精确查检出企业产品设计模型中存在的问题，然后根据这些问题进行修改，确认模型没有问题后再进行生产加工，企业使用该方案后可以缩短生成周期，节约企业成本，提高产品质量。
附图说明
图1为本技术方案流程图；
具体实施方式：
为了加深对本发明的理解，下面结合附图对本实施例做详细的说明。
实施例1：参见图1，一种模型智能检查方法，所述方法包括以下步骤：1)打开需要查检的产品三维模型；2)从数据库中读取该产品的查检规则，确定需要收集产品三维模型的那些结构或部位；3)通过上述各种识别技术的单独或组合运用找到需要查检的结构或部位；4)获取需要查检的结构或部位的信息和规则比对，正确就通过，不正确就报错。
所述步骤2)中的规则如下：
大数据统计识别技术、深度学习识别技术、模板匹配识别技术、距离分类识别技术以及色彩识别技术。
所述大数据统计识别技术包含以下步骤：
数据收集：收集用户设计指定结构或部件的过程数据，建模步骤，设置的材料，密度等；数据分析：对大量数据采用统计学原理，分析出该结构或部件在设计过程中的共性点，把这些共性点，记录到数据库中；
使用数据进行图形识别：获取目标模型的所有结构信息，一一比对上述记录的设计过程共性点，如果符合共性点则可以确定结构或模型为共性点所对应的结构和模型。
所述步骤2)中的深度学习识别技术包括如下步骤：构建一个用于三维图形识别的深度学习神经网络模型；收集三维模型，并把三维模型按照类别分类，构建用于神经网络培训的模型库，通过模型库完善神经网络模型；通过上述的神经网络的培训，此神经网络已经能认识我们需要它辨认的模型和结构了，这样识别的目的就达到了。
所述步骤2)中的模板匹配识别技术包含如下步骤：
模板创建：模板匹配技术经常用于平面图的比较，需要把三维模型转化为二维模型才能，使用此方法，三维模板模型取前视图、左视图、俯视图这三个基本二维图来作为三维模型模板的模板视图；
模板识别：获取需要判别的模型或结构的前视图、左视图和俯视图分别和三维模板视图的前视图、左视图和俯视图比较非相似度，比较采用SSDA法计算图像f(x,y)在像素(u,v)的非相似度m(u,v)为：
以m(u,v)作为匹配尺度。式中(u,v)表示的不是模板与图像重合部分的中心坐标，而是重合部分左上角像素坐标。模板的大小为：n×m。
所述步骤2)中的距离分类识别技术包含如下步骤：建立距离和类别的关系：离目标位置距离范围内的有可能就是某东西，有点类似于人体穴位的识别，我们经常会听到离膝盖上方大概多少厘米就是XX穴位；
距离识别：首先需要找到距离的起点位置，然后才能通过距离找到我们需要的模型或结构，如上面的例子我们只要找到膝盖了，才能通过距离范围找到需要的穴位。
所述步骤2)中的色彩识别技术包括以下步骤：建立色彩和模型结构或类别的对应关系表；获取模型所有结构和部件的色彩；通过模型色彩匹配关系识别出模型各结构和部件是什么。该软件采用了大数据传输和处理、模板匹配识别、距离分类识别、大数据统计识别、色彩识别、深度学习识别、微分算法处理等先进技术，确保该软件能够满足市场需求，精确查检出企业产品设计模型中存在的问题，然后根据这些问题进行修改，确认模型没有问题后再进行生产加工，企业使用该方案后可以缩短生成周期，节约企业成本，提高产品质量。
需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。

Claims (7)

1.一种模型智能检查方法，其特征在于，所述方法包括以下步骤：1)打开需要查检的产品三维模型；2)从数据库中读取该产品的查检规则，确定需要收集产品三维模型的那些结构或部位；3)通过上述各种识别技术的单独或组合运用找到需要查检的结构或部位；4)获取需要查检的结构或部位的信息和规则比对，正确就通过，不正确就报错。
2.根据权利要求1所述的模型智能检查方法，其特征在于，所述步骤2)中的规则如下：大数据统计识别技术、深度学习识别技术、模板匹配识别技术、距离分类识别技术以及色彩识别技术。
3.根据权利要求2所述的模型智能检查方法，其特征在于，所述大数据统计识别技术包含以下步骤：数据收集：收集用户设计指定结构或部件的过程数据，建模步骤，设置的材料，密度等；数据分析：对大量数据采用统计学原理，分析出该结构或部件在设计过程中的共性点，把这些共性点，记录到数据库中；使用数据进行图形识别：获取目标模型的所有结构信息，一一比对上述记录的设计过程共性点，如果符合共性点则可以确定结构或模型为共性点所对应的结构和模型。
4.根据权利要求2所述的模型智能检查方法，其特征在于，所述步骤2)中的深度学习识别技术包括如下步骤：构建一个用于三维图形识别的深度学习神经网络模型；收集三维模型，并把三维模型按照类别分类，构建用于神经网络培训的模型库，通过模型库完善神经网络模型；通过上述的神经网络的培训，此神经网络已经能认识我们需要它辨认的模型和结构了，这样识别的目的就达到了。
5.根据权利要求2所述的模型智能检查方法，其特征在于，所述步骤2)中的模板匹配识别技术包含如下步骤：模板创建：模板匹配技术经常用于平面图的比较，需要把三维模型转化为二维模型才能，使用此方法，三维模板模型取前视图、左视图、俯视图这三个基本二维图来作为三维模型模板的模板视图；
模板识别：获取需要判别的模型或结构的前视图、左视图和俯视图分别和三维模板视图的前视图、左视图和俯视图比较非相似度，比较采用SSDA法计算图像f(x,y)在像素(u,v)的非相似度m(u,v)为：
以m(u,v)作为匹配尺度。式中(u,v)表示的不是模板与图像重合部分的中心坐标，而是重合部分左上角像素坐标。模板的大小为：n×m。
6.根据权利要求2所述的模型智能检查方法，其特征在于，所述步骤2)中的距离分类识别技术包含如下步骤：建立距离和类别的关系：离目标位置距离范围内的有可能就是某东西，有点类似于人体穴位的识别，我们经常会听到离膝盖上方大概多少厘米就是XX穴位；距离识别：首先需要找到距离的起点位置，然后才能通过距离找到我们需要的模型或结构，如上面的例子我们只要找到膝盖了，才能通过距离范围找到需要的穴位。
7.根据权利要求2所述的模型智能检查方法，其特征在于，所述步骤2)中的色彩识别技术包括以下步骤：建立色彩和模型结构或类别的对应关系表；获取模型所有结构和部件的色彩；通过模型色彩匹配关系识别出模型各结构和部件。
CN201810339774.5A 2018-04-16 2018-04-16 模型智能检查方法 Pending CN108764029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810339774.5A CN108764029A (zh) 2018-04-16 2018-04-16 模型智能检查方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810339774.5A CN108764029A (zh) 2018-04-16 2018-04-16 模型智能检查方法

Publications (1)

Publication Number Publication Date
CN108764029A true CN108764029A (zh) 2018-11-06

Family

ID=64010616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810339774.5A Pending CN108764029A (zh) 2018-04-16 2018-04-16 模型智能检查方法

Country Status (1)

Country Link
CN (1) CN108764029A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871761A (zh) * 2019-01-16 2019-06-11 中德（珠海）人工智能研究院有限公司 一种三维模型的识别系统
CN110766072A (zh) * 2019-10-22 2020-02-07 探智立方(北京)科技有限公司 一种基于结构相似性的计算图进化ai模型自动生成方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030055521A1 (en) * 2001-09-20 2003-03-20 Naoki Fuki 3-D modeling method
CN1975744A (zh) * 2005-11-30 2007-06-06 株式会社东芝 设计支持系统和设计支持方法
CN106529050A (zh) * 2016-11-18 2017-03-22 中国航空综合技术研究所 一种产品三维模型数据检测方法、装置及系统
CN107408297A (zh) * 2014-11-24 2017-11-28 基托夫系统有限公司 自动检查

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030055521A1 (en) * 2001-09-20 2003-03-20 Naoki Fuki 3-D modeling method
CN1975744A (zh) * 2005-11-30 2007-06-06 株式会社东芝 设计支持系统和设计支持方法
CN107408297A (zh) * 2014-11-24 2017-11-28 基托夫系统有限公司 自动检查
CN106529050A (zh) * 2016-11-18 2017-03-22 中国航空综合技术研究所 一种产品三维模型数据检测方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡娟: "采用MEC的彩色目标误识别", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871761A (zh) * 2019-01-16 2019-06-11 中德（珠海）人工智能研究院有限公司 一种三维模型的识别系统
CN110766072A (zh) * 2019-10-22 2020-02-07 探智立方(北京)科技有限公司 一种基于结构相似性的计算图进化ai模型自动生成方法

Similar Documents

Publication Publication Date Title
CN110473173A (zh) 一种基于深度学习语义分割的缺陷检测方法
CN105787522B (zh) 基于手写笔迹的书写态度评价方法及系统
CN104023230B (zh) 一种基于梯度关联性的无参考图像质量评价方法
CN109559362B (zh) 一种图像主体脸部替换方法及装置
US10037708B2 (en) Method and system for analyzing exam-taking behavior and improving exam-taking skills
EP3567597A1 (en) Method and apparatus of diagnostic test
CN105869085A (zh) 一种成绩录入系统及图像处理的方法
CN110689013A (zh) 一种基于特征识别的自动阅卷方法及系统
CN111126330A (zh) 一种瞳膜中心定位方法及学员听课疲劳度检测方法
CN108764029A (zh) 模型智能检查方法
CN109472464A (zh) 一种基于眼动追踪的在线课程质量的评估方法
CN110942092B (zh) 一种图形图像识别方法及识别系统
CN106790898A (zh) 一种基于显著性分析的手机屏幕坏点自动检测方法和系统
CN115082266A (zh) 一种基于深度学习的学生教育学科综合化发展分析评价系统
CN108304806A (zh) 一种基于对数路径积分特征和卷积神经网络的手势识别方法
DE112016006921T5 (de) Schätzung der menschlichen Ausrichtung in Bildern unter Verwendung von Tiefeninformationen
CN112861809B (zh) 基于多目标视频分析的课堂抬头检测系统及其工作方法
CN117252867B (zh) 一种基于图像识别的vr设备生产产品质量监测分析方法
CN108009537B (zh) 一种识别问卷批改得分的方法
US20170358273A1 (en) Systems and methods for resolution adjustment of streamed video imaging
CN102163343B (zh) 基于互联网图像的三维模型最佳视角自动获取方法
CN210038810U (zh) 智能评测设备及系统
CN114708543B (zh) 一种考场监控视频图像中考生定位方法
CN115937971A (zh) 一种举手投票识别方法及装置
CN109753855A (zh) 教学场景状态的确定方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181106