CN109740421A - 一种基于形状的零件分类方法 - Google Patents
一种基于形状的零件分类方法 Download PDFInfo
- Publication number
- CN109740421A CN109740421A CN201811399695.XA CN201811399695A CN109740421A CN 109740421 A CN109740421 A CN 109740421A CN 201811399695 A CN201811399695 A CN 201811399695A CN 109740421 A CN109740421 A CN 109740421A
- Authority
- CN
- China
- Prior art keywords
- point
- gene encoding
- distance
- encoding space
- space
- 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
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于形状的零件分类方法,首先构建零件描述空间,通过提取三维零件模型的形状信息将零件转化为零件描述空间中的点,进而通过点集聚类实现三维零件模型的分类,以零件描述空间中的点集作为输入,通过聚类算法实现零件的分类。本发明克服了现有零件分类方法所存在的所需零件信息量大、描述繁琐的问题,本发明通过提取三维零件模型的形状信息将零件转化为零件描述空间中的点,实现零件从三维空间到零件描述空间的映射,进而通过聚类方法实现三维零件模型的分类,具有较好的实用性。
Description
技术领域
本发明属于零件加工的技术领域,具体涉及一种基于形状的零件分类方法。
背景技术
在制造企业长期的实践中发现,加工过程中存在大量的相似零件,对于这些相似的零件可以使用相似的加工工艺,也可以采用相似的生产制造模式,从而最大限度地对已有资源进行重用,减少制造投入,提高生产效率,使小批量生产获得接近大批量生产的经济效益。
为实现上述目的,一个重要的步骤是对零件进行分类以获得相似的零件集合。目前,随着三维设计技术的不断发展和深入应用,越来越多的零件都采用三维模型的形式设计和存储。因此,以三维零件模型为基础,按照其形状相似性进行分类以形成零件族,进而开展后续的工艺设计和加工,是达到上述目的重要手段。
文献“MBD环境下计算机辅助零件分类技术.航空精密制造技术.2016,52(6):42-45.”公开了一种MBD环境下零件分类技术。该方法以零件所包含的MBD数据集为基础对零件进行编码,进而通过深度学习对零件分类。文献所述方法在对零件分类时用到了工艺描述、零件属性、工程注释等大量零件信息,信息的种类多,且大部分较难获取和统一,对于非MBD模型来说实现过程较为繁琐。因此,有必要从零件本身的形状出发,对零件进行分类。
发明内容
本发明的目的在于提供一种基于形状的零件分类方法,旨在克服现有零件分类方法所存在的所需零件信息量大、描述繁琐的问题,本发明通过提取三维零件模型的形状信息将零件转化为零件描述空间中的点,实现零件从三维空间到零件描述空间的映射,进而通过聚类方法实现三维零件模型的分类,具有较好的实用性。
本发明主要通过以下技术方案实现:一种基于形状的零件分类方法,首先构建零件描述空间,通过提取三维零件模型的形状信息将零件转化为零件描述空间中的点,进而通过点集聚类实现三维零件模型的分类,以零件描述空间中的点集作为输入,通过聚类算法实现零件的分类。
为了更好的实现本发明,进一步的,主要包括以下步骤:
步骤S100:构建零件描述空间C,C为1024维的实数空间;
步骤S200:对于待分类的零件集A,包括n个零件,表示为A={a1,a2,L,an},将零件ai转化为零件描述空间C中的点;
步骤S300:将零件集A中的每个零件进行转化,得到零件描述空间C中的点集G={g1,g2,L,gn},G则是A中每个零件在C中的映射。
为了更好的实现本发明,进一步的,还包括以下步骤:
步骤S400:通过k-means算法对G进行聚类,获得聚类结果CG1,CG2,L,CGk,其中k是零件类型的数量,CGi中包含的点所对应的零件则为一类零件。
为了更好的实现本发明,进一步的,所述步骤S200中在零件表面随机采集点,通过度量点之间的距离形成距离直方图,进而将直方图每个组的高度转化为描述点的坐标。
为了更好的实现本发明,进一步的,所述步骤S200主要包括以下步骤:
步骤S201:使用欧几里得距离计算三维零件模型表面两个采样点之间的距离,即对于两个点(x1,x2,x3)和(y1,y2,y3),它们之间的距离D为:
步骤S202:在零件三维模型表面随机采集两个点,并计算两点之间的距离;取10242作为采样次数;
步骤S203:直方图中每个组的高度表示了采样点距离值落在该组中的比例,因此,每个组的高度需满足如下要求:
式中:
wt——第t个组的频数;
步骤S204:在零件描述空间C中构建一个点gi=(vi,1,vi,2,L,vi,1024),令:
vi,t=ht(1≤t≤1024) (4)
以此将零件ai转化为C中的点gi。
为了更好的实现本发明,进一步的,所述步骤S202中构建一个组数为1024的直方图来表示所有采样点距离值的分布;采用等组距连续直方图,其组距d为:
式中:
Dmax——采样点距离的最大值;
Dmin——采样点距离的最小值。
本发明的有益效果:
(1)本发明克服了现有零件分类方法所存在的所需零件信息量大、描述繁琐的问题,本发明通过提取三维零件模型的形状信息将零件转化为零件描述空间中的点,实现零件从三维空间到零件描述空间的映射,进而通过聚类方法实现三维零件模型的分类,具有较好的实用性。
(2)本发明通过在零件模型表面随机采点并统计点之间距离,将零件转换成零件描述空间中的点来定量描述零件模型,在保证描述精度的同时,使零件的描述结果只依赖于零件形状,不受其他因素影响;通过在零件描述空间中使用聚类算法,能够快速、有效地实现空间点的聚类,从而实现与空间点一一对应的零件的聚类。
附图说明
图1为本发明的流程图;
图2为本发明的待分类的零件集。
图3为本发明的零件分类结果。
具体实施方式
实施例1:
一种基于形状的零件分类方法,如图1所示,首先构建零件描述空间,通过提取三维零件模型的形状信息将零件转化为零件描述空间中的点,进而通过点集聚类实现三维零件模型的分类,以零件描述空间中的点集作为输入,通过聚类算法实现零件的分类。
本发明克服了现有零件分类方法所存在的所需零件信息量大、描述繁琐的问题,本发明通过提取三维零件模型的形状信息将零件转化为零件描述空间中的点,实现零件从三维空间到零件描述空间的映射,进而通过聚类方法实现三维零件模型的分类,具有较好的实用性。
实施例2:
本实施例是在实施例1的基础上进行优化,如图1所示,主要包括以下步骤:
步骤S100:构建零件描述空间C,C为1024维的实数空间;
步骤S200:对于待分类的零件集A,包括n个零件,表示为A={a1,a2,L,an},将零件ai转化为零件描述空间C中的点;
步骤S300:将零件集A中的每个零件进行转化,得到零件描述空间C中的点集G={g1,g2,L,gn},G则是A中每个零件在C中的映射。
步骤S400:通过k-means算法对G进行聚类,获得聚类结果CG1,CG2,L,CGk,其中k是零件类型的数量,CGi中包含的点所对应的零件则为一类零件。
本发明克服了现有零件分类方法所存在的所需零件信息量大、描述繁琐的问题,本发明通过提取三维零件模型的形状信息将零件转化为零件描述空间中的点,实现零件从三维空间到零件描述空间的映射,进而通过聚类方法实现三维零件模型的分类,具有较好的实用性。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例是在实施例1或2的基础上进行优化,在零件表面随机采集点,通过度量点之间的距离形成距离直方图,进而将直方图每个组的高度转化为描述点的坐标。
本发明通过在零件模型表面随机采点并统计点之间距离,将零件转换成零件描述空间中的点来定量描述零件模型,在保证描述精度的同时,使零件的描述结果只依赖于零件形状,不受其他因素影响;通过在零件描述空间中使用聚类算法,能够快速、有效地实现空间点的聚类,从而实现与空间点一一对应的零件的聚类。
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
实施例4:
本实施例是在实施例2的基础上进行优化,所述步骤S200主要包括以下步骤:
步骤S201:使用欧几里得距离计算三维零件模型表面两个采样点之间的距离,即对于两个点(x1,x2,x3)和(y1,y2,y3),它们之间的距离D为:
步骤S202:在零件三维模型表面随机采集两个点,并计算两点之间的距离;取10242作为采样次数;构建一个组数为1024的直方图来表示所有采样点距离值的分布;采用等组距连续直方图,其组距d为:
式中:
Dmax是采样点距离的最大值;
Dmin是采样点距离的最小值。
步骤S203:直方图中每个组的高度表示了采样点距离值落在该组中的比例,因此,每个组的高度需满足如下要求:
式中:
wt是第t个组的频数;
步骤S204:在零件描述空间C中构建一个点gi=(vi,1,vi,2,L,vi,1024),令:
vi,t=ht(1≤t≤1024) (4)
以此将零件ai转化为C中的点gi。
本发明克服了现有零件分类方法所存在的所需零件信息量大、描述繁琐的问题,本发明通过提取三维零件模型的形状信息将零件转化为零件描述空间中的点,实现零件从三维空间到零件描述空间的映射,进而通过聚类方法实现三维零件模型的分类,具有较好的实用性。
本发明通过在零件模型表面随机采点并统计点之间距离,将零件转换成零件描述空间中的点来定量描述零件模型,在保证描述精度的同时,使零件的描述结果只依赖于零件形状,不受其他因素影响;通过在零件描述空间中使用聚类算法,能够快速、有效地实现空间点的聚类,从而实现与空间点一一对应的零件的聚类。
本实施例的其他部分与上述实施例2相同,故不再赘述。
实施例5:
一种基于形状的零件分类方法,如图2所示,本实例通过具体的零件模型分类实例来展示本发明的基于形状的零件分类方法。如图1所示,针对零件集中的零件,其具体分类步骤如下:
1.构建零件描述空间C,C为1024维的实数空间。
2.对于待分类的零件集,其包含11个零件。对于零件1,通过下列步骤将其转化为描述空间C中的一个点:
2-1.使用欧几里得距离计算三维零件模型表面两个采样点之间的距离,即对于两个点(x1,x2,x3)和(y1,y2,y3),它们之间的距离D为:
2-2.在零件三维模型表面随机采集两个点,并根据式计算两点之间的距离。形状分布的特点决定了较少的采样次数会导致模型描述的不准确,因此本发明取10242作为采样次数以保证描述的准确性。
构建一个组数为1024的直方图来表示所有采样点距离值的分布。本发明采用等组距连续直方图,其组距d为:
式中:
Dmax——采样点距离的最大值;
Dmin——采样点距离的最小值;
2-3.直方图中每个组的高度表示了采样点距离值落在该组中的比例。因此,每个组的高度需满足如下要求:
式中:
wt——第t个组的频数;
2-4.在描述空间C中构建一个点gi=(vi,1,vi,2,L,vi,1024),令
vi,t=ht(1≤t≤1024) (4)
通过以上步骤,将零件1描述为空间C中的一个点g1,且g1=(1.72,L0,0,03),×010.-40。1,0.
3.对于每一个零件重复步骤2,得到描述空间中的点集G={g1,g2,L,g11},如下表所示:
零件 | 空间点 |
零件1 | (1.72,0,0,…,0.01,0.03)×10<sup>-4</sup> |
零件2 | (0.32,0,0,…,0.01,0.01)×10<sup>-4</sup> |
零件3 | (0.31,0,0,…,0.01,0.01)×10<sup>-4</sup> |
零件4 | (0.25,0,0,…,0,0)×10<sup>-4</sup> |
零件5 | (0.38,0,0,…,0.06,0.05)×10<sup>-4</sup> |
零件6 | (0.39,0,0,…,0.06,0.08)×10<sup>-4</sup> |
零件7 | (0.35,0,0,…,0.10,0.08)×10<sup>-4</sup> |
零件8 | (0.41,0,0,…,0.07,0.03)×10<sup>-4</sup> |
零件9 | (0.35,0,0,…,0.06,0.05)×10<sup>-4</sup> |
零件10 | (0.37,0,0,…,0.07,0.05)×10<sup>-4</sup> |
零件11 | (0.38,0,0,…,0.01,0.02)×10<sup>-4</sup> |
4.通过k-means算法对G进行聚类,获得聚类结果CG1,CG2,L,CGk,其中k是零件类型的数量,CGi中包含的点所对应的零件则为一类零件。图3是分类结果,检索结果显示,零件集中的零件被分为4组,相似的零件被分为一组。
该实施实例表明,本发明提出的基于形状的零件分类方法可用于零件的分类,并能够取得较好的效果。本发明通过在零件模型表面随机采点并统计点之间距离,将零件转换成描述空间中的点来定量描述零件模型,在保证描述精度的同时,使零件的描述结果只依赖于零件形状,不受其他因素影响;通过在描述空间中使用聚类算法,能够快速、有效地实现空间点的聚类,从而实现与空间点一一对应的零件的聚类。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (6)
1.一种基于形状的零件分类方法,其特征在于,首先构建零件描述空间,通过提取三维零件模型的形状信息将零件转化为零件描述空间中的点,进而通过点集聚类实现三维零件模型的分类,以零件描述空间中的点集作为输入,通过聚类算法实现零件的分类。
2.根据权利要求1所述的一种基于形状的零件分类方法,其特征在于,主要包括以下步骤:
步骤S100:构建零件描述空间C,C为1024维的实数空间;
步骤S200:对于待分类的零件集A,包括n个零件,表示为A={a1,a2,L,an},将零件ai转化为零件描述空间C中的点;
步骤S300:将零件集A中的每个零件进行转化,得到零件描述空间C中的点集G={g1,g2,L,gn},G则是A中每个零件在C中的映射。
3.根据权利要求2所述的一种基于形状的零件分类方法,其特征在于,还包括以下步骤:步骤S400:通过k-means算法对G进行聚类,获得聚类结果CG1,CG2,L,CGk,其中k是零件类型的数量,CGi中包含的点所对应的零件则为一类零件。
4.根据权利要求2所述的一种基于形状的零件分类方法,其特征在于,所述步骤S200中在零件表面随机采集点,通过度量点之间的距离形成距离直方图,进而将直方图每个组的高度转化为描述点的坐标。
5.根据权利要求4所述的一种基于形状的零件分类方法,其特征在于,所述步骤S200主要包括以下步骤:
步骤S201:使用欧几里得距离计算三维零件模型表面两个采样点之间的距离,即对于两个点(x1,x2,x3)和(y1,y2,y3),它们之间的距离D为:
步骤S202:在零件三维模型表面随机采集两个点,并计算两点之间的距离;取10242作为采样次数;
步骤S203:直方图中每个组的高度表示了采样点距离值落在该组中的比例,因此,每个组的高度需满足如下要求:
式中:
wt是第t个组的频数;
步骤S204:在零件描述空间C中构建一个点gi=(vi,1,vi,2,L,vi,1024),令:
vi,t=ht(1≤t≤1024) (4)
以此将零件ai转化为C中的点gi。
6.根据权利要求5所述的一种基于形状的零件分类方法,其特征在于,所述步骤S202中构建一个组数为1024的直方图来表示所有采样点距离值的分布;采用等组距连续直方图,其组距d为:
式中:
Dmax是采样点距离的最大值;
Dmin是采样点距离的最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811399695.XA CN109740421A (zh) | 2018-11-22 | 2018-11-22 | 一种基于形状的零件分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811399695.XA CN109740421A (zh) | 2018-11-22 | 2018-11-22 | 一种基于形状的零件分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109740421A true CN109740421A (zh) | 2019-05-10 |
Family
ID=66358062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811399695.XA Pending CN109740421A (zh) | 2018-11-22 | 2018-11-22 | 一种基于形状的零件分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740421A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407650A (zh) * | 2021-06-30 | 2021-09-17 | 广东利元亨智能装备股份有限公司 | 一种零件分类方法、装置、电子设备及存储介质 |
TWI768432B (zh) * | 2020-08-18 | 2022-06-21 | 新加坡商鴻運科股份有限公司 | 零件裝配前分類處理方法、系統、電子設備及存儲介質 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315644A (zh) * | 2008-05-09 | 2008-12-03 | 浙江工业大学 | 基于可拓聚类的零件分类方法 |
CN105574265A (zh) * | 2015-12-16 | 2016-05-11 | 西北工业大学 | 面向模型检索的装配体模型定量描述方法 |
CN106067036A (zh) * | 2016-05-27 | 2016-11-02 | 大连楼兰科技股份有限公司 | 基于人工智能无监督学习K‑means方法建立不同车型分零件远程定损系统及方法 |
US20170329892A1 (en) * | 2016-05-10 | 2017-11-16 | Accutar Biotechnology Inc. | Computational method for classifying and predicting protein side chain conformations |
CN108846151A (zh) * | 2018-04-20 | 2018-11-20 | 西北工业大学 | 基于空间连接骨架的装配体定量描述方法 |
-
2018
- 2018-11-22 CN CN201811399695.XA patent/CN109740421A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315644A (zh) * | 2008-05-09 | 2008-12-03 | 浙江工业大学 | 基于可拓聚类的零件分类方法 |
CN105574265A (zh) * | 2015-12-16 | 2016-05-11 | 西北工业大学 | 面向模型检索的装配体模型定量描述方法 |
US20170329892A1 (en) * | 2016-05-10 | 2017-11-16 | Accutar Biotechnology Inc. | Computational method for classifying and predicting protein side chain conformations |
CN106067036A (zh) * | 2016-05-27 | 2016-11-02 | 大连楼兰科技股份有限公司 | 基于人工智能无监督学习K‑means方法建立不同车型分零件远程定损系统及方法 |
CN108846151A (zh) * | 2018-04-20 | 2018-11-20 | 西北工业大学 | 基于空间连接骨架的装配体定量描述方法 |
Non-Patent Citations (2)
Title |
---|
苏迪等: "基于模糊聚类K-means播种机焊接零件的编码分类", 《石河子大学学报:自然科学版》 * |
苑津莎等: "基于形状相似距离的K-means聚类算法", 《华北电力大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI768432B (zh) * | 2020-08-18 | 2022-06-21 | 新加坡商鴻運科股份有限公司 | 零件裝配前分類處理方法、系統、電子設備及存儲介質 |
CN113407650A (zh) * | 2021-06-30 | 2021-09-17 | 广东利元亨智能装备股份有限公司 | 一种零件分类方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017210949A1 (zh) | 一种跨媒体检索方法 | |
CN102254015B (zh) | 基于视觉词组的图像检索方法 | |
CN101477529B (zh) | 一种三维对象的检索方法和装置 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
CN104850633A (zh) | 一种基于手绘草图部件分割的三维模型检索系统及方法 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN103955703A (zh) | 一种基于朴素贝叶斯的医疗影像疾病分类方法 | |
CN109299301B (zh) | 一种基于形状分布和曲度的三维模型检索方法 | |
CN113344019A (zh) | 一种决策值选取初始聚类中心改进的K-means算法 | |
CN105631416A (zh) | 采用新型密度聚类进行人脸识别的方法 | |
CN105574265B (zh) | 面向模型检索的装配体模型定量描述方法 | |
CN103744935A (zh) | 一种计算机快速海量数据聚类处理方法 | |
CN116720632B (zh) | 基于gis和bim的工程建设智能管理方法及系统 | |
Gao et al. | Classification of 3D terracotta warrior fragments based on deep learning and template guidance | |
CN109740421A (zh) | 一种基于形状的零件分类方法 | |
CN109409407A (zh) | 一种基于le算法的工业监测数据聚类方法 | |
CN107480471B (zh) | 基于小波变换为特征的序列相似性分析的方法 | |
CN104361347A (zh) | 一种基于单一图像的数控机床设计模块三维模型检索方法 | |
CN104462458A (zh) | 大数据系统的数据挖掘方法 | |
WO2023050461A1 (zh) | 一种数据的聚类方法、系统及存储介质 | |
CN109636600A (zh) | 一种使用维度约减的投资组合方法 | |
CN110555245B (zh) | 一种三维尺度精准关注部位提取应力梯度的方法 | |
CN105718950B (zh) | 一种基于结构约束的半监督多视角聚类方法 | |
CN107180391B (zh) | 一种风电数据跨度选取方法及装置 | |
Lu et al. | Main control factors affecting mechanical oil recovery efficiency in complex blocks identified using the improved k-means algorithm |
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 |
Application publication date: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |