CN109856946A - 一种激光全息投影沙盘制作方法 - Google Patents

Abstract

本发明涉及一种激光全息投影沙盘制作方法，属于沙盘制作技术领域，解决了现有技术中沙盘制作周期长、展示缺乏真实性及无法进行实时调整的问题。包括以下步骤：构建激光全息投影沙盘预测模型，并进行训练；利用训练好的模型实时调整激光全息投影仪投影参数；激光全息投影仪根据上述投影参数数值进行沙盘投影成像。本发明沙盘制作过程快捷高效，通过机器学习和激光全息投影可以有效解决传统沙盘的即时性问题和真实性问题；激光全息投影能够更加真实的展示模拟地貌的状态，同时通过不断监控外部环境，当沙盘尺寸和外部展示环境发生变化时，训练好的模型可以实时求取最优的投影参数，对投影的状态进行自动纠正，达到最佳的投影尺寸和效果。

Description

一种激光全息投影沙盘制作方法

技术领域

本发明涉及沙盘制作技术领域，尤其涉及一种激光全息投影沙盘制作方法。

背景技术

军事沙盘一般包含两个主要的部分：一个是底部托盘，一个是山川河流的仿真品。关于山川河流的制作目前以两种材质为主，一种是塑胶仿真品，一种是沙子。

以塑胶仿真品为主的沙盘，需要采取特殊定制的形式，首先对真实地貌进行3D图纸的绘制，接着对图纸进行3D打印或者注塑的形，将仿真品制作做出来，再将这些仿真品放在托盘上，用于向他人展示地貌。这种沙盘，一方面，准备周期较长，地貌的准备需要通过3D打印或者注塑的方式，需要对场景进行准备；在突发的状态下，没有时间进行地貌的准备，地貌无法及时调整，无法满足对真实场景的变化进行跟踪的情况。另一方面，展示区域受限，由于地貌都是3D打印或者注塑胶进行制作，对塑胶件的尺寸由一定的要求，并且对于超出常规的尺寸，在费用上也会相应的增加，同时使用后缺乏复用性，每个地貌都是唯一的，现有的地貌无法应用到其他的地区进行展示，造成浪费。

以沙子为主的沙盘，首先在托盘上覆盖所需的沙子，然后根据已有的图纸对每个特征进行测量和标注(例如山脉，河流)，最后根据标注点对沙子进行堆砌或者挖坑，堆砌的部分表示山川，挖坑的部分表示河川。这种沙盘，一方面，准备和制作周期较长，需要对真实的地貌进行等比例的缩放，并且在沙盘中进行标注；同时，制作的整个过程都需要人工进行地貌的制作，例如沙子堆砌表示山脉，沙子挖坑表示湖泊。另一方面，在场景使用阶段，首先缺少准确性，同样的展示方式可以代表不同的地貌，容易让人引起误会，例如采用沙坑的形式可以同时表示湖泊和山坳地形，需要标注以作区分；其次缺少真实性，沙子的颜色单一，无法展示真实的场景；最后调整不方便，在使用中地貌的变更，需要人工对沙子进行调整，根据变化的复杂性和大小度的增加，难度增加，效率低下。

发明内容

鉴于上述的分析，本发明旨在提供一种激光全息投影沙盘制作方法，用以解决现有沙盘制作周期长、展示缺乏真实性及无法进行实时调整的问题。

本发明的目的主要是通过以下技术方案实现的：

提供了一种激光全息投影沙盘制作方法，包括以下步骤：

构建激光全息投影沙盘预测模型，并进行训练；

利用训练好的模型实时调整激光全息投影仪投影参数；

激光全息投影仪根据上述投影参数的数值进行沙盘投影成像。

本发明有益效果如下：

本发明沙盘制作过程快捷高效，通过机器学习和激光全息投影可以有效解决传统沙盘的即时性问题和真实性问题；激光全息投影能够更加真实的展示模拟地貌(例如山川河流等)的状态，同时通过不断监控外部环境，当沙盘尺寸和外部展示环境发生变化时，训练好的模型可以实时求取最优的投影参数，对投影的状态进行自动纠正，制作出的沙盘达到最佳的投影尺寸和效果。

在上述方案的基础上，本发明还做了如下改进：

进一步，利用采集数据得到的数据集，对构建的激光全息投影沙盘预测模型进行训练；所述采集数据的获得包括：

将沙盘内部区域进行划分，并将划分出的各子区域的交点作为基准点；

安装双目摄像头及激光全息投影仪，锁定沙盘的整体区域，并定位上述所有基准点；

操纵激光全息投影仪，并配合校准工具，依次对各基准点进行数据采集，得到训练模型所需要的数据集；

所述数据集包括基准点的平面位置坐标、垂直位置坐标、聚焦范围和清晰度。

进一步，所述对各基准点进行数据采集，包括：

进行长宽尺寸搜集：操纵激光全息投影仪投射“十”字光标，将“十”字光标依次投射在各基准点的位置，调整校准工具的位置，直到校准工具中的“十”字和光标的“十”字的位置重叠，记录基准点的平面位置坐标；

进行深浅尺寸搜集：操纵激光全息投影仪投射“十”字光标，将“十”字光标依次投射在各基准点的位置，保持校准工具中的“十”字和光标的“十”的位置重叠的状态，向上/向下移动校准工具，直到在双目摄像头显示界面中该“十”字光标达到最佳的显示效果，得到该位置的垂直高度、聚焦范围和清晰度信息，作为该基准点的垂直位置坐标、聚焦范围和清晰度。

进一步，在进行长宽尺寸搜集时，当校准工具中的“十”字和光标的“十”字的位置重叠时，通过激光测距感应器进行进一步校准，得到基准点校准后的平面位置坐标。

进一步，对构建激光全息投影沙盘预测模型进行训练，包括：

对网络权重以及偏置进行初始化处理，并在上述数据集中随机选出第一个输入样本；

神经元激活正向传播，通过隐藏层对上述输入样本进行权重和偏置处理，并求取输出层的结果和误差；

根据上述误差进行反向传播，对网络权重和偏置进行调整；

根据预先设定的结束条件判断训练是否结束。

进一步，还包括：对真实的地貌信息进行实时监测，当地貌发生变化时，将地貌变化的间隔时间与预设的基准进行对比，当所述地貌变化的间隔时间小于基准时，则忽略；当地貌变化的间隔时间大于基准时，则重新对地貌的高复杂度区域进行参数预测，得到新的聚焦范围和清晰度参数。

进一步，所述利用训练好的模型实时调整激光全息投影仪投影参数，包括：获取沙盘的长、宽、高、深度信息，标记高复杂度区域，确定高复杂度区域的权重，利用上述训练好的模型求取聚焦范围和清晰度。

进一步，获取沙盘的长、宽、高、深度信息后，在构建的现有的数据库中进行搜索匹配，当匹配一致时，则直接选取对应的聚焦范围和清晰度信息。

进一步，所述激光全息投影仪包括将红、绿、蓝三色激光，经光学元件和处理芯片的扩束后透射到X棱镜将三束激光进行整合，根据聚焦范围和清晰度由投影物镜将整合后的激光透射到沙盘上。

进一步，还包括在所述激光投影沙盘中进行距离测量和位置标注。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例中激光全息投影沙盘制作方法流程图；

图2为本发明实施例中沙盘区域划分及校准工具示意图；

图3为本发明实施例中神经网络结构示意图；

图4为本发明实施例中对构建的预测模型进行训练流程图；

图5为本发明实施例中求取投影参数流程图；

图6为本发明实施例中激光投影仪原理示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

本发明的一个具体实施例，公开了一种激光全息投影沙盘制作方法。如图1所示，包括以下步骤：

步骤S1、构建激光全息投影沙盘预测模型，并进行训练；

步骤S2、利用训练好的模型实时调整激光全息投影仪投影参数；

步骤S3、激光全息投影仪根据上述投影参数数值进行沙盘投影成像。

与现有技术相比，本实施例中激光全息投影沙盘制作方法，沙盘制作过程快捷高效，通过机器学习和激光全息投影可以有效解决传统沙盘的即时性问题和真实性问题；激光全息投影能够更加真实的展示模拟地貌(例如山川河流等)的状态，同时通过不断监控外部环境，当沙盘尺寸和外部展示环境发生变化时，训练好的模型可以实时求取最优的投影参数，对投影的状态进行自动纠正，制作出的沙盘达到最佳的投影尺寸和效果。

具体来说，

在步骤S1中，构建激光全息投影沙盘预测模型，并进行训练，得到训练好的激光全息投影沙盘预测模型；

在沙盘制作过程中，充分发挥人工智能和激光全息投影技术的优势，人工智能通过机器学习自动且即时地获取最优的参数解，激光全息投影更加真实的模拟展示实际场景。本实施例中，机器学习采用的是监督式的学习算法，首先获取一个含有大量数据的数据集(此数据集带有目标值)，通过选用合适的算法来处理此数据集，为了使预测模型返回的值尽可能的靠近目标值，训练过程中要对特征的权重做不断的调整，直到预测模型返回的值满足精度要求为止；具体的，可以包括以下步骤：

步骤S101、进行数据搜集，构建训练模型所需的数据库，搜集数据可以通过网络共享数据库或者进行人工采集的方式，优选的，采用人工采集的方式，首先，将沙盘内部区域进行划分，并将划分出的各子区域的交点作为基准点；然后，安装双目摄像头及激光全息投影仪，锁定沙盘的整体区域，并定位上述所有基准点；最后，操纵激光全息投影仪，并配合校准工具，依次对各基准点进行数据采集，得到训练模型所需要的数据集。

本实施例中以矩形沙盘为例，如图2所示，将预先制作的沙盘框摆好(没有预制沙盘框时,可用砖土垒起或平地下挖15～25厘米)，并尽量与现有位置保持一致，在沙盘框内铺上3-5CM湿度适当的沙土(用手将沙土抓起，以攥起成团，丢下即散为宜)，并用木板刮平压实，作为沙盘的基准面。首先将沙盘区域进行划分(可以通过计算机进行自动划分)，划分方式可以根据沙盘的形状及投影展示精度要求进行选择，示例性地，将矩形沙盘按照4*5的矩阵等分出20个子矩形，并将沙盘内部子矩形的12个交点作为基准点。在完成区域划分后，在可以覆盖沙盘的位置安装双目摄像头及激光全息投影仪，利用双目摄像头锁定沙盘的整体区域(一般安装在矩形沙盘中心点的正上方)，并定位出上述12个基准点，操纵激光全息投影仪(一般安装在与沙盘平面成45°角的位置)，使得在沙盘基准面的投影清晰度最佳，并配合校准工具，进行沙盘尺寸数据采集(包括：长宽尺寸、深浅尺寸)，并汇总得到“沙盘尺寸-12个点位置-聚焦度/清晰度之间”的数据集。

进行长宽尺寸搜集：操纵激光全息投影仪投射“十”字光标，将“十”字光标投射在“1”点的位置，并且此时待校准的光标颜色为红色。校准人员手持校准工具，将校准工具中的“十”字和光标的“十”字的位置进行重叠，利用双目摄像头进行校准，记录“1”点的位置坐标(以沙盘表面作为基准面)。需要说明的是，利用激光测距感应器进行进一步的校准，可以纠正局部细节上的尺寸数据，以便获取的基准的位置信息更加准确；如果“1”点的位置进行校准完毕，光标颜色变更为绿色，表示该点的位置已经搜集完毕。当“1”点的位置校准完毕，则激光全息投影仪“十”字光标移动到“2点”的位置，校准方式同上，以此类推，直到12个基准点的数据全部搜集完毕，则沙盘的长宽尺寸搜集完毕。

进行深浅尺寸搜集；在完成长宽尺寸的搜集的基础上，进行沙盘高度和深度的搜集。操纵激光全息投影仪投射“十”字光标，将“十”字光标依次投射在各基准点的位置，保持校准工具中的“十”字和光标的“十”的位置重叠的状态，向上/向下移动校准工具，直到在双目摄像头显示界面中该“十”字光标达到最佳的显示效果，得到该位置的垂直高度(相对于基准面)、聚焦范围和清晰度信息，作为该基准点的垂直位置坐标、聚焦范围和清晰度。

具体地，高度搜集：操纵激光投影仪投射“十”字光标，将“十”字光标投射在“1”点的位置，并且此时待校准的光标颜色为红色。校准人员手持校准工具，将校准工具中的“十”字和光标的“十”的位置进行重叠，同时向上移动，注意在上移的过程中要求“十”字和光标“十”保持重叠的状态。随着校准工具中的“十”被不断抬高，在“1”点的位置，通过双目摄像头进行校准定位，在高度上寻找到最佳的显示效果(显示最清晰)，得到该点的高度值即为“1”点的高度坐标(双目摄像头自动定位)；此时光标颜色从红色变成绿色，表示完成“1”点高度的数据搜集。当“1”点的位置高度搜集完毕，则光标移动要“2点”的位置，搜集方式同上，以此类推，直到12个点的数据全部搜集完毕，则沙盘的高度搜集完毕。深度搜集：操纵激光投影仪投射“十”字光标，将“十”字光标投射在“1”点的位置，并且此时待校准的光标颜色为红色。校准人员在“1”点区域挖一个深坑，接着手持校准工具，将校准工具中的“十”字和光标的“十”字的位置进行重叠，同时向深坑的底部方向，向下移动，注意在下移的过程中要求“十”字和光标“十”保持重叠的状态。随着校准工具中的“十”被不断下移，通过双目摄像头在“1”点的位置，在深度上寻找到最佳的显示效果。此时光标颜色从红色变成绿色，表示完成“1”点深度的数据搜集。当“1”点的位置深度搜集完毕，则光标移动到“2点”的位置，搜集方式同上，以此类推，直到12个点的数据全部搜集完毕，则沙盘的深度搜集完毕；在获取上述高度或深度信号后，结合激光投影仪在基准面地聚焦范围和清晰度，求取该最优显示位置的聚焦范围和清晰度信息，作为对应基准点的聚焦范围和清晰度。此外，当激光投影仪进行真实环境展示时，还可记录下在上述各基准点的红光、绿光及蓝光信息，数据收集统计如表1所示。

表1数据收集统计表：

步骤S102，构建激光成像沙盘预测模型；通过该模型，当沙盘尺寸和外部环境发生变更的时候，实时得到最优的激光全息投影参数数据，达到最佳的显示效果。可以通过多种机器学习算法构建预测模型，在本实施例中，构建的神经网络如图3所示，通过输入沙盘尺寸即可自动得到聚焦度/清晰度的数值信息。

步骤S103，利用步骤S101中得到的数据库对步骤S102构建的预测模型进行训练，如图4所示，具体地：

步骤S10301、初始化网络权重以及偏置；在初始化阶段，对网络权重和偏置设置一个随机数，并在上述数据集中随机选出第一个输入样本。在机器学习过程中，这个网络权重和偏置的部分会随着实际值和目标值之间的差异进行不断的调整。

步骤S10302、神经元激活正向传播，通过隐藏层对上述输入样本进行权重和偏置处理，并求取输出层的结果和预期的误差；在图3的神经网络中，表示第l层的第i个节点与第l+1层的第j个节点之间的权重，将第l层记为Ll，L1与L2层之间的权重即为L2与L3层之间的权重即为 代表第l+1层第i个节点的偏置项；用表示第l+1层第j个节点的输入值。当l＝1时， 代表第l+1层第j个节点经过激活函数θ(x)后的输出值。公式如下：

这样就完成了一次的训练，得到了输出结果h_W,b(x)。

步骤S10303、根据误差进行反向传播，并调整网络权重和偏置。其中，对于输出层，Err_j＝O_j(1-O_j)(T_j-O_j)对于隐藏层，Err_j＝O_j(1-O_j)∑Err_kw_jk；权重更新，ΔW_ij＝(l)Err_jO_j，W_ij’＝W_ij+ΔW_ij；偏置更新，Δθ_j＝(l)Err_j，θ_j＝j+Δθ_j。

步骤S10304、判断训练是否结束，根据预先设置的训练结束条件，判断训练是否完成，示例性地，当权重的更新低于某个阈值、预测的错误率低于某个阈值、达到预设一定的循环次数等条件时，结束训练，否则继续选取新的样本进行训练。

步骤S2、利用训练好的模型调整激光成像仪成像参数，如图5所示，；

利用已经被训练好的预测模型，当沙盘的长，宽，高，深度发生变化的时候，只需要录入沙盘的尺寸信息或者12个基准点的长，宽，高，深度数据，记录自动算出聚焦范围和清晰度的参数，例如表1中x2和y2的参数。并将参数(红光，绿光，蓝光，聚焦范围，清晰度)打包，通过信号线传输到激光全息投影仪当中。激光投影仪根据投影的参数数据投影在沙盘上。需要说明的是，为了提高实时性，在沙盘的长，宽，高，深度发生变化的时候还可以首先在构建的现有的数据库中进行搜索匹配，当匹配一致时，则直接选取对应的聚焦范围和清晰度信息。

需要强调的是，为了提高激光投影沙盘展示的真实性，在获取聚焦度和清晰度等投影参数时，可以选取高复杂度的区域，以便提高预测模型的预测效果，具体如下：

步骤S201，标记高复杂度区域，将需要模拟的真实地貌中高复杂度的区域和目前沙盘的区域进行比对，对沙盘中符合高复杂度的点位区域进行标记。例如高复杂度区域为1点位，或者4，5点位…(注，如果对某个特定的区域有要求，那么在处理终端进行自动比对之前，人为标记这个区域为高复杂度区域)。

步骤S202，确定高复杂度区域的权重，对复杂度高的位置，数量，要求度等关键因素进行权重。考虑到模拟真实环境中各区域的复杂度存在区别，需要综合相应的关键因素，以便确认清晰度和聚焦范围要求最高的某个点位或者某几个点位，达到最佳的投影效果。

步骤S203，利用训练好的模型求取投影参数，根据沙盘的长，宽，高，深度，利用上述训练好的预测模型，对覆盖到的区域所包含的聚焦范围和清晰度的值进行处理，找到最适合的聚焦范围和清晰度值。例如如果权重后选择的区域为点1和点2的位置，如表2所示，那么对X1、X2以及Y1、Y2值进行处理，得到相应的X值和Y值。

表2聚焦范围和清晰度求取

步骤S3、激光全息投影仪根据上述得到的投影参数数值实时进行沙盘投影成像。如图6所示，本实施例中采用三基色激光技术，激光全息投影机是使用激光光束来透射出画面，其中激光投影机的光学部件主要由红绿蓝三色光阀、合束X棱镜、投影镜头和驱动光阀。在激光投影机中有红、绿、蓝三色激光。激光在机器内经过相应的光学元件和处理芯片的扩束后再透射到X棱镜将三束激光整合，然后再由投影物镜将整合后的激光透射到投影幕布上，完成整个激光投影机显示过程。

需要说明的是，为了解决传统沙盘即时性差，当地貌发生变化时，不能够进行实时调整，反映真实地貌的问题。本实施例中方法，实时对真实的地貌信息进行监测，获取最新的地貌信息，当地貌发生变化时，根据预设条件判断是否对投影进行更新；具体地，预先设置一个时间间隔为基准(时间间隔可根据实际的精度要求、硬件条件、沙盘规模等进行设定)，当监测到地貌发生变化时，将地貌变化的间隔时间与基准进行比较，如果地貌变化的间隔时间小于基准，则忽略；如果地貌变化的间隔时间大于基准，则会对地貌的复杂度区域进行重新的参数预测，得到新的聚焦范围和清晰度参数进行投影展示。

在军事沙盘中增加人工智能和激光全息成像技术，可以解决目前沙盘所带来的问题。激光全息成像技术可以解决准确性和真实性的问题。再此基础上，还可以增加距离测量，位置标注等互动功能，能够即时获取更多战场上的信息。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种激光全息投影沙盘制作方法，其特征在于，包括以下步骤：

构建激光全息投影沙盘预测模型，并进行训练；

利用训练好的模型实时调整激光全息投影仪投影参数；

激光全息投影仪根据上述投影参数的数值进行沙盘投影成像。

2.根据权利要求1所述的方法，其特征在于，利用采集数据得到的数据集，对构建的激光全息投影沙盘预测模型进行训练；所述采集数据的获得包括：

将沙盘内部区域进行划分，并将划分出的各子区域的交点作为基准点；

安装双目摄像头及激光全息投影仪，锁定沙盘的整体区域，并定位上述所有基准点；

操纵激光全息投影仪，并配合校准工具，依次对各基准点进行数据采集，得到训练模型所需要的数据集；

所述数据集包括基准点的平面位置坐标、垂直位置坐标、聚焦范围和清晰度。

3.根据权利要求2所述的方法，其特征在于，所述对各基准点进行数据采集，包括：

进行长宽尺寸搜集：操纵激光全息投影仪投射“十”字光标，将“十”字光标依次投射在各基准点的位置，调整校准工具的位置，直到校准工具中的“十”字和光标的“十”字的位置重叠，记录基准点的平面位置坐标；

进行深浅尺寸搜集：操纵激光全息投影仪投射“十”字光标，将“十”字光标依次投射在各基准点的位置，保持校准工具中的“十”字和光标的“十”的位置重叠的状态，向上/向下移动校准工具，直到在双目摄像头显示界面中该“十”字光标达到最佳的显示效果，得到该位置的垂直高度、聚焦范围和清晰度信息，作为该基准点的垂直位置坐标、聚焦范围和清晰度。

4.根据权利要求3所述的方法，其特征在于，在进行长宽尺寸搜集时，当校准工具中的“十”字和光标的“十”字的位置重叠时，通过激光测距感应器进行进一步校准，得到基准点校准后的平面位置坐标。

5.根据权利要求4所述的方法，其特征在于，对构建激光全息投影沙盘预测模型进行训练，包括：

对网络权重以及偏置进行初始化处理，并在上述数据集中随机选出第一个输入样本；

神经元激活正向传播，通过隐藏层对上述输入样本进行权重和偏置处理，并求取输出层的结果和误差；

根据上述误差进行反向传播，对网络权重和偏置进行调整；

根据预先设定的结束条件判断训练是否结束。

6.根据权利要求1-5之一所述的方法，其特征在于，还包括：对真实的地貌信息进行实时监测，当地貌发生变化时，将地貌变化的间隔时间与预设的基准进行对比，当所述地貌变化的间隔时间小于基准时，则忽略；当地貌变化的间隔时间大于基准时，则重新对地貌的高复杂度区域进行参数预测，得到新的聚焦范围和清晰度参数。

7.根据权利要求6所述的方法，其特征在于，所述利用训练好的模型实时调整激光全息投影仪投影参数，包括：获取沙盘的长、宽、高、深度信息，标记高复杂度区域，确定高复杂度区域的权重，利用上述训练好的模型求取聚焦范围和清晰度。

8.根据权利要求6或7所述的方法，其特征在于，获取沙盘的长、宽、高、深度信息后，在构建的现有的数据库中进行搜索匹配，当匹配一致时，则直接选取对应的聚焦范围和清晰度信息。

9.根据权利要求8所述的方法，其特征在于，所述激光全息投影仪包括将红、绿、蓝三色激光，经光学元件和处理芯片的扩束后透射到X棱镜将三束激光进行整合，根据聚焦范围和清晰度由投影物镜将整合后的激光透射到沙盘上。

10.根据权利要求9所述的方法，其特征在于，还包括在所述激光投影沙盘中进行距离测量和位置标注。