CN110175952A - 一种基于目标检测的玉石加工路径的自动生成方法及装置 - Google Patents
一种基于目标检测的玉石加工路径的自动生成方法及装置 Download PDFInfo
- Publication number
- CN110175952A CN110175952A CN201910449833.9A CN201910449833A CN110175952A CN 110175952 A CN110175952 A CN 110175952A CN 201910449833 A CN201910449833 A CN 201910449833A CN 110175952 A CN110175952 A CN 110175952A
- Authority
- CN
- China
- Prior art keywords
- picture
- jade
- flag bit
- machining path
- photo
- 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
- 239000010977 jade Substances 0.000 title claims abstract description 248
- 238000003754 machining Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 78
- 230000009466 transformation Effects 0.000 claims abstract description 78
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims description 40
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 239000000203 mixture Substances 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 6
- 238000010008 shearing Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 239000003550 marker Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 238000004925 denaturation Methods 0.000 description 2
- 230000036425 denaturation Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 241000872198 Serjania polyphylla Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000010437 gem Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
Classifications
-
- G06T3/147—
Abstract
本发明公开了一种基于目标检测的玉石加工路径的自动生成方法及装置，方法包括：1)、获取包含有第一图片的针对基准玉石的第一照片；2)、生成针对基准玉石的NC加工路径；3)、获取包含有第二图片以及第四图片的针对待加工玉石的第二照片；4)、利用预先训练的图像识别模型，识别出第一图片和第三图片，第二图片和第四图片；5)、根据第一图片中的标志位与第二图片中的标志位之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵；6)、利用仿射变换矩阵将针对基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。应用本发明实施例，可以自动生成加工路径。
Description
技术领域
本发明涉及一种玉石加工路径的自动生成方法及装置，更具体涉及一种基于目标检测的玉石加工路径的自动生成方法及装置。
背景技术
目前，中国是玉石消费大国，拥有世界最大的玉石消费市场。改革开放近40年来，中国珠宝玉石行业取得了巨大发展，玉石的雕刻技术独具特色，玉石产品琳琅满目，品类繁多。随着人民物质生活水平的不断提高，越来越多的人购买玉石产品。
目前，玉器产品的生产都是由玉雕师全部负责。为了提高玉石的加工效率，在实际的玉石加工过程中引入了CNC(Computerized Numerical Control，电脑数字控制)加工设备。通常情况下，玉雕师将需要加工的图案设计好后，交由CNC设计人员生成针对待加工玉石的加工路径，进而由数控系统根据针对待加工玉石的加工路径生成对应的NC(NumericalControl，数字控制)代码。
但是，CNC设计人员的工作只能在玉石雕刻现场完成，如果玉雕师分布在十个地方，则CNC设计人员需要跑十个地方逐个操作，才能将所有的NC代码生成完成。因此，现有技术存在不能自动生成加工路径的技术问题。
发明内容
本发明所要解决的技术问题在于提供了一种基于目标检测的玉石加工路径的自动生成方法及装置，以解决现有技术中无法进行自动生成玉石加工路径。
本发明是通过以下技术方案解决上述技术问题的：
本发明实施例提供了一种基于目标检测的玉石加工路径的自动生成方法，所述方法包括：
1)、获取包含有第一图片的针对基准玉石的第一照片，其中，所述第一图片设置在基准玉石表面上；其中，所述第一图片包含有若干个标志位；
2)、生成针对所述基准玉石的NC加工路径；
3)、获取包含有第二图片的针对待加工玉石的第二照片，其中，所述第二图片设置在待加工玉石表面上；且所述第一图片和第二图片相同；
4)、利用预先训练的图像识别模型，识别出所述第一图片中的标志位和第二图片中的标志位；
5)、根据第一图片中的标志位与第二图片中的标志位之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵；
6)、利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
可选的，所述步骤1)，包括：
按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第一图片，将一个标志位的图片作为第三图片，且所述标志位具有旋转不变性；
将包含有标志位的第一图片贴在基准玉石表面，将包含标志位的第三图片贴在承载基准玉石的承载平台上；
将所述基准玉石以及所述第三图片拍摄到一张照片中；
所述步骤2)，包括：
将所述第三图片中的标志位的中心点作为坐标原点，生成针对所述基准玉石的NC加工路径。
可选的，所述步骤3)，包括：
按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第二图片，将一个标志位的图片作为第四图片，且所述标志位具有旋转不变性；
将包含有标志位的第二图片贴在基准玉石表面，将包含标志位的第四图片贴在承载基准玉石的承载平台上；
将所述待加工玉石以及所述第四图片拍摄到一张照片中；
所述步骤6)，包括：
将第四图片中的标志位的中心点为坐标原点，利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
可选的，所述图像识别模型的训练过程包括：
获取标志位的图片，并将所述标志位的图片经过后续处理得到若干张不同状态下的标志位的图片，其中，所述后续处理包括：旋转、平移、缩放、翻转以及剪切中的一种或组合；
将所述若干张不同状态下的标志位的图片分为训练集和测试集；
利用训练集训练神经网络模型，并利用测试集测试所训练的神经网络模型，至所训练的神经网络模型的准确率达到预设阈值。
可选的，所述标志位为将至少两个颜色、直径均不同的圆同心叠加得到的同心圆图片；
所述识别出所述第一图片中的标志位和第二图片中的标志位，包括：
识别出所述第一图片中的标志位上的预设点和第二图片中的标志位上的预设点；
所述步骤5)，包括：
根据第一图片中的标志位上的预设点和第二图片中的标志位上的预设点之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵。
可选的，所述步骤6)，包括：
利用公式，计算针对基准玉石的NC加工路径中的各点的坐标，其中，
PI1.x为针对基准玉石的NC加工路径中的各点在第一图片中对应像素点的横坐标；I1P4.x为第三图片中标志位的横坐标；P.x为基准玉石对应的NC加工路径中P点的横坐标；eu_dist(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的欧氏距离；Len(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的真实距离；PI1.y为针对基准玉石的NC加工路径中的各点的纵坐标；I1P4.y为第三图片中标志位的纵坐标；P.y为基准玉石对应的NC加工路径中P点的纵坐标；
利用仿射变换矩阵，以及公式计算与第一照片中的像素点对应的、位于第二照片中的像素点的坐标，其中，
PI2.x为与第一照片中的像素点对应的、位于第二照片中的像素点的横坐标；a00为仿射变换矩阵中第一行第一列的元素；a01为仿射变换矩阵中第一行第二列的元素；a02为仿射变换矩阵中第一行第三列的元素；PI2.y为与第一照片中的像素点对应的、位于第二照片中的像素点的纵坐标；a10为仿射变换矩阵中第二行第一列的元素；a11为仿射变换矩阵中第二行第二列的元素；a01为仿射变换矩阵中第二行第三列的元素；
根据第二照片中标志位的坐标以及针对基准玉石的NC加工路径中的各点的坐标，利用公式，P'.z＝P.z，计算针对待加工玉石的NC加工路径上点的坐标，其中，
P'.x为针对待加工玉石的NC加工路径上点的横坐标；I2P4.x为第二照片中的第三图片的标志位的横坐标；P'.y为针对待加工玉石的NC加工路径上点的纵坐标；I2P4.y为第二照片中的第三图片的标志位的纵坐标；P'.z为针对待加工玉石的NC加工路径上的像素点的竖坐标；P.z为针对基准玉石的NC加工路径上的像素点的竖坐标。
本发明实施例还提供了一种基于目标检测的玉石加工路径的自动生成装置，所述装置包括：
第一获取模块，用于获取包含有第一图片的针对基准玉石的第一照片，其中，所述第一图片设置在基准玉石表面上；其中，所述第一图片包含有若干个标志位；
生成模块，用于生成针对所述基准玉石的NC加工路径；
第二获取模块，用于获取包含有第二图片的针对待加工玉石的第二照片，其中，所述第二图片设置在待加工玉石表面上；且所述第一图片和第二图片相同；
识别模块，用于利用预先训练的图像识别模型，识别出所述第一图片中的标志位和第二图片中的标志位；
第三获取模块，用于根据第一图片中的标志位与第二图片中的标志位之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵；
变换模块，用于利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
可选的，所述第一获取模块，用于：
按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第一图片，将一个标志位的图片作为第三图片，且所述标志位具有旋转不变性；
将包含有标志位的第一图片贴在基准玉石表面，将包含标志位的第三图片贴在承载基准玉石的承载平台上；
将所述基准玉石以及所述第三图片拍摄到一张照片中；
所述生成模块，用于：
将所述第三图片中的标志位的中心点作为坐标原点，生成针对所述基准玉石的NC加工路径。
可选的，所述第二获取模块，用于：
按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第二图片，将一个标志位的图片作为第四图片，且所述标志位具有旋转不变性；
将包含有标志位的第二图片贴在基准玉石表面，将包含标志位的第四图片贴在承载基准玉石的承载平台上；
将所述待加工玉石以及所述第四图片拍摄到一张照片中；
所述变换模块，用于：
将第四图片中的标志位的中心点为坐标原点，利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
可选的，所述图像识别模型的训练过程包括：
获取标志位的图片，并将所述标志位的图片经过后续处理得到若干张不同状态下的标志位的图片，其中，所述后续处理包括：旋转、平移、缩放、翻转以及剪切中的一种或组合；
将所述若干张不同状态下的标志位的图片分为训练集和测试集；
利用训练集训练神经网络模型，并利用测试集测试所训练的神经网络模型，至所训练的神经网络模型的准确率达到预设阈值。
可选的，所述标志位为将至少两个颜色、直径均不同的圆同心叠加得到的同心圆图片；
识别模块，用于：
识别出所述第一图片中的标志位上的预设点和第二图片中的标志位上的预设点；
所述第三获取模块，用于：
根据第一图片中的标志位上的预设点和第二图片中的标志位上的预设点之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵。
可选的，所述变换模块，用于：
利用公式，计算针对基准玉石的NC加工路径中的各点的坐标，其中，
PI1.x为针对基准玉石的NC加工路径中的各点在第一图片中对应像素点的横坐标；I1P4.x为第三图片中标志位的横坐标；P.x为基准玉石对应的NC加工路径中P点的横坐标；eu_dist(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的欧氏距离；Len(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的真实距离；PI1.y为针对基准玉石的NC加工路径中的各点的纵坐标；I1P4.y为第三图片中标志位的纵坐标；P.y为基准玉石对应的NC加工路径中P点的纵坐标；
利用仿射变换矩阵，以及公式计算与第一照片中的像素点对应的、位于第二照片中的像素点的坐标，其中，
PI2.x为与第一照片中的像素点对应的、位于第二照片中的像素点的横坐标；a00为仿射变换矩阵中第一行第一列的元素；a01为仿射变换矩阵中第一行第二列的元素；a02为仿射变换矩阵中第一行第三列的元素；PI2.y为与第一照片中的像素点对应的、位于第二照片中的像素点的纵坐标；a10为仿射变换矩阵中第二行第一列的元素；a11为仿射变换矩阵中第二行第二列的元素；a01为仿射变换矩阵中第二行第三列的元素；
根据第二照片中标志位的坐标以及针对基准玉石的NC加工路径中的各点的坐标，利用公式，P'.z＝P.z，计算针对待加工玉石的NC加工路径上点的坐标，其中，
P'.x为针对待加工玉石的NC加工路径上点的横坐标；P2I4.x为第二照片中的第三图片的标志位的横坐标；P'.y为针对待加工玉石的NC加工路径上点的纵坐标；P2I4.y为第二照片中的第三图片的标志位的纵坐标；P'.z为针对待加工玉石的NC加工路径上的像素点的竖坐标；P.z为针对基准玉石的NC加工路径上的像素点的竖坐标。
本发明相比现有技术具有以下优点：
应用本发明实施例，针对基准玉石获取加工路径后，利用第一照片中的标志位以及第二照片中的标志位的坐标的差别，获取第一照片中的标志位与第二照片中的标志位之间的仿射变换矩阵，根据仿射变换矩阵得到待加工玉石的加工路径，因此，只要获取了基准玉石上的标志位与待加工玉石上的标识位之间的仿射变换矩阵，即可以批量生成待加工玉石的加工路径，相对于现有技术中逐个生成待加工玉石的加工路径，本发明实施例可以自动生成加工路径。
附图说明
图1为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成方法的流程示意图；
图2为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成方法的原理示意图；
图3为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成方法中第一图片的结构示意图；
图4为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成方法中第三图片的结构示意图；
图5为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成装置的结构示意图；
图6为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成装置的数据交互示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明实施例提供了一种基于目标检测的玉石加工路径的自动生成方法及装置，下面首先就本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成方法进行介绍。
图1为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成方法的流程示意图；图2为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成方法的原理示意图；如图1和图2所示，所述方法包括：
S101：获取包含有第一图片的针对基准玉石的第一照片，其中，所述第一图片设置在基准玉石表面上；其中，所述第一图片包含有若干个标志位。
具体的，可以按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第一图片，将一个标志位的图片作为第三图片，且所述标志位具有旋转不变性；将包含有标志位的第一图片贴在基准玉石表面，将包含标志位的第三图片贴在承载基准玉石的承载平台上；将所述基准玉石以及所述第三图片拍摄到一张照片中。
在实际应用中，本步骤可以包括以下步骤：
首先，将一个直径较大的颜色为灰色的圆，与直径较小的颜色为黑色的圆同心叠放，得到同心圆图片；将同心圆图片作为标志位。标志位中黑色小圆在灰色大圆的上面，黑色小圆中像素的RGB值为(0，0，0)，半径为0.5mm，灰色大圆中像素点的RGB值为(193，193，193)，半径为2mm。
在实际应用中，只要使直径较大的圆与直径较小的圆之间的颜色不同即可，直径较大的圆的颜色可以为黄色、蓝色等其他颜色，本发明实施例并不对标志位中直径较大的圆以及直径较小的圆的颜色进行限定。
然后，图3为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成方法中第一图片的结构示意图，如图3所示，将三个标志位设置在直角三角形的三个顶点处，三个标记物的几何中心点能够组成一个直角三角形，并且三个角分别为30°、60°和90°；得到第一图片，并将第一图片作为三角形标记物。图4为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成方法中第三图片的结构示意图，如图4所示，将一个标志位构成的图片作为第三图片，并将第三图片作为正方形标记物。需要强调的是，作为标志位的图片包括但不仅限于圆形，但是全部都要具备旋转不变性，即标志位旋转到任何角度都具有相同的形状。
对于玉石原料X，当设计人员根据目标图案使用CNC雕刻软件生成其NC代码时，需要先将三角形标记物黏贴在标准玉石X的表面上，将正方形标记物黏贴在桌面上。选取正方形标记物中的标记物的几何中心点为坐标原点。
最后，使用固定架将相机固定在与桌面保持平行的位置，并将基准玉石、第一图片和第三图片拍摄进同一张照片中，得到第一照片I1。
需要强调的是，所述基准玉石以外的平面上通常是指，用于承载基准玉石的承载平台，如桌子、工作台、机床上用于固定夹具的平面。在实际应用中，基准玉石可以与第三图片位于不同的承载平台上，但是均需位于相机的拍摄范围内。
S102：生成针对所述基准玉石的NC加工路径。
具体的，可以将所述第三图片中的标志位的中心点作为坐标原点，生成针对所述基准玉石的NC加工路径。
示例性的，以第三图片上的标志位的中心点作为原点，然后由CNC设计人员使用代码生成设备生成针对标准玉石的NC代码，记作NC1。
S103：获取包含有第二图片的针对待加工玉石的第二照片，其中，所述第二图片设置在待加工玉石表面上；且所述第一图片和第二图片相同；
具体的，可以按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第二图片，将一个标志位的图片作为第四图片，且所述标志位具有旋转不变性；将包含有标志位的第二图片贴在基准玉石表面，将包含标志位的第四图片贴在承载基准玉石的承载平台上；将所述待加工玉石以及所述第四图片拍摄到一张照片中。
在实际应用中，本步骤中可以包括以下步骤：
首先，按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第二图片，将一个标志位的图片作为第四图片，且所述标志位具有旋转不变性。
将三个标志位设置在直角三角形的三个顶点处，三个标记物的几何中心点能够组成一个直角三角形，并且三个角分别为30°、60°和90°；得到第二图片，并将第二图片作为三角形标记物。将一个标志位构成的图片作为第四图片，并将第四图片作为正方形标记物。
可以理解的是，第二图片与第一图片相同，第四图片与第三图片相同。
然后，将包含标志位的第四图片贴在承载基准玉石的承载平台上，即当雕刻人员在生成针对待加工玉石X的NC加工路径时，此时待加工玉石X已经贴有第二图片，也就是步骤S101中所贴的第一图片相同的图片，将正方形标记物作为第四图片贴在桌面上。
最后，将所述待加工玉石以及所述第四图片拍摄到一张照片中。
最后，使用固定架将相机固定在与桌面保持平行的位置，并将待加工玉石、第二图片和第四图片拍摄进同一张照片中，得到第二照片I2。
S104：利用预先训练的图像识别模型，识别出所述第一图片中的标志位和第二图片中的标志位。
具体的，可以识别出所述第一图片中的标志位上的预设点和第二图片中的标志位上的预设点。
本步骤中的图像识别模型的训练过程可以包括：
首先，获取标志位的图片，并将所述标志位的图片经过后续处理得到若干张不同状态下的标志位的图片，其中，所述后续处理包括：旋转、平移、缩放、翻转以及剪切中的一种或组合。
使用图片生成器对标志位进行旋转、平移、缩放、翻转和剪切等操作中的一种或者组合，得到大量图片，并以jpg格式保存起来。
在实际应用中，将一个直径较大的颜色为灰色的圆，与直径较小的颜色为黑色的圆同心叠放，得到同心圆图片；将同心圆图片作为标志位。标志位的图片的尺寸要尽量的小，比如，位于三角形标志物三个顶点的标志位不应有重合的部分。
在本步骤中使用的图片生成器可以为：
keras.preprocessing.image.ImageDataGenerator。
表1为本发明实施例中所涉及ImageDataGenerator的参数名称、含义和取值，如表1所示：
表1
然后，将所述若干张不同状态下的标志位的图片分为训练集和测试集。
将上一步骤中得到的大量的标志位的图片分为两部分，一部分作为训练集，另一部分作为测试集。将训练集以及测试集的数据格式调整为符合微软COCO(The MicrosoftCommon Objects in Context，微软公共对象数据集)数据集格式(详见网页http://cocodataset.org/#download)的json文件，得到训练集对应的json文件和测试集对应的json文件。
这里分别将这两个json文件称为训练集对应的json文件和测试集对应的json文件。
表2为本发明实施例中json文件的格式类型，如表2所示：
表2
| 键名 | 描述 | 值类型 |
| info | 数据集基本信息 | info |
| images | 图片数据列表 | [image] |
| annotations | 注解数据列表 | [annotation] |
| licenses | 许可证列表 | [license] |
| categories | 类别名称列表 | [category] |
json文件中包含有info键名、image键名、annotations键名、licenses键名、categories键名，其中，info键名如表3所示，image键名如表4所示、annotations键名如表5所示、licenses键名如表6所示、categories键名如表7所示。
表3为本发明实施例中json文件中info键名列表。
表3
| 键名 | 描述 | 值类型 |
| year | 数据集年份 | int |
| version | 数据集版本 | str |
| description | 数据集的描述信息 | str |
| contributor | 贡献者 | str |
| url | 数据集的URL | str |
表4为本发明实施例中json文件中image键名列表。
表4
| 键名 | 描述 | 值类型 |
| id | 图片编号 | int |
| width | 图片宽度 | int |
| height | 图片高度 | int |
| file_name | 文件名 | str |
| license | 许可证编号 | int |
| flickr_url | 图片的URL | str |
| coco_url | 图片在COCO数据集中的地址 | str |
| date_captured | 获取图片的时间 | datetime |
表5为本发明实施例中json文件中license键名列表。
表5
| 键名 | 描述 | 值类型 |
| id | 许可证编号 | int |
| name | 许可证名字 | str |
| url | 许可证在互联网中的地址 | str |
表6为本发明实施例中json文件中annotation键名列表。
表6
RLE(run-length encoding，游程编码)是控制论中一种对二值图像编码的方式。
另外，在实际应用中，因为本步骤中所得的大量图片在包含保持标志位的同时图片的尺寸足够小，所以我们可以将bbox.x设置为0，bbox.y设置为0，bbox.width设置为图片的宽度，bbox.height设置为图片的高度，这样就不需要人工去标注图片尺寸了。
表7为本发明实施例中json文件中category键名列表。
表7
| 键名 | 描述 | 值类型 |
| id | 类别编号 | int |
| name | 类别名称 | str |
| supercategory | 父类别名称 | str |
最后，利用训练集训练神经网络模型，并利用测试集测试所训练的神经网络模型，直至所训练的神经网络模型的准确率达到预设阈值。
将上一步骤所得的训练集以及对应的json文件载入到ResNet-101网络模型中，该模型使用的主干模型为R-101-FPN(R-101-Feature Pyramid Network，R-101-特征金字塔网络)，是基于端到端的Faster R-CNN(Faster R-Convolutional Neural Networks，快速卷积神经网络)模型。
使用测试集对应的json文件来评价训练后的神经网络模型，如果模型的平均准确率低于0.853，调整神经网络模型中的超参数，并使用训练集重新训练训练后的神经网络模型，直至训练后的神经网络模型的平均准确率达到0.853。
在实际应用中，可以使用Facebook的Detectron软件包来训练模型和评价模型，关于Detectron模型仓库和基准模型可以参见：
https://github.com/facebookresearch/Detectron/blob/master/MODEL_ZOO.md。
在神经网络模型训练完成后，使用训练后的神经网络模型识别出第一照片中的第一三角形标记物作为第一图片，识别出第一照片中的第一正方形标记物作为第三图片；识别出第二照片中的第二三角形标记物作为第二图片，识别出第二照片中的第二正方形标记物作为第四图片。
玉雕师可以使用客户端上传I1、NC1和I2到云端；云端服务加载好训练好的神经网络模型后，输出检测结果为Json格式，表8为本发明实施例中训练好的神经网络模型输出的检测结果的数据格式，如表8所示：
表8
| 键名 | 描述 | 值类型 |
| id | 目标编号 | int |
| category_name | 类别名称 | str |
| bbox | 边界框坐标及宽度和高度 | [x，y，width，height] |
至此得到三角形标记物和正方形标记物中标志位的边界框bbox。
其中，第一照片对应有4组边界框，每一组边界框分别对应一个标志位；第二照片对应有4组边界框，每一组边界框分别对应一个标志位。
由于图像识别算法只能识别出图像，对图像中的点的识别精度不是很好，因此，为了识别标志位中的预设点，如中心点，或者角点，或者线段中心点等的位置，由于直径较大的圆为灰色，直径较小的圆作为其预设点，其为黑色，利用黑色与灰色的灰度值的差异识别出预设点的坐标。
S105：根据第一图片中的标志位与第二图片中的标志位之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵。
具体的，可以根据第一图片中的标志位上的预设点和第二图片中的标志位上的预设点之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵。
示例性的，使用图形中心算法查找S104步骤中识别出的第一图片、第三图片、第二图片以及第四图片中的各个标记物的中心点坐标。其具体步骤如下：
首先，将黑色作为标准色，将标准色作为雕刻环境图片中的BGR值，用standard_bgr_black表示标准色在BGR图片中的值，其值可以为BGR(41，54，37)。
然后，针对每一个标志位，从左到右、从上到下遍历对应的边界框所圈定的矩形区域中的各个像素点，获取各个像素点的BGR值，找出BGR值与standard_bgr_black的欧氏距离最小的像素点，则欧式距离最小的像素点作为该标志位的几何中心点。
使用图形中心算法可以在每一张照片的4组边界框中分别查找它们的中心点，可得到4个像素点。由于在4个标志位中，有三个标志位的几何中心点能够组成直角三角形，所以我们可以根据此直角三角形特性(三个角分别为30°、60°和90°)来分别得到近似30°角对应的顶点、近似60°角对应的顶点、近似90°角对应的顶点以及对应于第一照片的NC文件NC1对应的坐标原点，依次记作点I1P1、I1P2、I1P3和I1P4。
需要强调是的，因为标志位可能会发生变形，第一照片中的三角形并非是严格的直角三角形，所以这里用近似值来计算。
按照上述方法对于第二照片进行相同的处理，I2同理可得近似30°角对应的顶点、近似60°角对应的顶点、近似90°角对应的顶点以及NC2对应的坐标原点，依次记作点I2P1、I2P2、I2P3和I2P4。
然后，根据第一照片I1中的点I1P1、I1P2、I1P3分别对应第二照片I2中的点I2P1、I2P2、I2P3，使用Opencv的cv::getAffineTransform(const Point2f src[]，const Point2f dst[])函数，便可以得第一照片I1到第二照片I2的仿射变换矩阵，如下所示：
S106：利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
NC文件中每行参数名称、含义和取值如表9所示：
表9
例如：N4075X-30Y-32.5Z-0.5
故可由NC文件中任一行的X、Y和Z得到其在三维空间中对应的点，记作点P，其中P.x为X对应的值，P.y为Y对应的值，P.z为Z对应的值，单位为毫米。可见，如果一个NC文件有n行，则就有n个这样的点。
具体的，将第四图片中的标志位的中心点为坐标原点，利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
进一步的，可以利用公式，计算针对基准玉石的NC加工路径中的各点的坐标，其中，
PI1.x为针对基准玉石的NC加工路径中的点P在图片I1中对应像素点的横坐标；I1P4.x为第三图片中标志位的横坐标；P.x为NC1文件中点P对应的横坐标；eu_dist(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的欧氏距离，单位为像素；Len(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的真实距离，单位为毫米；PI1.y为针对基准玉石的NC加工路径中的点P在图片I1中对应像素点的纵坐标；I1P4.y为第三图片中标志位的纵坐标；P.y为NC文件中点P对应的纵坐标；
利用仿射变换矩阵，以及公式计算第一照片I1中像素点PI1经过仿射变换后在第二照片I2中对应的像素点坐标，其中，
PI2.x为第一照片I1中像素点PI1经过仿射变换后在第二照片I2中对应像素点的横坐标；a00为仿射变换矩阵中第一行第一列的元素；a01为仿射变换矩阵中第一行第二列的元素；a02为仿射变换矩阵中第一行第三列的元素；PI2.y为第一照片I1中像素点PI1经过仿射变换后在第二照片I2中对应像素点的纵坐标；a10为仿射变换矩阵中第二行第一列的元素；a11为仿射变换矩阵中第二行第二列的元素；a01为仿射变换矩阵中第二行第三列的元素；
根据针对基准玉石的NC加工路径中的各点的坐标，利用公式，P'.z＝P.z，计算针对待加工玉石的NC加工路径上点的坐标，其中，
P'.x为针对待加工玉石的NC加工路径上点的横坐标；I2P4.x为第二照片中的第三图片的标志位的横坐标；P'.y为针对待加工玉石的NC加工路径上点的纵坐标；I2P4.y为第二照片中的第三图片的标志位的纵坐标，P'.z为针对待加工玉石的NC加工路径上点的竖坐标。变换前后，Z值保持不变。
经过实际评测，使用本发明自动化生成的玉石加工路径，在x方向，最小误差为0.0123mm，最大误差为0.9132mm，平均误差为0.5317mm；在y方向，最小误差为0.0104mm，最大误差为0.8965mm，平均误差为0.5158mm。使用自动化生成的NC代码来雕刻玉石时，效果也非常好。
应用本发明图1所示实施例，针对基准玉石获取加工路径后，利用第一照片中的标志位以及第二照片中的标志位的坐标的差别，获取第一照片中的标志位与第二照片中的标志位之间的仿射变换矩阵，根据仿射变换矩阵得到待加工玉石的加工路径，因此，只要获取了基准玉石上的标志位与待加工玉石上的标志位之间的仿射变换矩阵，就可以自动生成加工路径，雕刻时无需设计师的参与，实现了分布式雕刻，本发明提高了生产效率，降低了人力资源成本。
而且，本发明图1所示实施例，相对于现有技术，生成NC加工路径的效率更高。
与本发明图1所示实施例相对应，本发明实施例还提供了一种基于目标检测的玉石加工路径的自动生成装置。
图5为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成装置的结构示意图；如图5所示，所述装置包括：
第一获取模块501，用于获取包含有第一图片的针对基准玉石的第一照片，其中，所述第一图片设置在基准玉石表面上；其中，所述第一图片包含有若干个标志位；
生成模块502，用于生成针对所述基准玉石的NC加工路径；
第二获取模块503，用于获取包含有第二图片的针对待加工玉石的第二照片，其中，所述第二图片设置在待加工玉石表面上；且所述第一图片和第二图片相同；
识别模块504，用于利用预先训练的图像识别模型，识别出所述第一图片中的标志位和第二图片中的标志位；
第三获取模块505，用于根据第一图片中的标志位与第二图片中的标志位之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵；
变换模块506，用于利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
应用本发明图5所示实施例，针对基准玉石获取加工路径后，利用第一照片中的标志位以及第二照片中的标志位的坐标的差别，获取第一照片中的标志位与第二照片中的标志位之间的仿射变换矩阵，根据仿射变换矩阵得到待加工玉石的加工路径，因此，只要获取了基准玉石上的标志位与待加工玉石上的标志位之间的仿射变换矩阵，即可以批量生成待加工玉石的加工路径，相对于现有技术中逐个生成待加工玉石的加工路径，本发明实施例的生成效率更高。
在本发明实施例的一种具体实施方式中，所述第一获取模块501，用于：
按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第一图片，将一个标志位的图片作为第三图片，且所述标志位具有旋转不变性；
将包含有标志位的第一图片贴在基准玉石表面，将包含标志位的第三图片贴在承载基准玉石的承载平台上；
将所述基准玉石以及所述第三图片拍摄到一张照片中；
所述生成模块502，用于：
将所述第三图片中的标志位的中心点作为坐标原点，生成针对所述基准玉石的NC加工路径。
在本发明实施例的一种具体实施方式中，所述第二获取模块503，用于：
按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第二图片，将一个标志位的图片作为第四图片，且所述标志位具有旋转不变性；
将包含有标志位的第二图片贴在基准玉石表面，将包含标志位的第四图片贴在承载基准玉石的承载平台上；
将所述待加工玉石以及所述第四图片拍摄到一张照片中；
所述变换模块506，用于：
将第四图片中的标志位的中心点为坐标原点，利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
在本发明实施例的一种具体实施方式中，所述图像识别模型的训练过程包括：
获取标志位的图片，并将所述标志位的图片经过后续处理得到若干张不同状态下的标志位的图片，其中，所述后续处理包括：旋转、平移、缩放、翻转以及剪切中的一种或组合；
将所述若干张不同状态下的标志位的图片分为训练集和测试集；
利用训练集训练神经网络模型，并利用测试集测试所训练的神经网络模型，至所训练的神经网络模型的准确率达到预设阈值。
在本发明实施例的一种具体实施方式中，所述标志位为将至少两个颜色、直径均不同的圆同心叠加得到的同心圆图片；
识别模块504，用于：
识别出所述第一图片中的标志位上的预设点和第二图片中的标志位上的预设点；
所述第三获取模块505，用于：
根据第一图片中的标志位上的预设点和第二图片中的标志位上的预设点之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵。
在本发明实施例的一种具体实施方式中，所述变换模块506，用于：
利用公式，计算针对基准玉石的NC加工路径中的各点的坐标，其中，
PI1.x为针对基准玉石的NC加工路径中的各点在第一图片中对应像素点的横坐标；I1P4.x为第三图片中标志位的横坐标；P.x为基准玉石对应的NC加工路径中P点的横坐标；eu_dist(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的欧氏距离；Len(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的真实距离；PI1.y为针对基准玉石的NC加工路径中的各点的纵坐标；I1P4.y为第三图片中标志位的纵坐标；P.y为基准玉石对应的NC加工路径中P点的纵坐标；
利用仿射变换矩阵，以及公式计算与第一照片中的像素点对应的、位于第二照片中的像素点的坐标，其中，
PI2.x为与第一照片中的像素点对应的、位于第二照片中的像素点的横坐标；a00为仿射变换矩阵中第一行第一列的元素；a01为仿射变换矩阵中第一行第二列的元素；a02为仿射变换矩阵中第一行第三列的元素；PI2.y为与第一照片中的像素点对应的、位于第二照片中的像素点的纵坐标；a10为仿射变换矩阵中第二行第一列的元素；a11为仿射变换矩阵中第二行第二列的元素；a01为仿射变换矩阵中第二行第三列的元素；
根据第二照片中标志位的坐标以及针对基准玉石的NC加工路径中的各点的坐标，利用公式，P'.z＝P.z，计算针对待加工玉石的NC加工路径上点的坐标，其中，
P'.x为针对待加工玉石的NC加工路径上点的横坐标；I2P4.x为第二照片中的第三图片的标志位的横坐标；P'.y为针对待加工玉石的NC加工路径上点的纵坐标；I2P4.y为第二照片中的第三图片的标志位的纵坐标；P'.z为针对待加工玉石的NC加工路径上的像素点的竖坐标；P.z为针对基准玉石的NC加工路径上的像素点的竖坐标。
在本发明实施例的另一种具体实施方式中，图6为本发明实施例提供的一种基于目标检测的玉石加工路径的自动生成装置的数据交互示意图，如图6所示，第一照片以及第二照片的获取可以由客户端，如手机端、PC端以及WEB端中的一种或多种完成；
对标志位的图片的数据获取以及预处理、数据集构造、模型训练以及评价均可以在云端完成；
针对第一照片以及第二照片的目标检测，图片放射变换处理以及NC代码解析以及生成也可以在云端完成。
云端生成针对待加工玉石的NC加工路径后，将加工路径返回至客户端，客户端将NC加工路径输入到数控加工设备中，数控加工设备可以自动生成对应的NC加工代码。
在实际应用中，云端也可以根据针对待加工玉石的NC加工路径自动生成针对待加工玉石的NC加工代码。
需要强调的是，NC代码的生成过程为现有技术，本发明实施例在此并不对其进行赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于目标检测的玉石加工路径的自动生成方法，其特征在于，所述方法包括：
1)、获取包含有第一图片的针对基准玉石的第一照片，其中，所述第一图片设置在基准玉石表面上；其中，所述第一图片包含有若干个标志位；
2)、生成针对所述基准玉石的NC加工路径；
3)、获取包含有第二图片的针对待加工玉石的第二照片，其中，所述第二图片设置在待加工玉石表面上；且所述第一图片和第二图片相同；
4)、利用预先训练的图像识别模型，识别出所述第一图片中的标志位和第二图片中的标志位；
5)、根据第一图片中的标志位与第二图片中的标志位之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵；
6)、利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
2.根据权利要求1所述的一种基于目标检测的玉石加工路径的自动生成方法，其特征在于，所述步骤1)，包括：
按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第一图片，将一个标志位的图片作为第三图片，且所述标志位具有旋转不变性；
将包含有标志位的第一图片贴在基准玉石表面，将包含标志位的第三图片贴在承载基准玉石的承载平台上；
将所述基准玉石以及所述第三图片拍摄到一张照片中；
所述步骤2)，包括：
将所述第三图片中的标志位的中心点作为坐标原点，生成针对所述基准玉石的NC加工路径。
3.根据权利要求2所述的一种基于目标检测的玉石加工路径的自动生成方法，其特征在于，所述步骤3)，包括：
按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第二图片，将一个标志位的图片作为第四图片，且所述标志位具有旋转不变性；
将包含有标志位的第二图片贴在基准玉石表面，将包含标志位的第四图片贴在承载基准玉石的承载平台上；
将所述待加工玉石以及所述第四图片拍摄到一张照片中；
所述步骤6)，包括：
将第四图片中的标志位的中心点为坐标原点，利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
4.根据权利要求1所述的一种基于目标检测的玉石加工路径的自动生成方法，其特征在于，所述图像识别模型的训练过程包括：
获取标志位的图片，并将所述标志位的图片经过后续处理得到若干张不同状态下的标志位的图片，其中，所述后续处理包括：旋转、平移、缩放、翻转以及剪切中的一种或组合；
将所述若干张不同状态下的标志位的图片分为训练集和测试集；
利用训练集训练神经网络模型，并利用测试集测试所训练的神经网络模型，至所训练的神经网络模型的准确率达到预设阈值。
5.根据权利要求1-4任一项所述的基于目标检测的玉石加工路径的自动生成方法，其特征在于，所述标志位为将至少两个颜色、直径均不同的圆同心叠加得到的同心圆图片；
所述识别出所述第一图片中的标志位和第二图片中的标志位，包括：
识别出所述第一图片中的标志位上的预设点和第二图片中的标志位上的预设点；
所述步骤5)，包括：
根据第一图片中的标志位上的预设点和第二图片中的标志位上的预设点之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵。
6.根据权利要求3所述的一种基于目标检测的玉石加工路径的自动生成方法，其特征在于，所述步骤6)，包括：
利用公式，计算针对基准玉石的NC加工路径中的各点的坐标，其中，
PI1.x为针对基准玉石的NC加工路径中的各点在第一图片中对应像素点的横坐标；I1P4.x为第三图片中标志位的横坐标；P.x为基准玉石对应的NC加工路径中P点的横坐标；eu_dist(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的欧氏距离；Len(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的真实距离；PI1.y为针对基准玉石的NC加工路径中的各点的纵坐标；I1P4.y为第三图片中标志位的纵坐标；P.y为基准玉石对应的NC加工路径中P点的纵坐标；
利用仿射变换矩阵，以及公式计算与第一照片中的像素点对应的、位于第二照片中的像素点的坐标，其中，
PI2.x为与第一照片中的像素点对应的、位于第二照片中的像素点的横坐标；a00为仿射变换矩阵中第一行第一列的元素；a01为仿射变换矩阵中第一行第二列的元素；a02为仿射变换矩阵中第一行第三列的元素；PI2.y为与第一照片中的像素点对应的、位于第二照片中的像素点的纵坐标；a10为仿射变换矩阵中第二行第一列的元素；a11为仿射变换矩阵中第二行第二列的元素；a01为仿射变换矩阵中第二行第三列的元素；
根据第二照片中标志位的坐标以及针对基准玉石的NC加工路径中的各点的坐标，利用公式，P'.z＝P.z，计算针对待加工玉石的NC加工路径上点的坐标，其中，
P'.x为针对待加工玉石的NC加工路径上点的横坐标；I2P4.x为第二照片中的第三图片的标志位的横坐标；P'.y为针对待加工玉石的NC加工路径上点的纵坐标；I2P4.y为第二照片中的第三图片的标志位的纵坐标；P'.z为针对待加工玉石的NC加工路径上的像素点的竖坐标；P.z为针对基准玉石的NC加工路径上的像素点的竖坐标。
7.一种基于目标检测的玉石加工路径的自动生成装置，其特征在于，所述装置包括：
第一获取模块，用于获取包含有第一图片的针对基准玉石的第一照片，其中，所述第一图片设置在基准玉石表面上；其中，所述第一图片包含有若干个标志位；
生成模块，用于生成针对所述基准玉石的NC加工路径；
第二获取模块，用于获取包含有第二图片的针对待加工玉石的第二照片，其中，所述第二图片设置在待加工玉石表面上；且所述第一图片和第二图片相同；
识别模块，用于利用预先训练的图像识别模型，识别出所述第一图片中的标志位和第二图片中的标志位；
第三获取模块，用于根据第一图片中的标志位与第二图片中的标志位之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵；
变换模块，用于利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
8.根据权利要求7所述的一种基于目标检测的玉石加工路径的自动生成装置，其特征在于，所述第一获取模块，用于：
按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第一图片，将一个标志位的图片作为第三图片，且所述标志位具有旋转不变性；
将包含有标志位的第一图片贴在基准玉石表面，将包含标志位的第三图片贴在承载基准玉石的承载平台上；
将所述基准玉石以及所述第三图片拍摄到一张照片中；
所述生成模块，用于：
将所述第三图片中的标志位的中心点作为坐标原点，生成针对所述基准玉石的NC加工路径。
9.根据权利要求8所述的一种基于目标检测的玉石加工路径的自动生成装置，其特征在于，所述第二获取模块，用于：
按照直角三角形顶点的分布方式设置三个标志位，并将三个标志位组成的图片作为第二图片，将一个标志位的图片作为第四图片，且所述标志位具有旋转不变性；
将包含有标志位的第二图片贴在基准玉石表面，将包含标志位的第四图片贴在承载基准玉石的承载平台上；
将所述待加工玉石以及所述第四图片拍摄到一张照片中；
所述变换模块，用于：
将第四图片中的标志位的中心点为坐标原点，利用所述仿射变换矩阵将针对所述基准玉石的NC加工路径中的各个坐标点，变换为针对待加工玉石的NC加工路径。
10.根据权利要求7所述的一种基于目标检测的玉石加工路径的自动生成装置，其特征在于，所述图像识别模型的训练过程包括：
获取标志位的图片，并将所述标志位的图片经过后续处理得到若干张不同状态下的标志位的图片，其中，所述后续处理包括：旋转、平移、缩放、翻转以及剪切中的一种或组合；
将所述若干张不同状态下的标志位的图片分为训练集和测试集；
利用训练集训练神经网络模型，并利用测试集测试所训练的神经网络模型，至所训练的神经网络模型的准确率达到预设阈值。
11.根据权利要求7-10任一项所述的基于目标检测的玉石加工路径的自动生成装置，其特征在于，所述标志位为将至少两个颜色、直径均不同的圆同心叠加得到的同心圆图片；
识别模块，用于：
识别出所述第一图片中的标志位上的预设点和第二图片中的标志位上的预设点；
所述第三获取模块，用于：
根据第一图片中的标志位上的预设点和第二图片中的标志位上的预设点之间坐标的区别，获取第一照片与第二照片之间的仿射变换矩阵。
12.根据权利要求9所述的一种基于目标检测的玉石加工路径的自动生成装置，其特征在于，所述变换模块，用于：
利用公式，计算针对基准玉石的NC加工路径中的各点的坐标，其中，
PI1.x为针对基准玉石的NC加工路径中的各点在第一图片中对应像素点的横坐标；I1P4.x为第三图片中标志位的横坐标；P.x为基准玉石对应的NC加工路径中P点的横坐标；eu_dist(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的欧氏距离；Len(I1P1,I1P2)为第一图片中的一个标志位I1P1到第一图片中的另一个标志位I1P2的真实距离；PI1.y为针对基准玉石的NC加工路径中的各点的纵坐标；I1P4.y为第三图片中标志位的纵坐标；P.y为基准玉石对应的NC加工路径中P点的纵坐标；
利用仿射变换矩阵，以及公式计算与第一照片中的像素点对应的、位于第二照片中的像素点的坐标，其中，
PI2.x为与第一照片中的像素点对应的、位于第二照片中的像素点的横坐标；a00为仿射变换矩阵中第一行第一列的元素；a01为仿射变换矩阵中第一行第二列的元素；a02为仿射变换矩阵中第一行第三列的元素；PI2.y为与第一照片中的像素点对应的、位于第二照片中的像素点的纵坐标；a10为仿射变换矩阵中第二行第一列的元素；a11为仿射变换矩阵中第二行第二列的元素；a01为仿射变换矩阵中第二行第三列的元素；
根据第二照片中标志位的坐标以及针对基准玉石的NC加工路径中的各点的坐标，利用公式，P'.z＝P.z，计算针对待加工玉石的NC加工路径上点的坐标，其中，
P'.x为针对待加工玉石的NC加工路径上点的横坐标；I2P4.x为第二照片中的第三图片的标志位的横坐标；P'.y为针对待加工玉石的NC加工路径上点的纵坐标；I2P4.y为第二照片中的第三图片的标志位的纵坐标；P'.z为针对待加工玉石的NC加工路径上的像素点的竖坐标；P.z为针对基准玉石的NC加工路径上的像素点的竖坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910449833.9A CN110175952B (zh) | 2019-05-28 | 2019-05-28 | 一种基于目标检测的玉石加工路径的自动生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910449833.9A CN110175952B (zh) | 2019-05-28 | 2019-05-28 | 一种基于目标检测的玉石加工路径的自动生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110175952A true CN110175952A (zh) | 2019-08-27 |
| CN110175952B CN110175952B (zh) | 2023-12-05 |
Family
ID=67696403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910449833.9A Active CN110175952B (zh) | 2019-05-28 | 2019-05-28 | 一种基于目标检测的玉石加工路径的自动生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110175952B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112596467A (zh) * | 2020-12-02 | 2021-04-02 | 山东佳恩数控科技有限公司 | 一种数控佛珠机控制系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1801896A (zh) * | 2006-01-17 | 2006-07-12 | 东南大学 | 摄像机标定数据的采集方法及其标定板 |
| CN101488017A (zh) * | 2009-02-24 | 2009-07-22 | 上海奈凯电子科技有限公司 | 基于机械视觉的数控机床加工刀具路径实时控制的方法 |
| US20100098324A1 (en) * | 2007-03-09 | 2010-04-22 | Omron Corporation | Recognition processing method and image processing device using the same |
| CN106028136A (zh) * | 2016-05-30 | 2016-10-12 | 北京奇艺世纪科技有限公司 | 一种图像处理方法及装置 |
| CN107550576A (zh) * | 2017-10-26 | 2018-01-09 | 上海逸动医学科技有限公司 | 空间定位装置及定位方法、矫正器、矫正方法 |
| CN108596137A (zh) * | 2018-05-02 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于图像识别算法的商品扫描录入方法 |
-
2019
- 2019-05-28 CN CN201910449833.9A patent/CN110175952B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1801896A (zh) * | 2006-01-17 | 2006-07-12 | 东南大学 | 摄像机标定数据的采集方法及其标定板 |
| US20100098324A1 (en) * | 2007-03-09 | 2010-04-22 | Omron Corporation | Recognition processing method and image processing device using the same |
| CN101488017A (zh) * | 2009-02-24 | 2009-07-22 | 上海奈凯电子科技有限公司 | 基于机械视觉的数控机床加工刀具路径实时控制的方法 |
| CN106028136A (zh) * | 2016-05-30 | 2016-10-12 | 北京奇艺世纪科技有限公司 | 一种图像处理方法及装置 |
| CN107550576A (zh) * | 2017-10-26 | 2018-01-09 | 上海逸动医学科技有限公司 | 空间定位装置及定位方法、矫正器、矫正方法 |
| CN108596137A (zh) * | 2018-05-02 | 2018-09-28 | 济南浪潮高新科技投资发展有限公司 | 一种基于图像识别算法的商品扫描录入方法 |
Non-Patent Citations (1)
| Title |
|---|
| 安晶晶等: "圆环标识的离心偏差校正方法与评价", 《激光与光电子学进展》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112596467A (zh) * | 2020-12-02 | 2021-04-02 | 山东佳恩数控科技有限公司 | 一种数控佛珠机控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110175952B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100392668C (zh) | 纸质矢量地图自动数字化的方法 | |
| CN110674815A (zh) | 基于深度学习关键点检测的发票图像畸变校正方法 | |
| CN110610199B (zh) | 基于svm和xgboost的印制电路板电阻元件焊点自动光学检测方法 | |
| CN104134234A (zh) | 一种全自动的基于单幅图像的三维场景构建方法 | |
| CN105574161B (zh) | 一种商标图形要素识别方法、装置和系统 | |
| CN108765584A (zh) | 激光点云数据集增广方法、装置及可读存储介质 | |
| CN109446929A (zh) | 一种基于增强现实技术的简笔画识别系统 | |
| AU2011201024A1 (en) | Shape parameterisation for editable document generation | |
| CN104462526B (zh) | 面向高分辨率遥感影像的多人在线协同快速矢量化方法 | |
| CN113343976B (zh) | 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法 | |
| CN106097433A (zh) | 物体工业与影像模型的叠加方法及系统 | |
| CN107481244A (zh) | 一种工业机器人视觉语义分割数据库制作方法 | |
| CN111127417A (zh) | 一种基于sift特征匹配和改进的ssd算法的软包装卷料印刷缺陷检测方法 | |
| CN101587504A (zh) | 自定义曲面检测报告系统及方法 | |
| CN110175952A (zh) | 一种基于目标检测的玉石加工路径的自动生成方法及装置 | |
| CN110942092A (zh) | 一种图形图像识别方法及识别系统 | |
| CN110503051A (zh) | 一种基于图像识别技术的珍贵木材识别系统及方法 | |
| CN110263608A (zh) | 基于图像特征空间变阈值度量的电子元器件自动识别方法 | |
| CN108596223A (zh) | 一种自动生成物体数据集的方法 | |
| CN110533714A (zh) | 基于图像处理技术检测目标物体最大内接圆的方法和系统 | |
| CN110334818B (zh) | 一种管路自动识别的方法及系统 | |
| CN117197479A (zh) | 一种应用玉米果穗外表面的图像分析方法、装置、计算机设备及存储介质 | |
| CN107451628A (zh) | 通过二维码追溯产品生产信息的方法以及用该方法的系统 | |
| CN108764365A (zh) | 一种设备标识牌检测方法 | |
| Jiang | Based on Virtual Reality Technology Research on Innovation and Design of Ceramic Painting Products |
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 |