CN111125403B - 一种基于人工智能的辅助设计绘图方法及系统 - Google Patents
一种基于人工智能的辅助设计绘图方法及系统 Download PDFInfo
- Publication number
- CN111125403B CN111125403B CN201911183780.7A CN201911183780A CN111125403B CN 111125403 B CN111125403 B CN 111125403B CN 201911183780 A CN201911183780 A CN 201911183780A CN 111125403 B CN111125403 B CN 111125403B
- Authority
- CN
- China
- Prior art keywords
- image
- robot
- stroke data
- stroke
- state variable
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013461 design Methods 0.000 title claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 230000003068 static effect Effects 0.000 claims abstract description 32
- 230000005012 migration Effects 0.000 claims abstract description 26
- 238000013508 migration Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000009471 action Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 17
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000003708 edge detection Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 5
- 230000004382 visual function Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007591 painting process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manipulator (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能的辅助设计绘图方法及系统，其中方法包括：(1)采集用户所绘制的原始静态图像；(2)对所述原始静态图像进行处理，提取原始图像的笔画数据；(3)将提取的笔画数据根据数据库中的类别进行分类；(4)将分类后的笔画数据进行概念迁移，生成新的笔画数据，所述的概念迁移过程包括；(5)根据新的笔画数据生成对应机器人的状态变量列表；(6)根据状态变量列表进行运动路径规划，生成运动消息序列；(7)机器人根据生成的运动消息序列，执行绘图动作。利用本发明，可以根据草图生成视觉相似或语义相似的新图形并由机器人将其绘制，从而帮助设计师寻找创作灵感。
Description
技术领域
本发明属于人工智能领域，尤其是涉及一种基于人工智能的辅助设计绘图方法及系统。
背景技术
随着机器人技术的快速发展，机器人被广泛应用在绘画和艺术领域。对于带有绘图设备的机器人，基于预处理技术，通过对机器人施加指令来实现绘制预设的图形来代替人工绘画。也有基于机器视觉的绘图机器人，通过识别已绘制的图案、线条来模仿绘画风格。
如公开号为CN110322529A的中国专利文献公开了一种基于深度学习辅助艺术绘画的方法，解决传统技术中的辅助绘画方案存在的绘画内容受限，不能实现个性化绘画，适用范围和应用场景有限的问题。该方法包括：步骤1、采用爬虫获取艺术绘画数据并进行预处理，构建训练数据集；步骤2、构建由多层卷积层、池化层、反卷积层、上采样层及全连接层组成的深度卷积变分自编码网络；步骤3、利用训练数据集在有监督条件下，运用反向传播学习算法对深度卷积变分自编码网络进行训练，获得辅助绘画模型；步骤4、利用辅助绘画模型对用户输入的绘画进行处理，生成辅助绘画结果。
公开号为CN109087553A的中国专利文献公开了一种临摹绘画方法，包括：S1，将平面直角坐标系映射到画布上，并在所述画布上设置第一摄像头和第二摄像头；S2，第一摄像头和第二摄像头同时对整个绘画过程中的画笔进行跟踪拍摄，通过转动角度计算坐标以及通过拍摄的内容获取相应的参数；S3，根据绘画时画布的大小与拍摄作画视频时画布大小比例，通过空间的对应映射关系设定绘图时的坐标系；S4，根据S2的计算数据生成电处理信号，控制绘画装置在画布上进行图像过程重现，完成临摹绘制。本发明方法通过两个摄像头配合使用，实现绘画过程的学习后进行绘画过程重现和画面临摹。
以上方法的缺点是：1、基于预处理技术的机器人，需要提前预设绘制内容，输出单一，无法满足日益增多的创作需求。2、基于机器视觉的机器人，仅能模仿用户的风格而无法进行自我创造来满足用户多样化的需求。
发明内容
为解决现有技术存在的上述问题，本发明提供了一种基于人工智能的辅助设计绘图方法及系统，可以根据草图生成视觉相似或语义相似的新图形并由机器人将其绘制，从而帮助设计师寻找创作灵感。
一种基于人工智能的辅助设计绘图方法，包括以下步骤：
(1)采集用户所绘制的原始静态图像；
(2)对所述原始静态图像进行处理，提取原始图像的笔画数据；
(3)将提取的笔画数据根据数据库中的类别进行分类；
(4)将分类后的笔画数据进行概念迁移，生成新的笔画数据，所述的概念迁移过程包括：
通过预先设定好的距离矩阵，平衡语义和视觉函数距离，每个类别生成三种类型的输出草图，分别为同一类别、语义扩展类别和视觉扩展类别；根据用户在使用过程中的反馈，改变不同类别的权重，进而改变概念迁移的结果；
(5)根据新的笔画数据生成对应机器人的状态变量列表；
(6)根据状态变量列表进行运动路径规划，生成运动消息序列；
(7)机器人根据生成的运动消息序列，执行绘图动作。
上述技术方案中，在采集用户绘制的原始静态图像后，利用图像处理技术提取笔画数据，然后再通过概念迁移系统生成新的笔画数据，从而得到状态变量列表，再进行运动规划生成运动消息序列，并执行改消息序列来完成绘图动作；由于通过概念迁移系统生成的新的笔画数据与用户所绘制图像随机具有同一性、视觉相似性或语义相似性，能够激发用户的设计灵感，从而实现辅助用户设计，具有更强的交互性和智能。
步骤(2)的具体步骤为：
(2-1)根据相机拍照角度变换图像，得到无透视原始图像；并对无透视原始图像进行处理，得到对应的灰度图。通过对原始静态图像进行透视处理，可以使摄像头放置角度更加具有自由度，无需与绘图面平行，同时避免因透视原因造成图像提取错误。
(2-2)对灰度图进行阈值处理，得到二值化图像；具体过程为：
根据灰度图的亮度，调整对比度，遍历距离图像边缘0.5cm以上的每一个像素点，将灰度高于阈值的像素点置为(0，0，0)，透明度为100％，剩下的像素点透明度置为0。
(2-3)提取二值化图像的骨架图像，并根据骨架图像进行边缘检测，得到对应的轮廓信息；其中，提取二值化图像的骨架图像具体过程为：
遍历二值化图像中的每个像素点，获取单像素点或一系列单像素连接而成的线段、曲线段或封闭图形的轮廓线作为骨架图像，所述单像素点为非单像素连接图像的中间像素点。
(2-4)遍历所有的轮廓信息，剔除轮廓信息中各轮廓之间重复的轮廓线；将剩下的各轮廓分别按照笔画的形式保存，得到原始静态图像的笔画数据；
(2-5)根据笔画数据，对每个笔画按照预设的精度进行裁剪，提取主要笔画构成，删除重复和多余笔画。
步骤(4)中，通过概念迁移生成的新的笔画数据随机与用户所画草图具有同一性或语义相似性或视觉相似性，因此用户可以通过所生成图像中得到设计灵感；另外，通过接收用户的反馈和指令，概念迁移系统能够调整三个类别的函数权重以改变生成图像的类别倾向，进而实现机器人的学习性和智能性，在辅助设计过程中，更加符合用户的偏好
步骤(5)的具体过程为：
(5-1)根据新的笔画数据，生成对应的机器人的运动轨迹数据；其中，每一个笔画的数据包括Δx，Δy，p；前两个元素是x和y方向的从前一点开始的偏移距离；p是笔的状态变量；将Δx，Δy转化成机器人的直线移动值；与上一个笔画的Δx0，Δy0之间的夹角转化成机器人的转动角度，生成对应机器人的运动轨迹数据；
(5-2)分别对机器人运动轨迹数据中所有轨迹号各自对应的每个轨迹点进行运动学解算，得到每个轨迹点对应的机器人状态变量；
(5-3)根据所有轨迹点对应的机器人状态变量，得到新的笔画数据对应的机器人状态变量列表。
本发明提供了一种基于人工智能的辅助设计绘图系统，包括：
图像采集模块，用于采集用户所绘制的原始静态图像；
笔画提取模块，与所述图像采集模块电连接，用于对所述原始静态图像进行处理，提取原始静态图像的笔画数据；
分类模块，与所述笔画提取模块电连接，用于对所述笔画数据根据数据库中类别进行分类；
概念迁移模块，与所述分类模块电连接，用于根据分类后的笔画数据生成新的笔画数据；
状态变量生成模块，与所述概念迁移模块电连接，用于根据新的笔画数据得到对应的机器人状态变量列表；
路径规划模块，与所述状态变量生成模块电连接，用于根据所述机器人状态变量列表进行运动路径规划，生成运动消息序列；
绘图模块，与所述路径规划模块电连接，用于根据所述运动消息序列执行绘图动作。
运动消息序列包括每一个轨迹号的d，a，p；d为直线前进位移，a为转动角度(正值为左转，负值为右转)，p为画笔状态(抬起或落下)；执行绘图动作时，先转动角度，左转为右轮前进，左轮以同速后退，右转为左轮前进，右轮以同速后退；后直线前进，两轮同速前进。
所述的笔画提取模块包括：
透视变换单元，用于根据相机拍照角度变换图像；
灰度化单元，用于对原始静态图像进行处理，得到对应的灰度图；
二值化单元，用于对灰度图进行阈值处理，得到二值化图像；
骨架提取单元，用于提取二值化图像的骨架图像；
边缘检测单元，用于根据骨架图像，得到对应的轮廓信息；
笔画提取单元，用于根据轮廓信息，提取原始静态图像的笔画数据；
笔画简化单元，用于提取主要笔画构成，删除重复和多余笔画。
所述的分类模块根据现有的简笔画数据集训练分类系统，将输入图像列入某一类别中。
所述状态变量生成模块包括：
运动轨迹数据生成单元，用于根据所述新的笔画数据t，生成对应的机器人的运动轨迹数据。
运动学解算单元，用于分别对所述机器人的运动轨迹数据中所有轨迹号各自对应的每个轨迹点进行运动学解算，得到每个轨迹点对应的机器人状态变量；
状态变量列表生成单元，用于根据所有轨迹点对应的所述机器人状态变量，得到所述新的笔画数据对应的所述机器人状态变量列表。
与现有技术相比，本发明具有以下有益效果：
本发明通过采集用户所绘制的原始图像，提取笔画数据，通过概念迁移生成与上述原始图像具有同一性或视觉相关性或语义相关性的新的图像数据，让机器人画出以提供给用户参考，从而让激发用户产生灵感，实现辅助设计的功能，具有很强的学习性和智能性，以及更强的交互性。
附图说明
图1为本发明一种基于人工智能的辅助设计绘图方法的流程示意图；
图2为本发明一种基于人工智能的辅助设计绘图系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，一种基于人工智能和概念迁移系统的辅助设计绘图方法，包括以下步骤：
步骤S1，采集用户所绘制原始静态图像。
步骤S2，对原始静态图像进行处理，提取原始图像的笔画数据；具体过程为：
(2-1)对原始静态图像进行处理，得到对应的灰度图；
首先根据相机拍照角度变换图像，得到无透视原始图像；再根据无透视原始图像进行处理，得到对应的灰度图。
(2-2)对灰度图进行阈值处理，得到二值化图像；
用于对所述灰度图进行阈值处理，得到二值化的图像具体为：根据图像亮度，调整图像对比度，遍历距离图像边缘0.5cm以上的每一个像素点，将灰度高于阈值的置为(0，0，0)，透明度为100％，剩下的像素点透明度置为0。
(2-3)提取二值化图像的骨架图像。
遍历二值化图像中的每个像素点，获取单像素点或一系列单像素连接而成的线段、曲线段或封闭图形的轮廓线作为骨架图像，单像素点是非单像素连接图像的中间像素点。
(2-4)根据骨架图像，进行边缘检测，得到对应的轮廓信息。
(2-5)根据轮廓信息，提取原始静态图像的笔画数据。
遍历轮廓信息，剔除轮廓信息中各轮廓之间重复的轮廓线；以及，将剩下的各轮廓分别按照笔画的形式保存，得到原始静态图像的笔画数据。
(2-6)根据笔画数据，提取主要笔画构成，删除重复和多余笔画。
将剩下的各轮廓分别按照笔画的形式保存，并对每个笔画按照预设的精度进行裁剪，得到原始静态图像的笔画数据。
步骤S3，将笔画数据根据数据库中类别进行分类；
步骤S4，根据笔画数据通过概念迁移生成新的笔画数据；具体包括：
(4-1)通过预先设定好的距离矩阵，平衡语义和视觉函数距离，生成三种类别的输出草图：同一类别、语义扩展类别和视觉扩展类别。
(4-2)根据用户在使用过程中的反馈，改变不同类别的权重，进而改变概念迁移的结果。
步骤S5，根据新的笔画数据生成对应机器人的状态变量列表；具体包括：
(5-1)根据新的笔画数据，生成对应的机器人的运动轨迹数据。
(5-2)分别对机器人的运动轨迹数据中所有轨迹号各自对应的每个轨迹点进行运动学解算，得到每个轨迹点对应的机器人状态变量。
(5-3)根据所有轨迹点对应的所述机器人状态变量，得到新的笔画数据对应的机器人状态变量列表。
步骤S6，根据状态变量列表，进行运动路径规划，生成运动消息序列。
步骤S7，根据所述运动消息序列，执行绘图动作。
如图2所示，一种基于人工智能的辅助设计绘图系统，包括：
图像采集模块，用于采集用户所绘制的原始静态图像；笔画提取模块，与图像采集模块电连接，用于对原始静态图像进行处理，提取原始静态图像的笔画数据；分类模块，与笔画提取模块电连接，用于对笔画数据根据数据库中类别进行分类；概念迁移模块，与分类模块电连接，用于根据分类后的笔画数据生成新的笔画数据；状态变量生成模块，与概念迁移模块电连接，用于根据新的笔画数据得到对应的机器人状态变量列表；路径规划模块，与状态变量生成模块电连接，用于根据所述机器人状态变量列表进行运动路径规划，生成运动消息序列；绘图模块，与路径规划模块电连接，用于根据运动消息序列执行绘图动作。
其中，笔画提取模块，包括：透视变换单元，用于根据相机拍照角度变换图像；灰度化单元，用于对原始静态图像进行处理，得到对应的灰度图；二值化单元，用于对灰度图进行阈值处理，得到二值化图像；骨架提取单元，用于提取二值化图像的骨架图像；边缘检测单元，用于根据骨架图像，得到对应的轮廓信息；笔画提取单元，用于根据轮廓信息，提取所述原始静态图像的笔画数据；笔画简化单元，用于提取主要笔画构成，删除重复和多余笔画。
二值化单元根据图像亮度，调整图像对比度，遍历距离图像边缘0.5cm以上的每一个像素点，将灰度高于阈值的置为(0，0，0)，透明度为100％，剩下的像素点透明度置为0。
骨架提取单元遍历二值化图像中的每个像素点，获取单像素点或一系列单像素连接而成的线段、曲线段或封闭图形的轮廓线作为骨架图像，单像素点是非单像素连接图像的中间像素点。
笔画提取单元，用于遍历轮廓信息，剔除轮廓信息中各轮廓之间重复的轮廓线；以及，将剩下的各轮廓分别按照笔画的形式保存，得到原始静态图像的笔画数据。
笔画简化单元，进一步用于将剩下的各轮廓分别按照笔画的形式保存，并对每个笔画按照预设的精度进行裁剪，得到所述原始静态图像的笔画数据。
分类模块，具体为：根据现有的简笔画数据集训练分类系统，将输入图像列入某一类别中。
概念迁移模块，具体为：平衡语义和视觉距离，通过预先设定好的距离矩阵，每个类别可以生成三种类型的输出草图：同一类别、语义扩展类别和视觉扩展类别。同时，还根据用户在使用过程中的反馈，改变不同类别的权重，进而改变概念迁移的输出结果。此外，权重相等的选项可以随机出现。
状态变量生成模块，包括：运动轨迹数据生成单元，用于根据新的笔画数据，生成对应的机器人的运动轨迹数据；运动学解算单元，用于分别对机器人的运动轨迹数据中所有轨迹号各自对应的每个轨迹点进行运动学解算，得到每个轨迹点对应的机器人状态变量；状态变量列表生成单元，用于根据所有轨迹点对应的所述机器人状态变量，得到所述新的笔画数据对应的所述机器人状态变量列表。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能的辅助设计绘图方法，其特征在于，包括以下步骤：
(1)采集用户所绘制的原始静态图像；
(2)对所述原始静态图像进行处理，提取原始图像的笔画数据；
(3)将提取的笔画数据根据数据库中的类别进行分类；
(4)将分类后的笔画数据进行概念迁移，生成新的笔画数据，所述的概念迁移过程包括：
通过预先设定好的距离矩阵，平衡语义和视觉函数距离，每个类别生成三种类型的输出草图，分别为同一类别、语义扩展类别和视觉扩展类别；根据用户在使用过程中的反馈，改变不同类别的权重，进而改变概念迁移的结果；
(5)根据新的笔画数据生成对应机器人的状态变量列表；具体过程为：
(5-1)根据新的笔画数据，生成对应的机器人的运动轨迹数据；具体为：每一个笔画的数据包括Δx，Δy，p；Δx和Δy分别是x和y方向从前一点开始的偏移距离，p是笔的状态变量；将Δx，Δy转化成机器人的直线移动值；与上一个笔画的Δx0，Δy0之间的夹角转化成机器人的转动角度，生成对应机器人的运动轨迹数据；
(5-2)分别对机器人运动轨迹数据中所有轨迹号各自对应的每个轨迹点进行运动学解算，得到每个轨迹点对应的机器人状态变量；
(5-3)根据所有轨迹点对应的机器人状态变量，得到新的笔画数据对应的机器人状态变量列表；
(6)根据状态变量列表进行运动路径规划，生成运动消息序列；
(7)机器人根据生成的运动消息序列，执行绘图动作。
2.根据权利要求1所述的基于人工智能的辅助设计绘图方法，其特征在于，步骤(2)的具体步骤为：
(2-1)根据相机拍照角度变换图像，得到无透视原始图像；并对无透视原始图像进行处理，得到对应的灰度图；
(2-2)对灰度图进行阈值处理，得到二值化图像；
(2-3)提取二值化图像的骨架图像，并根据骨架图像进行边缘检测，得到对应的轮廓信息；
(2-4)遍历所有的轮廓信息，剔除轮廓信息中各轮廓之间重复的轮廓线；将剩下的各轮廓分别按照笔画的形式保存，得到原始静态图像的笔画数据；
(2-5)根据笔画数据，对每个笔画按照预设的精度进行裁剪，提取主要笔画构成，删除重复和多余笔画。
3.根据权利要求2所述的基于人工智能的辅助设计绘图方法，其特征在于，步骤(2-2)的具体过程为：
根据灰度图的亮度，调整对比度，遍历距离图像边缘0.5cm以上的每一个像素点，将灰度高于阈值的像素点置为(0，0，0)，透明度为100％，剩下的像素点透明度置为0。
4.根据权利要求2所述的基于人工智能的辅助设计绘图方法，其特征在于，步骤(2-3)中，提取二值化图像的骨架图像具体过程为：
遍历二值化图像中的每个像素点，获取单像素点或一系列单像素连接而成的线段、曲线段或封闭图形的轮廓线作为骨架图像，所述单像素点为非单像素连接图像的中间像素点。
5.一种基于人工智能的辅助设计绘图系统，其特征在于，包括：
图像采集模块，用于采集用户所绘制的原始静态图像；
笔画提取模块，与所述图像采集模块电连接，用于对所述原始静态图像进行处理，提取原始静态图像的笔画数据；
分类模块，与所述笔画提取模块电连接，用于对所述笔画数据根据数据库中类别进行分类；
概念迁移模块，与所述分类模块电连接，用于根据分类后的笔画数据生成新的笔画数据；概念迁移过程包括：通过预先设定好的距离矩阵，平衡语义和视觉函数距离，每个类别生成三种类型的输出草图，分别为同一类别、语义扩展类别和视觉扩展类别；根据用户在使用过程中的反馈，改变不同类别的权重，进而改变概念迁移的结果；
状态变量生成模块，与所述概念迁移模块电连接，用于根据新的笔画数据得到对应的机器人状态变量列表；所述状态变量生成模块包括：运动轨迹数据生成单元，用于根据所述新的笔画数据，生成对应的机器人的运动轨迹数据；运动学解算单元，用于分别对所述机器人的运动轨迹数据中所有轨迹号各自对应的每个轨迹点进行运动学解算，得到每个轨迹点对应的机器人状态变量；状态变量列表生成单元，用于根据所有轨迹点对应的所述机器人状态变量，得到所述新的笔画数据对应的所述机器人状态变量列表；
路径规划模块，与所述状态变量生成模块电连接，用于根据所述机器人状态变量列表进行运动路径规划，生成运动消息序列；
绘图模块，与所述路径规划模块电连接，用于根据所述运动消息序列执行绘图动作。
6.根据权利要求5所述的基于人工智能的辅助设计绘图系统，其特征在于，所述的笔画提取模块包括：
透视变换单元，用于根据相机拍照角度变换图像；
灰度化单元，用于对原始静态图像进行处理，得到对应的灰度图；
二值化单元，用于对灰度图进行阈值处理，得到二值化图像；
骨架提取单元，用于提取二值化图像的骨架图像；
边缘检测单元，用于根据骨架图像，得到对应的轮廓信息；
笔画提取单元，用于根据轮廓信息，提取原始静态图像的笔画数据；
笔画简化单元，用于提取主要笔画构成，删除重复和多余笔画。
7.根据权利要求5所述的基于人工智能的辅助设计绘图系统，其特征在于，所述的分类模块根据现有的简笔画数据集训练分类系统，将输入图像列入某一类别中。
8.根据权利要求5所述的基于人工智能的辅助设计绘图系统，其特征在于，所述的运动消息序列包括每一个轨迹号的直线前进位移d、转动角度a和画笔状态p；a为正值代表左转，负值代表右转，画笔状态包括抬起或落下；
执行绘图动作时，先转动角度，左转为右轮前进，左轮以同速后退，右转为左轮前进，右轮以同速后退；后直线前进，两轮同速前进。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911183780.7A CN111125403B (zh) | 2019-11-27 | 2019-11-27 | 一种基于人工智能的辅助设计绘图方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911183780.7A CN111125403B (zh) | 2019-11-27 | 2019-11-27 | 一种基于人工智能的辅助设计绘图方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111125403A CN111125403A (zh) | 2020-05-08 |
| CN111125403B true CN111125403B (zh) | 2022-07-05 |
Family
ID=70496902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911183780.7A Active CN111125403B (zh) | 2019-11-27 | 2019-11-27 | 一种基于人工智能的辅助设计绘图方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111125403B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113094791B (zh) * | 2021-04-13 | 2024-02-20 | 笔天科技(广州)有限公司 | 一种基于矩阵运算的建筑数据分析处理方法 |
| CN113779289A (zh) * | 2021-08-25 | 2021-12-10 | 广东工业大学 | 基于人工智能的绘画步骤还原系统 |
| CN116342739B (zh) * | 2023-02-22 | 2023-09-26 | 深圳前海深蕾半导体有限公司 | 基于人工智能生成多幅绘画图像的方法、电子设备及介质 |
| CN116630481B (zh) * | 2023-07-25 | 2023-10-13 | 天津象小素科技有限公司 | 一种基于ai绘图的绘画路径优化方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101775080B1 (ko) * | 2016-06-07 | 2017-09-05 | 동국대학교 산학협력단 | Ｎｕｉ／ｎｕｘ에 기반하여 드로잉 영상을 처리하는 장치 및 방법 |
| CN108460369A (zh) * | 2018-04-04 | 2018-08-28 | 南京阿凡达机器人科技有限公司 | 一种基于机器视觉的绘图方法及系统 |
| CN109746916A (zh) * | 2019-01-28 | 2019-05-14 | 武汉科技大学 | 一种机器人书写书法的方法及系统 |
-
2019
- 2019-11-27 CN CN201911183780.7A patent/CN111125403B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101775080B1 (ko) * | 2016-06-07 | 2017-09-05 | 동국대학교 산학협력단 | Ｎｕｉ／ｎｕｘ에 기반하여 드로잉 영상을 처리하는 장치 및 방법 |
| CN108460369A (zh) * | 2018-04-04 | 2018-08-28 | 南京阿凡达机器人科技有限公司 | 一种基于机器视觉的绘图方法及系统 |
| CN109746916A (zh) * | 2019-01-28 | 2019-05-14 | 武汉科技大学 | 一种机器人书写书法的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 概念设计中草图类型笔触的语义理解研究;袁浩等;《计算机应用研究》;20131021;第30卷(第9期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111125403A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111125403B (zh) | 一种基于人工智能的辅助设计绘图方法及系统 | |
| CN111339903B (zh) | 一种多人人体姿态估计方法 | |
| CN108520535B (zh) | 基于深度恢复信息的物体分类方法 | |
| CN108491880B (zh) | 基于神经网络的物体分类和位姿估计方法 | |
| CN108875935B (zh) | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 | |
| CN107844795B (zh) | 基于主成分分析的卷积神经网络特征提取方法 | |
| CN101714262B (zh) | 单幅图像的三维场景重建方法 | |
| CN110427799B (zh) | 基于生成对抗网络的人手深度图像数据增强方法 | |
| CN106780592A (zh) | 基于相机运动和图像明暗的Kinect深度重建算法 | |
| CN110674741A (zh) | 一种基于双通道特征融合的机器视觉中手势识别方法 | |
| Liu et al. | Facial expression recognition using pose-guided face alignment and discriminative features based on deep learning | |
| CN110135277B (zh) | 一种基于卷积神经网络的人体行为识别方法 | |
| CN110852199A (zh) | 一种基于双帧编码解码模型的前景提取方法 | |
| CN114677479A (zh) | 一种基于深度学习的自然景观多视图三维重建方法 | |
| Tian et al. | Real-time semantic segmentation network based on lite reduced atrous spatial pyramid pooling module group | |
| CN114492634A (zh) | 一种细粒度装备图片分类识别方法及系统 | |
| CN117576149A (zh) | 一种基于注意力机制的单目标跟踪方法 | |
| Ling et al. | A facial expression recognition system for smart learning based on YOLO and vision transformer | |
| Song et al. | WAFP-Net: Weighted attention fusion based progressive residual learning for depth map super-resolution | |
| CN114882281B (zh) | 煤矸的轻量级智能分选模型、方法、设备及存储介质 | |
| CN114022930B (zh) | 一种人像证件照自动生成方法 | |
| CN115115860A (zh) | 一种基于深度学习的图像特征点检测匹配网络 | |
| Xie et al. | ResNet with attention mechanism and deformable convolution for facial expression recognition | |
| Zhou et al. | Tracking of drone flight by neural network Siamese-RPN | |
| Liu et al. | Face expression recognition based on improved convolutional neural network |
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 |