CN111329094B - 一种食物智能生产设备及方法 - Google Patents
一种食物智能生产设备及方法 Download PDFInfo
- Publication number
- CN111329094B CN111329094B CN202010131321.0A CN202010131321A CN111329094B CN 111329094 B CN111329094 B CN 111329094B CN 202010131321 A CN202010131321 A CN 202010131321A CN 111329094 B CN111329094 B CN 111329094B
- Authority
- CN
- China
- Prior art keywords
- food
- dimensional data
- dimensional
- image acquisition
- imitated
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23P—SHAPING OR WORKING OF FOODSTUFFS, NOT FULLY COVERED BY A SINGLE OTHER SUBCLASS
- A23P30/00—Shaping or working of foodstuffs characterised by the process or apparatus
- A23P30/10—Moulding
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23L—FOODS, FOODSTUFFS, OR NON-ALCOHOLIC BEVERAGES, NOT COVERED BY SUBCLASSES A21D OR A23B-A23J; THEIR PREPARATION OR TREATMENT, e.g. COOKING, MODIFICATION OF NUTRITIVE QUALITIES, PHYSICAL TREATMENT; PRESERVATION OF FOODS OR FOODSTUFFS, IN GENERAL
- A23L35/00—Food or foodstuffs not provided for in groups A23L5/00 – A23L33/00; Preparation or treatment thereof
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23P—SHAPING OR WORKING OF FOODSTUFFS, NOT FULLY COVERED BY A SINGLE OTHER SUBCLASS
- A23P30/00—Shaping or working of foodstuffs characterised by the process or apparatus
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Polymers & Plastics (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Nutrition Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种食物智能生产设备及方法,包括食物三维数据生成装置,用于采集被仿制食物的图像,并生成相应三维数据;食物生产装置,用于根据被仿制食物的三维数据生产外形和/或纹理与被仿制食物相同的食物。首次提出通过采集装置采集真实食物的三维模型,从而以此为数据生产高仿真的食物的方法。
Description
技术领域
本发明涉及形貌测量及打印技术领域,特别涉及3D形貌测量技术领域。
背景技术
目前食物多为自然生长的,人需要吃各种食物以满足日常能量及营养需求。在一些特殊场合下,也有一些人工制造的食物。例如可以利用豆类蛋白制作人造肉。这些食物可以满足素食者的需求。具体制造方法可以参见CN110292180A、CN103442586B、CN1045913A。但是现有制作方法中,通常采用模具进行最后的成型,或使用压制的方式实现成型。但是目前的人造食物只能在口味上模拟被仿造的食物,但其形态难以逼真。其能够成型取决于模具的样子,但模具很难精细至完全逼真的情况。同时,模具数量有限,导致用户也不能根据自己喜好,或根据食材细节的不同生产更多种类的食物。例如,可以制造排骨的模具,但这一生产线只能生产一种排骨样子的食物。如果想要生产新样式的排骨,只能重新制作模具。事实上,真实的排骨也有很多种,有前排、后排、大排、小排等不同部位。同时,猪排骨和牛排骨也不同。甚至不同品种的猪排骨外观样子也不同。因此,用模具很难实现如此多种类的排骨生产,更没法针对客户个性化的定制。另外,其营养成分也很难与被仿造的食物相似。
因此,目前急需解决以下技术问题:①能够更加逼真地人工生产食物;②能够方便地生产更多种类,特别是细节有细微差别的种类;③能够个性化定制。
发明内容
鉴于上述问题,提出了本发明提供一种克服上述问题或者至少部分地解决上述问题的一种食物智能生产设备及方法。
本发明提供了一种食物智能生产设备及方法,包括
食物三维数据生成装置,用于采集被仿制食物的图像,并生成相应三维数据;
食物生产装置,用于根据被仿制食物的三维数据生产外形和/或纹理与被仿制食物相同的食物。
可选的,食物三维数据生成装置包括三维数据采集装置,用于采集被仿制食物的多个角度的图像。
可选的,食物三维数据生成装置包括三维模型构建装置,根据所述多个角度的图像构建被仿制食物的三维模型。
可选的,还包括食物三维数据库,食物三维数据生成装置生成的食物三维数据存储于食物三维数据库中,同时食物生产装置从食物三维数据库读取数据进行生产。
可选的,在进行被仿制食物采集时,
其中L为在相邻两个采集位置时图像采集装置光心的直线距离;f为图像采集装置的焦距;d为图像采集装置感光元件的矩形长度或宽度;T为图像采集装置感光元件沿着光轴到目标物表面的距离;δ为调整系数。
可选的,δ<0.603;优选δ<0.498,δ<0.356,δ<0.311。
可选的,数据库中三维数据由工厂建立,或由客户建立。
可选的,食物三维数据能够由操作者修改。
可选的,在生产时,食物的营养成分由被仿制食物的营养成分所决定;或人为指定。
本发明还提供了一种用于所述的设备或方法的食物三维数据库。
发明点及技术效果
1、首次提出通过采集装置采集真实食物的三维模型,从而以此为数据生产高仿真的食物的方法。
2、通过优化相机采集图片的位置的方式来和优化的算法相互配合一起提高合成速度和合成精度。并且优化位置时,无需测量角度,无需测量目标尺寸,适用性更强。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提供的被仿制食物3D采集设备的示意图;
图2为本发明实施例提供的自由采集方式的示意图。
各部件与附图标记的对应关系为:
1背景板、2图像采集装置、3旋转横梁、4旋转装置、5支架、6座椅,7底座,51横柱51,52立柱。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
被仿制食物3D采集设备
包括背景板1、图像采集装置2、旋转横梁3、旋转装置4、支架5、载物台6和底座7。支架包括横柱51和立柱52,立柱52与底座7连接,横柱51通过旋转装置4与旋转横梁3连接,从而使得旋转横梁3能够在旋转装置4的驱动下360°转动。背景板1和图像采集装置2位于旋转横梁3的两端,相对设置,在旋转横梁3转动时同步转动,始终保持相对设置。
底座上具有载物台6,载物台6位于背景板1和图像采集装置2之间。在被仿制食物(例如真实的猪排骨、水果、蔬菜等)放置时,正好位于转动轴附近且在图像采集装置2和背景板1之间,并且优选食物位于图像采集装置2的光轴上。可以通过调节载物台6的高度来调整食物在图像采集装置2视场中的位置。
调节载物台6可以通过手动调节装置,例如载物台6通过丝杆与底座连接,通过旋转丝杆调节载物台高度。优选的,具有升降驱动装置,升降驱动装置与控制器数据连接,通过控制器控制升降装置高度,从而调节载物台高度。控制器可以直接连接在采集设备中,以方便用户调节。但控制器也可以为移动终端,例如手机。这样通过移动终端与采集设备连接,在移动终端中就能够通过控制升降驱动装置从而控制载物台高度。当然,控制器也可以由上位机承担,或由服务器、集群服务器承担。当然也可以通过网络由云平台承担。这些上位机、服务器、集群服务器、云平台可以与进行3D合成处理的上位机、服务器、集群服务器、云平台共用,即完成控制和3D合成双重功能。
图像采集装置2用于采集目标物的图像,其可以为CCD、CMOS、相机、摄像机、工业相机、监视器、摄像头、手机、平板、笔记本、移动终端、可穿戴设备、智能眼镜、智能手表、智能手环以及带有图像采集功能所有设备。图像采集装置包括带有感光元件的相机本体和镜头。优选的,相机本体可以采用工业相机,例如MER-2000-19U3M/C。工业相机拥有更小的体积,并且与家用相机相比简化了不需要的功能,且性能更佳。图像采集装置2可以与处理单元连接,从而将采集到的图像传递至处理单元。上述连接方式包括有线方式和无线方式,例如通过数据线、网线、光纤、4G、5G、wifi等多种协议进行传递,当然也可以使用它们的组合进行传递。
设备还包括处理器,也可以成为处理单元,用以根据图像采集装置采集的多个图像,根据3D合成算法,合成目标物3D模型,得到目标物3D信息。
处理单元根据上述一组图像中的多个图像得到目标物的3D信息(具体算法下文详述)。处理单元可以直接设置在图像采集装置所在的壳体内,也可以通过数据线或通过无线方式与图像采集装置2连接。例如可以使用独立的计算机、服务器及集群服务器等作为处理单元,图像采集装置2采集到的图像数据传输至其上,进行3D合成。同时,也可以将图像采集装置2的数据传输至云平台,利用云平台的强大计算能力进行3D合成。
背景板1全部为纯色,或大部分(主体)为纯色。特别是可以为白色板或黑色板,具体颜色可以根据目标物主体颜色来选择。背景板1通常为平板,优选也可以为曲面板,例如凹面板、凸面板、球形板,甚至在某些应用场景下,可以为表面为波浪形的背景板1;也可以为多种形状拼接板,例如可以用三段平面进行拼接,而整体呈现凹形,或用平面和曲面进行拼接等。除了背景板1表面的形状可以变化外,其边缘形状也可以根据需要选择。通常情况下为直线型,从而构成矩形板。但是在某些应用场合,其边缘可以为曲线。
优选的,背景板1为曲面板,这样可以使得在获得最大背景范围的情况下,使得背景板1投影尺寸最小。这使得背景板1在转动时需要的空间更小,有利于缩小设备体积,并且减少设备重量,避免转动惯性,从而更有利于控制转动。
旋转横梁3通过旋转装置4与固定横梁连接,旋转装置4驱动旋转横梁3转动,从而带动横梁两端的背景板1和图像采集装置2转动,但无论怎样转动,图像采集装置1与背景板2均相对设置,特别是图像采集装置1的光轴穿过背景板2中心。
光源设置于图像采集装置2镜头的周围,可以为LED光源,也可以为智能光源,即根据目标物及环境光的情况自动调整光源参数。通常情况下,光源位于图像采集装置2的镜头周边分散式分布,例如光源为在镜头周边的环形LED灯。特别是可以在光源的光路上设置柔光装置,例如为柔光外壳。或者直接采用LED面光源,不仅光线比较柔和,而且发光更为均匀。更佳地,可以采用OLED光源,体积更小,光线更加柔和,并且具有柔性特性,可以贴附于弯曲的表面。此外光源也可以为设置于旋转横梁3、承载图像采集装置2的外壳上。
通过上述设备,可以获得被仿制食物的多张图像,通过“三维模型合成方法”(下述),可以构建被仿制食物三维模型,获得食物整体三维信息。
根据大量实验,采集的间隔距离优选满足如下经验公式:
在进行3D采集时,相邻两个图像采集装置2的位置,或图像采集装置2相邻两个采集位置满足如下条件:
其中L为两个图像采集装置光心的直线距离;f为图像采集装置的焦距;d为图像采集装置感光元件(CCD)的矩形长度;T为图像采集装置感光元件沿着光轴到目标物表面的距离;δ为调整系数,δ<0.696。
图像采集装置2在两个位置中的任何一个位置时,感光元件沿着光轴到目标物表面的距离作为T。除了这种方法外,在另一种情况下,L为An、An+1两个图像采集装置光心的直线距离,与An、An+1两个图像采集装置相邻的An-1、An+2两个图像采集装置和An、An+1两个图像采集装置各自感光元件沿着光轴到目标物表面的距离分别为Tn-1、Tn、Tn+1、Tn+2,T=(Tn-1+Tn+Tn+1+Tn+2)/4。当然可以不只限于相邻4个位置,也可以用更多的位置进行平均值计算。
L应当为两个图像采集装置光心的直线距离,但由于图像采集装置光心位置在某些情况下并不容易确定,因此在某些情况下也可以使用图像采集装置的感光元件中心、图像采集装置2的几何中心、图像采集装置2与云台(或平台、支架)连接的轴中心、镜头近端或远端表面的中心替代,经过试验发现由此带来的误差是在可接受的范围内的。
通常情况下,现有技术中均采用物体尺寸、视场角等参数作为推算相机位置的方式,并且两个相机之间的位置关系也采用角度表达。由于角度在实际使用过程中并不好测量,因此在实际使用时较为不便。并且,物体尺寸会随着测量物体的变化而改变。例如,在进行一个苹果3D信息采集后,再进行冬瓜采集时,就需要重新测量冬瓜尺寸,重新推算。上述不方便的测量以及多次重新测量都会带来测量的误差,从而导致相机位置推算错误。而本方案根据大量实验数据,给出了相机位置需要满足的经验条件,不仅避免测量难以准确测量的角度,而且不需要直接测量物体大小尺寸。经验条件中d、f均为相机固定参数,在购买相机、镜头时,厂家即会给出相应参数,无需测量。而T仅为一个直线距离,用传统测量方法,例如直尺、激光测距仪均可以很便捷的测量得到。因此,本发明的经验公式使得准备过程变得方便快捷,同时也提高了相机位置的排布准确度,使得相机能够设置在优化的位置中,从而在同时兼顾了3D合成精度和速度,具体实验数据参见下述。
从大量实验经验可以得出,δ的值应当满足δ<0.603,此时已经能够合成部分3D模型,虽然有一部分无法自动合成,但是在要求不高的情况下也是可以接受的,并且可以通过手动或者更换算法的方式弥补无法合成的部分。特别是的值满足δ<0.410时,能够最佳地兼顾合成效果和合成时间的平衡;为了获得更好的合成效果可以选择δ<0.356,此时合成时间会上升,但合成质量更好。当然为了进一步提高合成效果,可以选择δ<0.311。而当δ为0.681时,已经无法合成。但这里应当注意,以上范围仅仅是最佳实施例,并不构成对保护范围的限定。
并且从上述实验可以看出,对于相机拍照位置的确定,只需要获取相机参数(焦距f、CCD尺寸)、相机CCD与物体表面的距离T即可根据上述公式得到,这使得在进行设备设计和调试时变得容易。由于相机参数(焦距f、CCD尺寸)在相机购买时就已经确定,并且是产品说明中就会标示的,很容易获得。因此根据上述公式很容易就能够计算得到相机位置,而不需要再进行繁琐的视场角测量和物体尺寸测量。特别是在一些场合中,需要更换相机镜头,那么本发明的方法直接更换镜头常规参数f计算即可得到相机位置;同理,在采集不同物体时,由于物体大小不同,对于物体尺寸的测量也较为繁琐。而使用本发明的方法,无需进行物体尺寸测量,能够更为便捷地确定相机位置。并且使用本发明确定的相机位置,能够兼顾合成时间和合成效果。因此,上述经验条件是本发明的发明点之一。
以上数据仅为验证该公式条件所做实验得到的,并不对发明构成限定。即使没有这些数据,也不影响该公式的客观性。本领域技术人员可以根据需要调整设备参数和步骤细节进行实验,得到其他数据也是符合该公式条件的。
当然,除了上述完备的采集设备外,用户在家中也可以进行自由采集。例如可以手持图像采集装置2环绕目标食物进行拍摄,此时难以以严格的轨道进行运动,图像采集装置2的运动轨迹难以准确预测。因此在这种情况下如何保证拍摄图像能够准确、稳定地合成3D模型是一大难题,目前还未有人提及。更常见的方法是多拍照片,用照片数量的冗余来解决该问题。但这样合成结果并不稳定。虽然目前也有一些通过限定相机转动角度的方式提高合成效果,但实际上用户对于角度并不敏感,即使给出优选角度,在手持拍摄的情况下用户也很难操作。因此本发明提出了通过限定两次拍照相机移动距离的方式来提高合成效果、缩短合成时间的方法,其距离公式与上述固定轨道方式拍摄的距离公式相同。
在无规则运动的情况下,可以在移动终端或图像采集装置2中设置传感器,通过传感器测量图像采集装置两次拍摄时移动的直线距离,在移动距离不满足上述关于L(具体下述条件)的经验条件时,向用户发出报警。所述报警包括向用户发出声音或灯光报警。当然,也可以在用户移动图像采集装置时,手机屏幕上显示,或语音实时提示用户移动的距离,以及可移动的最大距离L。实现该功能的传感器包括:测距仪、陀螺仪、加速度计、定位传感器和/或它们的组合。
食物三维数据库的构建
利用上述3D采集设备可以构建食物的三维模型,并将其存在数据库中,构成食物三维数据库。该数据库可以设置在独立的计算机、服务器、集群服务器、云平台上。
上述采集设备可以位于工厂中,工厂通过采集不同食物,构建不同的食物3D模型并将其上传至数据库。但为了提高客户参与性和个性化,还可以由客户完成。
客户通过手机、平板、摄像头、相机等手持图像采集设备对被仿制食物进行拍照,将照片上传至数据库所在的服务器或云平台上,通过其上的处理器对照片进行3D合成,构建客户采集的食物的3D模型,并存储在数据库中,成为用户个性数据。可以在数据库中设置用户私人区域保存上述3D模型。当然,用户也可以将上述数据保存至数据库中的公有区域,从而与他人分享自己构建的食物三维模型。
除了进行高逼真度的食物三维模型构建外,用户还可以通过访问数据库,在服务器或云平台上对公有或自己私有的三维模型进行修改,实现食物的个性化。例如真实扫描得到的土豆有较多坑洼,可以通过修改点云数据的方式使得土豆三维模型更加平滑;或扫描得到的西红柿颜色不够红,可以通过修改纹理数据的方式使得红色更加鲜艳,从而使得最终生产出来的食物符合客户自身需求,更加个性化。但应当注意,如果用户修改了公有区域的三维数据,那么得到的数据只能在公有区域进行备份,而不会覆盖;或直接存储于个人私有区域。
人工食物的生产设备
除了外形的逼真和个性化外,可以根据人体所需要的营养进行搭配。通常情况下,人体所需营养包括
1、基础营养5种:
①蛋白质:每日蛋白质的摄取量应为总热量的10%。日建议摄取总量是55~65克。
②醣类:醣类的摄取量随个人热量的需要而定,总热量的45~55%,不得少于20%。
③脂肪:每日脂肪的摄取量不宜超过总热量的25~30%。女性摄取55~65克,男性每日不宜超过90克。
④膳食纤维:每日需求量20~30克。
⑤水分:成人每日总需水量为每公斤体重30~45cc。
2、维生素类13种:
①维生素A:成年男性每天摄取量约5,000IU,女性为4,200IU。IU(国际单位)。
②维生素B1:成年男性每日摄取量为1.2~1.5毫克,女性为1~1.1毫克。
③维生素B2:成年男性每日摄取量为1.2~1.8毫克,女性为1~1.5毫克。能帮助营养素代谢的美容维生素
④维生素B3:成年男性每日摄取量为14~22毫克,女性为12~17毫克。
⑤维生素B5:成人每日摄取量为4~7毫克。
⑥维生素B9:成人每日摄取量为200微克。
⑦维生素B12:成人每日摄取量为3微克。
⑧维生素C:成人每日摄取量为60~100毫克。
⑨维生素D:成人每天摄取量约为5~7.5微克。
⑩维生素E:成年男性每日摄取量为12毫克,女性为10毫克。
3、矿物质类:钙Ca、磷P、钾K、镁Mg、钠Na、氯Cl、硫S、铁Fe、铜Cu、碘I、锰Mn、锌Zn、钴Co、钼Mo、氟F、铬Cr、硒Se。
可以根据人体每日所需营养标准制备相应食物,满足客户每天的营养需要。但应当注意,不同年龄、不同体质的人对营养的需求并不相同,因此可以配置几种不同的套餐以适应不同群体。例如儿童食物套餐、女性套餐、男性套餐。可以理解,也可以根据年龄、区域、人种等不同情况配置不同的食物套餐。
但即使这样,也无法满足客户的个性化需求。例如正在健身的人,对蛋白质的需求较多,而要控制碳水化合物的摄入,此时可以由用户自己选择营养成分配比。
此外,也可以根据被仿制食物本身的营养物质含量来进行配置。例如通过分析苹果中的各种营养成分,按照该配比配置食物营养,从而保证3D打印出来的苹果营养成分与真实苹果相同。
食物3D打印机可以根据数据库中的食物三维模型和设定的营养成分配比进行食物的3D打印,从而完成生产。其具体结构可以使用现有的食物3D打印机结构,也可以进行更新,并不构成限定。例如,CN105196553A、CN107127970A。
三维模型合成方法
根据上述采集设备和方法,图像采集装置2通过与目标物相对运动而采集目标物一组图像;
处理单元根据上述一组图像中的多个图像得到目标物的3D信息。具体算法如下。当然,处理单元可以直接设置在图像采集装置2所在的壳体内,也可以通过数据线或通过无线方式与图像采集装置2连接。例如可以使用独立的计算机、服务器及集群服务器等作为处理单元,图像采集装置采集到的图像数据传输至其上,进行3D合成。同时,也可以将图像采集装置的数据传输至云平台,利用云平台的强大计算能力进行3D合成。
利用上述采集到的图片进行3D合成时,可以采用现有算法实现,也可以采用本发明提出的优化的算法,主要包括如下步骤:
步骤1:对所有输入照片进行图像增强处理。采用下述滤波器增强原始照片的反差和同时压制噪声。
式中:g(x,y)为原始影像在(x,y)处灰度值,f(x,y)为经过Wallis滤波器增强后该处的灰度值,mg为原始影像局部灰度均值,sg为原始影像局部灰度标准偏差,mf为变换后的影像局部灰度目标值,sf为变换后影像局部灰度标准偏差目标值。c∈(0,1)为影像方差的扩展常数,b∈(0,1)为影像亮度系数常数。
该滤波器可以大大增强影像中不同尺度的影像纹理模式,所以在提取影像的点特征时可以提高特征点的数量和精度,在照片特征匹配中则提高了匹配结果可靠性和精度。
步骤2:对输入的所有照片进行特征点提取,并进行特征点匹配,获取稀疏特征点。采用SURF算子对照片进行特征点提取与匹配。SURF特征匹配方法主要包含三个过程,特征点检测、特征点描述和特征点匹配。该方法使用Hessian矩阵来检测特征点,用箱式滤波器(Box Filters)来代替二阶高斯滤波,用积分图像来加速卷积以提高计算速度,并减少了局部影像特征描述符的维数,来加快匹配速度。主要步骤包括①构建Hessian矩阵,生成所有的兴趣点,用于特征提取,构建Hessian矩阵的目的是为了生成图像稳定的边缘点(突变点);②构建尺度空间特征点定位,将经过Hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较,初步定位出关键点,再经过滤除能量比较弱的关键点以及错误定位的关键点,筛选出最终的稳定的特征点;③特征点主方向的确定,采用的是统计特征点圆形邻域内的harr小波特征。即在特征点的圆形邻域内,统计60度扇形内所有点的水平、垂直harr小波特征总和,然后扇形以0.2弧度大小的间隔进行旋转并再次统计该区域内harr小波特征值之后,最后将值最大的那个扇形的方向作为该特征点的主方向;④生成64维特征点描述向量,特征点周围取一个4*4的矩形区域块,但是所取得矩形区域方向是沿着特征点的主方向。每个子区域统计25个像素的水平方向和垂直方向的haar小波特征,这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之后、垂直方向值之后、水平方向绝对值之后以及垂直方向绝对值之和4个方向,把这4个值作为每个子块区域的特征向量,所以一共有4*4*4=64维向量作为Surf特征的描述子;⑤特征点匹配,通过计算两个特征点间的欧式距离来确定匹配度,欧氏距离越短,代表两个特征点的匹配度越好。
步骤3:输入匹配的特征点坐标,利用光束法平差,解算稀疏的目标物三维点云和拍照相机的位置和姿态数据,即获得了稀疏目标物模型三维点云和位置的模型坐标值;以稀疏特征点为初值,进行多视照片稠密匹配,获取得到密集点云数据。该过程主要有四个步骤:立体像对选择、深度图计算、深度图优化、深度图融合。针对输入数据集里的每一张影像,我们选择一张参考影像形成一个立体像对,用于计算深度图。因此我们可以得到所有影像的粗略的深度图,这些深度图可能包含噪声和错误,我们利用它的邻域深度图进行一致性检查,来优化每一张影像的深度图。最后进行深度图融合,得到整个场景的三维点云。
步骤4:利用密集点云进行目标物曲面重建。包括定义八叉树、设置函数空间、创建向量场、求解泊松方程、提取等值面几个过程。由梯度关系得到采样点和指示函数的积分关系,根据积分关系获得点云的向量场,计算指示函数梯度场的逼近,构成泊松方程。根据泊松方程使用矩阵迭代求出近似解,采用移动方体算法提取等值面,对所测点云重构出被测物体的模型。
步骤5:目标物模型的全自动纹理贴图。表面模型构建完成后,进行纹理贴图。主要过程包括:①纹理数据获取通过图像重建目标的表面三角面格网;②重建模型三角面的可见性分析。利用图像的标定信息计算每个三角面的可见图像集以及最优参考图像;③三角面聚类生成纹理贴片。根据三角面的可见图像集、最优参考图像以及三角面的邻域拓扑关系,将三角面聚类生成为若干参考图像纹理贴片;④纹理贴片自动排序生成纹理图像。对生成的纹理贴片,按照其大小关系进行排序,生成包围面积最小的纹理图像,得到每个三角面的纹理映射坐标。
应当注意,上述算法是本发明的优化算法,本算法与图像采集条件相互配合,使用该算法兼顾了合成的时间和质量,是本发明的发明点之一。当然,使用现有技术中常规3D合成算法也可以实现,只是合成效果和速度会受到一定影响。
上述目标物体、目标物、及物体皆表示预获取三维信息的对象。可以为一实体物体,也可以为多个物体组成物。所述目标物的三维信息包括三维图像、三维点云、三维网格、局部三维特征、三维尺寸及一切带有目标物三维特征的参数。本发明里所谓的三维是指具有XYZ三个方向信息,特别是具有深度信息,与只有二维平面信息具有本质区别。也与一些称为三维、全景、全息、三维,但实际上只包括二维信息,特别是不包括深度信息的定义有本质区别。
本发明所说的采集区域是指图像采集装置(例如相机)能够拍摄的范围。本发明中的图像采集装置可以为CCD、CMOS、相机、摄像机、工业相机、监视器、摄像头、手机、平板、笔记本、移动终端、可穿戴设备、智能眼镜、智能手表、智能手环以及带有图像采集功能所有设备。
本发明所述的转动运动,为在采集过程中前一位置采集平面和后一位置采集平面发生交叉而不是平行,或前一位置图像采集装置光轴和后一位置图像采集位置光轴发生交叉而不是平行。也就是说,图像采集装置的采集区域环绕或部分环绕目标物运动,均可以认为是两者相对转动。虽然本发明实施例中列举更多的为有轨道的转动运动,但是可以理解,只要图像采集设备的采集区域和目标物之间发生非平行的运动,均是转动范畴,均可以使用本发明的限定条件。本发明保护范围并不限定于实施例中的有轨道转动。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于本发明装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (24)
2.如权利要求1所述设备,其特征在于:食物三维数据生成装置包括三维数据采集装置,用于采集被仿制食物的多个角度的图像。
3.如权利要求2所述设备,其特征在于:食物三维数据生成装置包括三维模型构建装置,根据所述多个角度的图像构建被仿制食物的三维模型。
4.如权利要求1所述设备,其特征在于:还包括食物三维数据库,食物三维数据生成装置生成的食物三维数据存储于食物三维数据库中,同时食物生产装置从食物三维数据库读取数据进行生产。
5.如权利要求1所述设备,其特征在于:δ<0.603。
6.如权利要求1所述设备,其特征在于:δ<0.498。
7.如权利要求1所述设备,其特征在于:δ<0.356。
8.如权利要求1所述设备,其特征在于:δ<0.311。
9.如权利要求4所述设备,其特征在于:数据库中三维数据由工厂建立,或由客户建立。
10.如权利要求4所述设备,其特征在于:食物三维数据能够由操作者修改。
11.如权利要求1所述设备,其特征在于:在生产时,食物的营养成分由被仿制食物的营养成分所决定;或人为指定。
12.一种食物三维数据存储装置,其特征在于,用于存储如权利要求1-11任一所述的设备生成的食物三维数据。
14.如权利要求13所述方法,其特征在于:食物三维数据生成装置包括三维数据采集装置,用于采集被仿制食物的多个角度的图像。
15.如权利要求14所述方法,其特征在于:食物三维数据生成装置包括三维模型构建装置,根据所述多个角度的图像构建被仿制食物的三维模型。
16.如权利要求13所述方法,其特征在于:还包括食物三维数据库,食物三维数据生成装置生成的食物三维数据存储于食物三维数据库中,同时食物生产装置从食物三维数据库读取数据进行生产。
17.如权利要求13所述方法,其特征在于:δ<0.603。
18.如权利要求13所述方法,其特征在于:δ<0.498。
19.如权利要求13所述方法,其特征在于:δ<0.356。
20.如权利要求13所述方法,其特征在于:δ<0.311。
21.如权利要求16所述方法,其特征在于:数据库中三维数据由工厂建立,或由客户建立。
22.如权利要求16所述方法,其特征在于:食物三维数据能够由操作者修改。
23.如权利要求13所述方法,其特征在于:在生产时,食物的营养成分由被仿制食物的营养成分所决定;或人为指定。
24.一种食物三维数据存储装置,其特征在于,用于存储如权利要求13-23任一所述的方法生成的食物三维数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131321.0A CN111329094B (zh) | 2020-02-28 | 2020-02-28 | 一种食物智能生产设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131321.0A CN111329094B (zh) | 2020-02-28 | 2020-02-28 | 一种食物智能生产设备及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111329094A CN111329094A (zh) | 2020-06-26 |
CN111329094B true CN111329094B (zh) | 2021-03-23 |
Family
ID=71173957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131321.0A Active CN111329094B (zh) | 2020-02-28 | 2020-02-28 | 一种食物智能生产设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111329094B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950154A (zh) * | 2020-08-14 | 2020-11-17 | 昆山同日工业自动化有限公司 | 一种基于5g通讯的工业三维扫描逆向建模检测系统 |
CN116086351B (zh) * | 2023-04-11 | 2023-07-18 | 齐鲁工业大学(山东省科学院) | 一种气瓶不圆度的测量方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2762266A1 (en) * | 2003-04-30 | 2004-11-11 | Adrian Richard Marshall | Producing three dimensional objects from deformable material |
CN101301107A (zh) * | 2007-05-10 | 2008-11-12 | 赖维祥 | 以快速原型技术生产三维立体造型食品的方法 |
US20120088023A1 (en) * | 2010-10-08 | 2012-04-12 | Bmfd Holdings, Llc | Method for molding chocolate from three dimensional images |
GB201506776D0 (en) * | 2015-04-21 | 2015-06-03 | Nestec Sa | Preparing food products |
CN109035379B (zh) * | 2018-09-10 | 2019-08-20 | 天目爱视(北京)科技有限公司 | 一种目标物360°3d测量及信息获取装置 |
-
2020
- 2020-02-28 CN CN202010131321.0A patent/CN111329094B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111329094A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10846903B2 (en) | Single shot capture to animated VR avatar | |
US11127163B2 (en) | Skinned multi-infant linear body model | |
US10628666B2 (en) | Cloud server body scan data system | |
US11640672B2 (en) | Method and system for wireless ultra-low footprint body scanning | |
CN110517355B (zh) | 用于照明混合现实对象的环境合成 | |
Bogo et al. | Detailed full-body reconstructions of moving people from monocular RGB-D sequences | |
CN107403463B (zh) | 在成像系统中具有非刚性部分的人体表示 | |
ES2692391T3 (es) | Servicio mejorado de simulación de prueba virtual | |
CN111329094B (zh) | 一种食物智能生产设备及方法 | |
CN110298916B (zh) | 一种基于合成深度数据的三维人体重建方法 | |
CN107873101A (zh) | 用于对象辨识和评估的成像系统 | |
CN110986768B (zh) | 一种用于目标物3d信息高速采集测量设备 | |
CN112016570A (zh) | 用于背景板同步旋转采集中的三维模型生成方法 | |
Hu et al. | 3DBodyNet: fast reconstruction of 3D animatable human body shape from a single commodity depth camera | |
US11055910B1 (en) | Method and system for generating models from multiple views | |
CN110648274B (zh) | 鱼眼图像的生成方法及装置 | |
CN107862718B (zh) | 4d全息视频捕捉方法 | |
CN112074869B (zh) | 基于胎儿的超声图像来生成婴儿的模拟图像的方法和系统 | |
CN111208138B (zh) | 一种智能木料识别装置 | |
AU2017260525B2 (en) | Method and system for body scanning and display of biometric data | |
CN114565659A (zh) | 基于单深度图深度学习视图合成的食物体积估计方法 | |
WO2018182938A1 (en) | Method and system for wireless ultra-low footprint body scanning | |
Liao et al. | Food intake estimation method using short-range depth camera | |
CN111161400B (zh) | 一种眼镜匹配设计设备 | |
CN205736018U (zh) | 制作真人人形玩偶的系统与服务器 |
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 |