CN111581453B - 一种针对薄壁类构件的检索方法、设备及介质 - Google Patents
一种针对薄壁类构件的检索方法、设备及介质 Download PDFInfo
- Publication number
- CN111581453B CN111581453B CN202010244187.5A CN202010244187A CN111581453B CN 111581453 B CN111581453 B CN 111581453B CN 202010244187 A CN202010244187 A CN 202010244187A CN 111581453 B CN111581453 B CN 111581453B
- Authority
- CN
- China
- Prior art keywords
- thin
- search
- wall component
- wall
- retrieval
- 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 39
- 239000000463 material Substances 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims description 37
- 238000005070 sampling Methods 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 16
- 238000004088 simulation Methods 0.000 description 15
- 238000012795 verification Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 229910001069 Ti alloy Inorganic materials 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种针对薄壁类构件的检索方法、设备及介质，方法包括：确定待检索的第一薄壁类构件对应的全局特征值；基于全局特征值以及预设算法，进行第一次检索，并得到第一次检索对应的第一检索结果；根据第一薄壁类构件对应的局部特征值，在第一检索结果中进行第二次检索；将第二次检索对应的第二检索结果作为最终检索结果。在基于全局特征值进行第一次检索后，再基于薄壁类构件的使用场景和/或材料所对应的局部特征值进行第二次检索，能够充分利用特定需求中关联的薄壁类构件模型关重局部特征值，实现了检索相似程度的进一步定向运算，在没有增加检索复杂度的前提下保证了检索结果的可靠性，也就增加了检索结果的准确度。
Description
技术领域
本申请涉及检索领域，具体涉及一种针对薄壁类构件的检索方法、设备及介质。
背景技术
薄壁类构件，又称薄壁类零件、薄壁结构等，指的是由薄板、薄壳和细长杆件组成的结构，能以较小的重量和较少的材料承受较大的载荷，在生产工作中经常被使用。
在实际的工作时，通常需要对薄壁类构件进行检索。但是在现有技术中，对薄壁类构件进行检索时，通常只考虑薄壁类构件的表面结构，并未考虑其他因素，这就使得在进行检索时，得到的结果往往不够准确。
发明内容
为了解决上述问题，本申请提出了一种针对薄壁类构件的检索方法，包括：确定待检索的第一薄壁类构件对应的全局特征值；基于所述全局特征值以及预设算法，进行第一次检索，并得到所述第一次检索对应的第一检索结果；根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，其中，所述局部特征值与所述第一薄壁类构件的使用场景和/或材料相关；将所述第二次检索对应的第二检索结果作为最终检索结果。
在一个示例中，所述预设算法与所述第一薄壁类构件对应的模型表面随机两个采样点之间的距离值相关。
在一个示例中，基于所述全局特征值以及预设算法，进行第一次检索，包括：确定所述第一薄壁类构件对应的模型表面的，任意两个采样点之间的距离值；根据所述预设算法以及所述距离值，得到所述第一薄壁类构件对应的距离值概率分布直方图；根据所述概率分布直方图，确定所述第一薄壁类构件的特征表示符；得到所述第一次检索对应的第一检索结果，包括：根据所述第一薄壁类构件的特征表示符，与已确定的第二薄壁类构件的特征表示符之间的第一相似程度，得到第一检索结果。
在一个示例中，基于所述全局特征值以及预设算法，进行第一次检索，包括：在所述第一薄壁类构件对应的模型表面随机选取多个采样点；根据所述多个采样点的坐标值，得到若干个距离值，其中，所述距离值为所述多个采样点中任意两个采样点之间的欧式距离值；根据所述预设算法以及所述若干个距离值，得到所述第一薄壁类构件对应的概率分布直方图；根据所述概率分布直方图的纬度值，生成多维向量，并将所述多维向量作为所述第一薄壁类构件的特征表示符。
在一个示例中，根据所述第一薄壁类构件的特征表示符，与已确定的第二薄壁类构件的特征表示符之间的第一相似程度，得到第一检索结果，包括根据确定所述第一相似程度，其中，Similarity为所述第一相似程度，Compare为所述第一薄壁类构件与所述第二薄壁类构件的概率分布直方图之间的距离，且/>其中，Da为所述第一薄壁类构件的特征表示符，Db为所述第二薄壁类构件的特征表示符。
在一个示例中，根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索之前，所述方法还包括：确定所述第一薄壁类构件的局部特征值，其中，所述局部特征值与材料类别、材料牌号中的至少一种相关。
在一个示例中，根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，包括：针对所述局部特征值中的每个参数，确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件对应的偏移量；基于所述局部特征值中每个所述参数对应的偏移量，确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件之间的第二相似程度。
在一个示例中，根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，包括：根据确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件对应的偏移量，其中，div为偏移量，A为所述第一薄壁类构件的参数值，B为所述第一检索结果中的薄壁类构件的参数值；根据得到加权偏移量，其中，cast为加权偏移量，divn为第n个参数对应的偏移量，/>为divn对应的权重值；根据sim＝(1-cast)*Similarity，确定所述第二相似程度，其中，sim为第二相似程度。
另一方面，本申请还提出了一种针对薄壁类构件的检索设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：确定待检索的第一薄壁类构件对应的全局特征值；基于所述全局特征值以及预设算法，进行第一次检索，并得到所述第一次检索对应的第一检索结果；根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，其中，所述局部特征值与所述第一薄壁类构件的使用场景和/或材料相关；将所述第二次检索对应的第二检索结果作为最终检索结果。
另一方面，本申请还提出了一种针对薄壁类构件的检索的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：确定待检索的第一薄壁类构件对应的全局特征值；基于所述全局特征值以及预设算法，进行第一次检索，并得到所述第一次检索对应的第一检索结果；根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，其中，所述局部特征值与所述第一薄壁类构件的使用场景和/或材料相关；将所述第二次检索对应的第二检索结果作为最终检索结果。
通过本申请提出针对薄壁类构件的检索方法能够带来如下有益效果：
在基于全局特征值进行第一次检索后，再基于薄壁类构件的使用场景和/或材料所对应的局部特征值进行第二次检索，能够充分利用特定需求中关联的薄壁类构件模型关重局部特征值，实现了检索相似程度的进一步定向运算，在没有增加检索复杂度的前提下保证了检索结果的可靠性，也就增加了检索结果的准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中针对薄壁类构件的检索方法的流程示意图；
图2为本申请实施例中针对薄壁类构件的检索设备的示意图；
图3为本申请实施例中针对薄壁类构件的检索方法的具体流程示意图；
图4为本申请实施例中采样点距离示意图；
图5为本申请实施例中概率分布直方图的示意图；
图6为本申请实施例中仿真验证时目标模型、模型1、模型2和模型3的仿真示意图；
图7a为本申请实施例中仿真验证时目标模型、模型1和模型2的概率分布直方图；
图7b为本申请实施例中仿真验证时模型3的概率分布直方图；
图8为本申请实施例中仿真验证时模型1、模型2和模型3的第一相似程度示意图；
图9为本申请实施例中仿真验证时模型4的仿真示意图；
图10为本申请实施例中仿真验证时模型4的概率分布直方图；
图11为本申请实施例中仿真验证时模型1、模型2、模型3和模型4的第一相似程度示意图；
图12为本申请实施例中仿真验证时模型1、模型2、模型3和模型4的第一相似程度以及第二相似程度示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
如图1和图3所示，本申请实施例提供针对薄壁类构件的检索方法，包括：
S101、确定待检索的第一薄壁类构件对应的全局特征值。
S102、基于所述全局特征值以及预设算法，进行第一次检索，并得到所述第一次检索对应的第一检索结果。
当有需要检索的待检索薄壁类构件时，可以将该薄壁类构件称作第一薄壁类构件。为了能够对第一薄壁类构件进行检索，可以首先确定其对应的全局特征值，然后基于全局特征值和预设算法进行第一次检索，然后得到第一次检索对应的检索结果，在此可以将其称作第一检索结果。其中，这里的全局特征值指的是，第一薄壁类构件在整体结构上所对应的特征值。
其中，在进行检索时，通常是将第一薄壁类构件的模型与模型库中已经确定的薄壁类构件的模型进行对比，基于两者之间的相似程度，在模型库中确定出于第一薄壁类构件最为相似的top-n个薄壁类构件，作为第一次检索对应的第一检索结果，为了便于描述，可以将模型库中对应的各薄壁类构件称作第二薄壁类构件。当然，为了便于检索，可以预先确定模型库中的各第二薄壁类构件对应的全局特征值，并存储在模型库或者生成相应的特征库进行存储。
在进行检索的具体过程中，需要用到预设算法。预设算法用于在进行检索时，确定第一薄壁类构件与第二薄壁类构件之间的相似程度，在此称作第一相似程度。预设算法可以是基于第一薄壁类构件对应的三维模型表面随机两个采样点之间的距离值，来确定第一相似程度，而该预设算法，即为俗称的D2算法。
具体地，在根据预设算法以及全局特征值进行第一次检索时，可以首先确定第一薄壁类构件对应的模型表面，任意两个采样点之间的距离值。然后，根据该距离值以及预设算法，得到第一薄壁类构件对应的距离值概率分布直方图，然后即可根据概率分布直方图来确定第一薄壁类构件的特征表示符。由于特征表示符与距离值对应的概率分布直方图相关，而该概率分布直方图是基于距离值所生成的，代表着在第一薄壁类构件模型表面不同的采样点之间的距离，也就代表着第一薄壁类构件的形状。因此，第一薄壁类构件的特征表示符也就与第一薄壁类构件的形状相关，可以通过第一薄壁类构件与第二薄壁类构件对应的特征表示符，来确定两者之间的第一相似程度，也就可以基于第一相似程度，得到相似程度较高的top-n个第二薄壁类构件作为检索结果，在此可以称作第一检索结果。
进一步地，可以首先提取第一薄壁类构件的全部顶点信息，然后如图4所示，在其对应的模型表面选取多个采样点，在此可以采用随机离散采样的方式，得到2m个采样点，其中，m为正整数。在图4中，以两个点A1和A2距离进行说明。然后，可以根据这2m个采样点的坐标值，计算在其中每两个采样点间的距离，得到m(2m-1)个距离值。其中，这里的距离值可以是任意两个采样点之间的欧式距离值，欧式距离指的是在欧几里得空间中，两点间的真实距离，在此不再赘述。
然后，如图5所示，即可根据该m(2m-1)个距离值以及预设算法来得到距离值对应的概率分布直方图。接着可以将概率分布直方图的纬度值，组成一个多维向量，在此即为m(2m-1)维向量，此时即可将该多维向量作为第一薄壁类构件的特征表示符。在此可以将该多维向量记作V，具体的多维向量V可以表示为V＝[V1，V2，V3…Vm(2m-1)]。由于采样点是从模型表面随机选取的，保证了采样点之间相互独立性和各自的等概率性。
类似地，在模型库或者特征库中，也可以采用类似的办法，来确定各第二薄壁类构件所对应的特征表示符，然后进行存储，以便于后续进行相似程度对比，在此不再赘述。
在确定了特征表示符后，即可基于该特征表示符进行检索。具体地，可以基于公示来确定第一薄壁类构件与第二薄壁类构件的特征表示符之间的第一相似程度。其中，Similarity为第一相似程度，Compare为第一薄壁类构件与第二薄壁类构件的概率分布直方图之间的距离，也表示两者的概率分布直方图之间的相似程度。而且/>其中，Da为所述第一薄壁类构件的特征表示符，具体可以为Da＝[Da1，Da2，Da3…DaN]，Db为所述第二薄壁类构件的特征表示符，具体可以为Db＝[Db1，Db2，Db3…DbN]。由于Similarity表示两个三维模型的相似性，在此可以将其进行归一化处理，此时Similarity的取值范围为(0,1]，Similarity值越大，也就表明两模型越相似；当Similarity值趋于1时，表明两模型基本上一模一样。
S103、根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，其中，所述局部特征值与所述第一薄壁类构件的使用场景和/或材料相关。
S104、将所述第二次检索对应的第二检索结果作为最终检索结果。
若是只通过预设算法进行检索，那么得到的第一检索结果可能仍然不够准确，因此，可以根据第一薄壁类构件对应的局部特征值，来在第一检索结果中进行第二次检索，然后将第二次检索对应的第二检索结果作为最终检索结果。其中，局部特征值指的是，针对第一薄壁类构件的局部特征所生成的特征值，具体可以针对第一薄壁类构件的使用场景和/或自身所对应的材料相关。使用场景指的是，第一薄壁类构件需要使用在什么工作场景，根据不同的工作场景，对第一薄壁类构件的耐热性、耐酸性等要求也都不同。而材料则是指的第一薄壁类构件材料本身的特点，例如材料尺寸、材料类别、材料牌号等，材料类别可以包括钛合金、铝合金、钢等，而材料牌号也是指的该材料所对应的名称、用途、特型、工艺等，在此不再赘述。
具体地，可以首先根据材料类别、材料牌号中的至少一种确定出第一薄壁类构件的局部特征值。当针对局部特征值中对应有多个参数时，可以针对每个参数，确定第一薄壁类构件与第一检索结果中每个薄壁类构件对应的偏移量。此时可以根据公式来确定偏移量，其中，div为偏移量，当div越小，也就代表在该参数下，两者之间的相似程度越高，A为第一薄壁类构件的参数值，B为第一检索结果中的薄壁类构件的参数值。
然后，当局部特征值中对应有一个参数时，即可根据该偏移量确定相似程度，在此称作第二相似程度。若是局部特征值中对应有多个参数，因此可以得到多个偏移量div，可以基于每个参数对应的偏移量，确定第二相似程度。此时可以采用设置不同参数对应的不同权重来计算，可以根据公式 计算得到加权偏移量。其中，cast为加权偏移量，与第二相似程度相似程度相关，当cast越小，也就代表着两者之间的相似程度越高，divn为第n个参数对应的偏移量，/>为divn对应的权重值，是预先设置的。最后，由于第一次检索和第二次检索中，两次检索的数据是相关迭代的，因此，可以根据sim＝(1-cast)*Similarity，确定第二相似程度，其中，sim为第二相似程度。
在一个实施例中，经过多次实验，可以发现材料类别对薄壁类构件模型的表示效果最好，但有时两差异很大的模型会有相似的材料类别。这种情况就需要材料牌号去区分这种巧合模型。此时，当参数只包含材料类别和材料牌号时，其中，divsort为材料类别对应的偏离值，divno为材料牌号对应的偏离值。另外，考虑到不同参数的相关性可能对cast值的影响因子不同，根据业务场景对材料类别和材料牌号进行量化处理为(0,10)，并且取/>与/>分别0.7和0.3。此时，cast＝0.7divsort+0.3divno。
在一个实施例中，针对本申请实施例中的方法，进行了仿真验证。首先如图6所示，将图6中的图A对应的目标模型作为第一薄壁类构件对应的模型，而图B、图C与图D对应的模型1、模型2与模型3，分别为多个第二薄壁类构件。该仿真场景采样距离数量的取值为98万个，概率分布直方图维数取值为400维。最终可以得到如图7a和图7b所示的概率分布直方图，其中，图7a为目标模型与模型1和模型2对应的概率分布直方图，图7b为模型4对应的概率分布直方图。可以看到目标模型与模型1和模型2之间差距较小，但是与模型4的差距较大。最终计算得到的第一相似程度如下表和图8所示。
仿真结果表明：模型1-3对比目标模型的第一相似程度，而第一相似程度曲线斜率也验证了模型间差距逐渐增大，从上述仿真结果中能够准确给出第一相似程度排序，此时即完成了第一次检索的过程，得到了第一检索结果。
然后添加模型4，模型4与目标模型之间的形状差距很小，但是其材料类别与材料牌号都不同，模型4的仿真图如图9所示。如果只是按照第一次检索的过程进行检索，可以得到如图10所示的概率分布直方图，以及如下表和图11所示的第一相似程度结果。
但是如果是通过第二次检索的过程，通过公式cast＝0.7divsort+0.3divno，以及sim＝(1-cast)*Similarity进行第二次检索，则可以得到如下表和图12所示的第二相似程度结果，其中，为了便于进行对比，将第一相似程度结果与第二相似程度结果一同放入图12与下表中。
由此可知，如果只采用基于全局特征值的第一次检索，得到的检索结果也许在形状上较为类似，但是并没有根据业务需求考虑局部关重特征值的影响，导致模型4与目标模型相似程度最高。而如果经过了第二次检索，充分利用特定需求中关联的薄壁类构件模型关重局部特征值，实现了检索相似程度的进一步定向运算，在没有增加检索复杂度的前提下保证了检索结果的可靠性，此时的结果中可以表明，模型1相比于模型4，更符合当前检索的要求。
如图2所示，本申请实施例还提供了一种针对薄壁类构件的检索设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
确定待检索的第一薄壁类构件对应的全局特征值；
基于所述全局特征值以及预设算法，进行第一次检索，并得到所述第一次检索对应的第一检索结果；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，其中，所述局部特征值与所述第一薄壁类构件的使用场景和/或材料相关；
将所述第二次检索对应的第二检索结果作为最终检索结果。
本申请实施例还提供了一种针对薄壁类构件的检索的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
确定待检索的第一薄壁类构件对应的全局特征值；
基于所述全局特征值以及预设算法，进行第一次检索，并得到所述第一次检索对应的第一检索结果；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，其中，所述局部特征值与所述第一薄壁类构件的使用场景和/或材料相关；
将所述第二次检索对应的第二检索结果作为最终检索结果。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (3)
1.一种针对薄壁类构件的检索方法，其特征在于，包括：
确定待检索的第一薄壁类构件对应的全局特征值；
基于所述全局特征值以及预设算法，进行第一次检索，并得到所述第一次检索对应的第一检索结果；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，其中，所述局部特征值与所述第一薄壁类构件的使用场景和/或材料相关；
将所述第二次检索对应的第二检索结果作为最终检索结果；
所述预设算法与所述第一薄壁类构件对应的模型表面随机两个采样点之间的距离值相关；
基于所述全局特征值以及预设算法，进行第一次检索，包括：
确定所述第一薄壁类构件对应的模型表面的，任意两个采样点之间的距离值；
根据所述预设算法以及所述距离值，得到所述第一薄壁类构件对应的距离值概率分布直方图；
根据所述概率分布直方图，确定所述第一薄壁类构件的特征表示符；
得到所述第一次检索对应的第一检索结果，包括：
根据所述第一薄壁类构件的特征表示符，与已确定的第二薄壁类构件的特征表示符之间的第一相似程度，得到第一检索结果；
基于所述全局特征值以及预设算法，进行第一次检索，包括：
在所述第一薄壁类构件对应的模型表面随机选取多个采样点；
根据所述多个采样点的坐标值，得到若干个距离值，其中，所述距离值为所述多个采样点中任意两个采样点之间的欧式距离值；
根据所述预设算法以及所述若干个距离值，得到所述第一薄壁类构件对应的概率分布直方图；
根据所述概率分布直方图的纬度值，生成多维向量，并将所述多维向量作为所述第一薄壁类构件的特征表示符；
根据所述第一薄壁类构件的特征表示符，与已确定的第二薄壁类构件的特征表示符之间的第一相似程度，得到第一检索结果，包括：
根据确定所述第一相似程度，其中，Similarity为所述第一相似程度，Compare为所述第一薄壁类构件与所述第二薄壁类构件的概率分布直方图之间的距离，且/>其中，Da为所述第一薄壁类构件的特征表示符，Db为所述第二薄壁类构件的特征表示符；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索之前，所述方法还包括：
确定所述第一薄壁类构件的局部特征值，其中，所述局部特征值与材料类别、材料牌号中的至少一种相关；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，包括：
针对所述局部特征值中的每个参数，确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件对应的偏移量；
基于所述局部特征值中每个所述参数对应的偏移量，确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件之间的第二相似程度；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，包括：
根据确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件对应的偏移量，其中，div为偏移量，A为所述第一薄壁类构件的参数值，B为所述第一检索结果中的薄壁类构件的参数值；
根据得到加权偏移量，其中，cast为加权偏移量，divn为第n个参数对应的偏移量，/>为divn对应的权重值；
根据sim＝(1-cast)*Similarity，确定所述第二相似程度，其中，sim为第二相似程度。
2.一种针对薄壁类构件的检索设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
确定待检索的第一薄壁类构件对应的全局特征值；
基于所述全局特征值以及预设算法，进行第一次检索，并得到所述第一次检索对应的第一检索结果；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，其中，所述局部特征值与所述第一薄壁类构件的使用场景和/或材料相关；
将所述第二次检索对应的第二检索结果作为最终检索结果；
所述预设算法与所述第一薄壁类构件对应的模型表面随机两个采样点之间的距离值相关；
基于所述全局特征值以及预设算法，进行第一次检索，包括：
确定所述第一薄壁类构件对应的模型表面的，任意两个采样点之间的距离值；
根据所述预设算法以及所述距离值，得到所述第一薄壁类构件对应的距离值概率分布直方图；
根据所述概率分布直方图，确定所述第一薄壁类构件的特征表示符；
得到所述第一次检索对应的第一检索结果，包括：
根据所述第一薄壁类构件的特征表示符，与已确定的第二薄壁类构件的特征表示符之间的第一相似程度，得到第一检索结果；
基于所述全局特征值以及预设算法，进行第一次检索，包括：
在所述第一薄壁类构件对应的模型表面随机选取多个采样点；
根据所述多个采样点的坐标值，得到若干个距离值，其中，所述距离值为所述多个采样点中任意两个采样点之间的欧式距离值；
根据所述预设算法以及所述若干个距离值，得到所述第一薄壁类构件对应的概率分布直方图；
根据所述概率分布直方图的纬度值，生成多维向量，并将所述多维向量作为所述第一薄壁类构件的特征表示符；
根据所述第一薄壁类构件的特征表示符，与已确定的第二薄壁类构件的特征表示符之间的第一相似程度，得到第一检索结果，包括：
根据确定所述第一相似程度，其中，Similarity为所述第一相似程度，Compare为所述第一薄壁类构件与所述第二薄壁类构件的概率分布直方图之间的距离，且/>其中，Da为所述第一薄壁类构件的特征表示符，Db为所述第二薄壁类构件的特征表示符；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索之前，还包括：
确定所述第一薄壁类构件的局部特征值，其中，所述局部特征值与材料类别、材料牌号中的至少一种相关；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，包括：
针对所述局部特征值中的每个参数，确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件对应的偏移量；
基于所述局部特征值中每个所述参数对应的偏移量，确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件之间的第二相似程度；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，包括：
根据确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件对应的偏移量，其中，div为偏移量，A为所述第一薄壁类构件的参数值，B为所述第一检索结果中的薄壁类构件的参数值；
根据得到加权偏移量，其中，cast为加权偏移量，divn为第n个参数对应的偏移量，/>为divn对应的权重值；
根据sim＝(1-cast)*Similarity，确定所述第二相似程度，其中，sim为第二相似程度。
3.一种针对薄壁类构件的检索的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
确定待检索的第一薄壁类构件对应的全局特征值；
基于所述全局特征值以及预设算法，进行第一次检索，并得到所述第一次检索对应的第一检索结果；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，其中，所述局部特征值与所述第一薄壁类构件的使用场景和/或材料相关；
将所述第二次检索对应的第二检索结果作为最终检索结果；
所述预设算法与所述第一薄壁类构件对应的模型表面随机两个采样点之间的距离值相关；
基于所述全局特征值以及预设算法，进行第一次检索，包括：
确定所述第一薄壁类构件对应的模型表面的，任意两个采样点之间的距离值；
根据所述预设算法以及所述距离值，得到所述第一薄壁类构件对应的距离值概率分布直方图；
根据所述概率分布直方图，确定所述第一薄壁类构件的特征表示符；
得到所述第一次检索对应的第一检索结果，包括：
根据所述第一薄壁类构件的特征表示符，与已确定的第二薄壁类构件的特征表示符之间的第一相似程度，得到第一检索结果；
基于所述全局特征值以及预设算法，进行第一次检索，包括：
在所述第一薄壁类构件对应的模型表面随机选取多个采样点；
根据所述多个采样点的坐标值，得到若干个距离值，其中，所述距离值为所述多个采样点中任意两个采样点之间的欧式距离值；
根据所述预设算法以及所述若干个距离值，得到所述第一薄壁类构件对应的概率分布直方图；
根据所述概率分布直方图的纬度值，生成多维向量，并将所述多维向量作为所述第一薄壁类构件的特征表示符；
根据所述第一薄壁类构件的特征表示符，与已确定的第二薄壁类构件的特征表示符之间的第一相似程度，得到第一检索结果，包括：
根据确定所述第一相似程度，其中，Similarity为所述第一相似程度，Compare为所述第一薄壁类构件与所述第二薄壁类构件的概率分布直方图之间的距离，且/>其中，Da为所述第一薄壁类构件的特征表示符，Db为所述第二薄壁类构件的特征表示符；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索之前，还包括：
确定所述第一薄壁类构件的局部特征值，其中，所述局部特征值与材料类别、材料牌号中的至少一种相关；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，包括：
针对所述局部特征值中的每个参数，确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件对应的偏移量；
基于所述局部特征值中每个所述参数对应的偏移量，确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件之间的第二相似程度；
根据所述第一薄壁类构件对应的局部特征值，在所述第一检索结果中进行第二次检索，包括：
根据确定所述第一薄壁类构件与所述第一检索结果中的每个薄壁类构件对应的偏移量，其中，div为偏移量，A为所述第一薄壁类构件的参数值，B为所述第一检索结果中的薄壁类构件的参数值；
根据得到加权偏移量，其中，cast为加权偏移量，divn为第n个参数对应的偏移量，/>为divn对应的权重值；
根据sim＝(1-cast)*Similarity，确定所述第二相似程度，其中，sim为第二相似程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010244187.5A CN111581453B (zh) | 2020-03-31 | 2020-03-31 | 一种针对薄壁类构件的检索方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010244187.5A CN111581453B (zh) | 2020-03-31 | 2020-03-31 | 一种针对薄壁类构件的检索方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111581453A CN111581453A (zh) | 2020-08-25 |
| CN111581453B true CN111581453B (zh) | 2023-08-15 |
Family
ID=72124242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010244187.5A Active CN111581453B (zh) | 2020-03-31 | 2020-03-31 | 一种针对薄壁类构件的检索方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111581453B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101794290A (zh) * | 2009-12-30 | 2010-08-04 | 清华大学 | 一种基于视觉认知特征的彩色三维模型检索方法 |
| CN106547825A (zh) * | 2016-09-30 | 2017-03-29 | 西北大学 | 基于全局特征与子块特征的三维模型检索方法 |
| CN108415937A (zh) * | 2018-01-24 | 2018-08-17 | 博云视觉（北京）科技有限公司 | 一种图像检索的方法和装置 |
| CN108596186A (zh) * | 2018-03-19 | 2018-09-28 | 西北大学 | 一种三维模型检索方法 |
| CN109299301A (zh) * | 2018-09-17 | 2019-02-01 | 北京工业大学 | 一种基于形状分布和曲度的三维模型检索方法 |
| CN110598078A (zh) * | 2019-09-11 | 2019-12-20 | 京东数字科技控股有限公司 | 数据检索方法及装置、计算机可读存储介质、电子设备 |
-
2020
- 2020-03-31 CN CN202010244187.5A patent/CN111581453B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101794290A (zh) * | 2009-12-30 | 2010-08-04 | 清华大学 | 一种基于视觉认知特征的彩色三维模型检索方法 |
| CN106547825A (zh) * | 2016-09-30 | 2017-03-29 | 西北大学 | 基于全局特征与子块特征的三维模型检索方法 |
| CN108415937A (zh) * | 2018-01-24 | 2018-08-17 | 博云视觉（北京）科技有限公司 | 一种图像检索的方法和装置 |
| CN108596186A (zh) * | 2018-03-19 | 2018-09-28 | 西北大学 | 一种三维模型检索方法 |
| CN109299301A (zh) * | 2018-09-17 | 2019-02-01 | 北京工业大学 | 一种基于形状分布和曲度的三维模型检索方法 |
| CN110598078A (zh) * | 2019-09-11 | 2019-12-20 | 京东数字科技控股有限公司 | 数据检索方法及装置、计算机可读存储介质、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111581453A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106649331B (zh) | 商圈识别方法及设备 | |
| CN111612834B (zh) | 生成目标图像的方法、装置及设备 | |
| JP6070956B2 (ja) | 類似性検出装置及び指向性近傍検出方法 | |
| CN103744974B (zh) | 局部兴趣点选取的方法及设备 | |
| CN108932257A (zh) | 多维度数据的查询方法及装置 | |
| JP2020107016A (ja) | 類似度判定装置および異常検出装置 | |
| CN111832693B (zh) | 神经网络层运算、模型训练方法、装置及设备 | |
| CN111581453B (zh) | 一种针对薄壁类构件的检索方法、设备及介质 | |
| CN111552751B (zh) | 三维地标控制点生成及应用方法、生成及应用装置 | |
| CN111931920A (zh) | 基于级联神经网络的目标检测方法、装置及存储介质 | |
| CN110019357B (zh) | 数据库查询脚本生成方法及装置 | |
| CN114817209A (zh) | 监控规则的处理方法和装置、处理器及电子设备 | |
| CN110019544A (zh) | 数据查询方法及系统 | |
| CN114037921A (zh) | 基于无人机智能识别的弧垂建模方法及系统 | |
| CN115129915A (zh) | 重复图像检索方法、装置、设备及存储介质 | |
| CN110263196B (zh) | 图像检索方法、装置、电子设备及存储介质 | |
| CN109684121A (zh) | 一种文件恢复方法及系统 | |
| CN114756634A (zh) | 兴趣点变化发现方法、装置、电子设备及存储介质 | |
| CN112949736B (zh) | 一种特征匹配方法及相关设备 | |
| CN116245619B (zh) | 商品向量嵌入方法、商品相似度评估方法及商品陈列方法 | |
| CN111125165A (zh) | 集合的合并方法、装置、处理器及机器可读存储介质 | |
| CN116274893B (zh) | 检测钢包内衬侵蚀量的方法、处理器、装置及存储介质 | |
| CN115953593B (zh) | 工业零件的轮廓识别方法、装置、设备和计算机存储介质 | |
| CN117635981A (zh) | 电力元数据标签的标定方法、系统、图像识别方法及系统 | |
| CN116361671A (zh) | 一种基于后校正的高熵knn聚类方法、设备及介质 |
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 |