CN112287481B - 基于三维点云的机械设计方案搜索方法及装置 - Google Patents
基于三维点云的机械设计方案搜索方法及装置 Download PDFInfo
- Publication number
- CN112287481B CN112287481B CN202011169583.2A CN202011169583A CN112287481B CN 112287481 B CN112287481 B CN 112287481B CN 202011169583 A CN202011169583 A CN 202011169583A CN 112287481 B CN112287481 B CN 112287481B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional point
- cloud data
- design
- preset
- 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
- 238000013461 design Methods 0.000 title claims abstract description 231
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 49
- 238000005070 sampling Methods 0.000 claims description 34
- 238000003466 welding Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于三维点云的机械设计方案搜索方法及装置,涉及机械设计技术领域,包括确定设计需求信息,并将所述设计需求信息转换为第一三维点云数据;基于预设的第一提取方式从所述第一三维点云数据提取第一特征;基于所述第一特征与基于所述预设的第二提取方式从至少一个第二三维点云数据中分别提取的至少一个第二特征进行匹配,确定与所述第一特征匹配成功的第二特征所对应的历史设计方案为所述设计需求信息所对应的输出机械设计方案;其中,第二三维点云数据基于历史机械设计方案确定。以此可以实现基于历史的设计方案的搜索,节约了设计人员设计方案的时间,提升了工作效率。
Description
技术领域
本发明涉及机械设计技术领域,尤其是涉及一种基于三维点云的机械设计方案搜索方法及装置。
背景技术
在机械设计领域,存在着大量的历史机械设计方案,当设计工程师拿到一个设计输入时,很多情况下都能在历史机械设计方案库里面寻找到完全满足或部分满足设计要求的历史机械设计方案。通过在已有历史机械设计方案的基础上进行设计,可以极大的降低设计工程师的工作量。如何从历史机械设计方案库中找到满足或部分满足设计输入的历史机械设计方案,传统的做法是基于大量的规则去判断,但是这种做法通用性较差。本方案通过机器学习方法,自动学习设计输入与历史机械设计方案之间的映射关系,从而帮助机械设计人员快速找到满足设计要求的历史机械设计方案。
发明内容
本发明的目的在于提供一种基于三维点云的机械设计方案搜索方法及装置,以缓解了现有技术中存在的设计效率低的技术问题。
第一方面,本发明实施例提供一种基于三维点云的机械设计方案搜索方法,包括:
确定设计需求信息,并将所述设计需求信息转换为第一三维点云数据;
基于预设的第一提取方式从所述第一三维点云数据提取第一特征;
基于所述第一特征与基于所述预设的第二提取方式从至少一个第二三维点云数据中分别提取的至少一个第二特征进行匹配,确定与所述第一特征匹配成功的第二特征所对应的历史设计方案为所述设计需求信息所对应的输出机械设计方案;其中,所述第二三维点云数据基于历史机械设计方案确定。
在可选的实施方式中,所述设计需求信息包括工件数模、工艺信息以及设计偏好中的一项或多项。
在可选的实施方式中,所述机械设计方案为夹具的机械设计方案,所述设计需求信息包括车件数模、定位点信息以及焊点信息;所述将所述设计需求信息转换为第一三维点云数据的步骤包括:
对所述车件数模进行格式转换;针对转换后的所述车件数模按照预设的采样算法进行采样,得到所述车件数模的三维点云数据;
将所述定位点信息以及所述焊点信息中的定位点以及焊点替换为预设体;针对替换后的定位点信息以及替换后的所述焊点信息按照预设的采样算法进行采样,得到所述定位点信息的三维点云数据和所述焊点信息的三维点云数据;
其中,所述第一三维点云数据包括所述车件数模的三维点云数据、所述定位点信息的三维点云数据和所述焊点信息的三维点云数据。
在可选的实施方式中,针对转换后的所述车件数模按照预设的采样算法进行采样,得到所述车件数模的三维点云数据的步骤,包括:
针对转换后的所述车件数模,以及所述定位点信息,按照预设的裁剪规则进行裁剪;其中,所述预设的裁剪规则包括保留所述定位点周围指定范围内的区域。
针对裁剪后的所述车件数模按照预设的采样算法进行采样,得到所述车件数模的三维点云数据。
在可选的实施方式中,所述提取方式包括基于预先训练的卷积神经网络模型进行提取,所述预设的第一提取方式与所述预设的第二提取方式相同或不同。
在可选的实施方式中,基于所述第一特征与基于所述预设的第二提取方式从至少一个第二三维点云数据中分别提取的至少一个第二特征进行匹配,确定与所述第一特征匹配成功的第二特征所对应的历史设计方案为所述设计需求信息所对应的输出机械设计方案的步骤,包括:
依次从至少一个历史设计方案中选择当前历史设计方案,并针对每个所述当前历史设计方案执行如下步骤,确定与所述第一特征的匹配度,以便于基于所述第二特征与所述第一特征的匹配度确定所述设计需求信息所对应的输出机械设计方案:
将所述当前历史设计方案转换为第二三维点云数据;
基于所述预设的第二提取方式从所述第二三维点云数据中提取得到第二特征;
将所述第一特征和所述第二特征输入预先训练的全连接神经网络模型中,输出为匹配度。
在可选的实施方式中,在确定设计需求信息的步骤之前,所述方法还包括:
确定训练样本集,所述训练样本集中包括正样本和负样本,所述正样本包括设计需求信息样本以及符合所述设计需求信息样本要求的机械设计方案,所述负样本包括设计需求信息样本以及不符合所述设计需求信息样本要求的机械设计方案;
基于所述训练样本集对所述卷积神经网络模型和所述全连接神经网络模型进行训练,得到训练好的所述卷积神经网络模型和训练好的所述全连接神经网络模型。
第二方面,本发明实施例提供一种基于三维点云的机械设计方案搜索装置,包括:
转换模块,用于确定设计需求信息,并将所述设计需求信息转换为第一三维点云数据;
提取模块,用于基于预设的第一提取方式从所述第一三维点云数据提取第一特征;
匹配模块,用于基于所述第一特征与基于所述预设的第二提取方式从至少一个第二三维点云数据中分别提取的至少一个第二特征进行匹配,确定与所述第一特征匹配成功的第二特征所对应的历史设计方案为所述设计需求信息所对应的输出机械设计方案;其中,所述第二三维点云数据基于历史机械设计方案确定。
第三方面,本发明实施例提供一种计算机设备,包括存储器以及处理器;所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述前述实施方式任一项所述的方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行所述前述实施方式任一项所述的方法。
本发明提供的本发明实施例提供一种基于三维点云的机械设计方案搜索方法及装置。确定设计需求信息,并将所述设计需求信息转换为第一三维点云数据;基于预设的第一提取方式从所述第一三维点云数据提取第一特征;基于所述第一特征与基于所述预设的第二提取方式从至少一个第二三维点云数据中分别提取的至少一个第二特征进行匹配,确定与所述第一特征匹配成功的第二特征所对应的历史设计方案为所述设计需求信息所对应的输出机械设计方案;其中,所述第二三维点云数据基于历史机械设计方案确定。以此可以实现基于历史的设计方案为搜索,从而节约了设计人员设计方案的时间,同时在一定程度上避免了设计人员重复设计的工作量,提升的工作效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于三维点云的机械设计方案搜索方法流程示意图;
图2为本申请实施例提供的三维点云数据的一个示例;
图3为本申请实施例提供的机械设计方案的一个示例;
图4为本申请实施例提供的一种网络模型的一个示例;
图5为本申请实施例提供的一种基于三维点云的机械设计方案搜索装置结构示意图;
图6为本申请实施例提供的一种计算机设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
图1为本发明实施例提供的一种基于三维点云的机械设计方案搜索方法的流程示意图。如图1所示,该方法可以包括如下步骤:
S110,确定设计需求信息,并将设计需求信息转换为第一三维点云数据。
该设计需求信息可以包括工件数模、工艺信息以及设计偏好中的一项或多项。该设计需求信息可以为用户输入的信息,也可以为基于用户的历史操作确定的信息。例如,该工件数模可以为用户输入的信息,该设计偏好可以基于用户的历史操作确定的信息,该工艺信息可以为用户输入的信息,也可以为基于工件数模确定的信息等等。
例如,该机械设计方案可以为夹具的机械设计方案,该设计需求信息可以包括车件数模、定位点信息以及焊点信息等等。基于此,该步骤具体可以包括:对车件数模进行格式转换;针对转换后的车件数模按照预设的采样算法进行采样,得到车件数模的三维点云数据;将定位点信息以及焊点信息中的定位点以及焊点替换为预设体;针对替换后的定位点信息以及替换后的焊点信息按照预设的采样算法进行采样,得到定位点信息的三维点云数据和焊点信息的三维点云数据,该预设体可以为立方体或者球体等等,具体可以根据实际需要设置。
其中,该第一三维点云数据可以包括车件数模的三维点云数据、定位点信息的三维点云数据和焊点信息的三维点云数据。
作为一个示例,如图2所示,可以将设计需求信息(车件数模、RPS(定位)点、焊点信息)转换成三维点云数据,对于车件数模先转换成STL格式数模,再通过采样算法转成三维点云数据;对于RPS点、焊点等点信息,为了便于采样,可以先将点用立方体或球(即,预设体)代替,再通过采样算法转成三维点云数据。为了区分不同类型的设计需求信息,可以采用如图2所示的方式,每一类型的设计需求信息占用一个通道,其中,工件数模为0通道,张量尺寸为128*128*128;RPS点为1通道,张量尺寸为128*128*128,焊点为2通道,张量尺寸为128*128*128,最后将多种设计需求信息融合成多通道的三维点云数据,也即图2中所示的设计输入的3D点云数据,张量尺寸为3*128*128*128。
另外,在针对转换后的车件数模按照预设的采样算法进行采样,得到车件数模的三维点云数据时,还可以进行裁剪以便降低数据量,降低数据处理压力,具体可以通过如下步骤实现:针对转换后的车件数模,以及定位点信息,按照预设的裁剪规则进行裁剪;其中,预设的裁剪规则包括保留定位点周围指定范围内的区域;针对裁剪后的车件数模按照预设的采样算法进行采样,得到车件数模的三维点云数据。
例如,由于车件数模通常体积很大,不便于直接输入深度学习网络,因此可以对车件数模进行截取,保留RPS点周围的区域,该裁剪规则可以为:计算所有RPS点的包络体(长方体),接着保存包络体的中心点不变,将包络体的长宽高扩大一定的尺寸(例如120mm),用扩大后的包络体对车件数模进行裁剪,裁剪后的效果如图3所示。
S120,基于预设的第一提取方式从第一三维点云数据提取第一特征。
在一些实施例中,该第一提取方式包括多种。例如,该第一提取方式可以基于预先训练的卷积神经网络模型进行提取,预设的第一提取方式与预设的第二提取方式相同或不同。
S130,基于第一特征与基于预设的第二提取方式从至少一个第二三维点云数据中分别提取的至少一个第二特征进行匹配,确定与第一特征匹配成功的第二特征所对应的历史设计方案为设计需求信息所对应的输出机械设计方案;其中,第二三维点云数据基于历史机械设计方案确定。
在一些实施例中,该第二提取方式包括多种。例如,该第二提取方式可以基于预先训练的卷积神经网络模型进行提取。其中,该预设的第一提取方式与预设的第二提取方式相同或不同。例如,该预设的第一提取方式与预设的第二提取方式可以为基于相同的模型训练得到,但是,得到的最终模型参数可以不同。
基于特征之间的匹配便可以实现设计方案之间相似性的判断,可以选择匹配度最高的历史机械设计方案作为检索到的机械设计方案。
作为一个示例,可以依次从至少一个历史设计方案中选择当前历史设计方案,并针对每个当前历史设计方案执行如下步骤,确定与第一特征的匹配度,以便于基于第二特征与第一特征的匹配度确定设计需求信息所对应的输出机械设计方案:
步骤a),将当前历史设计方案转换为第二三维点云数据;
步骤b),基于预设的第二提取方式从第二三维点云数据中提取得到第二特征;
步骤c),将第一特征和第二特征输入预先训练的全连接神经网络模型中,输出为匹配度。
在基于第二特征与第一特征的匹配度确定设计需求信息所对应的输出机械设计方案时,可以按照第二特征与第一特征的匹配度进行排序,确定排序靠前的指定数量个历史机械设计方案作为检索到的机械设计方案。
将设计历史信息(例如,历史设计方案或者历史夹具单元CAD数模)转换成三维点云数据,转换方法为先将历史夹具单元CAD数模转换成STL格式数模,再通过采样算法转成三维点云数据。该设计历史信息可以包括历史机械设计方案。
可以将上述步骤中得到的第一特征与第二特征通过CONCAT方法拼接到一起,得到融合后的特征;然后通过人工神经网络将融合后的特征转换成匹配度。
作为一个示例,该卷积神经网络模型和全连接神经网络模型的结构可以如图4所示。该卷积神经网络模型可以包括两个,每个分别对应于设计需求信息和设计历史信息。作为一个示例,设计需求信息可以为多通道的三维点云数据,例如图4中所示的张量尺寸为3*128*128*128的三维点云数据;该设计历史信息可以为单通道或多通道的三维点云数据,例如图4中所示的张量尺寸为1*128*128*128的三维点云数据。每个卷积神经网络模型可以包括多层CNN+ReLU激活函数层,各层CNN+ReLU激活函数层可以依次连接。该全连接神经网络模型可以由Linear层+ReLU激活函数层以及Linear层+Sigmoid激活函数层构成。例如,如图4所示,通过多层CNN+ReLU激活函数层将设计需求信息和设计历史信息处理为尺寸为2*64*64*64的张量,再通过CNN+ReLU激活函数层依次转换成尺寸为4*32*32*32、8*16*16*16、16*8*8*8、32*4*4*4的张量,最终处理为32*1*1*1的第一输出值;将设计需求信息的尺寸为32*1*1*1的第一输出值和设计历史信息的尺寸为32*1*1*1的第一输出值拼接为64的第二输出值,将第二输出值依次输入Linear层+ReLU激活函数层以及Linear层+Sigmoid激活函数层,最终得到匹配度。
需要说明的是,对于设计需求信息或设计历史信息的通道数的多少,可以根据实际需要确定,例如,如果设计需求信息或设计历史信息中包含数模、材料等多个信息,可以使用至少两个通道,一个通道包含数模信息,另一个通道包含材料信息。再例如,对于有些场景不用关心材料信息,此时可以使用一个通道。
按照上述方式,每个历史机械设计方案均对应有一个匹配度,可以按照匹配对生成检索结果。该检索结果可以包括匹配度最高的机械设计方案,也可以包括指定数量个匹配度符合预设要求的机械设计方案,以及该指定数量个机械设计方案的匹配度排序。
另外,对于采用机器学习的方式,可以预先对模型进行训练,以便得到所需要的能力。基于此,在确定设计需求信息的步骤之前,该方法还可以通过如下步骤来实现训练:
步骤1),确定训练样本集。该训练样本集中包括正样本和负样本,正样本包括设计需求信息样本以及符合设计需求信息样本要求的机械设计方案,负样本包括设计需求信息样本以及不符合设计需求信息样本要求的机械设计方案;其中,训练所需要的机械设计方案可以为历史设计方案。
步骤2),基于训练样本集对卷积神经网络模型和全连接神经网络模型进行训练,得到训练好的卷积神经网络模型和训练好的全连接神经网络模型。
其中,可以基于历史数据,从中选取历史设计输入和与之对应的历史夹具单元设计方案作为正样本(对);以及选取历史设计输入和与之不匹配的夹具单元设计方案作为负样本(对)。对于正样本,输出匹配度设为1,对应距离设为0,对于负样本对,输出匹配度设为0,对应的距离尽量大。
本发明实施例通过给定设计输入,可以计算出所有历史设计方案的匹配度,并根据匹配度的高低给出搜索结果。从而可以极大地方便用户搜索历史机械设计方案。设计工程师从搜索结果中选择相似的历史机械设计方案,并在此基础上修改完成最终的设计,从而极大的避免冲重复设计劳动,提高设计效率。
图5为本发明实施例提供的一种基于三维点云的机械设计方案搜索装置结构示意图。如图5所示,该装置可以包括:
转换模块501,用于确定设计需求信息,并将设计需求信息转换为第一三维点云数据;
提取模块502,用于基于预设的第一提取方式从第一三维点云数据提取第一特征;
匹配模块503,用于基于第一特征与基于预设的第二提取方式从至少一个第二三维点云数据中分别提取的至少一个第二特征进行匹配,确定与第一特征匹配成功的第二特征所对应的历史设计方案为设计需求信息所对应的输出机械设计方案;其中,第二三维点云数据基于历史机械设计方案确定。
在一些实施例中,设计需求信息包括工件数模、工艺信息以及设计偏好中的一项或多项。
在一些实施例中,机械设计方案为夹具的机械设计方案,设计需求信息包括车件数模、定位点信息以及焊点信息;转换模块501具体用于:
对车件数模进行格式转换;针对转换后的车件数模按照预设的采样算法进行采样,得到车件数模的三维点云数据;
将定位点信息以及焊点信息中的定位点以及焊点替换为预设体;针对替换后的定位点信息以及替换后的焊点信息按照预设的采样算法进行采样,得到定位点信息的三维点云数据和焊点信息的三维点云数据;
其中,第一三维点云数据包括车件数模的三维点云数据、定位点信息的三维点云数据和焊点信息的三维点云数据。
在一些实施例中,转换模块501具体用于:
针对转换后的车件数模,以及定位点信息,按照预设的裁剪规则进行裁剪;其中,预设的裁剪规则包括保留定位点周围指定范围内的区域。
针对裁剪后的车件数模按照预设的采样算法进行采样,得到车件数模的三维点云数据。
在一些实施例中,提取方式包括基于预先训练的卷积神经网络模型进行提取,预设的第一提取方式与预设的第二提取方式相同或不同。
在一些实施例中,匹配模块503具体用于:
依次从至少一个历史设计方案中选择当前历史设计方案,并针对每个当前历史设计方案执行如下步骤,确定与第一特征匹配度最高的第二特征所对应的历史设计方案为设计需求信息所对应的输出机械设计方案:
将当前历史设计方案转换为第二三维点云数据;
基于预设的第二提取方式从第二三维点云数据中提取得到第二特征;
将第一特征和第二特征输入预先训练的全连接神经网络模型中,输出为匹配度。
在一些实施例中,还包括,训练模块,用于:
确定训练样本集,训练样本集中包括正样本和负样本,正样本包括设计需求信息样本以及符合设计需求信息样本要求的机械设计方案,负样本包括设计需求信息样本以及不符合设计需求信息样本要求的机械设计方案;
基于训练样本集对卷积神经网络模型和全连接神经网络模型进行训练,得到训练好的卷积神经网络模型和训练好的全连接神经网络模型。
本申请实施例提供的基于三维点云的机械设计方案搜索装置,与上述实施例提供的基于三维点云的机械设计方案搜索方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
如图6所示,本申请实施例提供的一种计算机设备900,包括:处理器901、存储器902和总线,存储器902存储有处理器901可执行的机器可读指令,当电子设备运行时,处理器901与存储器902之间通过总线通信,处理器901执行机器可读指令,以执行如上述基于三维点云的机械设计方案搜索方法、装置及计算机设备方法的步骤。
具体地,上述存储器902和处理器901能够为通用的存储器和处理器,这里不做具体限定,当处理器901运行存储器902存储的计算机程序时,能够执行上述基于三维点云的机械设计方案搜索方法。
对应于上述基于三维点云的机械设计方案搜索方法,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有机器可运行指令,计算机可运行指令在被处理器调用和运行时,计算机可运行指令促使处理器运行上述基于三维点云的机械设计方案搜索方法、装置及计算机设备方法的步骤。
本申请实施例所提供的基于三维点云的机械设计方案搜索方法、装置及计算机设备装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备执行本申请各个实施例移动控制方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种基于三维点云的机械设计方案搜索方法,其特征在于,包括:
确定设计需求信息,并将所述设计需求信息转换为第一三维点云数据;
基于预设的第一提取方式从所述第一三维点云数据提取第一特征;
基于所述第一特征与基于所述预设的第二提取方式从至少一个第二三维点云数据中分别提取的至少一个第二特征进行匹配,确定与所述第一特征匹配成功的第二特征所对应的历史设计方案为所述设计需求信息所对应的输出机械设计方案;其中,所述第二三维点云数据基于历史机械设计方案确定;
其中,所述提取方式包括基于预先训练的卷积神经网络模型进行提取,所述预设的第一提取方式与所述预设的第二提取方式相同或不同;
基于所述第一特征与基于所述预设的第二提取方式从至少一个第二三维点云数据中分别提取的至少一个第二特征进行匹配,确定与所述第一特征匹配成功的第二特征所对应的历史设计方案为所述设计需求信息所对应的输出机械设计方案的步骤,包括:
依次从至少一个历史设计方案中选择当前历史设计方案,并针对每个所述当前历史设计方案执行如下步骤,确定与所述第一特征的匹配度,以便于基于所述第二特征与所述第一特征的匹配度确定所述设计需求信息所对应的输出机械设计方案:
将所述当前历史设计方案转换为第二三维点云数据;
基于所述预设的第二提取方式从所述第二三维点云数据中提取得到第二特征;
将所述第一特征和所述第二特征输入预先训练的全连接神经网络模型中,输出为匹配度。
2.根据权利要求1所述的方法,其特征在于,所述设计需求信息包括工件数模、工艺信息以及设计偏好中的一项或多项。
3.根据权利要求1所述的方法,其特征在于,所述机械设计方案为夹具的机械设计方案,所述设计需求信息包括车件数模、定位点信息以及焊点信息;所述将所述设计需求信息转换为第一三维点云数据的步骤包括:
对所述车件数模进行格式转换;针对转换后的所述车件数模按照预设的采样算法进行采样,得到所述车件数模的三维点云数据;
将所述定位点信息以及所述焊点信息中的定位点以及焊点替换为预设体;针对替换后的定位点信息以及替换后的所述焊点信息按照预设的采样算法进行采样,得到所述定位点信息的三维点云数据和所述焊点信息的三维点云数据;
其中,所述第一三维点云数据包括所述车件数模的三维点云数据、所述定位点信息的三维点云数据和所述焊点信息的三维点云数据。
4.根据权利要求3所述的方法,其特征在于,针对转换后的所述车件数模按照预设的采样算法进行采样,得到所述车件数模的三维点云数据的步骤,包括:
针对转换后的所述车件数模,以及所述定位点信息,按照预设的裁剪规则进行裁剪;其中,所述预设的裁剪规则包括保留所述定位点周围指定范围内的区域;
针对裁剪后的所述车件数模按照预设的采样算法进行采样,得到所述车件数模的三维点云数据。
5.根据权利要求1所述的方法,其特征在于,在确定设计需求信息的步骤之前,所述方法还包括:
确定训练样本集,所述训练样本集中包括正样本和负样本,所述正样本包括设计需求信息样本以及符合所述设计需求信息样本要求的机械设计方案,所述负样本包括设计需求信息样本以及不符合所述设计需求信息样本要求的机械设计方案;
基于所述训练样本集对所述卷积神经网络模型和所述全连接神经网络模型进行训练,得到训练好的所述卷积神经网络模型和训练好的所述全连接神经网络模型。
6.一种基于三维点云的机械设计方案搜索装置,其特征在于,包括:
转换模块,用于确定设计需求信息,并将所述设计需求信息转换为第一三维点云数据;
提取模块,用于基于预设的第一提取方式从所述第一三维点云数据提取第一特征;
匹配模块,用于基于所述第一特征与基于所述预设的第二提取方式从至少一个第二三维点云数据中分别提取的至少一个第二特征进行匹配,确定与所述第一特征匹配成功的第二特征所对应的历史设计方案为所述设计需求信息所对应的输出机械设计方案;其中,所述第二三维点云数据基于历史机械设计方案确定;
其中,所述提取方式包括基于预先训练的卷积神经网络模型进行提取,所述预设的第一提取方式与所述预设的第二提取方式相同或不同;
基于所述第一特征与基于所述预设的第二提取方式从至少一个第二三维点云数据中分别提取的至少一个第二特征进行匹配,确定与所述第一特征匹配成功的第二特征所对应的历史设计方案为所述设计需求信息所对应的输出机械设计方案的步骤,包括:
依次从至少一个历史设计方案中选择当前历史设计方案,并针对每个所述当前历史设计方案执行如下步骤,确定与所述第一特征的匹配度,以便于基于所述第二特征与所述第一特征的匹配度确定所述设计需求信息所对应的输出机械设计方案:
将所述当前历史设计方案转换为第二三维点云数据;
基于所述预设的第二提取方式从所述第二三维点云数据中提取得到第二特征;
将所述第一特征和所述第二特征输入预先训练的全连接神经网络模型中,输出为匹配度。
7.一种计算机设备,其特征在于,包括存储器以及处理器;所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行所述权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011169583.2A CN112287481B (zh) | 2020-10-27 | 2020-10-27 | 基于三维点云的机械设计方案搜索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011169583.2A CN112287481B (zh) | 2020-10-27 | 2020-10-27 | 基于三维点云的机械设计方案搜索方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287481A CN112287481A (zh) | 2021-01-29 |
CN112287481B true CN112287481B (zh) | 2023-11-21 |
Family
ID=74373513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011169583.2A Active CN112287481B (zh) | 2020-10-27 | 2020-10-27 | 基于三维点云的机械设计方案搜索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287481B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847262A (zh) * | 2010-05-19 | 2010-09-29 | 北京航空航天大学 | 一种快速三维点云搜索匹配方法 |
CN104331699A (zh) * | 2014-11-19 | 2015-02-04 | 重庆大学 | 一种三维点云平面化快速搜索比对的方法 |
CN107357995A (zh) * | 2017-07-14 | 2017-11-17 | 深圳码隆科技有限公司 | 一种陶瓷设计的推荐方法和设备 |
CN110348747A (zh) * | 2019-07-15 | 2019-10-18 | 齐鲁工业大学 | 一种产品设计的集约化设计方法及系统 |
CN111598022A (zh) * | 2020-05-20 | 2020-08-28 | 北京超星未来科技有限公司 | 一种三维目标检测系统及方法 |
-
2020
- 2020-10-27 CN CN202011169583.2A patent/CN112287481B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847262A (zh) * | 2010-05-19 | 2010-09-29 | 北京航空航天大学 | 一种快速三维点云搜索匹配方法 |
CN104331699A (zh) * | 2014-11-19 | 2015-02-04 | 重庆大学 | 一种三维点云平面化快速搜索比对的方法 |
CN107357995A (zh) * | 2017-07-14 | 2017-11-17 | 深圳码隆科技有限公司 | 一种陶瓷设计的推荐方法和设备 |
CN110348747A (zh) * | 2019-07-15 | 2019-10-18 | 齐鲁工业大学 | 一种产品设计的集约化设计方法及系统 |
CN111598022A (zh) * | 2020-05-20 | 2020-08-28 | 北京超星未来科技有限公司 | 一种三维目标检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
Cheuk Yiu Ip.Retrieving Matching CAD Models by Using Partial 3D Point Clouds.《Computer-Aided Design and Applications 》.2013,第4卷(第5期),629-638. * |
刘勇.网络化协同环境下机械产品设计知识表达与检索机制研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2016,(第8期),C029-52. * |
Also Published As
Publication number | Publication date |
---|---|
CN112287481A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111226217B (zh) | 制造设计修改系统 | |
CN111796917B (zh) | 算子运算调度方法和装置 | |
CN115793571B (zh) | 基于多模态数据的加工设备控制方法、系统及相关设备 | |
EP2115737B1 (en) | Method and system to improve automated emotional recognition | |
CN115981615A (zh) | 融合语言模型与知识图谱的g代码生成方法及相关设备 | |
CN112287481B (zh) | 基于三维点云的机械设计方案搜索方法及装置 | |
CN112800737A (zh) | 自然语言文本生成方法和装置以及对话系统 | |
CN112765876B (zh) | 机械设计方案推荐方法、装置及电子设备 | |
CN114545430A (zh) | 一种基于激光雷达的托盘位姿识别方法及系统 | |
CN112906215B (zh) | 一种基于SolidWorks二次开发的管材刀路生成方法 | |
CN116798053A (zh) | 图标生成方法及装置 | |
CN115840864A (zh) | 用于运行技术系统的方法和设备 | |
CN111444814A (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN110807286A (zh) | 一种结构网格识别方法 | |
CN115775253A (zh) | 叶片飞边切割方法、装置、设备、存储介质及机器人 | |
CN112446439B (zh) | 深度学习模型动态分支选择的推理方法及系统 | |
CN110321600B (zh) | 船舶液舱三维模型快速生成方法 | |
CN113001538B (zh) | 一种命令解析方法及系统 | |
CN106372340B (zh) | 一种Nastran软件颤振计算数据的二次处理方法 | |
CN112801045A (zh) | 一种文本区域检测方法、电子设备及计算机存储介质 | |
Mueß et al. | Implementation and comparison of cluster-based PSO extensions in hybrid settings with efficient approximation | |
CN114626284A (zh) | 一种模型处理方法及相关装置 | |
CN111325343A (zh) | 神经网络的确定、目标检测、智能行驶控制方法及装置 | |
CN112966546A (zh) | 一种基于无人机侦察图像的嵌入式姿态估计方法 | |
CN113792362B (zh) | 一种机械设计方案分步推荐方法 |
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 |