CN113971630A - 三维结构图转换二维三视图的投图姿态推荐方法和装置 - Google Patents
三维结构图转换二维三视图的投图姿态推荐方法和装置 Download PDFInfo
- Publication number
- CN113971630A CN113971630A CN202111253509.3A CN202111253509A CN113971630A CN 113971630 A CN113971630 A CN 113971630A CN 202111253509 A CN202111253509 A CN 202111253509A CN 113971630 A CN113971630 A CN 113971630A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- projection
- posture
- digital
- dimensional part
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000010586 diagram Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 230000009466 transformation Effects 0.000 claims abstract description 50
- 238000013136 deep learning model Methods 0.000 claims abstract description 37
- 238000013507 mapping Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 14
- 238000013461 design Methods 0.000 abstract description 13
- 230000036544 posture Effects 0.000 description 63
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 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
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G06T3/067—
-
- 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
- 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
- G06N3/08—Learning methods
Abstract
本发明提供了一种三维结构图转换二维三视图的投图姿态推荐方法和装置,涉及机械设计技术领域,该方法包括下述步骤:首先提取待推荐投图姿态的三维零件数模信息,然后将三维零件数模信息输入至训练后的深度学习模型中,再基于输出的三维零件投图方向和姿态对应变换矩阵,自动摆正待投图的三维零件姿态。通过利用深度学习模型可以实现推荐三维零件投图方向和姿态对应的变换矩阵,以便投影二维三视图,即实现了投图方向的自动判断和零件数模的自动姿态变换,缓解了出图效率低的问题,减少了设计人员判断投图姿态的过程,提高了设计的效率。
Description
技术领域
本发明涉及机械设计技术领域,尤其是涉及计算机辅助设计技术中的一种三维结构图转换二维三视图的投图姿态推荐方法和装置。
背景技术
在机械设计领域内,对一个完整的方案进行设计时,通常先利用设计软件设计出由许多零件组成的装配体的三维模型。当三维数模设计完成后,需要输出二维图纸,用于后续的零件加工制造及组装。
在生成二维图纸的过程中,首先是根据零件的数量进行拆图,一般每个零件都需要单独出一张二维图纸。由于每个零件的结构、形状都有差异,为了能够通过二维图纸将零件的结构、形状和尺寸都表示清楚,需要对每个零件的投图方向进行单独的选择,主要是选择零件投图的主视图方向,然后根据零件的特征和复杂程度,决定是否需要侧视图和俯视图等;然后需要对每个零件的投图姿态进行调整,投图后的二维视图是摆正的状态(平行于X轴或者Y轴)。
利用现有的设计软件进行零件投图的过程中,通常由设计人员选择投图的方向以及视图种类,然后手动对于零件的投图进行姿态摆正,过度依赖设计人员的工作经验,并且对大量零件的投图方向和姿态逐个进行判断和调整,导致出图效率低下。
发明内容
本发明的目的在于提供一种三维结构图转换二维三视图的投图姿态推荐方法和装置,以缓解现有技术中存在的过度依赖设计人员、出图效率低下的技术问题。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供了一种三维结构图转换二维三视图的投图姿态推荐方法,包括以下步骤:提取待推荐投图姿态的三维零件数模信息;将上述三维零件数模信息输入至训练后的深度学习模型中;基于输出的三维结构投图方向和姿态对应变换矩阵,自动摆正待投图的三维零件姿态。
在一些可能的实施方式中,上述待推荐投图姿态的三维零件数模信息包括:零件结构信息、零件姿态信息。
在一些可能的实施方式中,上述深度学习模型的训练,包括以下步骤:建立历史零件数据库,其中输入为三维零件数模信息;建立三维零件数模信息库的零件数模信息与其对应的二维三视图投图方向和姿态变换矩阵间映射关系的数据库;基于上述历史零件数据库对深度学习模型进行训练,学习三维零件数模信息与投图方向和姿态变换矩阵信息之间的映射关系;评估深度学习模型的正确性并进行修正,以便于利用修正后的所述深度学习算法模型推荐投图方向和投图姿态矩阵。
在一些可能的实施方式中,上述三维零件数模信息与投图方向和姿态变换矩阵信息之间的映射关系包含:三维零件的投图方向和投图状态下三维零件的姿态对应的变换矩阵。
在一些可能的实施方式中,上述映射关系中三维零件的投图方向为任意一个二维视图对应的法向量。
在一些可能的实施方式中,投图状态下三维零件的姿态变换矩阵包含三维结构摆放角度或旋转角度、偏移量或平移量。
在一些可能的实施方式中,上述深度学习模型用于同步学习上述三维零件的投图方向和投图状态下三维零件的姿态变换矩阵的映射关系。
在一些可能的实施方式中,上述深度学习模型在学习后同步输出上述三维零件的投图方向和投图状态下三维结构的姿态信息。
第二方面,本发明实施例提供了一种三维结构图转换二维三视图的投图姿态推荐装置,包括:提取模块,用于提取待推荐投图姿态的三维零件数模信息;输入模块,用于将上述三维零件数模信息输入至训练后的深度学习模型中;摆正模块,用于基于输出的三维零件投图方向和姿态对应变换矩阵,自动摆正待投图的三维零件姿态。
第三方面,本发明实施例提供了一种电子设备,包括存储器、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第一方面任一项所述的方法的步骤。
本发明提供了一种三维结构图转换二维三视图的投图姿态推荐方法和装置,该方法包括:首先提取待推荐投图姿态的三维零件数模信息,然后将三维零件数模信息输入至训练后的深度学习模型中,再基于输出的三维零件投图方向和姿态对应变换矩阵,自动摆正待投图的三维零件姿态。通过利用深度学习模型可以实现推荐三维零件投图方向和姿态对应的变换矩阵,以便投影二维三视图,即实现了投图方向的自动判断和零件数模的自动姿态变换,缓解了出图效率低的问题,减少了设计人员判断投图姿态的过程,提高了设计的效率。
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为本发明实施例提供的一种三维结构图转换二维三视图的投图姿态推荐方法的流程示意图;
图2为本发明实施例提供的一种具体的深度学习算法网络框架图;
图3为本发明实施例提供的一种三维结构图转换二维三视图的投图姿态推荐方法的投图效果对比图;
图4为本发明实施例提供的一种三维结构图转换二维三视图的投图姿态装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
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,都属于本发明保护的范围。
在机械设计领域内,对一个完整的方案进行设计时,通常先利用设计软件设计出由许多零件组成的装配体的三维模型。当三维数模设计完成后,需要输出二维图纸(通常三维设计软件都有其对应的二维图纸输出格式,常见的有dwg,dxf等格式),用于后续的零件加工制造及组装。在生成二维图纸的过程中,首先是根据零件的数量进行拆图,一般每个零件都需要单独出一张二维图纸。由于每个零件的结构、形状都有差异,为了能够通过二维图纸将零件的结构、形状和尺寸都表示清楚,需要对每个零件的投图方向进行单独的选择并对投图的姿态进行摆正,主要是选择零件投图的主视图方向,然后根据零件的特征和复杂程度,决定是否需要侧视图和俯视图;然后按照摆正的姿态进行投图。
利用现有的设计软件进行零件投图的过程中,通常由设计人员选择投图的方向,投图时的姿态以及视图种类,过度依赖设计人员的工作经验,并且对大量零件的投图方向和投图姿态逐个进行判断,存在工作内容繁琐、出图效率低下的问题。
基于此,本发明实施例提供了一种三维结构图转换二维三视图的投图姿态推荐方法和装置,以缓解投图效率低的问题。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种三维结构图转换二维三视图的投图姿态推荐方法进行详细介绍,参见图1所示的一种三维结构图转换二维三视图的投图姿态推荐方法的流程示意图,该方法可以由电子设备执行,主要包括以下步骤S110至步骤S120:
S110:提取待推荐投图姿态的三维零件数模信息;
其中,待推荐投图姿态的三维零件数模信息包括:零件结构信息、零件姿态信息。
S120:将三维零件数模信息输入至训练后的深度学习模型中;
S130:基于输出的三维零件投图方向和姿态对应变换矩阵,自动摆正待投图的三维零件姿态。
本申请实施例提供了一种三维结构图转换三视图的投图姿态推荐方法,该方法包括:首先提取待推荐投图姿态的三维零件数模信息,然后将三维零件数模信息输入至训练后的深度学习模型中,再基于输出的三维零件投图方向和姿态对应变换矩阵,自动摆正待投图的三维零件姿态。通过利用深度学习模型可以实现推荐三维零件投图方向和姿态对应的变换矩阵,以便投影二维三视图,即实现了投图方向的自动判断和零件数模的自动姿态变换,缓解了出图效率低的问题,减少了设计人员判断投图姿态的过程,提高了设计的效率。
在一种实施例中,深度学习模型的训练可以包括以下步骤:
S201:建立历史零件数据库,其中输入为三维零件数模信息;
S202:建立三维零件数模信息库的零件数模信息与其对应的二维三视图投图方向和姿态变换矩阵间映射关系的数据库;
其中,三维零件数模信息与投图方向和姿态变换矩阵信息之间的映射关系可以包含:三维零件的投图方向和投图状态下三维零件的姿态对应的变换矩阵。
该映射关系中三维零件的投图方向为任意一个二维视图对应的法向量。
作为一个具体的示例,该变换矩阵可以包括:三维结构摆放角度或旋转角度、偏移量或平移量。
S203:基于历史零件数据库对深度学习模型进行训练,学习三维零件数模信息与投图方向和姿态变换矩阵信息之间的映射关系;
在一种实施例中,该深度学习模型用于同步学习三维零件的投图方向和投图状态下三维零件的姿态变换矩阵的映射关系。
进一步的,该深度学习模型在学习后同步输出三维零件的投图方向和投图状态下三维结构的姿态信息。
S204:评估深度学习模型的正确性并进行修正,以便于利用修正后的深度学习模型推荐投图方向和投图姿态矩阵。
在一种实施例中,三维零件的二维三视图的投图方向包括:主视图、侧视图、俯视图;姿态变换矩阵包括:3*3的旋转矩阵或者4*4的变换矩阵(旋转+平移),用于深度学习模型输入的标签样本包括三维零件数模姿态变换矩阵中的至少一种。
通常,深度学习模型包括但不限于深度学习模型,还可以是机器学习模型等。作为一个具体的示例,该深度学习模型可以是卷积神经网络模型,卷积神经网络模型包括:输入层、卷积层、池化层、全连接层和向量输出层。
图2所示为一个具体的深度学习算法网络框架图,三维零件数模信息输入至深度学习算法网络中后,经过多层处理最后输出三个视图的法向量和姿态变化矩阵。图中的每一层均叠加了卷积层和池化层,每层的输出表示的是上一层的数据经过卷积、池化、激活函数处理后的数据维度,其中N×9,N×64,N×128,N×256,N×512,N×1024,N×512,N×256,N×128,N×64均代表处理后得到的数据维度;图中使用符号“+”相连接的两层表示前面的层和后面的层进行相加融合;N×64到1×64是进行全局池化,然后全连接到1*16,然后全连接到,1*16reshape为4*4,代表姿态变换矩阵,1*9reshape为3*3,代表三个视图的法向量。
通过上述的深度学习模型可以实现投图姿态的自动判断和调整,缓解了投图效率低的问题,减少了设计人员判断投图方向的过程,提高了设计的效率。
作为一个具体的示例,本申请实施例提供了一种三维结构图转换三视图的投图姿态推荐方法,包括:
1、建立历史数据集:输入样本为历史三维零件数模,标签样本为历史三维零件数模的姿态变换矩阵及在二维图纸中的各个投图方向(主视图,侧视图,俯视图)对应的法向量。
2、学习算法模型的构建:包括但不限于机器学习,深度学习等算法的网络框架及损失函数。
3、学习算法模型的训练:以步骤1中三维零件数模作为输入样本,投图方向(法向量)和姿态变换矩阵作为标签样本,对步骤2中的学习算法模型(如:监督学习算法模型)进行训练。当训练完成后,保留训练好的网络参数。
4、学习算法模型的应用:当输入新的三维零件数模时,通过步骤3中的网络参数计算后,得到新三维零件对应姿态变换矩阵(4*4矩阵)和投图方向(法向量)。
5、自动投图:根据步骤4中得到的姿态变换矩阵及投图方向,对三维零件数模进行投图,得到各个视图的二维投影,一种具体的投图效果见图3,其中一个是未输出姿态变换矩阵的投图结构(A-姿态未摆正的投图),另一个是加上姿态变换矩阵后的投图结果(B-姿态摆正的投图)。
本申请实施例通过构建历史三维零件数模及其姿态变换矩阵和投图方向的数据集,并设计算法来学习三维数模和姿态变换矩阵及投图方向判断之间的知识,能够实现自动投图的过程。减少了设计人员判断投图姿态的过程,提高了设计效率。在拥有大量的历史设计方案的前提下,能够实现应用场景的快速迁移,可以适用于整个工业领域的零件设计过程。
本发明实施例提供了一种三维结构图转换三视图的投图姿态推荐的装置,参见图4,该装置包括:
提取模块410,用于提取待推荐投图姿态的三维零件数模信息;
输入模块420,用于将三维零件数模信息输入至训练后的深度学习模型中;
摆正模块430,用于基于输出的三维零件投图方向和姿态对应变换矩阵,自动摆正待投图的三维零件姿态。
其中,待推荐投图姿态的三维零件数模信息包括:零件结构信息、零件姿态信息。
在一种实施例中,上述三维结构图转换三视图的投图姿态推荐的装置还可以包括:
训练模块,用于建立历史零件数据库,其中输入为三维零件数模信息;建立三维零件数模信息库的零件数模信息与其对应的二维三视图投图方向和姿态变换矩阵间映射关系的数据库;基于历史零件数据库对深度学习模型进行训练,学习三维零件数模信息与投图方向和姿态变换矩阵信息之间的映射关系;评估深度学习算法模型的正确性并进行修正,以便于利用修正后的深度学习算法模型推荐投图方向和投图姿态矩阵。
本申请实施例提供了一种三维结构图转换二维三视图的投图姿态推荐方法和装置,该方法包括:首先提取待推荐投图姿态的三维零件数模信息,然后将三维零件数模信息输入至训练后的深度学习模型中,再基于输出的三维零件投图方向和姿态对应变换矩阵,自动摆正待投图的三维零件姿态。通过利用深度学习模型可以实现推荐三维零件投图方向和姿态对应的变换矩阵,以便投影二维三视图,即实现了投图方向的自动判断和零件数模的自动姿态变换,缓解了出图效率低的问题,减少了设计人员判断投图姿态的过程,提高了设计的效率。
本申请实施例所提供的三维结构图转换三视图的投图姿态推荐的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。本申请实施例提供的一种三维结构图转换三视图的投图姿态推荐装置与上述实施例提供的一种三维结构图转换三视图的投图姿态推荐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。
本申请实施例还提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图5为本申请实施例提供的一种电子设备的结构示意图,该电子设备500包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,RandomAccess Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
对应于上述方法,本申请实施例还提供了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上述方法的步骤。
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,所述单元的划分,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。
所述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。
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。
所述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,本发明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(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例所述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(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、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:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,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发明揭露的技术范围内,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发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种三维结构图转换二维三视图的投图姿态推荐方法,其特征在于,
包括:
提取待推荐投图姿态的三维零件数模信息;
将所述三维零件数模信息输入至训练后的深度学习模型中;
基于输出的三维零件投图方向和姿态对应变换矩阵,自动摆正待投图的三维零件姿态。
2.根据权利要求1所述的一种三维结构图转换二维三视图的投图姿态推荐方法,其特征在于,所述待推荐投图姿态的三维零件数模信息包括:零件结构信息、零件姿态信息。
3.根据权利要求1所述的一种三维结构图转换二维三视图的投图姿态推荐方法,其特征在于,所述深度学习模型的训练,包括以下步骤:
建立历史零件数据库,其中输入为三维零件数模信息;
建立三维零件数模信息库的零件数模信息与其对应的二维三视图投图方向和姿态变换矩阵间映射关系的数据库;
基于所述历史零件数据库对深度学习模型进行训练,学习三维零件数模信息与投图方向和姿态变换矩阵信息之间的映射关系;
评估训练后的所述深度学习模型的正确性并进行修正,以便于利用修正后的所述深度学习模型推荐投图方向和投图姿态矩阵。
4.根据权利要求3所述的一种三维结构图转换二维三视图的投图姿态推荐方法,其特征在于,所述三维零件数模信息与投图方向和姿态变换矩阵信息之间的映射关系包含:三维零件的投图方向和投图状态下三维零件的姿态对应的变换矩阵。
5.根据权利要求4所述的一种三维结构图转换二维三视图的投图姿态推荐方法,其特征在于,所述映射关系中三维零件的投图方向为任意一个二维视图对应的法向量。
6.根据权利要求4所述的一种三维结构图转换二维三视图的投图姿态推荐方法,其特征在于,所述投图状态下三维零件的姿态对应的所述变换矩阵包含三维结构摆放角度或旋转角度、偏移量或平移量。
7.根据权利要求3所述的一种三维结构图转换二维三视图的投图姿态推荐方法,其特征在于,所述深度学习模型用于同步学习所述三维零件的投图方向和投图状态下三维零件的姿态变换矩阵的映射关系。
8.根据权利要求3所述的一种三维结构图转换二维三视图的投图姿态推荐方法,其特征在于,所述深度学习模型在学习后同步输出所述三维零件的投图方向和投图状态下三维结构的姿态信息。
9.一种三维结构图转换二维三视图的投图姿态推荐装置,其特征在于,包括:
提取模块,用于提取待推荐投图姿态的三维零件数模信息;
输入模块,用于将所述三维零件数模信息输入至训练后的深度学习模型中;
摆正模块,用于基于输出的三维零件投图方向和姿态对应变换矩阵,自动摆正待投图的三维零件姿态。
10.一种电子设备,包括存储器、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,其特征在于,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8任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111253509.3A CN113971630A (zh) | 2021-10-27 | 2021-10-27 | 三维结构图转换二维三视图的投图姿态推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111253509.3A CN113971630A (zh) | 2021-10-27 | 2021-10-27 | 三维结构图转换二维三视图的投图姿态推荐方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113971630A true CN113971630A (zh) | 2022-01-25 |
Family
ID=79588596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111253509.3A Pending CN113971630A (zh) | 2021-10-27 | 2021-10-27 | 三维结构图转换二维三视图的投图姿态推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971630A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094049A (zh) * | 2023-10-12 | 2023-11-21 | 广州中设机器人智能装备股份有限公司 | 一种基于catia的批量出图方法及系统 |
-
2021
- 2021-10-27 CN CN202111253509.3A patent/CN113971630A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094049A (zh) * | 2023-10-12 | 2023-11-21 | 广州中设机器人智能装备股份有限公司 | 一种基于catia的批量出图方法及系统 |
CN117094049B (zh) * | 2023-10-12 | 2024-03-19 | 广州中设机器人智能装备股份有限公司 | 一种基于catia的批量出图方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114419258B (zh) | 一种三维物体形状的补全方法、装置、设备及存储介质 | |
CN106934855B (zh) | 建筑3d模型构建方法及装置 | |
CN109683858B (zh) | 数据处理方法及装置 | |
CN109388840B (zh) | 用于具有预定义负载路径和对应网格调整方案的金属成型过程的数值模拟的专用编程计算机 | |
CN113971630A (zh) | 三维结构图转换二维三视图的投图姿态推荐方法和装置 | |
CN116127908A (zh) | 电路版图的布线方法、装置、设备及存储介质 | |
CN113032580B (zh) | 关联档案推荐方法、系统及电子设备 | |
CN111967478B (zh) | 一种基于权重翻转的特征图重构方法、系统、存储介质及终端 | |
CN111598987B (zh) | 虚拟对象的骨骼处理方法、装置、设备和存储介质 | |
CN112669418A (zh) | 一种模型渲染的方法及装置 | |
CN112561793B (zh) | 一种平面设计空间转换方法及系统 | |
CN115982828A (zh) | 桥梁养护数字孪生体构建方法及装置 | |
CN114117063A (zh) | 实体对齐方法、装置、电子设备及计算机可读存储介质 | |
CN113971738A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN109840945B (zh) | 有限元预处理方法及装置 | |
CN112231942A (zh) | 物模型处理方法、装置和电子设备 | |
US11373020B2 (en) | Method and system with mesh data conversion for stamping dies | |
CN113806997B (zh) | 产生印刷电路板组装方案的方法 | |
CN117197000B (zh) | 一种快速网格去噪方法、装置及电子设备 | |
CN114331827B (zh) | 风格迁移方法、装置、设备和存储介质 | |
CN114237915B (zh) | 分布式环境下基于机器学习的数据修复方法、装置及设备 | |
CN109543834B (zh) | 运算方法、装置及相关产品 | |
CN112560203A (zh) | 机械部件的参数处理方法、装置及服务器 | |
CN114741750A (zh) | 模型简化方法、装置、电子设备及存储设备 | |
CN113888658A (zh) | 频域掩模压缩矩阵设计方法、装置、设备及存储介质 |
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 |