CN114036594B - 一种工艺图像的生成方法、装置和电子设备 - Google Patents
一种工艺图像的生成方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114036594B CN114036594B CN202210020751.4A CN202210020751A CN114036594B CN 114036594 B CN114036594 B CN 114036594B CN 202210020751 A CN202210020751 A CN 202210020751A CN 114036594 B CN114036594 B CN 114036594B
- Authority
- CN
- China
- Prior art keywords
- outer contour
- image
- punched
- generating
- training sample
- 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 133
- 230000008569 process Effects 0.000 title claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 31
- 238000004080 punching Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 32
- 238000009966 trimming Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 7
- 239000002699 waste material Substances 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000011960 computer-aided design 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
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007688 edging Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例提供一种工艺图像的生成方法、装置和电子设备,涉及数据处理技术领域,解决了相关技术中生成工艺图形文件的耗时较高的问题。该方法包括获取待冲压零件的三维3D图像;根据3D图像,确定待冲压零件的外轮廓特征图;根据零件特征对外轮廓特征图进行划分,确定一个或者多个外轮廓区域;根据预先配置的对应关系,确定一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数;根据一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数和3D图像,生成待冲压零件的工艺图像。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种工艺图像的生成方法、装置和电子设备。
背景技术
现有技术中,冲压流程的工艺图形文件依靠工艺人员在计算机辅助设计(Computer Aided Design,CAD)软件中设计好后截图以生成需要的工艺图形文件。然而,不同的工艺人员对CAD软件的掌握程度存在差异,导致有些人使用CAD软件生成工艺图形文件的耗时较低,而有些人采用CAD软件生成工艺图形文件的耗时较高。
发明内容
本公开实施例提供一种工艺图像的生成方法、装置和电子设备,解决了相关技术中生成工艺图形文件的耗时较高的问题。
为了解决上述技术问题,本公开实施例采用如下技术方案:
第一方面、本公开提供了一种工艺图像的生成方法,包括:获取待冲压零件的三维3D图像;根据3D图像,确定待冲压零件的外轮廓特征图;根据零件特征对外轮廓特征图进行划分,确定一个或者多个外轮廓区域;根据预先配置的对应关系,确定一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数;根据一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数和3D图像,生成待冲压零件的工艺图像。
在一些可实施的示例中,根据3D图像,确定待冲压零件的外轮廓特征图包括:根据3D图像中待冲压零件的颜色与背景的颜色,确定待冲压零件的外轮廓特征图。
在一些可实施的示例中,根据3D图像,确定待冲压零件的外轮廓特征图包括:将3D图像输入至预先配置的人工智能模型中,确定待冲压零件的外轮廓特征图。
在一些可实施的示例中,人工智能模型的训练过程如下:获取训练样本图像和训练样本图像的标记结果;其中,训练样本图像包括已冲压零件和已冲压零件的外轮廓特征图;将训练样本图像输入至神经网络模型中;根据目标损失函数,确定神经网络模型对训练样本图像的预测结果与标记结果是否匹配;在预测结果与标记结果不匹配的情况下,循环迭代神经网络模型的配置参数,直至神经网络模型收敛,得到人工智能模型。
在一些可实施的示例中,零件特征包括外轮廓、内部形状、孔洞、零件转角、曲率和位置信息中的一项或者多项,冲压参数包括正向翻边、侧向翻边、正向修边、侧向修边、连修带翻、冲孔、布置废料刀和布置定位孔中的一项或者多项。
第二方面、本公开提供了一种工艺图像的生成装置,包括:获取单元,用于获取待冲压零件的三维3D图像;处理单元,用于根据获取单元获取的3D图像,确定待冲压零件的外轮廓特征图;处理单元,还用于根据零件特征对外轮廓特征图进行划分,确定一个或者多个外轮廓区域;处理单元,还用于根据预先配置的对应关系,确定一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数;处理单元,还用于根据一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数和获取单元获取的3D图像,生成待冲压零件的工艺图像。
在一些可实施的示例中,处理单元,具体用于根据获取单元获取的3D图像中待冲压零件的颜色与背景的颜色,确定待冲压零件的外轮廓特征图。
在一些可实施的示例中,处理单元,具体用于将获取单元获取的3D图像输入至预先配置的人工智能模型中,确定待冲压零件的外轮廓特征图。
在一些可实施的示例中,获取单元,还用于获取训练样本图像和训练样本图像的标记结果;其中,训练样本图像包括已冲压零件和已冲压零件的外轮廓;处理单元,还用于将获取单元获取的训练样本图像输入至神经网络模型中;处理单元,还用于根据目标损失函数,确定神经网络模型对训练样本图像的预测结果与标记结果是否匹配;处理单元,还用于在预测结果与标记结果不匹配的情况下,循环迭代神经网络模型的配置参数,直至神经网络模型收敛,得到人工智能模型。
在一些可实施的示例中,零件特征包括外轮廓、内部形状、孔洞、零件转角、曲率和位置信息中的一项或者多项,冲压参数包括正向翻边、侧向翻边、正向修边、侧向修边、连修带翻、冲孔、布置废料刀和布置定位孔中的一项或者多项。
第三方面、本公开提供了一种计算机存储介质,包括指令,当其在计算机上运行时,使得计算机执行如上述第一发明提供的任一项所述的工艺图像的生成方法。
第四方面、本公开提供了一种电子设备,包括:通信接口、处理器、存储器、总线;存储器用于存储计算机执行指令,处理器与存储器通过总线连接,当电子设备运行时,处理器执行存储器存储的计算机执行指令,以使电子设备执行如上述第一发明提供的任一项所述的工艺图像的生成方法。
第五方面,本发明提供一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行如第一方面的设计方式所述的工艺图像的生成方法。
需要说明的是,上述计算机指令可以全部或者部分存储在第一计算机可读存储介质上。其中,第一计算机可读存储介质可以与电子设备的处理器封装在一起的,也可以与电子设备的处理器单独封装,本发明对此不作限定。
本发明中第二方面、第三方面、第四方面以及第五方面的描述,可以参考第一方面的详细描述;并且,第二方面、第三方面、第四方面以及第五方面的描述的有益效果,可以参考第一方面的有益效果分析,此处不再赘述。
在本发明中,上述电子设备的名字对设备或功能模块本身不构成限定,在实际实现中,这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本发明类似,属于本发明权利要求及其等同技术的范围之内。
本发明的这些方面或其他方面在以下的描述中会更加简明易懂。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
通过待冲压零件的三维3D图像,可以确定出待冲压零件的外轮廓特征图。如此,可以根据零件特征对外轮廓特征图进行划分,确定一个或者多个外轮廓区域。由于预先配置了外轮廓区域和冲压参数的对应关系,从而可以确定出每个外轮廓区域对应的冲压参数。之后,根据一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数和3D图像,生成待冲压零件的工艺图像。这样,工艺人员在需要生成待冲压零件的工艺图像时,仅需将对应的待冲压零件的三维3D图像输入至采用本公开提供的工艺图像的生成方法的电子设备,就可以生成待冲压零件的工艺图像,从而降低了生成工艺图形文件的耗时,解决了相关技术中生成工艺图形文件的耗时较高的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种工艺图像的生成方法应用的场景示意图;
图2为本公开实施例提供的一种工艺图像的生成方法的流程示意图之一;
图3为本公开实施例提供的一种工艺图像的生成方法的流程示意图之二;
图4为本公开实施例提供的一种工艺图像的生成方法中机盖的示意图之一;
图5为本公开实施例提供的一种工艺图像的生成方法中机盖的示意图之二;
图6为本公开实施例提供的一种工艺图像的生成方法的流程示意图之三;
图7为本公开实施例提供的一种工艺图像的生成方法的流程示意图之四;
图8为本公开实施例提供的一种工艺图像的生成方法中机盖的示意图之三;
图9为本公开实施例提供的一种工艺图像的生成方法中机盖的工艺图像的示意图之一;
图10为本公开实施例提供的一种工艺图像的生成方法中机盖的工艺图像的示意图之二;
图11为本公开实施例提供的一种工艺图像的生成方法中机盖的工艺图像的示意图之三;
图12为本公开实施例提供的一种电子设备的结构示意图之一;
图13为本公开实施例提供的一种电子设备的结构示意图之二;
图14为本公开实施例提供的工艺图像的生成方法的计算机程序产品的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
翻边指的是在坯料的平面部分或曲面部分上,利用模具的作用,使之沿封闭或不封闭的曲线边缘形成有一定角度的直壁或凸缘的成型方法。
修边是指为保证拉深成形而在冲压零件的周围增加的工艺补充部分和冲压件内部增加的工艺补充部分冲裁剪切掉的冲压工序。
图1为本公开实施例提供的工艺图像的生成方法的场景示意图,包括用户1和电子设备2。其中,用户1用于将待冲压零件的三维(3-dimension,3D)图像存储至电子设备2中。如此,电子设备2可以获取待冲压零件的3D图像。电子设备2根据3D图像,确定待冲压零件的外轮廓特征图,电子设备2根据零件特征对外轮廓特征图进行划分,确定一个或者多个外轮廓区域。电子设备2根据预先配置的对应关系,确定一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数。电子设备2根据一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数和3D图像,生成待冲压零件的工艺图像。
具体的,3D图像可以从UG(Unigraphics NX)文件中获取,或者从CAD文件中获取。
具体的,本公开实施例提供的工艺图像的生成装置可以是单独的设备,也可以是电子设备2中的部分装置,此处不做限定。
可选的,电子设备2可以为各种具有通信功能的手持设备、可穿戴设备、计算机,本公开实施例对此不作任何限定。例如,手持设备可以是智能手机。可穿戴设备可以是智能手环。计算机可以是个人数字助理(personal digital assistant,PDA)电脑、平板型电脑以及膝上型电脑(laptop computer)。
下面以本开实施例提供的工艺图像的生成装置为电子设备2的部分装置为例,对本公开实施例提供的工艺图像的生成方法进行示例性的说明。
图2是根据一示例性实施例示出的一种工艺图像的生成方法的流程图,如图2所示,工艺图像的生成方法应用于电子设备2中,该方法包括以下S11-S15。
S11、电子设备2获取待冲压零件的3D图像。
S12、电子设备2根据3D图像,确定待冲压零件的外轮廓特征图。
S13、电子设备2根据零件特征对外轮廓特征图进行划分,确定一个或者多个外轮廓区域。
S14、电子设备2根据预先配置的对应关系,确定一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数。
S15、电子设备2根据一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数和3D图像,生成待冲压零件的工艺图像。
本公开实施例提供的工艺图像的生成方法,电子设备2通过待冲压零件的三维3D图像,可以确定出待冲压零件的外轮廓特征图。如此,电子设备2可以根据零件特征对外轮廓特征图进行划分,确定一个或者多个外轮廓区域。由于电子设备2中预先配置了外轮廓区域和冲压参数的对应关系,从而可以确定出每个外轮廓区域对应的冲压参数。之后,电子设备2根据一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数和3D图像,生成待冲压零件的工艺图像。这样,工艺人员在需要生成待冲压零件的工艺图像时,仅需将对应的待冲压零件的三维3D图像输入至采用本公开提供的工艺图像的生成方法的电子设备,就可以生成待冲压零件的工艺图像,从而降低了生成工艺图形文件的耗时,解决了相关技术中生成工艺图形文件的耗时较高的问题。
在一些可实施的示例中,结合图2,如图3所示,上述S12具体可以通过下述S120实现。
S120、电子设备2根据3D图像中待冲压零件的颜色与背景的颜色,确定待冲压零件的外轮廓特征图。
具体的,当待冲压零件的颜色与背景的颜色相同时,电子设备2可以修改该3D图像中背景的颜色,以保证3D图像中待冲压零件的颜色与背景的颜色不同,如此可以更好地确定出待冲压零件的外轮廓特征图。示例性的,以待冲压零件为汽车的机盖为例,机盖的颜色与背景的颜色不同时,电子设备通过对3D图像进行不同方向上进行截图,如此得到至少一张截图(如:左视图、右视图、俯视图、底视图和正视图)。如,建立如图4所示的空间直角坐标系,y轴与机盖的对称轴A平行,x轴垂直于y轴,对称轴A垂直于x轴与z轴形成的平面,z轴垂直于x轴。如图4所示,以沿着z轴的方向为俯视方向,则机盖的俯视图的截图如图4所示。之后,电子设备2对机盖的俯视图进行图像二值化处理,以确定该机盖在俯视图上的外轮廓。之后,电子设备2通过对该机盖在不同方向上的外轮廓进行合成,以确定如图5所示的机盖的外轮廓特征a。
需要说明的是,由于待冲压零件的颜色与背景的颜色不同,因此电子设备2对截图进行图像二值化处理后,可以识别出待冲压零件的外轮廓与背景的交界。之后,电子设备2确定识别出的封闭,且连续的外轮廓为该待冲压零件的外轮廓。此外,对于待冲压零件中的内部孔,由于内部孔的孔内的颜色和待冲压零件的颜色不同,因此电子设备2在对上述截图进行图像二值化处理时,也可以确定处于待冲压零件表面上的封闭,且连续的轮廓为该待冲压零件的内部孔。
在一些示例中,待冲压零件的颜色为黑色,背景的颜色为百色,内部孔的颜色为白色。
在一些可实施的示例中,结合图2,如图6所示,上述S12具体可以通过下述S121实现。
S121、电子设备2将3D图像输入至预先配置的人工智能模型中,确定待冲压零件的外轮廓特征图。
具体的,本公开实施例提供的工艺图像的生成方法,通过已有的3D图像以及该已有的3D图像的外轮廓特征图训练人工智能模型,从而可以得到能够识别出待冲压零件的外轮廓特征图的人工智能模型。如此,可以提高电子设备2确定出待冲压零件的外轮廓特征图的准确率。
在一些可实施的示例中,在一些可实施的示例中,结合图2,如图7所示,本公开实施例提供的工艺图像的生成方法中,人工智能模型的训练过程包括:S16-S19。
S16、电子设备2获取训练样本图像和训练样本图像的标记结果。其中,训练样本图像包括已冲压零件和已冲压零件的外轮廓特征图。
在一些示例中,已冲压零件的外轮廓特征图可以采用上述S120的方式获得。
S17、电子设备2将训练样本图像输入至神经网络模型中。
具体的,神经网络模型可以为卷积神经网络(Convolutional Neural Networks,CNN)。
S18、电子设备2根据目标损失函数,确定神经网络模型对训练样本图像的预测结果与标记结果是否匹配。
S19、电子设备2在预测结果与标记结果不匹配的情况下,循环迭代神经网络模型的配置参数,直至神经网络模型收敛,得到人工智能模型。
在一些可实施的示例中,零件特征包括外轮廓、内部形状、孔洞、零件转角、曲率和位置信息中的一项或者多项,冲压参数包括正向翻边、侧向翻边、正向修边、侧向修边、连修带翻、冲孔、布置废料刀和布置定位孔中的一项或者多项。
一些示例中,正向翻边是指沿着z轴方向进行翻边,侧向翻边是指在与z轴的夹角为θ的方向进行翻边,θ大于0。正向修边是指沿着z轴方向进行修边,侧向修边是指在与z轴的夹角为θ的方向进行修边。连修带翻可以是先正向修边,再正向翻边。或者,连修带翻可以是先侧向修边,再正向翻边。
具体的,一个零件特征需要通过一个或者多个冲压工序进行加工才能得到。如此,对于相同的零件特征,对应需要的冲压工序的流程和总数也是相同的。因此,电子设备2可以根据零件特征对外轮廓特征图进行划分,从而可以得到一个或者多个外轮廓区域。由于一个外轮廓区域对应一个零件特征,一个冲压工序对应一种冲压参数。因此,可以预先配置外轮廓区域与冲压参数的对应关系。这样,需要确定外轮廓区域对应的冲压参数时,可以通过在预设配置的对应关系中查询与该外轮廓区域对于的冲压参数。如此,可以确定每个外轮廓区域对应的冲压参数。
示例性的,结合上述S120给出的示例,电子设备2得到了机盖的外轮廓特征图。此时,电子设备2根据零件特征对外轮廓特征图中的外轮廓进行划分,确定一个或者多个外轮廓区域。在待冲压零件为轴对称图形的情况下,电子设备2仅需确定对称部分包含的一个或者多个外轮廓区域即可。之后根据对称关系,即可确定该待冲压零件的外轮廓特征图包含的全部的外轮廓区域。由于机盖是一个轴对称图形,电子设备2仅需确定对称部分包含的一个或者多个外轮廓区域即可。如图8所示,电子设备2根据零件特征对外轮廓特征图进行划分,确定10个外轮廓区域,分别为外轮廓区域a1、外轮廓区域a2、外轮廓区域a3、外轮廓区域a4、外轮廓区域a5、外轮廓区域a6、外轮廓区域a7、外轮廓区域a8、外轮廓区域a9和外轮廓区域a10。之后,电子设备2可以根据预先配置的对应关系,确定10个外轮廓区域中的每个外轮廓区域对应的冲压参数。需要说明的是,在得到每个外轮廓区域对应的冲压参数后,需要根据该待冲压零件的3D图像,确定每一次执行的冲压参数。之后,根据每一次执行的冲压参数,生成待冲压零件在每一次对应的工艺图像。
在一些示例中,每个外轮廓区域对应一个或者多个冲压参数,在生成待冲压零件的工艺图像时,电子设备2需根据执行的先后顺序,生成待冲压零件在每一次对应的工艺图像。如:在执行完第一操作(正向修边,或者侧向修边)后,才执行第二操作(正向翻边或者侧向翻边)。因此,电子设备2需要首先生成执行第一操作时对应的待冲压零件工艺图像,然后,生成执行第二操作时对应的待冲压零件工艺图像。如图9所示,电子设备2确定外轮廓区域a1、外轮廓区域a2和外轮廓区域a4需要执行正向修边,外轮廓区域a5、外轮廓区域a6、外轮廓区域a8、外轮廓区域a9和外轮廓区域a10需要执行侧向修边。如图10所示,电子设备2确定外轮廓区域a1和外轮廓区域a2需要执行正向修边,外轮廓区域a5需要执行正向翻边,外轮廓区域a6需要执行侧向翻边,外轮廓区域a7需要执行侧向修边。如图11所示,电子设备2确定外轮廓区域a1和外轮廓区域a2需要执行正向翻边,外轮廓区域a3需要执行连修带翻,外轮廓区域a4、外轮廓区域a5、外轮廓区域a6、外轮廓区域a7、外轮廓区域a8、外轮廓区域a9和外轮廓区域a10需要执行侧向翻边。其中,Trim是指正向修边,PI是指定位孔,Trim cam是指侧向修边,FL是指正向翻边,FLCam是指侧向翻边,TrimFl是指连修带翻。
此外,在待冲压零件为非轴对称图形时,电子设备2需根据零件特征对外轮廓特征图中外轮廓进行划分,确定一个或者多个外轮廓区域。
上述主要从方法的角度对本发明实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明实施例可以根据上述方法示例对电子设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,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。
如图12所示,本发明的实施例提供一种电子设备2的结构示意图。电子设备2包括获取单元101和处理单元102。
获取单元101,用于获取待冲压零件的三维3D图像。
处理单元102,用于根据获取单元101获取的3D图像,确定待冲压零件的外轮廓特征图。
处理单元102,还用于根据零件特征对外轮廓特征图进行划分,确定一个或者多个外轮廓区域。
处理单元102,还用于根据预先配置的对应关系,确定一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数。
处理单元102,还用于根据一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数和获取单元101获取的3D图像,生成待冲压零件的工艺图像。
在一些可实施的示例中,处理单元102,具体用于根据获取单元101获取的3D图像中待冲压零件的颜色与背景的颜色,确定待冲压零件的外轮廓特征图。
在一些可实施的示例中,处理单元102,具体用于将获取单元101获取的3D图像输入至预先配置的人工智能模型中,确定待冲压零件的外轮廓特征图。
在一些可实施的示例中,获取单元101,还用于获取训练样本图像和训练样本图像的标记结果;其中,训练样本图像包括已冲压零件和已冲压零件的外轮廓;处理单元102,还用于将获取单元101获取的训练样本图像输入至神经网络模型中;处理单元102,还用于根据目标损失函数,确定神经网络模型对训练样本图像的预测结果与标记结果是否匹配;处理单元102,还用于在预测结果与标记结果不匹配的情况下,循环迭代神经网络模型的配置参数,直至神经网络模型收敛,得到人工智能模型。
在一些可实施的示例中,零件特征包括外轮廓、内部形状、孔洞、零件转角、曲率和位置信息中的一项或者多项,冲压参数包括正向翻边、侧向翻边、正向修边、侧向修边、连修带翻、冲孔、布置废料刀和布置定位孔中的一项或者多项。
其中,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,其作用在此不再赘述。
当然,本发明实施例提供的电子设备2包括但不限于上述模块,例如电子设备2还可以包括存储单元103。存储单元103可以用于存储该写电子设备2的程序代码,还可以用于存储写电子设备2在运行过程中生成的数据,如写请求中的数据等。
图13为本发明实施例提供的一种电子设备2的结构示意图,如图13所示,该电子设备2可以包括:至少一个处理器51、存储器52、通信接口53和通信总线54。
下面结合图13对电子设备2的各个构成部件进行具体的介绍:
其中,处理器51是电子设备2的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器51是一个中央处理器(Central Processing Unit,CPU),也可以是特定集成电路(Application Specific Integrated Circuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个DSP,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)。
在具体的实现中,作为一种实施例,处理器51可以包括一个或多个CPU,例如图13中所示的CPU0和CPU1。且,作为一种实施例,电子设备2可以包括多个处理器,例如图13中所示的处理器51和处理器55。这些处理器中的每一个可以是一个单核处理器(Single-CPU),也可以是一个多核处理器(Multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器52可以是只读存储器(Read-Only Memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(Random Access Memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器52可以是独立存在,通过通信总线54与处理器51相连接。存储器52也可以和处理器51集成在一起。
在具体的实现中,存储器52,用于存储本发明中的数据和执行本发明的软件程序。处理器51可以通过运行或执行存储在存储器52内的软件程序,以及调用存储在存储器52内的数据,执行空调器的各种功能。
通信接口53,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如无线接入网(Radio Access Network,RAN),无线局域网(Wireless Local Area Networks,WLAN)、终端、云端等。通信接口53可以包括获取单元101,以实现获取功能。
通信总线54,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该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13中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
作为一个示例,结合图12,电子设备2中的获取单元101实现的功能与图13中的通信接口53的功能相同,处理单元102实现的功能与图13中的处理器51的功能相同,存储单元103实现的功能与图13中的存储器52的功能相同。
本发明另一实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行上述方法实施例所示的方法。
在一些实施例中,所公开的方法可以实施为以机器可读格式被编码在计算机可读存储介质上的或者被编码在其它非瞬时性介质或者制品上的计算机程序指令。
图14示意性地示出本发明实施例提供的计算机程序产品的概念性局部视图,所述计算机程序产品包括用于在计算设备上执行计算机进程的计算机程序。
在一个实施例中,计算机程序产品是使用信号承载介质410来提供的。所述信号承载介质410可以包括一个或多个程序指令,其当被一个或多个处理器运行时可以提供以上针对图2描述的功能或者部分功能。因此,例如,参考图2中所示的实施例,S11-S15的一个或多个特征可以由与信号承载介质410相关联的一个或多个指令来承担。此外,图14中的程序指令也描述示例指令。
在一些示例中,信号承载介质410可以包含计算机可读介质411,诸如但不限于,硬盘驱动器、紧密盘(CD)、数字视频光盘(DVD)、数字磁带、存储器、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等等。
在一些实施方式中,信号承载介质410可以包含计算机可记录介质412,诸如但不限于,存储器、读/写(R/W)CD、R/W DVD、等等。
在一些实施方式中,信号承载介质410可以包含通信介质413,诸如但不限于,数字和/或模拟通信介质(例如,光纤电缆、波导、有线通信链路、无线通信链路、等等)。
信号承载介质410可以由无线形式的通信介质413(例如,遵守IEEE 802.41标准或者其它传输协议的无线通信介质)来传达。一个或多个程序指令可以是,例如,计算机可执行指令或者逻辑实施指令。
在一些示例中,诸如针对图2描述的写数据装置可以被配置为,响应于通过计算机可读介质411、计算机可记录介质412、和/或通信介质413中的一个或多个程序指令,提供各种操作、功能、或者动作。
通过以上的实施方式的描述,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,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个装置,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一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。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,在本发明各个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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例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全部或部分可以以软件产品的形式体现出来,该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个设备(可以是单片机,芯片等)或处理器(processor)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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种工艺图像的生成方法,其特征在于,包括:
获取待冲压零件的三维3D图像;
根据所述3D图像中所述待冲压零件的颜色与背景的颜色,确定所述待冲压零件的外轮廓特征图;
根据零件特征对所述外轮廓特征图进行划分,确定一个或者多个外轮廓区域;
根据预先配置的对应关系,确定所述一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数;
根据所述一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数和所述3D图像,生成所述待冲压零件的工艺图像。
2.根据权利要求1所述的工艺图像的生成方法,其特征在于,所述根据所述3D图像,确定所述待冲压零件的外轮廓特征图包括:
将所述3D图像输入至预先配置的人工智能模型中,确定所述待冲压零件的外轮廓特征图。
3.根据权利要求2所述的工艺图像的生成方法,其特征在于,所述人工智能模型的训练过程如下:
获取训练样本图像和所述训练样本图像的标记结果;其中,所述训练样本图像包括已冲压零件和所述已冲压零件的外轮廓特征图;
将所述训练样本图像输入至神经网络模型中;
根据目标损失函数,确定所述神经网络模型对所述训练样本图像的预测结果与所述标记结果是否匹配;
在所述预测结果与所述标记结果不匹配的情况下,循环迭代所述神经网络模型的配置参数,直至所述神经网络模型收敛,得到所述人工智能模型。
4.根据权利要求1所述的工艺图像的生成方法,其特征在于,所述零件特征包括外轮廓、内部形状、孔洞、零件转角、曲率和位置信息中的一项或者多项,所述冲压参数包括正向翻边、侧向翻边、正向修边、侧向修边、连修带翻、冲孔、布置废料刀和布置定位孔中的一项或者多项。
5.一种工艺图像的生成装置,其特征在于,包括:
获取单元,用于获取待冲压零件的三维3D图像;
处理单元,用于根据所述获取单元获取的所述3D图像中所述待冲压零件的颜色与背景的颜色,确定所述待冲压零件的外轮廓特征图;
所述处理单元,还用于根据零件特征对所述外轮廓特征图进行划分,确定一个或者多个外轮廓区域;
所述处理单元,还用于根据预先配置的对应关系,确定所述一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数;
所述处理单元,还用于根据所述一个或者多个外轮廓区域中的每个外轮廓区域对应的冲压参数和所述获取单元获取的所述3D图像,生成所述待冲压零件的工艺图像。
6.根据权利要求5所述的工艺图像的生成装置,其特征在于,所述处理单元,具体用于将所述获取单元获取的所述3D图像输入至预先配置的人工智能模型中,确定所述待冲压零件的外轮廓特征图。
7.根据权利要求6所述的工艺图像的生成装置,其特征在于,所述获取单元,还用于获取训练样本图像和所述训练样本图像的标记结果;其中,所述训练样本图像包括已冲压零件和所述已冲压零件的外轮廓特征图;
所述处理单元,还用于将所述获取单元获取的所述训练样本图像输入至神经网络模型中;
所述处理单元,还用于根据目标损失函数,确定所述神经网络模型对所述训练样本图像的预测结果与所述标记结果是否匹配;
所述处理单元,还用于在所述预测结果与所述标记结果不匹配的情况下,循环迭代所述神经网络模型的配置参数,直至所述神经网络模型收敛,得到所述人工智能模型。
8.根据权利要求5所述的工艺图像的生成装置,其特征在于,所述零件特征包括外轮廓、内部形状、孔洞、零件转角、曲率和位置信息中的一项或者多项,所述冲压参数包括正向翻边、侧向翻边、正向修边、侧向修边、连修带翻、冲孔、布置废料刀和布置定位孔中的一项或者多项。
9.一种计算机存储介质,其特征在于,包括指令,当其在计算机上运行时,使得计算机执行如上述权利要求1-4任一项所述的工艺图像的生成方法。
10.一种电子设备,其特征在于,包括:通信接口、处理器、存储器、总线;存储器用于存储计算机执行指令,处理器与存储器通过总线连接,当电子设备运行时,处理器执行存储器存储的计算机执行指令,以使电子设备执行如上述权利要求1-4任一项所述的工艺图像的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020751.4A CN114036594B (zh) | 2022-01-10 | 2022-01-10 | 一种工艺图像的生成方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210020751.4A CN114036594B (zh) | 2022-01-10 | 2022-01-10 | 一种工艺图像的生成方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114036594A CN114036594A (zh) | 2022-02-11 |
CN114036594B true CN114036594B (zh) | 2022-04-08 |
Family
ID=80147392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210020751.4A Active CN114036594B (zh) | 2022-01-10 | 2022-01-10 | 一种工艺图像的生成方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036594B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548610B (zh) * | 2022-04-27 | 2022-07-08 | 季华实验室 | 发动机盖外板冲压工艺的自动排布方法及装置 |
CN116224904B (zh) * | 2023-05-10 | 2023-07-11 | 季华实验室 | 修边方向确定方法、装置、设备及存储介质 |
CN118468611A (zh) * | 2024-07-10 | 2024-08-09 | 季华实验室 | 冲压工艺的工艺卡生成方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100807777B1 (ko) * | 2007-03-16 | 2008-02-28 | 디앤크래프트 주식회사 | 사진 부착용 시트 펀칭 장치 |
CN108038474B (zh) * | 2017-12-28 | 2020-04-14 | 深圳励飞科技有限公司 | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 |
US10592726B2 (en) * | 2018-02-08 | 2020-03-17 | Ford Motor Company | Manufacturing part identification using computer vision and machine learning |
CN111340733B (zh) * | 2020-02-28 | 2022-07-26 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112926462B (zh) * | 2021-03-01 | 2023-02-07 | 创新奇智(西安)科技有限公司 | 训练方法、装置、动作识别方法、装置及电子设备 |
-
2022
- 2022-01-10 CN CN202210020751.4A patent/CN114036594B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114036594A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114036594B (zh) | 一种工艺图像的生成方法、装置和电子设备 | |
US11373332B2 (en) | Point-based object localization from images | |
TWI686746B (zh) | 識別車輛受損部件的方法、裝置、伺服器、客戶端及系統 | |
EP3432271A1 (en) | Systems and methods for detecting grasp poses for handling target objects | |
Gupta et al. | Classification, representation, and automatic extraction of deformation features in sheet metal parts | |
US20200398495A1 (en) | Three dimensional model categories | |
CN110751620B (zh) | 估算体积和重量的方法、电子设备及计算机可读存储介质 | |
CN115178647B (zh) | 一种冲孔分类方法、系统、电子设备及存储介质 | |
CN109410213A (zh) | 基于包围盒的多边形图元裁剪方法、计算机可读存储介质、电子设备 | |
CN106273441A (zh) | 打印温度的控制方法及其装置 | |
CN114049674A (zh) | 一种三维人脸重建方法、装置及存储介质 | |
US20190050504A1 (en) | Special-Purpose Programmed Computer For Numerical Simulation Of A Metal Forming Process Having A Predefined Load Path With Corresponding Mesh Adjustment Scheme | |
EP3282424B1 (en) | Determination of free space in a product | |
US11281935B2 (en) | 3D object detection from calibrated 2D images | |
JP2023122614A (ja) | 車両姿勢推定方法、装置、電子デバイス、記憶媒体、及びプログラム | |
CN111145081B (zh) | 基于空间体积特征的三维模型视图投影方法及系统 | |
CN112783156A (zh) | 扫地机器人及其清扫任务规划方法和装置 | |
CN108257079B (zh) | 图形变换方法及装置 | |
CN110276095B (zh) | 一种工件模型轮廓线形状自适应分解方法及装置 | |
EP4296889A1 (en) | Recognition model training method and apparatus | |
CN114581739B (zh) | 一种基于特征识别的点云标注方法、装置及电子设备 | |
CN114529731B (zh) | 人脸特征点定位及属性分析方法、装置、存储介质及设备 | |
CN112596536A (zh) | 集群无人机表演画面的方法、产品、存储介质、电子设备 | |
CN117315254A (zh) | 基于激光雷达点云的栅格级语义分割方法、装置及介质 | |
CN114758058A (zh) | 3d模型评分方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |