CN114067231B - 一种基于机器视觉学习识别的零件加工特征识别方法 - Google Patents
一种基于机器视觉学习识别的零件加工特征识别方法 Download PDFInfo
- Publication number
- CN114067231B CN114067231B CN202210042480.2A CN202210042480A CN114067231B CN 114067231 B CN114067231 B CN 114067231B CN 202210042480 A CN202210042480 A CN 202210042480A CN 114067231 B CN114067231 B CN 114067231B
- Authority
- CN
- China
- Prior art keywords
- processing
- geometric
- dimensional image
- dimensional
- recognition
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机辅助制造技术领域,特别是涉及一种基于机器视觉学习识别的零件加工特征识别方法,包括样本训练和零件加工特征识别;样本训练具体指:获取不同的零件三维模型在不同角度下的二维图像,并标注加工特征信息,构建二维图像样本,使用二维图像样本对图像识别模型进行特征识别训练;零件加工特征识别具体指:从多个视角进行二维图像截图,用已训练好的图像识别模型从二维图像截图中识别所有加工特征,将识别的加工特征依据视角关系映射到待识别加工特征的零件三维模型上,并标注加工特征及各个特征所包含的几何面,完成零件加工特征的自动识别。通过本识别方法,能有效解决复杂加工特征和新加工特征识别困难的问题。
Description
技术领域
本发明涉及计算机辅助制造技术领域,特别是涉及一种基于机器视觉学习识别的零件加工特征识别方法。
背景技术
零件加工特征识别是实现加工工艺自动化设计以及加工数字控制程序自动化编制的基础技术。随着制造业从大批量生产模式逐步转向多品种、小批量生产模式,产品的个性化越来越突出,零件的加工特征越来越复杂。尤其是在航空航天领域,为了减轻飞行器的重量,零件结构复杂,形状怪异,加工特征复杂多变,这就使得加工特征识别非常困难,识别准确率低,导致加工工艺设计和加工数字控制程序编制必须依赖大量的手工操作,工艺准备周期长,人力成本高,是制造业快速且低成本地满足个性化定制需求的一大瓶颈。
现有技术中,提出了授权公告号为CN102930108B,授权公告日为2014年10月15日的中国发明专利文件,该专利文献所公开了一种筋特征识别方法,该方法基于零件几何面的连接关系及预先定义的特征实现对特征的识别。也提出了授权公告号为CN110795797B,授权公告日为2021年06月18日的中国发明专利文件,该专利文献所公开了一种基于零件几何面属性邻接图实现对预定义加工特征的自动识别。也提出了公开号为CN109977972A,公开日为2019年07月05日的中国发明专利文件,该专利文献所公开了一种基于零件几何拓扑信息,并将人工蜂群算法与BP神经网络相结合的特征智能识别方法。也提出了公开号为CN112488176A,公开日为2021年03月12日的中国发明专利文件,该专利文献公开了将加工特征进行三角网格划分及数据提取,并进行神经网络训练获得最优神经网络训练模型,进而实现加工特征识别,可支持用户自定义加工特征。
现有技术中,还提出了名为“复杂结构件数控编程加工特征用户自定义方法”的论文,该论文采用基于全息属性面边图表达加工特征几何信息,并基于语义与规则建立几何信息与工艺信息的关联关系进而实现特征的定义与识别。
上述技术方案在实际使用过程中,会出现以下问题:
上述加工特征定义与识别方法均采用基于零件几何面的拓扑连接关系实现加工特征的定义与识别,需由人工完成对特征结构的定义,即在特征库中增加新的特征类型,才能完成新加工特征识别。对于复杂的相交特征而言,如槽腔、筋条、凸台和孔等特征的融合相交,由于结构复杂,从人为特征定义角度来说,难以对复杂相交特征进行有效定义。故上述方法对于新加工特征以及复杂的相交特征无法有效进行识别,存在难以识别或识别错误特征的情况,进而导致后续自动数控编程结果难以达到加工要求。
发明内容
为解决上述技术问题,本发明提出了一种基于机器视觉学习识别的零件加工特征识别方法,能有效解决复杂加工特征和新加工特征识别困难的问题,提升零件加工特征的识别准确率。
本发明是通过采用下述技术方案实现的:
一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:包括样本训练和零件加工特征识别;所述样本训练具体指:获取不同的零件三维模型在不同角度下的二维图像,并在二维图像上标注加工特征信息,构建零件加工特征二维图像样本,然后使用所述二维图像样本对图像识别模型进行特征识别训练;所述零件加工特征识别具体指:从多个视角对待识别加工特征的零件三维模型进行二维图像截图,用已训练好的图像识别模型从二维图像截图中识别所有加工特征,将识别的加工特征依据视角关系映射到待识别加工特征的零件三维模型上,在待识别加工特征的零件三维模型上标注加工特征及各个特征所包含的几何面,完成零件加工特征的自动识别。
进行二维图像截图后,记录每张二维图像的截取视点及视角。
二维图像截图的具体截取方法如下:
计算待识别加工特征的零件三维模型的最小包围盒,包围盒X、Y、Z坐标最小的角点为(Xmin,Ymin,Zmin),X、Y、Z坐标最大的角点为(Xmax,Ymax,Zmax);
计算包围盒的最小外接球,设球心为O,半径为R;
以a°为步距在球心为O、半径为mR的球面S上均匀设置视点及视角,其中m为常量,视点及视角采用球面经度和纬度表示为(α,β),其中经度α的取值范围为[0°,360°],纬度β的取值范围为[-90°,90°];
将经度和纬度为(0°,-90°)的视点及视角设置为截取二维图像的初始视点及视角,依次对待识别加工特征的零件三维模型进行二维图像截取。
从二维图像截图中识别所有加工特征具体指:确定二维图像截图中包含加工特征的特征类型、构成的几何面及其包含的像素范围。
将识别的加工特征依据视角关系映射到待识别加工特征的零件三维模型上具体指:将识别到的加工特征通过图像的截取视点及视角映射到零件三维模型上,形成一系列加工特征实例,具体包括:
根据图像的视点和视角构建一个投影平面,投影平面以视点为原点,以视角方向为法向,即Z向;
选取二维图像上加工特征所属几何面上某一像素的X、Y坐标构建一条垂直于投影平面且过像素点的直线;
计算直线与待识别加工特征的零件三维模型的交点,离像素点最近的交点即为二维图像上像素点在待识别加工特征的零件三维模型上的映射点,映射点所在的几何面即为选取的二维图像上像素点所在的加工特征几何面;
在特征实例构建完成后剔除冗余的几何面。
在待识别加工特征的零件三维模型上标注加工特征及各个特征所包含的几何面,完成零件加工特征的自动识别具体指:将获取的一系列加工特征实例中属于同一加工特征的特征进行合并,得到新的加工特征集;判断新的加工特征集是否包含零件所有几何面,若未包含,将该几何面存储于几何面集合N中,选取合适的视点及视角,重新截取二维图像,进行特征识别,直至零件所有几何面均包含于新的加工特征集中,完成零件所有加工特征的识别。
将获取的一系列加工特征实例中属于同一加工特征的特征进行合并,得到新的加工特征集,具体指:
依据加工特征类型对加工特征实例进行分类;
属于同一类型的加工特征,如果组成特征的主要几何面相同则进行合并;
需合并的加工特征实例,剔除重复出现的几何面,将剩余几何面进行合并,重组为新的加工特征实例。
选取合适的视点及视角,重新截取二维图像的具体方法如下:
选取几何面集合N中的几何面U,在几何面U上获取系列离散点,并得到几何面U在离散点处的法矢;
将上述法矢进行合并,得到几何面U的主法矢P;
找到几何面U的中心点M,并以中心点M为端点,沿主法矢P作射线l;
求解射线l与零件及球面S的交点;
若射线l与零件无交点,则射线l与球面S的交点即为合适的视点,主法矢P的反方向即为合适的视角;
若射线与零件存在交点,则找到与中心点M最近的交点I,并得到交点I所在的零件几何面T;以中心点M为端点,作一条与几何面T沿零件最小包围盒高度方向最顶处边线相交的射线J;射线J与射线l构成平面F,在平面F内,将射线J沿远离射线l的方向旋转b°得到旋转后的射线k;求解射线k与零件和球面S的交点,若射线k与零件无交点,则射线k与球面S的交点即为合适的视点,射线k的反方向即为即为合适的视角,否则将认为无法找到合适的视点和视角,将采用人工识别的方式对加工特征进行补充识别,其中b的值大于0小于等于10。
获取不同的零件三维模型在不同角度下的二维图像具体指:从CAD软件中导出、截取屏幕或拍摄照片来获取相应的二维图像。
在二维图像上标注加工特征信息具体指:在二维图像上标注每个加工特征类型、特征几何元素及特征包含的像素范围。
与现有技术相比,本发明的有益效果表现在:
1、本方法从根本上避免了由人为来定义特征,通过机器视觉方法,通过特征二维图像对图像识别模型进行训练,基于训练后的图像识别模型实现对加工特征识别,对于新特征而言,只需新增样本,对图像识别模型进行训练即可;对于复杂相交特征而言,仅需在二维图像样本中进行标注,即可实现对复杂相交特征进行识别。通过本方法,可有效识别复杂相交特征,提升零件加工特征识别准确率,为零件加工工艺自动化设计以及加工数字控制程序自动化编制奠定技术基础。
2、本方法中,从多个视点及视角对待识别加工特征的零件三维模型截取二维图像,能防止小尺寸几何面在图像上丢失或模糊,尽可能确保每个几何面都在至少一个二维图像上有清晰的像素。
3、在特征实例构建完成后剔除冗余的几何面,能剔除二维图像上的像素可能不清晰的几何面、可能存在遮挡的较小几何面、在二维图像上可能未识别出来的部分几何面以及多余几何面,其中多余几何面具体指在二维图像上识别出来的多张几何面但在三维数字模型上其实是同一张几何面。
4、本方法中,需对加工特征实例进行特征合并,能有效避免出现因在不同视点和视角下截图的二维图像中包含的几何面信息不同,依据二维图像识别的加工特征所包含的几何面信息可能不全,且存在同一加工特征重复存在的现象。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的详细说明,其中:
图1为本发明中零件加工特征识别的流程示意图;
图2为本发明中样本训练的流程示意图;
图3为本发明中零件视点及视角的示意图;
图4为本发明中未识别几何面对应视点视角求解示意图。
具体实施方式
实施例1
作为本发明基本实施方式,本发明包括一种基于机器视觉学习识别的零件加工特征识别方法,包括样本训练和零件加工特征识别。所述样本训练具体指:获取不同的零件三维模型在不同角度下的二维图像,并在二维图像上标注加工特征信息。构建零件加工特征二维图像样本,然后使用所述二维图像样本对图像识别模型进行特征识别训练,将图像识别模型进行训练好。
所述零件加工特征识别具体指:从多个视角对待识别加工特征的零件三维模型进行二维图像截图,用已训练好的图像识别模型从二维图像截图中识别所有加工特征。将识别的加工特征依据视角关系映射到待识别加工特征的零件三维模型上。在待识别加工特征的零件三维模型上标注加工特征及各个特征所包含的几何面,完成零件加工特征的自动识别。
实施例2
作为本发明一较佳实施方式,本发明包括一种基于机器视觉学习识别的零件加工特征识别方法,包括样本训练和零件加工特征识别。所述样本训练具体包括以下步骤:
获取不同的零件三维模型在不同角度下的二维图像,获取方式包括:从CAD软件中导出、截取屏幕、拍摄照片以及其他可以获取零件三维数字模型的二维图像的方式。
在二维图像上标注加工特征信息,即在二维图像上标注每个加工特征类型、特征几何元素及特征包含的像素范围,构建零件加工特征二维图像样本。
使用所述二维图像样本对图像识别模型进行特征识别训练,使图像识别模型具备从图像中识别各类型加工特征的能力。
所述零件加工特征识别具体包括以下步骤:
从多个视点及视角对待识别加工特征的零件三维模型截取二维图像,并记录每张图像的截取视点及视角。
用已训练好的图像识别模型对截取的二维图像进行加工特征识别,确定其中包含加工特征的特征类型、构成的几何面及其包含的像素范围。
将识别到的加工特征通过图像的截取视点及视角映射到零件三维模型上,形成一系列加工特征实例。
将获取的一系列加工特征实例中属于同一加工特征的特征进行合并,得到新的加工特征集。将合并后的加工特征所包含的所有几何面信息与零件比对,查找未包含于已识别加工特征的几何面,并存储于几何面集合N中。针对几何面集合N中的几何面,选取合适的视点和视角重新截取二维图像,重复上述步骤,直至几何面集合N中几何面数量为0,完成零件所有加工特征的识别。
实施例3
作为本发明另一较佳实施方式,本发明包括一种基于机器视觉学习识别的零件加工特征识别方法,包括样本训练和零件加工特征识别。所述样本训练具体指:获取不同的零件三维模型在不同角度下的二维图像,该二维图像为高像素白色背景图像,避免图像颜色对加工特征识别的干扰,再将获取的二维图像处理成灰度图像。然后在二维图像上标注加工特征信息,构建零件加工特征二维图像样本。该二维图像样本中包含待识别零件类型的系列加工特征,且每种加工特征对应的样本必须达到一定数量,以确保对图像识别模型训练的效果。然后使用所述二维图像样本对图像识别模型进行特征识别训练。
所述零件加工特征识别具体指:从多个视角对待识别加工特征的零件三维模型进行二维图像截图,并记录每张二维图像的截取视点及视角。用已训练好的图像识别模型从二维图像截图中识别所有加工特征,确定其中包含加工特征的特征类型、构成的几何面及其包含的像素范围。将识别的加工特征依据视点及视角映射到待识别加工特征的零件三维模型上。在待识别加工特征的零件三维模型上标注加工特征及各个特征所包含的几何面,完成零件加工特征的自动识别。
其中,从多个视点及视角对待识别加工特征的零件三维模型截取二维图像是为了防止小尺寸几何面在图像上丢失或模糊,尽可能确保每个几何面都在至少一个二维图像上有清晰的像素,具体截取方法如下:
计算待识别加工特征的零件三维模型的最小包围盒,包围盒X、Y、Z坐标最小的角点为(Xmin,Ymin,Zmin),X、Y、Z坐标最大的角点为(Xmax,Ymax,Zmax);
计算包围盒的最小外接球,设球心为O,半径为R;
以a°为步距在球心为O、半径为mR的球面S上均匀设置视点及视角,其中m为常量,视点及视角采用球面经度和纬度表示为(α,β),其中经度α的取值范围为[0°,360°],纬度β的取值范围为[-90°,90°];
将经度和纬度为(0°,-90°)的视点及视角设置为截取二维图像的初始视点及视角,依次对待识别加工特征的零件三维模型进行二维图像截取。
将识别到的加工特征通过图像截取视点及视角映射到零件三维模型上,形成一系列加工特征实例的具体方法如下:
根据图像的视点和视角构建一个投影平面,投影平面以视点为原点,以视角方向为法向,即Z向;
选取二维图像上加工特征所属几何面上某一像素的X、Y坐标构建一条垂直于投影平面且过像素点的直线;
计算直线与待识别加工特征的零件三维模型的交点,离像素点最近的交点即为二维图像上像素点在待识别加工特征的零件三维模型上的映射点,映射点所在的几何面即为选取的二维图像上像素点所在的加工特征几何面;
由于较小的几何面在二维图像上的像素可能不清晰也可能存在遮挡,部分几何面在二维图像上可能未识别出来,也可能存在二维图像上识别出来的多张几何面在三维数字模型上其实是同一张几何面,因此在特征实例构建完成后需要剔除冗余的几何面。
实施例4
作为本发明最佳实施方式,本发明包括一种基于机器视觉学习识别的零件加工特征识别方法,包括样本训练和零件加工特征识别。参照说明书附图2,所述样本训练具体包括以下步骤:
从CAD软件中沿不同角度获取零件三维模型的高像素灰度二维图像。
在二维图像上标注加工特征类型及构成特征的几何面,得到加工特征二维图像样本。其中,加工特征类型包括槽、筋和孔等特征,针对每类加工特征对应的样本数量不少于500个,以确保对图像识别模型训练的效果。
使用所述二维图像样本对图像识别模型进行特征识别训练,使图像识别模型具备从图像中识别各类型加工特征的能力。
参照说明书附图1,所述零件加工特征识别具体包括以下步骤:
从多个视角对待识别加工特征的零件三维模型进行二维图像截图,并记录每张二维图像的截取视点及视角。其中,具体的截取方法为:
计算待识别加工特征的零件三维模型的最小包围盒B;
计算包围盒B的最小外接球,其球心为O,半径为R=758.8mm;
以45°为步距在球心为O、半径为1.5R的球面S上均匀设置视点及视角,视点、视角采用球面经纬度表示为(α,β),其中经度α的取值范围为:[0°,360°],纬度β的取值范围为:[-90°,90°],则经度α的取值为:{0°,45°,90°,135°,180°,225°,270°,315°},纬度β的取值为:{-90°,-45°,0°,45°,90°},参照说明书附图3,其中一个视点P1为(45°,0°),对应视角为;
沿上述视点和视角依次对零件三维模型进行二维图像截取。
利用已训练好的图像识别模型从二维图像截图中识别所有加工特征,确定加工特征的特征类型、构成的几何面及其包含的像素范围。
将识别的加工特征通过图像视点及视角映射到待识别加工特征的零件三维模型上,形成一系列加工特征实例,具体为:
根据图像的视点和视角构建一个投影平面,投影平面以视点为原点,以视角方向为法向(Z向);
选取二维图像上加工特征所属几何面上某一像素的X、Y坐标构建一条垂直于投影平面且过像素点的直线;
计算直线与零件三维数字模型的交点,离像素点最近的交点即为二维图像上像素点在三维数字模型上的映射点,映射点所在的几何面即为选取的二维图像上像素点所在的加工特征几何面;
由于较小的几何面在二维图像上的像素可能不清晰也可能存在遮挡,部分几何面在二维图像上可能未识别出来,也可能存在二维图像上识别出来的多张几何面在三维数字模型上其实是同一张几何面,因此在特征实例构建完成后需剔除冗余的几何面。
将获取的一系列加工特征实例中属于同一加工特征的特征进行合并,得到新的加工特征集,特征合并的方法如下:
依据加工特征类型对加工特征实例进行分类;
属于同一类型的加工特征,如果组成特征的主要几何面相同则进行合并,如包含相同槽腹板面的槽特征、具有相同侧壁面的孔特征、相同筋顶几何面的筋特征;
需合并的加工特征实例,剔除重复出现的几何面,将剩余几何面进行合并,重组为新的加工特征实例。
将合并后的加工特征所包含的所有几何面信息与零件比对,查找未包含于已识别加工特征的几何面,并存储于几何面集合N中。
参照说明书附图4,针对几何面集合N中的几何面U,选取合适的视点和视角重新截取二维图像,完成零件所有加工特征的识别,具体方法如下:
首先在几何面U上获取系列离散点,即按照设定的间距得到系列离散点,并得到几何面U在离散点处的法矢,即法向矢量,将上述法矢进行合并,得到几何面U的主法矢P;
找到几何面U的中心点M,并以中心点M为端点,沿主法矢P作射线l;
射线l与零件及步骤四中所作球面S均存在交点;
射线l与零件交点中与中心点M最近交点为I,与球面S交点为Pl;
得到与交点I所在零件的几何面T;
以中心点M为端点,作一条与几何面T沿零件最小包围盒高度方向最顶处边线相交的射线J;
射线J与射线l构成平面F,在平面F内,将射线J沿远离射线l的方向旋转b°得到旋转后的射线k ,其中b的值大于0小于等于10,本实施例取5°;
射线k与零件无交点,则射线k与球面S的交点PS即为合适的视点,射线k的反方向τS即为合适的视角,以该视点和视角重新截取二维图像,重复上述步骤,即重复进行特征识别,直至几何面集合N中几何面数量为0,完成零件所有加工特征的识别。
综上所述,本领域的普通技术人员阅读本发明文件后,根据本发明的技术方案和技术构思无需创造性脑力劳动而作出的其他各种相应的变换方案,均属于本发明所保护的范围。
Claims (9)
1.一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:包括样本训练和零件加工特征识别;所述样本训练具体指:获取不同的零件三维模型在不同角度下的二维图像,并在二维图像上标注加工特征信息,构建零件加工特征二维图像样本,然后使用所述二维图像样本对图像识别模型进行特征识别训练;所述零件加工特征识别具体指:从多个视角对待识别加工特征的零件三维模型进行二维图像截图,用已训练好的图像识别模型从二维图像截图中识别所有加工特征,将识别的加工特征依据视角关系映射到待识别加工特征的零件三维模型上,在待识别加工特征的零件三维模型上标注加工特征及各个特征所包含的几何面,完成零件加工特征的自动识别;其中,二维图像截图的具体截取方法如下:
计算待识别加工特征的零件三维模型的最小包围盒,包围盒X、Y、Z坐标最小的角点为(Xmin,Ymin,Zmin),X、Y、Z坐标最大的角点为(Xmax,Ymax,Zmax);
计算包围盒的最小外接球,设球心为O,半径为R;
以a°为步距在球心为O、半径为mR的球面S上均匀设置视点及视角,其中m为常量,视点及视角采用球面经度和纬度表示为(α,β),其中经度α的取值范围为[0°,360°],纬度β的取值范围为[-90°,90°];
将经度和纬度为(0°,-90°)的视点及视角设置为截取二维图像的初始视点及视角,依次对待识别加工特征的零件三维模型进行二维图像截取。
2.根据权利要求1所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:进行二维图像截图后,记录每张二维图像的截取视点及视角。
3.根据权利要求1所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:从二维图像截图中识别所有加工特征具体指:确定二维图像截图中包含加工特征的特征类型、构成的几何面及其包含的像素范围。
4.根据权利要求2所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:将识别的加工特征依据视角关系映射到待识别加工特征的零件三维模型上具体指:将识别到的加工特征通过图像的截取视点及视角映射到零件三维模型上,形成一系列加工特征实例,具体包括:
根据图像的视点和视角构建一个投影平面,投影平面以视点为原点,以视角方向为法向,即Z向;
选取二维图像上加工特征所属几何面上某一像素的X、Y坐标构建一条垂直于投影平面且过像素点的直线;
计算直线与待识别加工特征的零件三维模型的交点,离像素点最近的交点即为二维图像上像素点在待识别加工特征的零件三维模型上的映射点,映射点所在的几何面即为选取的二维图像上像素点所在的加工特征几何面;
在特征实例构建完成后剔除冗余的几何面。
5.根据权利要求4所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:在待识别加工特征的零件三维模型上标注加工特征及各个特征所包含的几何面,完成零件加工特征的自动识别具体指:将获取的一系列加工特征实例中属于同一加工特征的特征进行合并,得到新的加工特征集;判断新的加工特征集是否包含零件所有几何面,若未包含,将该几何面存储于几何面集合N中,选取合适的视点及视角,重新截取二维图像,进行特征识别,直至零件所有几何面均包含于新的加工特征集中,完成零件所有加工特征的识别。
6.根据权利要求5所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:将获取的一系列加工特征实例中属于同一加工特征的特征进行合并,得到新的加工特征集,具体指:
依据加工特征类型对加工特征实例进行分类;
属于同一类型的加工特征,如果组成特征的主要几何面相同则进行合并;
需合并的加工特征实例,剔除重复出现的几何面,将剩余几何面进行合并,重组为新的加工特征实例。
7.根据权利要求5所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:选取合适的视点及视角,重新截取二维图像的具体方法如下:
选取几何面集合N中的几何面U,在几何面U上获取系列离散点,并得到几何面U在离散点处的法矢;
将上述法矢进行合并,得到几何面U的主法矢P;
找到几何面U的中心点M,并以中心点M为端点,沿主法矢P作射线l;
求解射线l与零件及球面S的交点;
若射线l与零件无交点,则射线l与球面S的交点即为合适的视点,主法矢P的反方向即为合适的视角;
若射线与零件存在交点,则找到与中心点M最近的交点I,并得到交点I所在的零件几何面T;以中心点M为端点,作一条与几何面T沿零件最小包围盒高度方向最顶处边线相交的射线J;射线J与射线l构成平面F,在平面F内,将射线J沿远离射线l的方向旋转b°得到旋转后的射线k;求解射线k与零件和球面S的交点,若射线k与零件无交点,则射线k与球面S的交点即为合适的视点,射线k的反方向即为即为合适的视角,否则将认为无法找到合适的视点和视角,将采用人工识别的方式对加工特征进行补充识别,其中b的值大于0小于等于10。
8.根据权利要求1所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:获取不同的零件三维模型在不同角度下的二维图像具体指:从CAD软件中导出、截取屏幕或拍摄照片来获取相应的二维图像。
9.根据权利要求1所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:在二维图像上标注加工特征信息具体指:在二维图像上标注每个加工特征类型、特征几何元素及特征包含的像素范围。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042480.2A CN114067231B (zh) | 2022-01-14 | 2022-01-14 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
PCT/CN2022/125235 WO2023134242A1 (zh) | 2022-01-14 | 2022-10-14 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210042480.2A CN114067231B (zh) | 2022-01-14 | 2022-01-14 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114067231A CN114067231A (zh) | 2022-02-18 |
CN114067231B true CN114067231B (zh) | 2022-05-10 |
Family
ID=80231068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210042480.2A Active CN114067231B (zh) | 2022-01-14 | 2022-01-14 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114067231B (zh) |
WO (1) | WO2023134242A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067231B (zh) * | 2022-01-14 | 2022-05-10 | 成都飞机工业(集团)有限责任公司 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
CN114924822B (zh) * | 2022-05-19 | 2023-09-05 | 安天科技集团股份有限公司 | 三维拓扑结构的截图方法、装置、电子设备及存储介质 |
CN114660994B (zh) * | 2022-05-25 | 2022-08-23 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床加工工艺决策优化方法、系统及相关设备 |
CN114694139B (zh) * | 2022-06-01 | 2022-09-13 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床复杂结构件加工特征识别方法及系统 |
CN117972813A (zh) * | 2024-03-28 | 2024-05-03 | 山东山大华天软件有限公司 | 一种面向机加工零件的智能工艺方法、系统、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7587082B1 (en) * | 2006-02-17 | 2009-09-08 | Cognitech, Inc. | Object recognition based on 2D images and 3D models |
CN110136447A (zh) * | 2019-05-23 | 2019-08-16 | 杭州诚道科技股份有限公司 | 行车变道检测及违法变道识别的方法 |
CN110795797A (zh) * | 2019-09-26 | 2020-02-14 | 北京航空航天大学 | 一种mbd模型加工特征识别及信息提取方法 |
CN110942107A (zh) * | 2019-12-16 | 2020-03-31 | 上海大学 | 基于零件工程图像的复合磨削加工特征自动识别方法 |
CN113361507A (zh) * | 2021-08-11 | 2021-09-07 | 金成技术有限公司 | 一种结构件生产信息视觉测量方法 |
CN113870097A (zh) * | 2021-09-01 | 2021-12-31 | 阿里巴巴(中国)有限公司 | 一种家具图像的打标方法、模型训练方法及设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919941B (zh) * | 2017-04-26 | 2018-10-09 | 华南理工大学 | 一种三维手指静脉识别方法及系统 |
US11132473B2 (en) * | 2017-08-30 | 2021-09-28 | Apriori Technologies, Inc. | Manufacturing design modification system |
CN110543892B (zh) * | 2019-08-05 | 2023-08-25 | 青岛理工大学 | 一种基于多层随机森林的零部件识别方法 |
CN112668596B (zh) * | 2019-10-15 | 2024-04-16 | 北京地平线机器人技术研发有限公司 | 三维物体识别方法及装置、识别模型训练方法及装置 |
CN112036317A (zh) * | 2020-08-31 | 2020-12-04 | 成都新潮传媒集团有限公司 | 一种人脸图像截取方法、装置及计算机设备 |
CN112613551A (zh) * | 2020-12-17 | 2021-04-06 | 东风汽车有限公司 | 汽车零部件识别方法、存储介质及系统 |
CN114067231B (zh) * | 2022-01-14 | 2022-05-10 | 成都飞机工业(集团)有限责任公司 | 一种基于机器视觉学习识别的零件加工特征识别方法 |
-
2022
- 2022-01-14 CN CN202210042480.2A patent/CN114067231B/zh active Active
- 2022-10-14 WO PCT/CN2022/125235 patent/WO2023134242A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7587082B1 (en) * | 2006-02-17 | 2009-09-08 | Cognitech, Inc. | Object recognition based on 2D images and 3D models |
CN110136447A (zh) * | 2019-05-23 | 2019-08-16 | 杭州诚道科技股份有限公司 | 行车变道检测及违法变道识别的方法 |
CN110795797A (zh) * | 2019-09-26 | 2020-02-14 | 北京航空航天大学 | 一种mbd模型加工特征识别及信息提取方法 |
CN110942107A (zh) * | 2019-12-16 | 2020-03-31 | 上海大学 | 基于零件工程图像的复合磨削加工特征自动识别方法 |
CN113361507A (zh) * | 2021-08-11 | 2021-09-07 | 金成技术有限公司 | 一种结构件生产信息视觉测量方法 |
CN113870097A (zh) * | 2021-09-01 | 2021-12-31 | 阿里巴巴(中国)有限公司 | 一种家具图像的打标方法、模型训练方法及设备 |
Non-Patent Citations (3)
Title |
---|
Automatic Identification of Local Features Representing Image Content with the Use of Convolutional Neural Network;Tarasiuk P等;《Applied Sciences》;20200728;第10卷(第15期);1-31 * |
二维图像的三维纹理映射方法研究及造型;代琦;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20190815(第8期);I138-934 * |
基于深度学习的三维模型识别与检索;李春泽;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20210215(第2期);I138-969 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023134242A1 (zh) | 2023-07-20 |
CN114067231A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114067231B (zh) | 一种基于机器视觉学习识别的零件加工特征识别方法 | |
US11410320B2 (en) | Image processing method, apparatus, and storage medium | |
CN109872397B (zh) | 一种基于多目立体视觉的飞机零件的三维重建方法 | |
CN111243093B (zh) | 三维人脸网格的生成方法、装置、设备及存储介质 | |
Kim et al. | Feature detection of triangular meshes based on tensor voting theory | |
US5710875A (en) | Method and apparatus for processing 3-D multiple view images formed of a group of images obtained by viewing a 3-D object from a plurality of positions | |
Li et al. | An overlapping-free leaf segmentation method for plant point clouds | |
CN112927353B (zh) | 基于二维目标检测和模型对齐的三维场景重建方法、存储介质及终端 | |
CN110633628B (zh) | 基于人工神经网络的rgb图像场景三维模型重建方法 | |
CN109685095B (zh) | 根据3d布置类型对2d图像进行分类 | |
CN114882272A (zh) | 一种航空制造件全角度投影图像面片属性融合分析方法 | |
CN115115797A (zh) | 大场景稀疏光场语义驱动智能重建方法、系统与装置 | |
Pacheco et al. | Reconstruction of high resolution 3D objects from incomplete images and 3D information | |
CN112055192A (zh) | 图像处理方法、图像处理装置、电子设备及存储介质 | |
Nousias et al. | A saliency aware CNN-based 3D model simplification and compression framework for remote inspection of heritage sites | |
Rothermel | Development of a SGM-based multi-view reconstruction framework for aerial imagery | |
CN117291930A (zh) | 一种基于图片序列中目标物体分割的三维重建方法和系统 | |
CN116681839A (zh) | 一种基于改进NeRF的实景三维目标重建与单体化方法 | |
Budianti et al. | Background blurring and removal for 3d modelling of cultural heritage objects | |
CN115358981A (zh) | 胶水缺陷的确定方法、装置、设备及存储介质 | |
Dekkers et al. | A sketching interface for feature curve recovery of free-form surfaces | |
CN114742954A (zh) | 一种构建大规模多样化人脸图片和模型数据对的方法 | |
CN103617616A (zh) | 一种仿射不变的图像匹配方法 | |
Poux | How to represent 3D Data? | |
CN110599587A (zh) | 一种基于单张图像的3d场景重构技术 |
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 |