CN115294244A - 一种基于机器学习的蜂窝结构图案化自适应填充方法 - Google Patents
一种基于机器学习的蜂窝结构图案化自适应填充方法 Download PDFInfo
- Publication number
- CN115294244A CN115294244A CN202210961145.2A CN202210961145A CN115294244A CN 115294244 A CN115294244 A CN 115294244A CN 202210961145 A CN202210961145 A CN 202210961145A CN 115294244 A CN115294244 A CN 115294244A
- Authority
- CN
- China
- Prior art keywords
- filling
- slice
- neural network
- convolutional neural
- filling path
- 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.)
- Granted
Links
- 238000011049 filling Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 238000000059 patterning Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 61
- 238000002922 simulated annealing Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000004040 coloring Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 15
- 230000001788 irregular Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 210000003850 cellular structure Anatomy 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 239000000654 additive Substances 0.000 abstract description 3
- 230000000996 additive effect Effects 0.000 abstract description 3
- 238000009413 insulation Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 11
- 238000013461 design Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000010410 layer Substances 0.000 description 8
- 230000010354 integration Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 239000011358 absorbing material Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012782 phase change material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Generation (AREA)
Abstract
本发明公开的一种基于机器学习的蜂窝结构图案化自适应填充方法，属于增材制造、计算机技术领域。本发明本发明采用卷积神经网络，将每一层的切片信息作为数据集，构建卷积神经网络，进行切片图像的识别与分类并标记闭合多边形区域，通过参数共享机制显著减少网络参数与计算量，快速精准实现闭合多边形的识别与标记。将每一个多边形视为像素点，通过模拟退火算法求解切片填充路径，遍历每一条路径，利用模拟退火算法的渐近收敛性避免局部最优解问题，能够实现切片填充路径规划的全局最优。从初始点开始检测相邻位置是否是边界颜色，若不是就用填充色着色，直到检测完填充路径区域边界颜色范围内的所有像素为止，即实现蜂窝结构图案化自适应填充。
Description
技术领域
本发明涉及一种基于机器学习的蜂窝结构图案化自适应填充方法，属于增材制造、计算机技术领域。
背景技术
随着我国深空探测、载人登月等重大战略规划的实施，新一代航天器装备对结构平台提出了更为严苛的多功能一体化要求，如何实现装备结构平台的多功能化设计与一体化制造是学术界和工业界长期关注的焦点问题。
高超声速飞行器在大气层内高速飞行时，面临严苛的热力环境，为保护飞行器机体结构及舱内仪器设备的正常工作，需要对飞行器进行防隔热设计。传统的高超声速飞行器结构采用承力与防热功能分体的设计方法，随着飞行速度提高、飞行时间增长，单一功能的结构设计方案将付出较大的质量代价，难以满足飞行器性能提升及更高使用环境要求。
与此同时，高超声速飞行器服役过程中面临交变温度、空间等离子体、电磁辐射、行星大气等极端环境条件，为满足高超声速飞行器在恶劣环境下的通讯、制导、引爆等功能，通常需要在飞行器上局部安装有具有透波功能的材料。对于高超声速飞行器而言，由于飞行条件恶劣，高温环境对目标表面材料的影响极其复杂，材料的电磁隐身性能、耐热稳定性、表面材料与基底材料的结合，以及材料的承载性能等都会受到高温作用影响，同时高低温交变也会对材料的使用性能产生严重影响，因此高超声速飞行器对材料的防热、承载及透波性能都有较高的要求。
由于临近空间飞行器通常需要在临近空间内长时间、高超声速、高过载、大机动飞行，飞行器通常遭受严酷的气动加热和气动力环境，这给传统的热防护系统带来了极大的挑战。同时为了进一步提高结构效率，要求热防护系统也要承担部分机械载荷，热防护技术向着防热/隔热/承力一体化以及多功能一体化方向发展。因此，热防护技术是临近空间高超声速飞行器研制的关键技术之一，开展临近空间飞行器防隔热/承载一体化热防护系统的结构设计具有重要意义。相比于传统涂层隐身材料，结构化隐身技术能够突破材料电磁参数搭配的固有局限，具有广阔的可设计性以及多功能兼容性，近年来成为隐身技术领域的前沿和热点。新型多功能一体化结构需具备宽频透波、防隔热、承载、隐身等多功能需求，但隐身结构的轻量化设计与宽频化设计在构型特征的要求上往往存在矛盾，因此发展多功能耦合结构优化设计理论，是实现宽频电磁隐身承载防隔热一体化结构轻量化和宽频化的重点和难点。
蜂窝结构因其具有质轻、高强度，表面平整，不易变形、良好的抗冲击性与缓冲性以及隔热等特点，被广泛应用于航空飞行器热防护系统中。对蜂窝结构进行设计能够在保证了轻质、力学性能的同时，改善了涂层吸收频段窄的缺点，但未能实现隔热、吸波、承载功能一体化。因此，为实现蜂窝结构的多功能一体化，需采用填充的方法在蜂窝结构内部填充隔热材料与相变材料。
增材制造过程中需对结构进行切片处理，目前现有填充方法无法实现不同形状结构的识别与快速自适应填充，且无法避免填充路径出现局部最优问题，因此蜂窝结构的图案化自适应填充是实现蜂窝结构功能一体化的关键。
发明内容
本发明主要目的是提供一种基于机器学习的蜂窝结构图案化自适应填充方法，主要用于对具有不同形状截面的结构进行识别、标记、填充路径规划以及自适应性填充。本发明采用卷积神经网络，将每一层的切片信息作为数据集，构建卷积神经网络，对切片图像进行预处理，进行切片图像的识别与分类并对闭合多边形区域进行标记，通过参数共享机制能够显著减少网络参数与计算量，快速精准实现闭合多边形的识别与标记。对于已经标记完成的切片图像，将每一个多边形视为一个像素点，通过模拟退火算法求解切片填充路径，在填充路径规划过程中，遍历每一条路径，利用模拟退火算法的渐近收敛性避免局部最优解问题，能够提高填充路径规划鲁棒性，实现切片填充路径规划的全局最优。然后从初始点开始检测相邻位置是否是边界颜色，若不是就用填充色着色，并检测该像素点的相邻位置，直到检测完填充路径区域边界颜色范围内的所有像素为止，即基于机器学习实现蜂窝结构图案化自适应填充。
本发明能够通过改变切片形状，利用卷积神经网络识别不同闭合多边形，进而将本发明的适用范围由蜂窝结构拓展至不规则三维立体结构，实现对不规则三维立体结构的图像识别与标记，以及自适应性填充。所述不规则三维立体结构包括蜂窝结构、格栅结构。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于机器学习的蜂窝结构图案化自适应填充方法，包括如下步骤：
步骤1：采用卷积神经网络，将每一层的切片信息作为数据集，构建卷积神经网络，对切片图像进行预处理，进行切片图像的识别与分类并对闭合多边形区域进行标记。
通过softmax激活函数计算得到响应图每个位置分类概率分布，回归图可直接获得响应图每个位置的预测值
其中
分别代表该位置距离目标边界左边框、上边框、右边框和下边框的距离。
通过以下尺寸转换可以计算得到原输入网络的搜索区域上目标框的位置和尺寸：
其中，(px1，py1，px2，py2)是输入网络的搜索区域中目标框左上角和右下角的坐标，(pi，pj)是响应图的坐标(i，j)与输入网络的搜索区域内相应位置的尺寸转换量。
经过尺寸转换，第t帧搜索区域中目标框左上角和右下角的坐标转变为目标框的中心点坐标
宽度w和高度h。
w＝px2-px1
h＝py2-py1
根据第t帧输入网络的搜索区域与搜索图的偏移量(Δcx，Δcy)，得到第t帧原图片上目标框的中心坐标(cx，cy)：
最终得到代表原图上目标框尺寸的坐标(cx，cy，w，h)。
通过参数共享机制能够显著减少网络参数与计算量，快速精准实现闭合多边形的识别与标记，得到标记的切片图像。
步骤2：利用梯度下降法对步骤1中构建的卷积神经网络进行误差反向传播，根据误差反向传播过程求取所述卷积神经网络权值变化，并对所述卷积神经网络进行权值更新，提高所述卷积神经网络对切片数据分析的收敛速度，且能避免所述卷积神经网络陷入局部最优解。根据权值更新后的卷积神经网络得到更新后的标记的切片图像。
步骤3：对于步骤2已经标记完成的切片图像，将每一个多边形视为一个像素点，通过模拟退火算法求解切片填充路径，在填充路径规划过程中，遍历每一条路径，利用模拟退火算法的渐近收敛性，通过设置规划填充路径条件避免局部最优解问题，能够提高填充路径规划鲁棒性，实现切片填充路径规划的全局最优，得到最优的填充路径。所述规划填充路径条件需满足：1)不能重复遍历同一个像素点。2)像素点需为闭合多边形，即边数为n的多边形外角和满足n·180°-(n-2)·180°＝360°。3)对于蜂窝结构，像素点需具有六条相同的边，且六个夹角均为120°。
步骤4：根据步骤3所得到的最优填充路径，从初始点开始检测相邻位置是否是边界颜色，若不是就用填充色着色，并检测该像素点的相邻位置，直到检测完填充路径区域边界颜色范围内的所有像素为止，即基于机器学习实现蜂窝结构图案化自适应填充。
本发明能够通过改变切片形状，利用卷积神经网络识别不同闭合多边形，进而将本发明的适用范围由蜂窝结构拓展至不规则三维立体结构，实现对不规则三维立体结构的图像识别与标记，以及自适应性填充。所述不规则三维立体结构包括蜂窝结构、格栅结构。
本发明还公开一种基于机器学习的格栅结构图案化自适应填充方法，包括如下步骤：
步骤1：对格栅结构进行切片，改变切片形状为不规则多边形，采用卷积神经网络，将每一层的切片信息作为数据集，构建卷积神经网络，对切片图像进行预处理，进行切片图像的识别与分类并对闭合不规则多边形区域进行标记，通过参数共享机制能够显著减少网络参数与计算量，快速精准实现闭合多边形的识别与标记，得到标记的切片图像。
步骤2：利用梯度下降法对步骤1中构建的卷积神经网络进行误差反向传播，根据误差反向传播过程求取所述卷积神经网络权值变化，并对所述卷积神经网络进行权值更新，提高所述卷积神经网络对切片数据分析的收敛速度，且能避免所述卷积神经网络陷入局部最优解。根据权值更新后的卷积神经网络得到更新后的标记的切片图像。
步骤3：对于步骤2已经标记完成的切片图像，将每一个多边形视为一个像素点，通过模拟退火算法求解切片填充路径，在填充路径规划过程中，遍历每一条路径，利用模拟退火算法的渐近收敛性，通过设置规划填充路径条件避免局部最优解问题，能够提高填充路径规划鲁棒性，实现切片填充路径规划的全局最优，得到最优的填充路径。所述规划填充路径条件需满足：1)不能重复遍历同一个像素点。2)像素点需为闭合多边形。3)对于蜂窝结构，像素点需具有六条相同的边，且六个夹角均为120°。
步骤4：根据步骤3所得到的最优填充路径，从初始点开始检测相邻位置是否是边界颜色，若不是就用填充色着色，并检测该像素点的相邻位置，直到检测完填充路径区域边界颜色范围内的所有像素为止，即基于机器学习实现蜂窝结构图案化自适应填充。
有益效果：
1.本发明公开的一种基于机器学习的蜂窝结构图案化自适应填充方法，结合蜂窝结构图案化自适应填充需求，通过融合卷积神经网络、模拟退火算法、区域填充算法三种方法，基于机器学习实现蜂窝结构图案化自适应填充，能够提高填充路径规划鲁棒性，实现切片填充路径规划的全局最优，得到最优的填充路径，且具有特征提取与图像识别精度高、效率高的优点。
2.本发明公开的一种基于机器学习的蜂窝结构图案化自适应填充方法，采用卷积神经网络，将每一层的切片信息作为数据集，构建卷积神经网络，对切片图像进行预处理，进行切片图像的识别与分类并对闭合多边形区域进行标记，通过参数共享机制能够显著减少网络参数与计算量，快速精准实现闭合多边形的识别与标记。
3.本发明公开的一种基于机器学习的蜂窝结构图案化自适应填充方法，对于已经标记完成的切片图像，将每一个多边形视为一个像素点，通过模拟退火算法求解切片填充路径，在填充路径规划过程中，遍历每一条路径，利用模拟退火算法的渐近收敛性避免局部最优解问题，能够提高填充路径规划鲁棒性，实现切片填充路径规划的全局最优。
4.本发明公开的一种基于机器学习的蜂窝结构图案化自适应填充方法，对格栅结构进行进行切片，能够通过改变切片形状为不规则多边形，利用卷积神经网络识别不同闭合多边形，进而将本发明的适用范围由蜂窝结构拓展至格栅结构，规划路径的适用范围由线性拓展至非线性规划，能广泛适用于各种复杂结构的填充路径规划问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例。
附图1：蜂窝结构三维模型图。
附图2：蜂窝结构切片二维模型图。
附图3：填充方法流程图。
附图4：填充蜂窝结构三维模型图。
附图5：填充蜂窝结构二维模型图。
附图6：格栅结构三维模型图。
附图7：格栅结构切片二维模型图。
附图8：填充格栅结构三维模型图。
附图9：填充格栅结构二维模型图。
附图10：蜂窝结构卷积神经网络结构图。
附图11：格栅结构卷积神经网络结构图。
具体实施方式
下面结合附图以及实例，对本发明具体实施方式作进一步详细描述。
实施例1：
蜂窝结构主要起到承力和隔热双重作用。当采用蜂窝结构时，蜂窝形状主要采用正六边形，其制造简单，用料节省，强度也较高，具有质量轻、强度大、刚度大的特点。正六边形蜂窝结构具有重量轻、弯曲刚度及强度大、抗失稳能力强、耐疲劳、吸音、隔热的优点，同时具有各向异性特征，通过多功能耦合结构优化设计和图案化处理，蜂窝结构中的六边形晶胞单元以填充和非填充的形式形成所述最优立体图案布局结构，在满足结构强度、隔热效果的基础上，特殊的图案化结构提高整个蜂窝结构吸波材料的表面特性阻抗，减少界面的全反射，极大提高有效吸波带宽，反射损耗峰值也有所增加。在实现轻质化的同时，还有益于隔音降噪。本发明基于机器学习的蜂窝结构图案化自适应填充方法，首先确定蜂窝结构三维模型以及切片数据，通过机器学习识别并标记切片图像的多边形区域，然后通过模拟退火算法确定填充路径，最后通过区域填充算法根据填充路径对蜂窝结构进行填充。
如图3所示，本实施例公开的一种基于机器学习的蜂窝结构图案化自适应填充方法，具体实现步骤如下：
步骤1：获取未填充蜂窝结构，如图1所示建立蜂窝结构三维模型，根据三维模型对蜂窝结构进行进行切片，如图2所示得到形状为六边形的切片，采用卷积神经网络，如图10所示将每一层的切片信息作为数据集，输入卷积神经网络，对切片图像进行灰度处理、中值滤波等预处理，进行切片图像的识别与分类并对闭合多边形区域进行标记，
通过softmax激活函数计算得到响应图每个位置分类概率分布，回归图可直接获得响应图每个位置的预测值
其中
分别代表该位置距离目标边界左边框、上边框、右边框和下边框的距离。
通过以下尺寸转换可以计算得到原输入网络的搜索区域上目标框的位置和尺寸：
其中，(px1，py1，px2，py2)是输入网络的搜索区域中目标框左上角和右下角的坐标，(pi，pj)是响应图的坐标(i，j)与输入网络的搜索区域内相应位置的尺寸转换量。
经过尺寸转换，第t帧搜索区域中目标框左上角和右下角的坐标转变为目标框的中心点坐标
宽度w和高度h。
w＝px2-px1
h＝py2-py1
根据第t帧输入网络的搜索区域与搜索图的偏移量(Δcx，Δcy)，得到第t帧原图片上目标框的中心坐标(cx，cy)：
最终得到代表原图上目标框尺寸的坐标(cx，cy，w，h)。
通过参数共享机制能够显著减少网络参数与计算量，快速精准实现闭合多边形的识别与标记，得到标记的切片图像。
步骤2：利用梯度下降法对步骤1中构建的卷积神经网络进行误差反向传播，根据误差反向传播过程求取所述卷积神经网络权值变化，并对所述卷积神经网络进行权值更新，提高所述卷积神经网络对切片数据分析的收敛速度，且能避免所述卷积神经网络陷入局部最优解。根据权值更新后的卷积神经网络得到更新后的标记的切片图像。
步骤3：对于步骤2已经标记完成的切片图像，将每一个多边形视为一个像素点，通过模拟退火算法求解切片填充路径，在填充路径规划过程中，遍历每一条路径，利用模拟退火算法的渐近收敛性，通过设置规划填充路径条件避免局部最优解问题，能够提高填充路径规划鲁棒性，实现切片填充路径规划的全局最优，得到最优的填充路径。所述规划填充路径条件需满足：1)不能重复遍历同一个像素点。2)像素点需为闭合多边形，即边数为n的多边形外角和满足n·180°-(n-2)·180°＝360°。3)对于蜂窝结构，像素点需具有六条相同的边，且六个夹角均为120°。
步骤4：根据步骤3所得到的最优填充路径，从初始点开始检测相邻位置是否是边界颜色，若不是就用填充色着色，并检测该像素点的相邻位置，直到检测完填充路径区域边界颜色范围内的所有像素为止，如图5所示实现单层切片的填充，填充蜂窝结构每层切片得到如图4所示的填充蜂窝结构三维模型图，即基于机器学习实现蜂窝结构图案化自适应填充。
本发明能够通过改变切片形状，利用卷积神经网络识别不同闭合多边形，进而将本发明的适用范围由蜂窝结构拓展至格栅结构，实现对格栅结构的图像识别与标记，以及自适应性填充。所述不规则三维立体结构包括蜂窝结构、格栅。
实施例2
本实施例还公开一种基于机器学习的格栅结构图案化自适应填充方法，具体实现步骤如下：
步骤1：获取未填充格栅结构，如图6所示建立格栅结构三维模型，根据三维模型对格栅结构进行进行切片，如图7所示得到形状改变为格栅的切片，采用卷积神经网络，如图11所示将每一层的切片信息作为数据集，输入卷积神经网络，对切片图像进行灰度处理、中值滤波等预处理，进而实现切片图像的识别与分类并对闭合不规则多边形区域进行标记，通过参数共享机制能够显著减少网络参数与计算量，快速精准实现闭合多边形的识别与标记，得到标记的切片图像。
步骤2：利用梯度下降法对步骤1中构建的卷积神经网络进行误差反向传播，根据误差反向传播过程求取所述卷积神经网络权值变化，并对所述卷积神经网络进行权值更新，提高所述卷积神经网络对切片数据分析的收敛速度，且能避免所述卷积神经网络陷入局部最优解。根据权值更新后的卷积神经网络得到更新后的标记的切片图像。
步骤3：对于步骤2已经标记完成的切片图像，将每一个多边形视为一个像素点，通过模拟退火算法求解切片填充路径，在填充路径规划过程中，遍历每一条路径，利用模拟退火算法的渐近收敛性，通过设置规划填充路径条件避免局部最优解问题，能够提高填充路径规划鲁棒性，实现切片填充路径规划的全局最优，得到最优的填充路径。所述规划填充路径条件需满足：1)不能重复遍历同一个像素点。2)对于格栅结构，像素点需为闭合四边形并具有对角线互相平分且相等，且含有三个直角的特征。
步骤4：根据步骤3所得到的最优填充路径，从初始点开始检测相邻位置是否是边界颜色，若不是就用填充色着色，并检测该像素点的相邻位置，直到检测完填充路径区域边界颜色范围内的所有像素为止，如图9所示实现单层切片的填充，填充格栅结构每层切片得到如图8所示的填充格栅结构三维模型图，即基于机器学习实现格栅结构图案化自适应填充。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于机器学习的蜂窝结构图案化自适应填充方法，其特征在于：包括如下步骤：
步骤1：采用卷积神经网络，将每一层的切片信息作为数据集，构建卷积神经网络，对切片图像进行预处理，进行切片图像的识别与分类并对闭合多边形区域进行标记；
步骤2：利用梯度下降法对步骤1中构建的卷积神经网络进行误差反向传播，根据误差反向传播过程求取所述卷积神经网络权值变化，并对所述卷积神经网络进行权值更新，提高所述卷积神经网络对切片数据分析的收敛速度，且能避免所述卷积神经网络陷入局部最优解；根据权值更新后的卷积神经网络得到更新后的标记的切片图像；
步骤3：对于步骤2已经标记完成的切片图像，将每一个多边形视为一个像素点，通过模拟退火算法求解切片填充路径，在填充路径规划过程中，遍历每一条路径，利用模拟退火算法的渐近收敛性，通过设置规划填充路径条件避免局部最优解问题，能够提高填充路径规划鲁棒性，实现切片填充路径规划的全局最优，得到最优的填充路径；所述规划填充路径条件需满足：1)不能重复遍历同一个像素点；2)像素点需为闭合多边形，即边数为n的多边形外角和满足n·180°-(n-2)·180°＝360°；3)对于蜂窝结构，像素点需具有六条相同的边，且六个夹角均为120°；
步骤4：根据步骤3所得到的最优填充路径，从初始点开始检测相邻位置是否是边界颜色，若不是就用填充色着色，并检测该像素点的相邻位置，直到检测完填充路径区域边界颜色范围内的所有像素为止，即基于机器学习实现蜂窝结构图案化自适应填充。
2.如权利要求1所述的一种基于机器学习的蜂窝结构图案化自适应填充方法，其特征在于：步骤1实现方法为，
通过softmax激活函数计算得到响应图每个位置分类概率分布，回归图可直接获得响应图每个位置的预测值
其中
分别代表该位置距离目标边界左边框、上边框、右边框和下边框的距离；
通过以下尺寸转换可以计算得到原输入网络的搜索区域上目标框的位置和尺寸：
其中，(px1,py1,px2,py2)是输入网络的搜索区域中目标框左上角和右下角的坐标，(pi,pj)是响应图的坐标(i,j)与输入网络的搜索区域内相应位置的尺寸转换量；
经过尺寸转换，第t帧搜索区域中目标框左上角和右下角的坐标转变为目标框的中心点坐标
宽度w和高度h；
w＝px2-px1
h＝py2-py1
根据第t帧输入网络的搜索区域与搜索图的偏移量(Δcx,Δcy)，得到第t帧原图片上目标框的中心坐标(cx,cy)：
最终得到代表原图上目标框尺寸的坐标(cx,cy,w,h)；
通过参数共享机制能够显著减少网络参数与计算量，快速精准实现闭合多边形的识别与标记，得到标记的切片图像。
3.如权利要求1或2所述的一种基于机器学习的蜂窝结构图案化自适应填充方法，其特征在于：通过改变切片形状，利用卷积神经网络识别不同闭合多边形，进而将适用范围由蜂窝结构拓展至格栅结构，实现对格栅结构的图像识别与标记，以及自适应性填充。
4.一种基于机器学习的格栅结构图案化自适应填充方法，其特征在于：包括如下步骤，
步骤1：对格栅结构进行进行切片，改变切片形状为不规则多边形，采用卷积神经网络，将每一层的切片信息作为数据集，构建卷积神经网络，对切片图像进行预处理，进行切片图像的识别与分类并对闭合不规则多边形区域进行标记，通过参数共享机制能够显著减少网络参数与计算量，快速精准实现闭合多边形的识别与标记，得到标记的切片图像；
步骤2：利用梯度下降法对步骤1中构建的卷积神经网络进行误差反向传播，根据误差反向传播过程求取所述卷积神经网络权值变化，并对所述卷积神经网络进行权值更新，提高所述卷积神经网络对切片数据分析的收敛速度，且能避免所述卷积神经网络陷入局部最优解；根据权值更新后的卷积神经网络得到更新后的标记的切片图像；
步骤3：对于步骤2已经标记完成的切片图像，将每一个多边形视为一个像素点，通过模拟退火算法求解切片填充路径，在填充路径规划过程中，遍历每一条路径，利用模拟退火算法的渐近收敛性，通过设置规划填充路径条件避免局部最优解问题，能够提高填充路径规划鲁棒性，实现切片填充路径规划的全局最优，得到最优的填充路径；所述规划填充路径条件需满足：1)不能重复遍历同一个像素点。2)对于格栅结构，像素点需为闭合四边形并具有对角线互相平分且相等，且含有三个直角的特征。
步骤4：根据步骤3所得到的最优填充路径，从初始点开始检测相邻位置是否是边界颜色，若不是就用填充色着色，并检测该像素点的相邻位置，直到检测完填充路径区域边界颜色范围内的所有像素为止，即基于机器学习实现蜂窝结构图案化自适应填充。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210961145.2A CN115294244B (zh) | 2022-08-11 | 2022-08-11 | 一种基于机器学习的蜂窝结构图案化自适应填充方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210961145.2A CN115294244B (zh) | 2022-08-11 | 2022-08-11 | 一种基于机器学习的蜂窝结构图案化自适应填充方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115294244A true CN115294244A (zh) | 2022-11-04 |
| CN115294244B CN115294244B (zh) | 2023-10-31 |
Family
ID=83828980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210961145.2A Active CN115294244B (zh) | 2022-08-11 | 2022-08-11 | 一种基于机器学习的蜂窝结构图案化自适应填充方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115294244B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135430A (zh) * | 2019-04-28 | 2019-08-16 | 广东技术师范大学 | 一种基于深度神经网络的铝材模具id自动识别系统 |
| US20200262149A1 (en) * | 2019-02-19 | 2020-08-20 | Arevo, Inc. | Three Dimensional Infill in Additive Manufacturing |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN112677489A (zh) * | 2021-01-25 | 2021-04-20 | 中国科学院空间应用工程与技术中心 | 一种打印路径规划方法、系统和3d打印机 |
| CN113042858A (zh) * | 2021-04-02 | 2021-06-29 | 华东理工大学 | 一种自适应调参的电弧增材制造方法及系统 |
| US20210370606A1 (en) * | 2020-05-29 | 2021-12-02 | Ut Battelle, Llc | Systems and methods for generating a graded lattice structure and their application to additive manufacturing |
| CN114078189A (zh) * | 2020-08-21 | 2022-02-22 | 中国科学院沈阳自动化研究所 | 基于机器学习方法的点阵模型增材制造的自适应填充方法 |
| CN114131932A (zh) * | 2021-11-25 | 2022-03-04 | 江苏科技大学 | 基于栅格化3d打印分区路径规划方法 |
-
2022
- 2022-08-11 CN CN202210961145.2A patent/CN115294244B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200262149A1 (en) * | 2019-02-19 | 2020-08-20 | Arevo, Inc. | Three Dimensional Infill in Additive Manufacturing |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN110135430A (zh) * | 2019-04-28 | 2019-08-16 | 广东技术师范大学 | 一种基于深度神经网络的铝材模具id自动识别系统 |
| US20210370606A1 (en) * | 2020-05-29 | 2021-12-02 | Ut Battelle, Llc | Systems and methods for generating a graded lattice structure and their application to additive manufacturing |
| CN114078189A (zh) * | 2020-08-21 | 2022-02-22 | 中国科学院沈阳自动化研究所 | 基于机器学习方法的点阵模型增材制造的自适应填充方法 |
| CN112677489A (zh) * | 2021-01-25 | 2021-04-20 | 中国科学院空间应用工程与技术中心 | 一种打印路径规划方法、系统和3d打印机 |
| CN113042858A (zh) * | 2021-04-02 | 2021-06-29 | 华东理工大学 | 一种自适应调参的电弧增材制造方法及系统 |
| CN114131932A (zh) * | 2021-11-25 | 2022-03-04 | 江苏科技大学 | 基于栅格化3d打印分区路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 梁少兵;王凯;丁东红;牛?;陈俊孚;易江龙;郭春富;: "电弧增材制造路径工艺规划的研究现状与发展", 精密成形工程, no. 04 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115294244B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lyu et al. | Aerodynamic shape optimization investigations of the common research model wing benchmark | |
| Otsuka et al. | Recent advances in the absolute nodal coordinate formulation: literature review from 2012 to 2020 | |
| Ghommem et al. | On the shape optimization of flapping wings and their performance analysis | |
| Péron et al. | Automatic off-body overset adaptive Cartesian mesh method based on an octree approach | |
| Li et al. | Explorative gradient method for active drag reduction of the fluidic pinball and slanted Ahmed body | |
| Zhao et al. | A viscous vortex particle model for rotor wake and interference analysis | |
| US20140257765A1 (en) | Numerical Simulation of FSI Using The Space-Time CE/SE Solver With A Moving Mesh For The Fluid Domain | |
| CN110110458B (zh) | 基于高阶矩量法的形变共形阵列天线建模方法 | |
| Ventura Diaz et al. | Computational study of NASA'S quadrotor urban air taxi concept | |
| Ceze et al. | Drag prediction using adaptive discontinuous finite elements | |
| Previtali et al. | Performance of a non-tapered 3D morphing wing with integrated compliant ribs | |
| CN114996658B (zh) | 一种基于投影的高超声速飞行器气动热预测方法 | |
| Roget et al. | Prismatic mesh generation using minimum distance fields | |
| Huang et al. | A novel particle swarm optimization algorithm based on reinforcement learning mechanism for AUV path planning | |
| Ventura Diaz et al. | High-fidelity simulations of a quadrotor vehicle for urban air mobility | |
| Li et al. | Feature extraction from point clouds for rigid aircraft part inspection using an improved Harris algorithm | |
| Menshchikov et al. | Morphing wing with compliant aileron and slat for unmanned aerial vehicles | |
| Liu et al. | Efficient reduced-order aerodynamic modeling in low-Reynolds-number incompressible flows | |
| CN115294244B (zh) | 一种基于机器学习的蜂窝结构图案化自适应填充方法 | |
| JP3245134B2 (ja) | 四角形メッシュ生成方法及び装置 | |
| Syed et al. | Experimental design and control of a smart morphing wing system using a q-learning framework | |
| Kedward et al. | Efficient multi-resolution approaches for exploration of external aerodynamic shape and topology | |
| Yang et al. | Recurrence Network-Based 3D Geometry Representation Learning for Quality Control in Additive Manufacturing of Metamaterials | |
| Lofthouse et al. | Static and dynamic simulations of a generic UCAV geometry using the kestrel flow solver | |
| CN113298933A (zh) | 一种生成旋转多边形的方法 |
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 |