CN115439840A - 一种航空件槽区识别方法、装置、设备及介质 - Google Patents
一种航空件槽区识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115439840A CN115439840A CN202211009246.6A CN202211009246A CN115439840A CN 115439840 A CN115439840 A CN 115439840A CN 202211009246 A CN202211009246 A CN 202211009246A CN 115439840 A CN115439840 A CN 115439840A
- Authority
- CN
- China
- Prior art keywords
- identification
- image
- coarse
- dimensional model
- identification result
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- 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
- 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)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种航空件槽区识别方法,涉及机械加工领域,旨在解决现有航空件槽区识别方法效率低下的技术问题所述航空件槽区识别方法,包括以下步骤:对航空件三维模型图像进行第一次识别,以得到第一次识别结果,其中,所述第一次识别为对所述航空件三维模型图像的槽区进行识别,所述第一次识别包括基于数学形态模式差异评价的第一粗识别、基于槽区域特征邻域特征面片属性的第二粗识别和基于深度神经网络学习的第三粗识别;根据所述第一次识别结果,获得槽区识别结果数据;将所述槽区识别结果数据与所述航空件三维模型图像进行交互判断,以得到所述航空件三维模型图像中的槽区。本申请能够实现航空件槽区域的自动化识别,提升了槽区识别效率。
Description
技术领域
本申请涉及机械加工领域,尤其涉及一种航空件槽区识别方法、装置、设备及介质。
背景技术
航空领域常见的框、梁结构件主要的特征面包含腹板、侧壁、圆角、底角、筋顶等,以特征面片组成的槽区域是更高阶特征的三维几何元素,也是数控加工的最小加工单元之一,现有技术中,以槽加工为例,刀轨生成软件皆需要人工的点选组成槽对应的特征面片构成的驱动面与引导面,手动点选组成槽对应的特征面片,对于多特征元素零件需要手动的点选所有特征面,效率较低,不能满足自动化、高效率以及低成本的需要。
发明内容
本申请的主要目的是提供一种航空件槽区识别方法,旨在解决现有航空件槽区识别方法效率低技术问题。
为解决上述技术问题,本申请提出了:一种航空件槽区识别方法,包括以下步骤:
对航空件三维模型图像进行第一次识别,以得到第一次识别结果,其中,所述第一次识别为对所述航空件三维模型图像的槽区进行识别,所述第一次识别包括基于数学形态模式差异评价的第一粗识别、基于槽区域特征邻域特征面片属性的第二粗识别和基于深度神经网络学习的第三粗识别,所述第一次识别结果包括对应的第一粗识别结果、第二粗识别结果以及第三粗识别结果;
根据所述第一次识别结果,获得槽区识别结果数据;
将所述槽区识别结果数据与所述航空件三维模型图像进行交互判断,以得到所述航空件三维模型图像中的槽区。
作为本申请一些可选实施方式,所述对满足预设条件的航空件三维模型图像进行粗识别,以得到粗识别结果的步骤,包括:
根据所述航空件三维模型图像获取样本图像,其中,所述样本图像包括第一样本图像、第二样本图像以及第三样本图像,所述第一样本图像、第二样本图像以及第三样本图像的灰度值不同;
对所述第一样本图像进行所述基于数学形态模式差异评价的第一粗识别,以得到第一粗识别结果;
对所述第二样本图像进行所述基于槽区域特征邻域特征面片属性的第二粗识别,以得到第二粗识别结果;
对所述第三样本图像进行所述基于深度神经网络学习的第三粗识别,以得到第三粗识别结果。
作为本申请一些可选实施方式,所述根据所述航空件三维模型图像获取样本图像的步骤包括:
根据所述航空件三维模型图像的特征面片的面片编号对每一特征面片设置不同的灰度值;
截取所述航空件三维模型图像以得到第一样本图像;
将所述航空件三维模型图像中的所有特征面片的灰度值设置为第一预设灰度值;
截取所述航空件三维模型图像以得到第二样本图像;
将所述航空件三维模型图像中的所有特征面片设置为第二预设灰度值,其中,所述第二预设灰度值与所述航空件三维图像中背景图像的灰度值相同;
截取所述航空件三维模型图像以得到第三样本图像。
作为本申请一些可选实施方式,所述对所述第一样本图像进行所述基于数学形态模式差异评价的第一粗识别,以得到第一粗识别结果的步骤,包括:
获取所述第一样本图像中的像素点信息;
将所述像素点信息填充至灰度差异对照表以及像素坐标点位置对照表,其中,所述灰度差异对照表根据每一特征面片的灰度值以及像素点的数量构建,所述像素坐标点位置对照表根据每一特征面片的灰度值以及像素点的位置构建;
根据所灰度差异对照表以及像素坐标点位置对照表获取与每一特征面片对应的梯度图像;
根据每一所述梯度图像获取对应的特征面片的面积信息以及长宽比信息;
根据所述面积信息以及所述特征面片长宽比信息判断每一特征面片的类型,记为所述第一粗识别结果。
作为本申请一些可选实施方式,所述根据所灰度差异对照表以及像素坐标点位置对照表获取梯度图像的步骤包括:
根据所述灰度差异对照表中每一行的数据,获取n副对应的彩色图像,其中,n为正整数并且等于所述灰度差异对照表的行数;
对n副彩色图像进行灰度化处理以及二值化处理,以得到每一像素点的梯度值;
根据每一像素点的梯度值获取n副梯度图像,其中,所述梯度图像的尺寸与所述第一样本图像的尺寸相同,所述梯度图像的背景灰度为0,所述梯度图像的前景灰度为对应像素点的梯度值。
作为本申请一些可选实施方式,所述根据每一所述梯度图像获取对应的特征面片的面积信息以及长宽比信息的步骤包括:
基于棋盘距离最近邻原则将每一所述梯度图像中灰度值不为0的像素点首尾连接,得到对应的封闭轮廓线;
将每一所述封闭轮廓线在一笛卡尔坐标系的X轴和Y轴进行投影,得到对应的X轴投影极值和Y轴投影极值;
据所述每一X轴投影极值和Y轴投影极值获取对应的最小包围矩形,其中所述最小包围矩形的倾角为0;
根据每一所述最小包围矩形获取对应特征面片的面积信息和长宽比信息。
作为本申请一些可选实施方式,所述对所述第二样本图像进行所述基于槽区域特征邻域特征面片属性的第二粗识别,以得到第二粗识别结果的步骤,包括:
根据所述第二样本图像的尺寸,以预设步进对所述第二样本图像每一像素点进行灰度遍历;
当遍历的像素点的灰度值不等于所述第一预设灰度时停止搜索,直到所述第二样本图像所有的像素点遍历完毕,以得到所有具有四邻域可达性的目标像素点;
根据第一索引表每一行的目标像素点的坐标信息获取对应的轮廓线图像,其中,所述第一索引表根据所述目标像素点的坐标信息构建,位于相同特征面片的目标像素点储存于所述第一索引表的同一行;
根据每一所述轮廓线图像对深度学习分类网络模型进行训练,获取满足预设条件的权重参数;
根据所述满足预设条件的权重参数初始化深度学习分类网络模型;
将所述第二样本图像载入所述深度学习分类网络模型,以得到第二粗识别结果。
作为本申请一些可选实施方式,所述根据第一索引表每一行的像素点的数据值获取对应的轮廓线图像的步骤,包括:
根据预设排序规则对所述第一索引表进行排序;
根据所述第一索引表每一行的数据获取特征面片的尺度数值;
根据所述尺度数值构建特征邻域图像;
建立第二索引表,其中,所述第二索引表根据所述第一索引表和第一索引表中每一行中的最小X轴坐标值和最小Y轴坐标值建立;
根据所述第二索引表在所述特征邻域图像中绘制轮廓以得到轮廓线图像。
作为本申请一些可选实施方式,所述对所述第三样本图像进行所述基于深度神经网络学习的第三粗识别,以得到第三粗识别结果的步骤,包括:
根据预设标注规则对所述第三样本图像进行标注,得到第一标注文件;
对所述第三样本图像以及所述标注文件进行数据增强,得到增强样本图像以及增强标注文件;
对所述增强标注文件进行格式转换,以得到目标标注文件;
根据训练样本以预设训练次数对深度检测网络进行训练,以得到不同训练次数对应的权重参数文件,其中,所述训练样本包括增强样本图像以及目标标注文件;
根据所述权重参数文件初始化检测网络模型;
将所述第三样本图像输入所述检测网络模型,以得到第三粗识别结果。
作为本申请一些可选实施方式,所述根据所述第一次识别结果,获得槽区识别结果数据的步骤包括:
构建联合分析决策函数,其中,所述联合分析决策函数如下所示:
式中,x1为所述第一粗识别结果,w1为所述第一粗识别的权值,x2为所述第二粗识别结果,w1为所述第二粗识别的权值,x3为所述第一粗识别结果,w3为所述第三粗识别的权值,并且w1、w2以及w3之和小于等于1;
根据所述联合分析决策函数以及所述第一粗识别结果、第二粗识别结果以及第三粗识别结果,获得到槽区识别结果数据。
作为本申请一些可选实施方式,所述将所述槽区识别结果数据与航空件三维模型图像进行交互判断,以得到最终识别结果的步骤包括:
根据每一所述槽区识别结果数据获取对应的识别槽区域;
根据每一所述识别槽区域和所述航空件三维模型图像获取对应的槽区域长度;
若所述识别槽区域中的特征面片之间的垂直距离小于等于对应的所述槽区域长度,则将对应的槽区识别结果数据记为最终识别结果;
否则去除所述槽区识别结果数据。
作为本申请一些可选实施方式,在将所述槽区识别结果数据与三维模型图像中零件槽区域对应的数据进行交互判断,以得到最终识别结果的步骤之后,所述方法还包括:
将识别得到的所述槽区反映射至所述航空件三维模型图像中。
为解决上述技术问题,本申请还提出了一种航空件槽区识别装置,其特征在于,所述装置包括:
粗识别模块,用于对航空件三维模型图像进行粗识别,以得到粗识别结果,其中,所述粗识别包括第一粗识别、第二粗识别、第三粗识别,所述粗识别结果包括对应的第一粗识别结果、第二粗识别结果以及第三粗识别结果;
精细化识别模块,用于根据联合分析决策函数对所述第一粗识别结果、第二粗识别结果以及第三粗识别结果进行精细化识别,以得到槽区识别结果数据;
交互判断模块,用于将所述槽区识别结果数据与三维模型图像中零件槽区域对应的数据进行交互判断,以得到最终识别结果。
为解决上述技术问题,本申请还提出了:一种航空件槽区识别设备,至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如上所述的方法。
为解决上述技术问题,本申请还提出了:一种计算机可读存储介质,其上存储有计算机程序指令,当所述计算机程序指令被处理器执行时实现实现如上所述的方法。
本申请所述航空件槽区识别方法,通过对对航空件三维模型图像进行第一次识别,以得到第一次识别结果,其中,所述第一次识别为对所述航空件三维模型图像的槽区进行识别,所述第一次识别包括第一粗识别、第二粗识别和第三粗识别,所述第一次识别结果包括对应的第一粗识别结果、第二粗识别结果以及第三粗识别结果;根据所述第一次识别结果,获得槽区识别结果数据;将所述槽区识别结果数据与所述航空件三维模型图像进行交互判断,以得到所述航空件三维模型图像中的槽区。可以看出,本申请的方案通过航空件三维模型图像即可对上述图像中的槽区进行自动识别,无需人工参与,降低了人力成本,提升了航空件槽区识别的效率,并且通过联合分析决策函数对粗识别结果进行精细化识别,并将槽区识别结果数据与航空件三维模型图进行交互判断,保证了槽区识别的精准度。
附图说明
图1是本申请实施例所述航空件槽区识别方法的流程示意图;
图2是本申请实施例所述获取三种粗识别结果的流程示意图;
图3是本申请实施例所述第一样本图像的示意图;
图4是本申请实施例所述第二样本图像的示意图;
图5是本申请实施例所述第三样本图像的示意图;
图6是本申请实施例所述将识别的槽区进行反映射程示意图;
图7是本申请实施例所述航空件槽区识别装置的示意图;
图8是本申请实施例所述航空件槽区识别设备的示意图;
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
航空领域常见的框、梁结构件主要的特征面包含腹板、侧壁、圆角、底角、筋顶等,以特征面片组成的槽区域是更高阶特征的三维几何元素,也是数控加工的最小加工单元之一。以槽加工为例,现有的刀轨生成软件皆需要手动的点选组成槽对应的特征面片构成的驱动面与引导面,选择与槽区域对应的附属面片信息并设计对应的机床加工参数即可得到对应的数控加工程序,手动点选组成槽对应的特征面片,对于加工程序设计工艺师来说相关的技术需要非常熟练,尤其对于航空制造件来说要求更为严格,相比于普通生成企业无形增加了用工的门槛与人工的成本。
基于此,如图1所示,本申请的实施例提出了一种航空件槽区识别方法,包括以下步骤:
S1、对航空件三维模型图像进行第一次识别,以得到第一次识别结果,其中,所述第一次识别为对所述航空件三维模型图像的槽区进行识别,所述第一次识别包括基于数学形态模式差异评价的第一粗识别、基于槽区域特征邻域特征面片属性的第二粗识别和基于深度神经网络学习的第三粗识别,所述第一次识别结果包括对应的第一粗识别结果、第二粗识别结果以及第三粗识别结果;
可以看出,本申请所述航空件槽区识别方法直接对航空件三维模型图像进行第一次识别,以得到第一次识别结果,其中,航空件可以是飞机结构件中的梁类零件或者框类零件;航空件三维图像可以是基于三维建模软件CATIA设计的图像;所述粗识别包括第一粗识别、第二粗识别、第三粗识别,所述第一粗识别、第二粗识别以及第三粗识别的识别策略不同,所述粗识别包括但不限于基于广义槽分层加工特征的粗识别方法、基于卷积神经网络的粗识别方法、基于数学形态模式差异评价的粗识别方法、基于槽区域特征邻域特征面片属性的粗识别方法、基于深度神经网络学习的粗识别方法,所述粗识别结果包括对应的第一粗识别结果、第二粗识别结果以及第三粗识别结果,通过三种基于不同识别策略的粗识别对航空件三维模型图像进行粗识别,避免了单一识别策略带来的识别缺陷。
S2、根据所述第一次识别结果,获得槽区识别结果数据;
由于所述第一次识别结果包括所述第一次识别结果包括由不同识别策略进行识别得到的第一粗识别结果、第二粗识别结果以及第三粗识别结果,需要对上述三种结果进行分析,以得到槽区识别结果数据,提升了航空件槽区识别的准确性。
S3、将所述槽区识别结果数据与所述航空件三维模型图像进行交互判断,以得到所述航空件三维模型图像中的槽区。
通过上述方法,将所述槽区识别结果数据与航空件三维模型图像进行交互判断,将识别的槽区对应附属面片在航空件三维模型图像找到其对应的邻接关系,根据所述邻接关系即可得到最终的识别结果,实现了航空件槽区域的自动识别,无需人工参与,降低了人力成本,提升了航空件槽区识别的效率。
为了在后续识别过程中,对槽区特征进行准确识别,作为本申请的一些可选方式,在CATIA软件中,所述航空件三维模型图像的背景灰度设置为(255,255,255),线宽设置为3:0.5mm,线型设为1,并将散射、反射、漫射的参数数值设为1。
作为本申请一些可选实施方式,所述对满足预设条件的航空件三维模型图像进行粗识别,以得到粗识别结果的步骤,包括:
S11、根据所述航空件三维模型图像获取样本图像,其中,所述样本图像包括第一样本图像、第二样本图像以及第三样本图像,所述第一样本图像、第二样本图像、第三样本图像的灰度值不同;
具体地,在粗识别过程包括三种具有不同识别策略的粗识别方法,不同识别策略对样本图像的灰度值需求不同,故所获取的样本图像包括灰度值不同的第一样本图像、第二样本图像以及第三样本图像。
S12、对所述第一样本图像进行所述基于数学形态模式差异评价的第一粗识别,以得到第一粗识别结果;
S13、对所述第二样本图像进行所述基于槽区域特征邻域特征面片属性的第二粗识别,以得到第二粗识别结果;
S14、对所述第三样本图像进行所述基于深度神经网络学习的第三粗识别,以得到第三粗识别结果。
可以看出,在获取样本图像后,对第一样本图像、第二样本图像以及第三样本图像进行不同识别策略的粗识别,在本实施例中,所述粗识别包括基于数学形态模式差异评价的第一粗识别,基于槽区域特征邻域特征面片属性的第二粗识别以及基于深度神经网络学习的第三粗识别,以避免单一粗识别策略的误差。
作为本申请一些可选实施方式,所述根据所述航空件三维模型图像获取样本图像的步骤包括:
S111、根据所述航空件三维模型图像的特征面片的面片编号对每一特征面片设置不同的灰度值;
S112、截取所述航空件三维模型图像以得到第一样本图像;
如图3所示,为第一样本图像的示意图,第一样本图像用于基于数学形态模式差异评价的第一粗识别,首先基于CATIA软件得到所述航空件三维模型图像中每一特征面片的面片编号,然后基于面片编号对每一特征面片赋予不同的灰度值,即使得航空件三维模型中不存在灰度相同的面片,其中,根据面片编号设置灰度值根据下列公式确定:
式中,sum表示航空件三维模型图像中包含的面片总数;sn表示属于零件的对应随机排序的第n个面片;S表示属于航空件三维模型图像的所有面片;hR(sn)、hG(sn)、hB(sn)分别表示面片编号为n的sn特征面片的R、G、B通道的灰度值;a、b、c分别表示特征面片在R、G、B通道初始迭代的灰度值;Floor表示向下取整操作。
S113、将所述航空件三维模型图像中的所有特征面片的灰度值设置为第一预设灰度值;
S114、截取所述航空件三维模型图像以得到第二样本图像;
如图4所示,为第二样本图像的示意图,对基于槽区域特征邻域面片属性的第二粗识别,邻域即在识别某一面片时会结合其与邻域面片的关系进行判断,该特征体现在面片与邻域面片相交的特征线段上,在获取的具有相同灰度的所有的面片中,不同面的特征以其对应的轮廓体出差异,故需要将航空件三维模型图像中的所有特征面片的灰度值设置为相同的灰度值,在一具体实施例中,所述第一预设灰度值为(210,29,164)。
S115、将所述航空件三维模型图像中的所有特征面片设置为第二预设灰度值,其中,所述第二预设灰度值与所述航空件三维图像中背景图像的灰度值相同;
S116、截取所述航空件三维模型图像以得到第三样本图像。
如图5所示,为第三样本图像的示意图,基于深度神经网络学习的第三粗识别,主要识别的对象是槽区域,深度神经网络通过学习槽区域对应特征面片的灰度、形态等信息对其进行决策判断是否属于槽区域,背景与前景的差异由灰度与轮廓线体现,前景不同面片在图像中以轮廓线体现其差异,因此将所有的面片灰度设置为同背景相同的灰度,能够便于第三粗识别的识别效率与精度。
作为本申请一些可选实施方式,所述对所述第一样本图像进行所述基于数学形态模式差异评价的第一粗识别,以得到第一粗识别结果的步骤,包括:
S121、获取所述第一样本图像中的像素点信息;
所述像素点信息包括像素点的坐标信息、灰度信息,在一具体实施例中,所述像素点信息可通过OpenCV获取。
S122、将所述像素点信息填充至灰度差异对照表以及像素坐标点位置对照表,其中,所述灰度差异对照表根据每一特征面片的灰度值以及像素点的数量构建,所述像素坐标点位置对照表根据每一特征面片的灰度值以及像素点的位置构建;
灰度差异对照表中每一行的数据表示具有相同灰度值的所有像素点,灰度差异对照表的第一列、第二列以及第三列分别表示特征面片的红色R通道、绿色G通道、蓝色B通道对应的灰度值,其他列表示所包含的像素点的数量;
像素坐标点位置对照表每一行保存有满足相同灰度值关系的像素点的坐标,第一列为横坐标值,第二列为纵坐标值,行号与对应的灰度差异对照表的列号对应。
S123、根据所灰度差异对照表以及像素坐标点位置对照表获取与每一特征面片对应的梯度图像;
图像梯度计算的是图像变化的速度。对于图像的边缘部分,其灰度值变化较大,梯度值也较大,灰度差异对照表和像素坐标点位置对照表中储存有每一特征面片每一像素点的坐标值和灰度值,可计算每一像素点的一阶梯度,将计算得到的每一像素点的梯度值作为所述梯度图像对应点的灰度值,即可得到所述梯度图像,梯度图像能够更好的显示出特征面片的轮廓,有利于特征面片的识别。
作为本申请一些可选实施方式,所述根据所灰度差异对照表以及像素坐标点位置对照表获取梯度图像的步骤包括:
S1231、根据所述灰度差异对照表中每一行的数据,获取n副对应的彩色图像,其中,n为正整数并且等于所述灰度差异对照表的行数,所述彩色图像的背景灰度为(0,0,0),前景灰度等于所述灰度差异对照表中对应行;
S1232、对n副彩色图像进行灰度化处理以及二值化处理,以得到每一像素点的梯度值;
采用循环遍历方式对生成的n幅彩色图像进行灰度化处理,灰度化处理根据下列公式进行:
式中,hn,new(x,y)表示处理后在(x,y)对应像素点处对应的单通道像素点的灰度值;
在进行灰度处理后,根据下列公式对灰度处理后的图像进行二值化处理:
计算图像中所有像素点的一阶梯度,梯度大小使用像素点在X方向与Y方向梯度平方和的算数平方根近似表示,像素在X轴方向上的梯度可表示为:
采用邻域差分形式可进一步表示为:
同理,像素在Y轴方向上的梯度可表示为:
综上,彩色图像中任意一点的梯度值可表示为:
S1233、根据每一像素点的梯度值获取n副梯度图像,其中,所述梯度图像的尺寸与所述第一样本图像的尺寸相同,所述梯度图像的背景灰度为0,所述梯度图像的前景灰度为对应像素点的梯度值。
S124、根据每一所述梯度图像获取对应的特征面片的面积信息以及长宽比信息;
作为本申请一些可选实施方式,所述根据每一所述梯度图像获取对应的特征面片的面积信息以及长宽比信息的步骤包括:
S1241、基于棋盘距离最近邻原则将每一所述梯度图像中灰度值不为0的像素点首尾连接,得到对应的封闭轮廓线;
梯度图像中任意两点Point1(x1,y1)与Point2(x2,y2),棋盘距离的表示方式为:
dist8(Point1,Point2)=max(|x1-x2|,|y1-y2|)
其中,8表示图像中像素点的8邻域关系。
S1242、将每一所述封闭轮廓线在一笛卡尔坐标系的X轴和Y轴进行投影,得到对应的X轴投影极值和Y轴投影极值;
建立一笛卡尔坐标系,坐标系的原点与梯度图像左上角的原点相反位于左下角,坐标系在X轴与Y轴方向上的刻度单位为1pixel,即与像素度量方式对应
S1243、据所述每一X轴投影极值和Y轴投影极值获取对应的最小包围矩形,其中所述最小包围矩形的倾角为0;
梯度图像能够清晰的显示每一特征面片的轮廓,根据所述轮廓即可获取特征面片的面积信息和长宽比信息,将轮廓线沿X轴与Y轴方向上进行投影,投影后在X轴上可以获得一投影直线段lX,在Y轴上可以获得一投影直线段lY。lX由系列x值组成,对应的最大值为xmax,对应的最小值为xmin。lY由系列y值组成,对应的最大值为ymax,对应的最小值为ymin,基于轮廓线在坐标轴上投影的最值构建具有0倾角的轮廓线区域的最小包围矩形rect,矩形的面积为Sizerect(xmax,xmin,ymax,ymin)=(xmax-xmin)*(ymax-ymin),对应的长宽比数值为ratiorect(length,width)=length/width,其中,length表示在矩行中对应的长边,width表示在矩形中对应的短边。长边与短边的求解方式通过直接比较两数值大小的方式得到,即对应的较大值为length,对应的较小值为width。
S1244、根据每一所述最小包围矩形获取对应特征面片的面积信息和长宽比信息。
S125、根据所述面积信息以及所述特征面片长宽比信息判断每一特征面片的类型,记为所述第一粗识别结果。
具体的,由于基于数学形态模型差异评价识别对应的图像是基于沿腹板法矢方法获得,因此具有在可视范围内具有较大的面积投影,基于此设计由面片面积Sizerect与面片长宽比ratiorect组成的识别判断式子(f1):
其中,k表示图像中包含的面片总数;Fdecision(numslices)判断函数;Sthreshold为设定的腹板面片面积阈值;ratiothreshold为设定的腹板面片长宽比阈值;Sthreshold1为设定的除腹板外面片面积阈值;ratiothreshold1为设定的除腹板外面片长宽比阈值。
作为本申请一些可选实施方式,所述对所述第二样本图像进行所述基于槽区域特征邻域特征面片属性的第二粗识别,以得到第二粗识别结果的步骤,包括:
S131、根据所述第二样本图像的尺寸,以预设步进对所述第二样本图像每一像素点进行灰度遍历;
S132、当遍历的像素点的灰度值不等于所述第一预设灰度时停止搜索,直到所述第二样本图像所有的像素点遍历完毕,以得到所有具有四邻域可达性的目标像素点;
首先根据第二样本图像的尺寸,对所述尺寸内的所有位置像素点为种子点进行上下左右四邻域的像素点进行灰度遍历,如图XX所示,对应的步长为1,当遍历的种子点移动到面片的边界时即对应的像素点灰度不为第一预设灰度停止搜索,直至将所有的点搜索完成,以得到所有具有四邻域可达性的目标像素点,得到第一索引表。
S133、根据第一索引表每一行的目标像素点的坐标信息获取对应的轮廓线图像,其中,所述第一索引表根据所述目标像素点的坐标信息构建,位于相同特征面片的目标像素点储存于所述第一索引表的同一行;
作为本申请一些可选实施方式,所述根据第一索引表每一行的像素点的数据值获取对应的轮廓线图像的步骤,包括:
S1331、根据预设排序规则对所述第一索引表进行排序;
所述预设排序规则可以是根据以同一特征面片中像素点数量的大小升序排列或者降序排列,在一具体实施例中,所述预设排序规则为根据以同一特征面片中像素点数量的降序排列,即处理后第一索引表第一行对应的特征面片具有最多的像素点;
S1332、根据所述第一索引表每一行的数据获取特征面片的尺度数值;
依次提取第一索引表中每一行的数据,基于一行每的像素点的数据值计算得到四邻域独立面片的尺度数值,基于此作为新建特征邻域图像的大小的依据,其中,所述尺度数值根据下列公式计算:
其中,slices表示在图像中四邻域内独立的图像面片;tablepixel(numpixel)表示存有所有特征面片信息的索引表;xmax(numpixel)表示某一特征面片中所有像素点对应的X坐标最大值;xmin(numpixel)表示某一特征面片中所有像素点对应的X坐标最小值;ymax(numpixel)表示某一特征面片中所有像素点对应的Y坐标最大值;ymin(numpixel)表示某一特征面片中所有像素点对应的Y坐标最小值;new_imgnea(numpixel)表示基于计算的数值对应的cols与rows新建的特征邻域图像。
S1333、根据所述尺度数值构建特征邻域图像;
根据所述尺度图像,构建特征邻域图像,其中,所述特征邻域图像的尺寸根据对应的尺度数值确定,特征邻域图像的背景灰度值为0;
S1334、建立第二索引表,其中,所述第二索引表根据所述第一索引表和第一索引表中每一行中的最小X轴坐标值和最小Y轴坐标值建立;
第二索引表中除X值与Y值有改变外其余值保持不变,第二索引表的建立规则为在第一索引表中中每一行的X值与Y值分别减去对应行最小X轴坐标值和最小Y轴坐标值。
S1335、根据所述第二索引表在所述特征邻域图像中绘制轮廓以得到轮廓线图像;
基于第二索引表中的数据,给对应新建的特征邻域图像中独立面片的轮廓区域绘制轮廓,轮廓的线宽为2,对应的灰度值为255,特征邻域图像的背景灰度为0,轮廓线的灰度为255,使得后续深度学习分类网络模型的训练变得更加有效。
S134、根据每一所述轮廓线图像对深度学习分类网络模型进行训练,获取满足预设条件的权重参数;
基于得到的轮廓线图像构建深度学习训练样本,所述深度学习样本共包含了腹板轮廓图像、侧壁轮廓图像以及其他轮廓图像(圆角、底角、筋顶等),通过深度学习样本对深度学习分类网络模型进行训练,并对样本的验证集中准确率最高的对应的权重参数进行保存,以得到满足预设条件的权重参数。
S135、根据所述满足预设条件的权重参数初始化深度学习分类网络模型;
S136、将所述第二样本图像载入所述深度学习分类网络模型,以得到第二粗识别结果。
在获取满足预设条件的权重参数后,根据所述权重参数对深度学习分类网络模型进行初始化,随后讲第二样本图像载入所述深度学习分类网络模型,即可得到第二粗识别结果。
作为本申请一些可选实施方式,所述对所述第三样本图像进行所述基于深度神经网络学习的第三粗识别,以得到第三粗识别结果的步骤,包括:
S141、根据预设标注规则对所述第三样本图像进行标注,得到第一标注文件;
在对第三样本图像进行标注,所述预设标注规则包括仅对第三样本图像中完整的槽区域使用矩形框进行标注;矩形框的倾斜角度为0且正好将图像中的槽区域框选;对于图像中不完整的非封闭槽区域不进行标注;
S142、对所述第三样本图像以及所述标注文件进行数据增强,得到增强样本图像以及增强标注文件;
数据增强的方式包括但不限于水平翻转,对应的概率设置为1.0;竖直翻转,对应的概率设置为1.0;图像旋转;仿射变换;图像整体尺度缩放,通过上述方式中的随机选择一种或两种对所述第三样本图像以及标注文件进行增强,以得到增强样本图像以及增强标注文件。
S143、对所述增强标注文件进行格式转换,以得到目标标注文件;
增强得到的增强标注文件格式为xml,将其进一步转换为coco数据格式,即可得到深度检测网络的训练样本,所述训练样本包括目标标注文件以及增强样本图像。
S144、根据训练样本以预设训练次数对深度检测网络进行训练,以得到不同训练次数对应的权重参数文件,其中,所述训练样本包括增强样本图像以及目标标注文件;
S145、根据所述权重参数文件初始化检测网络模型;
S146、将所述第三样本图像输入所述检测网络模型,以得到第三粗识别结果。
根据训练样本以及预设训练次数对所述深度检测网络进行训练,一次训练表示将完整的将所述训练样本输入所述深度检测网络进行训练,通过多次训练从而减少偶然性,避免局部极值,在一具体实施例中,所述预设训练次数为28,在完成28次训练后得到28份权重参数文件,选择其中损失最小的训练次数对应的权重参数文件对所述检测网络模型进行初始化,将所述第三样本图像输入所述检测网络即可获得所述第三粗识别结果。
作为本申请一些可选实施方式,所述根据联合分析决策函数对三种所述粗识别结果进行精细化识别,以得到槽区识别结果数据的步骤包括:
S21、构建联合分析决策函数,其中,所述联合分析决策函数如下所示:
式中,x1为所述第一粗识别结果,w1为所述第一粗识别的权值,x2为所述第二粗识别结果,w1为所述第二粗识别的权值,x3为所述第一粗识别结果,w3为所述第三粗识别的权值,并且w1、w2以及w3之和小于等于1;
S22、根据所述联合分析决策函数对所述第一粗识别结果、第二粗识别结果以及第三粗识别结果进行精细化识别,以得到槽区识别结果数据。
作为本申请一些可选实施方式,所述将所述槽区识别结果数据与航空件三维模型图像进行交互判断,以得到最终识别结果的步骤包括:
S31、根据每一所述槽区识别结果数据获取对应的识别槽区域;
S32、根据每一所述识别槽区域和所述航空件三维模型图像获取对应的槽区域长度;
S33、若所述识别槽区域中的特征面片之间的垂直距离小于等于对应的所述槽区域长度,则将对应的槽区识别结果数据记为最终识别结果;
S34、否则去除所述槽区识别结果数据。
面片是属于同一个槽的关系,将识别的槽区域对应附属面片在原始三维模型图中找到其对应的邻接关系,若识别的对应面片在存在空间与几何上的最小度量距离关系,即在几何实体中面片具有相邻的关系或面片的垂直距离小于槽的长度,则识别的面片结果可信度较高应保留;若识识别的对应面片在空间与几何上的最小度量距离数值大于对应的槽的长度,说明组成槽区域对应的面片可行度较低应,则去除面片识别结果,应基于其他可信度更高的视角图像识别结果进行评价。
作为本申请一些可选实施方式,在将所述槽区识别结果数据与三维模型图像中零件槽区域对应的数据进行交互判断,以得到最终识别结果的步骤之后,所述方法还包括:
将识别得到的所述槽区反映射至所述航空件三维模型图像中。
将识别得到的所述槽区向原始二维图像映射,原始二维图像中包含了零件各个区域的灰度与位置信息。映射即建立一种槽区域内特征面片的对应及所属关系,即在原始二维图像中可以找到有且仅有一个面满足对应关系。
如图6所示,为将识别结果反映射至三维图像的示意图,将二维图像中的结果反映射到三维图像中,即基于截图时对应的视角、倍率二维图像中对应的槽区域特征结果贴合到三维图像中,同样每一个面片与槽区域具有唯一性。贴合时只有非遮挡区域满足反映射特点。将采用粗识别过程与精细识别过程后得到的槽区域识别结果在三维模型上显示,能直观的反应识别效果。
请参阅图7,本发明实施例提供了一种航空件槽区识别装置,所述装置包括:
粗识别模块,用于对航空件三维模型图像进行粗识别,以得到粗识别结果,其中,所述粗识别包括第一粗识别、第二粗识别、第三粗识别,所述粗识别结果包括对应的第一粗识别结果、第二粗识别结果以及第三粗识别结果;
精细化识别模块,用于根据联合分析决策函数对所述第一粗识别结果、第二粗识别结果以及第三粗识别结果进行精细化识别,以得到槽区识别结果数据;
交互判断模块,用于将所述槽区识别结果数据与所述航空件三维模型图像进行交互判断,以得到所述航空件三维模型图像中的槽区。
另外,结合图1描述的本发明实施例的基于中心投影的坐标补偿方法可以由基于中心投影的坐标补偿设备来实现。图8示出了本发明实施例提供的基于中心投影的坐标补偿设备的硬件结构示意图。
基于中心投影的坐标补偿设备可以包括至少一个处理器301、至少一个存储器302以及存储在所示存储区302中的计算机程序指令,当所述计算机程序指令被所述处理器301执行时实现上述实施例所述的方法。
具体地,上述处理器301可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器302可在数据处理装置的内部或外部。在特定实施例中,存储器302是非易失性固态存储器。在特定实施例中,存储器302包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现上述实施例中的任意一种基于中心投影的坐标补偿方法。
在一个示例中,基于中心投影的坐标补偿设备还可包括通信接口和总线。其中,如图8所示,处理器、存储器、通信接口通过总线连接并完成相互间的通信。通信接口,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线包括硬件、软件或两者,将基于中心投影的坐标补偿设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,结合上述实施例中的基于中心投影的坐标补偿方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于中心投影的坐标补偿方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (15)
1.一种航空件槽区识别方法,其特征在于,包括以下步骤:
对航空件三维模型图像进行第一次识别,以得到第一次识别结果,其中,所述第一次识别为对所述航空件三维模型图像的槽区进行识别,所述第一次识别包括基于数学形态模式差异评价的第一粗识别、基于槽区域特征邻域特征面片属性的第二粗识别和基于深度神经网络学习的第三粗识别,所述第一次识别结果包括对应的第一粗识别结果、第二粗识别结果以及第三粗识别结果;
根据所述第一次识别结果,获得槽区识别结果数据;
将所述槽区识别结果数据与所述航空件三维模型图像进行交互判断,以得到所述航空件三维模型图像中的槽区。
2.根据权利要求1所述航空件槽区识别方法,其特征在于,所述对航空件三维模型图像进行第一次识别,以得到第一次识别结果的步骤,包括:
根据所述航空件三维模型图像获取样本图像,其中,所述样本图像包括第一样本图像、第二样本图像以及第三样本图像,所述第一样本图像、第二样本图像以及第三样本图像的灰度值不同;
对所述第一样本图像进行所述基于数学形态模式差异评价的第一粗识别,以得到第一粗识别结果;
对所述第二样本图像进行所述基于槽区域特征邻域特征面片属性的第二粗识别,以得到第二粗识别结果;
对所述第三样本图像进行所述基于深度神经网络学习的第三粗识别,以得到第三粗识别结果。
3.根据权利要求2所述航空件槽区识别方法,其特征在于,所述根据所述航空件三维模型图像获取样本图像的步骤包括:
根据所述航空件三维模型图像的特征面片的面片编号对每一特征面片设置不同的灰度值;
截取所述航空件三维模型图像以得到第一样本图像;
将所述航空件三维模型图像中的所有特征面片的灰度值设置为第一预设灰度值;
截取所述航空件三维模型图像以得到第二样本图像;
将所述航空件三维模型图像中的所有特征面片设置为第二预设灰度值,其中,所述第二预设灰度值与所述航空件三维图像中背景图像的灰度值相同;
截取所述航空件三维模型图像以得到第三样本图像。
4.根据权利要求3所述航空件槽区识别方法,其特征在于,所述对所述第一样本图像进行所述基于数学形态模式差异评价的第一粗识别,以得到第一粗识别结果的步骤,包括:
获取所述第一样本图像中的像素点信息;
将所述像素点信息填充至灰度差异对照表以及像素坐标点位置对照表,其中,所述灰度差异对照表根据每一特征面片的灰度值以及像素点的数量构建,所述像素坐标点位置对照表根据每一特征面片的灰度值以及像素点的位置构建;
根据所灰度差异对照表以及像素坐标点位置对照表获取与每一特征面片对应的梯度图像;
根据每一所述梯度图像获取对应的特征面片的面积信息以及长宽比信息;
根据所述面积信息以及所述特征面片长宽比信息判断每一特征面片的类型,记为所述第一粗识别结果。
5.根据权利要求4所述的航空件槽区识别方法,其特征在于,所述根据所灰度差异对照表以及像素坐标点位置对照表获取梯度图像的步骤包括:
根据所述灰度差异对照表中每一行的数据,获取n副对应的彩色图像,其中,n为正整数并且等于所述灰度差异对照表的行数;
对n副彩色图像进行灰度化处理以及二值化处理,以得到每一像素点的梯度值;
根据每一像素点的梯度值获取n副梯度图像,其中,所述梯度图像的尺寸与所述第一样本图像的尺寸相同,所述梯度图像的背景灰度为0,所述梯度图像的前景灰度为对应像素点的梯度值。
6.根据权利要求5所述的航空件槽区识别方法,其特征在于,所述根据每一所述梯度图像获取对应的特征面片的面积信息以及长宽比信息的步骤包括:
基于棋盘距离最近邻原则将每一所述梯度图像中灰度值不为0的像素点首尾连接,得到对应的封闭轮廓线;
将每一所述封闭轮廓线在一笛卡尔坐标系的X轴和Y轴进行投影,得到对应的X轴投影极值和Y轴投影极值;
据所述每一X轴投影极值和Y轴投影极值获取对应的最小包围矩形,其中所述最小包围矩形的倾角为0;
根据每一所述最小包围矩形获取对应特征面片的面积信息和长宽比信息。
7.根据权利要求3所述航空件槽区识别方法,其特征在于,所述对所述第二样本图像进行所述基于槽区域特征邻域特征面片属性的第二粗识别,以得到第二粗识别结果的步骤,包括:
根据所述第二样本图像的尺寸,以预设步进对所述第二样本图像每一像素点进行灰度遍历;
当遍历的像素点的灰度值不等于所述第一预设灰度时停止搜索,直到所述第二样本图像所有的像素点遍历完毕,以得到所有具有四邻域可达性的目标像素点;
根据第一索引表每一行的目标像素点的坐标信息获取对应的轮廓线图像,其中,所述第一索引表根据所述目标像素点的坐标信息构建,位于相同特征面片的目标像素点储存于所述第一索引表的同一行;
根据每一所述轮廓线图像对深度学习分类网络模型进行训练,获取满足预设条件的权重参数;
根据所述满足预设条件的权重参数初始化深度学习分类网络模型;
将所述第二样本图像载入所述深度学习分类网络模型,以得到第二粗识别结果。
8.根据权利要求7所述的航空件槽区识别方法,其特征在于,所述根据第一索引表每一行的像素点的数据值获取对应的轮廓线图像的步骤,包括:
根据预设排序规则对所述第一索引表进行排序;
根据所述第一索引表每一行的数据获取特征面片的尺度数值;
根据所述尺度数值构建特征邻域图像;
建立第二索引表,其中,所述第二索引表根据所述第一索引表和第一索引表中每一行中的最小X轴坐标值和最小Y轴坐标值建立;
根据所述第二索引表在所述特征邻域图像中绘制轮廓以得到轮廓线图像。
9.根据权利要求3所述航空件槽区识别方法,其特征在于,所述对所述第三样本图像进行所述基于深度神经网络学习的第三粗识别,以得到第三粗识别结果的步骤,包括:
根据预设标注规则对所述第三样本图像进行标注,得到第一标注文件;
对所述第三样本图像以及所述标注文件进行数据增强,得到增强样本图像以及增强标注文件;
对所述增强标注文件进行格式转换,以得到目标标注文件;
根据训练样本以预设训练次数对深度检测网络进行训练,以得到不同训练次数对应的权重参数文件,其中,所述训练样本包括增强样本图像以及目标标注文件;
根据所述权重参数文件初始化检测网络模型;
将所述第三样本图像输入所述检测网络模型,以得到第三粗识别结果。
11.根据权利要求1所述的航空件槽区识别方法,其特征在于,所述将所述槽区识别结果数据与所述航空件三维模型图像进行交互判断,以得到所述航空件三维模型图像中的槽区的步骤包括:
根据每一所述槽区识别结果数据获取对应的识别槽区域;
根据每一所述识别槽区域和所述航空件三维模型图像获取对应的槽区域长度;
若所述识别槽区域中的特征面片之间的垂直距离小于等于对应的所述槽区域长度,保留所述槽区识别结果数据对应的识别槽区域;
否则去除所述槽区识别结果数据。
12.根据权利要求1所述的航空件槽区识别方法,其特征在于,在将所述槽区识别结果数据与航空件三维模型图像进行交互判断,以得到所述航空件三维模型图像中的槽区的步骤之后,所述方法还包括:
将识别得到的所述槽区反映射至所述航空件三维模型图像中。
13.一种航空件槽区识别装置,其特征在于,所述装置包括:
第一次识别模块,用于对航空件三维模型图像进行第一次识别,以得到第一次识别结果,其中,所述第一次识别为对所述航空件三维模型图像的槽区进行识别,所述第一次识别包括第一粗识别、第二粗识别和第三粗识别,所述第一次识别结果包括对应的第一粗识别结果、第二粗识别结果以及第三粗识别结果;
结果数据获取模块,用于根据所述第一次识别结果,获得槽区识别结果数据;
交互判断模块,用于将所述槽区识别结果数据与所述航空件三维模型图像进行交互判断,以得到所述航空件三维模型图像中的槽区。
14.一种航空件槽区识别设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-12中任一项所述的方法。
15.一种存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009246.6A CN115439840A (zh) | 2022-08-22 | 2022-08-22 | 一种航空件槽区识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009246.6A CN115439840A (zh) | 2022-08-22 | 2022-08-22 | 一种航空件槽区识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115439840A true CN115439840A (zh) | 2022-12-06 |
Family
ID=84243940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211009246.6A Pending CN115439840A (zh) | 2022-08-22 | 2022-08-22 | 一种航空件槽区识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439840A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116804865A (zh) * | 2023-08-28 | 2023-09-26 | 成都飞机工业(集团)有限责任公司 | 一种三轴自动化程编特征识别与刀轨生成方法 |
CN116824273A (zh) * | 2023-08-28 | 2023-09-29 | 成都飞机工业(集团)有限责任公司 | 一种航空制造件任意视角二维投影图像面片属性判断方法 |
CN116994003A (zh) * | 2023-09-26 | 2023-11-03 | 成都飞机工业(集团)有限责任公司 | 一种航空结构件二维圆角加底角组合特征识别方法 |
-
2022
- 2022-08-22 CN CN202211009246.6A patent/CN115439840A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116804865A (zh) * | 2023-08-28 | 2023-09-26 | 成都飞机工业(集团)有限责任公司 | 一种三轴自动化程编特征识别与刀轨生成方法 |
CN116824273A (zh) * | 2023-08-28 | 2023-09-29 | 成都飞机工业(集团)有限责任公司 | 一种航空制造件任意视角二维投影图像面片属性判断方法 |
CN116804865B (zh) * | 2023-08-28 | 2023-12-08 | 成都飞机工业(集团)有限责任公司 | 一种三轴自动化程编特征识别与刀轨生成方法 |
CN116824273B (zh) * | 2023-08-28 | 2024-01-12 | 成都飞机工业(集团)有限责任公司 | 一种航空制造件任意视角二维投影图像面片属性判断方法 |
CN116994003A (zh) * | 2023-09-26 | 2023-11-03 | 成都飞机工业(集团)有限责任公司 | 一种航空结构件二维圆角加底角组合特征识别方法 |
CN116994003B (zh) * | 2023-09-26 | 2024-01-12 | 成都飞机工业(集团)有限责任公司 | 一种航空结构件二维圆角加底角组合特征识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553859B (zh) | 一种激光雷达点云反射强度补全方法及系统 | |
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN115439840A (zh) | 一种航空件槽区识别方法、装置、设备及介质 | |
CN113688807B (zh) | 一种自适应缺陷检测方法、装置、识别系统及存储介质 | |
JP5953842B2 (ja) | 画像検査方法および検査領域設定方法 | |
CN107239742B (zh) | 一种仪表指针刻度值计算方法 | |
JP6872670B2 (ja) | 寸法計測装置、寸法計測プログラム及び半導体製造システム | |
CN104718428A (zh) | 图案的检查、测量装置及程序 | |
CN111080662A (zh) | 车道线的提取方法、装置及计算机设备 | |
KR102073468B1 (ko) | 비전 시스템에서 컬러 이미지에 대해 컬러 후보 포즈들의 점수화를 위한 시스템 및 방법 | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
CN107356213B (zh) | 滤光片同心度测量方法及终端设备 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN110706224B (zh) | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 | |
CN115861351A (zh) | 边缘检测方法、缺陷检测方法及检测装置 | |
CN107230212B (zh) | 一种基于视觉的手机尺寸的测量方法及系统 | |
CN115546202A (zh) | 一种用于无人叉车的托盘检测与定位方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN117058411B (zh) | 电池棱边外形瑕疵识别方法、装置、介质和设备 | |
CN114219802B (zh) | 一种基于图像处理的蒙皮连接孔孔位检测方法 | |
CN116125489A (zh) | 一种室内物体三维检测方法、计算机设备及存储介质 | |
CN116309817A (zh) | 一种基于rgb-d相机的托盘检测与定位方法 | |
CN113284158B (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
CN114463751A (zh) | 基于神经网络和检测算法的边角定位方法及装置 | |
GB2605621A (en) | Monocular depth estimation |
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 |