CN115658939A - 用于深度学习的行人保护头型点位数据库建模方法、装置 - Google Patents
用于深度学习的行人保护头型点位数据库建模方法、装置 Download PDFInfo
- Publication number
- CN115658939A CN115658939A CN202211301514.1A CN202211301514A CN115658939A CN 115658939 A CN115658939 A CN 115658939A CN 202211301514 A CN202211301514 A CN 202211301514A CN 115658939 A CN115658939 A CN 115658939A
- Authority
- CN
- China
- Prior art keywords
- point
- screenshot
- head
- point location
- pedestrian protection
- 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 61
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 206010019196 Head injury Diseases 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000006378 damage Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 239000007787 solid Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及建模技术领域,具体的说是一种用于深度学习的行人保护头型点位数据库建模方法、装置。步骤一、将头型点位坐标文件导入行人保护仿真模型中;步骤二、遍历所有头型点位,若未结束,进入步骤三;若结束,进入步骤四;步骤三、对多点位进行多视角截图;步骤四、对截图进行分类,最终获得头型点位数据库。本发明可以实现全部点位的多视角截图、所有点位截图尺寸、比例尺一致,并且可以根据头型点位头部损伤标准对截图进行分类,从而建立数据库。
Description
技术领域
本发明涉及建模技术领域,具体的说是一种用于深度学习的行人保护头型点位数据库建模方法、装置。
背景技术
深度学习广泛应用于图像识别领域,通过学习样本数据的内在规律和表示层次,以发现数据的分布式特征表示。在行人保护头型性能开发中,可以搭建头型点位数据库,利用深度学习进行头型HIC的秒级、高精度智能预测;但是,在目前已公开文献中尚未发现行人保护头型点位数据库建模方法。
发明内容
本发明提供了一种用于深度学习的行人保护头型点位数据库建模方法、装置,可以实现全部点位的多视角截图、所有点位截图尺寸、比例尺一致,并且可以根据头型点位头部损伤标准对截图进行分类,从而建立数据库,填补了未发现行人保护头型点位数据库建模方法的空白。
本发明技术方案结合附图说明如下:
第一方面,本发明实施例提供了一种用于深度学习的行人保护头型点位数据库建模方法,包括:
步骤一、将头型点位坐标文件导入行人保护仿真模型中;
步骤二、遍历所有头型点位,若未结束,进入步骤三;若结束,进入步骤四;
步骤三、对多点位进行多视角截图;
步骤四、对截图进行分类,最终获得头型点位数据库。
进一步地,所述对多点位进行多视角截图包括对多个单点位进行多视角截图。
进一步地,对单点位进行多视角截图的具体方法如下:
31)对当前头型的点位、点位名称、点位坐标进行标记;
32)建立当前头型点位辅助框;
33)对当前点位的顶部视角进行截图并存入文件夹;
34)对当前点位的前部视角进行截图并存入文件夹;
35)对当前点位的左部视角进行截图并存入文件夹;
36)删除头型点位辅助框。
进一步地,所述步骤33)中单点位的多视角截图的具体方法如下:
331)只显示当前头型点位辅助框;
332)设置顶部视角;
333)对视图的大小进行自适应;
334)只显示仿真模型;
335)对模型进行切割并截图并存入文件夹。
进一步地,所述步骤34)的具体方法如下:
341)只显示当前头型点位辅助框;
342)设置前部视角;
343)对视图的大小进行自适应;
344)只显示仿真模型;
345)对模型进行切割并截图并存入文件夹。
进一步地,所述步骤35)的具体方法如下:
351)只显示当前头型点位辅助框;
352)设置左部视角;
353)对视图的大小进行自适应;
354)只显示仿真模型;
355)对模型进行切割并截图并存入文件夹。
进一步地,所述步骤四的具体方法如下:
41)读取头型点位头部损伤标准得分Excel;
42)获取点位名称与头部损伤标准得分对应关系;
43)建立新的文件夹,在新的文件夹下建立与头部损伤标准得分相同名称的文件夹;
44)读取多角度截图存入的文件夹内;
45)获取截图名称与截图路径的对应关系;
46)将多角度截图存入的文件夹在所有截图移动到新建的文件夹下,完成截图的分类。
第二方面,本发明实施例还提供了一种用于深度学习的行人保护头型点位数据库建模装置,包括:
导入模块,用于将头型点位坐标文件导入行人保护仿真模型中;
遍历模块,用于遍历所有头型点位;
截图模块,用于对多点位进行多视角截图;
分类模块,用于对截图进行分类,最终获得头型点位数据库。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的一种用于深度学习的行人保护头型点位数据库建模方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的一种用于深度学习的行人保护头型点位数据库建模方法。
本发明的有益效果为:
1)本发明可以实现单个点位top视角、front视角、left视角的多视角自动截图;
2)本发明可以实现全部点位的多视角自动截图;
3)本发明可以实现所有视角、所有点位截图尺寸、比例尺一致;
3)本发明可以根据头型HIC对截图进行分类,从而建立数据库。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明所述一种用于深度学习的行人保护头型点位数据库建模方法的流程图;
图2为头型点位坐标文件格式的示意图;
图3为HIC得分Excel格式的示意图;
图4为本发明所述一种用于深度学习的行人保护头型点位数据库建模装置的结构示意图;
图5为本发明中一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
应注意到:相似的标号和字母在下面的附图中表示类似项,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。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例一
图1为本发明实施例一提供的一种用于深度学习的行人保护头型点位数据库建模方法的流程图,本实施例可适用于深度学习的行人保护头型点位数据库建模的情况,该方法可以由本发明实施例中的用于深度学习的行人保护头型点位数据库建模装置来执行,该方法具体包括如下步骤:
参阅图1,一种用于深度学习的行人保护头型点位数据库建模方法,包括以下步骤:
步骤一、将头型点位坐标文件导入行人保护仿真模型中;具体如下:
11)打开行人保护仿真模型,方法如下:
111)打开PRIMER软件;
112)在PRIMER软件中,通过“Model|Read”选择并打开行人保护仿真模型;
12)导入头型点位坐标文件,方法如下:
121)在PRIMER软件中,通过“Tools|Script”选择并打开自动化脚本;
122)单击自动化脚本“1.points file”后的“select”按钮,选择并导入头型点位坐标文件(赋值给变量file_point_list),文件格式如图2所示。
步骤二、遍历所有头型点位,若未结束,进入步骤三;若结束,进入步骤四。
步骤三、对多点位进行多视角截图;
所述对多点位进行多视角截图包括对多个单点位进行多视角截图。
对单点位进行多视角截图的具体方法如下:
31)对当前头型的点位、点位名称、点位坐标进行标记;方法如下:
将当前头型点位记为cur_point,点位名称记为cur_point_name,点位x、y、z坐标分别记为cur_point_x、cur_point_y、cur_point_z;
32)建立当前头型点位辅助框,记为cur_point_frame;方法如下:
使用“var part_cur_point_frame=new Part(m_p,Part.NextFreeLabel(m_p),999,999,"auto_frame")”建立辅助框cur_point_frame所在part,记为part_cur_point_frame,其中,m_p为当前行人保护仿真模型,第一个999为该part的属性编号(空值),第二个999为该part的材料编号(空值),“auto_frame”为当前part的名称;
part_cur_point_frame只包含一个solid类型的单元,该单元记为s,使用“var s=new Solid(m_p,Solid.NextFreeLabel(m_p),p.pid,n2.nid,n1.nid,n4.nid,n3.nid,n6.nid,n5.nid,n8.nid,n7.nid)”建立,该单元为正方体,共有8个节点,即n1-n8;n1使用“var n1=new Node(m_p,Node.NextFreeLabel(m_p),cur_point_x-size/2,cur_point_y+size/2,cur_point_z+size/2)”建立,n2使用“var n2=new Node(m_p,Node.NextFreeLabel(m_p),cur_point_x+size/2,cur_point_y+size/2,cur_point_z+size/2)”建立,n3使用“var n3=new Node(m_p,Node.NextFreeLabel(m_p),cur_point_x+size/2,cur_point_y+size/2,cur_point_z-size/2)”建立,n4使用“var n4=new Node(m_p,Node.NextFreeLabel(m_p),cur_point_x-size/2,cur_point_y+size/2,cur_point_z-size/2)”建立,n5使用“var n5=new Node(m_p,Node.NextFreeLabel(m_p),cur_point_x-size/2,cur_point_y-size/2,cur_point_z+size/2)”建立,n6使用“var n6=new Node(m_p,Node.NextFreeLabel(m_p),cur_point_x+size/2,cur_point_y-size/2,cur_point_z+size/2)”建立,n7使用“var n7=new Node(m_p,Node.NextFreeLabel(m_p),cur_point_x+size/2,cur_point_y-size/2,cur_point_z-size/2)”建立,n8使用“var n8=new Node(m_p,Node.NextFreeLabel(m_p),cur_point_x-size/2,cur_point_y-size/2,cur_point_z-size/2)”建立,其中size为正方体s的边长。
33)对当前点位的顶部视角进行截图并存入文件夹;具体如下:
331)只显示当前头型点位辅助框,方法为:使用“Part.BlankAll(m_p)”隐藏所有零部件,使用“Part.GetFromID(m_p,cur_point_frame.pid).Unblank()”显示当前头型点位辅助框,即cur_point_frame;
332)设置顶部视角,方法为:使用“View.Show(+View.XY)”将PRIMER软件工作区设置为top视角;
333)对视图的大小进行自适应,方法为:使用“View.Ac()”将PRIMER软件工作区视图大小自适应;
334)只显示仿真模型,方法为:使用“Part.UnblankAll(m_p)”显示所有零部件,使用“Part.GetFromID(m_p,cur_point_frame.pid).Blank()”隐藏当前头型点位辅助框,即cur_point_frame;
335)对模型进行切割并截图并存入文件夹,方法为:在PRIMER软件中,通过“Tools|Macro|Record”打开PRIMER软件宏记录功能,然后通过“Tools|Cut sect”在头型点位的x坐标处创建x向截面,并通过“Images|Image file”对工作区进行截图并保存至文件夹result_path,得到仿真模型top视角截图,截图名称为“点位名称_top”;将生成的宏文件嵌入自动化脚本,以实现截图自动化。
34)对当前点位的前部视角进行截图并存入文件夹;具体如下:
341)只显示当前头型点位辅助框,方法为:使用“Part.BlankAll(m_p)”隐藏所有零部件,使用“Part.GetFromID(m_p,cur_point_frame.pid).Unblank()”显示当前头型点位辅助框,即cur_point_frame;
342)设置前部视角,方法为:
使用“View.Show(-View.YZ)”将PRIMER软件工作区设置为front视角;
343)对视图的大小进行自适应,方法为:使用“View.Ac()”将PRIMER软件工作区视图大小自适应;
344)只显示仿真模型,方法为:使用“Part.UnblankAll(m_p)”显示所有零部件,使用“Part.GetFromID(m_p,cur_point_frame.pid).Blank()”隐藏当前头型点位辅助框,即cur_point_frame;
345)对模型进行切割并截图并存入文件夹,方法为:在PRIMER软件中,通过“Tools|Macro|Record”打开PRIMER软件宏记录功能,然后通过“Tools|Cut sect”在头型点位的x坐标处创建x向截面,并通过“Images|Image file”对工作区进行截图并保存至文件夹result_path,得到仿真模型front视角截图,截图名称为“点位名称_front”;将生成的宏文件嵌入自动化脚本,以实现截图自动化。
35)对当前点位的左部视角进行截图并存入文件夹;具体方法如下:
351)只显示当前头型点位辅助框,方法为:使用“Part.BlankAll(m_p)”隐藏所有零部件,使用“Part.GetFromID(m_p,cur_point_frame.pid).Unblank()”显示当前头型点位辅助框,即cur_point_frame;
352)设置左部视角,方法为:使用“View.Show(+View.XZ)”将PRIMER软件工作区设置为left视角;
353)对视图的大小进行自适应,方法为:使用“View.Ac()”将PRIMER软件工作区视图大小自适应;
354)只显示仿真模型,方法为:使用“Part.UnblankAll(m_p)”显示所有零部件,使用“Part.GetFromID(m_p,cur_point_frame.pid).Blank()”隐藏当前头型点位辅助框,即cur_point_frame;
355)对模型进行切割并截图并存入文件夹,方法为:在PRIMER软件中,通过“Tools|Macro|Record”打开PRIMER软件宏记录功能,然后通过“Tools|Cut sect”在头型点位的x坐标处创建x向截面,并通过“Images|Image file”对工作区进行截图并保存至文件夹result_path,得到仿真模型left视角截图,截图名称为“点位名称_left”;将生成的宏文件嵌入自动化脚本,以实现截图自动化。
36)删除头型点位辅助框,具体如下:
使用“var ps=Part.GetAll(m_p)”获取所有part组成的数组ps;使用“var flag_del=AllocateFlag()”定义标签flag_del;使用for循环遍历ps内所有part,如果某个part(假设为ps[i])的title为“auto_frame”,则使用“ps[i].SetFlag(flag_del)”为该part设置标签“flag_del”;使用“m_p.DeleteFlagged(flag_del)”删除所有带“flag_del”标签的part。
步骤四、对截图进行分类,最终获得头型点位数据库,该步骤通过Python编程实现,具体如下:
41)读取头型点位头部损伤标准得分Excel,方法为:导入pandas库,使用“df=pd.read_excel("D:/头型HIC0得分.xlsx",header=None)”读取头型点位HIC得分Excel,即“D:/头型HIC0得分.xlsx”;
42)获取点位名称与头部损伤标准得分对应关系,方法为:使用“point_hic=[]”建立空列表,用于存储点位名称与HIC得分的对应关系;使用“for i in range(df.shape[0]-1)”遍历头型点位HIC得分Excel的每一行;使用“for j in range(1,df.shape[1])”遍历头型点位HIC得分Excel的每一列;使用“point=str(int(df.iat[i,0]))+'_'+str(int(df.iat[df.shape[0]-1,j]))”获得当前点位名称;使用“hic=str(df.iat[i,j])”获得当前点位HIC得分;使用“point_hic.append(point+'_'+hic)”将当前点位名称与当前点位HIC得分放入point_hic,得到点位名称与HIC得分的对应关系,HIC得分Excel格式如图3所示;
43)建立img_path文件夹,在img_path下建立与头部损伤标准得分相同名称的文件夹;
44)读取result_path文件夹内所有截图,方法为:导入os库,使用“img_path=‘D:/pic-label/’”定义变量img_path,即头型点位数据库文件夹;使用“imgs=[]”建立空列表,用于存放截图文件路径;使用“for root,dirs,files in os.walk(result_path)”遍历截图文件夹内所有内容;使用“for file in files:”遍历截图文件夹内所有截图;使用“imgs.append(os.path.join(root,file))”将当前截图文件路径放入imgs;
45)获取截图名称与截图路径的对应关系,方法为:使用“for point in point_hic”遍历所有点位名称与HIC得分的对应关系;使用“for img in imgs”遍历所有截图文件路径;
46)将result_path下所有截图移动到img_path下对应的文件夹,方法为:使用“ifpoint.split('_')[0]==img.split('_')[1]and point.split('_')[1]==img.split('_')[2]:”判断当前截图文件的点位名称与当前截图文件路径的点位名称是否相同,若相同,使用“mkdir(img_path+point.split('_')[2])”,在img_path下建立与HIC得分相同名称的文件夹,并使用“shutil.copy(img,dstpath+img_path+point.split('_')[2]+'/'+im.split('_')[-1])将当前截图文件复制到与HIC得分相同名称的文件夹,完成截图分类;
47)最终获得头型点位数据库,即“D:/pic-label/”文件夹。
实施例二
图4为本发明实施例二提供的一种用于深度学习的行人保护头型点位数据库建模装置的结构示意图。本实施例可适用于深度学习的行人保护头型点位数据库建模的情况,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供行人保护头型点位数据库建模的功能的设备中,如图4所示,该装置包括:
导入模块,用于将头型点位坐标文件导入行人保护仿真模型中;
遍历模块,用于遍历所有头型点位;
截图模块,用于对多点位进行多视角截图;
分类模块,用于对截图进行分类,最终获得头型点位数据库。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例三
图5为本发明实施例三中的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外,本实施例中的计算机设备12,显示器24不是作为独立个体存在,而是嵌入镜面中,在显示器24的显示面不予显示时,显示器24的显示面与镜面从视觉上融为一体。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种用于深度学习的行人保护头型点位数据库建模方法。
实施例四
本发明实施例四提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的一种用于深度学习的行人保护头型点位数据库建模方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种用于深度学习的行人保护头型点位数据库建模方法,其特征在于,包括以下步骤:
步骤一、将头型点位坐标文件导入行人保护仿真模型中;
步骤二、遍历所有头型点位,若未结束,进入步骤三;若结束,进入步骤四;
步骤三、对多点位进行多视角截图;
步骤四、对截图进行分类,最终获得头型点位数据库。
2.根据权利要求1所述的一种用于深度学习的行人保护头型点位数据库建模方法,其特征在于,所述对多点位进行多视角截图包括对多个单点位进行多视角截图。
3.根据权利要求1所述的一种用于深度学习的行人保护头型点位数据库建模方法,其特征在于,
对单点位进行多视角截图的具体方法如下:
31)对当前头型的点位、点位名称、点位坐标进行标记;
32)建立当前头型点位辅助框;
33)对当前点位的顶部视角进行截图并存入文件夹;
34)对当前点位的前部视角进行截图并存入文件夹;
35)对当前点位的左部视角进行截图并存入文件夹;
36)删除头型点位辅助框。
4.根据权利要求3所述的一种用于深度学习的行人保护头型点位数据库建模方法,其特征在于,
所述步骤33)中单点位的多视角截图的具体方法如下:
331)只显示当前头型点位辅助框;
332)设置顶部视角;
333)对视图的大小进行自适应;
334)只显示仿真模型;
335)对模型进行切割并截图并存入文件夹。
5.根据权利要求3所述的一种用于深度学习的行人保护头型点位数据库建模方法,其特征在于,
所述步骤34)的具体方法如下:
341)只显示当前头型点位辅助框;
342)设置前部视角;
343)对视图的大小进行自适应;
344)只显示仿真模型;
345)对模型进行切割并截图并存入文件夹。
6.根据权利要求3所述的一种用于深度学习的行人保护头型点位数据库建模方法,其特征在于,
所述步骤35)的具体方法如下:
351)只显示当前头型点位辅助框;
352)设置左部视角;
353)对视图的大小进行自适应;
354)只显示仿真模型;
355)对模型进行切割并截图并存入文件夹。
7.根据权利要求1所述的一种用于深度学习的行人保护头型点位数据库建模方法,其特征在于,
所述步骤四的具体方法如下:
41)读取头型点位头部损伤标准得分Excel;
42)获取点位名称与头部损伤标准得分对应关系;
43)建立新的文件夹,在新的文件夹下建立与头部损伤标准得分相同名称的文件夹;
44)读取多角度截图存入的文件夹内;
45)获取截图名称与截图路径的对应关系;
46)将多角度截图存入的文件夹在所有截图移动到新建的文件夹下,完成截图的分类。
8.一种用于深度学习的行人保护头型点位数据库建模装置,其特征在于,包括:
导入模块,用于将头型点位坐标文件导入行人保护仿真模型中;
遍历模块,用于遍历所有头型点位;
截图模块,用于对多点位进行多视角截图;
分类模块,用于对截图进行分类,最终获得头型点位数据库。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-7中任一所述的一种用于深度学习的行人保护头型点位数据库建模方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的一种用于深度学习的行人保护头型点位数据库建模方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211301514.1A CN115658939A (zh) | 2022-10-24 | 2022-10-24 | 用于深度学习的行人保护头型点位数据库建模方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211301514.1A CN115658939A (zh) | 2022-10-24 | 2022-10-24 | 用于深度学习的行人保护头型点位数据库建模方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115658939A true CN115658939A (zh) | 2023-01-31 |
Family
ID=84990686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211301514.1A Pending CN115658939A (zh) | 2022-10-24 | 2022-10-24 | 用于深度学习的行人保护头型点位数据库建模方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115658939A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171152A (zh) * | 2017-12-26 | 2018-06-15 | 深圳大学 | 深度学习人眼视线估计方法、设备、系统及可读存储介质 |
CN110618846A (zh) * | 2018-06-20 | 2019-12-27 | 中车株洲电力机车研究所有限公司 | 截图装置、方法、系统,计算机可读存储介质及计算机 |
US20200097569A1 (en) * | 2018-09-21 | 2020-03-26 | International Business Machines Corporation | Cognitive adaptive real-time pictorial summary scenes |
CN113836632A (zh) * | 2021-07-16 | 2021-12-24 | 中国第一汽车股份有限公司 | 一种基于造型数据的校核方法、系统、终端及储存介质 |
-
2022
- 2022-10-24 CN CN202211301514.1A patent/CN115658939A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171152A (zh) * | 2017-12-26 | 2018-06-15 | 深圳大学 | 深度学习人眼视线估计方法、设备、系统及可读存储介质 |
CN110618846A (zh) * | 2018-06-20 | 2019-12-27 | 中车株洲电力机车研究所有限公司 | 截图装置、方法、系统,计算机可读存储介质及计算机 |
US20200097569A1 (en) * | 2018-09-21 | 2020-03-26 | International Business Machines Corporation | Cognitive adaptive real-time pictorial summary scenes |
CN113836632A (zh) * | 2021-07-16 | 2021-12-24 | 中国第一汽车股份有限公司 | 一种基于造型数据的校核方法、系统、终端及储存介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11176415B2 (en) | Assisted image annotation | |
JP6893233B2 (ja) | 画像に基づくデータ処理方法、装置、電子機器、コンピュータ可読記憶媒体およびコンピュータプログラム | |
US10963632B2 (en) | Method, apparatus, device for table extraction based on a richly formatted document and medium | |
CN106250385B (zh) | 用于文档的自动化信息抽象处理的系统和方法 | |
CN113391871B (zh) | 一种rpa元素智能融合拾取的方法与系统 | |
EP4040401A1 (en) | Image processing method and apparatus, device and storage medium | |
JP6756079B2 (ja) | 人工知能に基づく三元組チェック方法、装置及びコンピュータプログラム | |
CN111680490B (zh) | 一种跨模态的文档处理方法、装置及电子设备 | |
US10649647B2 (en) | Device and method of providing handwritten content in the same | |
US20150339273A1 (en) | Visualizing font similarities for browsing and navigation | |
RU2373575C2 (ru) | Система и способ для обнаружения рукописных объектов в рукописном вводе чернилами | |
CN106095261B (zh) | 一种在电子设备上添加笔记的方法和装置 | |
WO2008106473A1 (en) | Automatic disambiguation based on a reference resource | |
EP3625680A1 (en) | Format-specific data object passing between applications | |
US20110099498A1 (en) | Graphical user interface hierarchy generation | |
CN114090155A (zh) | 机器人流程自动化界面元素定位方法、装置和存储介质 | |
CN112347948A (zh) | 图片搜索方法、装置、设备及计算机程序产品 | |
CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN115658939A (zh) | 用于深度学习的行人保护头型点位数据库建模方法、装置 | |
JP2006164259A (ja) | コンテクスト・ツリーにおける分析代替案 | |
US11621000B2 (en) | Systems and methods for associating a voice command with a search image | |
US20210406453A1 (en) | Mapping annotations to ranges of text across documents | |
CN115331048A (zh) | 图像分类方法、装置、设备以及存储介质 | |
CN114842482A (zh) | 一种图像分类方法、装置、设备和存储介质 | |
CN110516024B (zh) | 地图搜索结果展现方法、装置、设备和存储介质 |
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 |