CN115830180A - 应用于几何数据的优化方法、装置、电子设备及存储介质 - Google Patents
应用于几何数据的优化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115830180A CN115830180A CN202310021613.2A CN202310021613A CN115830180A CN 115830180 A CN115830180 A CN 115830180A CN 202310021613 A CN202310021613 A CN 202310021613A CN 115830180 A CN115830180 A CN 115830180A
- Authority
- CN
- China
- Prior art keywords
- triangular patch
- data
- geometric
- grid
- mesh
- 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
Landscapes
- Image Generation (AREA)
Abstract
本申请涉及一种应用于几何数据的优化方法、装置、电子设备及存储介质。该方法包括:通过获取几何模型的几何拓扑数据;对几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据;基于预设的规则对三角面片网格数据进行检测,识别并优化三角面片网格数据中的条带化网格单元,获取优化处理后的三角面片网格数据;将优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角面片网格数据。这样能够识别并修复网格中的失败单元及条带化网格单元,提高渲染效果,且能提高几何网格面的邻近特征表现,处理效率高。
Description
技术领域
本申请涉及几何模型技术领域,尤其涉及一种应用于几何数据的优化方法、装置、电子设备及存储介质。
背景技术
计算机辅助工程(Computer Aided Engineering ,CAE)已经成为研发过程中不可或缺的技术,计算机辅助工程等发展越来越成熟,同时对几何模型的需求也越来越大。在显示器或浏览器界面渲染几何模型时,对于几何模型的准确渲染尤为重要,也涉及到了对几何模型的准确离散的问题。
但传统的几何处理方法对于一些几何模型在离散的时候会存在一定的失败单元或者“条带化”单元,无法在显示器或者浏览器界面展示完整准确的几何模型,因此,亟需一种新的几何处理方法。
发明内容
为解决或部分解决相关技术中存在的问题,本申请提供一种应用于几何数据的优化方法、装置、电子设备及存储介质,能够快速准确地生成几何三角面片网格数据且可以识别并修复网格中的失败单元和条带化网格单元,生成效率高,渲染效果好。
本申请第一方面提供一种应用于几何数据的优化方法,包括获取几何模型的几何拓扑数据;对所述几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据;基于预设的规则对所述三角面片网格数据进行检测,识别并优化所述三角面片网格数据中的条带化网格单元,获取优化处理后的三角面片网格数据;将所述优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角面片网格数据。
在其中一个实施例中,所述对所述几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据包括:计算所述几何模型的第一最小包围盒;基于所述第一最小包围盒,获取全局离散系数;根据所述全局离散系数,对所述几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据。
在其中一个实施例中,所述对离散失败的面进行网格重构包括:获取离散失败的几何面,并计算所述离散失败的几何面的第二最小包围盒;基于所述第二最小包围盒,获取局部离散系数;根据所述局部离散系数,对所述离散失败的几何面进行网格重构。
在其中一个实施例中,所述基于预设的规则对所述三角面片网格数据进行检测,识别并优化所述三角面片网格数据中的条带化网格单元,包括:根据所述三角面片网格数据获得三角面片的第一特征值和第二特征值;根据所述第一特征值和第二特征值的比值计算得出误差评价指标;当所述误差评价指标大于预设阈值时,识别出所述三角面片为条带化网格单元,并对所述三角面片进行优化处理。
在其中一个实施例中,所述根据所述三角面片网格数据获得三角面片的第一特征值和第二特征值,包括:获取所述三角面片的第一点的特征值,并根据理想特征函数计算得出所述第一特征值,所述第一点是所述三角面片内任一点;获取所述三角面片的第一点的特征值,并根据实际特征函数计算得出所述第二特征值。
在其中一个实施例中,所述将所述优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角网格数据,包括:将所述优化处理后的三角面片网格数据输入至机器学习引擎;通过自顶向下递归的规则处理所述三角面片网格数据,获得经过机器学习引擎处理后的三角面片网格数据。
在其中一个实施例中,通过边分裂、边折叠、边交换或点优化对所述条带化网格单元进行优化处理。
本申请第二方面提供一种应用于几何数据的优化装置,包括读取模块,用于获取几何模型的几何拓扑数据,
离散模块,用于对所述几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据;
第一处理模块,用于基于预设的规则对所述三角面片网格数据进行检测,识别并优化所述三角面片网格数据中的条带化网格单元,获取优化处理后的三角面片网格数据;
第二处理模块,用于将所述优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角面片网格数据。
本申请第三方面提供一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
本申请第四方面提供一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果:
本申请的应用于几何数据的优化方法,通过获取几何模型的几何拓扑数据;对几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据;基于预设的规则对三角面片网格数据进行检测,识别并优化三角面片网格数据中的条带化网格单元,获取优化处理后的三角面片网格数据;将优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角面片网格数据。这样能够识别并修复网格中的失败单元及条带化网格单元,提高渲染效果,且能提高几何网格面的邻近特征表现,处理效率高。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细地描述,本申请的上述以及其他目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请实施例示出的应用于几何数据的优化方法的流程示意图;
图2是本申请实施例示出的应用于几何数据的优化方法的另一流程示意图;
图3是本申请实施例示出的条带化网格单元的优化示意图;
图4是本申请实施例示出的应用于几何数据的优化装置的结构示意图;
图5是本申请实施例示出的神经网络的示意图;
图6是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
相关技术中,在对几何模型进行读取和渲染的时候,会存在某些问题导致生成几何模型的局部渲染失败,或者出现条带化网格单元的现象,无法展示完整的几何模型。
针对上述问题,本申请实施例提供一种应用于几何数据的优化方法,能够快速准确地生成几何离散网格数据且可以识别并修复网格中离散失败的几何部分及条带化网格单元,生成效率高,渲染效果好。
以下结合附图详细描述本申请实施例的技术方案。
图1是本申请实施例示出的应用于几何数据的优化方法的流程示意图。
参见图1,一种应用于几何数据的优化方法,包括:
S110,获取几何模型的几何拓扑数据。
在一种实施方式中,读取用户上传的几何模型,并将几何模型转化为几何拓扑数据,用户可以通过网页浏览器上传几何模型文件。
S120,对几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据。
在一种实施方式中,获取了几何模型的几何拓扑数据之后,能够对几何拓扑数据进行离散,有可能存在离散失败的几何面,能够针对离散失败的几何面进行网格重构,获得三角面片网格数据,三角面片网格数据包括了所有离散成功的几何面的离散数据。
S130,基于预设的规则对三角面片网格数据进行检测,识别并优化三角面片网格数据中的条带化网格单元,获取优化处理后的三角面片网格数据。
在一种实施方式中,几何拓扑数据离散之后得到三角面片网格数据,有可能存在条带化网格单元,需要对三角面片网格数据进行检测,识别三角面片网格数据中的条带化网格单元,然后利用边分裂、边折叠、边交换或点优化等方式对条带化网格单元进行优化,其中,条带化网格单元是指网格单元中突然出现过度加密的现象。
S140,将优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角面片网格数据。
在一种实施方式中,可以应用机器学习引擎,对优化处理后的三角面片网格数据做进一步的优化,得到经过机器学习引擎处理后的三角面片网格数据,机器学习引擎可以是神经网络、k邻近算法、多层感知机、支持向量机和任何其他监督学习方法。
本申请的应用于几何数据的优化方法,通过获取几何模型的几何拓扑数据;对几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据;基于预设的规则对三角面片网格数据进行检测,识别并优化三角面片网格数据中的条带化网格单元,获取优化处理后的三角面片网格数据;将优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角面片网格数据。这样能够识别并修复网格中的失败单元及条带化网格单元,提高渲染效果,且能提高几何网格面的邻近特征表现,处理效率高。
图2是本申请实施例示出的应用于几何数据的优化方法的另一流程示意图。
参见图2,一种应用于几何数据的优化方法,包括:
在S210中,获取几何模型的几何拓扑数据。
在一种实施方式中,通过读取step/iges/brep等类型的几何模型文件,通过OCCT几何引擎将几何模型文件转化为几何拓扑数据,其中,OCCT(Open CASCADE Technology)是一个几何建模库,提供二维及三维曲面造型和实体建模、CAD数据交换及可视化操作。
在S220中,对几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据。
在一种实施方式中,计算几何模型的第一最小包围盒;基于第一最小包围盒,获取全局离散系数;根据全局离散系数,对几何拓扑数据进行离散,获得离散网格数据。在对几何模型进行离散时,能够选择一个最小的包围盒范围,选定了包围盒范围之后,根据包围盒范围选取合适的全局离散系数,然后可以对几何拓扑数据进行离散,并且对离散失败的几何面进行网格重构,得到三角面片网格数据,几何面离散后是由大量的三角面片组成,因此可以建立起几何拓扑数据与三角面片网格数据之间的映射关系。
在一种实施方式中,获取离散失败的几何面,并计算离散失败的几何面的第二最小包围盒;基于第二最小包围盒,获取局部离散系数;根据局部离散系数,对离散失败的几何面进行网格重构。对几何模型进行离散时,会存在离散失败的情况,因此可以对离散失败的几何面进行几何检查,可以检查例如几何面上的线框方向及其线框是否有效,几何面所包含的线是否有效、是否存在细小面、是否缺少接缝边缘等问题,计算离散失败的几何面的最小包围盒范围,通过最小包围盒范围选取合适的局部离散系数,可以通过将最小包围盒对角线长度值1/20和最小包围盒最短边长度值1/2之间取最小值作为计算局部离散系数的特征值,利用局部离散系数对离散失败的几何面进行网络重构,可以通过边分裂、边折叠、边交换对几何面进行网络重构,使得几何面离散成功。
在S230中,根据三角面片网格数据获得三角面片的第一特征值和第二特征值。
在一种实施方式中,三角面片网格数据中包含了各个三角面片的数据,可以获取其中一个三角面片中任一点t的特征值,并根据理想特征函数,计算出第一特征值k 0(t),其中,理想特征函数为
理想特征函数的括号中的前一项为曲面曲率的特征计算方法,r为曲面上任一点在该曲面上的最大主曲率值,括号中的后一项为曲线邻近因素的特征计算方法,为两点或两曲线或两曲面之间的距离;可以根据三角面片中的任一点t的特征值,并由线性插值得到该三角面片的实际特征函数,计算得出第二特征值,其中,实际特征函数为
实际特征函数中k i (i=0,1,2)为三角面片三个顶点(i=0,1,2)的特征值;t i (i=0,1,2)为三角面片三个顶点各自的面积权重比:t i =A i /A,A为该三角面片的面积,A i 为顶点i相对边与点t形成的三角形面积。
在S240中,根据第一特征值和第二特征值的比值计算得出误差评价指标。
在S250中,当误差评价指标大于预设阈值时,识别出三角面片为条带化网格单元,并对三角面片进行优化处理。
在一种实施方式中,通过计算出误差评价指标后,将误差评价指标与预设阈值对比,当误差评价指标大于预设阈值时,该三角面片为条带化网格单元,则对该三角面片进行优化处理,当误差评价指标小于预设阈值时,该三角面片为正常的三角面片,无需进行优化处理,其中,预设阈值可以设置为1.4,即当误差评价指标大于1.4的时候,该三角面片为条带化网格单元,此时可以通过边分裂、边折叠、边交换或点优化等操作对条带化网格单元进行优化。
在S260中,将优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角面片网格数据。
在一种实施方式中,优化处理后的三角面片网格数据包含了各三角面片各顶点的点数据、法向量数据、UV数据、三角面片排序等数据,将优化处理后的三角面片网格数据输入至机器学习引擎中,待机器学习引擎进行优化训练后,可以输出经过机器学习引擎处理后的三角面片网格数据,同时可以确保输入和输出的三角面片数量保持不变,保证满足渲染精度所需的三角面片数据量。
例如,如图4所示,将输入的三角面片网格的顶点V1、V2、V3、…、Vn的集合输入到神经网络,经过处理从神经网络输出顶点V1’、V2’、V3’、…、Vn’的集合,输出的顶点集合是在输入顶点集合上进行的优化的结果。本发明图3所展示的神经网络模块具有隐藏节点H1、H2、H3、…、Hn的层,且每个隐藏节点的输入都来自于前一层中的隐藏节点,以此类推。一般情况下,前一层的每个隐藏节点作为后续层的每个隐藏节点的输入,即隐藏节点H1、H2、H3、…、Hn中的每一个节点被输入到隐藏节点的下一层的另一个节点中,以此输出完整的三角面片数据的集合。
本申请的应用于几何数据的优化方法,通过获取几何模型的几何拓扑数据;对几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据;基于预设的规则对三角面片网格数据进行检测,识别并优化三角面片网格数据中的条带化网格单元,获取优化处理后的三角面片网格数据;将优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角面片网格数据。这样能够识别并修复网格中的失败单元及条带化网格单元,提高渲染效果,且能提高几何网格面的邻近特征表现,处理效率高。
与前述应用功能实现方法实施例相对应,本申请还提供了一种应用于几何数据的优化装置、电子设备及相应的实施例。
图5是本申请实施例示出的应用于几何数据的优化装置的结构示意图。
参见图5,一种应用于几何数据的优化装置50,包括读取模块510、离散模块520、第一处理模块530、第二处理模块540。
读取模块510用于获取几何模型的几何拓扑数据。
离散模块520用于对几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据。
第一处理模块530用于基于预设的规则对三角面片网格数据进行检测,识别并优化三角面片网格数据中的条带化网格单元,获取优化处理后的三角面片网格数据。
第二处理模块540用于将优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角面片网格数据。
在一种实施方式中,离散模块520用于计算几何模型的第一最小包围盒;基于第一最小包围盒,获取全局离散系数;根据全局离散系数,对几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据;获取离散失败的几何面,并计算离散失败的几何面的第二最小包围盒;基于第二最小包围盒,获取局部离散系数;根据局部离散系数,对离散失败的几何面进行网格重构。
在一种实施方式中,第一处理模块530用于根据三角面片网格数据获得三角面片的第一特征值和第二特征值;根据第一特征值和第二特征值的比值计算得出误差评价指标;当误差评价指标大于预设阈值时,识别出三角面片为条带化网格单元,并对三角面片进行优化处理;获取三角面片的第一点的特征值,并根据理想特征函数计算得出第一特征值,第一点是三角面片内任一点;获取三角面片的第一点的特征值,并根据实际特征函数计算得出第二特征值;通过边分裂、边折叠、边交换或点优化对条带化网格单元进行优化处理。
在一种实施方式中,第二处理模块540用于将优化处理后的三角面片网格数据输入至机器学习引擎;通过自顶向下递归的规则处理三角面片网格数据,获得经过机器学习引擎处理后的三角面片网格数据。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
图6是本申请实施例示出的电子设备的结构示意图。
参见图6,电子设备600包括存储器610和处理器620。
处理器620可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器610可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM)和永久存储装置。其中,ROM可以存储处理器620或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器610可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(例如DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器610可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器610上存储有可执行代码,当可执行代码被处理器620处理时,可以使处理器620执行上文述及的方法中的部分或全部。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质),其上存储有可执行代码(或计算机程序或计算机指令代码),当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时,使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种应用于几何数据的优化方法,其特征在于:
获取几何模型的几何拓扑数据;
对所述几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据;
基于预设的规则对所述三角面片网格数据进行检测,识别并优化所述三角面片网格数据中的条带化网格单元,获取优化处理后的三角面片网格数据;
将所述优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角面片网格数据。
2.根据权利要求1所述的方法,其特征在于,所述对所述几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据包括:
计算所述几何模型的第一最小包围盒;
基于所述第一最小包围盒,获取全局离散系数;
根据所述全局离散系数,对所述几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据。
3.根据权利要求2所述的方法,其特征在于,所述对离散失败的面进行网格重构包括:
获取离散失败的几何面,并计算所述离散失败的几何面的第二最小包围盒;
基于所述第二最小包围盒,获取局部离散系数;
根据所述局部离散系数,对所述离散失败的几何面进行网格重构。
4.根据权利要求1所述的方法,其特征在于,所述基于预设的规则对所述三角面片网格数据进行检测,识别并优化所述三角面片网格数据中的条带化网格单元,包括:
根据所述三角面片网格数据获得三角面片的第一特征值和第二特征值;
根据所述第一特征值和第二特征值的比值计算得出误差评价指标;
当所述误差评价指标大于预设阈值时,识别出所述三角面片为条带化网格单元,并对所述三角面片进行优化处理。
5.根据权利要求4所述的方法,其特征在于,所述根据所述三角面片网格数据获得三角面片的第一特征值和第二特征值,包括:
获取所述三角面片的第一点的特征值,并根据理想特征函数计算得出所述第一特征值,所述第一点是所述三角面片内任一点;
获取所述三角面片的第一点的特征值,并根据实际特征函数计算得出所述第二特征值。
6.根据权利要求4所述的方法,其特征在于,所述将所述优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角网格数据,包括:
将所述优化处理后的三角面片网格数据输入至机器学习引擎;
通过自顶向下递归的规则处理所述三角面片网格数据,获得经过机器学习引擎处理后的三角面片网格数据。
7.根据权利要求4至6中任一项所述的方法,其特征在于,包括:
通过边分裂、边折叠、边交换或点优化对所述条带化网格单元进行优化处理。
8.一种几何数据处理装置,其特征在于,包括:
读取模块,用于获取几何模型的几何拓扑数据,
离散模块,用于对所述几何拓扑数据进行离散,并对离散失败的几何面进行网格重构,获得三角面片网格数据;
第一处理模块,用于基于预设的规则对所述三角面片网格数据进行检测,识别并优化所述三角面片数据中的条带化网格单元,获取优化处理后的三角面片网格数据;
第二处理模块,用于将所述优化处理后的三角面片网格数据输入至机器学习引擎,获得经过机器学习引擎处理后的三角面片网格数据。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310021613.2A CN115830180A (zh) | 2023-01-07 | 2023-01-07 | 应用于几何数据的优化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310021613.2A CN115830180A (zh) | 2023-01-07 | 2023-01-07 | 应用于几何数据的优化方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830180A true CN115830180A (zh) | 2023-03-21 |
Family
ID=85520323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310021613.2A Pending CN115830180A (zh) | 2023-01-07 | 2023-01-07 | 应用于几何数据的优化方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830180A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433869A (zh) * | 2023-04-14 | 2023-07-14 | 如你所视(北京)科技有限公司 | 模型渲染中的碎片隐藏方法和装置、存储介质 |
-
2023
- 2023-01-07 CN CN202310021613.2A patent/CN115830180A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433869A (zh) * | 2023-04-14 | 2023-07-14 | 如你所视(北京)科技有限公司 | 模型渲染中的碎片隐藏方法和装置、存储介质 |
CN116433869B (zh) * | 2023-04-14 | 2024-01-23 | 如你所视(北京)科技有限公司 | 模型渲染中的碎片隐藏方法和装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharp et al. | A laplacian for nonmanifold triangle meshes | |
US20120013617A1 (en) | Method for global parameterization and quad meshing on point cloud | |
JP2013507679A (ja) | 三次元物体モデルの3dプリントが可能な方法及びシステム | |
Wang et al. | Surface reconstruction from unoriented point clouds by a new triangle selection strategy | |
CN115830180A (zh) | 应用于几何数据的优化方法、装置、电子设备及存储介质 | |
Zou et al. | An algorithm for triangulating multiple 3D polygons | |
CN115828349A (zh) | 几何模型处理方法、装置、电子设备及存储介质 | |
Zhao et al. | Progressive discrete domains for implicit surface reconstruction | |
US11494982B2 (en) | Feature based abstraction and meshing | |
Sheng et al. | Accelerated robust Boolean operations based on hybrid representations | |
Daniels et al. | Localized quadrilateral coarsening | |
JP7505880B2 (ja) | 生メッシュからの構造化3dモデルの生成 | |
Li et al. | An algorithm for filling complex holes in reverse engineering | |
EP1685509B1 (en) | System, method, and computer program product for determining wall thickness in a graphic model | |
Lai et al. | On the development of blend faces and holes recognition algorithm for CAE applications | |
US20230042464A1 (en) | Methods and systems for of generating an instantaneous quote of any part without toolpathing | |
Skorkovská et al. | A Simple and Robust Approach to Computation of Meshes Intersection. | |
Dagenais et al. | Detail‐Preserving Explicit Mesh Projection and Topology Matching for Particle‐Based Fluids | |
JP3807911B2 (ja) | 解析装置、解析方法および解析プログラムを記録した記録媒体 | |
CN114970283A (zh) | 几何模型结构检测方法、装置、设备及存储介质 | |
US10984592B2 (en) | Spatial decomposition-based repair of defects in boundary representations | |
Xiao et al. | Delaunay meshing and repairing of NURBS models | |
CN118246178B (zh) | 一种叶轮模型的离散方法、装置、设备及存储介质 | |
Giannelli et al. | BIDGCN: boundary-informed dynamic graph convolutional network for adaptive spline fitting of scattered data | |
CN117893712B (zh) | 一种表面结构网格生成方法和装置 |
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 |