CN115935789A - 基于增强现实和机器学习的主动弯曲原竹构件匹配的方法 - Google Patents
基于增强现实和机器学习的主动弯曲原竹构件匹配的方法 Download PDFInfo
- Publication number
- CN115935789A CN115935789A CN202211411365.4A CN202211411365A CN115935789A CN 115935789 A CN115935789 A CN 115935789A CN 202211411365 A CN202211411365 A CN 202211411365A CN 115935789 A CN115935789 A CN 115935789A
- Authority
- CN
- China
- Prior art keywords
- bamboo
- machine learning
- augmented reality
- bending
- raw bamboo
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供基于增强现实和机器学习的主动弯曲原竹构件匹配的方法,涉及建筑设计技术领域。该基于增强现实和机器学习的主动弯曲原竹构件匹配的方法包括基于增强现实的参数化材料数据库建立和机器学习模型预测两部分。该基于增强现实和机器学习的主动弯曲原竹构件匹配的方法实现了对竹节点的位置和数量对最终形态的影响进行模拟,使得设计师能使用手持增强现实设备扫描竹节点位置及数量并建立相应的参数化材料数据库,并使用机器学习模型预测主动弯曲竹构件设计所需求的原竹节点及位置特征,在参数化材料数据库中进行搜索匹配,降低了原竹构造的成本,扩大了原竹作为廉价可再生建筑材料的优势。
Description
技术领域
本发明涉及建筑设计技术领域,具体为基于增强现实和机器学习的主动弯曲原竹构件匹配的方法。
背景技术
乡村建设、特色景观建筑等实践中,包括竹竿、竹片在内的原竹是常用的建筑材料,且常以拱等主动弯曲形式获得其材料强度。这类竹建筑在设计建造中严重依赖专业技术工人的现场调整,且精度低下,其重要原因之一在于竹作为非均质材料,其受力弯曲时的形态受到竹节点位置和数量的影响,需要专业技术工人依据经验选材并弯曲成近似设计需求的形态。
现有建筑设计中对原竹主动弯曲构件的形态生成主要使用基于各向同性匀质材料的物理模拟软件,形成理想形态。这样的软件无法针对竹节点等非匀质情况进行模拟,因此在实际建造中往往出现施工结果与设计差异大、且必须由专业技术工人执行的情况,客观上推高了原竹构造的实现成本,抵消了原竹作为廉价可再生建筑材料的优势。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于增强现实和机器学习的主动弯曲原竹构件匹配的方法,解决了现有的建筑软件设计技术尚无法对竹节点的位置和数量对最终形态的影响进行模拟的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:基于增强现实和机器学习的主动弯曲原竹构件匹配的参数化材料数据库建立,具体包括以下步骤:
S1.预设二维码
在建设需要使用的原竹材端点及节点上粘贴预设的二维码贴纸;
S2.进行数据化
对所有被扫描的竹材b,通过空间坐标进行原竹材料的参数化模型集B。
优选的,所述S1中进一步的为用手持增强现实设备对贴纸所在空间坐标进行扫描。
基于增强现实和机器学习的主动弯曲原竹构件匹配的机器学习模型预测,其特征在于,具体的为以建立用于机器学习的竹节点位置与竹材弯折形态数据库的方法步骤:
a.初步准备
采用与建造所用相同竹材,用工业机器人于黑色背景环境前弯折;
b.图像处理
对图像以计算机视觉进行部分截取及对比度处理,侦测竹材弯折时的形态及节点位置;
c.建立模型
建立机器学习模型,将竹材弯折中机器人抓取端中间曲线均分为1000个点,并标注竹节点在1000个点中的序号o;
d.曲线预测
基于以上机器学习模型,输入任一主动弯曲竹材曲线,即可进行预测形成该曲线需要的竹节点个数n及相对长度L‘;
e.获取竹材
使用取得的竹节点个数n及相对长度集合L‘,在参数化模型集B中通过单目标优化检索,获得最适宜该形态建造的竹材b。
优选的,所述步骤a中进一步的为在弯折过程中采用录像设备全程摄录,并截取关键帧完成数据采集准备工作。
优选的,所述步骤c中即可得出竹节点的相对长度lm=o/1000。
优选的,所述步骤d中相对长度L‘={l‘1,l’2,…,l‘n}。
(三)有益效果
本发明提供了基于增强现实和机器学习的主动弯曲原竹构件匹配的方法。具备以下有益效果:
本发明提供了基于增强现实和机器学习的主动弯曲原竹构件匹配的方法,本发明主要为基于增强现实的参数化材料数据库建立和机器学习模型预测两部分,通过这两部分本发明使得设计师能使用手持增强现实设备扫描竹节点位置及数量并建立相应的参数化材料数据库,并使用机器学习模型预测主动弯曲竹构件设计所需求的原竹节点及位置特征,在参数化材料数据库中进行搜索匹配,实现了对竹节点位置和数量的最终形态影响进行模拟的功能,降低了施工结果与设计结果的差异,减少了成本和资金投入。
附图说明
图1为本发明机器学习模型图;
图2为本发明的截取关键帧完成数据采集准备工作图;
图3为本发明对图2图像以计算机视觉进行部分截取及对比度处理后图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
如图1-3所示,本发明实施例提供基于增强现实和机器学习的主动弯曲原竹构件匹配的参数化材料数据库建立,具体包括以下步骤:
S1.预设二维码
在建设需要使用的原竹材端点及节点上粘贴预设的二维码贴纸,并用手持增强现实设备对贴纸所在空间坐标进行扫描;
S2.进行数据化
对所有被扫描的竹材b,通过空间坐标进行原竹材料的参数化模型集B。设对于一根竹材有n张二维码被扫描,其坐标为p1(x1,y1,z1),p2(x2,y2,z2),…,pn(xn,yn,zn),则参数化建模记录为:
a)代表竹材的直线L方程:(xn–x1)/(xn–x1)=(y–y1)/(yn-y1)=(z-z1)/(zn-z1)
b)竹材长度l=[(xn-x1)2+(yn-y1)2+(zn-z1)2]^0.5
c)每一竹节点的相对位置,其计算方式如下
每一竹节pm可以视作二维码空间坐标在竹材L上的投影,其坐标为
xm’=k(x2-x1)+x1,ym’=k(y2-y1)+y1,zm’=z(x2-z1)+z1,其中
正整数m取值范围为2≤m≤n-1
其相对长度则为lm={[(xm’-x1)2+(ym’-y1)2+(zm’-z1)2]^0.5}/l。
基于增强现实和机器学习的主动弯曲原竹构件匹配的机器学习模型预测,具体的为以建立用于机器学习的竹节点位置与竹材弯折形态数据库的方法步骤:
a.初步准备
采用与建造所用相同竹材,用工业机器人于黑色背景环境前弯折,弯折过程中采用录像设备全程摄录,并截取关键帧完成数据采集准备工作,如图2所示;
b.图像处理
对图像以计算机视觉进行部分截取及对比度处理,侦测竹材弯折时的形态及节点位置,如图3所示;
c.建立模型
基于图1结构,建立机器学习模型,将竹材弯折中机器人抓取端中间曲线均分为1000个点,并标注竹节点在1000个点中的序号o,即可得出竹节点的相对长度lm=o/1000;
d.曲线预测
基于以上机器学习模型,输入任一主动弯曲竹材曲线,即可进行预测形成该曲线需要的竹节点个数n及相对长度L‘={l‘1,l’2,…,l‘n};
e.获取竹材
使用取得的竹节点个数n及相对长度集合L‘,在参数化模型集B中通过单目标优化检索,获得最适宜该形态建造的竹材b。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.基于增强现实和机器学习的主动弯曲原竹构件匹配的参数化材料数据库建立,其特征在于,具体包括以下步骤:
S1.预设二维码
在建设需要使用的原竹材端点及节点上粘贴预设的二维码贴纸;
S2.进行数据化
对所有被扫描的竹材b,通过空间坐标进行原竹材料的参数化模型集B。
2.根据权利要求1所述的基于增强现实和机器学习的主动弯曲原竹构件匹配的参数化材料数据库建立,其特征在于:所述S1中进一步的为用手持增强现实设备对贴纸所在空间坐标进行扫描。
3.基于增强现实和机器学习的主动弯曲原竹构件匹配的机器学习模型预测,其特征在于,具体的为以建立用于机器学习的竹节点位置与竹材弯折形态数据库的方法步骤:
a.初步准备
采用与建造所用相同竹材,用工业机器人于黑色背景环境前弯折;
b.图像处理
对图像以计算机视觉进行部分截取及对比度处理,侦测竹材弯折时的形态及节点位置;
c.建立模型
建立机器学习模型,将竹材弯折中机器人抓取端中间曲线均分为1000个点,并标注竹节点在1000个点中的序号o;
d.曲线预测
基于以上机器学习模型,输入任一主动弯曲竹材曲线,即可进行预测形成该曲线需要的竹节点个数n及相对长度L‘;
e.获取竹材
使用取得的竹节点个数n及相对长度集合L‘,在参数化模型集B中通过单目标优化检索,获得最适宜该形态建造的竹材b。
4.根据权利要求3所述的基于增强现实和机器学习的主动弯曲原竹构件匹配的机器学习模型预测,其特征在于:所述步骤a中进一步的为在弯折过程中采用录像设备全程摄录,并截取关键帧完成数据采集准备工作。
5.根据权利要求3所述的基于增强现实和机器学习的主动弯曲原竹构件匹配的机器学习模型预测,其特征在于:所述步骤c中即可得出竹节点的相对长度lm=o/1000。
6.根据权利要求3所述的基于增强现实和机器学习的主动弯曲原竹构件匹配的机器学习模型预测,其特征在于:所述步骤d中相对长度L‘={l‘1,l’2,…,l‘n}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211411365.4A CN115935789A (zh) | 2022-11-11 | 2022-11-11 | 基于增强现实和机器学习的主动弯曲原竹构件匹配的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211411365.4A CN115935789A (zh) | 2022-11-11 | 2022-11-11 | 基于增强现实和机器学习的主动弯曲原竹构件匹配的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115935789A true CN115935789A (zh) | 2023-04-07 |
Family
ID=86649808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211411365.4A Pending CN115935789A (zh) | 2022-11-11 | 2022-11-11 | 基于增强现实和机器学习的主动弯曲原竹构件匹配的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935789A (zh) |
-
2022
- 2022-11-11 CN CN202211411365.4A patent/CN115935789A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165680B (zh) | 基于视觉slam的室内场景下单一目标物体字典模型改进方法 | |
CN103838437A (zh) | 基于投影图像的触控定位控制方法 | |
CN112035916B (zh) | 一种基于bim技术的建筑施工预拼装方法 | |
US20220392239A1 (en) | Method for labeling image, electronic device, and storage medium | |
CN107330927B (zh) | 机载可见光图像定位方法 | |
CN111310333B (zh) | 一种建筑装饰模拟施工方法 | |
CN112598729A (zh) | 融合激光与相机的目标物体识别与定位方法 | |
CN105334739B (zh) | 基于迭代学习p型学习律的fast整网控制方法 | |
CN113822278A (zh) | 一种无受限场景车牌识别方法 | |
CN108595800B (zh) | 一种网壳结构建模方法 | |
CN111428678A (zh) | 一种面向地物变化检测的空间约束条件下生成对抗网络遥感影像样本扩充方法 | |
CN114255285A (zh) | 视频与城市信息模型三维场景融合方法、系统及存储介质 | |
CN115935789A (zh) | 基于增强现实和机器学习的主动弯曲原竹构件匹配的方法 | |
CN113435293A (zh) | 一种基于关节关系的人体姿态估计方法 | |
CN116051734B (zh) | 基于三维激光扫描及实景三维建模的工程量快速统计方法 | |
CN109493279B (zh) | 一种大规模无人机图像并行拼接方法 | |
CN111368637A (zh) | 一种基于多掩模卷积神经网络的搬运机器人识别目标方法 | |
CN113362296B (zh) | 一种隧道裂缝提取方法及系统 | |
CN115830592A (zh) | 一种重叠宫颈细胞分割方法及系统 | |
CN113486424A (zh) | 一种基于Dynamo实现Revit房间建模和命名标注的方法及模型 | |
CN114332880A (zh) | 一种文本检测方法、装置、设备及存储介质 | |
CN113487737A (zh) | 一种基于bim与全息视觉点云融合的逆向建模预装配方法 | |
CN102829737B (zh) | 判断影像撷取装置的镜头及感测元件是否互相平行的方法 | |
CN111209888A (zh) | 一种人机界面视觉识别系统及方法 | |
CN117301078B (zh) | 一种机器手视觉校准方法及系统 |
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 |