CN116362127B - 一种cad模型运动部件及运动属性联合解析方法及装置 - Google Patents

一种cad模型运动部件及运动属性联合解析方法及装置 Download PDF

Info

Publication number
CN116362127B
CN116362127B CN202310332610.0A CN202310332610A CN116362127B CN 116362127 B CN116362127 B CN 116362127B CN 202310332610 A CN202310332610 A CN 202310332610A CN 116362127 B CN116362127 B CN 116362127B
Authority
CN
China
Prior art keywords
motion
cad model
quality evaluation
candidate
analyzed
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.)
Active
Application number
CN202310332610.0A
Other languages
English (en)
Other versions
CN116362127A (zh
Inventor
王小刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest University
Original Assignee
Southwest University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest University filed Critical Southwest University
Priority to CN202310332610.0A priority Critical patent/CN116362127B/zh
Publication of CN116362127A publication Critical patent/CN116362127A/zh
Application granted granted Critical
Publication of CN116362127B publication Critical patent/CN116362127B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种CAD模型运动部件及运动属性联合解析方法及装置，涉及图像处理技术领域，针对输入的CAD模型，能够全自动的解析其运动部件及其相应的运动属性，无需提供额外的输入信息。方案要点为：根据待解析CAD模型构建连通图；针对连通图，预设运动候选生成网络并提取运动候选；根据预设的质量评估网络，分别对各运动候选进行质量评估；依据质量评估结果合并运动候选，得到待解析CAD模型运动解析结果。本发明主要用于CAD模型运动部件及运动属性联合解析中。

Description

一种CAD模型运动部件及运动属性联合解析方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种CAD模型运动部件及运动属性联合解析方法及装置。
背景技术
三维CAD模型的运动属性解析是实现三维CAD模型功能分析的关键一步，主要是通过解析CAD模型中哪些零部件属于同一个运动部件，以及运动部件的运动属性参数估计，如：运动类型，运动范围等。
现有的三维CAD模型的运动属性解析主要有两种方法：一种方法是在三维模型的预分割的基础上进行的；另一种方法是通过比较单个物体的多种不同运动状态来估计其运动属性的。
上述两种方法均存在缺点,前者因为已有的三维模型的分割结果并非面向模型的运动属性进行分割的，所以导致其无法实施；后者无法满足大多数测试CAD模型。
发明内容
本发明提供一种CAD模型运动部件及运动属性联合解析方法及装置，根据待解析CAD模型构建连通图；针对连通图，预设运动候选生成网络并提取运动候选；根据预设的质量评估网络，分别对各运动候选进行质量评估；依据质量评估结果合并运动候选，得到待解析CAD模型运动解析结果，相比于现有技术，本发明针对输入的CAD模型，能够全自动的解析其运动部件及其相应的运动属性，无需提供额外的输入信息。
为达到上述目的，本发明采用如下技术方案：
本发明第一方面提供一种CAD模型运动部件及运动属性联合解析方法，其特征在于，包括：
根据待解析CAD模型构建连通图。
针对所述连通图，预设运动候选生成网络并提取运动候选。
根据预设的质量评估网络，分别对各所述运动候选进行质量评估，得到质量评估结果。
依据质量评估结果合并所述运动候选，得到待解析CAD模型运动解析结果。
进一步的，所述的CAD模型运动部件及运动属性联合解析方法，在依据质量评估结果合并所述运动候选，得到待解析CAD模型运动解析结果之后，还包括：
将所述待解析CAD模型运动解析结果作为输入，输入至预设的运动全局优化网络中，进行全局优化。
进一步的，所述的CAD模型运动部件及运动属性联合解析方法，针对所述连通图，预设运动候选生成网络并提取运动候选，包括：
提取各结点的特征向量；所述结点为所述连通图中细粒度部件。
依据各所述结点的所述特征向量，计算相邻所述结点间的特征距离，并作为所述连通图中对应边的权重。
根据所述特征距离，判断相邻所述结点是否属于同一运动部件。
根据带权重的所述连通图，通过深度优先搜索，生成一个运动部件候选。
根据各所述运动部件候选，估算对应的运动属性参数。
进一步的，所述的CAD模型运动部件及运动属性联合解析方法，根据预设的质量评估网络，分别对各所述进行质量评估，包括：
将所述运动部件候选沿着运动属性参数进行运动后，判断是否与GT运动部件运动后的状态匹配；匹配误差与质量成反比。
进一步的，所述的CAD模型运动部件及运动属性联合解析方法，所述运动属性参数包括：
所述运动属性参数包括运动轴参数、运动类型和运动范围。
本发明第二方面提供一种CAD模型运动部件及运动属性联合解析装置，包括：
构建单元，用于根据待解析CAD模型构建连通图。
提取单元，用于针对所述连通图，预设运动候选生成网络并提取运动候选。
评估单元，用于根据预设的质量评估网络，分别对各所述运动候选进行质量评估，得到质量评估结果。
合并单元，用于依据质量评估结果合并所述运动候选，得到待解析CAD模型运动解析结果。
进一步的，所述的CAD模型运动部件及运动属性联合解析装置，其特征在于，还包括：
优化单元，用于将所述待解析CAD模型运动解析结果作为输入，输入至预设的运动全局优化网络中，进行全局优化。
进一步的，所述的CAD模型运动部件及运动属性联合解析装置，所述提取单元，包括：
提取模块，用于提取各结点的特征向量；所述结点为所述连通图中细粒度部件。
计算模块，用于依据各所述结点的所述特征向量，计算相邻所述结点间的特征距离，并作为所述连通图中对应边的权重。
判断模块，用于根据所述特征距离，判断相邻所述结点是否属于同一运动部件。
生成模块，用于根据带权重的所述连通图，通过深度优先搜索，生成一个运动部件候选。
估算模块，用于根据各所述运动部件候选，估算对应的运动属性参数。
进一步的，所述的CAD模型运动部件及运动属性联合解析装置，所述评估单元，包括：
运动模块，用于将所述运动部件候选沿着运动属性参数进行运动后，判断是否与GT运动部件运动后的状态匹配；匹配误差与质量成反比。
本发明提供一种CAD模型运动部件及运动属性联合解析方法及装置，根据待解析CAD模型构建连通图；针对连通图，预设运动候选生成网络并提取运动候选；根据预设的质量评估网络，分别对各运动候选进行质量评估；依据质量评估结果合并运动候选，得到待解析CAD模型运动解析结果，相比于现有技术，本发明针对输入的CAD模型，能够全自动的解析其运动部件及其相应的运动属性，无需提供额外的输入信息。
附图说明
为了更清楚地说明本发明实施例的技术方案，以下将对实施例描述中所需要使用的附图作简单地介绍，附图仅用于示出实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例中一种CAD模型运动部件及运动属性联合解析方法流程示意图；
图2为本发明实施例中另一种CAD模型运动部件及运动属性联合解析方法流程示意图；
图3为本发明实施例中一种CAD模型运动部件及运动属性联合解析装置组成结构示意图；
图4为本发明实施例中另一种CAD模型运动部件及运动属性联合解析装置组成结构示意图。
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作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。
除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明术领域的技术人员通常理解的含义相同；本发明中所使用的术语只是为了描述具体地实施例的目的，不是旨在于限制本发明的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本发明实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本发明实施例的描述中，“多个”的含义是两个以上，除非另有明确具体地限定。
在本发明实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本发明实施例的描述中，术语“多个”指的是两个以上(包括两个)，同理，“多组”指的是两组以上(包括两组)，“多片”指的是两片以上(包括两片)。
在本发明实施例的描述中，技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。
在本发明实施例的描述中，除非另有明确的规定和限定，技术术语“安装”“相连”“连接”“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；也可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明例中的具体含义。
实施例1
本发明实施例提供一种CAD模型运动部件及运动属性联合解析方法，如图1所示，包括：
101、根据待解析CAD模型构建连通图。
待解析CAD模型:在本实施例中待解析CAD模型为带有细粒度零部件的三维CAD模型，但本发明对此不作限制，在其它实施例中也可根据实际需求确定。
连通图：在图论中，连通图基于连通的概念，在一个无向图G中，若从顶点vi到顶点vj有路径相连，则称vi和vj是连通的。如果G是有向图，那么连接vi和vj的路径中所有的边都必须同向。如果图中任意两点都是连通的，那么图被称作连通图。如果此图是有向图，则称为强连通图。图的连通性是图的基本性质。
其中，本实施例连通图中的每个结点表示一个细粒度部件，图中边的表示两个部件间彼此连通。
102、针对所述连通图，预设运动候选生成网络并提取运动候选。
运动候选为运动部件分割及其运动属性参数。
运动候选生成网络能够生成多组高质量运动候选。
103、根据预设的质量评估网络，分别对各所述运动候选进行质量评估，得到质量评估结果。
质量评估网络用于对各运动候选进行打分评估。
104、依据质量评估结果合并所述运动候选，得到待解析CAD模型运动解析结果。
根据上述质量评估网络打分结果，将分数大于预设阈值的运动候选进行合并。此处需要说明的是：预设阈值为可调的，可根据实际情况调节，本实施例此处仅以0.8为例进行说明。
本发明实施例提供一种CAD模型运动部件及运动属性联合解析方法，根据待解析CAD模型构建连通图；针对连通图，预设运动候选生成网络并提取运动候选；根据预设的质量评估网络，分别对各运动候选进行质量评估；依据质量评估结果合并运动候选，得到待解析CAD模型运动解析结果，相比于现有技术，本发明针对输入的CAD模型，能够全自动的解析其运动部件及其相应的运动属性，无需提供额外的输入信息。
实施例2
本发明实施例提供一种CAD模型运动部件及运动属性联合解析方法，如图2所示，包括：
201、根据待解析CAD模型构建连通图。
具体地，图中的每个结点表示一个CAD细粒度部件，图中边的表示两个细粒度部件间彼此连通。
202、针对所述连通图，预设运动候选生成网络并提取运动候选。
2021、利用PointNet++提取各结点的特征向量；所述结点为所述连通图中细粒度部件。
2022、依据各所述结点的所述特征向量，计算相邻所述结点间的特征距离，并作为所述连通图中对应边的权重。
2023、根据所述特征距离，判断相邻所述结点是否属于同一运动部件。
具体地，定义了一个基于结点的相似度矩阵来编码两个点是否属于同一运动部件。其中，相似度矩阵中第i行j列的元素表示点Pi与Pj是否属于相同的运动部件(特征距离越小表示越有可能属于同一个运动部件，特征距离越大表示越有可能属于不同的运动部件)。
2024、根据带权重的所述连通图，通过深度优先搜索，生成一个运动部件候选。
根据上述生成的结点相似度矩阵，通过设置一个阈值K，对回归的相似度矩阵进行二值化。具体地，若相似度矩阵中元素值小于K，则置为1(认为属于同一运动部件)；若大于等于K，则置为0(认为属于不同运动部件)。
2025、根据各所述运动部件候选，估算对应的运动属性参数。
所述运动属性参数包括运动轴参数、运动类型和运动范围。其中，运动轴参数估计，即该运动部件可沿某个轴进行合理运动；运动类型分类：主要包括旋转、平移、旋转+平移；运动范围估计：该运动部件在一个合理的区间内运动。
2026、根据预设的质量评估网络，分别对各所述运动候选进行质量评估，得到质量评估结果。
具体地，将所述运动部件候选沿着运动属性参数进行运动后，判断是否与GT运动部件运动后的状态匹配；匹配误差与质量成反比，即匹配误差越小，质量越高。
203、依据质量评估结果合并所述运动候选，得到待解析CAD模型运动解析结果。
具体地，根据上述生成的大量运动候选，及对应的置信度打分，根据非极值抑制算法，生成最终合并结果：当多个运动部件候选有明显重叠时，优先保留匹配分数最高的那一个，同时淘汰与其明显重叠的其它运动部件，并为最终保留的运动部件选择一组最优的运动属性。
204、将所述待解析CAD模型运动解析结果作为输入，输入至预设的运动全局优化网络中，进行全局优化。
基于运动部件之间的运动耦合性，设计运动候选全局优化网络。具体地，针对每个生成的运动候选，以及相应的运动属性估计参数，可以生成该运动候选基于预测的运动属性估计参数运动后的结果。然后，以该三维CAD模型的原始结果作为静态输入分枝，以及该三维CAD模型在上述执行上述运动参数后的结果作为动态输入分枝，同时作为网络的输入，预测上述运动候选进行分割，以及运动属性参数的估计，用来进一步校正上述的运动部件解析结果及运动属性参数估计结果。
此处需要说明的是：本实施例各部分详细说明可参照其它实施例对应部分，此处不再赘述。
本发明实施例提供一种CAD模型运动部件及运动属性联合解析方法，根据待解析CAD模型构建连通图；针对连通图，预设运动候选生成网络并提取运动候选；根据预设的质量评估网络，分别对各运动候选进行质量评估；依据质量评估结果合并运动候选，得到待解析CAD模型运动解析结果，相比于现有技术，本发明针对输入的CAD模型，能够全自动的解析其运动部件及其相应的运动属性，无需提供额外的输入信息。
除此之外，本发明还将待解析CAD模型运动解析结果作为输入，输入至预设的运动全局优化网络中，进行全局优化，进一步优化了解析结果。
实施例3
本发明实施例提供一种CAD模型运动部件及运动属性联合解析装置，如图3所示，包括：
构建单元31，用于根据待解析CAD模型构建连通图。
提取单元32，用于针对所述连通图，预设运动候选生成网络并提取运动候选。
评估单元33，用于根据预设的质量评估网络，分别对各所述运动候选进行质量评估，得到质量评估结果。
合并单元34，用于依据质量评估结果合并所述运动候选，得到待解析CAD模型运动解析结果。
此处需要说明的是：本实施例各部分详细说明可参照其它实施例对应部分，此处不再赘述。
本发明实施例提供一种CAD模型运动部件及运动属性联合解析装置，构建单元根据待解析CAD模型构建连通图；提取单元针对连通图，预设运动候选生成网络并提取运动候选；评估单元根据预设的质量评估网络，分别对各运动候选进行质量评估；合并单元依据质量评估结果合并运动候选，得到待解析CAD模型运动解析结果，相比于现有技术，本发明针对输入的CAD模型，能够全自动的解析其运动部件及其相应的运动属性，无需提供额外的输入信息。
实施例4
本发明实施例提供一种CAD模型运动部件及运动属性联合解析装置，如图4所示，包括：
构建单元41，用于根据待解析CAD模型构建连通图。
提取单元42，用于针对所述连通图，预设运动候选生成网络并提取运动候选。
提取模块421，用于提取各结点的特征向量；所述结点为所述连通图中细粒度部件；
计算模块422，用于依据各所述结点的所述特征向量，计算相邻所述结点间的特征距离，并作为所述连通图中对应边的权重；
判断模块423，用于根据所述特征距离，判断相邻所述结点是否属于同一运动部件；
生成模块424，用于根据带权重的所述连通图，通过深度优先搜索，生成一个运动部件候选；
估算模块425，用于根据各所述运动部件候选，估算对应的运动属性参数
评估单元43，用于根据预设的质量评估网络，分别对各所述运动候选进行质量评估，得到质量评估结果。
运动模块431，用于将所述运动部件候选沿着运动属性参数进行运动后，判断是否与GT运动部件运动后的状态匹配；匹配误差与质量成反比。
合并单元44，用于依据质量评估结果合并所述运动候选，得到待解析CAD模型运动解析结果。
优化单元45，用于将所述待解析CAD模型运动解析结果作为输入，输入至预设的运动全局优化网络中，进行全局优化。
此处需要说明的是：本实施例各部分详细说明可参照其它实施例对应部分，此处不再赘述。
本发明实施例提供一种CAD模型运动部件及运动属性联合解析装置，构建单元根据待解析CAD模型构建连通图；提取单元针对连通图，预设运动候选生成网络并提取运动候选；评估单元根据预设的质量评估网络，分别对各运动候选进行质量评估；合并单元依据质量评估结果合并运动候选，得到待解析CAD模型运动解析结果，相比于现有技术，本发明针对输入的CAD模型，能够全自动的解析其运动部件及其相应的运动属性，无需提供额外的输入信息。
除此之外，本发明优化单元还将待解析CAD模型运动解析结果作为输入，输入至预设的运动全局优化网络中，进行全局优化，进一步优化了解析结果。
最后应说明的是：以上各实施例仅用以说明本发明技术方案，非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (5)

1.一种CAD模型运动部件及运动属性联合解析方法，其特征在于，包括：
根据待解析CAD模型构建连通图；
针对所述连通图，预设运动候选生成网络并提取运动候选，包括：
提取各结点的特征向量；所述结点为所述连通图中细粒度部件；
依据各所述结点的所述特征向量，计算相邻所述结点间的特征距离，并作为所述连通图中对应边的权重；
根据所述特征距离，判断相邻所述结点是否属于同一运动部件；
根据带权重的所述连通图，通过深度优先搜索，生成一个运动部件候选；
根据各所述运动部件候选，估算对应的运动属性参数；
根据预设的质量评估网络，分别对各所述运动候选进行质量评估，得到质量评估结果，包括：将所述运动部件候选沿着运动属性参数进行运动后，判断是否与GT运动部件运动后的状态匹配；匹配误差与质量成反比；
依据所述质量评估结果合并所述运动候选，得到待解析CAD模型运动解析结果。
2.根据权利要求1 所述的CAD模型运动部件及运动属性联合解析方法，其特征在于，在依据质量评估结果合并所述运动候选，得到待解析CAD模型运动解析结果之后，还包括：
将所述待解析CAD模型运动解析结果作为输入，输入至预设的运动全局优化网络中，进行全局优化。
3.根据权利要求1所述的CAD模型运动部件及运动属性联合解析方法，其特征在于，所述运动属性参数包括：
所述运动属性参数包括运动轴参数、运动类型和运动范围。
4.一种CAD模型运动部件及运动属性联合解析装置，其特征在于，包括：
构建单元，用于根据待解析CAD模型构建连通图；
提取单元，用于针对所述连通图，预设运动候选生成网络并提取运动候选，所述提取单元，包括：
提取模块，用于提取各结点的特征向量；所述结点为所述连通图中细粒度部件；
计算模块，用于依据各所述结点的所述特征向量，计算相邻所述结点间的特征距离，并作为所述连通图中对应边的权重；
判断模块，用于根据所述特征距离，判断相邻所述结点是否属于同一运动部件；
生成模块，用于根据带权重的所述连通图，通过深度优先搜索，生成一个运动部件候选；
估算模块，用于根据各所述运动部件候选，估算对应的运动属性参数；
评估单元，用于根据预设的质量评估网络，分别对各所述运动候选进行质量评估，得到质量评估结果，所述评估单元，包括：
运动模块，用于将所述运动部件候选沿着运动属性参数进行运动后，判断是否与GT运动部件运动后的状态匹配；匹配误差与质量成反比；
合并单元，用于依据所述质量评估结果合并所述运动候选，得到待解析CAD模型运动解析结果。
5.根据权利要求4所述的CAD模型运动部件及运动属性联合解析装置，其特征在于，还包括：
优化单元，用于将所述待解析CAD模型运动解析结果作为输入，输入至预设的运动全局优化网络中，进行全局优化。
CN202310332610.0A 2023-03-31 2023-03-31 一种cad模型运动部件及运动属性联合解析方法及装置 Active CN116362127B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310332610.0A CN116362127B (zh) 2023-03-31 2023-03-31 一种cad模型运动部件及运动属性联合解析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310332610.0A CN116362127B (zh) 2023-03-31 2023-03-31 一种cad模型运动部件及运动属性联合解析方法及装置

Publications (2)

Publication Number Publication Date
CN116362127A CN116362127A (zh) 2023-06-30
CN116362127B true CN116362127B (zh) 2024-04-19

Family

ID=86935922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310332610.0A Active CN116362127B (zh) 2023-03-31 2023-03-31 一种cad模型运动部件及运动属性联合解析方法及装置

Country Status (1)

Country Link
CN (1) CN116362127B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679562A (zh) * 2017-09-20 2018-02-09 北京航空航天大学 三维模型的解析处理方法和装置
CN111063398A (zh) * 2019-12-20 2020-04-24 吉林大学 一种基于图贝叶斯优化的分子发现方法
CN112699915A (zh) * 2020-12-07 2021-04-23 杭州电子科技大学 基于改进的图注意力网络识别cad模型装配接口的方法
WO2021189729A1 (zh) * 2020-03-27 2021-09-30 深圳壹账通智能科技有限公司 复杂关系网络的信息分析方法、装置、设备及存储介质
CN115423780A (zh) * 2022-09-05 2022-12-02 湖南国科微电子股份有限公司 基于图像质量的关键帧提取方法、装置、电子设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6082109B2 (ja) * 2013-06-12 2017-02-15 株式会社日立製作所 組立順序生成装置および組立順序生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679562A (zh) * 2017-09-20 2018-02-09 北京航空航天大学 三维模型的解析处理方法和装置
CN111063398A (zh) * 2019-12-20 2020-04-24 吉林大学 一种基于图贝叶斯优化的分子发现方法
WO2021189729A1 (zh) * 2020-03-27 2021-09-30 深圳壹账通智能科技有限公司 复杂关系网络的信息分析方法、装置、设备及存储介质
CN112699915A (zh) * 2020-12-07 2021-04-23 杭州电子科技大学 基于改进的图注意力网络识别cad模型装配接口的方法
CN115423780A (zh) * 2022-09-05 2022-12-02 湖南国科微电子股份有限公司 基于图像质量的关键帧提取方法、装置、电子设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PIE-NET: Parametric Inference of Point Cloud Edges;Xiaogang Wang 等;《Advances in Neural Information Processing Systems 33 (NeurIPS 2020)》;20201231;1-12 *
基于AutoCAD的PUMA560机器人运动学正解分析;徐呈艺 等;《煤矿机械》;20121115;第33卷(第11期);97-99 *
顶点划分映射算法判定运动链同构;曾科翰 等;《工程设计学报》;20120228;第19卷(第1期);43-48 *

Also Published As

Publication number Publication date
CN116362127A (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN109359684B (zh) 基于弱监督定位和子类别相似性度量的细粒度车型识别方法
Xu et al. Scene graph generation by iterative message passing
CN110188228B (zh) 基于草图检索三维模型的跨模态检索方法
CN112699246B (zh) 基于知识图谱的领域知识推送方法
CN110751099B (zh) 一种基于深度学习的无人机航拍视频轨迹高精度提取方法
CN107391512B (zh) 知识图谱预测的方法和装置
CN105931267B (zh) 一种基于改进ViBe算法的运动物体检测跟踪方法
CN108564012B (zh) 一种基于人体特征分布的行人解析方法
CN112116613B (zh) 图像矢量化方法及系统
CN110188763B (zh) 一种基于改进图模型的图像显著性检测方法
CN108985298B (zh) 一种基于语义一致性的人体衣物分割方法
CN113096169B (zh) 一种非刚性多模医学图像的配准模型建立方法及其应用
CN106251362A (zh) 一种基于快速相关邻域特征点的滑窗目标跟踪方法及系统
CN115131560A (zh) 基于全局特征学习和局部特征判别聚合的点云分割方法
CN111104973B (zh) 一种基于知识注意力的细粒度图像分类方法
CN107402859A (zh) 软件功能验证系统及其验证方法
CN114332519A (zh) 一种基于外部三元组和抽象关系的图像描述生成方法
CN116206327A (zh) 一种基于在线知识蒸馏的图像分类方法
CN111144300A (zh) 一种基于图像识别的pdf表格结构识别方法
CN116362127B (zh) 一种cad模型运动部件及运动属性联合解析方法及装置
CN108428234B (zh) 基于图像分割结果评价的交互式分割性能优化方法
CN116721410A (zh) 一种航空发动机密集零部件三维实例分割方法和系统
CN115953806A (zh) 一种基于yolo的2d姿态检测方法
CN115859963A (zh) 一种面向新词义原推荐的相似性判别方法及系统
CN112465253B (zh) 一种城市路网中的链路预测方法及装置

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
GR01 Patent grant
GR01 Patent grant