CN116434221B - 工件形状识别方法、装置、终端设备以及计算机存储介质 - Google Patents
工件形状识别方法、装置、终端设备以及计算机存储介质 Download PDFInfo
- Publication number
- CN116434221B CN116434221B CN202310695384.2A CN202310695384A CN116434221B CN 116434221 B CN116434221 B CN 116434221B CN 202310695384 A CN202310695384 A CN 202310695384A CN 116434221 B CN116434221 B CN 116434221B
- Authority
- CN
- China
- Prior art keywords
- data
- workpiece
- point cloud
- actual
- cloud data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000000547 structure data Methods 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及图像处理技术领域，尤其涉及一种工件形状识别方法、装置、终端设备以及计算机存储介质，该方法包括：获取待测工件的实际点云数据，并依据实际点云数据构建待测工件的初始三维模型；当实际点云数据的特征向量与历史点云数据的特征向量匹配时，确定实际点云数据对应的局部尺度，并依据实际点云数据的距离度量和局部尺度确待测工件的流形结构数据，其中，特征向量至少包括待测工件的复杂几何结构和图像模糊信息，流形结构数据用于反映待测工件在预设的低维空间中的全局几何结构的数据；将流形结构数据映射到初始三维模型对应的原始维度空间上，得到待测工件的实际三维模型以识别待测工件的工件形状，本申请提高了识别工件形状的准确性。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种工件形状识别方法、装置、终端设备以及计算机存储介质。
背景技术
图像处理技术是当今先进制造装备行业不可或缺的技术，在图像处理技术飞速发展的同时，用户对工件形状识别的准确性提出了更高的要求。
传统的工件形状识别方法通常采用摄像测量法或者声发射检测法来对待测工件进行识别，其中，摄像测量法是通过被测物体表面进行标记以识别待测工件的工件形状，但人工标记被测物体表面存在一定的标记误差而造成工件形状的测量准确性差，而声发射检测法是通过检测待测工件在受力过程中产生的声波信号来判断待测工件的形变情况，但也受环境噪声或者待测工件振动的干扰，声发射检测法无法准确地识别待测工件的形状。也就是说，现有的工件形状识别方法对工件形状进行识别存在着准确性差的技术问题。
发明内容
本申请的主要目的在于提供一种工件形状识别方法、装置、终端设备以及计算机存储介质，旨在提高识别工件形状的准确性。
为实现上述目的，本申请提供一种工件形状识别方法，所述工件形状识别方法包括：
获取待测工件的实际点云数据，并依据所述实际点云数据构建所述待测工件的初始三维模型；
当所述实际点云数据的特征向量与历史点云数据的特征向量匹配时，确定所述实际点云数据对应的局部尺度，并依据所述实际点云数据的距离度量和所述局部尺度确定所述待测工件的流形结构数据，其中，所述特征向量至少包括所述待测工件的复杂几何结构和图像模糊信息，所述流形结构数据用于反映待测工件在预设的低维空间中的全局几何结构的数据；
将所述流形结构数据映射到所述初始三维模型对应的原始维度空间上，得到所述待测工件的实际三维模型以识别所述待测工件的工件形状。
可选地，所述局部尺度包括所述待测工件的多个坐标数据点，所述依据所述实际点云数据的距离度量和所述局部尺度确定所述待测工件的流形结构数据的步骤包括：
获取各所述坐标数据点之间的欧式距离，并依据所述实际点云数据的距离度量和所述欧式距离确定各所述坐标数据点的近邻集，所述近邻集包括与所述坐标数据点相邻的多个坐标数据点；
依据各所述坐标数据点和所述近邻集构建所述局部尺度的邻接图，并基于所述邻接图获取所述局部尺度的流形结构子数据；
依据所述流形结构子数据确定所述待测工件的流形结构数据。
可选地，所述依据所述实际点云数据的距离度量和所述欧式距离确定各所述坐标数据点的近邻集的步骤包括：
确定所述实际点云数据的距离度量对应的阈值范围，并检测所述欧式距离是否处于所述阈值范围内；
若所述欧式距离处于所述阈值范围内，则确定所述各所述坐标数据点对应的数据半径；
依据各所述数据半径从所述实际点云数据中查找各所述坐标数据点的近邻集。
可选地，所述局部尺度的数量有多个，所述依据所述流形结构子数据确定所述待测工件的流形结构数据的步骤包括：
在获取到各所述局部尺度对应的流形结构子数据后，获取各所述流形结构子数据对应的数据中心点，并确定所述数据中心点对应的时间标识；
依据所述时间标识的先后顺序对各所述数据中心点进行排序，得到排序集，从所述排序集中获取各所述数据中心点对应的邻居节点，并将所述数据中心点与所述邻居节点进行连接，得到所述待测工件的流形结构数据。
可选地，所述获取各所述流形结构子数据对应的数据中心点的步骤，包括：
依据所述低维空间对各所述流形结构子数据进行降维处理，得到各所述流形结构子数据映射到所述低维空间的映射平均数据，并将各所述映射平均数据作为各所述流形结构子数据对应的数据中心点。
可选地，获取待测工件的实际点云数据的步骤，所述工件形状识别方法还包括：
获取待测工件在当前方向的当前图像数据；
当所述当前图像数据与所述待测工件的目标图像数据匹配时，将所述当前图像数据重叠在所述目标图像数据上，得到所述待测工件的实际图像数据，所述目标图像数据是指待测工件在其它方向的其它图像数据，所述其它方向是指除所述当前方向之外的任一方向；
获取与所述实际图像数据对应的实际点云数据。
可选地，所述获取与所述实际图像数据对应的实际点云数据的步骤，包括：
确定所述实际图像数据对应的初始点云数据，并对所述初始点云数据进行数据预处理，得到预处理后的初始点云数据，所述数据预处理至少包括去噪处理；
依据所述待测工件的图像特征信息对所述预处理后的初始点云数据进行采样，得到实际点云数据。
此外，为实现上述目的，本申请还提供一种工件形状识别装置，本申请工件形状识别装置包括：
获取模块，用于获取待测工件的实际点云数据，并依据所述实际点云数据构建所述待测工件的初始三维模型；
匹配模块，用于当所述实际点云数据的特征向量与历史点云数据的特征向量匹配时，确定所述实际点云数据对应的局部尺度，并依据所述实际点云数据的距离度量和所述局部尺度确定所述待测工件的流形结构数据，其中，所述特征向量至少包括所述待测工件的复杂几何结构和图像模糊信息，所述流形结构数据用于反映待测工件在预设的低维空间中的全局几何结构的数据；
识别模块，用于将所述流形结构数据映射到所述初始三维模型对应的原始维度空间上，得到所述待测工件的实际三维模型以识别所述待测工件的工件形状。
本申请工件形状识别装置的各个功能模块在运行时实现如上所述的本申请工件形状识别方法的步骤。
此外，为实现上述目的，本申请还提供一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工件形状识别程序，所述工件形状识别程序被所述处理器执行时实现上述工件形状识别方法的步骤。
此外，为实现上述目的，本申请还提供一种计算机存储介质，所述计算机存储介质上存储有工件形状识别程序，所述工件形状识别程序被处理器执行时实现上述的工件形状识别方法的步骤。
本申请首先获取待测工件的实际点云数据，然后根据实际点云数据及时地构建待测工件的初始三维模型，且当实际点云数据的实际特征向量与历史点云数据的历史特征向量匹配时，可以准确地确定实际点云数据对应的局部尺度，然后依据实际点云数据的距离度量和局部尺度可以快速准确地确定待测工件的流形结构数据，从而提高了获取流形结构数据的可靠性，然后将这个流形结构数据及时地映射到初始三维模型对应的原始维度空间上以对初始三维模型进行准确地调整，得到待测工件的实际三维模型，即本申请通过提高待测工件的测量精度从而实现准确地识别待测工件的工件形状，进而有效地提高了识别工件形状的准确性。
附图说明
图1是本申请工件形状识别方法第一实施例的流程示意图；
图2是本申请工件形状识别方法第二实施例的流程示意图；
图3是本申请实施例方案涉及的工件形状识别装置的结构示意图；
图4为本申请实施例方案涉及的终端设备的结构示意图；
图5是本申请实施例方案涉及的计算机存储介质的结构示意图。
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
本申请实施例提供了一种工件形状识别方法，参照图1所示，图1是本申请工件形状识别方法第一实施例的流程示意图。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。
本实施例中，本申请工件形状识别方法具体是由对待测工件进行工件形状识别的终端设备来执行，在下述实施例中不再对本申请的执行主体进行赘述。本申请工件形状识别方法包括：
步骤S10：获取待测工件的实际点云数据，并依据所述实际点云数据构建所述待测工件的初始三维模型；
在本实施例中，依据终端设备中的激光雷达获取待测工件在当前方向的实际点云数据，然后依据实际点云数据构建待测工件的初始三维模型。
需要说明的是，实际点云数据的数量有多个，且每个实际加工数据至少包括待测工件的三维坐标、颜色信息和强度信息。激光雷达可以理解为匹配有变形镜头的单线激光雷达。待测工件可以理解为大尺寸工件，本申请的大尺寸工件包括但不限于航空、铁路和船舶大型结构件。
步骤S20：当所述实际点云数据的特征向量与历史点云数据的特征向量匹配时，确定所述实际点云数据对应的局部尺度，并依据所述实际点云数据的距离度量和所述局部尺度确定所述待测工件的流形结构数据，其中，所述特征向量至少包括所述待测工件的复杂几何结构和图像模糊信息，所述流形结构数据用于反映待测工件在预设的低维空间中的几何结构的数据；
在本实施例中，检测实际点云数据的实际特征向量是否与历史点云数据的历史特征向量一致，若实际点云数据的实际特征向量与历史点云数据的历史特征向量一致，则确定实际点云数据的实际特征向量与历史点云数据的历史特征向量匹配，进而将多个实际点云数据输入至预设的神经网络模型中进行模型训练，可以快速准确地确定地得到所述待测工件的多个多维数据，从而提高了数据处理的效率性，然后确定各多维数据各自对应的维数，并依据维数对多维数据进行分解，得到不同的局部尺度，即通过对多维数据的分层处理，降低了多维数据处理的复杂程度，并提高了数据处理的效率。最后依据实际点云数据的距离度量和局部尺度确定所述待测工件的流形结构数据。
需要说明的是，历史点云数据的数量有多个，历史点云数据可以理解为激光雷达在历史时刻采集到的待测工件在其它方向的点云数据。特征向量包括但不限于待测工件的复杂几何结构和图像模糊信息。多维数据可以理解为待测工件在不同维数空间上的坐标数据点。局部尺度可以理解为用于反映待测工件的局部特征的信息。流形结构数据可以理解为用于反映待测工件在预设的低维空间中的全局几何结构的数据，即待测工件在预设的低维空间中的具体形状或者具体位置。
在具体实施例中，依据维数对多维数据进行分解，得到不同的局部尺度的步骤还可以包括：将多维数据中维数一致的多维数据进行分类，得到多个分类类别，并将每一分类类别作为待测工件的一个局部尺度，且每一类别至少包括两个维数相同的多维数据。例如，当确定维数数值为N维时，将N维中的多个维数一致的多维数据作为待测工件的一个局部尺度所包含的多个坐标数据点，其中，N为大于0的自然数；具体的，当确定维数数值为三维时，将三维中的多个维数一致的多维数据作为待测工件的一个局部尺度所包含的多个坐标数据点，即将从多维数据中获取的多个三维数据作为待测工件的一个局部尺度所包含的多个坐标数据点。
进一步地，在又一实施例中，检测实际点云数据的实际特征向量是否与历史点云数据的历史特征向量一致，若实际点云数据的实际特征向量与历史点云数据的历史特征向量不一致，则确定实际点云数据的实际特征向量与历史点云数据的历史特征向量不匹配，从终端设备的存储器中获取新的历史点云数据，并将新的历史点云数据作为下一个历史点云数据，返回执行检测实际点云数据的实际特征向量是否与历史点云数据的历史特征向量一致的步骤，从而提高了获取多维数据的可靠性。
步骤S30：将所述流形结构数据映射到所述初始三维模型对应的原始维度空间上，得到所述待测工件的实际三维模型以识别所述待测工件的工件形状；
在本实施例中，首先确定初始三维模型对应的原始维度空间，并将流形结构数据映射到原始维度空间上，得到待测工件的实际三维模型，然后依据待测工件的实际三维模型对待测工件的工件形状进行识别，进而有效地提高了激光雷达对待测工件进行测量的精度，从而可以准确地识别待测工件的工件形状，即提高了识别工件形状的准确性。
综上，本申请首先获取待测工件的实际点云数据，然后根据实际点云数据及时地构建待测工件的初始三维模型，且当实际点云数据的实际特征向量与历史点云数据的历史特征向量匹配时，可以准确地确定实际点云数据对应的局部尺度，然后依据实际点云数据的距离度量和局部尺度可以快速准确地确定待测工件的流形结构数据，从而提高了获取流形结构数据的可靠性，然后将这个流形结构数据及时地映射到初始三维模型对应的原始维度空间上以对初始三维模型进行准确地调整，得到待测工件的实际三维模型，即本申请通过提高待测工件的测量精度从而实现准确地识别待测工件的工件形状，进而有效地提高了识别工件形状的准确性。
进一步地，基于本申请工件形状识别方法的第一实施例，提出本申请工件形状识别方法的第二实施例，参照图2，图2是本申请工件形状识别方法第二实施例的流程示意图。
进一步地，在一些可行的实施例中，所述局部尺度包括所述待测工件的多个坐标数据点，上述步骤S20：依据所述实际点云数据的距离度量和所述局部尺度确定所述待测工件的流形结构数据，还可以包括以下实施步骤：
步骤S201：获取各所述坐标数据点之间的欧式距离，并依据所述实际点云数据的距离度量和所述欧式距离确定各所述坐标数据点的近邻集，所述近邻集包括与所述坐标数据点相邻的多个坐标数据点；
在本实施例中，从同一个局部尺度中首先获取目标坐标点与其它坐标点之间的欧式距离（即各坐标数据点相对于其它坐标数据点的欧氏距离），然后依据实际点云数据的距离度量和该欧式距离确定各坐标数据点的近邻集，其中，目标坐标点是指多个坐标数据点中的任意一个坐标数据点，其它坐标点是指在多个坐标数据点中除目标坐标点之外的其它坐标数据点。
需要说明的是，近邻集的数量有多个，一个局部尺度包括多个近邻集，近邻集包括与坐标数据点相邻的多个坐标数据点，近邻集是依据同一局部尺度中各坐标数据点对应的数据半径确定的。具体的，在每个局部尺度中依次查找各坐标数据点对应的数据半径所在区域内的多个邻居坐标点（即坐标数据点），并将每个坐标数据点的数据半径所在区域内的多个邻居坐标点作为各坐标数据点的近邻集。
步骤S202：依据各所述坐标数据点和所述近邻集构建所述局部尺度的邻接图，并基于所述邻接图获取所述局部尺度的流形结构子数据；
在本实施例中，从一个局部尺度中获取各坐标数据点对应所有邻居坐标点，将每一个坐标数据点与各坐标数据点对应的所有邻居坐标点进行连接，得到这个局部尺度的邻接图；然后依据局部线性嵌入算法或局部保持投影算法从这个邻接图中获取这个局部尺度的流形结构子数据。
需要说明的是，流形结构子数据可以理解为用于反映局部尺度所在X维空间（X为大于2的自然数）的局部几何结构的数据，例如，当这个局部尺度处于所在三维空间时，可以将这个流形结构子数据理解为三维空间的曲面数据。
在又一实施例中，在同一个局部尺度中获取各坐标数据点相对于其它坐标数据点的切比雪夫距离（即各坐标数据点的数值差绝对值的最大值），然后依据多个切比雪夫距离构建这个局部尺度的邻接图。
步骤S203：依据所述流形结构子数据确定所述待测工件的流形结构数据。
在本实施例中，在获取到所有局部尺度对应的流形结构子数据后，依据预设的低维空间对每个流形结构子数据进行降维处理，进而可以快速准确地得到待测工件的流形结构数据，从而避免了维数灾难的现象发生，有效地提高了数据处理的表达能力和识别性能。
进一步地，在一些可行的实施例中，在上述步骤S202：依据所述实际点云数据的距离度量和所述欧式距离确定各所述坐标数据点的近邻集，还可以包括以下实施步骤：
步骤S2021：确定所述实际点云数据的距离度量对应的阈值范围，并检测所述欧式距离是否处于所述阈值范围内；
在本实施例中，获取实际点云数据的距离度量对应的阈值范围，并依次将各坐标数据点相对于其它坐标数据点的欧氏距离，与这个阈值范围进行比较，即依据实际点云数据的欧氏距离检测是否有存在于欧氏距离对应的阈值范围内的坐标数据点。
步骤S2022：若所述欧式距离处于所述阈值范围内，则确定所述各所述坐标数据点对应的数据半径；
在本实施例中，若欧式距离处于所述阈值范围内，即至少存在有欧氏距离处于阈值范围内的两个坐标数据点，然后确定这两个坐标数据点各自对应的数据半径。
步骤S2023：依据各所述数据半径从所述实际点云数据中查找各所述坐标数据点的近邻集。
在本实施例中，依据每个数据半径从实际点云数据中查找到各数据半径所在区域内的多个邻居坐标点，并将各数据半径所在区域内的多个邻居坐标点作为各坐标数据点的近邻集。
进一步地，在另一些可行的实施例中，所述局部尺度的数量有多个，步骤S203：依据所述流形结构子数据确定所述待测工件的流形结构数据，还可以包括以下实施步骤：
步骤S2031：在获取到各所述局部尺度对应的流形结构子数据后，获取各所述流形结构子数据对应的数据中心点，并确定所述数据中心点对应的时间标识；
在本实施例中，在获取到各局部尺度对应的流形结构子数据后，即在获取到所有局部尺度对应的流形结构子数据后，将各流形结构子数据映射到预设的低维空间中，并在预设的低维空间中获取各流形结构子数据对应的映射平均数据，并将各映射平均数据作为各流形结构子数据对应的数据中心点，从而有效地降低了数据处理的复杂程度，然后确定数据中心点对应的时间标识，其中，每个数据中心点都对应着一个时间标识。
在具体实施例中，每一局部尺度对应的流形结构子数据的数量有多个，换句话说，一个局部尺度还包括多个流形结构子数据，即将这个局部尺度中的多个流形结构子数据映射到预设的低维空间中，得到各流形结构子数据对应的映射数据，并在预设的低维空间中对这个局部尺度中各流形结构子数据对应的映射数据进行求和平均计算，得到数据平均值，然后从这个局部尺度中的多个映射数据中查找与数据平均值最接近的映射数据，并将查找到的这个与数据平均值最接近的映射数据作为映射平均数据，然后将该映射平均数据作为这个局部尺度中多个流形结构子数据的数据中心点。
步骤S2032：依据所述时间标识的先后顺序对各所述数据中心点进行排序，得到排序集，从所述排序集中获取各所述数据中心点对应的邻居节点，并将所述数据中心点与所述邻居节点进行连接，得到所述待测工件的流形结构数据。
在本实施例中，依据各时间标识的先后顺序对各数据中心点进行排序，得到排序集，在这个排序集中获取与各数据中心点相邻的数据中心点，并将与各数据中心点相邻的数据中心点作为各所述数据中心点对应的邻居节点，并将各数据中心点与各数据中心点对应的邻居节点进行连接，得到待测工件的流形结构数据。
在具体实施例中，数据中心点至少包括第一数据中心点、第二数据中心点、第三数据中心点和第四数据中心点。若第一数据中心点的时间标识为10:00；第二数据中心点的时间标识为10:01；第三数据中心点的时间标识为10:02；第四数据中心点的时间标识为10:03；此时，依据各时间标识的先后顺序依次对第一数据中心点、第二数据中心点、第三数据中心点以及第四数据中心点进行排序，得到排序集，在这个排序集中，将第二数据中心点作为第一数据中心点的邻居节点；将第三数据中心点作为第二数据中心点的邻居节点；将第四数据中心点作为第三数据中心点的邻居节点，然后依次连接第一数据中心点、第二数据中心点、第三数据中心点和第四数据中心点，即依次第一数据中心点、第二数据中心点、第三数据中心点和第四数据中心点进行连接，以得到待测工件的全局尺度，然后对待测工件的全局尺度进行线性或非线性变换，得到全局尺度的流形结构数据。其中，全局尺度可以理解为用于反映待测工件在预设的低维空间中全部特征的信息。
进一步地，在一些可行的实施例中，在上述步骤S2031：获取各所述流形结构子数据对应的数据中心点的步骤，还可以包括以下实施步骤：
步骤S20311：依据所述低维空间对各所述流形结构子数据进行降维处理，得到各所述流形结构子数据映射到所述低维空间的映射平均数据，并将各所述映射平均数据作为各所述流形结构子数据对应的数据中心点。
需要说明的是，降温处理至少包括多维尺度变换（multidimensional scaling，MDS）和等距映射算法（ISOMAP，IsometricFeatureMapping）。
在本实施例中，按照多维尺度变换或者等距映射算法将各局部尺度的流形结构子数据降维至预设的低维空间中，得到各局部尺度的流形结构子数据映射到低维空间的映射平均数据，并将各映射平均数据作为各局部尺度的流形结构子数据对应的数据中心点。
进一步地，在另一些可行的实施例中，在上述步骤S10：获取待测工件的实际点云数据，还可以包括以下实施步骤：
步骤S101：获取待测工件在当前方向的当前图像数据；
在本实施例中，依据终端设备中的激光雷达获取待测工件在当前方向的当前图像数据，其中，当前图像数据至少包括待测工件的图像数据和环境噪声。
步骤S102：当所述当前图像数据与所述待测工件的目标图像数据匹配时，将所述当前图像数据重叠在所述目标图像数据上，得到所述待测工件的实际图像数据，所述目标图像数据是指待测工件在其它方向的其它图像数据，所述其它方向是指除所述当前方向之外的任一方向；
在本实施例中，若当前图像数据的图像特征点与待测工件的某个目标图像数据的图像特征点一致时，则确定当前图像数据与待测工件的目标图像数据匹配，且在确定当前图像数据与待测工件的目标图像数据匹配的同一时刻，将当前图像数据重叠在目标图像数据上，以消除变形镜头所带来的待测工件的形状畸变，换句话说，通过匹配激光雷达前后采集的待测工件的图像数据来矫正运动模糊或畸变，进而可以准确地获取待测工件的实际图像数据。
需要说明的是，目标图像数据是指待测工件在其它方向的其它图像数据，且其它方向是指除当前方向之外的任一方向。具体的，通过激光雷达采集到待测工件在当前方向为东向的当前图像数据后，获取待测工件在南向的目标图像数据；
步骤S103：获取与所述实际图像数据对应的实际点云数据。
在本实施例中，首先确定实际图像数据对应的初始点云数据，然后依次对初始点云数据进行数据预处理和采样，得到待测工件的实际点云数据。
进一步地，在另一些可行的实施例中，上述步骤S103：获取与所述实际图像数据对应的实际点云数据，还可以包括以下实施步骤：
步骤S1031：确定所述实际图像数据对应的初始点云数据，并对所述初始点云数据进行数据预处理，得到预处理后的初始点云数据，所述数据预处理至少包括去噪处理；
在本实施例中，首先确定实际图像数据对应的初始点云数据，并对初始点云数据进行数据预处理，得到预处理后的初始点云数据，从而有效地提高了后续对预处理后的初始点云数据进行采样的准确性。其中，数据预处理至少包括去噪处理。
步骤S1032：依据所述待测工件的图像特征信息对所述预处理后的初始点云数据进行采样，得到实际点云数据。
在本实施例中，依据待测工件的图像特征信息对预处理后的初始点云数据进行采样，得到实际点云数据。
需要说明的是，图像特征信息包括但不限于待测工件的颜色数据和几何结构数据。
综上，本申请先对激光雷达前后采集的待测工件的图像数据进行匹配，消除了变形镜头带来的工件形状的畸变，进而可以准确地获取待测工件的实际图像数据，然后对实际图像数据对应的初始点云数据进行数据预处理，有效地消除了环境噪声对识别待测工件的工件形状的影响，然后依据待测工件的图像特征信息对预处理后的初始点云数据进行针对性的采样，得到实际点云数据，从而可以有效地捕捉待测工件的复杂形状和结构信息，提高激光雷达测量的精度；然后当实际点云数据的实际特征向量与历史点云数据的历史特征向量匹配时，对实际点云数据进行分层处理，得到不同的局部尺度，从而有效地降低了大数据量对系统性能的影响，提高了数据处理效率。然后依据各局部尺度对应的流形结构子数据构建全局尺度的流形结构数据，并将流形结构数据映射到初始三维模型对应的原始维度空间上，得到待测工件的实际三维模型，然后依据这个实际三维模型从而可以更加准确地重构出待测工件的表面形状结构，从而提高测量的准确性，进而提高了对待测工件的工件形状进行识别的准确性。另外，本申请可以实现对待测工件的无接触测量，避免了传统测量方法中因接触而带来的误差，同时也能避免在测量过程中对待测工件造成伤害或损坏，对保护工件的完整性有很好的效果。
此外，本申请还提供一种工件形状识别装置，请参照图3，图3是本申请实施例方案涉及的工件形状识别装置的结构示意图。
本申请工件形状识别装置包括：
获取模块H01，用于获取待测工件的实际点云数据，并依据所述实际点云数据构建所述待测工件的初始三维模型；
匹配模块H02，用于当所述实际点云数据的特征向量与历史点云数据的特征向量匹配时，确定所述实际点云数据对应的局部尺度，并依据所述实际点云数据的距离度量和所述局部尺度确定所述待测工件的流形结构数据，其中，所述特征向量至少包括所述待测工件的复杂几何结构和图像模糊信息，所述流形结构数据用于反映待测工件在预设的低维空间中的全局几何结构的数据；
识别模块H03，用于将所述流形结构数据映射到所述初始三维模型对应的原始维度空间上，得到所述待测工件的实际三维模型以识别所述待测工件的工件形状。
可选地，匹配模块H02还可以包括：
第一获取单元，用于获取各所述坐标数据点之间的欧式距离，并依据所述实际点云数据的距离度量和所述欧式距离确定各所述坐标数据点的近邻集，所述近邻集包括与所述坐标数据点相邻的多个坐标数据点；
构建单元，用于依据各所述坐标数据点和所述近邻集构建所述局部尺度的邻接图，并基于所述邻接图获取所述局部尺度的流形结构子数据；
流形学习单元，用于依据所述流形结构子数据确定所述待测工件的流形结构数据。
可选地，匹配模块H02还可以包括：
检测单元，用于确定所述实际点云数据的距离度量对应的阈值范围，并检测所述欧式距离是否处于所述阈值范围内；
数据半径确定单元，用于若所述欧式距离处于所述阈值范围内，则确定所述各所述坐标数据点对应的数据半径；
查找单元，用于依据各所述数据半径从所述实际点云数据中查找各所述坐标数据点的近邻集。
可选地，匹配模块H02还可以包括：
第二获取单元，用于在获取到各所述局部尺度对应的流形结构子数据后，获取各所述流形结构子数据对应的数据中心点，并确定所述数据中心点对应的时间标识；
连接单元，用于依据所述时间标识的先后顺序对各所述数据中心点进行排序，得到排序集，从所述排序集中获取各所述数据中心点对应的邻居节点，并将所述数据中心点与所述邻居节点进行连接，得到所述待测工件的流形结构数据。
可选地，匹配模块H02还可以包括：
降维单元，用于依据所述低维空间对各所述流形结构子数据进行降维处理，得到各所述流形结构子数据映射到所述低维空间的映射平均数据，并将各所述映射平均数据作为各所述流形结构子数据对应的数据中心点。
可选地，获取模块H01还可以包括：
第三获取单元，用于获取待测工件在当前方向的当前图像数据；
重叠单元，用于当所述当前图像数据与所述待测工件的目标图像数据匹配时，将所述当前图像数据重叠在所述目标图像数据上，得到所述待测工件的实际图像数据，所述目标图像数据是指待测工件在其它方向的其它图像数据，所述其它方向是指除所述当前方向之外的任一方向；
第四获取单元用于获取与所述实际图像数据对应的实际点云数据。
可选地，获取模块H01还可以包括：
处理单元，用于确定所述实际图像数据对应的初始点云数据，并对所述初始点云数据进行数据预处理，得到预处理后的初始点云数据，所述数据预处理至少包括去噪处理；
采样单元，用于依据所述待测工件的图像特征信息对所述预处理后的初始点云数据进行采样，得到实际点云数据。
本申请工件形状识别装置的各个功能模块在运行时实现如上所述的本申请工件形状识别方法的步骤。
此外，本申请还提供一种终端设备。请参照图4，图4为本申请实施例方案涉及的终端设备的结构示意图。本申请实施例终端设备具体可以是为本地运行工件形状识别的设备。
如图4所示，本申请实施例终端设备可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如Wi-Fi接口）。
存储器1005设置在终端设备主体上，存储器1005上存储有程序，该程序被处理器1001执行时实现相应的操作。存储器1005还用于存储供终端设备使用的参数。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图4中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图4所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及终端设备的工件形状识别程序。
在图4所示的终端设备中，处理器1001可以用于调用存储器1005中存储的终端设备的工件形状识别程序，并执行上述工件形状识别方法的步骤。
此外，请参照图5，图5是本申请实施例方案涉及的计算机存储介质的结构示意图。本申请提供了一种计算机存储介质。该计算机存储介质上存储有工件形状识别程序，工件形状识别程序被处理器执行时实现上述的工件形状识别方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上述的一个计算机存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种工件形状识别方法，其特征在于，所述工件形状识别方法包括：
获取待测工件的实际点云数据，并依据所述实际点云数据构建所述待测工件的初始三维模型；
当所述实际点云数据的特征向量与历史点云数据的特征向量匹配时，确定所述实际点云数据对应的局部尺度，并依据所述实际点云数据的距离度量和所述局部尺度确定所述待测工件的流形结构数据，其中，所述特征向量至少包括所述待测工件的复杂几何结构和图像模糊信息，所述流形结构数据用于反映待测工件在预设的低维空间中的全局几何结构的数据；
将所述流形结构数据映射到所述初始三维模型对应的原始维度空间上，得到所述待测工件的实际三维模型以识别所述待测工件的工件形状。
2.如权利要求1所述工件形状识别方法，其特征在于，所述局部尺度包括所述待测工件的多个坐标数据点，所述依据所述实际点云数据的距离度量和所述局部尺度确定所述待测工件的流形结构数据的步骤包括：
获取各所述坐标数据点之间的欧式距离，并依据所述实际点云数据的距离度量和所述欧式距离确定各所述坐标数据点的近邻集，所述近邻集包括与所述坐标数据点相邻的多个坐标数据点；
依据各所述坐标数据点和所述近邻集构建所述局部尺度的邻接图，并基于所述邻接图获取所述局部尺度的流形结构子数据；
依据所述流形结构子数据确定所述待测工件的流形结构数据。
3.如权利要求2所述工件形状识别方法，其特征在于，所述依据所述实际点云数据的距离度量和所述欧式距离确定各所述坐标数据点的近邻集的步骤包括：
确定所述实际点云数据的距离度量对应的阈值范围，并检测所述欧式距离是否处于所述阈值范围内；
若所述欧式距离处于所述阈值范围内，则确定所述各所述坐标数据点对应的数据半径；
依据各所述数据半径从所述实际点云数据中查找各所述坐标数据点的近邻集。
4.如权利要求3所述工件形状识别方法，其特征在于，所述局部尺度的数量有多个，所述依据所述流形结构子数据确定所述待测工件的流形结构数据的步骤包括：
在获取到各所述局部尺度对应的流形结构子数据后，获取各所述流形结构子数据对应的数据中心点，并确定所述数据中心点对应的时间标识；
依据所述时间标识的先后顺序对各所述数据中心点进行排序，得到排序集，从所述排序集中获取各所述数据中心点对应的邻居节点，并将所述数据中心点与所述邻居节点进行连接，得到所述待测工件的流形结构数据。
5.如权利要求4所述工件形状识别方法，其特征在于，所述获取各所述流形结构子数据对应的数据中心点的步骤，包括：
依据所述低维空间对各所述流形结构子数据进行降维处理，得到各所述流形结构子数据映射到所述低维空间的映射平均数据，并将各所述映射平均数据作为各所述流形结构子数据对应的数据中心点。
6.如权利要求1所述工件形状识别方法，其特征在于，获取待测工件的实际点云数据的步骤，所述工件形状识别方法还包括：
获取待测工件在当前方向的当前图像数据；
当所述当前图像数据与所述待测工件的目标图像数据匹配时，将所述当前图像数据重叠在所述目标图像数据上，得到所述待测工件的实际图像数据，所述目标图像数据是指待测工件在其它方向的其它图像数据，所述其它方向是指除所述当前方向之外的任一方向；
获取与所述实际图像数据对应的实际点云数据。
7.如权利要求6所述工件形状识别方法，其特征在于，所述获取与所述实际图像数据对应的实际点云数据的步骤，包括：
确定所述实际图像数据对应的初始点云数据，并对所述初始点云数据进行数据预处理，得到预处理后的初始点云数据，所述数据预处理至少包括去噪处理；
依据所述待测工件的图像特征信息对所述预处理后的初始点云数据进行采样，得到实际点云数据。
8.一种工件形状识别装置，其特征在于，所述工件形状识别装置，包括：
获取模块，用于获取待测工件的实际点云数据，并依据所述实际点云数据构建所述待测工件的初始三维模型；
匹配模块，用于当所述实际点云数据的特征向量与历史点云数据的特征向量匹配时，确定所述实际点云数据对应的局部尺度，并依据所述实际点云数据的距离度量和所述局部尺度确定所述待测工件的流形结构数据，其中，所述特征向量至少包括所述待测工件的复杂几何结构和图像模糊信息，所述流形结构数据用于反映待测工件在预设的低维空间中的全局几何结构的数据；
识别模块，用于将所述流形结构数据映射到所述初始三维模型对应的原始维度空间上，得到所述待测工件的实际三维模型以识别所述待测工件的工件形状。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的工件形状识别程序，所述处理器执行所述工件形状识别程序时实现如权利要求1至7中任一项所述工件形状识别方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有工件形状识别程序，所述工件形状识别程序被处理器执行时实现如权利要求1至7中任一项所述工件形状识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310695384.2A CN116434221B (zh) | 2023-06-13 | 2023-06-13 | 工件形状识别方法、装置、终端设备以及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310695384.2A CN116434221B (zh) | 2023-06-13 | 2023-06-13 | 工件形状识别方法、装置、终端设备以及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116434221A CN116434221A (zh) | 2023-07-14 |
| CN116434221B true CN116434221B (zh) | 2023-09-01 |
Family
ID=87087587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310695384.2A Active CN116434221B (zh) | 2023-06-13 | 2023-06-13 | 工件形状识别方法、装置、终端设备以及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116434221B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210500A (zh) * | 2019-06-06 | 2019-09-06 | 上海黑塞智能科技有限公司 | 一种基于多尺度局部特征嵌入的点云分类方法 |
| CN114972459A (zh) * | 2022-05-31 | 2022-08-30 | 哈尔滨理工大学 | 一种基于低维点云局部特征描述符的点云配准方法 |
| CN115578408A (zh) * | 2022-07-28 | 2023-01-06 | 四川大学 | 点云配准的叶片轮廓光学检测方法、系统、设备及终端 |
| CN115690216A (zh) * | 2022-11-09 | 2023-02-03 | 红云红河烟草(集团)有限责任公司 | 一种基于工件形状特征编码的工件识别方法及存储介质 |
-
2023
- 2023-06-13 CN CN202310695384.2A patent/CN116434221B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210500A (zh) * | 2019-06-06 | 2019-09-06 | 上海黑塞智能科技有限公司 | 一种基于多尺度局部特征嵌入的点云分类方法 |
| CN114972459A (zh) * | 2022-05-31 | 2022-08-30 | 哈尔滨理工大学 | 一种基于低维点云局部特征描述符的点云配准方法 |
| CN115578408A (zh) * | 2022-07-28 | 2023-01-06 | 四川大学 | 点云配准的叶片轮廓光学检测方法、系统、设备及终端 |
| CN115690216A (zh) * | 2022-11-09 | 2023-02-03 | 红云红河烟草(集团)有限责任公司 | 一种基于工件形状特征编码的工件识别方法及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于流形学习的三维空间数据网格剖分方法;侯文广;丁明跃;;电子学报(第11期);229-233 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116434221A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5251080B2 (ja) | 物体認識方法 | |
| US9053393B2 (en) | Learning method and apparatus for pattern recognition | |
| CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
| US20140229207A1 (en) | Damage assessment of an object | |
| US10311635B2 (en) | Method and apparatus for detecting repetitive structures in 3D mesh models | |
| CN109961446B (zh) | Ct/mr三维图像分割处理方法、装置、设备及介质 | |
| CN111144325A (zh) | 变电站电力设备的故障识别定位方法、装置及设备 | |
| CN113378976B (zh) | 一种基于特征顶点组合的目标检测方法、可读存储介质 | |
| CN110929723B (zh) | 一种基于卷积神经网络的变电站指针式仪表的识别方法 | |
| US20210303822A1 (en) | Method and apparatus for posture, dimension and shape measurements of objects in 3d scenes | |
| CN109270079B (zh) | 一种基于点云模型的工件表面缺陷精确检测方法 | |
| CN110780276A (zh) | 一种基于激光雷达的托盘识别方法、系统和电子设备 | |
| CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
| CN113168729B (zh) | 一种基于局部参考坐标系的3d形状匹配方法及装置 | |
| CN115239625A (zh) | 顶盖焊点云缺陷检测方法、装置、设备及存储介质 | |
| CN100465997C (zh) | 基于元胞自动机的图像边缘检测算法 | |
| CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
| CN112215301B (zh) | 基于卷积神经网络的影像直线探测方法 | |
| CN116434221B (zh) | 工件形状识别方法、装置、终端设备以及计算机存储介质 | |
| Song et al. | Effective multiresolution arc segmentation: Algorithms and performance evaluation | |
| CN111652927A (zh) | 一种基于cnn的癌细胞多尺度缩放定位检测方法 | |
| CN116468761A (zh) | 基于概率分布距离特征描述的配准方法、设备及存储介质 | |
| JP7469391B2 (ja) | マシンビジョン用の画像データを処理するための方法及び装置 | |
| EP2889724B1 (en) | System and method for selecting features for identifying human activities in a human-computer interacting environment | |
| CN110826488A (zh) | 一种针对电子文档的图像识别方法、装置及存储设备 |
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 |