CN116522096B - 基于动作捕捉的三维数字孪生内容智能制作方法 - Google Patents
基于动作捕捉的三维数字孪生内容智能制作方法 Download PDFInfo
- Publication number
- CN116522096B CN116522096B CN202310790071.5A CN202310790071A CN116522096B CN 116522096 B CN116522096 B CN 116522096B CN 202310790071 A CN202310790071 A CN 202310790071A CN 116522096 B CN116522096 B CN 116522096B
- Authority
- CN
- China
- Prior art keywords
- risk
- preset
- value
- threshold
- time length
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims description 58
- 238000004458 analytical method Methods 0.000 claims description 44
- 238000012502 risk assessment Methods 0.000 claims description 31
- 230000005540 biological transmission Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 25
- 230000035484 reaction time Effects 0.000 claims description 24
- 238000010438 heat treatment Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000001154 acute effect Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000003647 oxidation Effects 0.000 claims description 3
- 238000007254 oxidation reaction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D 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
- G06V10/70—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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及三维模型制作技术领域，尤其涉及基于动作捕捉的三维数字孪生内容智能制作方法，本发明通过从制作前的准备和制作后内容评估两个角度进行全面性分析，即对制作前的动作捕捉设备和采集传感器进行监管，以便为后续的三维数字孪生内容制作提供数据支持，有助于保证动作捕捉的精度和数据采集的有效性以及全面性，通过采集动作捕捉设备的运行数据，并进行运行监管评估分析，以保证动作捕捉设备的预警效果，且通过从延误风险值和运行风险值两个维度对数据采集传感器进行风险评估，有助于提高分析结果的准确性，同时解决采集传感器监管力度低的问题，进而提高采集传感器采集数据的有效值和精准性。
Description
技术领域
本发明涉及三维模型制作技术领域，尤其涉及基于动作捕捉的三维数字孪生内容智能制作方法。
背景技术
随着计算机技术的迅猛发展，以及人们对生活品质的更高追求，更多的三维数字产品走入了人们日常生活，而数字孪生：是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反应相对应的实体装备的全生命周期过程；
但是，现有在对三维数字孪生内容进行制作时，无法在制作前对动作捕捉设备进行监管预警，以至于降低动作捕捉设备的动作捕捉精准度和效率，且无法对采集数据的传感器进行监管，进而存在采集传感器监管力度低的问题，进行影响采集传感器采集数据的有效值和精准性，此外，无法对制作后的内容进行评估，降低制作质量；
针对上述的技术缺陷，现提出一种解决方案。
发明内容
本发明的目的在于提供基于动作捕捉的三维数字孪生内容智能制作方法，去解决上述提出的技术缺陷，本发明通过从制作前的准备和制作后内容评估两个角度进行全面性分析，即对制作前的动作捕捉设备和采集传感器进行监管，以便为后续的三维数字孪生内容制作提供数据支持，有助于保证动作捕捉的精度和数据采集的有效性以及全面性，通过采集动作捕捉设备的运行数据，并进行运行监管评估分析，以保证动作捕捉设备的预警效果，且通过从延误风险值和运行风险值两个维度对数据采集传感器进行风险评估，有助于提高分析结果的准确性，同时解决采集传感器监管力度低的问题，进而提高采集传感器采集数据的有效值和精准性。
本发明的目的可以通过以下技术方案实现：基于动作捕捉的三维数字孪生内容智能制作方法，包括以下步骤：
步骤一：让动作捕捉软件计算出动作捕捉设备的镜头相对空间位置和角度，建立三维空间XYZ坐标系，为精准动作捕捉做好准备；
步骤二：制作前的动作捕捉监管，采集动作捕捉设备的运行数据，并分别进行运行监管评估分析和全面性比对分析，判断动作捕捉设备是否对动作轨迹进行正常捕捉，若正常，则进入步骤三，若异常，则进入步骤四；
步骤三：采集动作捕捉设备的数据采集传感器的工作数据，并对工作数据进行运行反馈分析，判断数据采集传感器是否影响数据的采集，以便及时的预警管理，提高数据有效性和精准度；
步骤四：对异常的动作捕捉设备和数据采集传感器进行风险等级评估分析，以便合理高效的对设备进行管理，同时提高监管预警效果；
步骤五：整合数据并进行三维数字孪生内容制作，并对制作后的动作机器人特征图像进行比对反馈分析，若达标，则进行合理优化，若不达标，则进入步骤一再次制作。
优选的，所述运行监管评估分析过程如下：
S1：采集到动作捕捉设备开始运行时刻到结束运行时刻之间的时长，并将其标记为时间阈值，将时间阈值划分为i个子时间节点，i为大于零的自然数，运行数据包括动作捕捉设备的运行电流、电气元件的运行温度以及图像传输时长；
S2：获取到各个子时间节点内动作捕捉设备的运行电流，以时间为X轴，以运行电流为Y轴建立直角坐标系，通过描点的方式绘制运行电流曲线，并在该坐标系中绘制预设运行电流阈值曲线，获取到运行电流曲线与预设运行电流阈值曲线初次相交所形成的锐角夹角度数，并将其标记为风险角，并将风险角与预设风险角阈值进行比对分析，若风险角大于预设风险角阈值，则将风险角大于预设风险角阈值的部分标记为异常风险角度值；
S3：获取到时间阈值内动作捕捉设备内部各个电气元件的运行温度，同时获取到各个电气元件的运行温度达到预设运行温度所对应时长，并将其标记为升温时长，并将升温时长与预设升温时长阈值进行比对分析，若升温时长大于预设升温时长阈值，则将升温时长大于预设升温时长阈值所对应电气元件个数与总电气元件个数的比值标记为元件风险值；
S4：获取到时间阈值内动作捕捉设备开始动作捕捉时刻到数据传输显示时刻之间的时长，并将其标记为图像传输时长，并将图像传输时长与预设图像传输时长阈值进行比对分析，若图像传输时长大于预设图像传输时长阈值，则将图像传输时长大于预设图像传输时长阈值的部分标记为线路堵塞风险值。
优选的，所述全面性比对分析过程如下：
将异常风险角度值、元件风险值以及线路堵塞风险值与其内部录入存储的预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值进行比对分析：
若满足异常风险角度值、元件风险值以及线路堵塞风险值三者均小于等于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值，则生成正常指令；
若不满足异常风险角度值、元件风险值以及线路堵塞风险值三者均小于等于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值，则生成风险指令。
优选的，所述运行反馈分析过程如下：
获取到时间阈值内各个采集传感器的工作数据，工作数据包括反应时长和线路端口风险面积，其中，反应时长指的是采集传感器接收到指令时刻到执行指令时刻之间的时长，并将反应时长与预设反应时长阈值进行比对分析，若反应时长大于预设反应时长阈值，则将反应时长大于预设反应时长阈值所对应的采集传感器的个数标记为延误风险值；
线路端口风险面积指的是采集传感器内部线路端口氧化面积和线路表面破损面积之和，并将线路端口风险面积与预设线路端口风险面积阈值进行比对分析，若线路端口风险面积大于预设线路端口风险面积阈值，则将线路端口风险面积大于预设线路端口风险面积阈值的部分标记为运行风险值；
将延误风险值和运行风险值与其内部录入存储的预设延误风险值阈值和预设运行风险值阈值进行比对分析：
若延误风险值小于等于预设延误风险值阈值，且运行风险值小于等于预设运行风险值阈值，则不生成任何信号；
若延误风险值大于预设延误风险值阈值，或运行风险值大于预设运行风险值阈值，则生成管理指令。
优选的，所述风险等级评估分析过程如下：
获取到时间阈值内异常风险角度值、元件风险值以及线路堵塞风险值大于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值的部分，并将异常风险角度值、元件风险值以及线路堵塞风险值大于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值的部分分别标记为过险角度值、过险元件值以及过险延误值，标号为GJ、GY以及GW，同时获取到延误风险值大于预设延误风险值阈值的部分和运行风险值大于预设运行风险值阈值的部分，并将其分别标记为延误异常值和运行异常值，将延误异常值和运行异常值经数据归一化处理后得到的积值标记为延误系数，标号为YX；
根据公式得到故障风险评估系数G，并将故障风险评估系数G与其内部录入存储的预设故障风险评估系数区间进行比对分析：
若故障风险评估系数大于预设故障风险评估系数区间中的最大值，则生成一级管理指令；
若故障风险评估系数位于预设故障风险评估系数区间之内，则生成二级管理指令；
若故障风险评估系数小于预设故障风险评估系数区间中的最小值，则生成三级管理指令。
优选的，所述比对反馈分析过程如下：
获取到机器人特征图像，并对机器人特征图像进行特征提取，获取到机器人特征轨迹曲线，并将机器人特征轨迹曲线与预设机器人特征轨迹曲线进行重合比对分析，获取到机器人特征轨迹曲线与预设机器人特征轨迹曲线的轨迹重合率，并将轨迹重合率与其内部录入存储的预设轨迹重合率阈值进行比对分析：
若轨迹重合率小于等于预设轨迹重合率阈值，则生成反馈指令，进入步骤一，重新进入步骤一再次制作，重新确定坐标，提高制作的效率和精度；
若轨迹重合率大于预设轨迹重合率阈值，则生成优化指令，当生成优化指令时，获取到轨迹重合率大于预设轨迹重合率阈值的部分，并将其标记为优化值，并将优化值与其内部录入存储的预设优化值阈值进行比对分析：
若优化值小于预设优化值阈值，则生成高度优化指令；
若优化值大于等于预设优化值阈值，则生成低度优化指令。
本发明的有益效果如下：
（1）本发明通过从制作前的准备和制作后内容评估两个角度进行全面性分析，即对制作前的动作捕捉设备和采集传感器进行监管，以便为后续的三维数字孪生内容制作提供数据支持，有助于保证动作捕捉的精度和数据采集的有效性以及全面性，通过采集动作捕捉设备的运行数据，并进行运行监管评估分析，以保证动作捕捉设备的预警效果，且通过从延误风险值和运行风险值两个维度对数据采集传感器进行风险评估，有助于提高分析结果的准确性，同时解决采集传感器监管力度低的问题，进而提高采集传感器采集数据的有效值和精准性；
（2）本发明通过数据反馈的方式对异常的动作捕捉设备和数据采集传感器进行风险等级评估分析，进而根据不同的管理等级对动作捕捉设备和数据采集传感器进行管理，提高动作捕捉的效率和精准度，且对制作后内容进行比对反馈分析，判断制作内容是否达标，若不达标，则进行二次制作，而对于达标的制作，根据误差情况进行合理的优化管理，以便提高制作的效率和精度。
附图说明
下面结合附图对本发明作进一步的说明；
图1是本发明方法分析图；
图2是本发明局部分析图。
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、完整的描述，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1：
请参阅图1至图2所示，本发明为基于动作捕捉的三维数字孪生内容智能制作方法，包括以下步骤：
步骤一：让动作捕捉软件计算出动作捕捉设备的镜头相对空间位置和角度，建立三维空间XYZ坐标系，为精准动作捕捉做好准备；
步骤二：制作前的动作捕捉监管，采集动作捕捉设备的运行数据，并分别进行运行监管评估分析和全面性比对分析，判断动作捕捉设备是否对动作轨迹进行正常捕捉，若正常，则进入步骤三，若异常，则进入步骤四；
步骤三：采集动作捕捉设备的数据采集传感器的工作数据，并对工作数据进行运行反馈分析，判断数据采集传感器是否影响数据的采集，以便及时的预警管理，提高数据有效性和精准度；
步骤四：对异常的动作捕捉设备和数据采集传感器进行风险等级评估分析，以便合理高效的对设备进行管理，同时提高监管预警效果；
步骤五：整合数据并进行三维数字孪生内容制作，并对制作后的动作机器人特征图像进行比对反馈分析，若达标，则进行合理优化，若不达标，则进入步骤一再次制作。
实施例2：
在制作前对动作捕捉设备进行监管，以保证动作捕捉的精度和效率，步骤二：具体的运行监管评估分析的具体过程如下：
采集到动作捕捉设备开始运行时刻到结束运行时刻之间的时长，并将其标记为时间阈值，将时间阈值划分为i个子时间节点，i为大于零的自然数，运行数据包括动作捕捉设备的运行电流、电气元件的运行温度以及图像传输时长；
获取到各个子时间节点内动作捕捉设备的运行电流，以时间为X轴，以运行电流为Y轴建立直角坐标系，通过描点的方式绘制运行电流曲线，并在该坐标系中绘制预设运行电流阈值曲线，获取到运行电流曲线与预设运行电流阈值曲线初次相交所形成的锐角夹角度数，并将其标记为风险角，并将风险角与预设风险角阈值进行比对分析，若风险角大于预设风险角阈值，则将风险角大于预设风险角阈值的部分标记为异常风险角度值，需要说明的是，异常风险角度值的数值越大，则动作捕捉设备的故障风险越大；
获取到时间阈值内动作捕捉设备内部各个电气元件的运行温度，同时获取到各个电气元件的运行温度达到预设运行温度所对应时长，并将其标记为升温时长，并将升温时长与预设升温时长阈值进行比对分析，若升温时长大于预设升温时长阈值，则将升温时长大于预设升温时长阈值所对应电气元件个数与总电气元件个数的比值标记为元件风险值，需要说明的是，元件风险值是一个反映动作捕捉设备内部部件故障风险的影响参数；
获取到时间阈值内动作捕捉设备开始动作捕捉时刻到数据传输显示时刻之间的时长，并将其标记为图像传输时长，并将图像传输时长与预设图像传输时长阈值进行比对分析，若图像传输时长大于预设图像传输时长阈值，则将图像传输时长大于预设图像传输时长阈值的部分标记为线路堵塞风险值，进而将异常风险角度值、元件风险值以及线路堵塞风险值与其内部录入存储的预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值进行比对分析：
若满足异常风险角度值、元件风险值以及线路堵塞风险值三者均小于等于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值，则生成正常指令，进入步骤三进行运行反馈分析；
若不满足异常风险角度值、元件风险值以及线路堵塞风险值三者均小于等于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值，则生成风险指令，进入步骤四；
步骤三：动作捕捉的过程中存在采集传感器监管力度低的问题，进行影响采集传感器采集数据的有效值和精准性；
具体的运行反馈分析过程如下：
获取到时间阈值内各个采集传感器的工作数据，工作数据包括反应时长和线路端口风险面积，其中，反应时长指的是采集传感器接收到指令时刻到执行指令时刻之间的时长，并将反应时长与预设反应时长阈值进行比对分析，若反应时长大于预设反应时长阈值，则将反应时长大于预设反应时长阈值所对应的采集传感器的个数标记为延误风险值，需要说明的是，延误风险值的数值越大，则所采集数据的有效性所受影响越大；
线路端口风险面积指的是采集传感器内部线路端口氧化面积和线路表面破损面积之和，并将线路端口风险面积与预设线路端口风险面积阈值进行比对分析，若线路端口风险面积大于预设线路端口风险面积阈值，则将线路端口风险面积大于预设线路端口风险面积阈值的部分标记为运行风险值，需要说明的是，运行风险值的数值越大，则采集传感器运行故障风险越大，并将延误风险值和运行风险值与其内部录入存储的预设延误风险值阈值和预设运行风险值阈值进行比对分析：
若延误风险值小于等于预设延误风险值阈值，且运行风险值小于等于预设运行风险值阈值，则不生成任何信号；
若延误风险值大于预设延误风险值阈值，或运行风险值大于预设运行风险值阈值，则生成管理指令，进入步骤四。
实施例3：
步骤四：对异常的动作捕捉设备和数据采集传感器进行风险等级评估分析，具体的风险等级评估分析过程如下：
获取到时间阈值内异常风险角度值、元件风险值以及线路堵塞风险值大于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值的部分，并将异常风险角度值、元件风险值以及线路堵塞风险值大于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值的部分分别标记为过险角度值、过险元件值以及过险延误值，标号为GJ、GY以及GW，同时获取到延误风险值大于预设延误风险值阈值的部分和运行风险值大于预设运行风险值阈值的部分，并将其分别标记为延误异常值和运行异常值，将延误异常值和运行异常值经数据归一化处理后得到的积值标记为延误系数，标号为YX；
根据公式得到故障风险评估系数，其中，a1、a2、a3以及a4分别为过险角度值、过险元件值、过险延误值以及延误系数的预设比例因子系数，比例因子系数用于修正各项参数在公式计算过程中出现的偏差，从而使得计算结果更加准确，a1、a2、a3以及a4均为大于零的正数，a5为预设补偿因子系数，取值为2.548，G为故障风险评估系数，并将故障风险评估系数G与其内部录入存储的预设故障风险评估系数区间进行比对分析：
若故障风险评估系数大于预设故障风险评估系数区间中的最大值，则生成一级管理指令；
若故障风险评估系数位于预设故障风险评估系数区间之内，则生成二级管理指令；
若故障风险评估系数小于预设故障风险评估系数区间中的最小值，则生成三级管理指令，其中，一级管理指令、二级管理指令以及三级管理指令所对应的管理程度依次降低，当生成一级管理指令、二级管理指令以及三级管理指令时，显示面板立即显示一级管理指令、二级管理指令以及三级管理指令的预设管理方案，以便及时的预警管理，提高动作捕捉的效率和精准度；
步骤五：整合数据并进行三维数字孪生内容制作后，采集制作后的动作机器人特征图像，对制作后的机器人特征图像进行比对反馈分析，具体的比对反馈分析过程如下：
获取到机器人特征图像，并对机器人特征图像进行特征提取，获取到机器人特征轨迹曲线，并将机器人特征轨迹曲线与预设机器人特征轨迹曲线进行重合比对分析，获取到机器人特征轨迹曲线与预设机器人特征轨迹曲线的轨迹重合率，并将轨迹重合率与其内部录入存储的预设轨迹重合率阈值进行比对分析：
若轨迹重合率小于等于预设轨迹重合率阈值，则生成反馈指令，进入步骤一，重新进入步骤一再次制作，重新确定坐标，提高制作的效率和精度；
若轨迹重合率大于预设轨迹重合率阈值，则生成优化指令，当生成优化指令时，获取到轨迹重合率大于预设轨迹重合率阈值的部分，并将其标记为优化值，并将优化值与其内部录入存储的预设优化值阈值进行比对分析：
若优化值小于预设优化值阈值，则生成高度优化指令；
若优化值大于等于预设优化值阈值，则生成低度优化指令，当生成高度优化指令和低度优化指令时，显示面板立即显示高度优化指令和低度优化指令的预设优化方案，以便提高制作的效率和精度；
综上所述，本发明通过从制作前的准备和制作后内容评估两个角度进行全面性分析，即对制作前的动作捕捉设备和采集传感器进行监管，以便为后续的三维数字孪生内容制作提供数据支持，有助于保证动作捕捉的精度和数据采集的有效性以及全面性，通过采集动作捕捉设备的运行数据，并进行运行监管评估分析，以保证动作捕捉设备的预警效果，且通过从延误风险值和运行风险值两个维度对数据采集传感器进行风险评估，有助于提高分析结果的准确性，同时解决采集传感器监管力度低的问题，进而提高采集传感器采集数据的有效值和精准性，此外，通过数据反馈的方式对异常的动作捕捉设备和数据采集传感器进行风险等级评估分析，进而根据不同的管理等级对动作捕捉设备和数据采集传感器进行管理，提高动作捕捉的效率和精准度，且对制作后内容进行比对反馈分析，判断制作内容是否达标，若不达标，则进行二次制作，而对于达标的制作，根据误差情况进行合理的优化管理，以便提高制作的效率和精度。
阈值的大小的设定是为了便于比较，关于阈值的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据设定基数数量；只要不影响参数与量化后数值的比例关系即可。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式，公式中的系数是由本领域技术人员根据实际情况进行设置，以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.基于动作捕捉的三维数字孪生内容智能制作方法，其特征在于，包括以下步骤：
步骤一：让动作捕捉软件计算出动作捕捉设备的镜头相对空间位置和角度，建立三维空间XYZ坐标系，为精准动作捕捉做好准备；
步骤二：制作前的动作捕捉监管，采集动作捕捉设备的运行数据，并分别进行运行监管评估分析和全面性比对分析，判断动作捕捉设备是否对动作轨迹进行正常捕捉，若正常，则进入步骤三，若异常，则进入步骤四；
步骤三：采集动作捕捉设备的数据采集传感器的工作数据，并对工作数据进行运行反馈分析，判断数据采集传感器是否影响数据的采集，以便及时的预警管理，提高数据有效性和精准度；
步骤四：对异常的动作捕捉设备和数据采集传感器进行风险等级评估分析，以便合理高效的对设备进行管理，同时提高监管预警效果；
步骤五：整合数据并进行三维数字孪生内容制作，并对制作后的动作机器人特征图像进行比对反馈分析，若达标，则进行合理优化，若不达标，则进入步骤一再次制作。
2.根据权利要求1所述的基于动作捕捉的三维数字孪生内容智能制作方法，其特征在于，所述运行监管评估分析过程如下：
S1：采集到动作捕捉设备开始运行时刻到结束运行时刻之间的时长，并将其标记为时间阈值，将时间阈值划分为i个子时间节点，i为大于零的自然数，运行数据包括动作捕捉设备的运行电流、电气元件的运行温度以及图像传输时长；
S2：获取到各个子时间节点内动作捕捉设备的运行电流，以时间为X轴，以运行电流为Y轴建立直角坐标系，通过描点的方式绘制运行电流曲线，并在该坐标系中绘制预设运行电流阈值曲线，获取到运行电流曲线与预设运行电流阈值曲线初次相交所形成的锐角夹角度数，并将其标记为风险角，并将风险角与预设风险角阈值进行比对分析，若风险角大于预设风险角阈值，则将风险角大于预设风险角阈值的部分标记为异常风险角度值；
S3：获取到时间阈值内动作捕捉设备内部各个电气元件的运行温度，同时获取到各个电气元件的运行温度达到预设运行温度所对应时长，并将其标记为升温时长，并将升温时长与预设升温时长阈值进行比对分析，若升温时长大于预设升温时长阈值，则将升温时长大于预设升温时长阈值所对应电气元件个数与总电气元件个数的比值标记为元件风险值；
S4：获取到时间阈值内动作捕捉设备开始动作捕捉时刻到数据传输显示时刻之间的时长，并将其标记为图像传输时长，并将图像传输时长与预设图像传输时长阈值进行比对分析，若图像传输时长大于预设图像传输时长阈值，则将图像传输时长大于预设图像传输时长阈值的部分标记为线路堵塞风险值。
3.根据权利要求2所述的基于动作捕捉的三维数字孪生内容智能制作方法，其特征在于，所述全面性比对分析过程如下：
将异常风险角度值、元件风险值以及线路堵塞风险值与其内部录入存储的预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值进行比对分析：
若满足异常风险角度值、元件风险值以及线路堵塞风险值三者均小于等于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值，则生成正常指令；
若不满足异常风险角度值、元件风险值以及线路堵塞风险值三者均小于等于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值，则生成风险指令。
4.根据权利要求2所述的基于动作捕捉的三维数字孪生内容智能制作方法，其特征在于，所述运行反馈分析过程如下：
获取到时间阈值内各个采集传感器的工作数据，工作数据包括反应时长和线路端口风险面积，其中，反应时长指的是采集传感器接收到指令时刻到执行指令时刻之间的时长，并将反应时长与预设反应时长阈值进行比对分析，若反应时长大于预设反应时长阈值，则将反应时长大于预设反应时长阈值所对应的采集传感器的个数标记为延误风险值；
线路端口风险面积指的是采集传感器内部线路端口氧化面积和线路表面破损面积之和，并将线路端口风险面积与预设线路端口风险面积阈值进行比对分析，若线路端口风险面积大于预设线路端口风险面积阈值，则将线路端口风险面积大于预设线路端口风险面积阈值的部分标记为运行风险值；
将延误风险值和运行风险值与其内部录入存储的预设延误风险值阈值和预设运行风险值阈值进行比对分析：
若延误风险值小于等于预设延误风险值阈值，且运行风险值小于等于预设运行风险值阈值，则不生成任何信号；
若延误风险值大于预设延误风险值阈值，或运行风险值大于预设运行风险值阈值，则生成管理指令。
5.根据权利要求4所述的基于动作捕捉的三维数字孪生内容智能制作方法，其特征在于，所述风险等级评估分析过程如下：
获取到时间阈值内异常风险角度值、元件风险值以及线路堵塞风险值大于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值的部分，并将异常风险角度值、元件风险值以及线路堵塞风险值大于预设异常风险角度值阈值、预设元件风险值阈值以及预设线路堵塞风险值阈值的部分分别标记为过险角度值、过险元件值以及过险延误值，标号为GJ、GY以及GW，同时获取到延误风险值大于预设延误风险值阈值的部分和运行风险值大于预设运行风险值阈值的部分，并将其分别标记为延误异常值和运行异常值，将延误异常值和运行异常值经数据归一化处理后得到的积值标记为延误系数，标号为YX；
根据公式得到故障风险评估系数G，其中，a1、a2、a3以及a4分别为过险角度值、过险元件值、过险延误值以及延误系数的预设比例因子系数，a1、a2、a3以及a4均为大于零的正数，a5为预设补偿因子系数，取值为2.548，并将故障风险评估系数G与其内部录入存储的预设故障风险评估系数区间进行比对分析：
若故障风险评估系数大于预设故障风险评估系数区间中的最大值，则生成一级管理指令；
若故障风险评估系数位于预设故障风险评估系数区间之内，则生成二级管理指令；
若故障风险评估系数小于预设故障风险评估系数区间中的最小值，则生成三级管理指令。
6.根据权利要求1所述的基于动作捕捉的三维数字孪生内容智能制作方法，其特征在于，所述比对反馈分析过程如下：
获取到机器人特征图像，并对机器人特征图像进行特征提取，获取到机器人特征轨迹曲线，并将机器人特征轨迹曲线与预设机器人特征轨迹曲线进行重合比对分析，获取到机器人特征轨迹曲线与预设机器人特征轨迹曲线的轨迹重合率，并将轨迹重合率与其内部录入存储的预设轨迹重合率阈值进行比对分析：
若轨迹重合率小于等于预设轨迹重合率阈值，则生成反馈指令，进入步骤一，重新进入步骤一再次制作，重新确定坐标，提高制作的效率和精度；
若轨迹重合率大于预设轨迹重合率阈值，则生成优化指令，当生成优化指令时，获取到轨迹重合率大于预设轨迹重合率阈值的部分，并将其标记为优化值，并将优化值与其内部录入存储的预设优化值阈值进行比对分析：
若优化值小于预设优化值阈值，则生成高度优化指令；
若优化值大于等于预设优化值阈值，则生成低度优化指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310790071.5A CN116522096B (zh) | 2023-06-30 | 2023-06-30 | 基于动作捕捉的三维数字孪生内容智能制作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310790071.5A CN116522096B (zh) | 2023-06-30 | 2023-06-30 | 基于动作捕捉的三维数字孪生内容智能制作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116522096A CN116522096A (zh) | 2023-08-01 |
| CN116522096B true CN116522096B (zh) | 2023-11-10 |
Family
ID=87403255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310790071.5A Active CN116522096B (zh) | 2023-06-30 | 2023-06-30 | 基于动作捕捉的三维数字孪生内容智能制作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116522096B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116708518B (zh) * | 2023-08-08 | 2023-09-29 | 湖南壹加蓝信息技术有限公司 | 基于数据分析的车用尿素加注信息传输安全预警系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN207099206U (zh) * | 2017-09-06 | 2018-03-13 | 成都国翼电子技术有限公司 | 一种相机编号数码显示电路及vr动作捕捉摄像机 |
| CN111124802A (zh) * | 2019-11-20 | 2020-05-08 | 贵州电网有限责任公司 | 一种计算机故障恢复方法、设备及存储介质 |
| CN113706960A (zh) * | 2021-08-29 | 2021-11-26 | 华中科技大学同济医学院附属协和医院 | 一种基于vr技术的护理操作练习平台及使用方法 |
| CN114111887A (zh) * | 2021-11-01 | 2022-03-01 | 国网河北省电力有限公司营销服务中心 | 一种基于数字孪生模型的电力计量四线一库关键设备运行监测方法 |
| CN115469176A (zh) * | 2022-07-22 | 2022-12-13 | 国网河南省电力公司新乡供电公司 | 一种基于数据模型的数字孪生电网用风险评估系统 |
| CN115471625A (zh) * | 2022-10-12 | 2022-12-13 | 福建省海峡智汇科技有限公司 | 一种云机器人平台大数据智能决策方法和系统 |
| CN115986915A (zh) * | 2022-11-28 | 2023-04-18 | 国网冀北电力有限公司超高压分公司 | 一种基于数字孪生技术的换流站设备监控管理系统及方法 |
| CN116246407A (zh) * | 2023-05-04 | 2023-06-09 | 浙江农林大学 | 一种基于人工智能的农林区域火灾预警监管系统 |
-
2023
- 2023-06-30 CN CN202310790071.5A patent/CN116522096B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN207099206U (zh) * | 2017-09-06 | 2018-03-13 | 成都国翼电子技术有限公司 | 一种相机编号数码显示电路及vr动作捕捉摄像机 |
| CN111124802A (zh) * | 2019-11-20 | 2020-05-08 | 贵州电网有限责任公司 | 一种计算机故障恢复方法、设备及存储介质 |
| CN113706960A (zh) * | 2021-08-29 | 2021-11-26 | 华中科技大学同济医学院附属协和医院 | 一种基于vr技术的护理操作练习平台及使用方法 |
| CN114111887A (zh) * | 2021-11-01 | 2022-03-01 | 国网河北省电力有限公司营销服务中心 | 一种基于数字孪生模型的电力计量四线一库关键设备运行监测方法 |
| CN115469176A (zh) * | 2022-07-22 | 2022-12-13 | 国网河南省电力公司新乡供电公司 | 一种基于数据模型的数字孪生电网用风险评估系统 |
| CN115471625A (zh) * | 2022-10-12 | 2022-12-13 | 福建省海峡智汇科技有限公司 | 一种云机器人平台大数据智能决策方法和系统 |
| CN115986915A (zh) * | 2022-11-28 | 2023-04-18 | 国网冀北电力有限公司超高压分公司 | 一种基于数字孪生技术的换流站设备监控管理系统及方法 |
| CN116246407A (zh) * | 2023-05-04 | 2023-06-09 | 浙江农林大学 | 一种基于人工智能的农林区域火灾预警监管系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数字孪生的工程机械产品健康检测方法研究;陈继文 等;中国工程机械学报(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116522096A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116186634B (zh) | 一种建筑工程施工数据智能管理系统 | |
| CN113792453A (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
| CN116522096B (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
| CN114328075A (zh) | 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 | |
| US9613123B2 (en) | Data stream processing | |
| CN117032004A (zh) | 基于物联网的工业生产自动化控制平台 | |
| CN111796576B (zh) | 一种基于双核t分布随机近邻嵌入的过程监测可视化方法 | |
| CN115687983A (zh) | 一种桥梁健康状态监测方法、系统及电子设备 | |
| CN116893643A (zh) | 一种基于数据分析的智能机器人行驶轨迹安全管控系统 | |
| CN115576267A (zh) | 一种基于数字孪生的轮毂机加工尺寸误差修正方法 | |
| CN114770607A (zh) | 一种基于大数据的机器人健康监控方法及系统 | |
| CN115858940A (zh) | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 | |
| CN117268455B (zh) | 一种工程建筑施工质量检测设备的监测系统 | |
| CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及系统 | |
| CN117092980B (zh) | 一种基于大数据的电气故障检测控制系统 | |
| CN117150244A (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
| CN117272145A (zh) | 转辙机的健康状态评估方法、装置和电子设备 | |
| CN114500615B (zh) | 基于物联传感技术的智能终端 | |
| CN115841446A (zh) | 一种太阳能集热场故障风险快速检测系统及方法 | |
| CN117891223B (zh) | 一种基于工业物联网的设备管理方法、系统、设备及介质 | |
| CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
| CN113865642A (zh) | 日线损率异常检测方法、装置、计算机设备及存储介质 | |
| CN117273260A (zh) | 基于大数据的多功能智能杆监管方法、装置、设备及介质 | |
| CN118261446A (zh) | 基于云制造的工业物联网设备管理方法、系统及设备 | |
| CN118194593A (zh) | 一种气象仪器故障检测方法、系统、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240116 Address after: Room 2086, 2096, South Building, Original Animation Park, No. 19 Tianzhi Road, High tech Zone, Hefei City, Anhui Province, 230000 Patentee after: Hefei Xianglong Industrial Design Co.,Ltd. Address before: No. 1501, Building 2, Wansheng Modern City, No. 111, Dama Road, Nanguan District, Changchun City, Jilin Province, 130022 Position 36, W Area, Room C01, Jilin Fengyuxing Enterprise Incubation Center Patentee before: Changchun Lianxinhua Information Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240419 Address after: Room 301-1, Unit 1, Building 12, Enterprise Accelerator, Science and Technology Innovation City, Harbin High tech Industrial Development Zone, Heilongjiang Province, 150000 RMB Patentee after: Harbin Gonglingzhi Industry Education Integration (Harbin) Technology Co.,Ltd. Country or region after: China Address before: Room 2086, 2096, South Building, Original Animation Park, No. 19 Tianzhi Road, High tech Zone, Hefei City, Anhui Province, 230000 Patentee before: Hefei Xianglong Industrial Design Co.,Ltd. Country or region before: China |