CN117057206B - 一种三维模具的智能建模方法及系统 - Google Patents

一种三维模具的智能建模方法及系统 Download PDF

Info

Publication number
CN117057206B
CN117057206B CN202311309778.6A CN202311309778A CN117057206B CN 117057206 B CN117057206 B CN 117057206B CN 202311309778 A CN202311309778 A CN 202311309778A CN 117057206 B CN117057206 B CN 117057206B
Authority
CN
China
Prior art keywords
mold
model
data
dimensional
point cloud
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
CN202311309778.6A
Other languages
English (en)
Other versions
CN117057206A (zh
Inventor
杨明卫
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.)
Shenzhen Changfeng Laser Knife Mould Co ltd
Original Assignee
Shenzhen Changfeng Laser Knife Mould Co ltd
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 Shenzhen Changfeng Laser Knife Mould Co ltd filed Critical Shenzhen Changfeng Laser Knife Mould Co ltd
Priority to CN202311309778.6A priority Critical patent/CN117057206B/zh
Publication of CN117057206A publication Critical patent/CN117057206A/zh
Application granted granted Critical
Publication of CN117057206B publication Critical patent/CN117057206B/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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/22—Moulding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Graphics (AREA)
  • Moulds For Moulding Plastics Or The Like (AREA)

Abstract

本发明涉及三维模具设计技术领域，尤其涉及一种三维模具的智能建模方法及系统。该方法包括以下步骤：获取标定模具图像集并进行特征点云提取，获得模具点云数据；对模具点云数据进行点云稠密化，获得三维点云数据；根据三维点云数据构建模具三维模型，并对模具三维模型进行迭代优化，获得最佳拟合三维模型；对最佳拟合三维模型进行参数化描述，获得参数化模型；获取模具需求数据，根据模具需求数据对参数化模型进行模型优化，获得优化模具模型；对优化模具模型进行力学模拟，获得模具工作仿真数据；对优化模具模型进行模型优化，获得最优模具模型，并将最优模具模型进行参数转换，获得模具制造参数数据。本发明基于图像处理对三维模具进行建模。

Description

一种三维模具的智能建模方法及系统
技术领域
本发明涉及三维模具设计技术领域，尤其涉及一种三维模具的智能建模方法及系统。
背景技术
现有的三维模具设计方法和系统通常基于传统的计算机辅助设计 (CAD) 技术，需要手动进行建模和设计过程。这种方法存在着手动操作繁琐、易出错、耗时等问题，无法充分利用先进的智能技术来提高模具设计的效率和质量。
发明内容
基于此，本发明有必要提供一种三维模具的智能建模方法，以解决至少一个上述技术问题。
为实现上述目的，一种三维模具的智能建模方法，包括以下步骤：
步骤S1：通过预设的摄像机获取标定模具图像集，并对标定模具图像集进行分区特征点云提取，从而获得模具点云数据；
步骤S2：对模具点云数据进行三维点云稠密化，从而获得三维点云数据；
步骤S3：根据三维点云数据构建模具三维模型，并对模具三维模型进行参数调整迭代优化，从而获得最佳拟合三维模型；对最佳拟合三维模型进行参数化描述，从而获得参数化模型；
步骤S4：获取模具需求数据，根据模具需求数据对参数化模型进行第一模具模型优化，从而获得优化模具模型；
步骤S5：对优化模具模型进行力学仿真性能模拟，从而获得模具工作仿真数据；
步骤S6：根据模具工作仿真数据对优化模具模型进行第二模具模型优化，从而获得最优模具模型，并将最优模具模型进行制造参数转换，从而获得模具制造参数数据。
本发明通过使用预设的摄像机获取标定模具图像集，并对标定模具图像集进行分区特征点云提取，可以获得模具点云数据。摄像机可以自动地捕获模具图像，减少了手动建模的时间和努力。分区特征点云提取可以从多个角度和位置捕获模具表面的点云数据，提供了更全面、更准确的模具形状信息。对模具点云数据进行三维点云稠密化，将稀疏的点云数据转换为密集的三维点云数据。通过增加点云密度，可以更准确地表达模具的细节和曲面特征。稠密的点云数据提供了更多模具的表面信息，为后续的建模和优化提供更丰富的数据基础。根据三维点云数据构建模具三维模型，并对模具三维模型进行参数调整迭代优化，得到最佳拟合的三维模型。对最佳拟合的三维模型进行参数化描述，获得参数化模型。基于三维点云数据可以自动生成模具三维模型，减少了手动建模的工作量和错误。通过迭代优化可以使模具模型更好地适应实际数据，提高了模型与实际模具的拟合度。参数化模型可以更方便地进行后续的模型调整、修改和优化。获取模具需求数据，并根据需求对参数化模型进行第一模具模型优化，得到优化的模具模型。通过获取模具需求数据，可以对参数化模型进行针对性的调整和改进，确保模具满足特定的设计要求和功能需求。优化的模具模型可以更好地满足设计目标，并提高了模具的性能和可靠性。对优化模具模型进行力学仿真性能模拟，从而获得模具工作仿真数据。通过力学仿真性能模拟，可以预测和评估模具在工作条件下的性能表现，如强度、刚度、振动等方面的变化。仿真数据可以帮助发现模具设计中的潜在问题和改进空间，从而优化模具的结构和性能。根据模具工作仿真数据对优化模具模型进行第二模具模型优化，并将最优模具模型进行制造参数转换，获得模具制造参数数据。通过根据工作仿真数据进行第二次优化，可以得到更加优化的模具设计，提高模具的性能和效率。将最优模具模型转换为制造参数数据，可以指导模具制造过程，确保在制造过程中准确快速地实施设计意图，并减少手动操作。
可选地，本发明还提供一种三维模具的智能建模系统，该三维模具的智能建模系统包括：
模具点云生成模块，用于通过预设的摄像机获取标定模具图像集，并对标定模具图像集进行分区特征点云提取，从而获得模具特征点云数据；
三维点云转换模块，用于对模具特征点云数据进行三维点云稠密化，从而获得三维点云数据；
参数化模型构建模块，用于根据三维点云数据构建模具三维模型，并对模具三维模型进行参数调整迭代优化，从而获得最佳拟合三维模型；对最佳拟合三维模型进行参数化描述，从而获得参数化模型；
第一模型优化模块，用于获取模具需求数据，根据模具需求数据对参数化模型进行第一模具模型优化，从而获得优化模具模型；
力学仿真模拟模块，用于对优化模具模型进行力学仿真性能模拟，从而获得模具工作仿真数据；
第二模型优化模块，用于根据模具工作仿真数据对优化模具模型进行第二模具模型优化，从而获得最优模具模型，并将最优模具模型进行制造参数转换，从而获得模具制造参数数据。
本发明中的模具点云生成模块提供准确的模具特征点云数据，为后续的模具建模和优化提供基础。三维点云转换模块提供更丰富和精确的模具三维形状数据，为模具建模和优化提供更详细的几何信息。参数化模型构建模块提供了可调整和优化的模具三维模型，可以根据需求进行精细调节和改进。参数化描述的模具模型使得后续模具设计和优化过程更加灵活和高效。第一模型优化模块通过模具需求数据的引导将模具模型优化到满足指定要求的程度。提供了经过优化的模具模型，为后续的工艺分析和力学仿真提供更合适的基础。力学仿真模拟模块可以评估模具在工作条件下的力学性能、疲劳寿命等关键指标。提供了模具工作仿真数据，为模具设计和优化提供准确的性能评估依据。第二模型优化模块基于真实工作仿真数据的优化，进一步改善模具的设计和性能。提供了经过全面优化的最佳模具模型，并生成了相应的制造参数数据，为模具的实际制造提供指导。总体而言，该系统可以提供准确的模具形状和特征数据、灵活的模具调整和优化、精确的力学性能仿真模拟以及最佳模具模型和制造参数的生成，从而提高了模具设计的准确性、性能优化和制造可行性。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明三维模具的智能建模方法的步骤流程示意图；
图2为本发明中步骤S1的详细步骤流程示意图；
图3为本发明中步骤S5的详细步骤流程示意图；
本发明目的的实现、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
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图3，本发明提供了一种三维模具的智能建模方法，所述方法包括以下步骤：
步骤S1：通过预设的摄像机获取标定模具图像集，并对标定模具图像集进行分区特征点云提取，从而获得模具点云数据；
本实施例中准备一个标定板或标定物体，其具有已知的几何形状和特征点。将摄像机安装在适当的位置，使其能够拍摄到整个标定板或标定物体。拍摄一系列标定图像，涵盖不同角度和位置的标定板或标定物体。使用摄像机标定算法，如张正友标定法或Tsai–Lenz标定法，对标定图像进行处理，计算出摄像机的内外参数。准备待拍摄的模具，并确保其具有清晰可见的特征点和表面纹理。将摄像机根据前面的标定结果放置在适当的位置和角度，确保能够捕捉到模具的整个表面。拍摄模具的图像集，包括从不同角度和位置拍摄的多个图像。对每张模具图像进行图像处理，如去噪、边缘检测等，以增强图像中的特征点和纹理。使用特征检测和配准算法，如SIFT、SURF或光流法等，检测出模具图像中的特征点。根据特征点的位置信息，将图像中的特征点对应到三维空间中，形成模具的点云数据。对多个图像的点云数据进行融合和配准，以获得完整的模具点云数据集。
步骤S2：对模具点云数据进行三维点云稠密化，从而获得三维点云数据；
本实施例中使用三维重建算法，如结构光扫描、立体视觉等技术，对模具点云数据进行稠密化处理，填充缺失的点云信息，生成完整的三维点云数据。
步骤S3：根据三维点云数据构建模具三维模型，并对模具三维模型进行参数调整迭代优化，从而获得最佳拟合三维模型；对最佳拟合三维模型进行参数化描述，从而获得参数化模型；
本实施例中利用点云数据，可以应用三维建模软件或算法，如三角网格重建、点云拟合等，构建模具的三维模型。对构建的三维模型进行参数调整迭代优化，以最好地拟合原始点云数据。根据最佳拟合的三维模型，可以进行参数化描述，将其转换为一个参数化模型，使用参数来表示模具的特征和形状。
步骤S4：获取模具需求数据，根据模具需求数据对参数化模型进行第一模具模型优化，从而获得优化模具模型；
本实施例中收集模具需求数据，包括模具的功能要求、尺寸限制、材料要求等。将模具需求数据与参数化模型进行匹配和比较，通过调整参数化模型的参数值，使其满足模具需求数据，并优化模具模型。
步骤S5：对优化模具模型进行力学仿真性能模拟，从而获得模具工作仿真数据；
本实施例中利用计算机辅助工程（CAE）软件，对优化后的模具模型进行力学仿真分析，包括结构强度、变形、应力分布等。根据模具的设计目标和仿真结果，评估模具的工作性能，以便进一步优化模型。
步骤S6：根据模具工作仿真数据对优化模具模型进行第二模具模型优化，从而获得最优模具模型，并将最优模具模型进行制造参数转换，从而获得模具制造参数数据。
本实施例中结合模具工作仿真数据和设计要求，对优化模具模型进行第二次调整和优化，以获得最优的模具模型。根据最优模具模型，确定模具的制造参数，如加工方法、工艺参数、材料选择等，将其转换为模具制造参数数据，供后续的制造和生产过程使用。
本发明通过使用预设的摄像机获取标定模具图像集，并对标定模具图像集进行分区特征点云提取，可以获得模具点云数据。摄像机可以自动地捕获模具图像，减少了手动建模的时间和努力。分区特征点云提取可以从多个角度和位置捕获模具表面的点云数据，提供了更全面、更准确的模具形状信息。对模具点云数据进行三维点云稠密化，将稀疏的点云数据转换为密集的三维点云数据。通过增加点云密度，可以更准确地表达模具的细节和曲面特征。稠密的点云数据提供了更多模具的表面信息，为后续的建模和优化提供更丰富的数据基础。根据三维点云数据构建模具三维模型，并对模具三维模型进行参数调整迭代优化，得到最佳拟合的三维模型。对最佳拟合的三维模型进行参数化描述，获得参数化模型。基于三维点云数据可以自动生成模具三维模型，减少了手动建模的工作量和错误。通过迭代优化可以使模具模型更好地适应实际数据，提高了模型与实际模具的拟合度。参数化模型可以更方便地进行后续的模型调整、修改和优化。获取模具需求数据，并根据需求对参数化模型进行第一模具模型优化，得到优化的模具模型。通过获取模具需求数据，可以对参数化模型进行针对性的调整和改进，确保模具满足特定的设计要求和功能需求。优化的模具模型可以更好地满足设计目标，并提高了模具的性能和可靠性。对优化模具模型进行力学仿真性能模拟，从而获得模具工作仿真数据。通过力学仿真性能模拟，可以预测和评估模具在工作条件下的性能表现，如强度、刚度、振动等方面的变化。仿真数据可以帮助发现模具设计中的潜在问题和改进空间，从而优化模具的结构和性能。根据模具工作仿真数据对优化模具模型进行第二模具模型优化，并将最优模具模型进行制造参数转换，获得模具制造参数数据。通过根据工作仿真数据进行第二次优化，可以得到更加优化的模具设计，提高模具的性能和效率。将最优模具模型转换为制造参数数据，可以指导模具制造过程，确保在制造过程中准确快速地实施设计意图，并减少手动操作。
可选地，步骤S1具体为：
步骤S11：通过预设的摄像机获取标定模具图像集，并进行摄像机标定处理，从而获得模具图像坐标系；
本实施例中准备一个标定板或标定物体，并设置已知的几何形状和特征点。将摄像机安装在适当的位置和角度，以拍摄整个标定板或标定物体。拍摄一系列的标定图像，包括不同角度和位置的图像。使用摄像机标定算法，如张正友标定法或Tsai–Lenz标定法，对标定图像进行处理，计算出摄像机的内外参数。这些参数描述了摄像机的姿态和畸变情况。
步骤S12：对标定模具图像集进行背景分割，从而获得模具前景图像集；
本实施例中执行背景分割算法，如基于差值、基于阈值等，将模具从背景中分离出来。确保背景分割的结果准确性，以获取清晰的模具前景图像集。
步骤S13：通过模具图像坐标系对模具前景图像集进行特征分割比例计算，从而获得模具特征分割比例；
本实施例中将摄像机坐标系与模具图像进行对齐，通过标定得到的摄像机内外参数将图像坐标映射到模具物理坐标系。根据模具的物理尺寸和特征点的分布情况，计算出模具特征分割比例。
步骤S14：根据模具特征分割比例对模具前景图像集进行图像分割，从而获得模具特征区域图像集以及模具非特征区域图像集；
本实施例中基于模具特征分割比例，对模具前景图像进行图像分割，将图像中的特征区域和非特征区域分离开来。特征区域包含模具的特有特征，非特征区域包含模具的通用特征。
步骤S15：对模具特征区域图像集进行特征提取，从而获得模具特征描述子；
本实施例中使用特征提取算法，如SIFT、SURF、ORB等，提取模具特征区域图像中的关键点和特征描述子。特征描述子是用来描述模具特征区域的独特特征，可以用于后续的匹配和识别任务。
步骤S16：对模具非特征区域图像集进行特征提取，从而获得模具非特征描述子；
本实施例中使用同样的特征提取算法，对模具非特征区域图像进行特征提取。模具非特征描述子描述了模具的通用特征，可以用于区分模具的不同部分或进行后续的分类任务。
步骤S17：对模具特征描述子和模具非特征描述子进行分块特征点云转换，从而获得模具点云数据。
本实施例中将模具特征描述子和模具非特征描述子中的关键点和特征描述子转化为三维空间坐标。通过摄像机内外参数将图像坐标映射到模具的三维坐标系中，生成模具的点云数据。
本发明通过标定模具图像集进行摄像机标定可以确定摄像机的内部参数（如焦距、畸变参数等）和外部参数（如摄像机位置和姿态），从而建立起摄像机坐标系与模具图像坐标系的转换关系。这个过程对后续的图像处理和分析非常重要，因为它确保了模具图像的几何形状和位置信息能够与实际世界中的模具相对应，为后续的图像处理算法提供准确的参考。背景分割是将模具图像中的模具部分与背景部分进行分离的过程。通过背景分割，可以去除背景的干扰，将目标模具从复杂的背景中提取出来，从而简化后续的图像处理和分析任务。特征分割比例是指在模具图像中划分模具特征区域和非特征区域的比例。通过计算特征分割比例，可以了解模具图像中特征区域的相对大小，从而为后续的图像分割和特征提取提供参考依据。根据计算得到的特征分割比例，对模具前景图像集进行分割。分割过程将模具图像中的特征区域和非特征区域分开，得到两个图像集：模具特征区域图像集和模具非特征区域图像集。这样可以将注意力集中在模具的特征区域上，为特征提取提供更清晰的图像样本。对模具特征区域图像集进行特征提取，提取模具特有的形状、纹理等特征，生成相应的特征描述子。这些特征描述子能够捕捉到模具的独特特征，并提供一种紧凑、鲁棒性好的表示形式，方便后续的模具匹配和识别任务。对模具非特征区域图像集进行特征提取，提取出通用的模具形状等特征，用于更全面地描述模具的特征。这些非特征描述子提供模具的上下通用部分信息，有助于模具的整体理解和识别。将通过特征提取得到的模具特征描述子和模具非特征描述子转换为点云数据。点云是一种由离散点表示的三维数据形式，能够更好地表示模具的几何形状和空间位置信息。分块特征点云转换是将模具的特征和非特征描述子分别转换为点云数据，并合并成最终的模具点云，为后续的模具分析、匹配和识别任务提供基础数据形式。
可选地，步骤S11具体为：
通过预设的摄像机获取标定模具图像集；
本实施例中准备一个预设的摄像机，并确定其位置和方向。将模具放置在摄像机的视野范围内，并拍摄一系列的标定模具图像。确保模具在图像中有良好的可见性和清晰度。
对标定模具图像集进行摄像机位置提取，从而获得摄像机位置数据；
本实施例中使用图像处理和计算机视觉技术，对标定模具图像集进行摄像机姿态估计。可以使用特征匹配、运动估计或结构光等方法来确定摄像机位置和方向。提取摄像机的位置数据，例如相机坐标系下的位置向量或旋转矩阵。
对标定模具图像集进行角点特征提取，从而获得标定图像集角点特征；
本实施例中使用角点检测算法，如Harris角点检测、Shi-Tomasi角点检测或FAST角点检测等，对标定模具图像集进行特征提取。角点是图像中具有明显边缘变化的位置点，可以用于后续的摄像机标定。
根据标定模具图像集以及标定图像集角点特征进行内参数计算，从而获得标定内参数；
本实施例中使用摄像机标定算法，如张正友标定法或Tsai-Lenz标定法，根据标定模具图像集和对应的角点特征，计算摄像机的内参数。内参数包括焦距、主点位置和畸变等信息，用于描述摄像机的成像特性。
根据标定模具图像集以及标定图像集角点特征进行畸变参数计算，从而获得标定畸变参数；
本实施例中使用畸变校正算法，如多项式畸变模型或矫正图像法，根据标定模具图像集和对应的角点特征，计算摄像机的畸变参数。畸变参数描述了摄像机镜头的非线性畸变，可以校正图像中的畸变问题。
根据摄像机位置数据、标定内参数以及标定畸变参数构建模具图像坐标系。
本实施例中使用摄像机的位置数据作为模具图像坐标系的原点，并将摄像机坐标系与世界坐标系之间的变换关系确定下来。将标定内参数和畸变参数应用到模具图像坐标系的坐标转换中，实现摄像机图像坐标到实际世界坐标的映射。
本发明通过预设的摄像机获取标定模具图像集；在相机标定过程中，需要准备一组标定模具的图像，这些图像需要涵盖模具在不同位置和角度下的变化。通过使用预设的摄像机获取这些图像，确保了标定数据的来源和一致性。通过对标定图像集进行图像处理和分析，可以提取出摄像机在拍摄每张图像时的位置信息。这些位置数据记录了摄像机在三维空间中的位置和姿态，用于后续的相机标定计算。在每个标定图像中，通过使用特定的算法或方法，可以检测出图像中模具边缘或纹理的角点特征。这些角点特征在后续的标定计算中起到了重要的作用，用于确定相机的内参数和畸变参数。通过使用标定图像集和其相应的角点特征，可以进行相机的内参数计算。内参数包括焦距、主点坐标和相机的畸变参数。这些内参数描述了相机的成像特性和畸变情况，对于后续的图像处理和测量具有重要影响。相机镜头的光学畸变会对图像的几何形状产生影响，如径向畸变和切向畸变。通过使用标定图像集和其相应的角点特征，可以计算出相机的畸变参数，进一步纠正图像的畸变。最后，利用摄像机的位置数据和标定参数，可以构建出模具图像的坐标系。这个坐标系可以用于将摄像机图像中的二维像素坐标转换为三维世界坐标，从而实现对模具的测量、定位或三维重建等应用。
可选地，步骤S13具体为：
获取历史模具图像集；
本实施例中收集一组历史模具的图像，这些图像应该包含不同的模具实例和各种不同的模具状态。图像可以通过摄像机、扫描仪或其他图像获取设备获取。
对历史模具图像集进行特征提取，从而获得历史模具特征数据集；
本实施例中使用图像处理和计算机视觉技术，对历史模具图像集进行特征提取。特征可以包括形状、纹理、颜色等方面的信息。常用的特征提取方法包括边缘检测、角点检测、局部二值模式（LBP）等。
对历史模具特征数据集进行交集计算，从而获得模具通用特征；
本实施例中对于每个模具特征数据，计算其与其他模具特征数据的交集。交集计算可以使用相似性度量方法，如余弦相似度、欧氏距离等。确定所有模具特征数据之间的共同特征，即模具通用特征。
通过模具图像坐标系对模具通用特征进行轮廓计算，从而获得通用特征轮廓数据；
本实施例中基于模具图像坐标系中的模具通用特征，提取模具的边界轮廓信息。可以使用边缘检测算法或分割算法来提取模具的轮廓。轮廓可以由一系列的点或由点的集合表示。
利用通用特征轮廓数据对模具前景图像集进行特征分割比例计算，从而获得模具特征分割比例。
本实施例中将模具通用特征轮廓数据应用于模具前景图像集。对于每个模具前景图像，计算其与通用特征轮廓之间的特征分割比例。特征分割比例可以根据轮廓形状的相似性来计算，例如匹配程度、重叠程度等。
本发明通过收集一定数量的历史模具图像集，可以建立一个数据集来代表模具的不同样本。这些历史模具图像可以包含模具的不同形状、外观和尺寸。通过对历史模具图像进行特征提取，可以提取出与模具相关的关键特征，例如形状、纹理、颜色等。这些特征可以用于区分和描述不同的模具样本。对历史模具特征数据集进行交集计算，可以得到模具样本之间共同的特征。这些共同特征代表了模具的通用特征，可以用于表示该类型的模具的共性。利用模具图像坐标系，可以计算并提取模具通用特征的轮廓信息。这些轮廓数据可以描述模具的整体形状和边界，从而实现模具的高级分析和比对。通过利用通用特征轮廓数据，可以将模具前景图像进行特征分割，并计算出模具特征与整体图像的分割比例。这个比例可以帮助评估模具特征在整体图像中的占比，进而用于模具分析和质量检测。
可选地，步骤S17具体为：
对模具特征区域图像集进行三维重建，从而获得模具特征点云；
本实施例中使用三维重建技术，例如结构光扫描、立体视觉或激光扫描等，对模具特征区域图像集进行三维重建。这将产生一组包含模具特征的三维点云数据，其中每个点表示模具特征的空间位置。
对模具非特征区域图像集进行三维重建，从而获得模具非特征点云；
本实施例中使用相同的三维重建技术，对模具非特征区域图像集进行三维重建。这将产生一组包含模具非特征的三维点云数据，其中每个点表示模具非特征的空间位置。
根据模具特征描述子和模具非特征描述子进行连接点分析，从而获得模具连接点数据；
本实施例中分析模具特征描述子和模具非特征描述子的相似性，找到连接模具特征和非特征区域的关键点。这些连接点表示模具特征区域和非特征区域之间的对应关系。
利用模具特征描述子对模具特征点云进行编码处理，从而获得编码特征点云；
本实施例中对模具特征点云中的每个点，使用模具特征描述子进行特征编码。编码可以使用诸如深度学习模型、局部特征描述子（如FPFH、SHOT等）等方法进行。
利用模具非特征描述子对模具非特征点云进行编码处理，从而获得编码非特征点云；
本实施例中对模具非特征点云中的每个点，使用模具非特征描述子进行特征编码。同样使用合适的编码方法，如深度学习模型或局部特征描述子。
根据模具连接点数据对编码特征点云以及编码非特征点云进行三维点云映射，从而获得模具点云数据。
本实施例中根据模具连接点数据，将编码特征点云和编码非特征点云进行对齐和映射。使用连接点的空间位置信息，将编码特征点云和编码非特征点云进行匹配和融合。最终得到完整的模具点云数据，包含了模具特征区域和非特征区域的三维信息。
本发明通过将模具特征区域图像集进行三维重建，可以将二维图像转换为三维的点云数据。这样可以准确地捕捉模具特征区域的形状和结构，为后续的分析和处理提供更精准的数据基础。同样地，对模具非特征区域图像集进行三维重建，可以将二维图像转换为三维点云数据。这些点云表示了模具的非特征区域，即模具通用部分。这些数据可以与特征点云相对比，提供更全面的模具信息。通过对模具特征描述子和模具非特征描述子进行分析，可以确定模具中的连接点位置。连接点是模具中不同特征或非特征部分之间的关键连接处，这些数据可以帮助识别模具中各个部分的相对位置和关系。利用模具特征描述子对模具特征点云进行编码处理，可以将点云数据转化为一种表示特征的编码形式。这样可以减少数据的维度，并提取出重要的特征信息，从而方便后续的特征分析和处理。同样地，利用模具非特征描述子对模具非特征点云进行编码处理，可以将点云数据转化为编码形式。这些编码形式可以用于描述非特征区域的特征，有助于对整个模具进行全面的分析和比对。通过模具连接点数据，在编码特征点云和编码非特征点云之间进行三维点云映射，可以将它们的数据整合在一起，得到描述整个模具的点云数据。这些点云数据可以用于模具的可视化、形状匹配以及其他三维分析任务。
可选地，步骤S3具体为：
步骤S31：根据三维点云数据构建模具三维模型；
本实施例中使用三维点云数据集进行表面重建，通常采用方法如Marching Cubes或Poisson Reconstruction。这将生成一个粗略的三维模型，其中点云数据的几何形状被转化为表面网格模型。
步骤S32：将三维点云数据与模具三维模型进行配准拟合，从而获得拟合三维模型；
本实施例中使用点云配准算法，如ICP（Iterative Closest Point）或变体算法，将三维点云数据与模具三维模型进行配准拟合。将点云数据与模具模型对齐，使其更好地贴合模具表面。
步骤S33：使用模具拟合误差计算公式对拟合三维模型以及三维点云数据进行拟合误差计算，从而获得拟合误差；
本实施例中定义一个模具拟合误差计算公式，用于衡量拟合三维模型和原始三维点云数据之间的差异。根据公式，计算拟合误差，表征拟合的准确程度。
其中，模具拟合误差计算公式具体为：
；
式中，为拟合误差，为三维点云数据量，为三维点云数据量的索引，为点云数据权重系数，为拟合三维模型函数，为第个三维点云数据的横轴坐标，为第个三维点云数据的纵轴坐标，为第个三维点云数据的垂直轴坐标，为误差比例因子，为常数误差偏移系数；
本发明构造了一个模具拟合误差计算公式，用于对拟合三维模型以及三维点云数据进行拟合误差计算。该公式充分考虑了影响拟合误差的三维点云数据量，三维点云数据量的索引，点云数据权重系数，拟合三维模型函数，第个三维点云数据的横轴坐标，第个三维点云数据的纵轴坐标，第个三维点云数据的垂直轴坐标，误差比例因子，常数误差偏移系数，形成了函数关系：
；
其中表示拟合三维模型的函数，，其中为是一个预先定义的函数，可以是线性函数、多项式函数或其他形式的函数，具体取决于拟合模型的选择。它取决于输入的参数和变量。在这个公式中，表示根据模型参数和对三维点云数据点进行拟合计算得到的模型函数值。这是对模型函数在纵轴坐标,和垂直轴坐标上的偏导数。它表示模型函数对这两个变量的斜率或变化率。平方是为了保证计算结果为正值。是误差比例因子取自然对数。这个因子通常用于校正误差的比例。这是常数误差偏移系数，用于校正拟合误差的偏移。这部分是计算拟合误差的一部分，它包括了对偏导数平方和误差比例的加权求和。加权求和后通过平方根运算得到最终的误差值。这是点云数据的权重系数，用于调整每个数据点在误差计算中的重要性。该公式通过对每个数据点的拟合误差进行加权求和，得到综合的拟合误差。这使得可以通过一个数值来度量整个模具拟合过程的准确性。通过调整参数和，可以使拟合误差最小化，从而提高拟合模型的性能。公式中的点云数据权重系数可以根据每个数据点的重要性进行设置。这可以针对不同的数据点分配不同的权重，以更准确地反映数据的质量和可靠性。较高权重的数据点将对拟合误差的计算产生更大的影响，这对于处理可靠性较高或重要的数据点非常有用。公式中的误差比例因子和常数误差偏移系数允许我们对拟合误差进行更精细的调节。通过调整这两个参数，我们可以校正拟合误差的比例和偏移，以更好地适应具体的拟合问题和数据特点。通过公式中的根号项，可以得到每个数据点的拟合误差的平方和，并将其归一化为拟合误差。这可以对拟合误差的分布进行描述和分析，确定哪些区域或数据点对整体拟合结果的贡献较大。
步骤S34：利用拟合误差对模具三维模型进行参数调整迭代优化，从而获得最佳拟合三维模型；
本实施例中使用优化算法，例如最小二乘法、梯度下降法等，对模具三维模型进行参数调整。通过迭代优化过程，调整模型参数以减小拟合误差，达到最佳拟合结果。
步骤S35：对最佳拟合三维模型进行关键参数提取，从而获得三维模型关键参数；
本实施例中从最佳拟合的三维模型中提取关键参数，这些参数可能代表模具的特定特征或几何属性。关键参数可以是模具的尺寸、形状参数、曲率等。
步骤S36：将三维模型关键参数进行归一化处理，从而获得归一化关键参数；
本实施例中对三维模型的关键参数进行归一化处理，将其映射到一个统一的范围内。归一化可以提高参数的可比性和稳定性，使参数之间的差异更明显。
步骤S37：将归一化关键参数与最佳拟合三维模型进行映射，从而获得初始参数化模型，并对初始参数化模型进行最佳拟合优化，从而获得参数化模型。
本实施例中将归一化的关键参数重新映射到最佳拟合的三维模型上，得到初始的参数化模型。对初始参数化模型进行最佳拟合优化，进一步优化模型的几何形状和参数，以使其更好地拟合点云数据。
本发明通过对三维点云数据进行处理和分析，可以重建出模具的三维模型。这提供了一个准确的表示模具几何形状的数学模型，为后续的配准和拟合提供基础。通过将三维点云数据与模具三维模型进行配准和拟合，可以将点云数据与模型对齐，得到一个更准确的模具拟合模型。这有助于减小拟合误差，提高模具模型的精度。通过计算拟合三维模型与原始三维点云数据之间的差异，可以确定拟合的质量和准确度。拟合误差是衡量拟合结果与真实模具形状偏差的重要指标。利用拟合误差信息，可以根据优化算法对模具三维模型的参数进行调整和迭代优化。这个过程通过不断调整模型参数，使得拟合误差最小化，从而得到一个更加精确的最佳拟合三维模型。在最佳拟合的三维模型基础上，提取出描述模具关键特征的参数。这些关键参数可以用于进一步的分析、比较和特征提取，为后续工作提供重要的参考和基础。通过对三维模型关键参数进行归一化处理，可以将参数值约束在特定的范围内，消除参数间的尺度差异。归一化关键参数有助于提高模型的可比性和一致性，并且方便后续的参数化建模和分析。通过将归一化关键参数与最佳拟合的三维模型进行映射，可以生成一个初始的参数化模型。然后，通过对初始参数化模型进行最佳拟合优化，可以进一步优化模型的拟合度和精确度，得到一个更准确的参数化模型。
可选地，步骤S4具体为：
获取模具需求数据；
本实施例中从相关部门或客户处获取模具需求数据，这些数据可能包括模具的功能需求、尺寸要求、形状要求等。
根据模具需求数据进行模具需求参数提取，从而获得模具需求关键参数；
本实施例中根据模具需求数据，提取出与模具设计和制造相关的关键参数，如尺寸范围、形状要求、材料要求等。
对参数化模型进行关键参数提取，从而获得参化模型关键参数；
本实施例中从已有的参数化模型中提取关键参数，这些参数可以是模具的尺寸参数、形状描述参数等。
通过参数组合得分计算公式对参化模型关键参数以及模具需求关键参数进行计算，从而获得参数组合得分；
本实施例中定义一个参数组合得分计算公式，利用该公式计算参化模型关键参数和模具需求关键参数的得分。根据公式，计算参数组合得分，以评估参化模型的匹配程度和满足模具需求的程度。
其中，参数组合得分计算公式具体为：
；
式中，为参数组合得分，为参化模型关键参数的数量，为参化模型关键参数的索引，为第个参化模型关键参数的权重系数，为参化模型函数，为第个参化模型关键参数的数值，为第个参化模型关键参数的尺度因子，为第个参化模型关键参数的特征因子，为模具需求关键参数的数量，为模具需求关键参数的索引，为第个模具需求关键参数的实际值，为第个模具需求关键参数的特征系数；
本发明构造了一个参数组合得分计算公式，用于参化模型关键参数以及模具需求关键参数进行计算。该公式充分考虑了影响参数组合得分的参化模型关键参数的数量，参化模型关键参数的索引，第个参化模型关键参数的权重系数，参化模型函数，第个参化模型关键参数的数值，第个参化模型关键参数的尺度因子，第个参化模型关键参数的特征因子，模具需求关键参数的数量，模具需求关键参数的索引，第个模具需求关键参数的实际值，第个模具需求关键参数的特征系数，形成了函数关系：
；
其中该项表示参化模型函数关于第个参化模型关键参数的偏导数，并将其平方。这部分用于衡量参数对模型的敏感程度，如果某个参数对模型变化的影响较大，则其偏导数较大，对应的项会较大，反之亦然。该项表示第个参化模型关键参数的权重系数的倒数。权重系数用于调整每个参数对得分的贡献，较大的权重会增加该参数对整体得分的影响力。该项表示第个参化模型关键参数的尺度因子的自然对数。尺度因子可以用来表示参数的量级或变化范围。取对数是因为较大的尺度因子会导致较大的影响，通过取对数，可以将影响限制在较小的范围内，使得得分更加平衡。该项表示第个参化模型关键参数的特征因子的平方根。特征因子可以用于衡量参数的特征性质或重要程度。平方根的作用是将特征因子映射到合适的范围内，避免过大或过小的影响。该项表示模具需求关键参数的乘积项。乘积项通过对所有模具需求关键参数的实际值增加一个偏移量进行累乘，其中是第个模具需求关键参数的实际值，是该参数的特征系数。这部分主要考虑了模具需求参数对整体得分的贡献，较大的实际值将增加该项的值。公式中的部分表示了参化模型关键参数对模型的敏感程度。通过计算该部分，可以对不同参数的影响程度进行评估，帮助确定哪些参数对模型结果具有较大的影响。这有助于进行敏感性分析，识别重要的参数并更有针对性地进行调整和优化。公式中使用来表示参化模型关键参数的权重系数的倒数。权重系数用于调整每个参数对得分的贡献。通过调整参数的权重，可以突出一些关键参数的作用，使其在得分中占据更重要的位置。这有助于根据具体需求调整不同参数的重要性，从而更好地匹配模具设计要求。公式中的和用于调节参化模型关键参数的尺度和特征属性。参数的尺度因子和特征因子反映了参数值的量级和重要程度。通过取对数和平方根处理，可以将参数的影响范围限制在合适的范围内，避免过大或过小的影响。这有助于提高参数的平衡性和可比性，使得参数在计算得分时更具合理性。公式中的部分对模具需求关键参数的实际值和特征系数进行乘积计算。通过将所有模具需求参数的实际值与特征系数相乘后累乘，可以综合考虑模具需求参数对整体得分的贡献。这有助于将模具需求参数纳入评估过程，确保设计的参数组合在满足模具需求方面具有较好的综合性能。
利用参数组合得分对参化模型关键参数以及模具需求关键参数进行最优选择，从而获得最优参数组合数据；
本实施例中根据参数组合得分，选择最优的参数组合，即使得分最高的参数组合，以满足模具需求并最大程度匹配参化模型。
利用最优参数组合数据对参数化模型进行参数调整迭代优化，从而获得优化模具模型。
本实施例中使用最优参数组合对参数化模型进行参数调整，可以采用优化算法如梯度下降法、遗传算法等，通过迭代优化过程不断调整模型参数。优化模具模型的目标是使其更好地满足模具需求，并与参化模型的关键参数相匹配。
本发明通过收集、整理和分析相关的模具需求数据，可以了解客户或生产过程中对模具的要求，包括尺寸、形状、功能等方面的需求。通过对模具需求数据的分析和提取，可以确定模具设计和制造中的关键参数，例如尺寸限制、形状要求、材料要求等。这些关键参数对于后续的模具设计和优化非常重要。在已有的参数化模型基础上，通过分析模型结构和设计特点，提取表示模具关键特征的参数。这些关键参数可以用于描述模具的几何形状、尺寸和特征。通过制定合适的参数组合得分计算公式，将参数化模型关键参数和模具需求关键参数进行组合计算得到得分数据。这些得分数据反映了不同参数组合下的匹配程度或优劣，为后续的最优选择提供依据。基于参数组合得分，采用优化算法或决策方法，选择最优的参数组合。这样可以找到最佳的参数配置，满足模具需求，并在不同的设计约束下获得最优效果。根据最优参数组合数据，对参数化模型进行参数调整和优化。通过迭代优化过程，不断改进模具模型的参数值，以达到最优匹配模具需求的目标。这样可以得到一个经过优化的模具模型，更好地满足要求。
可选地，步骤S5具体为：
步骤S51：对优化模具模型进行设计变量选择，从而获得设计变量；
本实施例中根据模具设计的需求和优化目标，选择适当的设计变量。设计变量可以包括模具的尺寸、形状、材料属性、加工工艺参数等。通过合理选择设计变量，可以在后续优化过程中对模具的性能进行调整和改进。
步骤S52：根据优化模具模型构建有限元模型，并将设计变量对有限元模型进行参数映射，从而获得映射有限元模型；
本实施例中基于优化模具模型，构建对应的有限元模型。有限元模型是模具设计和性能分析的重要工具，可以模拟模具在工作条件下的力学行为。设计变量会对有限元模型进行参数映射，即将设计变量应用到有限元模型中，以便在优化过程中对模具进行参数调整和改进。
步骤S53：获取模具材料数据，并对模具材料数据进行材料属性提取，从而获得模具材料属性数据；
本实施例中获取用于制造模具的材料数据，如材料种类、机械性能数据、热物性数据等。然后对这些材料数据进行分析和提取，以获得与模具设计和性能分析相关的材料属性数据，如弹性模量、屈服强度、热膨胀系数等。
步骤S54：根据模具材料属性数据以及模具需求数据进行约束条件分析，从而获得仿真约束条件；
本实施例中根据模具的材料属性数据和设计需求，对模具的工作条件进行约束条件分析。这包括载荷要求、边界条件、稳定性要求等。通过约束条件分析，确定模具在仿真分析中需要满足的条件，为后续的力学仿真提供准确的约束条件。
步骤S55：利用映射有限元模型对模具材料属性数据以及仿真约束条件进行力学仿真性能模拟，从而获得模具工作仿真数据。
本实施例中将映射有限元模型与模具材料属性数据和约束条件进行整合，进行力学仿真性能模拟。这可以包括应力、应变、变形、疲劳寿命、振动等方面的分析。通过力学仿真模拟，可以评估模具的性能、可靠性和耐久性，并获得模具在工作条件下的仿真数据，为后续的优化设计和制造提供参考。
本发明对优化模具模型进行设计变量选择，从而获得设计变量；这有助于确定优化模具模型中需要进行变量调整和优化的参数或特征。同时也提供了设计优化的目标和方向，使得模具设计过程更加针对性和高效。根据优化模具模型构建有限元模型，并将设计变量对有限元模型进行参数映射，从而获得映射有限元模型；通过构建有限元模型，可以对模具进行详细的力学分析和性能评估。参数映射将设计变量与有限元模型的几何与材料参数建立联系，为后续分析和优化提供数据基础。获取模具材料数据，并对模具材料数据进行材料属性提取，从而获得模具材料属性数据；获得准确的模具材料数据对于在有限元模型中进行材料力学性能分析是至关重要的。材料属性提取将模具材料数据转化为有限元模型中所需的弹性、塑性、热学等材料性质参数。根据模具材料属性数据以及模具需求数据进行约束条件分析，从而获得仿真约束条件；基于模具材料属性数据和需求数据，分析确定适用于仿真的约束条件，例如结构稳定性、变形限制、应力约束等。约束条件分析为后续的力学仿真和优化提供了关键的约束依据。利用映射有限元模型对模具材料属性数据以及仿真约束条件进行力学仿真性能模拟，从而获得模具工作仿真数据；利用映射有限元模型，对模具进行力学仿真性能分析，如应力、变形、疲劳寿命等。得到的模具工作仿真数据可以评估模具的性能和可靠性，检验设计的合理性，并指导后续优化和改进。
可选地，步骤S6具体为：
步骤S61：根据模具需求数据对模具工作仿真数据进行仿真参数提取，从而获得模具需求仿真参数；
本实施例中根据模具需求数据，比如工件尺寸、加工要求和载荷要求等，对之前获得的模具工作仿真数据进行分析和提取关键参数。例如，可以提取模具所承受的最大力和应力、变形量、振动情况等仿真参数。
步骤S62：根据模具需求仿真参数对优化模具模型进行参数调整迭代优化，从而获得最优模具模型；
本实施例中基于模具需求仿真参数，对优化模具模型的设计变量进行调整和优化。通过使用优化算法（如遗传算法、粒子群算法等）和参数调整迭代过程，不断优化模具模型的设计变量，以使模具在满足需求的同时达到最优性能。
步骤S63：对最优模具模型进行几何数据提取，从而获得模型几何数据；
本实施例中根据最优模具模型，提取其几何数据，包括模具的尺寸、形状、孔洞和曲面等几何信息。这些几何数据将用于后续的制造工艺分析和制造参数的确定。
步骤S64：根据模具需求数据以及模型几何数据进行制造工艺分析，从而获得制造参数数据；
本实施例中结合模具需求数据和模型几何数据，进行制造工艺分析。这包括确定适合模具制造的工艺流程、材料选择、加工方法和工艺参数等。通过工艺分析，获得模具制造所需的各项参数数据，如加工精度要求、表面光洁度、边角倒圆半径等。
步骤S65：对制造参数数据进行校核优化，从而获得模具制造参数数据。
本实施例中根据制造参数数据，进行校核和优化，确保模具的制造过程符合要求并能得到满足设计要求的模具。校核优化可以包括对加工工艺的调整、材料的检验和选择、加工设备的合理配置等，以最终获得可行的模具制造参数数据。
本发明通过提取模具工作仿真数据中的关键参数，可以获取模具在实际工作条件下的性能要求和约束条件。模具需求仿真参数为后续步骤提供了准确的设计指导和优化方向。根据需求仿真参数，调整和优化模具模型的参数，使其在力学性能、结构稳定性、寿命等方面满足要求。迭代优化过程可以不断调整模具设计变量，使模具的性能逐步接近或达到最优状态。在模具设计过程中，通过对最优模具模型进行几何数据提取，可以获得具体的模具几何形状和尺寸。模型几何数据提取为后续的制造工艺分析和制造参数确定提供了必要的数据基础。进行制造工艺分析可以评估模具的可制造性，确定适用的制造方法和工艺流程。根据模具需求数据和模型几何数据，分析制造过程中的约束和要求，以获取制造参数数据。根据制造参数数据，进行校核和优化，确保制造过程中的指标和要求得到满足。通过校核优化，可以提高制造的准确性、效率和质量，减少制造过程中的错误和不确定性。
可选地，本发明还提供一种三维模具的智能建模系统，该三维模具的智能建模系统包括：
模具点云生成模块，用于通过预设的摄像机获取标定模具图像集，并对标定模具图像集进行分区特征点云提取，从而获得模具特征点云数据；
三维点云转换模块，用于对模具特征点云数据进行三维点云稠密化，从而获得三维点云数据；
参数化模型构建模块，用于根据三维点云数据构建模具三维模型，并对模具三维模型进行参数调整迭代优化，从而获得最佳拟合三维模型；对最佳拟合三维模型进行参数化描述，从而获得参数化模型；
第一模型优化模块，用于获取模具需求数据，根据模具需求数据对参数化模型进行第一模具模型优化，从而获得优化模具模型；
力学仿真模拟模块，用于对优化模具模型进行力学仿真性能模拟，从而获得模具工作仿真数据；
第二模型优化模块，用于根据模具工作仿真数据对优化模具模型进行第二模具模型优化，从而获得最优模具模型，并将最优模具模型进行制造参数转换，从而获得模具制造参数数据。
本发明中的模具点云生成模块提供准确的模具特征点云数据，为后续的模具建模和优化提供基础。三维点云转换模块提供更丰富和精确的模具三维形状数据，为模具建模和优化提供更详细的几何信息。参数化模型构建模块提供了可调整和优化的模具三维模型，可以根据需求进行精细调节和改进。参数化描述的模具模型使得后续模具设计和优化过程更加灵活和高效。第一模型优化模块通过模具需求数据的引导将模具模型优化到满足指定要求的程度。提供了经过优化的模具模型，为后续的工艺分析和力学仿真提供更合适的基础。力学仿真模拟模块可以评估模具在工作条件下的力学性能、疲劳寿命等关键指标。提供了模具工作仿真数据，为模具设计和优化提供准确的性能评估依据。第二模型优化模块基于真实工作仿真数据的优化，进一步改善模具的设计和性能。提供了经过全面优化的最佳模具模型，并生成了相应的制造参数数据，为模具的实际制造提供指导。总体而言，该系统可以提供准确的模具形状和特征数据、灵活的模具调整和优化、精确的力学性能仿真模拟以及最佳模具模型和制造参数的生成，从而提高了模具设计的准确性、性能优化和制造可行性。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种三维模具的智能建模方法，其特征在于，包括以下步骤：
步骤S1：通过预设的摄像机获取标定模具图像集，并对标定模具图像集进行分区特征点云提取，从而获得模具点云数据；
步骤S2：对模具点云数据进行三维点云稠密化，从而获得三维点云数据；
步骤S3：根据三维点云数据构建模具三维模型，并对模具三维模型进行参数调整迭代优化，从而获得最佳拟合三维模型；对最佳拟合三维模型进行参数化描述，从而获得参数化模型；
步骤S4，包括：
获取模具需求数据；
根据模具需求数据进行模具需求参数提取，从而获得模具需求关键参数；
对参数化模型进行关键参数提取，从而获得参化模型关键参数；
通过参数组合得分计算公式对参化模型关键参数以及模具需求关键参数进行计算，从而获得参数组合得分；
其中，参数组合得分计算公式具体为：
；
式中，为参数组合得分，为参化模型关键参数的数量，为参化模型关键参数的索引，为第个参化模型关键参数的权重系数，为参化模型函数，为第个参化模型关键参数的数值，为第个参化模型关键参数的尺度因子，为第个参化模型关键参数的特征因子，为模具需求关键参数的数量，为模具需求关键参数的索引，为第个模具需求关键参数的实际值，为第个模具需求关键参数的特征系数；
利用参数组合得分对参化模型关键参数以及模具需求关键参数进行最优选择，从而获得最优参数组合数据；
利用最优参数组合数据对参数化模型进行参数调整迭代优化，从而获得优化模具模型；
步骤S5：对优化模具模型进行力学仿真性能模拟，从而获得模具工作仿真数据；
步骤S6，包括：
步骤S61：根据模具需求数据对模具工作仿真数据进行仿真参数提取，从而获得模具需求仿真参数；
步骤S62：根据模具需求仿真参数对优化模具模型进行参数调整迭代优化，从而获得最优模具模型；
步骤S63：对最优模具模型进行几何数据提取，从而获得模型几何数据；
步骤S64：根据模具需求数据以及模型几何数据进行制造工艺分析，从而获得制造参数数据；
步骤S65：对制造参数数据进行校核优化，从而获得模具制造参数数据。
2.根据权利要求1所述的三维模具的智能建模方法，其特征在于，步骤S1具体为：
步骤S11：通过预设的摄像机获取标定模具图像集，并进行摄像机标定处理，从而获得模具图像坐标系；
步骤S12：对标定模具图像集进行背景分割，从而获得模具前景图像集；
步骤S13：通过模具图像坐标系对模具前景图像集进行特征分割比例计算，从而获得模具特征分割比例；
步骤S14：根据模具特征分割比例对模具前景图像集进行图像分割，从而获得模具特征区域图像集以及模具非特征区域图像集；
步骤S15：对模具特征区域图像集进行特征提取，从而获得模具特征描述子；
步骤S16：对模具非特征区域图像集进行特征提取，从而获得模具非特征描述子；
步骤S17：对模具特征描述子和模具非特征描述子进行分块特征点云转换，从而获得模具点云数据。
3.根据权利要求2所述的三维模具的智能建模方法，其特征在于，步骤S11具体为：
通过预设的摄像机获取标定模具图像集；
对标定模具图像集进行摄像机位置提取，从而获得摄像机位置数据；
对标定模具图像集进行角点特征提取，从而获得标定图像集角点特征；
根据标定模具图像集以及标定图像集角点特征进行内参数计算，从而获得标定内参数；
根据标定模具图像集以及标定图像集角点特征进行畸变参数计算，从而获得标定畸变参数；
根据摄像机位置数据、标定内参数以及标定畸变参数构建模具图像坐标系。
4.根据权利要求2所述的三维模具的智能建模方法，其特征在于，步骤S13具体为：
获取历史模具图像集；
对历史模具图像集进行特征提取，从而获得历史模具特征数据集；
对历史模具特征数据集进行交集计算，从而获得模具通用特征；
通过模具图像坐标系对模具通用特征进行轮廓计算，从而获得通用特征轮廓数据；
利用通用特征轮廓数据对模具前景图像集进行特征分割比例计算，从而获得模具特征分割比例。
5.根据权利要求2所述的三维模具的智能建模方法，其特征在于，步骤S17具体为：
对模具特征区域图像集进行三维重建，从而获得模具特征点云；
对模具非特征区域图像集进行三维重建，从而获得模具非特征点云；
根据模具特征描述子和模具非特征描述子进行连接点分析，从而获得模具连接点数据；
利用模具特征描述子对模具特征点云进行编码处理，从而获得编码特征点云；
利用模具非特征描述子对模具非特征点云进行编码处理，从而获得编码非特征点云；
根据模具连接点数据对编码特征点云以及编码非特征点云进行三维点云映射，从而获得模具点云数据。
6.根据权利要求1所述的三维模具的智能建模方法，其特征在于，步骤S3具体为：
步骤S31：根据三维点云数据构建模具三维模型；
步骤S32：将三维点云数据与模具三维模型进行配准拟合，从而获得拟合三维模型；
步骤S33：使用模具拟合误差计算公式对拟合三维模型以及三维点云数据进行拟合误差计算，从而获得拟合误差；
其中，模具拟合误差计算公式具体为：
；
式中，为拟合误差，为三维点云数据量，为三维点云数据量的索引，为点云数据权重系数，为拟合三维模型函数，为第个三维点云数据的横轴坐标，为第个三维点云数据的纵轴坐标，为第个三维点云数据的垂直轴坐标，为误差比例因子，为常数误差偏移系数；
步骤S34：利用拟合误差对模具三维模型进行参数调整迭代优化，从而获得最佳拟合三维模型；
步骤S35：对最佳拟合三维模型进行关键参数提取，从而获得三维模型关键参数；
步骤S36：将三维模型关键参数进行归一化处理，从而获得归一化关键参数；
步骤S37：将归一化关键参数与最佳拟合三维模型进行映射，从而获得初始参数化模型，并对初始参数化模型进行最佳拟合优化，从而获得参数化模型。
7.根据权利要求1所述的三维模具的智能建模方法，其特征在于，步骤S5具体为：
步骤S51：对优化模具模型进行设计变量选择，从而获得设计变量；
步骤S52：根据优化模具模型构建有限元模型，并将设计变量对有限元模型进行参数映射，从而获得映射有限元模型；
步骤S53：获取模具材料数据，并对模具材料数据进行材料属性提取，从而获得模具材料属性数据；
步骤S54：根据模具材料属性数据以及模具需求数据进行约束条件分析，从而获得仿真约束条件；
步骤S55：利用映射有限元模型对模具材料属性数据以及仿真约束条件进行力学仿真性能模拟，从而获得模具工作仿真数据。
8.一种三维模具的智能建模系统，其特征在于，用于执行如权利要求1所述的三维模具的智能建模方法，该三维模具的智能建模系统包括：
模具点云生成模块，用于通过预设的摄像机获取标定模具图像集，并对标定模具图像集进行分区特征点云提取，从而获得模具特征点云数据；
三维点云转换模块，用于对模具特征点云数据进行三维点云稠密化，从而获得三维点云数据；
参数化模型构建模块，用于根据三维点云数据构建模具三维模型，并对模具三维模型进行参数调整迭代优化，从而获得最佳拟合三维模型；对最佳拟合三维模型进行参数化描述，从而获得参数化模型；
第一模型优化模块，用于获取模具需求数据，根据模具需求数据对参数化模型进行第一模具模型优化，从而获得优化模具模型；
力学仿真模拟模块，用于对优化模具模型进行力学仿真性能模拟，从而获得模具工作仿真数据；
第二模型优化模块，用于根据模具工作仿真数据对优化模具模型进行第二模具模型优化，从而获得最优模具模型，并将最优模具模型进行制造参数转换，从而获得模具制造参数。
CN202311309778.6A 2023-10-11 2023-10-11 一种三维模具的智能建模方法及系统 Active CN117057206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311309778.6A CN117057206B (zh) 2023-10-11 2023-10-11 一种三维模具的智能建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311309778.6A CN117057206B (zh) 2023-10-11 2023-10-11 一种三维模具的智能建模方法及系统

Publications (2)

Publication Number Publication Date
CN117057206A CN117057206A (zh) 2023-11-14
CN117057206B true CN117057206B (zh) 2024-01-26

Family

ID=88664733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311309778.6A Active CN117057206B (zh) 2023-10-11 2023-10-11 一种三维模具的智能建模方法及系统

Country Status (1)

Country Link
CN (1) CN117057206B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274507B (zh) * 2023-11-21 2024-02-23 长沙美莱医疗美容医院有限公司 基于互联网的面部美容整形的ai仿真模拟方法及系统
CN117814775B (zh) * 2023-12-29 2024-06-21 深圳仙库智能有限公司 一种三维人体体征数据管理方法及系统
CN117541589B (zh) * 2024-01-10 2024-03-19 深圳市京鼎工业技术股份有限公司 一种注塑模具表面光洁度自动检测方法、系统和介质
CN117689084B (zh) * 2024-01-31 2024-05-24 深蓝(天津)智能制造有限责任公司 一种电控趾端滑套的制造工艺优化方法及系统
CN118430720B (zh) * 2024-06-27 2024-10-01 深圳市常丰激光刀模有限公司 一种精密模具的参数化仿真模型设计方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279987A (zh) * 2013-06-18 2013-09-04 厦门理工学院 基于Kinect的物体快速三维建模方法
CN104517008A (zh) * 2014-12-07 2015-04-15 沈阳工业大学 基于bim的剪力墙边缘构件参数化设计方法
CN108920844A (zh) * 2018-07-06 2018-11-30 哈尔滨理工大学 一种基于联合仿真的球头铣刀几何参数优化方法
CN110826160A (zh) * 2019-11-26 2020-02-21 中国航发沈阳黎明航空发动机有限责任公司 一种用于数控弯管模具设计的快速三维建模方法
CN112017278A (zh) * 2020-08-28 2020-12-01 西安理工大学 一种基于Grasshopper的泳镜造型定制设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11769263B2 (en) * 2021-01-07 2023-09-26 Qualcomm Incorporated Three-dimensional scan registration with deformable models

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279987A (zh) * 2013-06-18 2013-09-04 厦门理工学院 基于Kinect的物体快速三维建模方法
CN104517008A (zh) * 2014-12-07 2015-04-15 沈阳工业大学 基于bim的剪力墙边缘构件参数化设计方法
CN108920844A (zh) * 2018-07-06 2018-11-30 哈尔滨理工大学 一种基于联合仿真的球头铣刀几何参数优化方法
CN110826160A (zh) * 2019-11-26 2020-02-21 中国航发沈阳黎明航空发动机有限责任公司 一种用于数控弯管模具设计的快速三维建模方法
CN112017278A (zh) * 2020-08-28 2020-12-01 西安理工大学 一种基于Grasshopper的泳镜造型定制设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
三维点云模型的参数化方法;王丽辉 等;信息与电脑(第10期);第53-57页 *

Also Published As

Publication number Publication date
CN117057206A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN117057206B (zh) 一种三维模具的智能建模方法及系统
CN113177977B (zh) 一种非接触式三维人体尺寸的测量方法
JP5677798B2 (ja) ３次元シーンにおける３次元物体の認識及び位置姿勢決定方法
Elad et al. On bending invariant signatures for surfaces
CN110634161B (zh) 一种基于点云数据的工件位姿快速高精度估算方法及装置
CN110335234B (zh) 一种基于古文物LiDAR点云的三维变化检测方法
Tong et al. Robust estimation of adaptive tensors of curvature by tensor voting
CN107292925A (zh) 基于Kinect深度相机测量方法
CN105701455A (zh) 基于asm算法的人脸特征点采集及三维人脸建模方法
Pound et al. A patch-based approach to 3D plant shoot phenotyping
CN111274944A (zh) 一种基于单张图像的三维人脸重建方法
CN110542402A (zh) 复杂结构体的rgb-d视觉定位系统及方法
CN116295065A (zh) 基于三维激光扫描点云数据的岩体变形量及变形趋势的描述方法
CN117953059B (zh) 一种基于rgb-d图像的方形吊装物姿态估计方法
CN116861543B (zh) 基于bim模型的脚手架力学分析方法及系统
CN117541537B (zh) 基于全景点云融合技术的时空差异检测方法及其系统
Srivastava et al. Drought stress classification using 3D plant models
CN117522974A (zh) 一种提高物体位姿识别效率的方法及系统
US20230030807A1 (en) Deriving metrology data for an instance of an object
CN107358655B (zh) 基于离散平稳小波变换的半球面和圆锥面模型的辨识方法
CN115471728B (zh) 基于多阶几何约束整体匹配的果实快速三维定位方法
Weiss et al. Recognizing articulated objects using a region-based invariant transform
CN118365640B (zh) 计算全息图误差分析方法
CN118583347B (zh) 一种有机电致发光器件的应力检测方法
CN109460790B (zh) 一种基于机器视觉的废弃充电宝回收分拣设计方法

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