CN117390714A - 点云数据确定方法、装置、设备及介质 - Google Patents
点云数据确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117390714A CN117390714A CN202311157078.XA CN202311157078A CN117390714A CN 117390714 A CN117390714 A CN 117390714A CN 202311157078 A CN202311157078 A CN 202311157078A CN 117390714 A CN117390714 A CN 117390714A
- Authority
- CN
- China
- Prior art keywords
- grid
- discrete
- processed
- point cloud
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005070 sampling Methods 0.000 claims abstract description 101
- 238000011960 computer-aided design Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 5
- 238000009877 rendering Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Image Generation (AREA)
Abstract
本公开实施例涉及一种点云数据确定方法、装置、设备及介质,该方法应用于目标客户端,包括:对预先设置的计算机辅助设计模型进行离散化处理,生成离散网格模型;其中,所述离散网格模型包括多个离散网格;确定所述计算机辅助设计模型的尺寸特征值,根据所述尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据;其中,所述目标离散网格包括全部所述多个离散网格或部分所述多个离散网格。本公开实施例,在不对CAD模型进行更密集网格的离散化处理的情况下,基于CAD模型的尺寸,在网格内部合理的新增了采样点,使得CAD模型对应的采样点更密集,采样点云数据能够较好的保留原始CAD模型的特征。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种点云数据确定方法、装置、设备及介质。
背景技术
在实际的生产过程中,以计算机辅助设计(Computer Aided Design,CAD)模型为样品,根据该样品进行生产获得生产件。完成生产件的生产之后,对该生产件进行检测。首先,需要扫描该生产件,得到扫描点云数据。对CAD模型进行离散化处理,得到离散网格模型,根据扫描点云模型和离散网格模型中的顶点进行粗配准,基于该粗配准结果进行后续的检测。
相关技术中,为了避免较为密集的网格处理降低CAD模型渲染处理的效率,以较为稀疏的网格对CAD模型进行离散化处理,根据该较为稀疏的网格确定的顶点也较为稀疏,导致了后续的粗配准精度较低。如何在不降低渲染处理效率的情况下,适当的提高CAD模型对应的采样点的密度,成为当前亟待解决的问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种点云数据确定方法、装置、设备及介质。
本公开实施例提供了一种点云数据确定方法,包括:
对预先设置的计算机辅助设计模型进行离散化处理,生成离散网格模型;其中,所述离散网格模型包括多个离散网格;
确定所述计算机辅助设计模型的尺寸特征值,根据所述尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据;其中,所述目标离散网格包括全部所述多个离散网格或部分所述多个离散网格。
本公开实施例还提供了一种点云数据确定装置,包括:
离散处理模块,用于对预先设置的计算机辅助设计模型进行离散化处理,生成离散网格模型;其中,所述离散网格模型包括多个离散网格;
采样模块,用于确定所述计算机辅助设计模型的尺寸特征值,根据所述尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据;其中,所述目标离散网格包括全部所述多个离散网格或部分所述多个离散网格。
本公开实施例还提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如本公开实施例提供的点云数据确定方法。
本公开实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行如本公开实施例提供的点云数据确定方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:本公开实施例中提供的点云数据确定方案,包括:对预先设置的计算机辅助设计模型进行离散化处理,生成离散网格模型;其中,所述离散网格模型包括多个离散网格;确定所述计算机辅助设计模型的尺寸特征值,根据所述尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据;其中,所述目标离散网格包括全部所述多个离散网格或部分所述多个离散网格。采用上述技术方案,根据CAD模型的尺寸特征值,对离散网格的网格内部进行采样,在不对CAD模型进行更密集网格的离散化处理的情况下,基于CAD模型的尺寸,在网格内部合理的新增了采样点,使得CAD模型对应的采样点更密集,并且采样点云数据能够较好的保留原始CAD模型的特征。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种点云数据确定方法的流程示意图;
图2为本公开实施例提供的另一种点云数据确定方法的流程示意图;
图3为本公开实施例提供的又一种点云数据确定方法的流程示意图;
图4为本公开实施例提供的一种对形状为规则三角形的待处理网格进行采样的示意图;
图5为本公开实施例提供的一种对形状为狭长三角形的待处理网格进行划分的示意图;
图6为本公开实施例提供的一种对形状为目标多边形的待处理网格进行划分的示意图;
图7为本公开实施例提供的再一种点云数据确定方法的流程示意图;
图8为本公开实施例提供的一种点云数据确定装置的结构示意图;
图9为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
随着工业技术的迅速发展,工业领域的智能化需求以及数字化需求日益强烈,其中,自动化工业检测是提高检测精度以及检测效率的核心。
在实际的生产过程中,以计算机辅助设计(Computer Aided Design,CAD)模型为样品,根据该样品进行生产获得生产件。之后,扫描该生产件,得到扫描点云数据。并且,对CAD模型进行离散化处理,得到离散网格模型。为了检测样品与生产件的差异,首先,根据离散网格模型中的顶点与扫描云数据进行粗配准,通过粗配准能够实现离散网格模型中的顶点和扫描云数据的大体位姿重叠。
为了实现准确的粗配准,离散网格模型的顶点数量需要足够多,因而离散网格模型需要具备较密集的网格。但是,在相关技术中,为了提高对CAD模型进行渲染处理的效率,CAD模型离散化处理获得的网格较为稀疏,导致了后续的粗配准精度较低。如何在不降低渲染处理效率的情况下,适当的提高CAD模型对应的采样点的密度,成为当前亟待解决的问题。
为了解决上述问题,本公开实施例提供了一种点云数据确定方法,下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的一种点云数据确定方法的流程示意图,该方法可以由点云数据确定装置或者目标客户端执行,其中该装置可以采用软件和/或硬件实现,一般可集成在电子设备中,如图1所示,该点云数据确定方法包括:
步骤101,对预先设置的计算机辅助设计模型进行离散化处理,生成离散网格模型;其中,离散网格模型包括多个离散网格。
其中,CAD模型可以为通过计算机辅助设计软件绘制的模型,该CAD模型可以为对生产件进行设计的三维模型,本实施例对该CAD模型对应的生产件的种类不做限制,例如,该生产件可以为工业零件等。该CAD模型可以理解为生产件对应的样品。离散网格模型又称数模网格模型,该离散网格模型可以为对CAD模型进行剖分网格之后获得的模型。离散网格可以为离散网格模型中的网格。本实施例对该离散网格的形状不做限制,例如,该离散网格可以为三角形,或者该离散网格可以为边数大于3的其他多边形。
在本公开实施例中,用户根据CAD模型进行生产件的生产,为了确定生产件与该CAD模型的差异,需要确定该CAD模型对应的点云数据。首先,通过剖分网格的方式根据预设网格密度将该CAD模型离散化为离散网格模型,该离散网格模型中包括多个离散网格。其中,预设网格密度可以为小于预设网格密度的值,从而与较小的网格密度进行离散化处理,提高了模型渲染的效率。此外,对该CAD模型进行离散化处理的方式有多种,本实施例不做限制。
步骤102,确定计算机辅助设计模型的尺寸特征值,根据尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据;其中,目标离散网格包括全部多个离散网格或部分多个离散网格。
其中,尺寸特征值可以为表征CAD模型所占据的空间尺寸大小的值,该尺寸特征值有多种,本实施例不做限制,例如,该尺寸特征值可以为CAD模型的最远点的连线长度。该尺寸特征值也可以理解为后续进行采样的密度值。目标离散网格的网格内部可以为在目标离散网格所包围的区域中。采样点云可以为对网格内部进行点采样获取的多个点组成的点云,采样点云数据可以为记录该采样点云的数据。
在本公开实施例中,尺寸特征值的确定方法有多种,本实施例不做限制。举例而言,点云数据确定装置可以根据CAD模型所占据空间的尺寸大小确定CAD模型的尺寸特征值。或者,点云数据确定装置可以根据离散网格模型所占据的空间尺寸大小确定对应的CAD模型的尺寸特征值。
在确定尺寸特征值之后,点云数据确定装置可以将全部的离散网格确定为目标离散网格,并对该全部的离散网格的内部根据尺寸特征值进行点采样,得到采样点云,以及记录该采样点云的采样点云数据。或者,点云数据确定装置可以将部分的离散网格确定为目标离散网格,并对该部分的离散网格的内部根据尺寸特征值进行点采样,得到采样点云,以及记录该采样点云的采样点云数据。
在本公开一些实施例中,确定计算机辅助设计模型的尺寸特征值,包括:
确定计算机辅助设计模型的模型包围体,并确定模型包围体的尺寸参数值;将尺寸参数值输入预先设置的特征计算函数中,得到尺寸特征值;其中,特征计算函数包括预先设置的调节常数和底数常数,在特征计算函数中,底数常数的指数根据尺寸参数值与调节常数确定。
其中,模型包围体可以为包围CAD模型的几何体,本实施例对该模型包围体的类型不做限制,例如,该模型包围体可以为:包围盒、包围球中的任一种。尺寸参数值可以为表征模型包围体所占据的空间尺寸大小的值。
特征计算函数可以为能够根据模型包围体的尺寸参数值计算CAD模型的尺寸特征值的函数。调节常数可以为对特征计算函数进行系统性调节的常数,该调节常数可以根据用户需求、应用场景等进行设置,本实施例不做限制。底数常数可以为特征计算函数中作为底数的常数,该底数常数可以根据用户需求、应用场景等进行设置,本实施例不做限制,例如,该底数常数可以为自然常数。举例而言,特征计算函数中,底数可以为底数常数,指数可以为尺寸参数值和调节常数的乘积相反数。举例而言,该特征计算函数可以为y=1-e-kr,其中,e为底数常数,k为调节常数,r为尺寸参数值,y为尺寸特征值。
在本实施例中,不同类型的模型包围体可以存在对应的尺寸参数值计算方法。举例而言,若模型包围体为包围球,则尺寸参数值可以为该包围球的半径。若模型包围体为包围盒,则尺寸参数值可以为基于该包围盒的长、宽、高中的一个或多个确定的数值。
将尺寸参数值输入特征计算函数中,通过该特征计算函数的计算得到CAD模型的尺寸特征值。
上述方案中,基于模型包围体能够更准确的表征CAD模型所占据空间的尺寸。通过特征计算函数将尺寸参数值转换为了尺寸特征值,该特征计算函数中的调节常数能够根据CAD模型的应用场景进行设置,以满足不同应用场景下的采样点疏密程度的需求。
在本公开一些实施例中,在确定采样点云数据之后,可以基于该采样点云数据进行粗配准,该粗配准的实现方法有多种,本实施例不做限制,实例说明如下:
一种可选的实施方式中,该点云数据确定方法还包括:获取目标生产件的扫描点云数据,对扫描点云数据和采样点云数据,进行粗配准。
另一种可选的实施方式中,该点云数据确定方法还包括:获取目标生产件的扫描点云数据;确定各离散网格的顶点数据,将顶点数据合并入采样点云数据,得到网格点云数据;对扫描点云数据和网格点云数据,进行粗配准。
其中,目标生产件可以为以计算机辅助设计模型为样品生产的生产件;顶点数据可以为记录离散网格的顶点的数据。网格点云数据可以包括采样点云数据和顶点数据。该网格点云数据可以理解为当前确定的CAD模型的综合点云数据。
在本实施例中,用户以CAD模型为样品,生产相应的目标生产件,因而需要基于CAD模型对该目标生产件进行检测。检测过程中,首先需要进行粗配准。具体地,点云数据确定装置可以对目标生产件进行扫描,确定该目标生产件的扫描点云数据。或者,点云数据确定装置可以直接获取现有的目标生产件的扫描点云数据。
针对离散网格模型中的每个离散网格,点云数据确定装置获取各离散网格的顶点数据之后,将顶点数据和采样点云数据进行合并,生成CAD模型对应的网格点云数据。进一步地,根据CAD模型的网格点云数据和目标生产件的扫描点云数据进行粗配准。
上述方案中,网格点云数据中,既包括对网格内部进行采样获得的点云数据,又包括网格的顶点数据,能够较为全面的表征CAD模型的形态,因而基于该网格点云数据进行的粗配准的准确性较高。
本公开实施例提供的点云数据确定方法,包括:对预先设置的计算机辅助设计模型进行离散化处理,生成离散网格模型;其中,所述离散网格模型包括多个离散网格;确定所述计算机辅助设计模型的尺寸特征值,根据所述尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据;其中,所述目标离散网格包括全部所述多个离散网格或部分所述多个离散网格。采用上述技术方案,根据CAD模型的尺寸特征值,对离散网格的网格内部进行采样,在不对CAD模型进行更密集网格的离散化处理的情况下,基于CAD模型的尺寸,在网格内部合理的新增了采样点,使得CAD模型对应的采样点更密集,并且采样点云数据能够较好的保留原始CAD模型的特征。
图2为本公开实施例提供的另一种点云数据确定方法的流程示意图,如图2所示,该方法中,在根据尺寸特征值在目标离散网格的网格内部进行采样之前,还包括:确定离散网格模型中满足预先设置的网格稀疏条件的待处理区域,将待处理区域内的离散网格确定为目标离散网格,该方法包括:
步骤201,对预先设置的计算机辅助设计模型进行离散化处理,生成离散网格模型;其中,离散网格模型包括多个离散网格。
步骤202,确定离散网格模型中满足预先设置的网格稀疏条件的待处理区域,将待处理区域内的离散网格确定为目标离散网格。
其中,网格稀疏条件可以为用于确定区域内的离散网格是否稀疏的条件。该网格稀疏条件有多种,本实施例不做限制,例如,该网格稀疏条件可以为:若区域内包括的离散网格顶点数量小于预设顶点数量阈值,则确定该区域满足网格稀疏条件。或者,该网格稀疏条件可以为:若区域内包括的离散网格的网格边数量小于预设边数量阈值,则确定该区域满足网格稀疏条件。待处理区域可以为由于离散网格稀疏,待进行点采样的区域。
在本实施例中,点云数据确定装置可以将离散网格模型划分为多个候选区域,每个候选区域对应部分离散网格模型,针对每个候选区域,确定该候选区域是否满足网格稀疏条件,若是,则将该候选区域确定为待处理区域,将该待处理区域内的离散网格确定为目标离散网格。
在本公开一些实施例中,确定离散网格模型中满足预先设置的网格稀疏条件的待处理区域,包括:确定离散网格模型中的候选区域;确定候选区域内网格边长的总数量,以及大于边长阈值的目标网格边长的统计数量,若统计数量与总数量的数量比值大于比值阈值,则将候选区域确定为待处理区域。
其中,网格边长的总数量可以为候选区域包括的多个离散网格的多个网格边长的总数量。边长阈值可以为预先设置的用于判断网格边长是否过长的数值,该边长阈值可以根据用户需求等进行设置,本实施例不做限制。目标网格边长可以为候选区域中长度大于边长阈值的网格边长,统计数量可以为该目标网格边长的数量。数量比值可以为以统计数量为分子、总数量为分母确定的数值。比值阈值可以为预先设置的确定候选区域内的网格非稀疏的数量比值最大值。
在本实施例中,点云数据确定装置可以将离散网格模型划分为多个候选区域,每个候选区域对应部分离散网格模型。针对每个候选区域,确定该候选区域内网格边长的总数量,并且将该候选区域内的每个网格边长和边长阈值进行比较,确定大于该边长阈值的目标网格边长,统计该目标网格边长的数量,得到统计数量。
进一步地,计算统计数量和总数量的比值,得到数量比值,判断该数量比值是否大于比值阈值。若是,则说明候选区域内网格长度较长的离散网格的数量过多,可以理解地,网格长度较长的离散网格,通常离散网格的包围区域的面积较大,离散网格较为稀疏,因而将该数量比值大于比值阈值的候选区域确定为满足网格稀疏条件的待处理区域。若该数量比值不大于比值阈值,则说明候选区域内网格长度较长的离散网格的数量较少,因而确定该候选区域不满足网格稀疏条件。
步骤203,确定计算机辅助设计模型的尺寸特征值,根据尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据。
上述方案中,将网格较为稀疏的区域内的离散网格确定为目标离散网格,后续对该目标离散网格进行点采样,而不是对全部离散网格均进行点采样,避免了对网格已经较为密集的部分进行采样,合理的节约了算力资源。
在本公开一些实施例中,针对形状为规则三角形的待处理网格,可以直接进行对该待处理网格进行采样,上述实施例中,根据尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据,包括:
将目标离散网格确定为待处理网格,并确定待处理网格的形状;若待处理网格的形状为规则三角形,则根据待处理网格中的两条待处理网格边建立第一坐标系中的坐标轴,并以尺寸特征值作为第一坐标系中的单位长度;其中,规则三角形为最长边与最短边的倍数小于倍数阈值的三角形;根据第一坐标系对待处理网格的网格内部进行采样。
在本公开一些实施例中,针对形状为狭长三角形的待处理网格,可以将该待处理网格划分为多个三角形,并基于该多个三角形进行后续的采样,该点云数据确定装置还包括:
若待处理网格的形状为狭长三角形,则确定待处理网格中最大顶角的目标顶角垂线;以目标顶角垂线将待处理网格划分为多个新的待处理网格,返回确定各新的待处理网格的形状;其中,狭长三角形为最长边与最短边的倍数大于等于倍数阈值的三角形。
在本公开一些实施例中,针对形状为目标多边形的待处理网格,可以将该待处理网格划分为多个三角形,并基于该多个三角形进行后续的采样,该点云数据确定装置还包括:
若待处理网格的形状为目标多边形,则将待处理网格划分为形状为三角形的多个新的待处理网格,返回确定各新的待处理网格的形状;其中,目标多边形为边数大于3的多边形。
图3为本公开实施例提供的又一种点云数据确定方法的流程示意图,如图3所示,根据尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据,包括:
步骤301,将目标离散网格确定为待处理网格。其中,待处理网格可以为待确定形状类型的网格。
在本实施例中,将需要进行网格内部采样的目标离散网格确定为待处理网格。
步骤302,确定待处理网格的形状。
步骤303,若待处理网格的形状为规则三角形,则根据待处理网格中的两条待处理网格边建立第一坐标系中的坐标轴,并以尺寸特征值作为第一坐标系中的单位长度;其中,规则三角形为最长边长与最短边长的倍数小于倍数阈值的三角形。
其中,规则三角形可以为不为狭长三角形的其他三角形。第一坐标系可以为对待处理网格进行采样所依据的坐标系。倍数阈值可以为三角形为狭长三角形的情况下,最长边长与最短边长的倍数最小值。该倍数阈值可以根据用户需求等进行设置,本实施例不做限制。例如,该倍数阈值可以为3倍或者5倍。
在本实施例中,若待处理网格的网格边长数量为3,则确定该待处理网格为三角形,进一步确定该待处理网格的最长边长和最短边长,并确定最长边长与最短边长的倍数,若该最长边长与最短边长的倍数小于倍数阈值,则确定该待处理网格的形状为规则三角形。
进一步地,若该待处理网格的最大角不为直角,则基于最长边和最短边确定第一坐标系的两条坐标轴,并以该待处理网格的最长边和最短边的交点作为第一坐标系的原点。若该待处理网格的最大角为直角,则基于两条直角边分别确定第一坐标系的两条坐标轴,并以该直角顶点作为第一坐标系的原点。并且,以尺寸特征值作为第一坐标系的单位长度,建立第一坐标系。
步骤304,根据第一坐标系对待处理网格的网格内部进行采样,得到采样点云数据。
在本实施例中,在确定第一坐标系之后,确定网格内部横坐标和纵坐标都为单位长度倍数的坐标点,将该坐标点确定为采样点,并生成记录该采样点的点云数据。
图4为本公开实施例提供的一种对形状为规则三角形的待处理网格进行采样的示意图,如图4所示,图4中,待处理网格内部的圆点为采样点,短线为第一坐标系的刻度。
上述方案中,基于尺寸特征值实现了对规则三角形网格内部的均匀采样。
步骤305,若待处理网格的形状为狭长三角形,则确定待处理网格中最大顶角的目标顶角垂线;其中,狭长三角形为最长边长与最短边长的倍数大于等于倍数阈值的三角形。
其中,待处理网格中的最大的顶角可以为该待处理网格中的钝角,目标顶角垂线可以为从该最大顶角至对边的垂线。
在本实施例中,若待处理网格的网格边长数量为3,则确定该待处理网格为三角形,进一步确定该待处理网格的最长边长和最短边长,并确定最长边长与最短边长的倍数,若该最长边长与最短边长的倍数不小于倍数阈值,则确定该待处理网格的形状为狭长三角形。针对该形状为狭长三角形的待处理网格,确定最大顶角至对边的目标顶角垂线。
步骤306,以目标顶角垂线将待处理网格划分为多个新的待处理网格。返回步骤302。
在本实施例中,以该目标顶角垂线将待处理网格划分为多个新的待处理网格,并返回步骤302,确定各新的待处理网格的形状。
图5为本公开实施例提供的一种对形状为狭长三角形的待处理网格进行划分的示意图,如图5所示,待处理网格ABC的形状为狭长三角形,该待处理网格ABC的最大顶角为角B,目标顶角垂线为BD,划分得到的新待处理网格包括:待处理网格ABD和待处理网格CBD。
步骤307,若待处理网格的形状为目标多边形,则将待处理网格划分为形状为三角形的多个新的待处理网格;其中,目标多边形为边数大于3的多边形。返回步骤302。
在本实施例中,若待处理网格的网格边长数量大于3,则确定该待处理网格为目标多边形,通过预先设置的目标多边形的划分算法,将该待处理网格划分为形状为三角形的多个新的待处理网格。并返回步骤302,确定各新的待处理网格的形状。
图6为本公开实施例提供的一种对形状为目标多边形的待处理网格进行划分的示意图,如图6所示,待处理网格EFGH的形状为目标多边形,该待处理网格EFGH划分得到的新待处理网格包括:待处理网格EFG和待处理网格GHE。
上述方案中,将目标多边形的待处理网格划分为了三角形的新的待处理网格,扩展了该点云数据确定方法的适用场景。
接下来通过一个具体的示例对本公开实施例中的点云数据确定方法,进行进一步说明。图7为本公开实施例提供的再一种点云数据确定方法的流程示意图,如图7所示,
步骤701,将CAD模型以较低的离散精度进行离散化处理,得到离散网格模型。
步骤702,对离散网格模型中的每个离散网格进行采样。
具体地,根据CAD模型的包围球的尺寸参数值确定尺寸特征值,以实现根据CAD模型的实际大小自适应调整采样点的密度,若y为尺寸特征值,则y=1-e-kr,其中,e为底数常数,k为调节常数,r为尺寸参数值。
将各离散网格确定为待处理网格。
若待处理网格的形状为规则三角形,则从该待处理网格的最长边与最短边的夹角出发,沿其最长边与最短边对待处理网格的网格内部进行采样,采样间隔为尺寸特征值。
若待处理网格的形状为狭长三角形,则从该待处理网格的最大角的顶点出发向对边做垂线,得到目标顶角垂线。沿目标顶角垂线的垂足分别将待处理网格切分为两个新的待处理网格,针对新的待处理网格的直角边对新的待处理网格的网格内部进行采样,采样间隔为尺寸特征值。
经过上述采样方式得到的采样点较为均匀规整,能较好地保留原始CAD模型的特征信息。
步骤703,根据采样获得的采样点确定CAD模型的采样点云数据,对生产件进行扫描,得到扫描点云数据,将采样点云数据和扫描点云数据用于粗配准。
上述方案中,通过在CAD模型上采样均匀密集的采样点,使采样点能够表征原始CAD模型的特征信息,基于该采样点确定的采样点云数据能够与扫描点云数据实现较为准确的粗配准。
图8为本公开实施例提供的一种点云数据确定装置的结构示意图,该装置可由软件和/或硬件实现,一般可集成在电子设备中或者应用于目标客户端中,如图8所示,该装置包括:
离散处理模块801,用于对预先设置的计算机辅助设计模型进行离散化处理,生成离散网格模型;其中,所述离散网格模型包括多个离散网格;
采样模块802,用于确定所述计算机辅助设计模型的尺寸特征值,根据所述尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据;其中,所述目标离散网格包括全部所述多个离散网格或部分所述多个离散网格。
可选地,所述采样模块802,用于:
确定所述计算机辅助设计模型的模型包围体,并确定所述模型包围体的尺寸参数值;
将所述尺寸参数值输入预先设置的特征计算函数中,得到所述尺寸特征值;其中,所述特征计算函数包括预先设置的调节常数和底数常数,在所述特征计算函数中,所述底数常数的指数根据所述尺寸参数值与所述调节常数确定。
可选地,所述装置还包括:
目标离散网格确定模块,用于在所述根据所述尺寸特征值在目标离散网格的网格内部进行采样之前,确定所述离散网格模型中满足预先设置的网格稀疏条件的待处理区域,将所述待处理区域内的离散网格确定为所述目标离散网格。
可选地,所述目标离散网格确定模块,用于:
确定所述离散网格模型中的候选区域;
确定所述候选区域内网格边长的总数量,以及大于边长阈值的目标网格边长的统计数量,若所述统计数量与所述总数量的数量比值大于比值阈值,则将所述候选区域确定为所述待处理区域。
可选地,所述采样模块802,用于:
将所述目标离散网格确定为待处理网格,并确定所述待处理网格的形状;
若所述待处理网格的形状为规则三角形,则根据所述待处理网格中的两条待处理网格边建立第一坐标系中的坐标轴,并以所述尺寸特征值作为所述第一坐标系中的单位长度;其中,所述规则三角形为最长边长与最短边长的倍数小于倍数阈值的三角形;
根据所述第一坐标系对所述待处理网格的网格内部进行采样,得到所述采样点云数据。
可选地,所述采样模块802,还用于:
若所述待处理网格的形状为狭长三角形,则确定所述待处理网格中最大顶角的目标顶角垂线;
以所述目标顶角垂线将所述待处理网格划分为多个新的待处理网格,返回确定各所述新的待处理网格的形状;其中,所述狭长三角形为最长边长与最短边长的倍数大于等于倍数阈值的三角形。
可选地,所述采样模块802,还用于:
若所述待处理网格的形状为目标多边形,则将所述待处理网格划分为形状为三角形的多个新的待处理网格,返回确定各所述新的待处理网格的形状;其中,目标多边形为边数大于3的多边形。
可选地,所述装置还包括:
扫描模块,用于获取目标生产件的扫描点云数据;
合并模块,用于确定各所述离散网格的顶点数据,将所述顶点数据合并入所述采样点云数据,得到网格点云数据;
配准模块,用于对所述扫描点云数据和所述网格点云数据,进行粗配准。
本公开实施例所提供的点云数据确定装置可执行本公开任意实施例所提供的点云数据确定方法,具备执行方法相应的功能模块和有益效果。
图9为本公开实施例提供的一种电子设备的结构示意图。如图9所示,电子设备900包括一个或多个处理器901和存储器902。
处理器901可以是中央处理单元(CPU)或者具有点云数据确定能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备900中的其他组件以执行期望的功能。
存储器902可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器901可以运行所述程序指令,以实现上文所述的本公开的实施例的点云数据确定方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备900还可以包括:输入装置903和输出装置904,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外,该输入装置903还可以包括例如键盘、鼠标等等。
该输出装置904可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出装置904可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图9中仅示出了该电子设备900中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备900还可以包括任何其他适当的组件。
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本公开实施例所提供的点云数据确定方法。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本公开实施例所提供的点云数据确定方法。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。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公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种点云数据确定方法,其特征在于,包括:
对预先设置的计算机辅助设计模型进行离散化处理,生成离散网格模型;其中,所述离散网格模型包括多个离散网格;
确定所述计算机辅助设计模型的尺寸特征值,根据所述尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据;其中,所述目标离散网格包括全部所述多个离散网格或部分所述多个离散网格。
2.根据权利要求1所述的方法,其特征在于,所述确定所述计算机辅助设计模型的尺寸特征值,包括:
确定所述计算机辅助设计模型的模型包围体,并确定所述模型包围体的尺寸参数值;
将所述尺寸参数值输入预先设置的特征计算函数中,得到所述尺寸特征值;其中,所述特征计算函数包括预先设置的调节常数和底数常数,在所述特征计算函数中,所述底数常数的指数根据所述尺寸参数值与所述调节常数确定。
3.根据权利要求1所述的方法,其特征在于,在所述根据所述尺寸特征值在目标离散网格的网格内部进行采样之前,还包括:
确定所述离散网格模型中满足预先设置的网格稀疏条件的待处理区域,将所述待处理区域内的离散网格确定为所述目标离散网格。
4.根据权利要求3所述的方法,其特征在于,所述确定所述离散网格模型中满足预先设置的网格稀疏条件的待处理区域,包括:
确定所述离散网格模型中的候选区域;
确定所述候选区域内网格边长的总数量,以及大于边长阈值的目标网格边长的统计数量,若所述统计数量与所述总数量的数量比值大于比值阈值,则将所述候选区域确定为所述待处理区域。
5.根据权利要求1所述的方法,其特征在于,所述根据所述尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据,包括:
将所述目标离散网格确定为待处理网格,并确定所述待处理网格的形状;
若所述待处理网格的形状为规则三角形,则根据所述待处理网格中的两条待处理网格边建立第一坐标系中的坐标轴,并以所述尺寸特征值作为所述第一坐标系中的单位长度;其中,所述规则三角形为最长边长与最短边长的倍数小于倍数阈值的三角形;
根据所述第一坐标系对所述待处理网格的网格内部进行采样,得到所述采样点云数据。
6.根据权利要求5所述的方法,其特征在于,还包括:
若所述待处理网格的形状为狭长三角形,则确定所述待处理网格中最大顶角的目标顶角垂线;其中,所述狭长三角形为最长边长与最短边长的倍数大于等于倍数阈值的三角形;
以所述目标顶角垂线将所述待处理网格划分为多个新的待处理网格,返回确定各所述新的待处理网格的形状。
7.根据权利要求5所述的方法,其特征在于,还包括:
若所述待处理网格的形状为目标多边形,则将所述待处理网格划分为形状为三角形的多个新的待处理网格,返回确定各所述新的待处理网格的形状;其中,目标多边形为边数大于3的多边形。
8.根据权利要求1所述的方法,其特征在于,还包括:
获取目标生产件的扫描点云数据;
确定各所述离散网格的顶点数据,将所述顶点数据合并入所述采样点云数据,得到网格点云数据;
对所述扫描点云数据和所述网格点云数据,进行粗配准。
9.一种点云数据确定装置,其特征在于,包括:
离散处理模块,用于对预先设置的计算机辅助设计模型进行离散化处理,生成离散网格模型;其中,所述离散网格模型包括多个离散网格;
采样模块,用于确定所述计算机辅助设计模型的尺寸特征值,根据所述尺寸特征值在目标离散网格的网格内部进行采样,得到采样点云数据;其中,所述目标离散网格包括全部所述多个离散网格或部分所述多个离散网格。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-8中任一所述的点云数据确定方法。
11.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-8中任一所述的点云数据确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311157078.XA CN117390714A (zh) | 2023-09-07 | 2023-09-07 | 点云数据确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311157078.XA CN117390714A (zh) | 2023-09-07 | 2023-09-07 | 点云数据确定方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117390714A true CN117390714A (zh) | 2024-01-12 |
Family
ID=89463892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311157078.XA Pending CN117390714A (zh) | 2023-09-07 | 2023-09-07 | 点云数据确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390714A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037995A (zh) * | 2024-04-15 | 2024-05-14 | 国家超级计算天津中心 | 网格模型生成方法、设备和存储介质 |
-
2023
- 2023-09-07 CN CN202311157078.XA patent/CN117390714A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037995A (zh) * | 2024-04-15 | 2024-05-14 | 国家超级计算天津中心 | 网格模型生成方法、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117390714A (zh) | 点云数据确定方法、装置、设备及介质 | |
JP2017151953A (ja) | 表の線の識別 | |
TW201616449A (zh) | 點雲網格精細化系統及方法 | |
US9075943B2 (en) | Mesh number prediction method, analyzing apparatus and computer-readable storage medium | |
US10878628B2 (en) | System and method for converting massive, single-material mesh datasets to a hierarchical format | |
CN111340954B (zh) | 户型墙体绘制方法及其模型训练的方法、装置 | |
CN112991547B (zh) | 模型简化处理方法、装置以及电子设备、介质 | |
CN115798654B (zh) | 一种模型材料处理方法、装置、设备及介质 | |
CN113724401A (zh) | 一种三维模型切割方法、装置、计算机设备和存储介质 | |
CN110782517A (zh) | 点云标注方法、装置、存储介质及电子设备 | |
CN112825199B (zh) | 碰撞检测方法、装置、设备及存储介质 | |
CN114820979B (zh) | 三维网格模型的处理方法、装置和存储介质 | |
CN111523531A (zh) | 文字处理方法、装置、电子设备及计算机可读存储介质 | |
KR20150112832A (ko) | 산출 프로그램, 산출 장치 및 산출 방법 | |
CN108133116B (zh) | Cad户型图墙厚自动识别方法及系统 | |
CN115668271A (zh) | 用于生成平面图的方法及装置 | |
Aguilar et al. | An adaptive curvature-guided approach for the knot-placement problem in fitted splines | |
CN111080792A (zh) | 模型简化处理方法、装置以及电子设备、存储介质 | |
EP4340426A1 (en) | Radio propagation simulation system and method of creating radio propagation model | |
CN113538562B (zh) | 室内面积确定方法、装置以及电子设备、存储介质 | |
CN115330939A (zh) | 户型图生成方法、装置、电子设备和存储介质 | |
CN112861241B (zh) | 一种锥形管的展开方法、装置、设备及可读存储介质 | |
CN115623211A (zh) | 矩阵的扫描方法和装置 | |
CN109840945B (zh) | 有限元预处理方法及装置 | |
CN110837707B (zh) | 一种有限元分析系统、方法、计算机设备及存储介质 |
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 |