CN117409152B - 一种用于自动化编织筐三维仿真方法 - Google Patents
一种用于自动化编织筐三维仿真方法 Download PDFInfo
- Publication number
- CN117409152B CN117409152B CN202311724037.4A CN202311724037A CN117409152B CN 117409152 B CN117409152 B CN 117409152B CN 202311724037 A CN202311724037 A CN 202311724037A CN 117409152 B CN117409152 B CN 117409152B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- point
- voxel grid
- voxel
- 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 56
- 238000004088 simulation Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000005056 compaction Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013506 data mapping Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000009941 weaving Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 11
- 238000009940 knitting Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000009954 braiding Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012856 packing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002759 woven fabric Substances 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Evolutionary Computation (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域，提出了一种用于自动化编织筐三维仿真方法，包括：获取编织筐的三维点云数据；基于每个体素格内点云数据点的聚类结果确定结构特征密集指数；根据每个点云数据点所取近邻空间内所有点云数据点的结构特征密集指数确定每个点云数据点的编织筐紧实系数；基于每个体素格内所有点云数据点的编织筐紧实系数的异常检测结果确定每个体素格内的下采样结果；采用体素滤波算法基于所有体素格内的下采样结果得到编织筐的纯净三维点云数据；采用三维仿真软件基于编织筐的纯净三维点云数据得到编织筐的三维仿真结果。本发明通过改进后的体素滤波算法获取纯净三维点云数据，提高了编织筐三维仿真结果的精度。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种用于自动化编织筐三维仿真方法。
背景技术
三维仿真技术是指利用计算机技术生成具有真实、立体、精确、动态等特点的三维可视化的技术，随着计算机技术的发展，三维仿真技术逐渐应用于各行各业。比如，自动化编织筐行业，利用三维仿真技术得到编织筐的立体虚拟模型，然后利用加工设备根据编织筐的立体虚拟模型实现对编织筐的自动化生产，加快了自动化编织筐行业的发展。
目前，利用计算机技术获取编织筐的三维点云数据，然后对编织筐的三维点云数据进行几何建模，并通过贴图渲染的方式获取编织筐的三维仿真模型。但是，由于编织筐的结构较为复杂，容易造成编织筐的三维点云数据的准确性较差，从而降低编织筐三维仿真模型的精度。因此通常采用滤波去噪的方式对初始的点云数据进行处理，以便于将干净、异常点较少的三维点云数据作为三维重建的原始数据，体素滤波算法是常用的三维点云数据处理方法，但是体素滤波算法的处理效果取决于体素网格大小、近邻数等参数的设置，对一些异常程度轻微的点云数据点的滤波效果较差。
发明内容
本发明提供一种用于自动化编织筐三维仿真方法，以解决体素滤波算法在对编织筐的三维点云数据滤波时对轻微异常点的滤波效果较差的问题，所采用的技术方案具体如下：
本发明一个实施例一种用于自动化编织筐三维仿真方法，该方法包括以下步骤：
获取编织筐的三维点云数据；
基于每个体素格内点云数据点的聚类结果确定每个体素格内每个点云数据点的结构特征密集指数；
根据每个点云数据点所取近邻空间内所有点云数据点的结构特征密集指数确定每个点云数据点的密集指数递变序列、密集指数差分序列；基于每个点云数据点的密集指数递变序列、密集指数差分序列确定每个点云数据点的编织筐紧实系数；
基于每个体素格内所有点云数据点的编织筐紧实系数的异常检测结果确定每个体素格内的下采样结果；
采用体素滤波算法基于所有体素格内的下采样结果得到编织筐的纯净三维点云数据；采用三维仿真软件基于编织筐的纯净三维点云数据得到编织筐的三维仿真结果。
优选的，所述基于每个体素格内点云数据点的聚类结果确定每个体素格内每个点云数据点的结构特征密集指数的方法为：
将每个体素格内每个点云数据点为中心点所取预设尺度的正方体空间作为每个体素格内每个点云数据点的近邻空间，将每个体素格内每个点云数据点的近邻空间内点云数据点组成的集合作为每个体素格内每个点云数据点的邻域点云集合；
将每个体素格内所有点云数据点作为输入，采用密度峰值聚类算法确定每个体素格内每个点云数据点的局部密度；
基于每个体素格内每个点云数据点与其邻域点云集合内点云数据点在相同维度上的差异确定每个体素格内每个点云数据点的点云稀疏指数；
基于每个体素格内每个点云数据点与其邻域点云集合内点云数据点周围点云数据的分布特征确定每个体素格内每个点云数据点的邻域点云稠密度；
将每个体素格内每个点云数据点的局部密度、邻域点云稠密度的乘积作为分子；将每个体素格内每个点云数据点的点云稀疏指数与预设参数之和作为分母；
将分子与分母的比值作为每个体素格内每个点云数据点的结构特征密集指数。
优选的，所述基于每个体素格内每个点云数据点与其邻域点云集合内点云数据点在相同维度上的差异确定每个体素格内每个点云数据点的点云稀疏指数的方法为：
分别将每个点云数据点与其邻域点云集合内任意一个点云数据点在第一、第二、第三维度上取值差值的绝对值作为第一维度差值、第二维度差值、第三维度差值；
将第一维度差值、第二维度差值、第三维度差值的和与维度数量的比值作为第一累加因子；
将第一累加因子在每个体素格内每个点云数据点的邻域点云集合上累加结果的均值作为每个体素格内每个点云数据点的点云稀疏指数。
优选的，所述基于每个体素格内每个点云数据点与其邻域点云集合内点云数据点周围点云数据的分布特征确定每个体素格内每个点云数据点的邻域点云稠密度的方法为：
将每个体素格内每个点云数据点的邻域点云集合内任意一个点云数据点作为一个参考点；
将每个体素格内每个点云数据点的邻域点云集合与每个参考点的邻域点云集合之间的分布度量结果在每个点云数据点的邻域点云集合上累加结果的均值作为每个点云数据点的邻域点云稠密度。
优选的，所述根据每个点云数据点所取近邻空间内所有点云数据点的结构特征密集指数确定每个点云数据点的密集指数递变序列、密集指数差分序列的方法为：
将每个体素格内每个点云数据点的邻域点云集合内所有点云数据点的结构特征密集指数按照升序顺序组成的序列作为每个体素格内每个点云数据点的密集指数递变序列；
将每个点云数据点的密集指数递变序列中所有相邻两个元素之间的差值组成的序列作为每个点云数据点的密集指数差分序列。
优选的，所述基于每个点云数据点的密集指数递变序列、密集指数差分序列确定每个点云数据点的编织筐紧实系数的方法为：
根据每个点云数据点的密集指数递变序列、密集指数差分序列确定每个点云数据点的筐密度近邻指数；
将每个点云数据点的筐密度近邻指数的数据映射结果作为分子；
将每个点云数据点的邻域点云集合内所有点云数据点的结构特征密集指数的累加结果与预设参数之和作为分母，将分子与分母的比值作为第一特征值，将预设参数与第一特征值的差值作为每个点云数据点的编织筐紧实系数。
优选的，所述根据每个点云数据点的密集指数递变序列、密集指数差分序列确定每个点云数据点的筐密度近邻指数的方法为：
基于每个点云数据点的密集指数差分序列内元素信息量的大小确定每个点云数据点的密度变化指数；
将每个点云数据点的密集指数递变序列内所有元素的变异系数的数据映射结果与分母的比值作为每个点云数据点的筐密度近邻指数。
优选的，所述基于每个点云数据点的密集指数差分序列内元素信息量的大小确定每个点云数据点的密度变化指数的方法为：
将每个点云数据点的密集指数差分序列内相邻两个元素差值的绝对值在每个点云数据点的密集指数差分序列上累加结果的均值作为第一计算因子；
将每个点云数据点的密集指数差分序列内所有元素的信息熵与第一计算因子的乘积作为每个点云数据点的密度变化指数。
优选的，所述基于每个体素格内所有点云数据点的编织筐紧实系数的异常检测结果确定每个体素格内的下采样结果的方法为：
将每个体素格内所有点云数据点的编织筐紧实系数作为输入，采用异常检测算法得到每个体素格内异常点云数据；
将所有异常点云数据从每个体素格内删除后剩余的点云数据点作为每个体素格的下采样结果。
优选的，所述采用体素滤波算法基于所有体素格内的下采样结果得到编织筐的纯净三维点云数据的方法为：
将获取编织筐的三维点云数据形成的所有体素格的下采样结果作为输入，将采用体素滤波算法得到的点云数据作为编织筐的纯净三维点云数据。
本发明的有益效果是：本发明基于编织筐三维点云数据体素化后每个体素格内点云数据表达的编织特征的显著程度构建每个体素格内每个点云数据点的点云稀疏指数、邻域点云稠密度，并结合每个体素格内每个点云数据点局部密度确定每个点云数据点的结构特征密度指数，准确反映了每个体素格内每个点云数据点所处位置的编织筐结构特征的复杂程度；其次基于编织筐上不同位置处编织细节、编织特征密度的不同分析每个点云数据点的筐密度近邻指数，基于筐密度近邻指数获取了每个点云数据点的编织筐紧实系数，能够准确评估每个点云数据点位于编织筐上编织细节较多区域的概率；并基于每个体素格内所有点云数据点的编织筐紧实系数的异常情况得到每个体素格内的下采样结果，通过所有体素格内的下采样结果确定编织筐的纯净三维点云数据，提高了三维仿真输入数据的数据质量，避免扫描所得点云数据中的干扰数据点对自动化编织过程造成的精度误差。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明一个实施例所提供的一种用于自动化编织筐三维仿真方法的流程示意图；
图2为本发明一个实施例所提供的一种用于自动化编织筐三维仿真方法的实施流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有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。
请参阅图1，其示出了本发明一个实施例提供的一种用于自动化编织筐三维仿真方法的流程图，该方法包括以下步骤：
步骤S001，获取编织筐的三维点云数据。
在对编织筐进行三维仿真的过程中，需要利用编织筐的三维点云数据进行几何建模，然后对编织筐的三维模型进行贴图渲染获取编织筐的三维仿真模型。但是，由于编织筐具有复杂的结构，当编织筐的三维点云数据的异常点过多，数据质量较差时，影响编织筐三维仿真的精确性，不利于自动化编织时相关参数的设置。因此，本发明考虑通过获取编织筐的纯净三维点云数据的准确性，从而提高编织筐三维仿真模型的准确性。
根据自动化编织筐的标准实物，本发明以使用荆条作为编织物的编织筐为例，采用线激光三维扫描设备对自动化编织筐的标准实物进行扫描，生成编织筐的三维点云数据，实施者可根据需要自动化生产的编织筐的具体型号选择合适的扫描设备。
至此，得到编织筐的三维点云数据，以便于后续获取体素滤波算法的输入。
步骤S002，基于每个体素格内点云数据点的聚类结果确定每个体素格内每个点云数据点的结构特征密集指数。
体素滤波算法是一种经典的三维滤波算法，利用体素化的方法进行下采样，减少点云数据点的噪声，提高点云数据的质量。但是，传统的体素滤波算法采用体素格中接近体素格中心的点云数据点替代体素格内所有的点云数据点，缺乏编织筐具体特征的体现，使得编织筐的三维点云数据的去噪效果较差，造成编织筐三维仿真结果与实际编织筐存在较大的误差。因此，需要对体素滤波算法中采样点云数据点的方式进行改进，使得后续得到的编织筐的纯净点云数据的数据质量尽可能的高。
由于编织筐的三维点云数据中每个点云数据点具有三个维度的立体特征，所以在使用体素滤波算法对编织筐的三维点云数据进行去噪时，需要同时考虑三个维度的特征，提高体素格中下采样的点云数据点的准确性，以求提高编织筐的三维点云数据的去噪效果，同时使后续得到的编织筐三维仿真结果更加准确。
具体地，为了方便进一步对编织筐的三维点云数据进行分析，对编织筐的三维点云数据进行离散化处理，将每个点云数据点映射到相应体素格内。体素格的划分过程如下：本发明中确定每个体素格的尺度为12*12*12，其次将扫描得到的编织筐的三维点云数据根据体素格的尺度划分成一个规则的三维网格，并将每个点云数据点映射到一个体素格内，点云数据点映射到体素格内可以通过点云数据点与体素格的空间关系的判断，例如，点云数据点是否位于体素格内部、边界等，三维点云数据的体素化为公知技术，具体过程不再赘述，需要说明的是，体素格的大小可以根据实施者扫描所得三维点云数据的实际范围进行设置。
通常情况下，编织筐是按照一定的需求或者用途进行自动化编织，编织筐的编织顺序都是确定的，编织筐具有明显的结构特征，例如，编织筐的两侧相较于编织筐的正面、背面上的编织通常更为紧密，编织筐的正面、背面上通常会编织一些纹理、logo等，上述情况导致编织筐的三维点云数据映射到体素格后，体素格内点云数据点的空间密度是不均匀的，空间密度越大的区域越有可能是编织筐上编织结构复杂的位置。
进一步地，对于任意一个体素格，以第a个体素格为例，将第a个体素格内的所有点云数据点作为输入，采用峰值密度聚类DPC(Density peaks clustering)获取第a个体素格内每个点云数据点的局部密度，DPC聚类算法为公知技术，具体过程不再赘述。其次，对于第a个体素格内的任意一个点云数据点，以第p个点云数据点为例，将第p个点云数据点为中心点所取尺度为3*3*3的正方体空间作为第p个点云数据点的近邻空间，将第p个点云数据点的近邻空间内点云数据点组成的集合作为第p个点云数据点的邻域点云集合。
基于上述分析，此处构建结构特征密度指数，用于表征每个体素格内每个点云数据点所处位置的编织筐结构特征的复杂程度。计算第a个体素格内第p个点云数据点的结构特征密度指数：
式中，是第a个体素格内第p个点云数据点的点云稀疏指数，n是第p个点云数据
点的邻域点云集合内点云数据点的数量，j是第p个点云数据点的邻域点云集合内第j个点
云数据点，和、和、和分别是第p个、第j个点云数据点在三维网格上第
一个维度、第二个维度、第三个维度上的值，m是三维网格上的维度数量；
是第a个体素格内第p个点云数据点的邻域点云稠密度，、分别是第a个
体素格内第p个、第j个点云数据点的邻域点云集合，是邻域点云集合内点云
数据点分布之间的杰卡德系数，杰卡德系数为公知技术，具体过程不再赘述；
是第a个体素格内第p个点云数据点的结构特征密度指数，是第a个体素格
内第p个点云数据点的局部密度，是调参因子，用于防止分母为0，的大小取经验值0.1。
其中，编织筐上第a个体素格内第p个点云数据点对应位置的编织密度越稀疏、编
织结构越不明显，则在体素化形成的三维网格的各个维度上与邻域空间内点云数据点的差
异越大，第一维度差值、第二维度差值、第三维度差值的值
越大，第一累加因子的值越大；第p个点云数据点、第j个点云数据
点在编织筐位置上编织特征的差异越大，第p个点云数据点、第j个点云数据点的邻域点云
集合内点云数据点分布差异越大，的值越大；编织筐上第p个点云数据点对应
的位置位于编织条缝隙区域的概率越高，第p个点云数据点的局部密度越低，的值越小；
即的值越小，编织筐上第p个点云数据点对应的位置的编织特征越不明显。
至此，得到每个体素格内每个点云数据点的结构特征密集指数，用于后续确定每个体素格内的下采样结果。
步骤S003，基于每个点云数据点的密集指数递变序列、密集指数差分序列确定每个点云数据点的编织筐紧实系数；基于每个体素格内所有点云数据点的编织筐紧实系数的异常检测结果确定每个体素格内的下采样结果。
进一步地，为了得到更好的滤波效果，避免由于体素格中采样的点云数据点质量较差造成编织筐的三维点云数据中细节的缺失，导致编织筐三维仿真结果与实际存在较大的差别，需要考虑编织筐编织过程中的实际特征。在编织筐的自动化编织过程中，利用荆条编织成型的编织筐的不同位置的密度变化不同，比如编织筐的侧面往往存在密度变化较大的特征，这是因为存在较多的缝隙，而较多的缝隙使编织筐具备较好的透气性；而编织筐的底面往往密度较大并且密度变化较小，这是由于底面作为主要承受面，需要保证盛放的物体不会漏出，即编织筐不同位置上的密度变化规律不同。为了更加准确的保留编织筐的三维点云数据的细节，需要更加注重编织筐编织结构显著的点云数据点。
根据上述步骤，分别获取第a个体素格内所有点云数据点的结构特征密集指数。其次，将第a个体素格内第p个点云数据点的邻域点云集合内所有点云数据点的结构特征密集指数按照升序顺序组成的序列作为第p个点云数据点的密集指数递变序列。进一步地，分别计算第p个点云数据点的密集指数递变序列内任意两个相邻元素之间的差值，将第p个点云数据点的密集指数递变序列中所有相邻两个元素之间的差值组成的序列作为第p个点云数据点的密集指数差分序列。
在对编织筐进行三维仿真过程中，编织筐上编织特征越显著，编织密度越大的位置上的编织细节越多，自动化编织的精度要求越高，这些位置对应体素格内的三维点云数据中的异常点云数据点的影响越大。
基于上述分析，此处构建编织筐紧实系数，用于表征每个点云数据点位于编织筐上编织细节较多区域的概率。计算第a个体素格内第p个点云数据点的编织筐紧实系数：
式中，是第a个体素格内第p个点云数据点的密度变化指数，是第p个点云数
据点的密集指数差分序列，是密集指数差分序列内元素的信息熵，是密集指数
差分序列内元素的数量，、分别是密集指数差分序列内第s个、第s+1个元素；信
息熵的计算为公知技术，具体过程不再赘述；
是第a个体素格内第p个点云数据点的筐密度近邻指数，是以自然常数为
底数的指数函数，是第p个点云数据点的密集指数递变序列，是密集指数递变序列内所有元素的变异系数，是调参因子，用于防止分母为0，的大小取经验值0.1，变异系
数的计算为公知技术，具体过程不再赘述；
是第a个体素格内第p个点云数据点的编织筐紧实系数，n是第p个点云数据点
的邻域点云集合内点云数据点的数量，是第a个体素格内第p个点云数据点的邻域点云
集合内第j个点云数据点的结构特征密度指数。
其中，第a个体素格内第p个点云数据点对应位置处的编织细节越多，编织特征越
稳定，第p个点云数据点与其邻域点云集合内点云数据点之间的分布越稳定，第p个点云数
据点的密集指数差分序列内相邻元素之间的差异越小，的值越小，第一计算
因子的值越小；第p个点云数据点的密集指数差分序列内元素大小越接近，的值越小，的值越小；第p个点云数据点的邻域点云集合内所有点云数据点的结
构特征密集指数越接近，的值越小，的值越大，的值越大；第a个体素
格内第p个点云数据点位于编织筐中编制细节较多的编织紧实区域的可能性越大，编织筐
中编织紧实区域的特征越清晰，的值越大，的值越大，第一特征值的
值越小；即的值越大，第a个体素格内第p个点云数据点越有可能位于编织筐中编织紧实
区域，第a个体素格对应区域含有较少的缝隙的可能性越大。
进一步地，由于传统的体素滤波算法采用体素格中接近体素格中心的点云数据点替代体素格内所有的点云数据点，采样的点云数据点的代表能力较弱，容易造成较大的误差，本发明考虑编织筐的紧实特征选取更加准确的点云数据点，提高体素滤波算法实际的去噪效果。
具体地，将第a个体素格内所有点云数据点的编织筐紧实系数作为输入，采用LOF（Local outlier factor）异常检测算法得到第a个体素格内编织筐紧实系数中的异常数据点，将被认为是异常数据点的编织筐紧实系数对应的点云数据点作为异常点云数据，LOF算法为公知技术，具体过程不再赘述。其次，将第a个体素格内删除所有异常点云数据后剩余的点云数据点作为第a个体素格内点云数据的下采样结果。
至此，得到每个体素格内的下采样结果，用于后续获取编织筐的纯净三维点云数据。
步骤S004，采用体素滤波算法基于所有体素格内的下采样结果得到编织筐的纯净三维点云数据；采用三维仿真软件基于编织筐的纯净三维点云数据得到编织筐的三维仿真结果。
根据上述步骤，分别获取所有体素格内的下采样结果，并基于每个体素格内的下采样结果对编织筐进行三维仿真，整个实施流程如图2所示。
具体地，将所有体素格内的下采样结果作为体素滤波算法的输入，将体素滤波算法的输出作为编织筐的纯净三维点云数据，体素滤波算法为公知技术，具体过程不再赘述。其次，将编织筐的纯净三维点云数据作为三维仿真软件的输入，利用三维仿真软件得到编织筐的3D仿真结果，其次将编织筐的3D仿真结果发送至自动化编织的生产线进行编织筐的生产，所述三维仿真软件包括但不限于Blender、Unity3D等，实施者可自行选择合适的三维仿真软件进行编织筐的仿真。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种用于自动化编织筐三维仿真方法，其特征在于，该方法包括以下步骤：
获取编织筐的三维点云数据；
基于每个体素格内点云数据点的聚类结果确定每个体素格内每个点云数据点的结构特征密集指数；
根据每个点云数据点所取近邻空间内所有点云数据点的结构特征密集指数确定每个点云数据点的密集指数递变序列、密集指数差分序列；基于每个点云数据点的密集指数递变序列、密集指数差分序列确定每个点云数据点的编织筐紧实系数；
基于每个体素格内所有点云数据点的编织筐紧实系数的异常检测结果确定每个体素格内的下采样结果；
采用体素滤波算法基于所有体素格内的下采样结果得到编织筐的纯净三维点云数据；采用三维仿真软件基于编织筐的纯净三维点云数据得到编织筐的三维仿真结果；
所述基于每个体素格内点云数据点的聚类结果确定每个体素格内每个点云数据点的结构特征密集指数的方法为：
将每个体素格内每个点云数据点为中心点所取预设尺度的正方体空间作为每个体素格内每个点云数据点的近邻空间，将每个体素格内每个点云数据点的近邻空间内点云数据点组成的集合作为每个体素格内每个点云数据点的邻域点云集合；
将每个体素格内所有点云数据点作为输入，采用密度峰值聚类算法确定每个体素格内每个点云数据点的局部密度；
基于每个体素格内每个点云数据点与其邻域点云集合内点云数据点在相同维度上的差异确定每个体素格内每个点云数据点的点云稀疏指数；
基于每个体素格内每个点云数据点与其邻域点云集合内点云数据点周围点云数据的分布特征确定每个体素格内每个点云数据点的邻域点云稠密度；
将每个体素格内每个点云数据点的局部密度、邻域点云稠密度的乘积作为分子；将每个体素格内每个点云数据点的点云稀疏指数与预设参数之和作为分母；
将分子与分母的比值作为每个体素格内每个点云数据点的结构特征密集指数；
所述基于每个点云数据点的密集指数递变序列、密集指数差分序列确定每个点云数据点的编织筐紧实系数的方法为：
根据每个点云数据点的密集指数递变序列、密集指数差分序列确定每个点云数据点的筐密度近邻指数；
将每个点云数据点的筐密度近邻指数的数据映射结果作为分子；
将每个点云数据点的邻域点云集合内所有点云数据点的结构特征密集指数的累加结果与预设参数之和作为分母，将分子与分母的比值作为第一特征值，将预设参数与第一特征值的差值作为每个点云数据点的编织筐紧实系数；
所述基于每个体素格内所有点云数据点的编织筐紧实系数的异常检测结果确定每个体素格内的下采样结果的方法为：
将每个体素格内所有点云数据点的编织筐紧实系数作为输入，采用异常检测算法得到每个体素格内异常点云数据；
将所有异常点云数据从每个体素格内删除后剩余的点云数据点作为每个体素格的下采样结果。
2.根据权利要求1所述的一种用于自动化编织筐三维仿真方法，其特征在于，所述基于每个体素格内每个点云数据点与其邻域点云集合内点云数据点在相同维度上的差异确定每个体素格内每个点云数据点的点云稀疏指数的方法为：
分别将每个点云数据点与其邻域点云集合内任意一个点云数据点在第一、第二、第三维度上取值差值的绝对值作为第一维度差值、第二维度差值、第三维度差值；
将第一维度差值、第二维度差值、第三维度差值的和与维度数量的比值作为第一累加因子；
将第一累加因子在每个体素格内每个点云数据点的邻域点云集合上累加结果的均值作为每个体素格内每个点云数据点的点云稀疏指数。
3.根据权利要求1所述的一种用于自动化编织筐三维仿真方法，其特征在于，所述基于每个体素格内每个点云数据点与其邻域点云集合内点云数据点周围点云数据的分布特征确定每个体素格内每个点云数据点的邻域点云稠密度的方法为：
将每个体素格内每个点云数据点的邻域点云集合内任意一个点云数据点作为一个参考点；
将每个体素格内每个点云数据点的邻域点云集合与每个参考点的邻域点云集合之间的分布度量结果在每个点云数据点的邻域点云集合上累加结果的均值作为每个点云数据点的邻域点云稠密度。
4.根据权利要求1所述的一种用于自动化编织筐三维仿真方法，其特征在于，所述根据每个点云数据点所取近邻空间内所有点云数据点的结构特征密集指数确定每个点云数据点的密集指数递变序列、密集指数差分序列的方法为：
将每个体素格内每个点云数据点的邻域点云集合内所有点云数据点的结构特征密集指数按照升序顺序组成的序列作为每个体素格内每个点云数据点的密集指数递变序列；
将每个点云数据点的密集指数递变序列中所有相邻两个元素之间的差值组成的序列作为每个点云数据点的密集指数差分序列。
5.根据权利要求1所述的一种用于自动化编织筐三维仿真方法，其特征在于，所述根据每个点云数据点的密集指数递变序列、密集指数差分序列确定每个点云数据点的筐密度近邻指数的方法为：
基于每个点云数据点的密集指数差分序列内元素信息量的大小确定每个点云数据点的密度变化指数；
将每个点云数据点的密集指数递变序列内所有元素的变异系数的数据映射结果与分母的比值作为每个点云数据点的筐密度近邻指数。
6.根据权利要求5所述的一种用于自动化编织筐三维仿真方法，其特征在于，所述基于每个点云数据点的密集指数差分序列内元素信息量的大小确定每个点云数据点的密度变化指数的方法为：
将每个点云数据点的密集指数差分序列内相邻两个元素差值的绝对值在每个点云数据点的密集指数差分序列上累加结果的均值作为第一计算因子；
将每个点云数据点的密集指数差分序列内所有元素的信息熵与第一计算因子的乘积作为每个点云数据点的密度变化指数。
7.根据权利要求1所述的一种用于自动化编织筐三维仿真方法，其特征在于，所述采用体素滤波算法基于所有体素格内的下采样结果得到编织筐的纯净三维点云数据的方法为：
将获取编织筐的三维点云数据形成的所有体素格的下采样结果作为输入，将采用体素滤波算法得到的点云数据作为编织筐的纯净三维点云数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311724037.4A CN117409152B (zh) | 2023-12-15 | 2023-12-15 | 一种用于自动化编织筐三维仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311724037.4A CN117409152B (zh) | 2023-12-15 | 2023-12-15 | 一种用于自动化编织筐三维仿真方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117409152A CN117409152A (zh) | 2024-01-16 |
| CN117409152B true CN117409152B (zh) | 2024-03-15 |
Family
ID=89496609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311724037.4A Active CN117409152B (zh) | 2023-12-15 | 2023-12-15 | 一种用于自动化编织筐三维仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409152B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105513127A (zh) * | 2015-12-25 | 2016-04-20 | 武汉大学 | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 |
| JP2016224674A (ja) * | 2015-05-29 | 2016-12-28 | 株式会社日立製作所 | 点群データモデル化装置、および点群データモデル化方法 |
| CN110322415A (zh) * | 2019-07-06 | 2019-10-11 | 北方工业大学 | 基于点云的高精度表面三维重构方法 |
| CN112784403A (zh) * | 2020-12-31 | 2021-05-11 | 东北大学 | 基于点云数据建立节理岩体离散元模型的数值模拟方法 |
| CN113218330A (zh) * | 2021-04-27 | 2021-08-06 | 大连理工大学 | 基于pcl库的大型薄壁构件测量及数据处理方法 |
| CN113744416A (zh) * | 2021-08-06 | 2021-12-03 | 中国科学院计算技术研究所 | 一种基于遮罩的全局点云滤波方法、设备和存储介质 |
| JP2022166662A (ja) * | 2021-04-21 | 2022-11-02 | ニデックオーケーケー株式会社 | ワークの基準座標を設定する方法および工作機械 |
| CN115546372A (zh) * | 2022-10-18 | 2022-12-30 | 重庆工业大数据创新中心有限公司 | 一种基于体素滤波的三维点云精简方法 |
| WO2023001251A1 (zh) * | 2021-07-22 | 2023-01-26 | 梅卡曼德（北京）机器人科技有限公司 | 基于动态画幅的 3d 点云处理方法、装置、设备及介质 |
| KR102516008B1 (ko) * | 2022-09-21 | 2023-03-30 | (주)이노시뮬레이션 | 포인트 클라우드 데이터를 이용한 복셀 다운 샘플링 방법 및 이를 실행하는 장치 |
| CN116523770A (zh) * | 2023-03-30 | 2023-08-01 | 博雷顿科技股份公司 | 一种基于距离实现不同尺度的体素滤波的点云预处理方法 |
| CN116608847A (zh) * | 2023-04-27 | 2023-08-18 | 北京石头创新科技有限公司 | 基于面阵激光传感器和图像传感器的定位和建图方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9836879B2 (en) * | 2013-04-16 | 2017-12-05 | Autodesk, Inc. | Mesh skinning technique |
| CN108537814B (zh) * | 2018-03-14 | 2019-09-03 | 浙江大学 | 一种基于ViBe的三维声纳点云图像分割方法 |
| IL299158A (en) * | 2020-06-18 | 2023-02-01 | Deka Products Lp | A system and method for recording air and ground information |
-
2023
- 2023-12-15 CN CN202311724037.4A patent/CN117409152B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016224674A (ja) * | 2015-05-29 | 2016-12-28 | 株式会社日立製作所 | 点群データモデル化装置、および点群データモデル化方法 |
| CN105513127A (zh) * | 2015-12-25 | 2016-04-20 | 武汉大学 | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 |
| CN110322415A (zh) * | 2019-07-06 | 2019-10-11 | 北方工业大学 | 基于点云的高精度表面三维重构方法 |
| CN112784403A (zh) * | 2020-12-31 | 2021-05-11 | 东北大学 | 基于点云数据建立节理岩体离散元模型的数值模拟方法 |
| JP2022166662A (ja) * | 2021-04-21 | 2022-11-02 | ニデックオーケーケー株式会社 | ワークの基準座標を設定する方法および工作機械 |
| CN113218330A (zh) * | 2021-04-27 | 2021-08-06 | 大连理工大学 | 基于pcl库的大型薄壁构件测量及数据处理方法 |
| WO2023001251A1 (zh) * | 2021-07-22 | 2023-01-26 | 梅卡曼德（北京）机器人科技有限公司 | 基于动态画幅的 3d 点云处理方法、装置、设备及介质 |
| CN113744416A (zh) * | 2021-08-06 | 2021-12-03 | 中国科学院计算技术研究所 | 一种基于遮罩的全局点云滤波方法、设备和存储介质 |
| KR102516008B1 (ko) * | 2022-09-21 | 2023-03-30 | (주)이노시뮬레이션 | 포인트 클라우드 데이터를 이용한 복셀 다운 샘플링 방법 및 이를 실행하는 장치 |
| CN115546372A (zh) * | 2022-10-18 | 2022-12-30 | 重庆工业大数据创新中心有限公司 | 一种基于体素滤波的三维点云精简方法 |
| CN116523770A (zh) * | 2023-03-30 | 2023-08-01 | 博雷顿科技股份公司 | 一种基于距离实现不同尺度的体素滤波的点云预处理方法 |
| CN116608847A (zh) * | 2023-04-27 | 2023-08-18 | 北京石头创新科技有限公司 | 基于面阵激光传感器和图像传感器的定位和建图方法 |
Non-Patent Citations (4)
| Title |
|---|
| Hierarchical Optimization of 3D Point Cloud Registration;Liu, Huikai等;SENSORS;20201231;全文 * |
| 于LM优化的NDT点云配准算法;胡璇熠等;计算机仿真;20231130;全文 * |
| 基于PCL库的点云滤波算法研究;李瑞雪;邹纪伟;;卫星电视与宽带多媒体;20200705(第13期);全文 * |
| 基于VG-DBSCAN算法的大场景散乱点云去噪;赵凯;徐友春;李永乐;王任栋;;光学学报;20180524(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117409152A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mescheder et al. | Occupancy networks: Learning 3d reconstruction in function space | |
| CN112581457B (zh) | 一种基于三维点云的管道内表面检测方法及装置 | |
| JP5703396B2 (ja) | 減数された測定点による公差評価 | |
| Poullis | A framework for automatic modeling from point cloud data | |
| CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
| CN107358636B (zh) | 一种基于纹理合成的疏松缺陷图像生成方法 | |
| Wang | Bilateral recovering of sharp edges on feature-insensitive sampled meshes | |
| CN111382777A (zh) | 从网格中提取特征树 | |
| US20210182597A1 (en) | Process parameter prediction using multivariant structural regression | |
| Ando et al. | Robust surface reconstruction of plant leaves from 3D point clouds | |
| CN104268940B (zh) | 基于ct扫描图像的mems结构重构与检测方法 | |
| Wang et al. | A new point cloud simplification method with feature and integrity preservation by partition strategy | |
| CN111239821B (zh) | 碳酸盐岩储层孔隙结构预测方法、装置、设备及存储介质 | |
| Catalucci et al. | State-of-the-art in point cloud analysis | |
| CN114419278A (zh) | 室内三维彩色网格模型生成方法及系统 | |
| CN117409152B (zh) | 一种用于自动化编织筐三维仿真方法 | |
| CN111353247B (zh) | 陶瓷基复合材料平纹编织结构细观组分识别与重建方法 | |
| Xie et al. | Geometric modeling of Rosa roxburghii fruit based on three-dimensional point cloud reconstruction | |
| CN112346139A (zh) | 一种重力数据多层等效源延拓与数据转换方法 | |
| CN113724223B (zh) | 基于光学显微镜的YOLOv3数据集制作方法及系统 | |
| Mayerich et al. | Hardware accelerated segmentation of complex volumetric filament networks | |
| CN111968113A (zh) | 一种基于最优传输映射的脑影像二维卷积深度学习方法 | |
| Sitnik et al. | Segmentation of unsorted cloud of points data from full field optical measurement for metrological validation | |
| Sitnik et al. | Optimized point cloud triangulation for 3D scanning systems | |
| Godoi et al. | Automated flaw detection in X-ray tomography of polymer insulators |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A 3D simulation method for automated weaving baskets Granted publication date: 20240315 Pledgee: Shandong Junan Rural Commercial Bank Co.,Ltd. Pledgor: SHANDONG LYUCHENG HOUSEHOLD CO.,LTD. Registration number: Y2024980016944 |