CN117807782A - 一种实现三维仿真模型的方法 - Google Patents
一种实现三维仿真模型的方法 Download PDFInfo
- Publication number
- CN117807782A CN117807782A CN202311844069.8A CN202311844069A CN117807782A CN 117807782 A CN117807782 A CN 117807782A CN 202311844069 A CN202311844069 A CN 202311844069A CN 117807782 A CN117807782 A CN 117807782A
- Authority
- CN
- China
- Prior art keywords
- simulation model
- dimensional simulation
- dimensional
- data
- image
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000001186 cumulative effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种实现三维仿真模型的方法,属于三维模型构建技术领域,该实现方法具体步骤如下:(1)通过传感器和相机采集现实的场景图像并处理;(2)将处理后的数据用于构建训练对抗网络;(3)通过对抗网络构建三维仿真模型;(4)将构建的模型以区块链形式存储并优化三维仿真模型;(5)实时监测三维仿真模型运行效率并优化内存管理;(6)展示三维仿真模型并进行反馈评估;本发明无需手动介入或使用昂贵的扫描设备,提高三维模型的生成效率,能够学习真实数据的分布,同时降低生成三维模型的成本,能够使得仿真模型的生成更加智能化,有助于生成高质量、真实感强的仿真模型,能够挖掘模型潜在的最优解,提高模型的整体性能。
Description
技术领域
本发明涉及三维模型构建技术领域,尤其涉及一种实现三维仿真模型的方法。
背景技术
三维仿真模型的生成对于虚拟现实、数字化设计和模拟实验等领域具有重要意义。而近年来,深度学习、计算机视觉、生成对抗网络等新技术的涌现为三维模型的自动化生成提供了新的可能性。随着计算机技术和图形学的不断发展,三维仿真模型在诸如虚拟现实、游戏开发、工程设计等领域中扮演着越来越重要的角色。传统的三维建模方法往往受限于手动创建或依赖复杂的扫描设备,而随着深度学习和计算机视觉等领域的进步,利用神经网络生成三维模型的方法变得更加引人注目;然而,现有的方法在处理复杂场景、提高生成效率和确保模型真实性等方面仍然面临一些挑战;因此,发明出一种实现三维仿真模型的方法变得尤为重要。
现有的实现三维仿真模型的方法需手动介入或使用昂贵的扫描设备,三维模型的生成效率低,且生成三维模型的成本较高;此外,现有的实现三维仿真模型的方法无法生成高质量、真实感强的仿真模型,同时不能挖掘模型潜在的最优解,模型的整体性能偏低;为此,我们提出一种实现三维仿真模型的方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种实现三维仿真模型的方法。
为了实现上述目的,本发明采用了如下技术方案:
一种实现三维仿真模型的方法,该实现方法具体步骤如下:
(1)通过传感器和相机采集现实的场景图像并处理;
(2)将处理后的数据用于构建训练对抗网络;
(3)通过对抗网络构建三维仿真模型;
(4)将构建的模型以区块链形式存储并优化三维仿真模型;
(5)实时监测三维仿真模型运行效率并优化内存管理;
(6)展示三维仿真模型并进行反馈评估。
作为本发明的进一步方案,步骤(1)中所述传感器具体包括激光雷达、雷达以及超声波传感器;所述相机包括光学摄像头、红外摄像头、深度摄像头以及RGB-D相机。
作为本发明的进一步方案,步骤(1)中所述场景数据处理具体步骤如下:
步骤一:定义高斯滤波器大小,之后利用高斯函数生成滤波器核,再收集各场景图像的R、G以及B三组通道信息,之后将生成的高斯滤波器与场景图像进行卷积,再通过调整滤波器的权重或对卷积结果进行缩放对处理后的图像进行归一化;
步骤二:将图像灰度级的像素值统计成直方图,计算直方图的累积分布函数以获取每组灰度级的累积频率,对计算得到的累积分布进行归一化,将其映射到期望的动态范围,之后将原始图像中的每组像素值映射到新的像素值,再使用新的像素值重新构建均衡化后的图像;
步骤三:将图像转换为灰度图像,通过Sobel算子计算图像的梯度,找到梯度的强度和方向,对梯度图进行非极大值抑制,保留局部梯度最大的像素,再使用边缘跟踪算法连接强度较大的边缘,得到最终的边缘图;
步骤四:通过纹理特征算法计算各区域特征,通过直方图对每组局部区域计算得到的特征进行统计,将每组区域的特征整合成全局的纹理特征表示。
作为本发明的进一步方案,步骤一中所述高斯滤波器具体卷积计算公式如下:
式中,G(x,y)代表滤波后的图像;I(x+i,y+j)代表原始图像的像素值;w(i,j)代表高斯滤波核的权重;
步骤二所述累积分布函数具体计算公式如下:
式中,P(j)代表直方图中灰度级j的概率;
步骤二所述累积分布归一化具体计算公式如下:
式中,M×N代表图像的总像素数;CDFmin代表是CDF的最小值。
作为本发明的进一步方案,步骤(2)中所述对抗网络具体构建步骤如下:
步骤1:将反卷积网络作为生成器,同时将使生成器目标设定为生成样本在判别器中被误判为真实样本,再将卷积神经网络作为判别器,并正确地分类真实样本和生成样本作为判别器样本,并将处理后的场景图像作为包含真实样本的数据集;
步骤2:随机选择一批来自真实数据集的样本,将它们输入判别器并标记为真实样本,根据损失函数计算判别器的损失,再利用反向传播算法更新判别器的参数;
步骤3:生成器利用随机噪声生成一批样本,将生成样本输入判别器,获取判别器的判别结果并根据损失函数计算生成器的损失,再利用反向传播算法更新生成器的参数;
步骤4:重复训练判别器和生成器的过程,不断调整网络参数,直至生成器能够生成与真实样本相似的样本,判别器无法轻松区分真实和生成样本后停止训练,并将生成对抗网络部署至模型构造平台。
作为本发明的进一步方案,步骤(3)中所述三维仿真模型构建具体步骤如下:
步骤Ⅰ:将最新采集并处理的场景图像输入对抗网络中,生成器网络通过前向传播过程将场景图像映射成生成的点云或体素,之后提取生成器网络输出的点云的坐标集合或体素的体积数据,之后对输出的数据进行后处理;
步骤Ⅱ:检测输出结果的数据类型,若生成的是点云,则使用Poisson重建算法将点云转换为三维网格,若生成的是体素表示,则使用QEF算法将体素转换为三维网格;
步骤Ⅲ:去除三维网格中冗余的三角形,并光滑网格表面,同时对三维网格进行拓扑优化,再将生成的三维表示导出为常见的三维仿真模型文件格式。
作为本发明的进一步方案,步骤(4)中所述三维仿真模型优化具体步骤如下:
步骤①:创建一组初始的决策树,并设置搜索时间限制或迭代次数,从根节点开始,按照UCB选择策略选择子节点,直到达到叶子节点后停止;
步骤②:若叶子节点还有未探索的子节点,则基于该叶子节点扩展树结构,通过随机或启发式方法模拟从当前叶子节点开始的一次完整的决策过程,并获取该决策过程评估值,再将模拟结果反馈到树的所有经过的节点,更新它们的统计信息;
步骤③:重复执行蒙特卡洛树搜索和选择最佳行动的过程,直至达到预设的搜索时间限制或迭代次数后停止,根据已经更新的统计信息选择具有最高评估值的行动作为最佳行动,并将输出的行动信息反馈至对抗网络进行优化更新。
作为本发明的进一步方案,步骤(5)中所述内存管理优化具体步骤如下:
第一步:创建一组空的LUR链表,并根据根据系统内存容量和需求来确定链表的容量上限,当某组三维仿真模型数据被访问时,将其移到LUR链表的最近使用位置,同时更新相应的访问时间戳;
第二步:当加载三维仿真模型数据时,遍历LUR链表,检查当前要访问的三维仿真模型数据是否已经在链表中,若三维仿真模型数据已经在链表中,则将其从当前位置删除,并将其插入到链表头部,以表示它是最近使用的,将链表的头指针指向该节点;
第三步:当加载新的三维仿真模型数据时,检查LUR链表中是否还有空闲空间,如果没有空闲空间,从LUR链表的末尾选择最不常使用的数据,即最近没有被访问的数据,并将其替换为新的三维仿真模型数据,再将最新访问或替换的数据移到LUR链表的最近使用位置;
第四步:当某组三维仿真模型数据不再需要时,将其从内存中释放,并在LUR链表中进行清理,以确保链表中只包含当前活跃的数据。
相比于现有技术,本发明的有益效果在于:
1、该实现三维仿真模型的方法确定生成器与判别器网络结构以及目标,之后将处理后的场景图像作为包含真实样本的数据集,随机选择一批来自真实数据集的样本,将它们输入判别器并标记为真实样本,根据损失函数计算判别器的损失,再利用反向传播算法更新判别器的参数,生成器利用随机噪声生成一批样本,将生成样本输入判别器,获取判别器的判别结果并根据损失函数计算生成器的损失,再利用反向传播算法更新生成器的参数,重复训练判别器和生成器的过程,不断调整网络参数,直至生成器能够生成与真实样本相似的样本,判别器无法轻松区分真实和生成样本后停止训练,并将生成对抗网络部署至模型构造平台,将最新采集并处理的场景图像输入对抗网络中以获取对应点云的坐标集合或体素的体积数据,之后通过对应算法生成三维网格,并对三维网格进行后处理,将生成的三维表示导出为常见的三维仿真模型文件格式,无需手动介入或使用昂贵的扫描设备,提高三维模型的生成效率,能够学习真实数据的分布,同时降低生成三维模型的成本。
2、该实现三维仿真模型的方法创建一组初始的决策树,并设置搜索时间限制或迭代次数,从根节点开始,按照UCB选择策略选择子节点,直到达到叶子节点后停止,若叶子节点还有未探索的子节点,则基于该叶子节点扩展树结构,通过随机或启发式方法模拟从当前叶子节点开始的一次完整的决策过程,并获取该决策过程评估值,再将模拟结果反馈到树的所有经过的节点,更新它们的统计信息,重复执行蒙特卡洛树搜索和选择最佳行动的过程,直至达到预设的搜索时间限制或迭代次数后停止,根据已经更新的统计信息选择具有最高评估值的行动作为最佳行动,并将输出的行动信息反馈至对抗网络进行优化更新,能够使得仿真模型的生成更加智能化,有助于生成高质量、真实感强的仿真模型,能够挖掘模型潜在的最优解,提高模型的整体性能。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种实现三维仿真模型的方法的流程框图。
具体实施方式
实施例1
参照图1,一种实现三维仿真模型的方法,该实现方法具体步骤如下:
通过传感器和相机采集现实的场景图像并处理。
具体的,定义高斯滤波器大小,之后利用高斯函数生成滤波器核,再收集各场景图像的R、G以及B三组通道信息,之后将生成的高斯滤波器与场景图像进行卷积,再通过调整滤波器的权重或对卷积结果进行缩放对处理后的图像进行归一化,将图像灰度级的像素值统计成直方图,计算直方图的累积分布函数以获取每组灰度级的累积频率,对计算得到的累积分布进行归一化,将其映射到期望的动态范围,之后将原始图像中的每组像素值映射到新的像素值,再使用新的像素值重新构建均衡化后的图像,将图像转换为灰度图像,通过Sobel算子计算图像的梯度,找到梯度的强度和方向,对梯度图进行非极大值抑制,保留局部梯度最大的像素,再使用边缘跟踪算法连接强度较大的边缘,得到最终的边缘图,通过纹理特征算法计算各区域特征,通过直方图对每组局部区域计算得到的特征进行统计,将每组区域的特征整合成全局的纹理特征表示。
本实施例中,传感器具体包括激光雷达、雷达以及超声波传感器;相机包括光学摄像头、红外摄像头、深度摄像头以及RGB-D相机。
需要进一步说明的是,高斯滤波器具体卷积计算公式如下:
式中,G(x,y)代表滤波后的图像;I(x+i,y+j)代表原始图像的像素值;w(i,j)代表高斯滤波核的权重;
累积分布函数具体计算公式如下:
式中,P(j)代表直方图中灰度级j的概率;
累积分布归一化具体计算公式如下:
式中,M×N代表图像的总像素数;CDFmin代表是CDF的最小值。
将处理后的数据用于构建训练对抗网络。
具体的,将反卷积网络作为生成器,同时将使生成器目标设定为生成样本在判别器中被误判为真实样本,再将卷积神经网络作为判别器,并正确地分类真实样本和生成样本作为判别器样本,并将处理后的场景图像作为包含真实样本的数据集,随机选择一批来自真实数据集的样本,将它们输入判别器并标记为真实样本,根据损失函数计算判别器的损失,再利用反向传播算法更新判别器的参数,生成器利用随机噪声生成一批样本,将生成样本输入判别器,获取判别器的判别结果并根据损失函数计算生成器的损失,再利用反向传播算法更新生成器的参数,重复训练判别器和生成器的过程,不断调整网络参数,直至生成器能够生成与真实样本相似的样本,判别器无法轻松区分真实和生成样本后停止训练,并将生成对抗网络部署至模型构造平台。
此外,需要说明的是,生成器参数具体包括噪声输入层参数、转置卷积层参数、激活函数参数、批归一化参数以及优化器参数;判别器参数具体包括卷积层参数、激活函数参数、池化层参数、全连接层参数以及优化器参数。
通过对抗网络构建三维仿真模型。
具体的,将最新采集并处理的场景图像输入对抗网络中,生成器网络通过前向传播过程将场景图像映射成生成的点云或体素,之后提取生成器网络输出的点云的坐标集合或体素的体积数据,之后对输出的数据进行后处理,检测输出结果的数据类型,若生成的是点云,则使用Poisson重建算法将点云转换为三维网格,若生成的是体素表示,则使用QEF算法将体素转换为三维网格,去除三维网格中冗余的三角形,并光滑网格表面,同时对三维网格进行拓扑优化,再将生成的三维表示导出为常见的三维仿真模型文件格式。
实施例2
参照图1,一种实现三维仿真模型的方法,该实现方法具体步骤如下:
将构建的模型以区块链形式存储并优化三维仿真模型。
具体的,创建一组初始的决策树,并设置搜索时间限制或迭代次数,从根节点开始,按照UCB选择策略选择子节点,直到达到叶子节点后停止,若叶子节点还有未探索的子节点,则基于该叶子节点扩展树结构,通过随机或启发式方法模拟从当前叶子节点开始的一次完整的决策过程,并获取该决策过程评估值,再将模拟结果反馈到树的所有经过的节点,更新它们的统计信息,重复执行蒙特卡洛树搜索和选择最佳行动的过程,直至达到预设的搜索时间限制或迭代次数后停止,根据已经更新的统计信息选择具有最高评估值的行动作为最佳行动,并将输出的行动信息反馈至对抗网络进行优化更新。
实时监测三维仿真模型运行效率并优化内存管理。
具体的,创建一组空的LUR链表,并根据根据系统内存容量和需求来确定链表的容量上限,当某组三维仿真模型数据被访问时,将其移到LUR链表的最近使用位置,同时更新相应的访问时间戳,当加载三维仿真模型数据时,遍历LUR链表,检查当前要访问的三维仿真模型数据是否已经在链表中,若三维仿真模型数据已经在链表中,则将其从当前位置删除,并将其插入到链表头部,以表示它是最近使用的,将链表的头指针指向该节点,当加载新的三维仿真模型数据时,检查LUR链表中是否还有空闲空间,如果没有空闲空间,从LUR链表的末尾选择最不常使用的数据,即最近没有被访问的数据,并将其替换为新的三维仿真模型数据,再将最新访问或替换的数据移到LUR链表的最近使用位置,当某组三维仿真模型数据不再需要时,将其从内存中释放,并在LUR链表中进行清理,以确保链表中只包含当前活跃的数据,展示三维仿真模型并进行反馈评估。
Claims (8)
1.一种实现三维仿真模型的方法,其特征在于,该实现方法具体步骤如下:
(1)通过传感器和相机采集现实的场景图像并处理;
(2)将处理后的数据用于构建训练对抗网络;
(3)通过对抗网络构建三维仿真模型;
(4)将构建的模型以区块链形式存储并优化三维仿真模型;
(5)实时监测三维仿真模型运行效率并优化内存管理;
(6)展示三维仿真模型并进行反馈评估。
2.根据权利要求1所述的一种实现三维仿真模型的方法,其特征在于,步骤(1)中所述传感器具体包括激光雷达、雷达以及超声波传感器;所述相机包括光学摄像头、红外摄像头、深度摄像头以及RGB-D相机。
3.根据权利要求2所述的一种实现三维仿真模型的方法,其特征在于,步骤(1)中所述场景数据处理具体步骤如下:
步骤一:定义高斯滤波器大小,之后利用高斯函数生成滤波器核,再收集各场景图像的R、G以及B三组通道信息,之后将生成的高斯滤波器与场景图像进行卷积,再通过调整滤波器的权重或对卷积结果进行缩放对处理后的图像进行归一化;
步骤二:将图像灰度级的像素值统计成直方图,计算直方图的累积分布函数以获取每组灰度级的累积频率,对计算得到的累积分布进行归一化,将其映射到期望的动态范围,之后将原始图像中的每组像素值映射到新的像素值,再使用新的像素值重新构建均衡化后的图像;
步骤三:将图像转换为灰度图像,通过Sobel算子计算图像的梯度,找到梯度的强度和方向,对梯度图进行非极大值抑制,保留局部梯度最大的像素,再使用边缘跟踪算法连接强度较大的边缘,得到最终的边缘图;
步骤四:通过纹理特征算法计算各区域特征,通过直方图对每组局部区域计算得到的特征进行统计,将每组区域的特征整合成全局的纹理特征表示。
4.根据权利要求3所述的一种实现三维仿真模型的方法,其特征在于,步骤一中所述高斯滤波器具体卷积计算公式如下:
式中,G(x,y)代表滤波后的图像;I(x+i,y+j)代表原始图像的像素值;w(i,j)代表高斯滤波核的权重;
步骤二所述累积分布函数具体计算公式如下:
式中,P(j)代表直方图中灰度级j的概率;
步骤二所述累积分布归一化具体计算公式如下:
式中,M×N代表图像的总像素数;CDFmin代表是CDF的最小值。
5.根据权利要求3所述的一种实现三维仿真模型的方法,其特征在于,步骤(2)中所述对抗网络具体构建步骤如下:
步骤1:将反卷积网络作为生成器,同时将使生成器目标设定为生成样本在判别器中被误判为真实样本,再将卷积神经网络作为判别器,并正确地分类真实样本和生成样本作为判别器样本,并将处理后的场景图像作为包含真实样本的数据集;
步骤2:随机选择一批来自真实数据集的样本,将它们输入判别器并标记为真实样本,根据损失函数计算判别器的损失,再利用反向传播算法更新判别器的参数;
步骤3:生成器利用随机噪声生成一批样本,将生成样本输入判别器,获取判别器的判别结果并根据损失函数计算生成器的损失,再利用反向传播算法更新生成器的参数;
步骤4:重复训练判别器和生成器的过程,不断调整网络参数,直至生成器能够生成与真实样本相似的样本,判别器无法轻松区分真实和生成样本后停止训练,并将生成对抗网络部署至模型构造平台。
6.根据权利要求5所述的一种实现三维仿真模型的方法,其特征在于,步骤(3)中所述三维仿真模型构建具体步骤如下:
步骤Ⅰ:将最新采集并处理的场景图像输入对抗网络中,生成器网络通过前向传播过程将场景图像映射成生成的点云或体素,之后提取生成器网络输出的点云的坐标集合或体素的体积数据,之后对输出的数据进行后处理;
步骤Ⅱ:检测输出结果的数据类型,若生成的是点云,则使用Poisson重建算法将点云转换为三维网格,若生成的是体素表示,则使用QEF算法将体素转换为三维网格;
步骤Ⅲ:去除三维网格中冗余的三角形,并光滑网格表面,同时对三维网格进行拓扑优化,再将生成的三维表示导出为常见的三维仿真模型文件格式。
7.根据权利要求5所述的一种实现三维仿真模型的方法,其特征在于,步骤(4)中所述三维仿真模型优化具体步骤如下:
步骤①:创建一组初始的决策树,并设置搜索时间限制或迭代次数,从根节点开始,按照UCB选择策略选择子节点,直到达到叶子节点后停止;
步骤②:若叶子节点还有未探索的子节点,则基于该叶子节点扩展树结构,通过随机或启发式方法模拟从当前叶子节点开始的一次完整的决策过程,并获取该决策过程评估值,再将模拟结果反馈到树的所有经过的节点,更新它们的统计信息;
步骤③:重复执行蒙特卡洛树搜索和选择最佳行动的过程,直至达到预设的搜索时间限制或迭代次数后停止,根据已经更新的统计信息选择具有最高评估值的行动作为最佳行动,并将输出的行动信息反馈至对抗网络进行优化更新。
8.根据权利要求1所述的一种实现三维仿真模型的方法,其特征在于,步骤(5)中所述内存管理优化具体步骤如下:
第一步:创建一组空的LUR链表,并根据根据系统内存容量和需求来确定链表的容量上限,当某组三维仿真模型数据被访问时,将其移到LUR链表的最近使用位置,同时更新相应的访问时间戳;
第二步:当加载三维仿真模型数据时,遍历LUR链表,检查当前要访问的三维仿真模型数据是否已经在链表中,若三维仿真模型数据已经在链表中,则将其从当前位置删除,并将其插入到链表头部,以表示它是最近使用的,将链表的头指针指向该节点;
第三步:当加载新的三维仿真模型数据时,检查LUR链表中是否还有空闲空间,如果没有空闲空间,从LUR链表的末尾选择最不常使用的数据,即最近没有被访问的数据,并将其替换为新的三维仿真模型数据,再将最新访问或替换的数据移到LUR链表的最近使用位置;
第四步:当某组三维仿真模型数据不再需要时,将其从内存中释放,并在LUR链表中进行清理,以确保链表中只包含当前活跃的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311844069.8A CN117807782B (zh) | 2023-12-29 | 2023-12-29 | 一种实现三维仿真模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311844069.8A CN117807782B (zh) | 2023-12-29 | 2023-12-29 | 一种实现三维仿真模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117807782A true CN117807782A (zh) | 2024-04-02 |
CN117807782B CN117807782B (zh) | 2024-06-07 |
Family
ID=90427122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311844069.8A Active CN117807782B (zh) | 2023-12-29 | 2023-12-29 | 一种实现三维仿真模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807782B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443882A (zh) * | 2019-07-05 | 2019-11-12 | 清华大学 | 基于深度学习算法的光场显微三维重建方法及装置 |
WO2020010979A1 (zh) * | 2018-07-10 | 2020-01-16 | 腾讯科技(深圳)有限公司 | 手部关键点的识别模型训练方法、识别方法及设备 |
EP3620988A1 (en) * | 2018-09-06 | 2020-03-11 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, device for optimizing simulation data, and computer-readable storage medium |
CN111210483A (zh) * | 2019-12-23 | 2020-05-29 | 中国人民解放军空军研究院战场环境研究所 | 基于生成对抗网络和数值模式产品的仿真卫星云图生成方法 |
CN111243680A (zh) * | 2018-11-29 | 2020-06-05 | 富士通株式会社 | 用于模拟原子动态的方法和装置 |
CN112017159A (zh) * | 2020-07-28 | 2020-12-01 | 中国科学院西安光学精密机械研究所 | 一种遥感场景下的地面目标真实感仿真方法 |
CN112712595A (zh) * | 2021-01-19 | 2021-04-27 | 北京三快在线科技有限公司 | 一种生成仿真环境的方法及装置 |
US20220164502A1 (en) * | 2020-11-23 | 2022-05-26 | Jiangsu University | Pump machine unit optimized operation regulation system and method based on digital twin |
CN115861044A (zh) * | 2023-02-17 | 2023-03-28 | 中国人民解放军国防科技大学 | 基于生成对抗网络的复杂云层背景仿真方法、装置和设备 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
CN116721201A (zh) * | 2023-04-04 | 2023-09-08 | 上海机电工程研究所 | 纹理智能生成的红外海面背景仿真方法及系统 |
CN116738867A (zh) * | 2023-08-14 | 2023-09-12 | 厦门安智达信息科技有限公司 | 一种基于机器学习的无人机防御仿真方法及其系统 |
WO2023221421A1 (zh) * | 2022-05-19 | 2023-11-23 | 浙江大学 | 一种树状结构数据的图像与分割标签生成模型及应用 |
WO2023236221A1 (zh) * | 2022-06-07 | 2023-12-14 | 北京天玛智控科技股份有限公司 | 煤岩界面识别模型训练方法、采煤机截割控制方法和装置 |
-
2023
- 2023-12-29 CN CN202311844069.8A patent/CN117807782B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020010979A1 (zh) * | 2018-07-10 | 2020-01-16 | 腾讯科技(深圳)有限公司 | 手部关键点的识别模型训练方法、识别方法及设备 |
EP3620988A1 (en) * | 2018-09-06 | 2020-03-11 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, device for optimizing simulation data, and computer-readable storage medium |
CN111243680A (zh) * | 2018-11-29 | 2020-06-05 | 富士通株式会社 | 用于模拟原子动态的方法和装置 |
CN110443882A (zh) * | 2019-07-05 | 2019-11-12 | 清华大学 | 基于深度学习算法的光场显微三维重建方法及装置 |
CN111210483A (zh) * | 2019-12-23 | 2020-05-29 | 中国人民解放军空军研究院战场环境研究所 | 基于生成对抗网络和数值模式产品的仿真卫星云图生成方法 |
CN112017159A (zh) * | 2020-07-28 | 2020-12-01 | 中国科学院西安光学精密机械研究所 | 一种遥感场景下的地面目标真实感仿真方法 |
US20220164502A1 (en) * | 2020-11-23 | 2022-05-26 | Jiangsu University | Pump machine unit optimized operation regulation system and method based on digital twin |
CN112712595A (zh) * | 2021-01-19 | 2021-04-27 | 北京三快在线科技有限公司 | 一种生成仿真环境的方法及装置 |
WO2023221421A1 (zh) * | 2022-05-19 | 2023-11-23 | 浙江大学 | 一种树状结构数据的图像与分割标签生成模型及应用 |
WO2023236221A1 (zh) * | 2022-06-07 | 2023-12-14 | 北京天玛智控科技股份有限公司 | 煤岩界面识别模型训练方法、采煤机截割控制方法和装置 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
CN115861044A (zh) * | 2023-02-17 | 2023-03-28 | 中国人民解放军国防科技大学 | 基于生成对抗网络的复杂云层背景仿真方法、装置和设备 |
CN116721201A (zh) * | 2023-04-04 | 2023-09-08 | 上海机电工程研究所 | 纹理智能生成的红外海面背景仿真方法及系统 |
CN116738867A (zh) * | 2023-08-14 | 2023-09-12 | 厦门安智达信息科技有限公司 | 一种基于机器学习的无人机防御仿真方法及其系统 |
Non-Patent Citations (6)
Title |
---|
余翀;: "基于半监督生成对抗网络的三维重建云工作室", 智能科学与技术学报, no. 01, 15 March 2019 (2019-03-15) * |
刘喜作;梁德清;: "舰艇战术对抗视景仿真技术研究", 舰船电子工程, no. 11, 20 November 2013 (2013-11-20) * |
刘忠洋: "多分辨率融合密集网络的图像去雨方法", 电光与控制, 31 July 2023 (2023-07-31) * |
孙智博;徐向辉;: "基于谱归一化生成对抗网络的目标SAR图像仿真方法", 计算机与现代化, no. 08, 15 August 2020 (2020-08-15) * |
曹兴文: "多行人轨迹多视角三维仿真视频学习预测法", 测绘学报, 30 September 2023 (2023-09-30) * |
王廷银;林明贵;陈达;吴允平;: "基于北斗RDSS的核辐射监测应急通讯方法", 计算机系统应用, no. 12, 15 December 2019 (2019-12-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117807782B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633657B (zh) | 一种施工质量管理方法、装置、设备及存储介质 | |
CN104899849B (zh) | 一种多目标交互式图像分割方法和装置 | |
Lee et al. | Perceptual organization of 3D surface points | |
Zhang et al. | Data-driven synthetic modeling of trees | |
CN111784840B (zh) | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 | |
CN115222625A (zh) | 一种基于多尺度噪声的激光雷达点云去噪方法 | |
CN111783798B (zh) | 基于显著性特征的模拟残缺点云的遮罩生成方法 | |
CN114332291B (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN103310481A (zh) | 一种基于模糊熵迭代的点云精简方法 | |
Papagiannopoulos et al. | How to teach neural networks to mesh: Application on 2-D simplicial contours | |
CN117932974B (zh) | 一种水库水下数字高程模型的构建方法 | |
Yu et al. | Unsupervised ground filtering of airborne-based 3D meshes using a robust cloth simulation | |
CN117495735A (zh) | 一种基于结构引导的建筑物立面纹理自动修复方法及系统 | |
CN111612886A (zh) | 室内三维模型生成方法及系统 | |
CN108986210B (zh) | 三维场景重建的方法和设备 | |
Zhang et al. | Automatic deep inference of procedural cities from global-scale spatial data | |
CN117807782B (zh) | 一种实现三维仿真模型的方法 | |
Pound et al. | Surface reconstruction of plant shoots from multiple views | |
CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN113792357B (zh) | 树木生长模型构建方法及计算机存储介质 | |
CN115995024A (zh) | 基于类图神经网络的图像分类方法 | |
Sahebdivani et al. | Deep learning based classification of color point cloud for 3D reconstruction of interior elements of buildings | |
CN113838188A (zh) | 基于单幅图像的树木建模方法、树木建模装置、设备 | |
CN112215951B (zh) | 一种核外多分辨率点云表示方法及点云显示方法 | |
CN116882031B (zh) | 一种基于点云的建筑模型构建方法及系统 |
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 |