一种基于机器视觉学习识别的零件加工特征识别方法转让专利
申请号 : CN202210042480.2
文献号 : CN114067231B
文献日 : 2022-05-10
发明人 : 曾德标 , 牟文平 , 高鑫 , 王鹏程 , 舒建国 , 王斌利 , 赵国波
申请人 : 成都飞机工业(集团)有限责任公司
摘要 :
权利要求 :
1.一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:包括样本训练和零件加工特征识别;所述样本训练具体指:获取不同的零件三维模型在不同角度下的二维图像,并在二维图像上标注加工特征信息,构建零件加工特征二维图像样本,然后使用所述二维图像样本对图像识别模型进行特征识别训练;所述零件加工特征识别具体指:从多个视角对待识别加工特征的零件三维模型进行二维图像截图,用已训练好的图像识别模型从二维图像截图中识别所有加工特征,将识别的加工特征依据视角关系映射到待识别加工特征的零件三维模型上,在待识别加工特征的零件三维模型上标注加工特征及各个特征所包含的几何面,完成零件加工特征的自动识别;其中,二维图像截图的具体截取方法如下:计算待识别加工特征的零件三维模型的最小包围盒,包围盒X、Y、Z坐标最小的角点为(Xmin,Ymin,Zmin),X、Y、Z坐标最大的角点为(Xmax,Ymax,Zmax);
计算包围盒的最小外接球,设球心为O,半径为R;
以a°为步距在球心为O、半径为mR的球面S上均匀设置视点及视角,其中m为常量,视点及视角采用球面经度和纬度表示为(α,β),其中经度α的取值范围为[0°,360°],纬度β的取值范围为[‑90°,90°];
将经度和纬度为(0°,‑90°)的视点及视角设置为截取二维图像的初始视点及视角,依次对待识别加工特征的零件三维模型进行二维图像截取。
2.根据权利要求1所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:进行二维图像截图后,记录每张二维图像的截取视点及视角。
3.根据权利要求1所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:从二维图像截图中识别所有加工特征具体指:确定二维图像截图中包含加工特征的特征类型、构成的几何面及其包含的像素范围。
4.根据权利要求2所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:将识别的加工特征依据视角关系映射到待识别加工特征的零件三维模型上具体指:将识别到的加工特征通过图像的截取视点及视角映射到零件三维模型上,形成一系列加工特征实例,具体包括:
根据图像的视点和视角构建一个投影平面,投影平面以视点为原点,以视角方向为法向,即Z向;
选取二维图像上加工特征所属几何面上某一像素的X、Y坐标构建一条垂直于投影平面且过像素点的直线;
计算直线与待识别加工特征的零件三维模型的交点,离像素点最近的交点即为二维图像上像素点在待识别加工特征的零件三维模型上的映射点,映射点所在的几何面即为选取的二维图像上像素点所在的加工特征几何面;
在特征实例构建完成后剔除冗余的几何面。
5.根据权利要求4所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:在待识别加工特征的零件三维模型上标注加工特征及各个特征所包含的几何面,完成零件加工特征的自动识别具体指:将获取的一系列加工特征实例中属于同一加工特征的特征进行合并,得到新的加工特征集;判断新的加工特征集是否包含零件所有几何面,若未包含,将该几何面存储于几何面集合N中,选取合适的视点及视角,重新截取二维图像,进行特征识别,直至零件所有几何面均包含于新的加工特征集中,完成零件所有加工特征的识别。
6.根据权利要求5所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:将获取的一系列加工特征实例中属于同一加工特征的特征进行合并,得到新的加工特征集,具体指:
依据加工特征类型对加工特征实例进行分类;
属于同一类型的加工特征,如果组成特征的主要几何面相同则进行合并;
需合并的加工特征实例,剔除重复出现的几何面,将剩余几何面进行合并,重组为新的加工特征实例。
7.根据权利要求5所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:选取合适的视点及视角,重新截取二维图像的具体方法如下:选取几何面集合N中的几何面U,在几何面U上获取系列离散点,并得到几何面U在离散点处的法矢;
将上述法矢进行合并,得到几何面U的主法矢P;
找到几何面U的中心点M,并以中心点M为端点,沿主法矢P作射线l;
求解射线l与零件及球面S的交点;
若射线l与零件无交点,则射线l与球面S的交点即为合适的视点,主法矢P的反方向即为合适的视角;
若射线与零件存在交点,则找到与中心点M最近的交点I,并得到交点I所在的零件几何面T;以中心点M为端点,作一条与几何面T沿零件最小包围盒高度方向最顶处边线相交的射线J;射线J与射线l构成平面F,在平面F内,将射线J沿远离射线l的方向旋转b°得到旋转后的射线k;求解射线k与零件和球面S的交点,若射线k与零件无交点,则射线k与球面S的交点即为合适的视点,射线k的反方向即为即为合适的视角,否则将认为无法找到合适的视点和视角,将采用人工识别的方式对加工特征进行补充识别,其中b的值大于0小于等于10。
8.根据权利要求1所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:获取不同的零件三维模型在不同角度下的二维图像具体指:从CAD软件中导出、截取屏幕或拍摄照片来获取相应的二维图像。
9.根据权利要求1所述的一种基于机器视觉学习识别的零件加工特征识别方法,其特征在于:在二维图像上标注加工特征信息具体指:在二维图像上标注每个加工特征类型、特征几何元素及特征包含的像素范围。
说明书 :
一种基于机器视觉学习识别的零件加工特征识别方法
技术领域
背景技术
性化越来越突出,零件的加工特征越来越复杂。尤其是在航空航天领域,为了减轻飞行器的
重量,零件结构复杂,形状怪异,加工特征复杂多变,这就使得加工特征识别非常困难,识别
准确率低,导致加工工艺设计和加工数字控制程序编制必须依赖大量的手工操作,工艺准
备周期长,人力成本高,是制造业快速且低成本地满足个性化定制需求的一大瓶颈。
的连接关系及预先定义的特征实现对特征的识别。也提出了授权公告号为CN110795797B,
授权公告日为2021年06月18日的中国发明专利文件,该专利文献所公开了一种基于零件几
何面属性邻接图实现对预定义加工特征的自动识别。也提出了公开号为CN109977972A,公
开日为2019年07月05日的中国发明专利文件,该专利文献所公开了一种基于零件几何拓扑
信息,并将人工蜂群算法与BP神经网络相结合的特征智能识别方法。也提出了公开号为
CN112488176A,公开日为2021年03月12日的中国发明专利文件,该专利文献公开了将加工
特征进行三角网格划分及数据提取,并进行神经网络训练获得最优神经网络训练模型,进
而实现加工特征识别,可支持用户自定义加工特征。
信息与工艺信息的关联关系进而实现特征的定义与识别。
能完成新加工特征识别。对于复杂的相交特征而言,如槽腔、筋条、凸台和孔等特征的融合
相交,由于结构复杂,从人为特征定义角度来说,难以对复杂相交特征进行有效定义。故上
述方法对于新加工特征以及复杂的相交特征无法有效进行识别,存在难以识别或识别错误
特征的情况,进而导致后续自动数控编程结果难以达到加工要求。
发明内容
识别准确率。
二维图像,并在二维图像上标注加工特征信息,构建零件加工特征二维图像样本,然后使用
所述二维图像样本对图像识别模型进行特征识别训练;所述零件加工特征识别具体指:从
多个视角对待识别加工特征的零件三维模型进行二维图像截图,用已训练好的图像识别模
型从二维图像截图中识别所有加工特征,将识别的加工特征依据视角关系映射到待识别加
工特征的零件三维模型上,在待识别加工特征的零件三维模型上标注加工特征及各个特征
所包含的几何面,完成零件加工特征的自动识别。
的取值范围为[‑90°,90°];
加工特征实例,具体包括:
选取的二维图像上像素点所在的加工特征几何面;
的特征进行合并,得到新的加工特征集;判断新的加工特征集是否包含零件所有几何面,若
未包含,将该几何面存储于几何面集合N中,选取合适的视点及视角,重新截取二维图像,进
行特征识别,直至零件所有几何面均包含于新的加工特征集中,完成零件所有加工特征的
识别。
的射线J;射线J与射线l构成平面F,在平面F内,将射线J沿远离射线l的方向旋转b°得到旋
转后的射线k;求解射线k与零件和球面S的交点,若射线k与零件无交点,则射线k与球面S的
交点即为合适的视点,射线k的反方向即为即为合适的视角,否则将认为无法找到合适的视
点和视角,将采用人工识别的方式对加工特征进行补充识别,其中b的值大于0小于等于10。
特征而言,只需新增样本,对图像识别模型进行训练即可;对于复杂相交特征而言,仅需在
二维图像样本中进行标注,即可实现对复杂相交特征进行识别。通过本方法,可有效识别复
杂相交特征,提升零件加工特征识别准确率,为零件加工工艺自动化设计以及加工数字控
制程序自动化编制奠定技术基础。
图像上有清晰的像素。
及多余几何面,其中多余几何面具体指在二维图像上识别出来的多张几何面但在三维数字
模型上其实是同一张几何面。
几何面信息可能不全,且存在同一加工特征重复存在的现象。
附图说明
具体实施方式
维模型在不同角度下的二维图像,并在二维图像上标注加工特征信息。构建零件加工特征
二维图像样本,然后使用所述二维图像样本对图像识别模型进行特征识别训练,将图像识
别模型进行训练好。
别的加工特征依据视角关系映射到待识别加工特征的零件三维模型上。在待识别加工特征
的零件三维模型上标注加工特征及各个特征所包含的几何面,完成零件加工特征的自动识
别。
别加工特征的几何面,并存储于几何面集合N中。针对几何面集合N中的几何面,选取合适的
视点和视角重新截取二维图像,重复上述步骤,直至几何面集合N中几何面数量为0,完成零
件所有加工特征的识别。
件三维模型在不同角度下的二维图像,该二维图像为高像素白色背景图像,避免图像颜色
对加工特征识别的干扰,再将获取的二维图像处理成灰度图像。然后在二维图像上标注加
工特征信息,构建零件加工特征二维图像样本。该二维图像样本中包含待识别零件类型的
系列加工特征,且每种加工特征对应的样本必须达到一定数量,以确保对图像识别模型训
练的效果。然后使用所述二维图像样本对图像识别模型进行特征识别训练。
二维图像截图中识别所有加工特征,确定其中包含加工特征的特征类型、构成的几何面及
其包含的像素范围。将识别的加工特征依据视点及视角映射到待识别加工特征的零件三维
模型上。在待识别加工特征的零件三维模型上标注加工特征及各个特征所包含的几何面,
完成零件加工特征的自动识别。
有清晰的像素,具体截取方法如下:
的取值范围为[‑90°,90°];
选取的二维图像上像素点所在的加工特征几何面;
模型上其实是同一张几何面,因此在特征实例构建完成后需要剔除冗余的几何面。
括以下步骤:
500个,以确保对图像识别模型训练的效果。
[‑90°,90°],则经度α的取值为:{0°,45°,90°,135°,180°,225°,270°,315°},纬度β的取值
为:{‑90°,‑45°,0°,45°,90°},参照说明书附图3,其中一个视点P1为(45°,0°),对应视角为
;
加工特征几何面;
模型上其实是同一张几何面,因此在特征实例构建完成后需剔除冗余的几何面。
别,直至几何面集合N中几何面数量为0,完成零件所有加工特征的识别。
范围。