基于投影图与直方图的机械零件模型检索
发布时间：2021-08-25 03:56
为实现资源重复利用与产品创新,通过检索出数据库中的相似零件为设计者提供帮助。首先对机械零件模型进行方位归一化与预处理,以起始点为圆心作最大内切圆,划分连通区,在连通区内根据距离变换值判定邻域像素,进而确定新的骨架点,迭代生成完整骨架。将骨架转换成直方图曲线,划分网格生成骨架点数矩阵,根据矩阵特征值和之间的差计算两模型间的差异度,从而判定机械零件相似度。通过实例验证以及与D2形状分布算法及递归分割算法比较,发现该方法检索速度高于递归分割算法,准确性高于D2形状分布算法和递归分割算法。
【文章来源】：软件导刊. 2020,19(05)
【文章页数】：5 页
【图文】：
处理后投影
油迹?コ?渌?枷摺Ｈ缤?2所示为与图1模型对应的处理后投影图。图2处理后投影随后对处理后投影图进行像素化。像素是指由数字序列表示数字图像中的最小单位［10］，根据投影图尺寸，选取一个最小包络长方形边框［11］，并在该边框内将图形划分为若干个等面积的小正方形。正方形边长越小，后续提取出的骨架精度越高，但计算量也随之增大。综合考虑精度与计算量之间的关系，取投影图长宽中较短边的1/2000左右较为适宜。故针对图1所示模型处理后的投影图，取边长为0.1mm进行划分，如图3（a）所示为处理后主视图的像素划分图。1.3采用距离变换赋值内部像素最小距离值的计算方法采用欧氏距离［12］方法。图3（b）为图3（a）圆圈处的局部放大图，图中数字为像素值，填充部分为边界像素，未填充且标有像素值的方格为内部像素。（a）划分像素（b）边界像素与内部像素局部图3像素划分与赋值2骨架提取算法本文提取骨架的方法是针对处理后的投影图，由骨架起始点开始，对其相邻像素进行判断，生成新的骨架点并迭代生成骨架。根据骨架和距离变换的定义［13］，由于骨架中间部位的特征是内部像素值较大，且利于骨架向周围扩散，故本文选择具有最大值的内部像素作为骨架起始点。利用参考文献［6］中的方法对模型主视图的迭代过程如图4（a）所示，粗实线为骨架。同理，对模型俯、左两个视图进行骨架提取，完成所有迭代后，骨架如图4（b）、（c）所示。（a）主视图骨架迭代··108
疚????咧狈酵迹?俳??咄加镁?阵形式予以表现，计算两个矩阵之间的差异度，并判定两个机械零件模型之间的相似度。3.1骨架直方图描述设骨架起始点为P0，骨架点集合为Pi(i=1，2，?，K)，设ske(P0，Pi)为横坐标，表示从P0沿骨架到Pi的最短路径长度［14］，纵坐标R(Pi)为Pi点的内切圆半径。图4（a）中完成迭代的主视图骨架直方图见图5（a）。同理可得该模型俯、左两个视图的骨架直方图见图5（b）、图5（c）。（a）主视图直方图与网格划分（b）俯视图直方图与网格划分（c）左视图直方图与网格划分图5直方图与网格划分3.2骨架点数矩阵生成为了将直方图转换成骨架点数矩阵，首先对骨架直方图进行网格划分，网格划分得越密集，矩阵数据表示则越细致，但计算量也随之陡增。综合考虑计算量与精准度［15］，选取横向划分网格数量在5～15之间，并将每个网格长宽比控制在1～3之间较为合理。按原则划分后结果如图5所示。生成网格之后，依次计算每个网格中的骨架点数量，生成骨架点数矩阵。将网格横坐标划分为m等分，纵坐标n等分，每一网格中骨架点数量记为hij，生成骨架点数矩阵H为：H=éêêêêùúúúúh11h12?h1nh21h22??hij?hm1hm2?hmn（1）由于矩阵方阵才有特征值［16］，为便于后续匹配，若m1n，则将行列中较少的一方添0补齐，使列数与行数相等。由于H矩阵表示骨架点落在指定区域内的个数，故添0操作相当于在已划分好的网格右侧或上方再添加新的网格，使网格的行与列相等
【参考文献】：
期刊论文
[1]基于矩阵填充理论的R-D算法[J]. 陈宇祺. 软件导刊. 2019(01)
[2]融合信息熵和CNN的基于手绘的三维模型检索[J]. 刘玉杰,宋阳,李宗民,李华. 图学学报. 2018(04)
[3]面向机械结构形态的三维模型信息处理[J]. 周围,徐庆华,徐赐军. 湖北理工学院学报. 2018(02)
[4]改进的Otsu递归分割单幅图像去雾算法研究[J]. 吴延海,潘晨,吴楠. 西安科技大学学报. 2017(03)
[5]基于骨架和统计直方图的形状匹配算法[J]. 张桂梅,郑加宽,储珺. 计算机工程与应用. 2015(16)
[6]实心皮带轮参数化的设计与实现[J]. 林娴. 福建电脑. 2015(01)
[7]基于距离变换的三维连通骨架提取算法[J]. 万雅娟,李海生,刘璇,蔡强. 计算机仿真. 2014(06)
[8]针对三维模型检索中D2形状分布算法的改进[J]. 赵鹏飞. 煤炭技术. 2013(07)
[9]基于距离变换与路径规划的骨架提取算法[J]. 张超,芦勤,罗述谦. 北京生物医学工程. 2012 (06)
[10]基于递归分割的机械零件三维形状结构检索方法[J]. 徐敬华,张树有. 机械工程学报. 2009(11)
硕士论文
[1]城市环境基于三维激光雷达的自动驾驶车辆多目标检测及跟踪算法研究[D]. 叶刚.北京理工大学 2016
本文编号：3361345
【文章来源】：软件导刊. 2020,19(05)
【文章页数】：5 页
【图文】：
处理后投影
油迹?コ?渌?枷摺Ｈ缤?2所示为与图1模型对应的处理后投影图。图2处理后投影随后对处理后投影图进行像素化。像素是指由数字序列表示数字图像中的最小单位［10］，根据投影图尺寸，选取一个最小包络长方形边框［11］，并在该边框内将图形划分为若干个等面积的小正方形。正方形边长越小，后续提取出的骨架精度越高，但计算量也随之增大。综合考虑精度与计算量之间的关系，取投影图长宽中较短边的1/2000左右较为适宜。故针对图1所示模型处理后的投影图，取边长为0.1mm进行划分，如图3（a）所示为处理后主视图的像素划分图。1.3采用距离变换赋值内部像素最小距离值的计算方法采用欧氏距离［12］方法。图3（b）为图3（a）圆圈处的局部放大图，图中数字为像素值，填充部分为边界像素，未填充且标有像素值的方格为内部像素。（a）划分像素（b）边界像素与内部像素局部图3像素划分与赋值2骨架提取算法本文提取骨架的方法是针对处理后的投影图，由骨架起始点开始，对其相邻像素进行判断，生成新的骨架点并迭代生成骨架。根据骨架和距离变换的定义［13］，由于骨架中间部位的特征是内部像素值较大，且利于骨架向周围扩散，故本文选择具有最大值的内部像素作为骨架起始点。利用参考文献［6］中的方法对模型主视图的迭代过程如图4（a）所示，粗实线为骨架。同理，对模型俯、左两个视图进行骨架提取，完成所有迭代后，骨架如图4（b）、（c）所示。（a）主视图骨架迭代··108
疚????咧狈酵迹?俳??咄加镁?阵形式予以表现，计算两个矩阵之间的差异度，并判定两个机械零件模型之间的相似度。3.1骨架直方图描述设骨架起始点为P0，骨架点集合为Pi(i=1，2，?，K)，设ske(P0，Pi)为横坐标，表示从P0沿骨架到Pi的最短路径长度［14］，纵坐标R(Pi)为Pi点的内切圆半径。图4（a）中完成迭代的主视图骨架直方图见图5（a）。同理可得该模型俯、左两个视图的骨架直方图见图5（b）、图5（c）。（a）主视图直方图与网格划分（b）俯视图直方图与网格划分（c）左视图直方图与网格划分图5直方图与网格划分3.2骨架点数矩阵生成为了将直方图转换成骨架点数矩阵，首先对骨架直方图进行网格划分，网格划分得越密集，矩阵数据表示则越细致，但计算量也随之陡增。综合考虑计算量与精准度［15］，选取横向划分网格数量在5～15之间，并将每个网格长宽比控制在1～3之间较为合理。按原则划分后结果如图5所示。生成网格之后，依次计算每个网格中的骨架点数量，生成骨架点数矩阵。将网格横坐标划分为m等分，纵坐标n等分，每一网格中骨架点数量记为hij，生成骨架点数矩阵H为：H=éêêêêùúúúúh11h12?h1nh21h22??hij?hm1hm2?hmn（1）由于矩阵方阵才有特征值［16］，为便于后续匹配，若m1n，则将行列中较少的一方添0补齐，使列数与行数相等。由于H矩阵表示骨架点落在指定区域内的个数，故添0操作相当于在已划分好的网格右侧或上方再添加新的网格，使网格的行与列相等
【参考文献】：
期刊论文
[1]基于矩阵填充理论的R-D算法[J]. 陈宇祺. 软件导刊. 2019(01)
[2]融合信息熵和CNN的基于手绘的三维模型检索[J]. 刘玉杰,宋阳,李宗民,李华. 图学学报. 2018(04)
[3]面向机械结构形态的三维模型信息处理[J]. 周围,徐庆华,徐赐军. 湖北理工学院学报. 2018(02)
[4]改进的Otsu递归分割单幅图像去雾算法研究[J]. 吴延海,潘晨,吴楠. 西安科技大学学报. 2017(03)
[5]基于骨架和统计直方图的形状匹配算法[J]. 张桂梅,郑加宽,储珺. 计算机工程与应用. 2015(16)
[6]实心皮带轮参数化的设计与实现[J]. 林娴. 福建电脑. 2015(01)
[7]基于距离变换的三维连通骨架提取算法[J]. 万雅娟,李海生,刘璇,蔡强. 计算机仿真. 2014(06)
[8]针对三维模型检索中D2形状分布算法的改进[J]. 赵鹏飞. 煤炭技术. 2013(07)
[9]基于距离变换与路径规划的骨架提取算法[J]. 张超,芦勤,罗述谦. 北京生物医学工程. 2012 (06)
[10]基于递归分割的机械零件三维形状结构检索方法[J]. 徐敬华,张树有. 机械工程学报. 2009(11)
硕士论文
[1]城市环境基于三维激光雷达的自动驾驶车辆多目标检测及跟踪算法研究[D]. 叶刚.北京理工大学 2016
本文编号：3361345
本文链接：https://www.wllwen.com/kejilunwen/jixiegongcheng/3361345.html
