(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210431339.1 (22)申请日 2022.04.22 (71)申请人 成都飞机工业 （集团） 有限责任公司 地址 610092 四川省成 都市青羊区黄田坝 纬一路88号 (72)发明人 喻志勇　牟文平　高鑫　姜振喜　 王鹏程　王斌利　李博　游莉萍　 (74)专利代理 机构 成都天嘉专利事务所(普通 合伙) 5121 1 专利代理师 苏丹 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06T 7/90(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) H04N 13/363(2018.01) (54)发明名称 一种航空制造件全角度投影图像面片属性 融合分析方法 (57)摘要 本发明属于在航空制造件领域， 具体涉及一 种航空制造件全角度投影图像面片属性融合分 析方法， 本方法包括： 获取零件三维图像的组成 面片， 基于随机规则对面片进行编号， 对索引表 中的所有面片进行上色， 设计零件截屏工具并获 取全角度投影图像， 制作深度学习训练样本； 设 计面片类别划分深度学习分类网络与超参数， 迭 代训练优选出对应的权重参数， 对 预测模型进行 初始化； 载入预测图片， 输入网络进行类别的判 断， 得到结果1； 对不同视角识别的结果进行融 合， 得到更准确的面片类别信息数据结果2， 以结 果2作为面片最后识别的结果。 相比于单一视角 下的判断结果可大幅提升面片识别的准确率， 减 少了在零件程编中人为介入耗时的问题。 权利要求书4页 说明书10页 附图10页 CN 114882272 A 2022.08.09 CN 114882272 A 1.一种航空制造件全角度投影图像面片属性融合分析方法， 其特征在于， 包括如下步 骤， 向CATIA中导入设计好的格式为.CATPart零件三维模型图， 并获取所有的组成面片 slices； 基于随机规则对所有的面片进行编号， 编号的顺序从1开始， 由编号构建索引表， 索引 表的每一行由对应的面片编号及其属性组成； 对索引表中的所有面片进行上色， 索引表中第 一行面片对应的初始红色、 绿色、 蓝色赋 值方式分别为hR(x,y)＝0、 hG(x,y)＝12 5、 hB(x,y)＝15， 第二行对应面片的红色、 绿色、 蓝色 赋值方式分别为hR(x,y)＝0、 hG(x,y)＝125、 hB(x,y)＝35， 第三行对应面片的红色、 绿色、 蓝 色赋值方式分别为hR(x,y)＝0、 hG(x,y)＝125、 hB(x,y)＝55， 依次递增当hB(x,y)>255时hG (x,y)+25同时hB(x,y)＝hB(x,y)％255， 依次递增当hG(x,y)>255时hR(x,y)+30同时hG(x,y) ＝hG(x,y)％25 5； 在CATIA软件中设置背景与零件三维图像轮廓线条的显示参数， “填充”栏中的颜色设 置为0、 0、 0、 “线型”为1、“线宽”为2:0.8m m、“散射”、“反射”、“漫射”参数数值均为1.0 0； 基于CATIA二次开发功能， 设计零件全角度投影图像截屏工具， 设定零件包围球以经线 与纬线对应交点坐标的截图视点； 截图放大倍率为2、 初始任意经线位置为本初子午线、 东 经与西经范围0 ‑180°、 北纬与南纬范围0 ‑180°以10°为间隔对应坐标点截 取图像， 并获取全 角度投影图像； 定义由C++编程语言实现的像素信息字典diction ary， 字典中的数据用容器进行保存， 用于保存 满足不同灰度差异的像素点灰度数值及其 坐标值； 获取字典中以灰度为key保存的具有相同灰度像素点的坐标pixel(x,y)， 基于坐标信 息在同原始图像等尺寸的新建Scalar(124,251,164))灰度图像中绘制出满足关系的像素 点区域； 采用0阈值循环处 理的方式对获得的所有独立的彩色三 通道new_ima ge进行二 值化； 基于二值图像4邻域缩放图像差异获取图像的高频轮廓线区域。 对二值图像new_ image0‑1进行备份得到new_image10‑1， 对原二值图像的new_image0‑1进行高灰度区域4邻域 缩放操作得new_i mage20‑1， new_image10‑1与new_image20‑1进行对应像素位置点灰度值作差 得到高频轮廓线； 计算高频轮廓线图像0倾角最小包围矩形区域， 并截取矩形区域图像； 在截取的图像中重新给前景 区域3通道赋值， 对应的赋值方式为： R通道灰度值为221、 G 通道的灰度值 为169、 B通道的灰度值 为15， 基于处 理后的图像作为深度学习样本； 设计面片类别划分的深度学习分类网络与超参数， resnet50为特征提取的基础网络、 训练时设计的batch_size＝5、 num_cl ass＝6、 num_workers＝0、 train_dataset的shuffle ＝True、 validate_dataset的shuffle＝False、 loss_function＝nn.CrossEntropyLoss ()、 optimizer＝optim.Adam(net.parameters(),lr＝0.0001)、 初始best_accuracy＝ 0.0、 训练的epoc h＝106； 迭代训练并对每一个epoch对应的准确率accuracy、 损失loss、 网络更新后的参数进行 保存， 优选出 epoch对应的权 重参数， 对预测模型进行初始化； 载入预测图片， 并输入网络进行类别的判断， 得到结果1； 批处理预测不同视角下的图像， 并得到结果数据， 结果保持在字典中。 最后采用投票法权　利　要　求　书 1/4 页 2 CN 114882272 A 2将字典中相同面片在不同视角识别的结果进行融合， 得到更准确的面片类别信息数据， 作 为结果2， 以结果2作为 面片最后识别的结果。 2.如权利要求1所述的一种航空制造件全角度投影图像面片属性融合分析方法， 其特 征在于， 索引表中每一行 的第一列为对应的面片编号， 第二列为面片对应的红色灰度信息 hR(x,y)， 第三列为面片 对应的绿色灰度信息hG(x,y)， 第四列为面片 对应的蓝色灰度信息hB (x,y)， 第五列为 面片对应的尺寸大小Sizeslice。 3.如权利要求1所述的一种航空制造件全角度投影图像面片属性融合分析方法， 其特 征在于， 在 索引表中面片上色对应的第n行面片灰度值可用如下递推式子表示： 其中， timesR、 timesG、 timesB分别表示面片红色、 绿色、 蓝色通道对应倍增数， 对应的初 始值均为0 。 4.如权利要求1所述的一种航空制造件全角度投影图像面片属性融合分析方法， 其特 征在于， 显示参数的设置方式为在CATIA软件的左侧导航栏中选择 “零件几何体 ”， 然后选择 “属性”与“图像”，“填充”栏中的颜色设置为0、 0、 0， “边线”栏中的颜色为黑色对应的 “线型” 为1、“线宽”为2:0.8mm， “直线和曲线 ”栏中设置“颜色”为黑色、 对应 “线型”为1、“线宽”为2: 0.5mm， 隐藏三维图像中的所有点。 在 “菜单栏”中选中“视图”、“照明”， 在打开的 “光源”窗口 中选择“无光”， 对应的“散射”、“反射”、“漫射”参数数值均为1.0 0。 5.如权利要求1所述的一种航空制造件全角度投影图像面片属性融合分析方法， 其特 征在于， 在 “选择图片存储路径 ”选择“E:\11.所有项目数据集\5.快速程编\2021.12.30 ”， 在“选择图片存储格式 ”中选择“.png”格式保存图像， “其他参数设置 ”中的“经度范围 ”、“纬 度范围”、“缩放倍率 ”、“间隔分度 ”分别为360、 360、 2、 10， 点击 “开始”得到不同视角下零件 的投影图像。 6.如权利要求1所述的一种航空制造件全角度投影图像面片属性融合分析方法， 其特 征在于， 结构体的变量包含整形数组用于评价对应像素点所属灰度类别， 数组的大小设为 207406， 数组中所有元 素数值初始化全为1。 7.如权利要求1所述的一种航空制造件全角度投影图像面片属性融合分析方法， 其特 征在于， 整形数组的下标及其对应的元素构成key， 数组下标与对应数值标识关系， 可用如 下式子进行表示： arraylocation＝[hR(x,y)+11]*256+[hG(x,y)+14]*257+[hB(x,y)+17]*258    (2) array initializating→array[0‑207406]＝{1}                (3)权　利　要　求　书 2/4 页 3 CN 114882272 A 3