農(nóng)機(jī)虛擬裝配分類檢測(cè)網(wǎng)絡(luò)數(shù)據(jù)集構(gòu)建方法

李承恩，鄒湘軍，練國(guó)平，林俊強(qiáng)，張 坡，陳明猷，葉 磊

(華南農(nóng)業(yè)大學(xué) 工程學(xué)院，廣東 廣州 510642)

虛擬裝配可以縮短生產(chǎn)設(shè)計(jì)周期，降低開發(fā)成本[1-2]。在農(nóng)機(jī)關(guān)鍵零部件虛擬裝配中，單個(gè)零件若具備與其結(jié)構(gòu)對(duì)應(yīng)的碰撞體，可具備仿真物理屬性；而復(fù)雜結(jié)構(gòu)的零件無法自動(dòng)生成碰撞體，無法批量化、通用化地利用虛擬現(xiàn)實(shí)平臺(tái)強(qiáng)大的物理仿真功能進(jìn)行仿真測(cè)試。為了提高虛擬裝配的通用性和實(shí)用性，結(jié)合人工智能檢測(cè)識(shí)別技術(shù)，以農(nóng)機(jī)關(guān)鍵部件三維模型為樣本導(dǎo)入虛擬裝配平臺(tái)，通過構(gòu)建其樣本圖片數(shù)據(jù)集訓(xùn)練人工智能分類檢測(cè)網(wǎng)絡(luò)，對(duì)零件進(jìn)行分類檢測(cè)，從三維模型的采樣圖片中進(jìn)行零件的分類和碰撞體構(gòu)建參數(shù)的檢測(cè)；調(diào)用相關(guān)模塊化、參數(shù)化碰撞體自動(dòng)構(gòu)建程序[3]，建立農(nóng)機(jī)關(guān)鍵部件碰撞體模型[4-5]，用于批量化通用化生產(chǎn)測(cè)試。

構(gòu)建人工智能分類檢測(cè)網(wǎng)絡(luò)的圖片樣本數(shù)據(jù)集進(jìn)行訓(xùn)練，提高訓(xùn)練效率及檢測(cè)精度，輸出足夠精確的分類檢測(cè)參數(shù)，是亟需解決的首要問題[6]。首先，SolidWorks、UG、CATIA等三維建模平臺(tái)具備完善的參數(shù)化建模功能[7]，但其所建的三維模型在虛擬現(xiàn)實(shí)空間內(nèi)不具備仿真物理屬性[8]，需通過虛擬現(xiàn)實(shí)網(wǎng)絡(luò)實(shí)體建模技術(shù)賦予與三維模型貼合的碰撞體使其具備仿真物理屬性[9]；其次，相對(duì)于機(jī)器視覺[10-11]、點(diǎn)云重構(gòu)與建模[12-13]、分類識(shí)別檢測(cè)[14]和智能決策等[13,15-16]人工拍攝、錄制、標(biāo)記的采樣手段，虛擬空間內(nèi)的采樣手段不受時(shí)間、地點(diǎn)、自然條件、硬件設(shè)備等限制[14,17]，具備采樣環(huán)境條件可控、數(shù)據(jù)集精準(zhǔn)度高、可批量自動(dòng)處理等優(yōu)點(diǎn)[18]，同時(shí)農(nóng)機(jī)關(guān)鍵部件具備參數(shù)標(biāo)準(zhǔn)化、模型特征明確等優(yōu)點(diǎn)[7]，提升自動(dòng)構(gòu)建碰撞體的可行性。搜集三維模型數(shù)據(jù)，通過三維建模平臺(tái)宏命令接口批量轉(zhuǎn)換三維模型格式[13,19-21]并導(dǎo)入到虛擬現(xiàn)實(shí)引擎中進(jìn)行采樣，構(gòu)建人工智能檢測(cè)識(shí)別網(wǎng)絡(luò)的訓(xùn)練樣本圖片數(shù)據(jù)集，使用采樣優(yōu)化算法對(duì)采樣圖片進(jìn)行優(yōu)化，降低硬件資源損耗，提高網(wǎng)絡(luò)精度及訓(xùn)練效率[6,18,22]。

綜上所述，本文提出與虛擬裝配相結(jié)合的人工智能網(wǎng)絡(luò)樣本圖片數(shù)據(jù)集的構(gòu)建方法，對(duì)農(nóng)機(jī)三維模型樣本及采樣環(huán)境進(jìn)行優(yōu)化[17]，設(shè)計(jì)批量處理算法、零件坐標(biāo)系調(diào)整算法，改進(jìn)零件采樣算法，在Unity3D中進(jìn)行樣本數(shù)據(jù)采集，通過單一變量原則驗(yàn)證該方法每個(gè)步驟對(duì)分類檢測(cè)網(wǎng)絡(luò)訓(xùn)練精度、迭代次數(shù)、收斂結(jié)果的影響，通過驗(yàn)證對(duì)碰撞體構(gòu)建的相關(guān)參數(shù)檢測(cè)結(jié)果的精度，為結(jié)合人工智能開發(fā)虛擬裝配平臺(tái)、提高虛擬裝配通用性和實(shí)用性提供參考[9]。

1 樣本圖片數(shù)據(jù)集優(yōu)化處理算法

網(wǎng)絡(luò)及現(xiàn)有數(shù)據(jù)庫(kù)需要進(jìn)行批量格式轉(zhuǎn)換才能導(dǎo)入虛擬現(xiàn)實(shí)平臺(tái)進(jìn)行三維模型樣本采樣，構(gòu)建樣本圖片數(shù)據(jù)集，流程如圖1。

圖1 三維模型樣本批量格式轉(zhuǎn)換Fig.1 Batch format conversion of 3D model sample

由于三維模型樣本坐標(biāo)系、姿態(tài)等差異極大，需要對(duì)其進(jìn)行坐標(biāo)系調(diào)整、姿態(tài)調(diào)整，使樣本符合選取的采樣條件，設(shè)計(jì)批量預(yù)處理算法及改進(jìn)歸一化算法，批量處理樣本；同時(shí)改進(jìn)隨機(jī)算法，控制采樣，增加樣本圖片數(shù)據(jù)集的采樣質(zhì)量及豐富度。處理流程見圖2。

圖2 數(shù)據(jù)集優(yōu)化處理算法總架構(gòu)及流程Fig.2 General framework and flow path of data set enhancement algorithm

1.1 設(shè)計(jì)批量預(yù)處理算法重建樣本坐標(biāo)系

通過Unity3D內(nèi)置包圍盒-立方體、球體、車輪體、網(wǎng)格體，檢測(cè)樣本的大致尺寸；歸納總結(jié)樣本種類為軸承、緊固環(huán)、嚙合套、軸套、齒輪、軸、撥叉，大部分為旋轉(zhuǎn)體結(jié)構(gòu)；結(jié)合分析Unity3D內(nèi)置包圍盒，網(wǎng)格體包圍盒因面片多、結(jié)構(gòu)復(fù)雜對(duì)內(nèi)存消耗大，且不支持非凸體網(wǎng)格實(shí)體，具備剛體屬性，球體及車輪體包圍盒幾何外形與樣本貼合程度不高。綜上分析，選擇立方體包圍盒及剛體組件并進(jìn)行尺寸估算，調(diào)整樣本縮放比例。

1.1.1 批量預(yù)處理算法原理及過程 由于樣本建模原點(diǎn)與質(zhì)心不重合、采樣姿態(tài)不規(guī)則，樣本出現(xiàn)超出采樣空間、特征殘缺等現(xiàn)象，影響樣本質(zhì)量及網(wǎng)絡(luò)檢測(cè)精度，需要重建三維模型樣本在虛擬現(xiàn)實(shí)中的自身坐標(biāo)系。

獲取樣本包圍盒質(zhì)心的世界坐標(biāo)[23]，改進(jìn)立體相交掃描算法，通過有限次迭代建立以立方體包圍盒質(zhì)心為原點(diǎn)的正交坐標(biāo)軸系。其流程(圖3)及公式如下所示。

圖3 計(jì)算包圍盒正交坐標(biāo)系Fig.3 Calculate the bounding box orthogonal coordinate system

公式(1)到(8)為簡(jiǎn)化改進(jìn)后的霍夫直線檢測(cè)過程[24]：通過控制剛體平面旋轉(zhuǎn)與立方體包圍盒相交，檢測(cè)剛體平面內(nèi)的碰撞邊界點(diǎn)；當(dāng)存在4條直線邊界，計(jì)算直線簇圍成的多邊形長(zhǎng)寬比和斜率比；當(dāng)直線兩兩平行且對(duì)邊相等，則此時(shí)剛體平面法向?yàn)橘|(zhì)心坐標(biāo)軸系的其中一個(gè)軸，取此軸為公式(1)的剛體平面法向量，重復(fù)以上流程再通過叉乘求解剩余坐標(biāo)軸，便可求解零件質(zhì)心正交軸系。過程示意圖如圖4：藍(lán)色邊框上按公式(2)進(jìn)行等距取點(diǎn)，并使用霍夫直線檢測(cè)直線數(shù)量。

圖4 坐標(biāo)軸系建立部分過程示意圖Fig.4 Schematic diagram of partial process of coordinate axes establishment

經(jīng)過父物體包裹進(jìn)行坐標(biāo)轉(zhuǎn)換，使樣本包圍盒質(zhì)心坐標(biāo)系重合，公式如下：

公式(9)至(12)分別對(duì)質(zhì)心坐標(biāo)系各軸進(jìn)行旋轉(zhuǎn)平移實(shí)現(xiàn)坐標(biāo)轉(zhuǎn)換。通過重建質(zhì)心坐標(biāo)系，使零件質(zhì)心坐標(biāo)系原點(diǎn)坐標(biāo)處于關(guān)鍵裝配基準(zhǔn)位置。撥叉的質(zhì)心坐標(biāo)系原點(diǎn)在其軸孔位置中心基準(zhǔn)軸上(圖5)，為關(guān)鍵裝配位置。各類零件(撥叉、緊固環(huán)、軸、齒輪)創(chuàng)建立方體包圍盒初始狀態(tài)如圖6所示，包圍盒默認(rèn)按照最小體積計(jì)算，包圍盒邊緣與零件質(zhì)心坐標(biāo)系坐標(biāo)軸平行，重建零件質(zhì)心坐標(biāo)系各坐標(biāo)軸即可求解立方體包圍盒各邊的方向。

圖5 調(diào)整坐標(biāo)系Fig.5 Adjust the coordinate system

圖6 創(chuàng)建包圍盒Fig.6 Create the bounding box

1.2 改進(jìn)歸一化算法控制樣本尺寸

由于不同平臺(tái)格式轉(zhuǎn)換比例不一致，樣本尺寸相差較大影響樣本圖片數(shù)據(jù)集的特征清晰度?；跀?shù)據(jù)集歸一化思想，控制樣本尺寸處于較小尺寸范圍內(nèi)。

1.2.1 歸一化參數(shù)選?。?樣本三維模型通過虛擬相機(jī)進(jìn)行采樣，構(gòu)建圖片數(shù)據(jù)集，其尺寸與虛擬相機(jī)分辨率緊密關(guān)聯(lián)；而樣本圖片數(shù)據(jù)輸入人工智能網(wǎng)絡(luò)中進(jìn)行訓(xùn)練受到GPU顯存的限制，無法使用太高分辨率的樣本圖片進(jìn)行訓(xùn)練，需采用常用訓(xùn)練集圖片分辨率。統(tǒng)計(jì)包圍盒尺寸屬性，估算數(shù)據(jù)樣本最大尺寸，擬定樣本最佳歸一化尺寸及相機(jī)采樣分辨率。部分包圍盒最大尺寸數(shù)據(jù)如下：gear_ (490)1.911 100，gear_ (491) 4.714 046，gear_ (492)1.683 589，gear_ (493) 1.020 409。

當(dāng)縮放比小于1，部分樣本采樣效果比圖7a更小，無法分辨其特征，如圖7e；當(dāng)縮放比大于6，則部分樣本超出采樣空間，特征殘缺，如圖7f。調(diào)整樣本縮放倍數(shù)至1到6，擬定960 × 960分辨率的虛擬相機(jī)進(jìn)行采集，選取其中差異明顯，且特征保留及清晰程度相對(duì)合理的縮放比例對(duì)比如圖7。

通過圖7對(duì)比，圖a為原始比例，圖b縮放比為2，圖c縮放比為4，圖d縮放比為6，虛擬相機(jī)的采樣分辨率為960 × 960。當(dāng)縮放比為 4時(shí)，樣本投影面積占樣本圖片面積的比例約為40%～60%，特征保留清晰；當(dāng)縮放比小于4時(shí)，特征面積占圖片總面積的比例小于40%，特征保留程度相對(duì)較低；當(dāng)縮放比大于4時(shí)，少數(shù)樣本也易超出采樣空間，特征殘缺。選取縮放比例為4的任意樣本進(jìn)行測(cè)試，效果如圖8所示。

圖7 樣本不同縮放比例效果對(duì)比Fig.7 Effect comparison of different sample zoom levels

圖8 縮放比例為4的樣本Fig.8 Sample with zoom level of four

1.2.2 改進(jìn)歸一化算法原理及過程 首先遍歷預(yù)處理采集樣本三維模型包圍盒尺寸，調(diào)整縮放比例，使尺寸在較小范圍內(nèi)波動(dòng)。公式如下：

處理后獲得在最佳尺寸小范圍波動(dòng)的樣本數(shù)據(jù)集合。歸一化縮放比導(dǎo)出不同樣本對(duì)應(yīng)的縮放比，如下所示；gear_ (490) 2.09，gear_ (491) 0.85，gear_ (492) 2.38，gear_ (493) 3.92。處理前后效果如圖9、10所示。通過縮放處理的零件的整體輪廓大小相近，在采樣時(shí)可獲取圖7c中較為清晰且特征比例合適的圖像特征效果。

圖9 縮放前樣本Fig.9 Samples before scaling

1.3 采樣空間優(yōu)化與設(shè)計(jì)

設(shè)置透視及正交投影2種虛擬相機(jī)的采樣陣列，采用樣本正交角度位姿及隨機(jī)位姿2種采樣形式，對(duì)比訓(xùn)練效果。

1.3.1 布置虛擬相機(jī)陣列 Unity3D 內(nèi)置 2 種虛擬相機(jī)：透視相機(jī)及正交投影相機(jī)。2種相機(jī)采樣方式如圖11。圖11a為透視相機(jī)，圖11b為正交投影相機(jī)。因透視相機(jī)采樣受物體位姿位置影響較大，故訓(xùn)練及識(shí)別分類過程的采樣均采用正交投影相機(jī)。

圖11 透視相機(jī)(a)及正交投影相機(jī)(b)Fig.11 Perspective camera (a) and orthogonal projection camera (b)

基于三視圖，對(duì)零件的正視圖、俯視圖、左視圖、右視圖進(jìn)行采樣，降低網(wǎng)絡(luò)識(shí)別檢測(cè)難度。對(duì)應(yīng)不同種類零件，設(shè)置多個(gè)相機(jī)陣列，采樣空間為3個(gè)立方體作布爾運(yùn)算相交所得的立方體空間，即圖12a紅色框，對(duì)應(yīng)圖12b的布置示意圖。

1.3.2 采樣環(huán)境及空間優(yōu)化 真實(shí)環(huán)境下采樣數(shù)據(jù)集受背景環(huán)境雜亂影響，需要進(jìn)行降噪等預(yù)處理減少對(duì)訓(xùn)練效率及識(shí)別精度的影響；而在虛擬環(huán)境下采樣，無噪點(diǎn)、相機(jī)畸變等影響因素可通過采樣環(huán)境渲染優(yōu)化提升數(shù)據(jù)集質(zhì)量，如采用純黑色背景，選取光線反射低、顏色單一且無紋理的材質(zhì)，添加充足的光源等。

1.4 改進(jìn)隨機(jī)算法提升數(shù)據(jù)豐富度

1.4.1 求解采樣空間 使用正視、左視、右視、俯視4個(gè)正交方向進(jìn)行正交投影相機(jī)的布置，每個(gè)相機(jī)的采樣范圍相交為一個(gè)封閉的長(zhǎng)方體空間。封閉的長(zhǎng)方體空間尺寸取決于每個(gè)相機(jī)的采樣位置及分辨率大小，示意圖如圖12所示。

圖12 相機(jī)陣列Fig.12 Camera array

考慮到網(wǎng)絡(luò)訓(xùn)練效率，選取常用采樣分辨率2 560 × 2 560、1 960 × 1 960、1 440 × 1 440、960 ×960、480 × 480、320 × 320 這 6 種尺寸，分別進(jìn)行試驗(yàn)，獲取圖片樣本進(jìn)行訓(xùn)練，分析分辨率與顯存之間的關(guān)系對(duì)訓(xùn)練過程的影響以及分辨率對(duì)樣本特征清晰度的影響，選取最適合本開發(fā)平臺(tái)計(jì)算機(jī)及使用的深度學(xué)習(xí)網(wǎng)絡(luò)的樣本圖片分辨率，各訓(xùn)練曲線如圖13所示。

圖13 不同分辨率的訓(xùn)練曲線Fig.13 Training curve with different resolutions

表1對(duì)比分析圖片分辨率與顯存的關(guān)系：當(dāng)分辨率為960 × 960以上時(shí)，在開發(fā)環(huán)境為CPU英特爾i5-9400m、內(nèi)存32 G、GPU英偉達(dá)1650super條件下，以每次迭代抓取32個(gè)樣本進(jìn)行訓(xùn)練，將出現(xiàn)顯存不足等問題，若減少抓取樣本個(gè)數(shù)，則出現(xiàn)迭代過慢等問題；當(dāng)分辨率處于480 × 480以下時(shí)，損失值大，不收斂。

表1 不同分辨率的訓(xùn)練數(shù)據(jù)Table 1 Training data with different resolutions

圖14采用基于邊緣信息空間域[25]方法檢測(cè)不同分辨率樣本圖片中特征強(qiáng)邊緣擴(kuò)散程度，以此為指標(biāo)對(duì)比樣本圖片的分辨率對(duì)保留樣本特征的影響。使用水平及豎直sobel算子對(duì)進(jìn)行梯度二值化處理，獲得圖像水平及豎直方向上強(qiáng)邊緣，強(qiáng)邊緣特征占圖片總像素比例越高，表示強(qiáng)邊緣擴(kuò)散程度越高，則清晰度越低，反之亦然。隨機(jī)選取某零件的各分辨率采樣圖片進(jìn)行強(qiáng)邊緣特征檢測(cè)處理，處理結(jié)果如圖14所示，使用OpenCV逐個(gè)像素檢測(cè)，統(tǒng)計(jì)所有不為黑色RGB值的像素的數(shù)量占圖片總像素的比例，不同分辨率強(qiáng)邊緣像素占比分別為320 ×320：12.40%，480 × 480：9.68%，960 × 960：8.32%，1 440 × 1 440：24.57%，1 960 × 1 960：22.76%，2 560 ×2 560：15.49%。得出如下結(jié)論：在遵循特征清晰度足夠高的前提下，選取960 × 960為最適分辨率，其對(duì)應(yīng)的采樣尺寸為最佳樣本歸一化尺寸，相對(duì)于480 × 480及其余分辨率，此分辨率的保留特征清晰度高，訓(xùn)練迭代效率相對(duì)合理。此時(shí)采樣空間對(duì)應(yīng)為 960 × 960 × 960 的立方體空間，如圖12a。

圖14 不同分辨率樣本強(qiáng)邊緣檢測(cè)處理結(jié)果Fig.14 Strong edge detection processing results of samples with different resolutions

1.4.2 改進(jìn)隨機(jī)算法原理及過程 通過網(wǎng)絡(luò)搜集及數(shù)據(jù)庫(kù)積累的樣本數(shù)量有限，無法進(jìn)一步提升訓(xùn)練集數(shù)量級(jí)。在相機(jī)陣列進(jìn)行采樣時(shí)，對(duì)樣本進(jìn)行旋轉(zhuǎn)、平移，可使相機(jī)陣列獲取到零件不同位姿不同角度的樣本，提升樣本數(shù)量級(jí)。

為了保證數(shù)據(jù)集保留完整的樣本特征，需要限制樣本隨機(jī)采樣位置位姿不超出采樣空間，對(duì)樣本隨機(jī)采樣范圍進(jìn)行計(jì)算，公式如下：

首先，對(duì)采樣空間進(jìn)行空間定位，設(shè)置零件位置為采樣空間立方體的幾何中心，按照公式(14)至(17)對(duì)零件進(jìn)行隨機(jī)移動(dòng)及旋轉(zhuǎn)。樣本隨機(jī)處理后效果如圖15。

圖15 隨機(jī)位姿所得樣本Fig.15 Samples with random pose

2 結(jié)果與分析

2.1 優(yōu)化網(wǎng)絡(luò)訓(xùn)練效率驗(yàn)證

對(duì)三維模型樣本坐標(biāo)系轉(zhuǎn)換、尺寸歸一化、采樣空間優(yōu)化、隨機(jī)采樣等處理步驟進(jìn)行單一變量驗(yàn)證，使用同種網(wǎng)絡(luò)訓(xùn)練并檢測(cè)驗(yàn)證精度、收斂時(shí)長(zhǎng)、迭代次數(shù)，以檢驗(yàn)各步驟對(duì)識(shí)別網(wǎng)絡(luò)效率提升的作用大小。設(shè)置坐標(biāo)轉(zhuǎn)換為A，尺寸歸一化為B，采樣空間優(yōu)化為C，隨機(jī)采樣處理為D，檢測(cè)驗(yàn)證精度為 Accuracy，驗(yàn)證損失值 Loss value，采用GoogLeNet多分類網(wǎng)絡(luò)，迭代次數(shù)預(yù)設(shè)為200次，每種零件樣本數(shù)量為500個(gè)，共7類，以各零件名稱為標(biāo)簽，測(cè)試集樣本每種50個(gè)，設(shè)置EarlyStopping損失值在一定條件判斷為不再下降則停止訓(xùn)練。結(jié)果如表2所示。

表2 部分檢測(cè)數(shù)據(jù)Table 2 Part of the test data

如表2所示，不進(jìn)行樣本三維模型坐標(biāo)轉(zhuǎn)換及尺寸歸一化，網(wǎng)絡(luò)不收斂。其原因在于樣本特征清晰度差；不進(jìn)行采樣空間優(yōu)化，網(wǎng)絡(luò)識(shí)別精度下降；位姿處理對(duì)網(wǎng)絡(luò)識(shí)別精度影響較小但網(wǎng)絡(luò)收斂，其精度略低，其原因在于訓(xùn)練樣本特征不完整，泛化性較差；空白對(duì)照組通過未經(jīng)處理的樣本圖片訓(xùn)練檢測(cè)識(shí)別網(wǎng)絡(luò)，網(wǎng)絡(luò)不收斂且精度極低。綜上所述，采取完整步驟處理圖片數(shù)據(jù)集對(duì)訓(xùn)練有顯著提高。ABCD處理的訓(xùn)練過程損失值及精確值如圖16。

圖16 損失值及精確值迭代變化過程Fig.16 Iterative change process of loss value and accuracy

2.2 檢測(cè)數(shù)據(jù)精度驗(yàn)證

通過人工智能識(shí)別檢測(cè)網(wǎng)絡(luò)，對(duì)三維模型樣本圖片進(jìn)行檢測(cè)識(shí)別，先識(shí)別零件種類，再使用OpenCV檢測(cè)相關(guān)尺寸參數(shù)，通過預(yù)先構(gòu)建好的參數(shù)化建模程序[9]分別對(duì)不同零件的不同參數(shù)進(jìn)行檢測(cè)。以圓柱齒輪為例，對(duì)部分同種三維模型的正交圖片樣本進(jìn)行檢測(cè)對(duì)比驗(yàn)證，檢測(cè)結(jié)果數(shù)據(jù)如表3所示。圖17a為采樣檢測(cè)的正交圖片，圖17b為檢測(cè)結(jié)果。白色豎線代表每段齒面特征的齒頂圓半徑，豎線端點(diǎn)為齒寬中心與齒輪軸線的交點(diǎn)，通過OpenCV算法處理獲取齒頂圓半徑及齒面特征的相對(duì)位置。在此檢測(cè)基礎(chǔ)上，通過參數(shù)化建模接口及其余參數(shù)的檢測(cè)程序進(jìn)行碰撞體建模。于尺寸歸一化后樣本經(jīng)過縮放處理后，樣本圖片單個(gè)像素代表的單位長(zhǎng)度也隨之增大，對(duì)單個(gè)像素檢測(cè)產(chǎn)生的誤差由此累積，這是誤差放大的主要原因。

圖17 OpenCV檢測(cè)相關(guān)參數(shù)示意圖Fig.17 Schematic diagram of parameters related to OpenCV detection

表3 部分三維模型檢測(cè)數(shù)據(jù)Table 3 Partial inspection data of 3D model

由檢測(cè)數(shù)據(jù)可得：相對(duì)誤差總體不超過2%，即零件特征實(shí)際檢測(cè)尺寸的偏差小于理論尺寸的2%。隨著三維模型尺寸增大，誤差也略微增大；原因在

3 結(jié)論與展望

為了提高虛擬裝配的實(shí)用性和通用性，構(gòu)建優(yōu)化算法處理虛擬樣本圖片數(shù)據(jù)集，通過批量轉(zhuǎn)換格式、重建三維模型坐標(biāo)系、歸一化樣本三維模型尺寸、優(yōu)化采樣環(huán)境及使用多相機(jī)并行采樣等提升檢測(cè)識(shí)別網(wǎng)絡(luò)訓(xùn)練效率及檢測(cè)精度，檢測(cè)識(shí)別相關(guān)參數(shù)進(jìn)行碰撞體建模；使用單一變量原則對(duì)每個(gè)步驟的作用效果進(jìn)行對(duì)比驗(yàn)證，說明其影響性。試驗(yàn)證明，此方法處理的樣本圖片數(shù)據(jù)集有效提升網(wǎng)絡(luò)識(shí)別檢測(cè)精度，人工智能網(wǎng)絡(luò)訓(xùn)練效率及分類識(shí)別精度得到有效提升。本方法可應(yīng)用于更高級(jí)的人工智能網(wǎng)絡(luò)及更復(fù)雜的參數(shù)檢測(cè)程序，實(shí)現(xiàn)全自動(dòng)農(nóng)機(jī)部件的碰撞體建模及裝配方案的仿真測(cè)試。