輪廓提取的案例
Abaqus中多相材料不規(guī)則表面輪廓提取
因此，對(duì)切削表面的輪廓提取是有必要的。
在Abaqus中，在后處理過程中，輪廓提取可以采用多種方式，例如建立路徑和導(dǎo)出連續(xù)節(jié)點(diǎn)坐標(biāo)。但是多相材料建模通常采用不同的Part最后Assembly得到，建立路徑只能在獨(dú)立的Part中進(jìn)行。除此之外，網(wǎng)格劃分與一般的規(guī)則形狀得到的網(wǎng)格也不相同，多相材料劃分得到的網(wǎng)格往往并不規(guī)則，因此導(dǎo)出連續(xù)節(jié)點(diǎn)也是不現(xiàn)實(shí)的。因此，要想導(dǎo)出多相復(fù)合材料的表面輪廓需要尋求一種別的方式。
本篇小節(jié)只要針對(duì)多相復(fù)合材料的切削表面輪廓進(jìn)行講述，所使用的軟件包括Abaqus、AutoCAD、Excel和Origin。除了Abaqus切削仿真表面輪廓提取，也可對(duì)一些其它復(fù)雜形狀和結(jié)構(gòu)的輪廓提取做出指導(dǎo)意義。
2 提取過程
如圖1所示為所選擇的一個(gè)案例的最終切削結(jié)果，其中顆粒和基體是單獨(dú)的Part，切削表面并不平整。提取目標(biāo)既最上面的一條輪廓曲線。要求：其中某一條線的實(shí)際長(zhǎng)度。
圖1 樣件的切削結(jié)果
第一步：在Abaqus Visualization界面下選擇命令Plot Deformed Shape，再點(diǎn)擊命令Render Model: Wireframe，得到如圖2所示的線框圖。
展開 如何提取CAD的外形輪廓？
在CAD設(shè)計(jì)領(lǐng)域中，精準(zhǔn)提取圖形的外輪廓是進(jìn)行模具加工、激光切割和三維建模的基礎(chǔ)性工作，也是實(shí)現(xiàn)設(shè)計(jì)數(shù)據(jù)向生產(chǎn)工藝轉(zhuǎn)化的關(guān)鍵步驟。當(dāng)處理復(fù)雜裝配體或有機(jī)形狀時(shí)，如何高效獲取準(zhǔn)確的二維輪廓信息，直接影響后續(xù)制造的精度和效率。本教程將深入解析CAD如何快速且精準(zhǔn)的提取圖形外輪廓，幫助小伙伴們高效完成設(shè)計(jì)工作。
問題描述：
如何提取圖形的輪廓？如下圖
步驟指引：
1.在圖形外部繪制一個(gè)矩形，把需要提取外輪廓從圖形框起來，如下圖所示
2.點(diǎn)擊菜單【繪圖-邊界】（【BOUNDARY】命令），在彈出的對(duì)話框中，點(diǎn)擊【選擇區(qū)域】按鈕
3.點(diǎn)擊矩形和要提取輪廓的圖形的中間區(qū)域，如下圖箭頭所示位置，就可以生成封閉區(qū)域的輪廓線；
4.把矩形刪掉，剩下就是所需要的外輪廓。
本文的分享就到這里，希望能為你提供實(shí)用的信息。感謝你的耐心閱讀，歡迎留言交流！
展開 基于MATLAB的圖像處理與圓弧擬合技術(shù)
關(guān)鍵詞：MATLAB；圖像處理，Canny邊緣檢測(cè)，輪廓提取，最小二乘法擬合，圓弧識(shí)別
在現(xiàn)代工業(yè)和科研領(lǐng)域，對(duì)圖像進(jìn)行精確分析和處理的需求日益增長(zhǎng)。特別是在質(zhì)量控制、自動(dòng)化檢測(cè)和機(jī)器視覺等領(lǐng)域，對(duì)圖像中特定形狀的識(shí)別和測(cè)量變得尤為重要。本文將介紹一種基于MATLAB的圖像處理技術(shù)，該技術(shù)能夠?qū)D像進(jìn)行Canny邊緣檢測(cè)，輪廓提取，并使用最小二乘法擬合圓弧，以實(shí)現(xiàn)對(duì)圖像中圓弧部分的精確測(cè)量。這一技術(shù)在汽車制造、航空航天以及精密儀器檢測(cè)等多個(gè)領(lǐng)域具有廣泛的應(yīng)用前景。
技術(shù)概述
本技術(shù)的核心在于利用MATLAB的強(qiáng)大圖像處理功能，對(duì)給定的圖像進(jìn)行Canny邊緣檢測(cè)，以識(shí)別圖像中的邊緣信息。Canny邊緣檢測(cè)是一種流行的邊緣檢測(cè)算法，以其良好的檢測(cè)效果和抗噪能力而被廣泛使用。通過此算法，我們可以清晰地識(shí)別出圖像中的邊緣部分，為后續(xù)的輪廓提取和圓弧擬合打下基礎(chǔ)。
實(shí)現(xiàn)步驟
圖像讀取與預(yù)處理：首先，我們讀取待處理的圖像，并將其轉(zhuǎn)換為灰度圖像，以減少計(jì)算復(fù)雜度并提高處理速度。
Canny邊緣檢測(cè)：利用MATLAB內(nèi)置的edge函數(shù)，對(duì)灰度圖像應(yīng)用Canny邊緣檢測(cè)算法，得到圖像的邊緣信息。
輪廓提取：通過bwboundaries函數(shù)提取圖像中所有輪廓的坐標(biāo)點(diǎn)，并假設(shè)目標(biāo)圓弧為最大輪廓，對(duì)其進(jìn)行識(shí)別和提取。
最小二乘法擬合圓：對(duì)提取的圓弧輪廓點(diǎn)，使用最小二乘法擬合圓的方程，計(jì)算出圓心坐標(biāo)和半徑。
結(jié)果輸出與顯示：最后，輸出擬合圓的半徑和圓心坐標(biāo)，并在原圖上顯示擬合結(jié)果，以直觀展示圓弧擬合的準(zhǔn)確性。
圖1 方法流程圖
最小二乘法擬合原理如下：
圓的方程
擬合圓的標(biāo)準(zhǔn)方程為：(x-xc)^2+(y-yc)^2=r^2
其中，(xc, yc)是圓心坐標(biāo)，r是圓半徑。
展開 Radan-Radprofile激光切割特點(diǎn)
· 易學(xué)易用的Windows應(yīng)用風(fēng)格
? 數(shù)據(jù)交換可以從DXF、DWG或IGES文件直接拖拽，并批量處理
? 完全自動(dòng)的加工輪廓提取
? 靈活切入、切出、微連接以及過燒設(shè)置
? 拖拽切入和切出到一個(gè)理想的位置
? 考慮最安全的切入點(diǎn)放置
? 柵格孔的熱集中避讓
? 切入切出的長(zhǎng)度根據(jù)排料自動(dòng)調(diào)整
? 包含切割參數(shù)的材料數(shù)據(jù)庫
? 支持激光機(jī)床的飛行切割和預(yù)炸孔功能
? 共邊切割功能
? 余料自動(dòng)切斷和廢料破碎
? 完全自動(dòng)的多零件排料
? 避免危險(xiǎn)的切割順序優(yōu)化，多種角部循環(huán)處理和過切設(shè)置
? 不銹鋼板材保護(hù)膜的二次切割功能
? 支持橋接、連割等功能
? 手動(dòng)排料中的自動(dòng)防重迭功能
? 指定區(qū)域內(nèi)排樣，也可以指定某種零件在當(dāng)前板料中布滿
? 針對(duì)各種字體的雕刻功能
? 采用快速估算零件制造成本
? 項(xiàng)目管理功能
? MRP接口
展開 
Radan 激光切割特點(diǎn)
? 易學(xué)易用的Windows應(yīng)用風(fēng)格
? 數(shù)據(jù)交換可以從DXF、DWG或IGES文件直接拖拽，并批量處理
? 完全自動(dòng)的加工輪廓提取
? 靈活切入、切出、微連接以及過燒設(shè)置
? 拖拽切入和切出到一個(gè)理想的位置
? 考慮最安全的切入點(diǎn)放置
? 柵格孔的熱集中避讓
? 切入切出的長(zhǎng)度根據(jù)排料自動(dòng)調(diào)整
? 包含切割參數(shù)的材料數(shù)據(jù)庫
? 支持激光機(jī)床的飛行切割和預(yù)炸孔功能
? 共邊切割功能
? 余料自動(dòng)切斷和廢料破碎
? 完全自動(dòng)的多零件排料
? 避免危險(xiǎn)的切割順序優(yōu)化，多種角部循環(huán)處理和過切設(shè)置
? 不銹鋼板材保護(hù)膜的二次切割功能
? 支持橋接、連割等功能
? 手動(dòng)排料中的自動(dòng)防重迭功能
? 指定區(qū)域內(nèi)排樣，也可以指定某種零件在當(dāng)前板料中布滿
? 針對(duì)各種字體的雕刻功能
? 采用快速估算零件制造成本
? 項(xiàng)目管理功能
? MRP接口
展開 如何獲得CAD點(diǎn)云對(duì)象的截面和輪廓?
在 CAD 中獲取點(diǎn)云對(duì)象的截面和輪廓，需結(jié)合
內(nèi)置工具 + 專業(yè)插件 + 自動(dòng)化腳本，以下是分場(chǎng)景的實(shí)戰(zhàn)操作指南，附具體命令和參數(shù)：
一、基礎(chǔ)操作：CAD 內(nèi)置截面工具（適合簡(jiǎn)單點(diǎn)云）
1. 加載點(diǎn)云并創(chuàng)建截面（5 分鐘 / 個(gè)截面）
步驟：
① 輸入 POINTCLOUD 加載點(diǎn)云文件（.rcp/.rcs）
② 輸入 SECTIONPLANE → 選擇點(diǎn)云 → 繪制剖切平面（如 XY 平面 Z=100）
③ 右鍵截面平面 → 選擇「生成二維 / 三維截面」→ 勾選「點(diǎn)云截面」
關(guān)鍵設(shè)置：
采樣距離：0.1m（根據(jù)點(diǎn)云密度調(diào)整，越小輪廓越精細(xì)）
輸出類型：選擇「多段線」（便于編輯）或「樣條曲線」（更平滑）
2. 提取輪廓線（從截面到 CAD 對(duì)象）
操作：
① 選中截面平面 → 右鍵「顯示截面夾點(diǎn)」→ 拖動(dòng)調(diào)整剖切位置
② 輸入 PCPROFILE → 選擇點(diǎn)云 → 框選截面區(qū)域
③ 在「提取點(diǎn)云輪廓」對(duì)話框中，設(shè)置：
最小間距：0.2m（過濾噪點(diǎn)）
最大角度：45°（識(shí)別尖銳邊緣）
④ 確認(rèn)后生成閉合多段線，自動(dòng)創(chuàng)建「點(diǎn)云輪廓」圖層
二、進(jìn)階方案：ReCap Pro 深度處理（適合復(fù)雜點(diǎn)云）
1.
展開 RoadMap:一種用于自動(dòng)駕駛視覺定位的輕質(zhì)語義地圖（ICRA2021）
由于語義地圖可以通過輪廓有效地呈現(xiàn)，我們使用輪廓提取來壓縮地圖。首先，我們生成語義地圖的俯視圖像。每個(gè)像素都呈現(xiàn)出一個(gè)網(wǎng)格。其次，提取每個(gè)語義組的輪廓。最后，等高線點(diǎn)被保存并分發(fā)到生產(chǎn)車中。
User-End Localization
Map Decompression
當(dāng)終端用戶收到壓縮的地圖時(shí)，語義地圖是由等高線點(diǎn)解壓而成。在俯視圖像平面中，我們用相同的語義標(biāo)簽填充等高線內(nèi)的點(diǎn)。然后，每個(gè)有標(biāo)簽的像素被從圖像平面恢復(fù)到世界坐標(biāo)系中。
ICP Localization
這個(gè)語義圖被進(jìn)一步用于定位。與建圖程序類似，語義點(diǎn)是由前視圖像分割生成的，并投影到車輛坐標(biāo)系中。然后，通過將當(dāng)前特征點(diǎn)與地圖相匹配來估計(jì)車輛的當(dāng)前位姿。估算采用了ICP方法，可以寫成以下公式:
最后采用了一個(gè)EKF框架，它將里程計(jì)和視覺定位結(jié)果融合在一起。濾波器不僅提高了定位的魯棒性，而且還平滑了估計(jì)的軌跡。
Experimental Results
Map Production
實(shí)驗(yàn)車輛配備了RTK-GPS、前視攝像頭、IMU和輪速里程計(jì)的車輛被用于建圖。多輛車同時(shí)在城市區(qū)域內(nèi)運(yùn)行，車上的地圖通過網(wǎng)絡(luò)上傳到云服務(wù)器上。
Map Production
實(shí)驗(yàn)地區(qū)的道路網(wǎng)總長(zhǎng)度為22公里。原始語義地圖的整體大小為16.7 MB。壓縮后的語義地圖的大小為0.786 MB。壓縮后的語義地圖的平均大小為36KB/KM。下圖顯示了地圖更新進(jìn)展的一個(gè)詳細(xì)例子。該地區(qū)的車道線被重新繪制。圖(a)顯示的是原始車道線。圖(b)顯示了重新繪制后的車道線。重新繪制的區(qū)域在紅圈中被突出顯示。圖(c)為原始語義圖。圖(d)顯示了正在更新的語義地圖。新的車道線逐漸取代了舊的車道線。
展開 一文概括機(jī)器視覺常用算法以及常用開發(fā)庫
如強(qiáng)化圖像高頻分量，可使圖像中物體輪廓清晰，細(xì)節(jié)明顯；如強(qiáng)化低頻分量可減少圖像中噪聲影響。
灰度變換增強(qiáng)（線性灰度變換、分段線性灰度變換、非線性灰度變換）；
直方圖增強(qiáng)（直方圖統(tǒng)計(jì)、直方圖均衡化）；
圖像平滑/降噪（鄰域平均法、加權(quán)平均法、中值濾波、非線性均值濾波、高斯濾波、雙邊濾波）；
圖像（邊緣）銳化：梯度銳化，Roberts算子、Laplace算子、Sobel算子等；
3、紋理分析（取骨架、連通性）；
4、圖像分割：
圖像分割是將圖像中有意義的特征部分提取出來，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進(jìn)一步進(jìn)行圖像識(shí)別、分析和理解的基礎(chǔ)。
展開 收藏 | 深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用總結(jié)
計(jì)算機(jī)視覺需要圖像預(yù)處理，比如特征提取，包括特征點(diǎn)，邊緣和輪廓之類。以前做跟蹤和三維重建，首先就得提取特征。特征點(diǎn)以前成功的就是SIFT/SURF/FAST之類，現(xiàn)在完全可以通過CNN形成的特征圖來定義。
邊緣和輪廓的提取是一個(gè)非常tricky的工作，細(xì)節(jié)也許就會(huì)被過強(qiáng)的圖像線條掩蓋，紋理（texture）本身就是一種很弱的邊緣分布模式，分級(jí)（hierarchical）表示是常用的方法，俗稱尺度空間（scale space）。以前做移動(dòng)端的視覺平臺(tái)，有時(shí)候不得不把一些圖像處理功能關(guān)掉，原因是造成了特征畸變。現(xiàn)在CNN這種天然的特征描述機(jī)制，給圖像預(yù)處理提供了不錯(cuò)的工具，它能將圖像處理和視覺預(yù)處理合二為一。
1 特征提取
LIFT（Learned Invariant Feature Transform）模型，就是在模仿SIFT：
2 邊緣/輪廓提取
一個(gè)輪廓檢測(cè)的encoder-decoder network模型：
3 特征匹配
這里給出一個(gè)做匹配的模型MatchNet：
2.5-D計(jì)算機(jī)視覺部分（不是全3-D）
涉及到視差或者2-D運(yùn)動(dòng)的部分一般稱為2.5-D空間。這個(gè)部分和前面的2-D問題是一樣的，作為重建任務(wù)它也是逆問題，需要約束條件求解優(yōu)化解，比如TV，GraphCut。一段時(shí)間（特別是Marr時(shí)代）計(jì)算機(jī)視覺的工作，就是解決約束條件下的優(yōu)化問題。
后來，隨機(jī)概率和貝葉斯估計(jì)大行其事，約束條件變成了先驗(yàn)知識(shí)（prior），計(jì)算機(jī)視覺圈里寫文章要是沒有 P (Probability) 和 B (Bayes)，都不好意思發(fā)。
展開 基于ANSYS Workbench的變壓器振動(dòng)噪聲仿真分析
Figure. 300Hz時(shí)側(cè)面聲壓分布
根據(jù)實(shí)際試驗(yàn)要求，提取輪廓線處的聲壓，并取平均值。
表格1 各點(diǎn)聲壓值
300Hz
400Hz
1
53.5
58.7
2
50.8
44.8
3
48.7
42.3
4
48.6
57.4
結(jié)果說明
① 通過噪聲分析，發(fā)現(xiàn)變壓器在工作時(shí)，前后面的聲壓分布趨勢(shì)基本一致，側(cè)面的聲壓分布趨勢(shì)基本一致，最大值略有差異。
② 通過噪聲分析，發(fā)現(xiàn)該變壓前后面的最大A計(jì)權(quán)聲壓為58dB，側(cè)面最大A計(jì)權(quán)聲壓為50dB。
③ 通過噪聲分析后處理，300Hz平均聲壓為50.4dB，400Hz平均聲壓為得到平均為50.8dB。
4 總結(jié)
本文通過基于ANSYS Workbench平臺(tái)的干式變壓器振動(dòng)噪聲仿真，實(shí)現(xiàn)了在產(chǎn)品設(shè)計(jì)階段對(duì)其噪聲值進(jìn)行預(yù)估的完整流程，可以幫助企業(yè)在探究變壓器噪聲的機(jī)理上，對(duì)產(chǎn)品及時(shí)做出改進(jìn)，響應(yīng)市場(chǎng)，提高競(jìng)爭(zhēng)力。
文章來源：西莫電機(jī)
展開 彩色斷層圖像的分割
這些特點(diǎn)使得目前計(jì)算機(jī)自動(dòng)分割的結(jié)果，無法達(dá)到解剖學(xué)家結(jié)合專業(yè)知識(shí)，通過眼睛感知的理想邊緣，必須要進(jìn)行后期大量的人工修正
首先使用photoshop中knockout濾鏡，利用其強(qiáng)大蒙板功能，交互式提取目標(biāo)區(qū)域。然后在matlab中使用形態(tài)學(xué)處理函數(shù)和邊緣檢測(cè)算子，精確提取了平滑的輪廓線。完成對(duì)骨，肌，臟器及大的血管神經(jīng)完成了分割與分類，獲取的輪廓線保留了精確的細(xì)節(jié)，定位準(zhǔn)確且比較平滑。下圖顯示提取的輪廓與原始圖像疊加效果。
使用這種分割方法，平均分割出一個(gè)組織的時(shí)間為30秒。
面向金屬增材制造的拓?fù)鋬?yōu)化設(shè)計(jì)研究進(jìn)展
Liu
等
通過提取等值水平集輪廓來計(jì)算沉積路徑，消除了域積分項(xiàng)，簡(jiǎn)化了靈敏度分析結(jié)果，實(shí)現(xiàn)大部分沉積路徑與主應(yīng)力方向保持一致；針對(duì)固定幾何形狀，提出一種多步方法，實(shí)現(xiàn)優(yōu)化結(jié)果快速光滑收斂。Liu等
采用多個(gè)水平集函數(shù)表示每層切片輪廓，提出基于輪廓偏移和骨架提取的沉積路徑優(yōu)化模式，實(shí)現(xiàn)材料各向異性與自支撐約束的協(xié)同優(yōu)化。Mirzendehdel等
提出一種基于廣義失效準(zhǔn)則
(Tsai-Wu)
的各向異性強(qiáng)度靈敏度分析方法，考慮了沿構(gòu)建方向拉伸強(qiáng)度低于其他方向的各向異性強(qiáng)度設(shè)計(jì)準(zhǔn)則，提升了沿構(gòu)建方向的極限承載能力（圖
11
a）。Dapogny等
引入地殼模型與偏移模型，模擬增材制造過程中分層切片與打印路徑所導(dǎo)致的材料各向異性，假設(shè)結(jié)構(gòu)邊界地殼材料和內(nèi)部填充區(qū)域存在不同的力學(xué)性能，并將模型擴(kuò)展到沿輪廓偏移的路徑規(guī)劃模型，兩種簡(jiǎn)化模型僅依賴于形狀幾何參數(shù)，優(yōu)化結(jié)果更加貼近真實(shí)打印路徑。Li等
提出一種增材制造驅(qū)動(dòng)拓?fù)鋬?yōu)化的方法，量化打印參數(shù)與材料各向異性相關(guān)函數(shù)，將各向異性實(shí)驗(yàn)數(shù)據(jù)引入彈性矩陣，協(xié)同優(yōu)化構(gòu)建方向及拓?fù)浣Y(jié)構(gòu)（圖1
1b
）。W
ang
等
基于各向異性
Helmholtz
方程，實(shí)現(xiàn)封閉孔洞連通性約束與材料各向異性協(xié)同優(yōu)化。
現(xiàn)階段考慮材料各向異性的拓?fù)淠Ｐ瓦^于簡(jiǎn)化。結(jié)合增材制造過程，建立多元工藝參數(shù)下的各向異性精準(zhǔn)三維模型、構(gòu)建特定增材制造工藝參數(shù)與材料性能的定量相關(guān)性、提升數(shù)值穩(wěn)定性與計(jì)算效率等方面仍有待完善。
圖11考慮材料各向異性的拓?fù)鋬?yōu)化。
展開 飛機(jī)裝配中的數(shù)字孿生+AR技術(shù)
在數(shù)據(jù)庫構(gòu)建端，開發(fā)型譜圖數(shù)據(jù)庫構(gòu)建軟件，可以直接從接頭的照片中提取信息，并利用CAD軟件進(jìn)行二次開發(fā)，繪制接頭型譜圖。首先通過圖像算法提取照片中的接頭型譜圖信息，其計(jì)算過程如圖2所示。在圖像算法的開發(fā)中，提出了插頭孔位小目標(biāo)的檢測(cè)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)不同類別的孔位的高精度檢測(cè)與識(shí)別。在識(shí)別到空位的輪廓和編號(hào)引導(dǎo)線之后，就可以在程序中完成孔位編號(hào)的自動(dòng)生成，產(chǎn)生的型譜圖如圖3所示。為了獲得每一個(gè)孔位的編號(hào)，生成規(guī)范的型譜圖，設(shè)計(jì)了無序孔位的分布排列算法。型譜圖的生成利用了國產(chǎn)CAD軟件CAXA提供的二次開發(fā)接口，在CAD中構(gòu)建二維的準(zhǔn)確型譜圖。
圖2 從照片中提取型譜圖的過程
圖3 型譜圖的生成
在操作人員佩戴AR眼鏡執(zhí)行裝配操作時(shí)，其眼前展示的場(chǎng)景如圖4所示。利用眼鏡上的攝像機(jī)識(shí)別到線纜上的標(biāo)號(hào)，然后與數(shù)據(jù)庫中的裝配工藝進(jìn)行匹配，找出正確的安裝位置。這里識(shí)別編號(hào)的功能通過OCR相關(guān)算法實(shí)現(xiàn)，并且對(duì)于扭曲字體進(jìn)行了特殊處理，保證了較高的識(shí)別精度。同時(shí)，操作人員還可以通過語音識(shí)別技術(shù)識(shí)別線纜編號(hào)。
圖4 AR眼鏡中的裝配信息可視化展示
在編號(hào)識(shí)別和型譜圖構(gòu)建的基礎(chǔ)上，系統(tǒng)可以在AR眼鏡中疊加顯示二維的孔位頻譜圖，在其上高亮顯示導(dǎo)線對(duì)應(yīng)插孔，輔助導(dǎo)線接頭安裝過程。另外，還可以通過圖像識(shí)別技術(shù)，對(duì)安裝好的插頭進(jìn)行檢查，實(shí)現(xiàn)錯(cuò)裝導(dǎo)線的孔位和漏裝導(dǎo)線的孔位的檢錯(cuò)，在AR眼鏡中展示檢錯(cuò)警告。
02
基于AR的支架安裝狀態(tài)檢測(cè)
支架的作用是用于固定線纜，安裝在飛機(jī)機(jī)身壁板上，保證線纜的正確走線路徑。由于飛機(jī)上的線纜支架種類繁多，安裝過程繁瑣，需要一種輔助的裝配狀態(tài)監(jiān)測(cè)對(duì)比手段。在AR系統(tǒng)中實(shí)現(xiàn)采用基于圖像處理的線纜支架識(shí)別功能，具有輕量、便捷、高效的特點(diǎn)。
展開 CAD快捷鍵命令大全匯總，建議收藏保存！
一、常用功能鍵
F1: 獲取幫助
F2: 實(shí)現(xiàn)作圖窗和文本窗口的切換
F3: 控制是否實(shí)現(xiàn)對(duì)象自動(dòng)捕捉
F4: 數(shù)字化儀控制
F5: 等軸測(cè)平面切換
F6: 控制狀態(tài)行上坐標(biāo)的顯示方式
F7: 柵格顯示模式控制
F8: 正交模式控制
F9: 柵格捕捉模式控制
F10: 極軸模式控制
F11: 對(duì)象追蹤模式控制
（用ALT+字母可快速選擇命令，這種方法可快捷操作大多數(shù)軟件）
二、常用CTRL，ALT快捷鍵
ALT+TK 如快速選擇
ALT+NL 線性標(biāo)注 ALT+VV4 快速創(chuàng)建四個(gè)視口
ALT+MUP 提取輪廓
Ctrl+B: 柵格捕捉模式控制（F9）
Ctrl+C: 將選擇的對(duì)象復(fù)制到剪切板上
Ctrl+F: 控制是否實(shí)現(xiàn)對(duì)象自動(dòng)捕捉（F3）
Ctrl+G: 柵格顯示模式控制（F7）
Ctrl+J: 重復(fù)執(zhí)行上一步命令
Ctrl+K: 超級(jí)鏈接
Ctrl+N: 新建圖形文件
Ctrl+M: 打開選項(xiàng)對(duì)話框
Ctrl+O：打開圖象文件
Ctrl+P：打開打印對(duì)說框
Ctrl+S：保存文件
Ctrl+U：極軸模式控制（F10）
Ctrl+v：粘貼剪貼板上的內(nèi)容
Ctrl+W：對(duì)象追 蹤式控制（F11）
Ctrl+X：剪切所選擇的內(nèi)容
Ctrl
展開 3D目標(biāo)檢測(cè)綜述：從數(shù)據(jù)集到2D和3D方法
有時(shí)候，除了特征提取，還會(huì)涉及到圖像分割。[19] 描述了一種方法，即使用梯度向量流 - 蛇（GVF snake）模型來提取相關(guān)輪廓。通過加入邊緣檢測(cè)和使用氣道 CT 切片先驗(yàn)知識(shí)的蛇位移（snake shifting）技術(shù)，作者對(duì)原始 GVF - 蛇方法進(jìn)行了改進(jìn)，得到了更好的結(jié)果。這一技術(shù)可能也很有用。
另一個(gè)問題則來自相機(jī)移動(dòng)，隨著收集數(shù)據(jù)的設(shè)備類型的增多，來自移動(dòng)相機(jī)的數(shù)據(jù)也越來越多。至于背景消除問題，很多方法在靜止相機(jī)采集的數(shù)據(jù)上表現(xiàn)優(yōu)良，比如在事先知道每幀中前景和背景有較大距離的前提下，聚類可以在一次迭代中完成，而且僅需兩個(gè)聚類，[20] 能在背景消除任務(wù)上取得較高的準(zhǔn)確率。但是，如果相機(jī)在移動(dòng)，難度就會(huì)大得多。[21] 首先使用了魯棒型主成分分析（RPCA）來提取背景運(yùn)動(dòng)，其假設(shè)背景場(chǎng)景可以描述為一種低秩矩陣，然后將幀分割為子像素以提升將光流轉(zhuǎn)換為運(yùn)動(dòng)的幅度和角度的準(zhǔn)確率，由此改善結(jié)果。
3.2 深度學(xué)習(xí)方法
目標(biāo)識(shí)別是指與識(shí)別圖像或視頻中目標(biāo)相關(guān)的任務(wù)，旨在找到圖像中所有相關(guān)目標(biāo)并確定其 2D 位置。
現(xiàn)今，目標(biāo)檢測(cè)領(lǐng)域的深度學(xué)習(xí)方法主要分為兩大類：
兩階段式目標(biāo)檢測(cè)算法和單階段式目標(biāo)檢測(cè)算法。前者是先由算法生成一系列候選邊界框作為樣本，然后再通過卷積神經(jīng)網(wǎng)絡(luò)分類這些樣本。后者則是直接將目標(biāo)邊界定位問題轉(zhuǎn)換成回歸問題，其中不涉及生成候選邊界框。兩種方法的區(qū)別也導(dǎo)致其性能也不同。前者在檢測(cè)準(zhǔn)確率和定位準(zhǔn)確率方面更優(yōu)，而后者勝在算法速度。
此外，通用框架也主要有兩種。
展開 