EPAI手绘建模APP编辑模型1

(7) 编辑模型

read-normal-img
图 203 编辑模型工具栏-1

read-normal-img
图 204 编辑模型工具栏-2

① 编辑模型工具栏包括一些建模过程中常用的工具,一般是在现有模型基础上按照需要进行局部修改,同样是分步骤完成修改过程。

② 顶点切角,选择实体模型的多个顶点,需要保证选择的顶点是模型的多个直线边公共点,否则切角失败;设置切角大小。设置完成后,修改成功后,模型中选择的每个顶点位置都切割出一个面。

read-normal-img
图 205 顶点切角

③ 倒圆角,选择需要倒倒圆角的两条边;设置倒圆角大小,需要保证倒圆角大小合适,过大或者过的小也会倒圆角失败;倒圆角完成后,倒圆角的顶点位置生成了一个圆弧。如果发现生成的圆弧不对,修改第一条边的方向或者第二条边的方向,直到生成的圆弧符合要求。

read-normal-img
图 206 倒圆角

④ 倒直角,选择需要倒直角的两条边,设置直角大小,需要保证倒直角大小合适,过大或者过的小也会倒直角失败;倒直角完成后,倒直角的顶点位置生成了一个直线。如果发现生成的直线不对,修改第一条边的方向或者第二条边的方向,直到生成的直线符合要求。

read-normal-img
图 207 倒直角

⑤ 三维倒圆角,选择实体模型;选择倒圆角的边,需要保证倒圆角的边有一定的光滑性,否则会倒圆角失败;设置倒圆角大小,需要保证倒圆角大小适合,过大或者过小也会倒圆角失败;倒圆角完成后,倒圆角的边位置生成了一个圆弧面。

read-normal-img
图 208 三维倒圆角

⑥ 三维倒直角,选择实体模型;选择倒直角的边,需要保证倒直角的边有一定的光滑性,否则会倒直角失败;设置倒直角大小,需要保证倒直角大小适合,过大或者过小也会倒直角失败;倒直角完成后,倒直角的边位置生成了一个平面。

read-normal-img
图 209 三维倒直角

⑦ 插入面,选择实体模型上需要插入面的面,选择的面要是平面才可以插入;设置插入面的偏移大小。完成插入后,在选择的面上生成了一个新的面。

read-normal-img
图 210 插入面

⑧ 面内拉伸,选择实体上的面;设置扫掠大小。扫掠完成后,模型选择的面沿着选择面的法向向前或向后拉伸,拉伸的部分如果穿过原模型,则在原来模型上生成空洞;拉伸的部分如果没有穿过原模型,则形成模型的凸起部分。

read-normal-img
图 211 面内拉伸

⑨ 面内锥度扫掠,选择实体上的面;设置锥度扫掠大小和斜角角度,扫掠大小和斜角角度都可以设置成正值和负值,但需要保证大小合适,过大或者过小都会导致扫掠失败。大小设置成负值,扫掠后在原模型上产生挖洞效果,大小设置成正值,扫掠后在原模型上产生突起效果。而且挖洞和突起部分相对于面内直线扫掠有斜角。

read-normal-img
图 212 面内锥度扫掠

更多关于APP内容可以跳转到OCC中文网 https://www.opencascade.cc/c/course/epaicad/61 查看。

  • 4
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值