一种用于可穿戴设备的3D家具智能识别方法与流程

计算;推算;计数设备的制造及其应用技术一种用于可穿戴设备的3d家具智能识别方法技术领域1.本发明涉及3d识别技术领域，具体是指一种用于可穿戴设备的3d家具智能识别方法。背景技术：2.板材(sheet material)是做成标准大小的扁平矩形建筑材料板，应用于建筑行业，用来作墙壁、天花板或地板的构件。也多指锻造、轧制或铸造而成的金属板。3.在家庭装修和家具制作过程中，选家具板材非常关键。一不小心就可能选到劣质的板材，对人体造成很大的伤害。4.目前，人们进行选板材时，基本都是根据经验凭肉眼进行观察，并敲击通过自己的耳朵来听声音。来判断板材的好坏，对于没有家具专业知识的人，很难识别出板材的好坏。技术实现要素：5.本发明为了解决上述的各种问题，提供了一种用于可穿戴设备的3d家具智能识别方法，其可使用户直接穿戴上，较为便捷且易于携带，其可通过穿戴设备的识别系统和方法来将板材拍照录入系统，从而可根据科学的方法来判断出所拍照板材的好坏，方便快捷。6.为解决上述技术问题，本发明提供的技术方案为：一种用于可穿戴设备的3d家具智能识别方法，包括以下具体操作步骤：7.步骤一：利用可穿戴设备的摄像头，从正面，以及四个侧面角度采集板材的图片；8.步骤二：通过图片质量评估iqa算法，选择步骤一中效果最好的六张图片；9.步骤三：用手指关节敲击板材，采集板材的敲击声音，并转化为数字信号；10.步骤四：分析步骤二中所选择的图片，提取出板材的颜色、纹理、年轮、像素等特征；11.步骤五：将步骤四中提取出的图片特征送入神经网络模型进行预测；12.步骤六：将步骤二的声音信号和步骤五的预测结果一起送入滤波器进行分析，得出较为精确的板材种类。13.优选的，步骤一中，可穿戴设备为可穿戴头套或可穿戴眼镜，可穿戴设备为可穿戴头套或可穿戴眼镜上固定安装有摄像头。14.优选的，步骤三中，声音信号转化为数字信号的具体步骤为：15.a)采样：模拟信号首先被等间隔地取样，这时信号在时间上就不再连续了，但在幅度上还是连续的；经过采样处理之后，模拟信号变成了离散时间信号；16.b)量化：每个信号采样的幅度以某个最小数量单位△的整数倍来度量；这时信号不仅在时间上不再连续，在幅度上也不连续了；经过量化处理之后，离散时间信号变成了数字信号；17.c)编码：将数字信号编码成b位长度的二进制字；虽然在量化之后信号已经变成了数字信号，但二进制字的表示方法有很多；adc还要根据精度、动态范围及实现成本等多个角度选择所需的二进制编码方式。18.优选的，数据传输率＝采样频率×精度×声道数；19.单声道一次可以产生一组声音波形数据，双声道一次可以产生两组波形数据；20.有了数据传输率，就可以计算声音信号的数据量：21.数据量＝数据传输率×持续时间/8。22.在图片上提取特征的具体步骤为：23.a)构建dog尺度空间：模拟图像数据的多尺度特征，大尺度抓住概貌特征，小尺度注重细节特征。24.b)关键点搜索和定位：确定是否为关键点，需要将该点与同尺度空间不同σ值的图像中的相邻点比较；25.c)方向赋值：为了实现旋转不变性，需要根据检测到的关键点的局部图像结构为特征点赋值，具体做法是用梯度方向直方图；26.d)关键点描述子的生成：关键点描述子不但包括关键点，还包括关键点周围对其有贡献的像素点。27.本发明与现有技术相比的优点在于：本发明在使用时，在传统的神经网络模型预测的基础上，加入了声音信号作为滤波器，使得识别结果更加准确。并且整个识别过程都是在可穿戴设备上完成的，意味着该方法很容易普及。28.因此，与传统的根据经验来判断板材的方法相比，该发明的创新点在于，在可穿戴设备上现场采集数据，并结合声音信号，来实现3d家具材料的智能识别。附图说明29.本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：30.图1是本发明的步骤方法框图。31.图2是本发明的声音转化为数字信号系统框图。具体实施方式32.下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。33.结合附图1，一种用于可穿戴设备的3d家具智能识别方法，包括以下具体操作步骤：34.步骤一：利用可穿戴设备的摄像头，从正面，以及四个侧面角度采集板材的图片；35.步骤二：通过图片质量评估iqa算法，选择步骤一中效果最好的六张图片；36.步骤三：用手指关节敲击板材，采集板材的敲击声音，并转化为数字信号；37.步骤四：分析步骤二中所选择的图片，提取出板材的颜色、纹理、年轮、像素等特征；38.步骤五：将步骤四中提取出的图片特征送入神经网络模型进行预测；39.步骤六：将步骤二的声音信号和步骤五的预测结果一起送入滤波器进行分析，得出较为精确的板材种类。40.步骤一中，可穿戴设备为可穿戴头套或可穿戴眼镜，可穿戴设备为可穿戴头套或可穿戴眼镜上固定安装有摄像头。41.参照附图2，步骤三中，声音信号转化为数字信号的具体步骤为：42.a)采样：模拟信号首先被等间隔地取样，这时信号在时间上就不再连续了，但在幅度上还是连续的；经过采样处理之后，模拟信号变成了离散时间信号；43.b)量化：每个信号采样的幅度以某个最小数量单位△的整数倍来度量；这时信号不仅在时间上不再连续，在幅度上也不连续了；经过量化处理之后，离散时间信号变成了数字信号；44.c)编码：将数字信号编码成b位长度的二进制字；虽然在量化之后信号已经变成了数字信号，但二进制字的表示方法有很多；adc还要根据精度、动态范围及实现成本等多个角度选择所需的二进制编码方式。45.数据传输率＝采样频率×精度×声道数；46.单声道一次可以产生一组声音波形数据，双声道一次可以产生两组波形数据；47.有了数据传输率，就可以计算声音信号的数据量：48.数据量＝数据传输率×持续时间/8。49.步骤四中，在图片上提取特征的具体步骤为：50.a)构建dog尺度空间：模拟图像数据的多尺度特征，大尺度抓住概貌特征，小尺度注重细节特征；通过构建高斯金字塔，保证图像在任何尺度都能有对应的特征点，即保证尺度不变性；51.b)关键点搜索和定位：确定是否为关键点，需要将该点与同尺度空间不同σ值的图像中的相邻点比较，如果该点为max或min，则为一个特征点；找到所有特征点后，要去除低对比度和不稳定的边缘效应的点，留下具有代表性的关键点；去除这些点的好处是增强匹配的抗噪能力和稳定性；最后，对离散的点做曲线拟合，得到精确的关键点的位置和尺度信息；52.c)方向赋值：为了实现旋转不变性，需要根据检测到的关键点的局部图像结构为特征点赋值，具体做法是用梯度方向直方图；53.d)关键点描述子的生成：关键点描述子不但包括关键点，还包括关键点周围对其有贡献的像素点；在描述子采样区域时，需要考虑旋转后进行双线性插值，防止因旋转图像出现白点；同时，为了保证旋转不变性，要以特征点为中心，在附近领域内旋转θ角，然后计算采样区域的梯度直方图，形成n维sift特征矢量；最后，为了去除光照变化的影响，需要对特征矢量进行归一化处理。54.以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!