[发明专利]一种基于深度学习的工业品外观材质高保真实时仿真算法

说明书

技术领域

本发明涉及计算机虚拟仿真技术领域，具体涉及一种基于深度学习的工业品外观材质高保真实时仿真算法。

背景技术

目前工业品的设计与制作都已经实现数字化，工业品的几何形状以及外观等都采用虚拟原型来制作，设计和制作的决策也是基于该“虚拟原型”，只有虚拟空间显示的工业品外观足够真实，也即虚拟空间内的工业品对光照等的反应和现实世界足够接近才能够满足实际制造的需要。

目前在工业品外观设计制作的时候，最常用的技术是压缩感知技术，压缩感知(Compressive Sensing-CS)是建立在矩阵分析、统计概率论、拓扑几何、优化与运筹学、泛函分析与时频分析等基础上的一种新的信号描述与处理的理论框架。压缩感知技术主要被用在宽带信号处理、压缩成像、压缩机器学习等方面。

Bai H等人提出的基于低速率采样压缩感知的UWB回声信号探测[Bai H,Zhang M,Wang A,et al.Stereo video coding using distributed compressive sensing with joint dictionary[C].international conference on image processing, 2012:889-892.]；Yang J等人提出的阶层加权码和限制性整数压缩感知 [Yang J,Thompson J,Huang X,et al.Segmented Reconstruction for Compressed Sensing SAR Imaging[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(7):4214-4225.]；以及Willet R等人提出的压缩感知超宽带信道估计[Willet R.Compressed Sensing for practical optical imaging systems:A tutorial[J].Optical Engineering,2011,50(7).]。

Yang等人将CS应用到高分辨率雷达探测中[Yang Z,Zhang C,Xie L,et al.Robustly Stable Signal Recovery in Compressed Sensing With Structured Matrix Perturbation[J].IEEE Transactions on Signal Processing,2012,60(9): 4658-4671.]，通过发射充足的“不相关”脉冲，利用CS技术来获得高分辨的目标探测性能。在国内中科院电子所、北京航空航天大学、西安电子科技大学、清华大学、上海交通大学等单位开展“稀疏微波成像”的研究。此外，Blumensath等人将压缩感知用于处理网络数据，提出了网络数据压缩感知[Blumensath T.Compressed Sensing With Nonlinear Observations and Related Nonlinear Optimization Problems[J].IEEE Transactions on Information Theory,2013,59(6):3466-3474.]。

总之，压缩感知理论利用了信号的稀疏特性，将原来基于奈奎斯特采样定理的信号采样过程转化为基于优化计算恢复信号的观测过程。在压缩观测方面，目前的做法大都采用线性观测的方式，如果能考虑实际环境中的可能噪声，在观测时引入某些局部的非线性操作，将有望得到更加鲁棒的观测；在优化重建方面，如果能联合信号的先验和稀疏性先验求解优化问题，将有望得到更好的恢复效果。

尽管压缩感知被用在很多方面，但是将实际测量的数据用于仿真建模以及虚拟再现方面的研究还没有展开。

发明内容

本发明提供了一种基于深度学习的工业品外观材质高保真实时仿真算法，可以实时得到高保真效果的工业品外观材质仿真结果。

一种基于深度学习的工业品外观材质高保真实时仿真算法，包括：

步骤1，采集工业品外观材质的光照属性数据，并依据光照属性数据构建工业品仿真模型；

步骤2，在虚拟空间中利用真实环境的光照信息照亮所述工业品仿真模型，在虚拟空间中随机选取若干视点位置，针对每个视点位置分别绘制完善图像和不完善图像，将相同视点的完善图像和不完善图像作为一对输入，训练对抗生成网络模型的判别器，得到训练好的对抗生成网络模型；