一种数字孪生模型轻量化方法及系统与流程

1.本技术涉及计算机技术，具体涉及一种数字孪生模型轻量化方法及系统。


背景技术：

2.数字孪生模型技术已逐渐成为设计、建设、管理和维护的新途径和办法，目前已在建模领域开始了全面应用。除了设计部门，围绕设计成果的后续相关建设和运维管理，也已开始大力推广数字孪生模型技术的相关应用。然而，数字孪生模型体量巨大，对硬件设备的性能要求比较高。这就需要对数字孪生模型进行轻量化处理。
3.目前，对数字孪生模型轻量化的方法比较多，例如instancing，compression，lod和parameterization等。这些方法可以对数字孪生模型进行轻量化处理，以提升渲染速度。但是用户对渲染速度和渲染效果要求均越来越高，常规的轻量化方式已经满足不了渲染的要求。


技术实现要素：

4.有鉴于此，本技术公开一种数字孪生模型轻量化方法。所述方法可以包括：获取经过初步轻量化处理之后的数字孪生模型，所述模型包括若干个由模型顶点构成的面片，若干所述面片构成第一面片集合；重复执行以下a、b、c、d四个步骤，直至遍历完所述第一面片集合中的面片；a，从所述第一面片集合中选取第一面片，并确定所述第一面片集合中与所述第一面片相邻的第二面片，所述相邻是指所述第一面片与所述第二面片具备相同的边；b，基于所述第一面片包括的顶点坐标，所述第二面片包括的顶点坐标，以及所述第一面片所在的第一平面与所述第二面片所在的第二平面的夹角生成模型输入；c，基于所述模型输入，根据预先训练的面片合并模型得到分类结果，所述分类结果指示是否对所述第一面片与所述第二面片进行合并操作，所述面片合并模型包括基于若干标注了是否进行合并的标注信息的面片组合样本进行训练得到的神经网络模型；其中，在合并之后影响数字孪生模型渲染效果的程度低于阈值的情形下被标注为进行合并，在合并之后影响数字孪生模型渲染效果的程度达到所述阈值的情形下被标注为不进行合并；d，在所述分类结果指示对所述第一面片与所述第二面片进行合并操作的情形下，合并所述第一面片与所述第二面片得到合并面片，并将所述合并面片存储至第二面片集合，在所述第一面片集合中删除所述第一面片与所述第二面片，跳转至所述a的步骤，以及，在所述分类结果指示所述第一面片与所述第二面片不进行合并操作的情形下，将所述第一面片存储至所述第二面片集合，在所述第一面片集合中删除所述第一面片，跳转至所述a的步骤；基于所述第二面片集合中的面片生成进一步轻量化处理后的数字孪生模型。
5.在一些实施例中，所述确定所述第一面片集合中与所述第一面片相邻的第二面片，包括：将所述第一面片集合包括的除所述第一面片以外的其它面片中，包含所述第一面片包括的三个顶点中的任意两个顶点的其它面片，确定为所述第二面片。
6.在一些实施例中，所述基于所述第一面片包括的顶点坐标，所述第二面片包括的
顶点坐标，以及所述第一面片所在的第一平面与所述第二面片所在的第二平面的夹角生成模型输入，包括：获取所述第一面片包括的三个顶点的顶点坐标，并根据获取的顶点坐标确定所述第一面片所在第一平面的第一法向量；获取所述第二面片包括的三个顶点的顶点坐标，并根据获取的顶点坐标确定所述第二面片所在第二平面的第二法向量；根据所述第一法向量与所述第二法向量，确定所述第一平面与所述第二平面之间的夹角；根据预设的模型输入生成策略，基于所述第一面片包括的三个顶点的顶点坐标，所述第二面片包括的三个顶点的顶点坐标，所述夹角，生成模型输入。
7.在一些实施例中，所述面片合并模型为基于文本处理模型构建的分类模型；所述根据预设的模型输入生成策略，基于所述第一面片包括的三个顶点的顶点坐标，所述第二面片包括的三个顶点的顶点坐标，所述夹角，生成模型输入，包括：将所述第一面片包括的三个顶点的顶点坐标，所述第二面片包括的三个顶点的顶点坐标，所述夹角分别作为单词，按照预设的顺序，生成文本序列；所述基于所述模型输入，根据预先训练的面片合并模型得到分类结果，包括：利用自注意力机制，对所述文本序列进行处理得到文本特征；所述文本特征为对判断是否合并所述第一面片与所述第二面片有益的特征；基于所述文本特征进行分类，得到所述分类结果。
8.在一些实施例中，所述利用自注意力机制，对所述文本序列进行处理得到文本特征，包括：将所述文本序列中的每一个单词分别作为目标单词，基于自注意力机制，确定所述目标单词与其它单词之间的注意力权重；所述注意力权重用于指示所述其它单词与所述目标单词之间的关联关系和关联程度；基于所述注意力权重以及所述其它单词的点乘操作，得到所述目标单词对应的单词特征；根据所述文本序列中的每一个单词分别对应的单词特征，得到所述文本特征。
9.在一些实施例中，所述文本处理模型包括bert模型。
10.在一些实施例中，所述面片由三个模型顶点构成；所述方法还包括：获取若干面片组合，所述面片组合包括相邻的两个面片，两个面片中相同的两个顶点构成两个面片的相邻边；针对每一面片组合进行标注，得到针对每一面片组合内两个面片是否进行合并的标注信息，以得到若干面片组合样本；针对每一面片组合，针对所述面片组合内的至少一个面片，在该面片的目标中线上等距取点，将每次取得的点与该面片的另外两个顶点构成新面片，将所述面片组合的标注信息确定为所述新面片与所述面片组合内另一面片组成的新面片组合的标注信息，以扩充面片组合样本；所述目标中线是指该面片中处于相邻边以外的顶点和所述相邻边的中点组成的线段；基于扩充后的面片组合样本，对所述面片合并模型进行有监督训练。
11.在一些实施例中，所述基于扩充后的面片组合样本，对所述面片合并模型进行有监督训练，包括：基于面片组合样本中的面片组合构建输入样本；将所述输入样本输入所述面片合并模型，得到针对所述面片组合内两个面片是否进行合并的预测信息；基于所述预测结果与面片组合样本包括的标注信息，以及预设的损失函数，得到损失信息；基于所述损失信息，调整所述面片合并模型的模型参数。
12.本技术还提出一种数字孪生模型轻量化系统，所述系统包括：获取单元，用于获取经过细节层次技术lod初步轻量化处理之后的数字孪生模型，所述模型包括若干个由模型顶点构成的面片，若干所述面片构成第一面片集合；合并单元，用于重复执行以下a、b、c、d
四个步骤，直至遍历完所述第一面片集合中的面片；a，从所述第一面片集合中选取第一面片，并确定所述第一面片集合中与所述第一面片相邻的第二面片，所述相邻是指所述第一面片与所述第二面片具备相同的边；b，基于所述第一面片包括的顶点坐标，所述第二面片包括的顶点坐标，以及所述第一面片所在的第一平面与所述第二面片所在的第二平面的夹角生成模型输入；c，基于所述模型输入，根据预先训练的面片合并模型得到分类结果，所述分类结果指示是否对所述第一面片与所述第二面片进行合并操作，所述面片合并模型包括基于若干标注了是否进行合并的标注信息的面片组合样本进行训练得到的神经网络模型；d，在所述分类结果指示对所述第一面片与所述第二面片进行合并操作的情形下，合并所述第一面片与所述第二面片得到合并面片，并将所述合并面片存储至第二面片集合，在所述第一面片集合中删除所述第一面片与所述第二面片，以及，在所述分类结果指示所述第一面片与所述第二面片不进行合并操作的情形下，将所述第一面片存储至所述第二面片集合，在所述第一面片集合中删除所述第一面片，跳转至所述a的步骤；生成单元，用于基于所述第二面片集合中的面片生成进一步轻量化处理后的数字孪生模型。
13.在一些实施例中，所述面片由三个模型顶点构成；所述系统还包括：训练单元，用于获取若干面片组合，所述面片组合包括相邻的两个面片，两个面片中相同的两个顶点构成两个面片的相邻边；针对每一面片组合进行标注，得到针对每一面片组合内两个面片是否进行合并的标注信息，以得到若干面片组合样本；针对每一面片组合，针对所述面片组合内的至少一个面片，在该面片的目标中线上等距取点，将每次取得的点与该面片的另外两个顶点构成新面片，将所述面片组合的标注信息确定为所述新面片与所述面片组合内另一面片组成的新面片组合的标注信息，以扩充面片组合样本；所述目标中线是指该面片中处于相邻边以外的顶点和所述相邻边的中点组成的线段；基于扩充后的面片组合样本，对所述面片合并模型进行有监督训练。
14.前述方案中，可以基于采用常规轻量化技术进行初步轻量化处理后的数字孪生模型所包括的面片组合构建模型输入，之后根据经过训练的面片合并模型基于所述模型输入判断是否需要将面片组合内的两个面片进行合并，然后将需要进行合并的面片进行合并，由于所述面片合并模型预先经过训练，可以将合并后对原本渲染效果影响不大的面片进行合并，从而进一步减少面片数量达到不影响渲染效果且进一步轻量化数字孪生模型的效果，提升模型渲染速度，也保证了数字孪生模型的渲染效果，满足客户需求。
附图说明
15.下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。
16.图1为本技术实施例示出的一种数字孪生模型轻量化方法的流程示意图；
17.图2为本技术实施例示出的面片合并流程示意图；
18.图3为本技术实施例示出的一种生成模型输入的方法流程示意图；
19.图4为本技术实施例示出的一种生成模型输入的方法流程示意图；
20.图5为本技术实施例示出的一种面片合并模型训练方法流程示意图；
21.图6为本技术实施例示出的一种面片组合示意图；
22.图7为本技术实施例示出的一种数字孪生模型轻量化系统的结构示意图。
具体实施方式
23.下面将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的设备和方法的例子。
24.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在可以包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。还应当理解，本文中所使用的词语“如果”，取决于语境，可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
25.本技术提出一种数字孪生模型轻量化方法。所述方法公开的技术方案中，可以对采用常规轻量化技术进行初步轻量化处理后的数字孪生模型所包括的面片，通过神经网络判断出需要进行合并的面片进行合并，从而进一步减少面片数量达到不影响渲染效果且进一步轻量化数字孪生模型的效果，提升模型渲染速度，也保证了数字孪生模型的渲染效果，满足客户需求。
26.以下结合附图进行实施例说明。请参见图1，图1为本技术实施例示出的一种数字孪生模型轻量化方法的流程示意图。
27.图1示出的数字孪生模型轻量化方法可以应用于电子设备中。其中，所述电子设备可以通过搭载与数字孪生模型轻量化方法对应的软件逻辑执行该方法。所述电子设备的类型可以是笔记本电脑，计算机，服务器，手机，掌上电脑(personal digital assistant，pda)等。在本技术中不特别限定所述电子设备的类型。所述电子设备也可以是客户端设备或服务端设备。
28.如图1所示，所述方法可以包括s102-s106。除特别说明外，本技术不特别限定这些步骤的执行顺序。
29.s102，获取经过初步轻量化处理之后的数字孪生模型。
30.所述数字孪生模型是指通过三维激光点云建模技术、视觉惯性技术针对特定对象场景进行建模得到的三维模型。例如，在有源配网场景中，可以通过对三维激光点云建模技术、视觉惯性技术(vio)，对配网设备实景空间的粗模信息进行循环采集，之后应用bim系列软件，对点云模型进行层次划分和数据写入，对部分核心设备通过手工建模方式进行精细化建模得到所述数字孪生模型。
31.得到数字孪生模型之后，可以采用常规的轻量化技术进行初步轻量化处理。例如，可以采用instancing，compression，lod和parameterization等技术中的至少一种进行初步轻量化处理。关于初步轻量化处理的步骤可以参照相关技术，本技术不进行详述。
32.初步轻量化处理的过程中可能会删除所述数字孪生模型的一些顶点，并对一些由顶点构成的面片进行折叠等操作，完成处理后，所述数字孪生模型仍然会包括若干个由模型顶点构成的面片，若干所述面片构成第一面片集合。本技术中从名称上对不同的面片集合进行区分，即第一面片集合和第二面片集合。所述面片可以包括预设数量的顶点。例如可以是3、4或者5。本技术中以面片包括3个顶点为例进行说明。
33.s104，重复执行以下a、b、c、d四个步骤，直至遍历完所述第一面片集合中的面片；
a，从所述第一面片集合中选取第一面片，并确定所述第一面片集合中与所述第一面片相邻的第二面片，所述相邻是指所述第一面片与所述第二面片具备相同的边；b，基于所述第一面片包括的顶点坐标，所述第二面片包括的顶点坐标，以及所述第一面片所在的第一平面与所述第二面片所在的第二平面的夹角生成模型输入；c，基于所述模型输入，根据预先训练的面片合并模型得到分类结果，所述分类结果指示是否对所述第一面片与所述第二面片进行合并操作，所述面片合并模型包括基于若干标注了是否进行合并的标注信息的面片组合样本进行训练得到的神经网络模型；其中，在合并之后影响数字孪生模型渲染效果的程度低于阈值的情形下被标注为进行合并，在合并之后影响数字孪生模型渲染效果的程度达到所述阈值的情形下被标注为不进行合并；d，在所述分类结果指示对所述第一面片与所述第二面片进行合并操作的情形下，合并所述第一面片与所述第二面片得到合并面片，并将所述合并面片存储至第二面片集合，在所述第一面片集合中删除所述第一面片与所述第二面片，跳转至所述a的步骤，以及，在所述分类结果指示所述第一面片与所述第二面片不进行合并操作的情形下，将所述第一面片存储至所述第二面片集合，在所述第一面片集合中删除所述第一面片，跳转至所述a的步骤。
34.以下结合图2对s104进行说明。
35.请参见图2，图2为本技术实施例示出的面片合并流程示意图。
36.s202-s204对应步骤a。
37.s202，从第一面片集合中选取第一面片。
38.在一些实施例中可以采用任意方式选取第一面片。比如，随机抽取，选取编号最大或最小的面片等等。
39.s204，确定与所述第一面片相邻的第二面片。
40.所述相邻是指所述第一面片与所述第二面片具备相同的边。比如面片1和面片2包括相同的边，则确定面片1与面片2相邻。
41.在一些实施例中，可以将所述第一面片集合包括的除所述第一面片以外的其它面片中，包含所述第一面片包括的三个顶点中的任意两个顶点的其它面片，确定为所述第二面片。由此可以快速确定第二面片。
42.例如，第一面片集合中包括1、2、3、4、5、6共6个面片。其中1为第一面片，包括abc三个顶点。s204中会从2至6五个面片中，选取包含ab，bc或ac的面片，作为1号面片对应的第二面片。
43.在一些实施例中，第一面片集合中可能存在与第一面片相邻的多个第二面片，即需要针对每一第二面片与第一面片进行是否合并的相关判断，并在需要合并的时候完成合并。
44.s206对应于b步骤。
45.s206，生成模型输入。
46.请参见图3，图3为本技术实施例示出的一种生成模型输入的方法流程示意图。图3示意的步骤为对s206的补充说明。如图3所示，所述方法可以包括s302-s308。除特别说明外，本技术不特别限定这些步骤的执行顺序。
47.s302，获取所述第一面片包括的三个顶点的顶点坐标，并根据获取的顶点坐标确定所述第一面片所在第一平面的第一法向量。
48.本步骤可以从第一面片任意选取三个顶点构成两组向量，然后利用向量叉乘的方法，得到所述第一法向量。
49.s304，获取所述第二面片包括的三个顶点的顶点坐标，并根据获取的顶点坐标确定所述第二面片所在第二平面的第二法向量。
50.本步骤可以从第一面片任意选取三个顶点构成两组向量，然后利用向量叉乘的方法，顶点第二法向量。
51.s306，根据所述第一法向量与所述第二法向量，确定所述第一平面与所述第二平面之间的夹角。
52.本步骤可以基于余弦定理构建相关公式，基于相交的两个法向量求得所述夹角。
53.s308，根据预设的模型输入生成策略，基于所述第一面片包括的三个顶点的顶点坐标，所述第二面片包括的三个顶点的顶点坐标，所述夹角，生成模型输入。
54.所述模型输入生成策略可以根据需求预先进行设定。在一些实施例中，该策略与面片合并模型采用的神经网络类型相关。比如，所述神经网络类型为卷积神经网络，该策略即将所述第一面片包括的三个顶点的顶点坐标，所述第二面片包括的三个顶点的顶点坐标，所述夹角分别转换为固定长度(例如128)的向量，再进行拼接得到图像矩阵，以得到模型输入。再比如，所述神经网络类型为文本处理网络，该测量即将所述第一面片包括的三个顶点的顶点坐标，所述第二面片包括的三个顶点的顶点坐标，所述夹角组合为文本序列即可。
55.所述模型输入涵盖了一些与判断是否合并第一面片和第二面片相关的信息，利用面片合并模型可以进行信息提取，得到相关信息，并基于这些提取的信息进行是否合并的判断。
56.通过s302-s308可以生成涵盖了一些与判断是否合并第一面片和第二面片相关信息的模型输入，便于后续进行是否合并的判断。
57.s208与步骤c对应。
58.s208，利用面片合并模型得到分类结果。
59.所述分类结果指示是否对所述第一面片与所述第二面片进行合并操作，所述面片合并模型包括基于若干标注了是否进行合并的标注信息的面片组合样本进行训练得到的神经网络模型。其中，在合并之后影响数字孪生模型渲染效果的程度低于阈值的情形下被标注为进行合并，在合并之后影响数字孪生模型渲染效果的程度达到所述阈值的情形下被标注为不进行合并。本技术后续实施例会对训练面片合并模型的过程进行说明，在此不做详述。
60.在一些实施例中，所述面片合并模型为基于文本处理模型构建的分类模型。所述文本处理模型可以包括各种类型的模型。例如，word2vec系列模型，bert(bidirectional encoder representations from transformers，双向编码器)系列模型。在一些实施例中，所述文本处理模型为bert模型，由此可以利用自注意力机制关注模型输入中第一面片与第二面片顶点之间，以及顶点和夹角之间的关联关系与关联程度，使面片合并模型更关注感兴趣的信息，提升面片合并判断的准确性，进而提升数字孪生模型轻量化效果。
61.本例中，在s206中，可以将所述第一面片包括的三个顶点的顶点坐标，所述第二面片包括的三个顶点的顶点坐标，所述夹角分别作为单词，按照预设的顺序，生成文本序列。
该文本序列即为模型输入。
62.所述顺序可以根据需求进行设定。比如，可以按照所述第一面片包括的三个顶点坐标，所述第二面片包括的三个顶点坐标，所述夹角面片的顺序，或者，可以按照一个第一面片顶点坐标，之后跟着一个第二面片顶点坐标这样交叉的顺序。本技术不对所述顺序进行特别限定。
63.请参见图4，图4为本技术实施例示出的一种生成模型输入的方法流程示意图。图4示意的步骤为对s208的补充说明。如图4所示，所述方法可以包括s402-s404。除特别说明外，本技术不特别限定这些步骤的执行顺序。
64.s402，利用自注意力机制，对所述文本序列进行处理得到文本特征。
65.所述文本特征为对判断是否合并所述第一面片与所述第二面片有益的特征。所述文本特征除了表征所述第一面片和所述第二面片的大小，假设将所述第一面片与所述第二面片进行合并之后得到的面片的大小，第一平面与第二平面之间的夹角大小这些比较常规的对判断是否进行面片合并有益的信息之外，还可以标注很多其它有益的隐性特征，这些特征可能只有面片合并模型可以解读，但是却对面片合并非常有益，使得面片合并模型可以将对数字孪生模型渲染效果影响不大的面片进行进一步合并，以得到进一步轻量化的效果。
66.在一些实施例中，可以将所述文本序列中的每一个单词分别作为目标单词，基于自注意力机制，确定所述目标单词与其它单词之间的注意力权重；所述注意力权重用于指示所述其它单词与所述目标单词之间的关联关系和关联程度。然后可以基于所述注意力权重以及所述其它单词的点乘操作，得到所述目标单词对应的单词特征；之后可以根据所述文本序列中的每一个单词分别对应的单词特征，得到所述文本特征。由此可以基于文本序列中每一单词与其它单词的关联关系和关联程度，即根据自注意力机制，使面片合并模型更关注感兴趣的信息，提升面片合并判断的准确性，进而提升数字孪生模型轻量化效果。
67.s404，基于所述文本特征进行分类，得到所述分类结果。
68.本步骤中，可以将所述文本特征作为输入，输入二分类器中。该二分类器中可以通过softmax层，得到所述分类结果。即得到是否对第一面片与第二面片进行合并的判断结果。
69.s210-s218对应前述步骤d。
70.s210，判断分类结果是否指示需要合并第一面片与第二面片。
71.s212，在需要合并第一面片与第二面片的情形下，合并第一面片与第二面片，得到合并面片。
72.在一些实施例中，可以直接将第一面片与第二面片包括的顶点顺序连接，得到新的多边形，即合并面片。例如，第一面片包括abc三个顶点，第二面片包括bcd三个顶点，合并之后即生成abcd的四边形(合并面片)。
73.s214，将合并面片存储至第二面片集合。
74.所述第二面片集合用于存储对第一面片集合中的面片进行轻量化处理之后的面片，即包括合并面片，以及第一面片集合中无需合并的面片。
75.s216，在第一面片集合中删除第一面片与第二面片。
76.s218，在不需要合并第一面片与第二面片的情形下，在第一面片集合中删除第一
面片。
77.完成s216或s218之后，s220，判断第一面片集合是否还包括面片，如果是，跳转到s202，否则结束合并流程。
78.通过s202-s220的步骤即实现s104，重复执行以下a、b、c、d四个步骤，直至遍历完所述第一面片集合中的面片，以实现对数字孪生模型进一步的轻量化。
79.s106，基于所述第二面片集合中的面片生成进一步轻量化处理后的数字孪生模型。
80.在一些实施例中国，通过第二面片集合中的面片即可表示进一步轻量化处理后的数字孪生模型。后续进行渲染时，以第二面片集合中存储的面片为基础进行渲染即可。
81.由此通过s102-s106记载的方案，可以基于采用常规轻量化技术进行初步轻量化处理后的数字孪生模型所包括的面片组合构建模型输入，之后根据经过训练的面片合并模型基于所述模型输入判断是否需要将面片组合内的两个面片进行合并，然后将需要进行合并的面片进行合并，由于所述面片合并模型预先经过训练，可以将合并后对原本渲染效果影响不大的面片进行合并，从而进一步减少面片数量达到不影响渲染效果且进一步轻量化数字孪生模型的效果，提升模型渲染速度，也保证了数字孪生模型的渲染效果，满足客户需求。
82.以下介绍对面片合并模型进行训练的实施例。
83.在有监督训练技术中，需要构建大量具备标注信息的训练样本，以根据将样本输入模型进行预测得到的预测信息与真实的标注信息之间的误差，对模型参数进行调整，达到模型训练的效果。往往大量训练样本的构建需要耗费人力物力，模型训练成本较高。
84.为了解决这一问题，本技术针对面片合并的特殊场景提出数据增强的方法，以在进行少量标注之后，通过数据增强的方式自动扩充样本量，以减少人力物力的耗费，降低模型训练成本。
85.请参见图5，图5为本技术实施例示出的一种面片合并模型训练方法流程示意图。如图5所示，所述方法包括s502-s508。除特别说明外，本技术不特别限定这些步骤的执行顺序。本例中示意的面片由三个模型顶点构成。
86.s502，获取若干面片组合。
87.所述面片组合包括相邻的两个面片，两个面片中相同的两个顶点构成两个面片的相邻边。
88.在一些实施例中，可以从已有的三维模型中选取一些相邻的面片顶点若干面片组合。
89.s504，针对每一面片组合进行标注，得到针对每一面片组合内两个面片是否进行合并的标注信息，以得到若干面片组合样本。
90.在一些实施例中，可以采用人工标注的方式，对面片组合进行标注，得到每一面片组合内两个面片是否进行合并的标注信息，从而得到若干面片组合样本。本步骤只需耗费少量的人力物力资源。
91.需要说明的是，在进行标注的时候可以以人工经验为准，即在两个面片合并之后影响原先三维模型的渲染效果的程度低于阈值的情形下，即标注两个面片可以合并，否则，在两个面片合并之后影响原先三维模型的渲染效果的程度达到阈值的情形下，即标注两个
面片不可以合并。
92.所述阈值根据需求进行设定。可以根据人工对合并面片之后模型的渲染效果与之前渲染效果进行比较，得到合并面片对渲染效果的影响程度，然后与所述阈值进行比较，确定标注信息。
93.在一些实施例中，可以采用自动标注的方式，对面片组合进行标注，得到每一面片组合内两个面片是否进行合并的标注信息，从而得到若干面片组合样本。本步骤无需耗费少量的人力物力资源。
94.所述阈值根据需求进行设定。可以利用预先训练的三维模型识别模型，对合并面片之后的新三维模型，和之前的原三维模型进行识别，通过两次识别结果的置信度的变化情况，确定合并面片对渲染效果的影响程度，然后与所述阈值进行比较，确定标注信息。
95.例如，原三维模型有源配网设备三维模型，利用三维模型识别模型得到该模型为有源配网设备的置信度为0.9。进行面片合并之后得到新三维模型，利用三维模型识别模型得到该新三维模型为有源配网设备的置信度为0.85。即合并面片对渲染效果的影响程度为0.05。假设所述阈值为0.06，即确定为允许标注。假设所述阈值为0.03，则确定为不允许标注。
96.s506，针对每一面片组合，针对所述面片组合内的至少一个面片，在该面片的目标中线上等距取点，将每次取得的点与该面片的另外两个顶点构成新面片，将所述面片组合的标注信息确定为所述新面片与所述面片组合内另一面片组成的新面片组合的标注信息，以扩充面片组合样本。
97.所述目标中线是指该面片中处于相邻边以外的顶点和所述相邻边的中点组成的线段。
98.由于新三角面片的范围小于原先的三角面片，即新三明面片和另一面片的合并关系与原先的三角面片和另一个三角面片的合并关系相同，即可以将所述面片组合的标注信息确定为所述新面片与所述面片组合内另一面片组成的新面片组合的标注信息，从而达到自动扩充面片组合样本的目的，减少人力物力的损耗。
99.请参见图6，图6为本技术实施例示出的一种面片组合示意图。
100.如图6所示，面片组合包括两个三角形面片。其中一个面片包括顶点abc，另一面片包括顶点bcd。其中bc为两个面片的相邻边。e为bc的中点，ae为其中一个面片的中线。在ae上等距取点，再与bc可以组合成多个新三角面片。新三角面片和另一三角面片的标注信息延用原先三角面片和该另一三角面片的标注信息，达到扩充面片组合样本的目的，减少人力物力的损耗。
101.s508，基于扩充后的面片组合样本，对所述面片合并模型进行有监督训练。
102.在一些实施例中，s508可以按照预设的迭代次数重复执行以下步骤，完成有监督训练：
103.基于面片组合样本中的面片组合构建输入样本；将所述输入样本输入所述面片合并模型，得到针对所述面片组合内两个面片是否进行合并的预测信息；基于所述预测结果与面片组合样本包括的标注信息，以及预设的损失函数，得到损失信息；基于所述损失信息，调整所述面片合并模型的模型参数。所述损失函数可以是mse，交叉熵等，在此不做特别限定。
104.通过s502-s508，可以在耗费少量人力物力的情形下，完成面片合并模型的训练，使该面片合并模型具备判断两个面片是否需要合并的能力，即在合并之后不影响原先模型渲染效果的情形下才判断为允许合并。
105.本技术还提出一种数字孪生模型轻量化系统。参见图7，图7为本技术实施例示出的一种数字孪生模型轻量化系统的结构示意图。
106.如图7所示，数字孪生模型轻量化系统700(以下简称系统)可以包括获取单元710，以及与所述获取单元710连接的合并单元720，以及与所述合并单元720连接的生成单元730。
107.需要说明的是，本技术所指的功能单元(包括获取单元，合并单元和生成单元)包括相应的软件功能逻辑，以及执行所述软件功能逻辑的硬件器件。
108.一种数字孪生模型轻量化系统700，所述系统700包括：
109.获取单元710，用于获取经过细节层次技术lod初步轻量化处理之后的数字孪生模型，所述模型包括若干个由模型顶点构成的面片，若干所述面片构成第一面片集合；
110.合并单元720，用于重复执行以下a、b、c、d四个步骤，直至遍历完所述第一面片集合中的面片；
111.a，从所述第一面片集合中选取第一面片，并确定所述第一面片集合中与所述第一面片相邻的第二面片，所述相邻是指所述第一面片与所述第二面片具备相同的边；
112.b，基于所述第一面片包括的顶点坐标，所述第二面片包括的顶点坐标，以及所述第一面片所在的第一平面与所述第二面片所在的第二平面的夹角生成模型输入；
113.c，基于所述模型输入，根据预先训练的面片合并模型得到分类结果，所述分类结果指示是否对所述第一面片与所述第二面片进行合并操作，所述面片合并模型包括基于若干标注了是否进行合并的标注信息的面片组合样本进行训练得到的神经网络模型；
114.d，在所述分类结果指示对所述第一面片与所述第二面片进行合并操作的情形下，合并所述第一面片与所述第二面片得到合并面片，并将所述合并面片存储至第二面片集合，在所述第一面片集合中删除所述第一面片与所述第二面片，以及，在所述分类结果指示所述第一面片与所述第二面片不进行合并操作的情形下，将所述第一面片存储至所述第二面片集合，在所述第一面片集合中删除所述第一面片，跳转至所述a的步骤；
115.生成单元730，用于基于所述第二面片集合中的面片生成进一步轻量化处理后的数字孪生模型。
116.在一些实施例中，所述合并单元720进一步用于：
117.将所述第一面片集合包括的除所述第一面片以外的其它面片中，包含所述第一面片包括的三个顶点中的任意两个顶点的其它面片，确定为所述第二面片。
118.在一些实施例中，所述合并单元720进一步用于：
119.获取所述第一面片包括的三个顶点的顶点坐标，并根据获取的顶点坐标确定所述第一面片所在第一平面的第一法向量；
120.获取所述第二面片包括的三个顶点的顶点坐标，并根据获取的顶点坐标确定所述第二面片所在第二平面的第二法向量；
121.根据所述第一法向量与所述第二法向量，确定所述第一平面与所述第二平面之间的夹角；
122.根据预设的模型输入生成策略，基于所述第一面片包括的三个顶点的顶点坐标，所述第二面片包括的三个顶点的顶点坐标，所述夹角，生成模型输入。
123.在一些实施例中，所述面片合并模型为基于文本处理模型构建的分类模型；
124.所述合并单元720进一步用于：
125.将所述第一面片包括的三个顶点的顶点坐标，所述第二面片包括的三个顶点的顶点坐标，所述夹角分别作为单词，按照预设的顺序，生成文本序列；
126.所述基于所述模型输入，根据预先训练的面片合并模型得到分类结果，包括：
127.利用自注意力机制，对所述文本序列进行处理得到文本特征；所述文本特征为对判断是否合并所述第一面片与所述第二面片有益的特征；
128.基于所述文本特征进行分类，得到所述分类结果。
129.在一些实施例中，所述合并单元720进一步用于：
130.将所述文本序列中的每一个单词分别作为目标单词，基于自注意力机制，确定所述目标单词与其它单词之间的注意力权重；所述注意力权重用于指示所述其它单词与所述目标单词之间的关联关系和关联程度；
131.基于所述注意力权重以及所述其它单词的点乘操作，得到所述目标单词对应的单词特征；
132.根据所述文本序列中的每一个单词分别对应的单词特征，得到所述文本特征。
133.在一些实施例中，所述文本处理模型包括bert模型。
134.在一些实施例中，所述面片由三个模型顶点构成；所述系统700还包括：
135.训练单元，用于获取若干面片组合，所述面片组合包括相邻的两个面片，两个面片中相同的两个顶点构成两个面片的相邻边；
136.针对每一面片组合进行标注，得到针对每一面片组合内两个面片是否进行合并的标注信息，以得到若干面片组合样本；
137.针对每一面片组合，针对所述面片组合内的至少一个面片，在该面片的目标中线上等距取点，将每次取得的点与该面片的另外两个顶点构成新面片，将所述面片组合的标注信息确定为所述新面片与所述面片组合内另一面片组成的新面片组合的标注信息，以扩充面片组合样本；所述目标中线是指该面片中处于相邻边以外的顶点和所述相邻边的中点组成的线段；
138.基于扩充后的面片组合样本，对所述面片合并模型进行有监督训练。
139.在一些实施例中，所述训练单元进一步用于：
140.基于面片组合样本中的面片组合构建输入样本；
141.将所述输入样本输入所述面片合并模型，得到针对所述面片组合内两个面片是否进行合并的预测信息；
142.基于所述预测结果与面片组合样本包括的标注信息，以及预设的损失函数，得到损失信息；
143.基于所述损失信息，调整所述面片合并模型的模型参数。
144.在前述方案中，可以基于采用常规轻量化技术进行初步轻量化处理后的数字孪生模型所包括的面片组合构建模型输入，之后根据经过训练的面片合并模型基于所述模型输入判断是否需要将面片组合内的两个面片进行合并，然后将需要进行合并的面片进行合
并，由于所述面片合并模型预先经过训练，可以将合并后对原本渲染效果影响不大的面片进行合并，从而进一步减少面片数量达到不影响渲染效果且进一步轻量化数字孪生模型的效果，提升模型渲染速度，也保证了数字孪生模型的渲染效果，满足客户需求。
145.本领域技术人员应明白，本技术一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本技术一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(可以包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
146.本技术中的“和/或”表示至少具有两者中的其中一个。本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于数据处理设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
147.虽然本技术包含许多具体实施细节，但是这些不应被解释为限制任何公开的范围或所要求保护的范围，而是主要用于描述特定公开的具体实施例的特征。本技术内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
148.类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，所述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
149.以上仅为本技术一个或多个实施例的较佳实施例而已，并不用以限制本技术一个或多个实施例，凡在本技术一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术一个或多个实施例保护的范围之内。