0 引言

在人们认知世界的过程中，大约有95%以上的信息是通过视觉系统获得的[1]，作业对象良好的可视性是各项作业行为顺利执行的前提和基础，因而可视性评估作为人机工程评估(Human Factors/ergonomics Evaluation, HFE)中的关键组成部分，应贯穿于各类机电产品设计的全过程。如在产品的装配工艺设计中，应尽量使工人在装配过程中能够清晰地观察装配件和装配目标位置，以便快速准确地进行装配定位，提高生产效率和质量[2-3]；在产品的人机界面设计中，显示器和控制器的布置应有利于用户的认读和操纵，以便减少用户的操作失误，提高产品的安全性和舒适性；在产品的维修性设计中，应重视维修、检测部位的视觉可达性，以便降低维修操作难度，提高产品的维修性能[4]。

李方振等[33]对不同砾石含量的宽级配砾质土进行了一系列的三轴渗透试验。根据砾石含量不同，将宽级配砾质土的结构分成悬浮-密实、密实-骨架、骨架-空隙三种形式；渗透系数随砾石含量的增大，呈现出先略微减小后又逐渐增大、最后显著增大的变化规律，并认为宽级配砾质土的渗透系数与含水率、干密度均有较大的关系。

目前可视性评估工作主要依靠人机工程专家根据观测物在视域中的分布位置进行分析、评估、打分，例如JACK,RAMSIS,SAMMIE等[5-6]商业化人机工程软件提供了绑定在虚拟人模型上的视域模型，方便了产品设计阶段的可视性评估工作的开展。虽然可视性人工评估在工程中被广泛使用并取得了不错的应用效果，但是仍然存在以下不足：

(1)人机工程专家位于屏幕外，没有沉浸在虚拟环境中，难以准确获知观测物在视域中的相对位置、实际可视部分、清晰程度等视觉感受信息，这种问题在复杂的虚拟环境中比较突出。

(2)可视性评估工作依赖于人机工程专家的技巧、经验和理解，甚至还可能受到当时情绪的影响，评估结果因人而异，缺乏稳定性。

良好：

为了解决上述问题，有必要对可视性自动评估技术开展研究。

国内外学者对可视性评估方法的研究主要集中在人工评估条件的改善上。李倩等[7]以混合绘制技术构建了类似体积光的半透明视域模型，使屏幕外的评估者更容易分辨出观测物相对于视域的分布情况;崔晓风等[8]对维修操作涉及的视觉元素进行分析，并使用模糊综合评价法给出了维修作业视觉可达性的模糊评价值;Chevaldonne等[9]设计了一套沉浸式虚拟现实系统仿真驾驶舱场景，并通过实验对比分析了视域分布和仪器、仪表布局对驾驶员视觉的影响。

近年，也有学者萌生了可视性自动评估的想法。例如Enomoto等[10]通过模拟人眼的虚拟摄像头来截取虚拟场景中的图像，并根据图像中观测物未被遮挡部分的像素数量与观测物全部像素数量的比值进行可视性自动评估。该方法仅考虑了环境遮挡因素，其评估结果可靠性较低。

本文提出一种针对动态观测物的可视性自动量化评估方法，将观测物表面划分为一个个尺寸适当、形状匀称的三角网格作为评估单元。根据人机工程学原理构造出接近人眼视野生理特征的复合椭圆锥视域模型，并通过在该视域模型中布置间距适宜且具有清晰层次结构的检测线簇来构造用于检测观测物表面的可视部分的检测锥。利用这些检测线模拟人眼的视线，通过检测线与三角网格的相交测试判断该三角网格所在部分是否可视。该方案的最大优势在于可以精确地检测出观测物在不同位姿条件下和在环境物体遮挡条件下的实际可视部分。但是由于检测线和三角网格的数量很多，在它们之间进行常规的遍历求交测试的计算量非常庞大，为此本文提出一种基于邻接性的分层检测算法，大幅降低了检测的计算量，增强了可视性动态评估的实时性。

从外层向内层推进的分层检测算法与该流程相似，此处不再赘述。

本文设计了一套兼顾精确性和计算效率的评估算法模型，以评估每一仿真时刻的检测结果。与传统评估模式直接给出可视性总体粗略评估值的方法不同，本文算法可以对影响可视性的视域因素、物姿因素和视角因素进行分开评估，使用户可以动态直观地获知各因素每一时刻的评估值。这样可以将每一时刻制约可视性的影响因素实时地反馈给用户，从而为改进产品的可视性提供更加明晰的参考数据。

1 观测物表面的网格划分及网格信息的计算和存储

网格划分的质量对算法效率和算法精度具有重要影响。研究发现，狭长、非匀称的三角网格容易被漏检，而匀称的高质量三角网格可以降低检测遗漏的概率，同时各个三角网格的大小应尽可能一致，以免尺寸偏小的网格被漏检。综合以上网格划分要求，本文采用正则栅格法与Delaunay划分法[11-12]相结合的混合网格划分方法，并采用Laplacian光顺算法[13]和网格拓扑优化算法[14]对划分后的网格进行优化，以提高三角网格质量。

In conclusion, pain in pancreatic cancer has a complex physiopathology. It eminently implies a neuronal invasion and a neurogenic inflammation.

 

(1)

式中：γ′为临界视角，视力正常者的γ′=1′，S为视距，一般操作的视距范围在380 mm～760 mm之间[7]。这里给出网格尺寸λ的建议范围为4D～8D，即0.57 mm～1.79 mm。

网格尺寸过小会占用过多计算资源，影响仿真实时性，而网格尺寸过大又会降低评估结果准确性。为避免网格尺寸设置的盲目性，本文通过临界视角公式[1]推导出不同视距下人眼所能分辨的最小尺寸D，网格大小的确定应该以尺寸D为基础。

将划分和优化后的各三角网格编号为Ti，并存储每个网格的三个邻接网格的编号计算并存储各三角网格的面积Pi。经过上述工作，观测物表面就被均匀地划分为一个个评估单元

2 视域建模与可视性检测锥的构造

2.1 视域建模

视域模型一方面应形状规则、简单，以提高系统仿真计算的效率;另一方面应尽可能地接近人眼视野的生理特点,以便提高可视性数字化评估结果的可靠性。视野是指人的眼球和头部不动时，人所能观察到的空间区域，通常以角度来表示[15]。矢状面内人眼视线下方10°到上方15°的区域为最优视野；视线下方20°到上方40°区域减去最优视野后所剩区域为良好视野；视线下方45°到上方70°区域减去良好视野后所剩区域为一般视野。定义通过视线且与人体矢状面垂直的平面为视平面。视平面内人眼视线左右两侧各15°的区域为最优视野；视线左右各35°区域减去最优视野后所剩区域为良好视野；视线左右各60°区域减去良好视野后所剩区域为一般视野。JACK等人机工程仿真软件提供给用户的是过于简略的单一圆锥视域模型，未考虑视平面上方视野和下方视野的不同特点。不同于传统人机工程软件的视域模型，本文根据视平面上方和下方各个视野具有的不同生理特征，分别构造半椭圆锥来表征各视域。以矢状面内各视野上、下边界为相应的半椭圆锥的上、下母线，视平面内各视野左、右边界为相应的半椭圆锥的左、右母线，两眼瞳孔连线与视线的交点为锥顶Q，生成各视域的半椭圆锥，如图1所示。

 

2.2 可视性检测锥的构造

本文通过在视域模型中布置放射状检测线簇构造可视性检测锥。生成放射状检测线的关键是使检测线在观测物处的间距略小于观测物表面网格尺寸λ，且各条检测线间的间距应尽可能均匀。同时，为适应下文所提出的分层检测算法的需求，检测线应具有清晰的层次化结构特点。下面以最优视域的下半椭圆检测锥为例对构造方法进行说明。如图2所示，过观测物中心生成中心视线的垂直面，该垂直面与下半椭圆锥的左右母线a1、b1和下母线c1相交于A1、B1、C1三点。以A1、B1为左右顶点参数，以C1为下顶点参数生成第一个半椭圆E1。将左右母线在视平面内各自向中心视线一侧偏转α1得到射线a2，b2，下母线在矢状面内向中心视线一侧偏转β1得到射线c2,同样以A2,B2,C2 3个交点为左右顶点参数和下顶点参数生成第二个半椭圆E2。由余弦定理公式得

 

(2)

由于α1，β1极小，采用工程上通常的近似方法，la1=la2，lc1=lc2，由式(2)解得：

 

(3)

本文通过式(6)计算物姿因素G的评估值：

 

 

3 可视三角网格的动态检测

本文利用检测线模拟人眼的视线,与检测线相交的三角网格为可视的，不相交的则为不可视的。由于三角网格与检测线的数量很大，即便采用Möller等[16]提出的射线与三角网格的快速求交算法来提高检测速度，常规的遍历求交运算仍然会占用大量计算资源，尤其是在视距较远、观测物表面积较大的情况下，对计算机的性能构成很大的挑战。

在构造具有层次结构的检测锥的基础上，本文分析了可视区域的连续性特点，提出一种基于邻接性的分层检测算法，极大地降低了检测的计算量。研究发现，在一条检测线检测到一个三角网格后，与其相邻的检测线可能检测到的三角网格一定在该三角网格及其周围三层邻接三角网格之中，因此这条相邻检测线只与该范围内的三角网格执行相交测试即可，定义这种检测方式为小区域检测。此外，由于观测物本身物质分布的连续性，能够检测到网格的检测线层一定是连续分布的，即这些检测线层之间不存在某一个没有检测到网格的检测线层。

 

图4所示为从内层向外层推进的分层检测算法流程：

步骤1 检测线Lij执行普通检测，即该条检测线依次与模型的所有三角网格均进行求交检测。

2.7 香菇普通粉、超微粉膨胀度比较 由图7可见，香菇普通粉和超微粉的持水性指数存在显著性差异(P<0.05)。与粉体变小持水性降低的原因一样，小分子对于水分子的束缚力小，从而导致香菇超微粉比普通粉的膨胀度差。也可能是香菇在超微粉碎过程中，纤维组织被破坏，从而导致膨胀度下降。

强化入海水道工程巡视检查，既是工程管理规程规范的要求，更是由入海水道工程自身特点和功能决定的。入海水道工程的特点主要有：

步骤2 如果检测到三角网格，则同层的相邻检测线Lij+1执行小区域检测，否则Lij+1执行普通检测。

步骤3 检查该检测线序号是否小于该层最大序号ni，如果是则返回步骤2，继续同层的检测线的遍历；否则进入步骤4。

步骤4 检查是否连续三层检测线都未检测到网格，如果不是，则该检测层序号加1，j赋值为1，返回步骤1执行下一层检测线的遍历，是则算法结束。

1.3.3 蛋白的提取与测定 将心肌组织分别抽取、定量和变性，采用Western blotting法检测时钟蛋白Bmal1和Per2在蛋白水平表达情况，进行聚丙烯酰胺凝胶电泳分离目的蛋白，蛋白湿转后以5%脱脂奶粉室温封闭，目的蛋白分别加入Bmal1、GAPDH以及Per2一抗4 ℃孵育过夜，分别加入羊抗兔及羊抗鼠荧光二抗室温孵育1 h,使用Odyssey红外扫描显影仪扫描并分析测定灰度值，以目的蛋白灰度值与内参(GAPDH)条带灰度值的比值来反映目的蛋白的相对表达水平。

值得注意的是，每一个仿真时刻的初始检测层序号为上一仿真时刻检测到网格的检测层序号序列的中位数，并由该检测层开始，向内和向外推进，直到完成观测物的检测。该方法使计算机仅需遍历每一个可以检测到网格的检测层，极大地节省了计算资源。在中小型观测物可视性仿真评估中，这种优势尤为突出。

在复杂动态环境下，观测物有可能会被其他环境物体遮挡，未被遮挡部分所占的比例越大，可视性越好。为了计算该比例，在上述分层检测算法的基础上，本文给出的方案是在每一个仿真时刻先消隐环境物体，检测出空旷环境下观测物的可视网格，然后取消消隐，用前面所有检测出可视网格的检测线再次检测观测物，得出复杂环境下未被遮挡的可视网格。因为第二步是针对少数检测线的定向检测，占用的计算资源很少，所以本方案对仿真实时性的影响极小。

4 可视性各因素的动态评估

4.1 视域系数的计算及视域因素的评估

由生活常识可知，视域中的物体越靠近人眼的中心视线，物像越清晰，越容易被观察者辨认。本文通过视域系数来描述三角网格距中心视线的远近，但是直接以三角网格到中心视线的距离为自变量去定义视域系数存在两个问题：①因为视域是一种结构相对复杂的复合锥体，这种方法导致不同视距，不同视域的计算模型必定不同的，所以浪费了大量的计算资源;②采用同一种距离来定义的计算模型太过粗略，不能反映各视域视觉特性的差异，因此可视性评估结果是不可靠的。为解决上述问题，本文设计了一种简明有效的计算模型，以良好视域内的任意一个被检测线检测到的三角网格ΔIJK为例进行说明，如图5所示。

 

生成过ΔIJK的中心M并与该三角网格所在视域内侧临界面垂直的垂线L，L与外侧临界面和内侧临界面的交点分别为N，O。

 

(4)

式中C为近界率，C∈[0，3]。本文用式(4)将各视域中的三角网格到中心视线的距离转化为统一的近界率参数，并以此参数为定义域定义一个分段函数作为视域系数r的计算模型。当观测物处于最优视域时，人眼会在瞬间看清物体并感到很舒适，不易产生视觉疲劳，物像最清晰，可视性最优，r取0.9～1(其中0≤C≤0.15时，物像落在视网膜的最敏感区域——黄斑上，故在该区间r取1)；当观测物处于良好视域时，人眼虽能在较短时间内分辨出物体外形，但长时间观察会感到疲劳，物像具有一定的清晰度，可视性良好，r取0.9～0.4；而当观测物处于一般视域时，人眼不但需要集中注意力才可辨析物体外形，而且还会感到不适，容易产生视觉疲劳，物像比较模糊，可视性一般，r取0.4～0。r与C的函数关系如图6所示。

 

本文通过式(5)来计算视域因素R的评估值：

 

(5)

式中：m为消隐环境物体时人眼所能看到的三角网格的个数;Pi为各三角网格的面积;n为复杂环境下人眼所能看到的三角网格的个数;为各三角网格的面积;rj为各三角网格的视域系数。

4.2 物姿系数的计算及物姿因素的评估

视域中的物体姿态不同，则可视性不同，这种现象在观察扁平状物体时尤为明显，其原因在于物体表面与视线夹角的差异。本文通过物姿系数g衡量这种因素的影响，以良好视域内任意一个被检测线检测到的三角网格ΔI′J′K′为例说明其计算方法，如图7所示。

 

生成过锥顶Q和三角网格ΔI′J′K′中心M的射线L′,获取L′与网格面的夹角α。因为ΔI′J′K′是被检测出的可视网格，所以0≤α≤180°。当75°≤α≤90°时，网格面很清晰，可视性最好，因此在该角度范围内，g为1；当0≤α≤75°时，网格面清晰度会随角度的减小而变差，直至完全看不见网格，因此g由1逐渐减小到0；当90°≤α≤180°时，g的函数曲线与0≤α≤90°时对称。g与α的函数关系如图8所示。

 

如图3所示，以0.9λ为间距在半椭圆上均匀地插入点，从锥顶出发过各插入点生成放射状检测线。以此类推构造一系列同心检测线层，直至∠AnQBn<2αn。在完成构造检测锥后，依次将各检测线编号为Lij，其表示第i层第j条检测线。

 

(6)

式中gj为可视三角网格的物姿系数，其余参数含义与式(5)一致。

4.3 视角因素的评估

现有的商用人机工程软件主要侧重于考虑视域因素，对视距因素关注较少。而根据生活经验，不同视距条件下，物体的可视性差异较大，因此没有考虑视距因素的可视性评估结果难言准确可靠。现有的人机工程学文献[15]仅根据所从事工作性质的粗略分类给出建议的视距值，精细的工作建议靠近一些，粗略的工作建议离远一些，这显然远远达不到可视性评估的目的。另外，在同样的视距条件下，一个小尺寸观测物和一个大尺寸观测物之间的可视性差异很大，显然仅根据视距进行可视性评估也是不完善的，因此将视距因素和观测物尺寸因素集成为视角因素A。视角γ指观测物尺寸范围的两端点与人眼连线的夹角(如图9)，

 

(7)

 

从式(7)可以看出，视角大小由视距和观测物尺寸决定。

当6°≤γ≤50°时，物像很清晰，A的评估值为1；当0°≤γ≤6°时，随着γ的不断减小(通过增大视距，减小观测物尺寸实现)，物像会越来越模糊，当视角小于临界视角时，观测物完全不可见。因此，在该角度范围内，A的评估值随γ的减小而减小。但是当50°≤γ≤120°时，随着γ的不断增大(通过减小视距，增大观测物尺寸实现)，为了看清物体，需要眼部睫状肌不断地紧张收缩压迫晶状体来增加曲率，以使物像落在视网膜上，眼睛会感到不舒适和疲劳。在这种情况下，观测者不但在神经心理上会产生压迫感，感到明显的目眩和不适，而且也很难看清物体的全貌。因此在此角度范围内，A的评估值随γ的增大而减小。A与γ的函数关系如图10所示。

 

4.4 可视性总体评估值及其向语言型评估结果的转化

计算可视性总体评估值V的关键是确定各视觉影响因素的权重。参考木桶短板理论(木桶壁上最短的板决定了木桶的盛水量)，评估值越低的视觉影响因素对可视性总体评估值的影响作用越大，其在计算可视性总体评估值时所占的权重也越大。综上，可视性总体评估值

2.创新转型，多元发展，抓住机遇。多元发展层面，企业可拓展印刷的范畴，如RFID标签、3D打印,利用互联网高速发展的机遇研发新包装、开拓新领域等，在保证不亏本的情况下尽可能多地去尝试。

 

(8)

用数字来衡量可视性评估结果具有精确、严谨、易于融合进其他仿真模块等优点，但是现实生活中人们更多的是通过概念、自然语言等方式进行思维。因此，为了提升本文所提方法的交互性和用户友好性，有必要提供将可视性数字化评估结果转化为语言型评估结果的机制。本文通过引入模糊数学领域的隶属度函数，将可视性数字化评估结果映射到最优/良好/一般等直观的语言型评估结果上，隶属度函数的类型选定为高斯型，如式(9)～式(13)所示，隶属度函数曲线如图11所示。

选择2017年2月—2018年6月我院收治的52例桡骨远端关节内骨折伴腕关节不稳定患者为研究对象，所有患者和家属均知情本研究并对此研究具知情权，签订研究同意书。对52例患者先X线诊断，再行CT诊断，对比两组诊断结果，以此分析诊断准确率。其中男24例，女28例；年龄25～68岁，平均（52.1±1.3）岁；13例为左侧受损，21例为右侧受损，18例为双侧受损。

最优：

突出基层平台建设，全县四级一体化行政审批体系建设走在全区先进行列。广西壮族自治区田阳县食品药品监管局注重乡镇行政审批的前置把关，在各乡镇的“一办三中心”设置窗口，严格开展申办指导、资质初审、现场核验、颁发许可等工作。通过网上审批，实现监管前置、重心下移，办件时限缩短，所有审批事项均比法定时限提速65%以上。在2015年自治区年中工作会议上，该局就食品药品监管工作做了典型发言并被自治区局授予“行政审批改革创新工作先进单位”。

 

(9)

比较良好：

 

(10)

(3)可视性人工评估适合于静态场景，对一些动态场景难以进行实时快速评估(如驾驶员在车辆行驶过程中的可视性评估，车间工人在进行装配、拆卸作业时的可视性评估)。

 

(11)

一般：

 

(12)

最差：

 

(13)

 

将可视性数字化评估结果代入隶属度函数，可得其隶属于相应语言型评估结果的程度。例如，当可视性数字化评估结果为0.73时，其隶属于“比较良好”评语等级的程度为88.2%，而隶属于“最优”评语等级的程度仅为2.6%。

5 实例

与基于虚拟交互设备的人机交互式虚拟装配技术相比，自动装配引导与定位技术领域的关键技术问题是如何将装配过程中的人机因素融入装配过程仿真中。在现实装配过程中，装配者是根据装配件和目标件的位置与姿态误差施加装配力和装配力矩，对装配件进行引导和精确定位的。但由于装配环境可视性条件的不同，装配者对装配件和目标件位姿误差信息的判断带有一定偏差，并且随着可视性条件的变差，这种偏差有加大的趋势，极端情况下甚至只能凭直觉进行耗时巨多的“盲装”。笔者前期对考虑人机因素的自动装配引导与定位技术进行了研究[17-18]，利用蒙特卡洛方法模拟可视性等人机因素对装配力与装配力矩的影响。在每一仿真时刻，由程序自动建立关于装配件姿态、位置、重力、接触力、装配力及装配转矩的动力学方程组，通过求解动力学方程得到下一时刻的位置、姿态、速度、角速度，重复上述过程直到装配件和目标件的位姿误差满足装配误差要求，并在此基础上自主开发了虚拟装配原型系统，系统界面如图12所示。研究初期，可视性等人机因素的参数值由用户自主设定，可能与实际装配环境有差异，导致仿真过程不可靠，因此为提高装配仿真结果的准确性，采用本文所提算法对装配过程中的可视性因素进行实时量化评估。

综上所述，在射流有效射程范围内，工作面附近涡流区域随着风筒出口与工作面端头距离的增加而增大，但涡流核心区域的变化规律却是先增大后减小，最大区域出现在L=5 m左右的位置。风流发生二次偏转时的偏转角度也随着风筒距离的增大而增大。

 

5.1 仿真过程描述

通过设置操作者和凸轮盘的位置参数以实现仿真1的初始条件：凸轮轴位于最优视域，凸轮盘位于一般视域。仿真2的初始条件为：凸轮轴位于良好视域，凸轮盘位于最优视域。仿真3的初始条件为：凸轮轴位于一般视域，凸轮盘位于最优视域。提取其中凸轮盘的视域因素评估值，如图17所示。

5.1.1 离线预处理

兼顾计算效率和评估准确性,本文选取的网格尺寸为1.5 mm,凸轮盘表面积为12 025 mm2,网格划分优化后得到12 541个网格单元,如图13所示。对各三角网格进行编号,计算并存储各网格的面积信息。

 

用户通过对话框输入装配者和操作台的坐标位置、装配者身高、操作台高度等参数。系统会根据采用站姿的虚拟装配者的人体比例模型计算视点位置，通过连接视点和目标位置中心来计算中心视线方向。本文实例中，分别选取视点到目标中心的距离为450 mm和600 mm，通过2.2节方法,根据网格尺寸参数和视距参数构造可视性检测锥，并将其标定为虚拟装配者的视锥。以450 mm视距检测锥为例，该检测锥中含有562个检测线层、1 017 782根检测线，如图14和图15所示。按顺序对各层检测线进行编号。

 

 

5.1.2 自动装配仿真过程

文中的虚拟装配原型系统基于考虑人机因素的自动装配引导与定位技术开发，装配过程由计算机自动执行，无需借助数据手套、三维鼠标、力反馈装置等虚拟交互设备对装配件进行反复拖动，避免了由于虚拟交互设备精度不高导致的装配力输入不准确、装配定位困难、装配效率低的问题。凸轮盘装配的过程如图16所示。首先通过离线预处理阶段构造的可视性检测锥实时计算可视性评估值，然后根据该参数利用蒙特卡洛方法计算实时的装配力和装配力矩，最后在装配力和装配力矩的驱动下对装配件进行引导定位。凸轮盘由设定的初始位置向电机运动，在与电机上凸轮轴碰撞后计算接触力(图16a);计算每一时刻凸轮盘所受的外力和外力矩，由程序自动构建动力学方程组，求解方程组得出下一时刻的速度、加速度、角速度、角加速度(图16bc);求解位姿变换矩阵，对凸轮盘进行位姿变换，直到其与凸轮轴的位姿误差满足装配误差要求(图16d)。

 

5.2 视域因素的动态评估

下面以某型电机的盘形凸轮装配为例，验证本文方法的实用性。凸轮盘为装配件，电机为基体件，电机上的凸轮轴为装配目标位置，电机上凸轮轴与凸轮盘上孔的配合部分的几何中心为目标位置中心。

2.3.1 不良反应总发生率 纳入10个研究［6‐7，9‐11，13‐17］，各研究间为同质性（P=0.37，I2=8%），采

 

由图17可知：①仿真1的装配目标位置位于最优视域,随着装配件从一般视域向目标位置趋近,视域因素评估值随之上升,装配完成后,视域因素评估值停留在0.937,整个过程快速且相对平稳,说明在最优视域条件下,装配者可以快速准确地将装配件放置到位;②仿真2的装配目标位置位于良好视域，随着装配件从最优视域向目标位置趋近，视域因素评估值随之下降，在装配仿真后期阶段出现的两次波动是视觉误差等人机因素造成的定位失败，以及回退和装配再试探的过程;③仿真3的装配目标位置位于一般视域，随着装配件从最优视域向目标位置运动，视域因素评估值随之下降，在仿真后期出现了反复波动的情况，这主要是因为一般视域的可视性差，视觉误差大，装配定位带有很大的随机性，装配者进行了多次试探后才装配定位成功。

5.3 物姿因素的动态评估

本节通过设置操作者高度参数实现仿真4的初始条件“凸轮轴低于视点410 mm”、仿真5的初始条件“凸轮轴低于视点230 mm”、仿真6的初始条件“凸轮轴低于视点60 mm”。3次仿真开始前，凸轮盘均放置于操作台的同一位置。提取其中凸轮盘的物姿因素评估值，如图18所示。

 

由图18可知：①在3次装配仿真的前期阶段，装配者通过提举操作使凸轮盘向目标位置趋近，凸轮盘表面与视线的夹角会随之变小,因此物姿因素评估值均有所降低;②在3次装配仿真的后期阶段,物姿因素评估值的变化均非常剧烈,这是因为物体姿态对物姿因素具有决定性的影响，而在装配后期定位阶段，凸轮盘位姿调整幅度大且速度快;③仿真4仅用5.2 s完成装配定位，仿真5的装配时间有所增加，而仿真6的位姿调整时间过长，这是因为物姿条件好的情况下，装配者可以清晰地观察装配目标位置并对装配件进行高效准确地定位，反之则需要进行多次的位姿调整、试探。

5.4 视角因素的动态评估

通过设置操作者位置参数以及凸轮盘的尺寸参数以实现仿真7的初始条件：视点与凸轮轴的视距为450 mm，凸轮盘最大外径为40 mm；仿真8的初始条件：视点与凸轮轴的视距为600 mm，凸轮盘最大外径为40mm；仿真9的初始条件：视点与凸轮轴的视距为450 mm，凸轮盘最大外径为25 mm。凸轮盘的装配路径方向为由近及远。提取凸轮盘的视角因素评估值，如图19所示。

王婆常常听他们这一类人说“死”说“活”……她也想死是应该，于是安静下去，用她昨夜为着泪水所浸蚀的眼睛观察那熟人急转的面孔。终于她接受了！那人从囊中取出来的所有小本子，和像黑点一般的小字充满在上面的零散的纸张，她全接受了！另外还有发亮的小枪一支也递给王婆。那个人急忙着要走，这时王婆又不自禁地问：

 

由图19可知：①在3次装配仿真前期阶段，视角因素评估值为1，这是因为当视距较近时，视角因素并未对可视性产生不良影响;②当凸轮盘向目标位置靠近，视距变大时，视角因素评估值会随之降低;当装配件进行回退、装配试探时，视角因素评估值会随之震荡;③仿真8的视距值虽然比仿真7的多150 mm，但视角因素评估结果的差距却相对较小，说明视距对视角因素的影响相对平缓。仿真9的凸轮盘最大外径仅比仿真7的小15 mm，但视角因素评估结果的差距却比较明显，说明观测物尺寸对视角因素的影响较为显著。

6 算法效率对比与网格数量控制

6.1 算法效率对比

分别采用常规的遍历求交检测算法和本文所提的基于邻接性的分层检测算法对图20所示的模型进行求交检测。模型的表面积为7 395 mm2，选取的网格尺寸为1.5 mm，网格划分优化后得到7 802个三角网格单元。设置视点距模型400 mm，根据2.2节所述方法构造可视性检测锥。在模型由中心视线处向左运动的过程中选取8个采样点，图21比较了两种检测算法的时间耗费。

 

 

从图21可以看出，常规的遍历求交检测算法耗费的时间远远大于分层检测算法，大约为其170倍左右。检测锥与模型的相交测试复杂度为O(nk)，n为检测线数，k为模型网格数。本文所提的基于邻接性的分层检测算法在每一检测时刻仅遍历可以检测到网格的检测线层，并且该层的多数检测线仅对模型的少数特定网格作小区域检测，大幅降低了n和k的数量，提高了检测效率。而常规的遍历求交检测算法则对每一条检测线和三角网格均进行相交检测，浪费了大量的计算资源。

6.2 模型网格数量控制

随着模型几何尺寸的增大，模型的网格数也会增多，由前面的算法分析可知，网格数目对相交检测的计算量有显著影响。图22所示的曲线给出了网格数量k与系统更新时间的关系：当k<1.0×104时系统更新所需的时间很少，仿真画面流畅；随着k的增大，系统的更新时间迅速增加；当k>2.0×105时，画面出现些许卡顿，流畅度不佳；当k>1.0×106时,每帧卡顿时间超过1 s，很难进行实时仿真。在实际应用中建议将网格数量控制在1.5×105以内。

为了验证所提出方案的可行性,制作了一台实验样机,输入电压为0～120 V;输出电压为380 V,额定功率1 000 W。

 

7 结束语

本文提出一种针对动态观测物的可视性自动量化评估方法。该方法将观测物表面划分成三角网格评估单元，构造出接近人眼视野生理特征的可视性检测锥，利用检测锥中的检测线模拟视线，通过检测线与三角网格求交运算检测出观测物在不同位姿条件下的实际可见部分;提出一种基于邻接性的分层检测算法，极大地降低了检测的计算量;设计了一套兼顾评估准确性和计算效率的评估算法，该评估算法将可视性的影响因素分为视域因素、物姿因素和视角因素，并可对各影响因素分开进行实时评估，方便了机电产品可视性的改进。

在本文工作的基础上，下一步的研究重点为：

基于以上原理，研发团队研制了直线电机下沉分析、预测的数学模型及相关软件，并采用大量的历史数据和实际案例进行仿真分析，其分析结果与实际案例完全一致。

(1)通过人机工程专家打分、统计分析等方式设置不同作业任务类型下各评估系数边界值，并提供更多用于各边界值之间过渡的分段函数类型选项，以提高可视性自动评估的可靠性与适应性。

(2)考虑更多影响可视性的因素如光照条件、环境和观测物的配色等，并探究如何将这些评估结果应用于机电产品设计、工作场景布置的综合优化。

参考文献:

[1] MAO Enrong, ZHANG Hong, SONG Zhenghe. The Vehicle Ergonomics[M]. Beijing：Beijing Institute of Technology Press,2007：47-50(in Chinese).[毛恩荣，张 红，宋正河.车辆人机工程学[M].北京：北京理工大学出版社,2007：47-50.]

[2] GAO W, SHAO X D, LIU H L. Virtual assembly planning and assembly-oriented quantitative evaluation of product assemblability[J]. The International Journal of Advanced Manufacturing Technology,2014,71(1):486-496.

[3] GAO W, SHAO X D, LIU H L. Enhancing fidelity of virtual assembly by considering human factors[J].The International Journal of Advanced Manufacturing Technology,2016,83(5):873-886.

[4] ZENG Yi, SHANG Jianzhong, CAO Yujun, et al. Research on visibility evaluation methods in maintainability design[J]. Journal of Engineering Graphics,2009,30(1):70-74(in Chinese).[曾 毅,尚建忠,曹玉君,等.维修性设计中的可视性评价方法研究[J].工程图学学报,2009,30(1):70-74.]

[5] XU Meng, SUN Shouqian. Progress of research on computer-aided ergonomics[J]. Journal of Computer Aided Design & Computer Graphics,2004,16(11):1469-1474(in Chinese).[徐 孟,孙守迁.计算机辅助人机工程研究进展[J].计算机辅助设计与图形学学报,2004,16(11):1469-1474.]

[6] LUO Shijian, SUN Shouqian, TANG Mingxi, et al. Study on computer-aided ergonomics design[J]. Journal of Zhejiang University(Engineering Science),2005,39(6):805-809(in Chinese).[罗仕鉴,孙守迁,唐明晰,等.计算机辅助人机工程设计研究[J].浙江大学学报(工学版),2005,39(6):805-809.]

[7] LI Qian, JI Xiaomin, LIN Wenzhou. Visualization of the visual range assessment in man-machine system[J]. Journal of Image and Graphics,2012,17(5):715-720(in Chinese).[李 倩,吉晓民,林文周.人机系统中视域评估的可视化[J].中国图象图形学报,2012,17(5):715-720.]

[8] CUI Xiaofeng, FENG Wubin, XIANG Changle, et al. Research of maintainability and validation methods in armored equipment based on virtual maintenance[J]. Acta Armamentar Ⅱ,2009,30(11):1430-1434(in Chinese).[崔晓风,冯武斌,项昌乐,等.基于虚拟维修的装甲装备维修性分析与验证方法研究[J].兵工学报,2009,30(11):1430-1434.]

[9] CHEVALDONNE A M, BALLAZ C, MERIENNE F, et al. Field-of-view tests for a virtual cockpit application[J]. Journal of Electronic Imaging,2006,15(2):020501_1-020501_2.

[10] ENOMOTO A, YAMAMOTO N, SUZUKI T. Automatic estimation of the ergonomics parameters of assembly operations[J]. CIRP Annals-Manufacturing Technology,2013,62(1):13-16.

[11] GUAN Zhenqun, SONG Chao, GU Yuanxian, et al. Recent advances of research on finite element mesh generation methods[J]. Journal of Computer Aided Design & Computer Graphics,2003,15(1):1-14(in Chinese).[关振群,宋 超,顾元宪,等.有限元网格生成方法研究的新进展[J].计算机辅助设计与图形学学报,2003,15(1):1-14.]

[12] WANG Chengen.The technology on grid partition and visual display for scientific computing[M]. Beijing：Science Press,2011:47-77(in Chinese).[王成恩.面向科学计算的网格划分与可视化技术[M].北京：科学出版社,2011：47-77.]

[13] VOLLMER J, MENCL R, MÜLLER H. Improved Laplacian Smoothing of noisy surface meshes[J]. Computer Graphics Forum,1999,18(3):131-138.

[14] LV Shuming, ZHANG Minglei, SUN Shuli. Topological optimization for triangular mesh based on simplification and subdivision[J]. Journal of Computer Aided Design & Computer Graphics,2014,26(8):1225-1231(in Chinese).[吕书明,张明磊,孙树立.基于简化和细分技术的三角形网格拓扑优化方法[J].计算机辅助设计与图形学学报,2014,26(8):1225-1231.]

[15] ZHU Xuzhang. The Ergonomics[M]. Xi’an:Xidian University Press,1999:52-57(in Chinese).[朱序璋.人机工程学[M].西安：西安电子科技大学出版社,1999：52-57.]

[16] MÖLLER T. A fast triangle-triangle intersection test[J]. Journal of Graphics Tools,2010,2(2):25-30.

[17] GAO Wei, SHAO Xiaodong, LIU Huanling, et al. Assembly location technologies based on force-guidance[J]. Computer Integrated Manufacturing Systems,2013,19(10):2407-2416(in Chinese).[高 巍,邵晓东,刘焕玲,等.一种基于力引导的装配定位方法研究[J].计算机集成制造系统，2013,19(10):2407-2416.]

[18] HU Yan, SHAO Xiaodong, GAO Wei. Virtual assembly motion navigation by considering human factors[J]. Computer Integrated Manufacturing Systems,2016,22(3):695-704(in Chinese).[户 艳,邵晓东,高 巍,等.考虑人的因素的虚拟装配引导方法[J].计算机集成制造系统,2016,22(3):695-704.]