[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115457195A - 一种配网工程图纸二三维转换方法、系统、设备及介质 - Google Patents

一种配网工程图纸二三维转换方法、系统、设备及介质 Download PDF

Info

Publication number
CN115457195A
CN115457195A CN202210961937.XA CN202210961937A CN115457195A CN 115457195 A CN115457195 A CN 115457195A CN 202210961937 A CN202210961937 A CN 202210961937A CN 115457195 A CN115457195 A CN 115457195A
Authority
CN
China
Prior art keywords
dimensional
distribution network
network engineering
control points
constructed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210961937.XA
Other languages
English (en)
Inventor
李佳
王金丽
段祥骏
冯德志
李运硕
许媛媛
张琳
符金伟
王庆杰
段青
沙广林
曾军
肖征
邢田伟
李腾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Hebei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210961937.XA priority Critical patent/CN115457195A/zh
Publication of CN115457195A publication Critical patent/CN115457195A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明提供了一种配网工程图纸二三维转换方法、系统、设备及介质，包括：基于预先构建的构件识别模型，从获取的二维配网工程图纸中提取基础构件；基于基础构件在二维配网工程图纸的坐标系中选定多个控制点，同时获取多个控制点的二维坐标，并在预先构建的三维BIM模型坐标系中选取同名控制点；基于多个控制点的二维坐标结合一次线性方程得到同名控制点的三维坐标；基于二维配网工程图纸的关键元素、基础构件、同名控制点的三维坐标结合预先构建的BIM模型得到配网工程三维图纸；本发明基于构件识别模型引入的深度学习算法，实现了二维图纸关键元素的提取，并通过构建的三维BIM模型解决了二维图纸难以转换三维的问题，实现了配网工程的二维图纸转三维。

Description

一种配网工程图纸二三维转换方法、系统、设备及介质
技术领域
本发明涉及电力领域,具体涉及一种配网工程图纸二三维转换方法、系统、设备及介质。
背景技术
BIM技术在配网工程领域的应用尚处于起步探索阶段。配网工程具有总体数量多、单体体量小、施工周期短、地域差异大等特点，应用BIM技术实现配网工程管理的数字化转型是一个理想选择，但是仍存在一些制约因素需要突破。其中，配网工程的建设当前多依赖二维图纸开展，利用BIM模型实现三维可视化建模与表达，需根据二维图纸快速构建三维BIM模型，然而，二维图纸的样式、表达方式等可能存在差异，对提取关键元素带来难度，例如设备图形的表达、空间关系的表达；其次，深度学习需要基于大量的模型训练，模型训练的数量是识别正确率的保障，目前可收集用于训练的原始数据有限，也为实现关键要素的准确提取带来了难度；最后，需要将二维图纸上相对位置关系与空间三维坐标建立对应关系，需要综合考虑设备的正视图、侧视图、平面图和局部详图，进一步增加了二三维转化规则的难度，因此现有的技术难以实现，亟需解决。
发明内容
为了解决因二维图纸存在差异、用于训练的原始数据有限对二维图纸的关键元素提取困难以及二三维转化规则有难度的问题，本发明提供了一种配网工程图纸二三维转换方法，包括：
基于预先构建的构件识别模型，从获取的二维配网工程图纸中提取基础构件；
基于所述基础构件在二维配网工程图纸的坐标系中选定多个控制点，同时获取所述多个控制点的二维坐标，并在预先构建的三维BIM模型坐标系中选取同名控制点；
基于所述多个控制点的二维坐标结合一次线性方程得到所述同名控制点的三维坐标；
基于二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标结合预先构建的BIM模型得到配网工程三维图纸；
其中，所述构件识别模型是基于标记好关键元素的配网工程图纸和所述关键元素对应的基础构件对引入注意力机制模块的深度学习算法进行深度学习得到的；
其中，所述预先构建的BIM模型是基于所述二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标作为输入，所述三维图纸作为输出构建的。
优选的，所述构件识别模型的构建包括：
获取标记好的关键元素的二维配网工程图纸和所述二维配网工程图纸中关键元素对应的基础构件；
将所述二维配网工程图纸按设定比例缩放，得到缩放后的二维配网工程图纸；
将所述缩放后的二维配网工程图纸作为引入注意力机制模块的深度学习算法的输入，将所述二维配网工程图纸中关键元素对应的基础构件作为引入注意力机制模块的深度学习算法的输出进行训练，得到所述关键元素与基础构件的关系；
其中，所述关键元素包括以下一种或多种：二维图纸的比例尺、图像类型、设备信息。
优选的，所述标记好的关键元素是基于所述二维配网工程图纸的基础构件的标记信息得到的。
优选的，所述基于所述基础构件在二维配网工程图纸的坐标系中选定多个控制点，同时获取所述多个控制点的二维坐标，并在预先构建的三维BIM模型坐标系中选取同名控制点，包括：
基于所述基础构件的尺寸属性在二维配网工程图纸的坐标系中的同程值相同的多个点作为选定的多个控制点，并得到所述多个控制点的二维坐标；
基于所述多个控制点的二维坐标在所述预先构建的三维BIM模型坐标系以相同高程值为标准选取每个控制点对应的同名控制点；
其中，所述多个控制点的个数至少为3。
优选的，所述基于所述多个控制点的二维坐标结合一次线性方程得到所述同名控制点的三维坐标，包括：
基于所述多个控制点坐标和所述同名控制点坐标结合一次线性方程模拟转换得到所述同名控制点的三维坐标。
优选的，所述一次线性方程如下式所示：
U＝a×u+b×u+c；
V＝d×v+e×v+f；
式中，a、b、c、d、e、f为坐标转换参数；U、V为三维BIM模型坐标系中的同名控制点坐标。
优选的，在所述基于二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标结合预先构建的BIM模型得到配网工程三维图纸之后还包括：
对配网工程三维图纸的各基础构件进行碰撞检查。
优选的，所述对配网工程三维图纸的各基础构件进行碰撞检查，包括：
对配网工程三维图纸中的碰撞基础构件的位置、图元进行反向尺寸检查，判断是否按照二维图纸尺寸布局，若是，则完成碰撞检查，否则未完成碰撞检查。
基于同一发明构思本发明还提供了一种配网工程图纸二三维转换系统，包括：
基础构件提取模块，用于基于预先构建的构件识别模型，从获取的二维配网工程图纸中提取基础构件；
控制点获取模块，用于基于所述基础构件在二维配网工程图纸的坐标系中选定多个控制点，同时获取所述多个控制点的二维坐标，并在预先构建的三维BIM模型坐标系中选取同名控制点；
三维坐标获取模块，用于基于所述多个控制点的二维坐标结合一次线性方程得到所述同名控制点的三维坐标；
转换模块，用于基于二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标结合预先构建的BIM模型得到配网工程三维图纸；
其中，所述构件识别模型是基于标记好关键元素的配网工程图纸和所述关键元素对应的基础构件对引入注意力机制模块的深度学习算法进行深度学习得到的；
其中，所述预先构建的BIM模型是基于所述二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标作为输入，所述三维图纸作为输出构建的。
优选的，还包括构件识别模型构建模块，所述构件识别模型构建模块用于：
获取标记好的关键元素的二维配网工程图纸和所述二维配网工程图纸中关键元素对应的基础构件；
将所述二维配网工程图纸按设定比例缩放，得到缩放后的二维配网工程图纸；
将所述缩放后的二维配网工程图纸作为引入注意力机制模块的深度学习算法的输入，将所述二维配网工程图纸中关键元素对应的基础构件作为引入注意力机制模块的深度学习算法的输出进行训练，得到所述关键元素与基础构件的关系；
其中，所述关键元素包括以下一种或多种：二维图纸的比例尺、图像类型、设备信息。
优选的，所述标记好的关键元素是基于所述二维配网工程图纸的基础构件的标记信息得到的。
优选的，所述控制点获取模块具体用于：
基于所述基础构件的尺寸属性在二维配网工程图纸的坐标系中的同程值相同的多个点作为选定的多个控制点，并得到所述多个控制点的二维坐标；
基于所述多个控制点的二维坐标在所述预先构建的三维BIM模型坐标系以相同高程值为标准选取每个控制点对应的同名控制点；
其中，所述多个控制点的个数至少为3。
优选的，所述三维坐标获取模块具体用于：
基于所述多个控制点坐标和所述同名控制点坐标结合一次线性方程模拟转换得到所述同名控制点的三维坐标。
优选的，所述系统还包括：碰撞检查模块；
所述碰撞检查模块用于：
对配网工程三维图纸中的碰撞基础构件的位置、图元进行反向尺寸检查，判断是否按照二维图纸尺寸布局，若是，则完成碰撞检查，否则未完成碰撞检查。
再一方面，本申请还提供了一种计算机设备，包括：
一个或多个处理器；
处理器，用于执行一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现上述的一种配网工程图纸二三维转换方法。
再一方面，本申请还提供了一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现上述的一种配网工程图纸二三维转换方法。
与现有技术相比，本发明的有益效果为：
本发明提供了一种配网工程图纸二三维转换方法、系统、设备及介质，包括：基于预先构建的构件识别模型，从获取的二维配网工程图纸中提取基础构件；基于基础构件在二维配网工程图纸的坐标系中选定多个控制点，同时获取多个控制点的二维坐标，并在预先构建的三维BIM模型坐标系中选取同名控制点；基于多个控制点的二维坐标结合一次线性方程得到同名控制点的三维坐标；基于二维配网工程图纸的关键元素、基础构件、同名控制点的三维坐标结合预先构建的BIM模型得到配网工程三维图纸；其中，所述构件识别模型是基于标记好关键元素的配网工程图纸和所述关键元素对应的基础构件对引入注意力机制模块的深度学习算法进行深度学习得到的；其中，所述预先构建的BIM模型是基于所述二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标作为输入，所述三维图纸作为输出构建的。本发明基于构件识别模型引入注意力机制模块的深度学习算法，实现了对配网工程二维图纸关键元素的提取，并通过构建的三维BIM模型解决了二维图纸难以转换三维的问题，从而实现配网工程二维图纸转三维。
附图说明
图1是本发明提供的一种配网工程图纸二三维转换方法流程图；
图2是本发明的SSD网络结构图；
图3是本发明的特征提取网络图；
图4是本发明的SE模块图；
图5是本发明的一种配网工程图纸二三维转换技术与系统流程示意图；
图6是本发明的配网工程图纸二三维转换基础构件识别算法图；
图7是本发明的配网工程BIM三维模型轻量化与渲染处理图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1：
本发明提供一种配网工程图纸二三维转换方法,如图1所示，包括：
步骤1：基于预先构建的构件识别模型，从获取的二维配网工程图纸中提取基础构件；
步骤2：基于基础构件在二维配网工程图纸的坐标系中选定多个控制点，同时获取多个控制点的二维坐标，并在预先构建的三维BIM模型坐标系中选取同名控制点；
步骤3：基于多个控制点的二维坐标结合一次线性方程得到同名控制点的三维坐标；
步骤4：基于二维配网工程图纸的关键元素、基础构件、同名控制点的三维坐标结合预先构建的BIM模型得到配网工程三维图纸；
其中，所述构件识别模型是基于标记好关键元素的配网工程图纸和所述关键元素对应的基础构件对引入注意力机制模块的深度学习算法进行深度学习得到的；
其中，所述预先构建的BIM模型是基于所述二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标作为输入，所述三维图纸作为输出构建的。
预先构建的BIM模型是基于所述二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标作为输入，所述三维图纸作为输出构建的。
在二维配网工程图纸的坐标系中的同程值相同的多个点作为选定的多个控制点，并得到所述多个控制点的二维坐标；
多个控制点的二维坐标在所述预先构建的三维BIM模型坐标系以相同高程值为标准选取每个控制点对应的同名控制点；
多个控制点坐标和所述同名控制点坐标结合一次线性方程模拟转换得到所述同名控制点的三维坐标。
将二维配网工程图纸的关键元素、基础构件、同名控制点的三维坐标输入到预先构建的BIM模型得到配网工程三维图纸。
实施例2：
在实施例1中步骤1之前更为详细的描述如下所示：
步骤S1：配网工程二维图纸的分类与关键构件的标定。配网工程设计多类场景，BIM模型基础类型与工程类型相匹配，因此需要将图纸进行分类，分为配电台区、站房、架空线路三大类，设定图纸的一级标签用作场景分类，二维图纸中的基础构件采用LabelImage进行区域标定，作为识别定位的二级标签，并与BIM的三维基础构件库构件关联规则。
将二维图纸装换为图像，设置双层次标签，第一层级为：Distribution Area、Overhead Distribution Lines、Distribution Station；第二层级为部件层级，与BIM模型配电基础构件相对应。
步骤S2：配网工程二维图纸基础构件的识别。
在步骤S1的基础上，以二维图纸图像数据的基础，识别BIM三维模型搭建的基础元素。采用SSD(Single Shot MultiBox Detector)网络结构进行各基础构件定位，网络结构如图2所示。SSD网络首先将输入原始图像按比例缩放至大小，作为模型的输入。然后采用VGG-16作为主干网络(取原始VGG-16的Conv5_3之前的部分)，并将其中的Conv4_3层获取的特征作为第一个特征预测层。接着，通过叠加不同大小的卷积层，来分别获取在不同尺度上的特征，最终可得到分别为38x38x512、19x19x1024、10x10x512、5x5x256、3x3x256、1x1x256的特征预测。
在得到不同尺度的特征图后，SSD通过设置不同尺寸和数量的先验框对目标进行检测。浅层特征图感受野较小，主要用来对小尺寸的目标进行检测，因此生成的先验框较小；高层特征图感受野较大，其语义信息更加抽象，主要用来对大尺寸的目标进行检测和对目标进行分类，因此生成的先验框较大。最后，通过非极大值抑制(NMS)对检测结果进行筛选，获得最终的检测框。
采用VGG16网络作为特征提取网络，网络层数20层。网络统一使用尺寸大小为3×3的卷积核和尺寸为2×2的池化。在训练过程中使用多尺度的变换进行数据增强，使得模型不易过拟合。在该基础算法上进行多卷积层融合，将网络中深层的特征进行上采样，再与浅层特征进行融合形成多个尺度的特征图。通过对网络多层信息的融合，提升细小指针的检测精确度。网络结构如图3所示。
进一步提升网络检测性能，本文基于Faster R-CNN算法引入注意力机制模块。提高构件区域在网络训练中的权重，SE模块结构如图4所示。
基于RPN找出区域建议的目标，然后再做更加精细的类别划分和坐标位置回归，这种方式被为两阶段检测，因此两阶段检测比一阶段检测更准确。3x3卷积主要作用是语义转化，可以增加网络复杂程度，增加RPN的拟合能力。1x1卷积用于通道转换，可以转换成任意通道的特征图。
对于实施例1中步骤1的更为详细的描述如下所示：
得到基础构件提取的系列算法，实现配网工程二维图纸的基础构件自动匹配。
对于实施例1中步骤2中的更为详细的描述如下所示：
步骤S3：配网工程基础构件控制点坐标的二三维转换。
基于所述基础构件的尺寸属性在二维配网工程图纸的坐标系中的同程值相同的多个点作为选定的多个控制点，并得到所述多个控制点的二维坐标；
配网工程二维图纸与三维模型表达实体一致，仅为描述表达方式存在差异，边界线、构件间的位置关系、相互对应且长度保持相同。根据步骤S2的构件识别，获取其尺寸属性，为实现构件的三维空间组合在二维图纸坐标系和三维BIM模型坐标系中选取同名控制点，考虑到因平移、旋转和变形涉及的6个坐标转换参数，选取3对控制点即可解出方程，
基于所述多个控制点的二维坐标在所述预先构建的三维BIM模型坐标系以相同高程值为标准选取每个控制点对应的同名控制点；
其中，所述多个控制点的个数至少为3。
根据最小二乘法，一般选择3对控制点，选择较为清晰的具有代表性的同位置点，尽量保证各对控制点高程值相同且点的分布均匀。
对于实施例1中步骤3中的更为详细的描述如下所示：
坐标转换方程中，分为xy、xz、yz共三个平面，设(u，v)为二维图纸xy、xz、yz共三个平面坐标系中控制点的坐标，U，V为三维BIM模型坐标系中控制点的坐标，采用一次线性方程模拟该转换过程得到方程如下：
U＝a×u+b×u+c；
V＝d×v+e×v+f。
式中，a、b、c、d、e、f为6个待求解的坐标转换参数，任意选取两个平面中的3对控制点，将同名控制点(u1，v1)、(u2，v2)、(u3，v3)、(U1，V1)、((U2，V2)、(U3，V3)带入后解出6个转换参数，根据坐标转换方程，可用C#等实现坐标换功能。
在步骤4之后更为详细的描述如下所示：
对配网工程三维图纸的各基础构件进行碰撞检查。
步骤S4：配网工程基础构件BIM三维模型的碰撞检查。
将配网工程各构件的全部转换至BIM三维模型中之后，形成组合模型，后针对各构件的位置进行碰撞检查。
对配网工程三维图纸中的碰撞基础构件的位置、图元进行反向尺寸检查，判断是否按照二维图纸尺寸布局，若是，则完成碰撞检查，否则未完成碰撞检查。
打开模型，并链接好配网工程BIM模型，运行碰撞检查，在选定的视图中跳转到碰撞处，发现碰撞的对象都对应有个ID号，查找碰撞对象的位置，对图元进行修改，解决问题之后点击刷新，直到所有的问题全部取消。
在建模阶段，进行建筑模型与结构模型之间的协调，来检查结构与建筑模型之间的协调性；将土建、结构和其他机电专业的模型整合进来进行模型之间的协调检查，发现问题并及时进行修改。
选择以点、线、曲面、自相交的任意一方式进行碰撞，根据需要设置施工技术公差，当图元之间几何接触的时候，他们之间的值小于公差时认定为非碰撞，“软碰撞”或称“间隙碰撞”通过公差设定进行检查。
实施例3：
基于同一种发明构思，本发明还提供了一种配网工程图纸二三维转换系统，如图5所示，包括：
基础构件提取模块，用于基于预先构建的构件识别模型，从获取的二维配网工程图纸中提取基础构件；
控制点获取模块，用于基于所述基础构件在二维配网工程图纸的坐标系中选定多个控制点，同时获取所述多个控制点的二维坐标，并在预先构建的三维BIM模型坐标系中选取同名控制点；
三维坐标获取模块，用于基于所述多个控制点的二维坐标结合一次线性方程得到所述同名控制点的三维坐标；
转换模块，用于基于二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标结合预先构建的BIM模型得到配网工程三维图纸；
其中，所述构件识别模型是基于标记好关键元素的配网工程图纸和所述关键元素对应的基础构件对引入注意力机制模块的深度学习算法进行深度学习得到的；
其中，所述预先构建的BIM模型是基于所述二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标作为输入，所述三维图纸作为输出构建的。
在基础构件提取模块之前包括，构件识别模型构建模块，所述构件识别模型构建模块用于：
获取标记好的关键元素的二维配网工程图纸和所述二维配网工程图纸中关键元素对应的基础构件；
将所述二维配网工程图纸按设定比例缩放，得到缩放后的二维配网工程图纸；
将所述缩放后的二维配网工程图纸作为引入注意力机制模块的深度学习算法的输入，将所述二维配网工程图纸中关键元素对应的基础构件作为引入注意力机制模块的深度学习算法的输出进行训练，得到所述关键元素与基础构件的关系；
其中，所述关键元素包括以下一种或多种：二维图纸的比例尺、图像类型、设备信息。
以二维图纸图像数据的基础，识别BIM三维模型搭建的基础元素，如图6所示，采用SSD(Single Shot MultiBox Detector)网络结构进行各基础构件定位，网络结构。SSD网络首先将输入原始图像按比例缩放至大小，作为模型的输入。然后采用VGG-16作为主干网络(取原始VGG-16的Conv5_3之前的部分)，并将其中的Conv4_3层获取的特征作为第一个特征预测层。接着，通过叠加不同大小的卷积层，来分别获取在不同尺度上的特征，最终可得到分别为38x38x512、19x19x1024、10x10x512、5x5x256、3x3x256、1x1x256的特征预测。
在得到不同尺度的特征图后，SSD通过设置不同尺寸和数量的先验框对目标进行检测。浅层特征图感受野较小，主要用来对小尺寸的目标进行检测，因此生成的先验框较小；高层特征图感受野较大，其语义信息更加抽象，主要用来对大尺寸的目标进行检测和对目标进行分类，因此生成的先验框较大。最后，通过非极大值抑制(NMS)对检测结果进行筛选，获得最终的检测框。
采用VGG16网络作为特征提取网络，网络层数20层。网络统一使用尺寸大小为3×3的卷积核和尺寸为2×2的池化。在训练过程中使用多尺度的变换进行数据增强，使得模型不易过拟合。在该基础算法上进行多卷积层融合，将网络中深层的特征进行上采样，再与浅层特征进行融合形成多个尺度的特征图。通过对网络多层信息的融合，提升细小指针的检测精确度。
进一步提升网络检测性能，本文基于Faster R-CNN算法引入注意力机制模块。提高构件区域在网络训练中的权重。
基于RPN找出区域建议的目标，然后再做更加精细的类别划分和坐标位置回归，这种方式被为两阶段检测，因此两阶段检测比一阶段检测更准确。3x3卷积主要作用是语义转化，可以增加网络复杂程度，增加RPN的拟合能力。1x1卷积用于通道转换，可以转换成任意通道的特征图。
得到基础构件提取的系列算法，实现配网工程二维图纸的基础构件自动匹配基础构件提取模块具体用于：
得到基础构件提取的系列算法，实现配网工程二维图纸的基础构件自动匹配。
控制点获取模块具体用于：
基于所述基础构件的尺寸属性在二维配网工程图纸的坐标系中的同程值相同的多个点作为选定的多个控制点，并得到所述多个控制点的二维坐标；
获取其尺寸属性，为实现构件的三维空间组合在二维图纸坐标系和三维BIM模型坐标系中选取同名控制点，考虑到因平移、旋转和变形涉及的6个坐标转换参数，选取3对控制点即可解出方程，根据最小二乘法，一般选择3对控制点，选择较为清晰的具有代表性的同位置点，尽量保证各对控制点高程值相同且点的分布均匀。
基于所述多个控制点的二维坐标在所述预先构建的三维BIM模型坐标系以相同高程值为标准选取每个控制点对应的同名控制点；
其中，所述多个控制点的个数至少为3。
三维坐标获取模块具体用于：
基于所述多个控制点坐标和所述同名控制点坐标结合一次线性方程模拟转换得到所述同名控制点的三维坐标。
坐标转换方程中，分为xy、xz、yz共三个平面，设(u，v)为二维图纸xy、xz、yz共三个平面坐标系中控制点的坐标，U，V为三维BIM模型坐标系中控制点的坐标，采用一次线性方程模拟该转换过程得到方程如下：
U＝a×u+b×u+c；
V＝d×v+e×v+f。
式中，a、b、c、d、e、f为6个待求解的坐标转换参数，任意选取两个平面中的3对控制点，将同名控制点(u1，v1)、(u2，v2)、(u3，v3)、(U1，V1)、((U2，V2)、(U3，V3)带入后解出6个转换参数，根据坐标转换方程，可用C#等实现坐标换功能。
还包括：碰撞检查模块；
所述碰撞检查模块用于：
对配网工程三维图纸中的碰撞基础构件的位置、图元进行反向尺寸检查，判断是否按照二维图纸尺寸布局，若是，则完成碰撞检查，否则未完成碰撞检查。
将配网工程各构件的全部转换至BIM三维模型中之后，形成组合模型，后针对各构件的位置进行碰撞检查，打开模型，并链接好配网工程BIM模型，运行碰撞检查，在选定的视图中跳转到碰撞处，发现碰撞的对象都对应有个ID号，查找碰撞对象的位置，对图元进行修改，解决问题之后点击刷新，直到所有的问题全部取消。
实施例4：
下面是对一种配网工程图纸二三维转换方法的进一步介绍，如图7所示：
BIM三维模型的渲染与模型优化：
采用多重LOD(Levels of Detail)技术，加速配网工程BIM模型单图元渲染速度，多重LOD用不同级别的几何体来表示各基础构建，距离越远加载的模型越粗糙，距离越近加载的模型越精细，从而在不影响视觉效果的前提下提高显示效率并降低存储。
单次渲染体量＝图元数量*图元精度。
视点距离远的情况下，图元数量虽然多，但是图元精度比较低，所以体量可控。视点距离近的情况下，图元精度虽然高，但是图元数量比较少，体量依然可控。
配网工程BIM模型宏观层面优化：
1)遮挡剔除，降低环境图元，减少渲染图元数量：对图元做八叉树空间索引，然后根据视点计算场景中要剔除掉的图元只绘制可见的图元。
2)批量绘制，组合同类型图元，提升渲染流畅度：绘制调用非常耗费CPU、并且通常会造成GPU时间闲置。为了优化性能均衡CPU和GPU负载，可以将具有相同状态(例如相同材质)的物体合并到一次绘制调用中，这叫做批次绘制调用。
轻量化处理技术评估方案如下：
轻量化模型数据＝参数化几何描述(必须)+相似性图元合并；
提升渲染效果＝遮挡剔除+批量绘制+LOD(可选)；
另外多线程调度、动态磁盘交换、首帧渲染优化可大大加速渲染效率。
实施例5：
下面是对一种配网工程图纸二三维转换方法的详细介绍：
步骤A1：配网工程二维图纸的分类与关键构件的标定。
关键点1：图纸样本的格式转换与标签制定，当前配网工程图纸多为.dwg格式，若采用机器视觉算法识别图纸中的构件信息，需将图纸统一转换为格式统一的图像数据，结合机器视觉目标识别定位的优势，同时利用机器视觉图像数据的扩容方式可大大提高基础构件的识别准确率；图像标签的制作根据BIM基础模型的类型、基础构件的名称制定，第一层级标签用以定义BIM场景，第二层级标签用以定位基础构件，保证基础构件识别的准确性与可靠性。
步骤A2：配网工程二维图纸基础构件的识别。
关键点2：SSD的配网工程基础构件检测框架，位于前端的卷积神经网络，采用VGG16，进行目标构件初步的特征提取。模型训练时，检测框架的总体目标损失函数用位置损失(Lloc)和置信损失(Lconf)的加权和表示，如式(1)所示：
Figure BDA0003793079230000131
式中，总体目标损失函数L，N表示匹配到真实目标的先验框(prior box)的数量；x表示预测框，l表示先验框；g表示真实的框；c是Softmax函数对每类别的置信度；α参数用于调整位置损失和置信损失之间的比例，默认α为1。
置信损失，如式(2)：
Figure BDA0003793079230000132
式中，
Figure BDA0003793079230000133
表示类别p第i个默认框的置信度，计算：
Figure BDA0003793079230000134
置信损失如式(3)：
Figure BDA0003793079230000135
Figure BDA0003793079230000136
表示获取真实标签的近似回归先验框，由式(4)计算：
Figure BDA0003793079230000141
式中，cx和，cy,w和h分别表示先验框的坐标和大小，
Figure BDA0003793079230000142
表示尺寸缩放因子，
Figure BDA0003793079230000143
表示平移量。
平滑损失smoothL1计算如式(5)：
Figure BDA0003793079230000144
步骤A3-A4：配网工程基础构件控制点坐标的二三维转换。
关键点3：重点在于控制点的选取以及转换结果的矫正。机器视觉深度学习提取基础构件后，根据构件间的位置关系组合BIM模型，但各构件在三维空间的位置需要根据二维图纸的坐标求得，根据二三维的转换控制条件可知至少需要不处于统一直线下的3对关键控制点求解获得，控制点的选取可根据质心、边缘点来确定。同时，由于存在平移、旋转等变换关系，求取计算的线性方程各参数可根据最小二乘法确定。线性方程的各参数组成二三维变化矩阵，转化实现代码如下：
Figure BDA0003793079230000145
Figure BDA0003793079230000151
步骤A5：BIM三维模型的渲染与模型优化。
关键点4：图元相似性计算以及多重LOD技术。由于配网工程BIM模型的基础构件存在大量的图元，为了轻量化处理配网工程三维BIM模型，需进行相似性的图元合并，应用于大模型结构比较复杂，顶点、面比较数据比较大，可以通过算法根据权重剔除相应的顶点、面，从而到达轻量化模型效果。
几何对象构件对象化：相同形状的几何对象不做多次拷贝，大模型相同几何体只做一个加载，只做相同模型构件移动、旋转、缩放，将同类图元的存储数据进行相似性计算，构建图元数据的列向量，统一列向量维度，不足位用0补位，计算列向量余弦相似性，若余弦相似度为1，则为同类图元。
场景八叉树划分：八叉树可以快速剔除不可见图元，减少进入渲染区域的绘制对象。
多重LOD：模型可以设备LOD，根据距离、级别加载不同复杂度结构模型。模型文件压缩：三维模型stl、obj、3ds、obj、json等文件格式算法压缩。
实施例6：
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种配网工程图纸二三维转换方法的步骤。
实施例7：
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种配网工程图纸二三维转换方法的步骤。
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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(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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (16)

1.一种配网工程图纸二三维转换方法，其特征在于，包括：
基于预先构建的构件识别模型，从获取的二维配网工程图纸中提取基础构件；
基于所述基础构件在二维配网工程图纸的坐标系中选定多个控制点，同时获取所述多个控制点的二维坐标，并在预先构建的三维BIM模型坐标系中选取同名控制点；
基于所述多个控制点的二维坐标结合一次线性方程得到所述同名控制点的三维坐标；
基于二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标结合预先构建的BIM模型得到配网工程三维图纸；
其中，所述构件识别模型是基于标记好关键元素的配网工程图纸和所述关键元素对应的基础构件对引入注意力机制模块的深度学习算法进行深度学习得到的；
其中，所述预先构建的BIM模型是基于所述二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标作为输入，所述三维图纸作为输出构建的。
2.如权利要求1所述的方法，其特征在于，所述构件识别模型的构建包括：
获取标记好的关键元素的二维配网工程图纸和所述二维配网工程图纸中关键元素对应的基础构件；
将所述二维配网工程图纸按设定比例缩放，得到缩放后的二维配网工程图纸；
将所述缩放后的二维配网工程图纸作为引入注意力机制模块的深度学习算法的输入，将所述二维配网工程图纸中关键元素对应的基础构件作为引入注意力机制模块的深度学习算法的输出进行训练，得到所述关键元素与基础构件的关系；
其中，所述关键元素包括以下一种或多种：二维图纸的比例尺、图像类型、设备信息。
3.如权利要求2所述的方法，其特征在于，所述标记好的关键元素是基于所述二维配网工程图纸的基础构件的标记信息得到的。
4.如权利要求1所述的方法，其特征在于，所述基于所述基础构件在二维配网工程图纸的坐标系中选定多个控制点，同时获取所述多个控制点的二维坐标，并在预先构建的三维BIM模型坐标系中选取同名控制点，包括：
基于所述基础构件的尺寸属性在二维配网工程图纸的坐标系中的同程值相同的多个点作为选定的多个控制点，并得到所述多个控制点的二维坐标；
基于所述多个控制点的二维坐标在所述预先构建的三维BIM模型坐标系以相同高程值为标准选取每个控制点对应的同名控制点；
其中，所述多个控制点的个数至少为3。
5.如权利要求1所述的方法，其特征在于，所述基于所述多个控制点的二维坐标结合一次线性方程得到所述同名控制点的三维坐标，包括：
基于所述多个控制点坐标和所述同名控制点坐标结合一次线性方程模拟转换得到所述同名控制点的三维坐标。
6.如权利要求5所述的方法，其特征在于，所述一次线性方程如下式所示：
U＝a×u+b×u+c；
V＝d×v+e×v+f；
式中，a、b、c、d、e、f为坐标转换参数；U、V为三维BIM模型坐标系中的同名控制点坐标。
7.如权利要求1所述的方法，其特征在于，在所述基于二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标结合预先构建的BIM模型得到配网工程三维图纸之后还包括：
对配网工程三维图纸的各基础构件进行碰撞检查。
8.如权利要求7所述的方法，其特征在于，所述对配网工程三维图纸的各基础构件进行碰撞检查，包括：
对配网工程三维图纸中的碰撞基础构件的位置、图元进行反向尺寸检查，判断是否按照二维图纸尺寸布局，若是，则完成碰撞检查，否则未完成碰撞检查。
9.一种配网工程图纸二三维转换系统，其特征在于，包括：
基础构件提取模块，用于基于预先构建的构件识别模型，从获取的二维配网工程图纸中提取基础构件；
控制点获取模块，用于基于所述基础构件在二维配网工程图纸的坐标系中选定多个控制点，同时获取所述多个控制点的二维坐标，并在预先构建的三维BIM模型坐标系中选取同名控制点；
三维坐标获取模块，用于基于所述多个控制点的二维坐标结合一次线性方程得到所述同名控制点的三维坐标；
转换模块，用于基于二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标结合预先构建的BIM模型得到配网工程三维图纸；
其中，所述构件识别模型是基于标记好关键元素的配网工程图纸和所述关键元素对应的基础构件对引入注意力机制模块的深度学习算法进行深度学习得到的；
其中，所述预先构建的BIM模型是基于所述二维配网工程图纸的关键元素、所述基础构件、所述同名控制点的三维坐标作为输入，所述三维图纸作为输出构建的。
10.如权利要求9所述的系统，其特征在于，还包括构件识别模型构建模块，所述构件识别模型构建模块用于：
获取标记好的关键元素的二维配网工程图纸和所述二维配网工程图纸中关键元素对应的基础构件；
将所述二维配网工程图纸按设定比例缩放，得到缩放后的二维配网工程图纸；
将所述缩放后的二维配网工程图纸作为引入注意力机制模块的深度学习算法的输入，将所述二维配网工程图纸中关键元素对应的基础构件作为引入注意力机制模块的深度学习算法的输出进行训练，得到所述关键元素与基础构件的关系；
其中，所述关键元素包括以下一种或多种：二维图纸的比例尺、图像类型、设备信息。
11.如权利要求9所述的系统，其特征在于，所述标记好的关键元素是基于所述二维配网工程图纸的基础构件的标记信息得到的。
12.如权利要求11所述的系统，其特征在于，所述控制点获取模块具体用于：
基于所述基础构件的尺寸属性在二维配网工程图纸的坐标系中的同程值相同的多个点作为选定的多个控制点，并得到所述多个控制点的二维坐标；
基于所述多个控制点的二维坐标在所述预先构建的三维BIM模型坐标系以相同高程值为标准选取每个控制点对应的同名控制点；
其中，所述多个控制点的个数至少为3。
13.如权利要求12所述的系统，其特征在于，所述三维坐标获取模块具体用于：
基于所述多个控制点坐标和所述同名控制点坐标结合一次线性方程模拟转换得到所述同名控制点的三维坐标。
14.如权利要求9所述的系统，其特征在于，所述系统还包括：碰撞检查模块；
所述碰撞检查模块用于：
对配网工程三维图纸中的碰撞基础构件的位置、图元进行反向尺寸检查，判断是否按照二维图纸尺寸布局，若是，则完成碰撞检查，否则未完成碰撞检查。
15.一种计算机设备，其特征在于，包括：
一个或多个处理器；
所述处理器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至8中任一项所述的一种配网工程图纸二三维转换方法。
16.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至8中任一项所述的一种配网工程图纸二三维转换方法。
CN202210961937.XA 2022-08-11 2022-08-11 一种配网工程图纸二三维转换方法、系统、设备及介质 Pending CN115457195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210961937.XA CN115457195A (zh) 2022-08-11 2022-08-11 一种配网工程图纸二三维转换方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210961937.XA CN115457195A (zh) 2022-08-11 2022-08-11 一种配网工程图纸二三维转换方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN115457195A true CN115457195A (zh) 2022-12-09

Family

ID=84298528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210961937.XA Pending CN115457195A (zh) 2022-08-11 2022-08-11 一种配网工程图纸二三维转换方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115457195A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116704009A (zh) * 2023-08-10 2023-09-05 深圳普达核工业数字测控有限公司 基于预制组件的施工测量数据处理方法、装置及其设备
CN117455416A (zh) * 2023-12-20 2024-01-26 广州南华工程管理有限公司 应用于建筑项目管理的数据分析方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116704009A (zh) * 2023-08-10 2023-09-05 深圳普达核工业数字测控有限公司 基于预制组件的施工测量数据处理方法、装置及其设备
CN116704009B (zh) * 2023-08-10 2023-12-01 深圳普达核工业数字测控有限公司 基于预制组件的施工测量数据处理方法、装置及其设备
CN117455416A (zh) * 2023-12-20 2024-01-26 广州南华工程管理有限公司 应用于建筑项目管理的数据分析方法及系统
CN117455416B (zh) * 2023-12-20 2024-03-22 广州南华工程管理有限公司 应用于建筑项目管理的数据分析方法及系统

Similar Documents

Publication Publication Date Title
CN109859296B (zh) Smpl参数预测模型的训练方法、服务器及存储介质
CN111161349B (zh) 物体姿态估计方法、装置与设备
CN109544677B (zh) 基于深度图像关键帧的室内场景主结构重建方法及系统
Ghadai et al. Learning localized features in 3D CAD models for manufacturability analysis of drilled holes
CN110458939A (zh) 基于视角生成的室内场景建模方法
EP3742113A1 (en) Systems and methods for marking images for three-dimensional image generation
CN114758337B (zh) 一种语义实例重建方法、装置、设备及介质
CN114463825B (zh) 基于多模态融合的人脸预测方法及相关设备
Wang et al. SCNet: Subdivision coding network for object detection based on 3D point cloud
CN115457195A (zh) 一种配网工程图纸二三维转换方法、系统、设备及介质
CN112132739A (zh) 3d重建以及人脸姿态归一化方法、装置、存储介质及设备
US20230153965A1 (en) Image processing method and related device
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN114972882A (zh) 基于多注意力机制的磨损表面损伤深度估计方法及系统
CN116152334A (zh) 图像处理方法及相关设备
López et al. 3d vehicle detection on an FPGA from lidar point clouds
CN117115786B (zh) 一种联合分割跟踪的深度估计模型训练方法及使用方法
KR102129060B1 (ko) 단일 깊이 영상을 이용한 내용기반 3차원 모델 검색 방법, 이를 수행하는 3차원 모델 검색 서버 및 컴퓨터로 판독 가능한 기록매체
CN115719414A (zh) 基于任意四边形回归的目标检测与精确定位方法
CN116128792A (zh) 图像处理方法及相关设备
CN114648660A (zh) 训练方法及装置、目标检测方法及装置、电子设备
CN114820755A (zh) 一种深度图估计方法及系统
CN116416608A (zh) 一种基于关键点的单目三维实时检测算法
CN113068017A (zh) 增强真实场景的视频通量
Wu et al. An industrial meter detection method based on lightweight YOLOX-CAlite

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication