CN111832447B - 建筑图纸构件识别方法、电子设备及相关产品 - Google Patents
建筑图纸构件识别方法、电子设备及相关产品 Download PDFInfo
- Publication number
- CN111832447B CN111832447B CN202010612667.2A CN202010612667A CN111832447B CN 111832447 B CN111832447 B CN 111832447B CN 202010612667 A CN202010612667 A CN 202010612667A CN 111832447 B CN111832447 B CN 111832447B
- Authority
- CN
- China
- Prior art keywords
- component
- rectangular frame
- coordinates
- image information
- cad drawing
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例公开了一种建筑图纸构件识别方法、电子设备及相关产品,应用于电子设备,所述方法包括:获取第一CAD图纸中的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;对所述图像信息进行拆分,得到至少一个矩形框;获取所述至少一个矩形框每个顶点的坐标;根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件;在所述第一CAD图纸的显示界面中标注所述至少一个构件。采用本申请实施例能够识别出CAD图纸中的图像信息,进而得到图纸中的构件,能够提升建筑图纸构件识别的智能性和准确性。
Description
技术领域
本申请涉及BIM技术领域,具体涉及一种建筑图纸构件识别方法、电子设备及相关产品。
背景技术
目前,目标识别作为视觉技术的一个分支,就是对视场内的物体进行识别,如交通工具,先进行检测,检测完后进行识别,然后进行分类。目标比较盛行的分类器有:SVM支持向量机、AdaBoost算法等。然而,在图纸构件识别中,位置信息是很重要的一环,因为在图纸中,如下图厨房的洗手池和电梯是很相似的,这时候进行构件分类很容易产生错误,但通过情况下,采用人工的构件识别,容易出现一些错误,不能充分保证构件识别的正确性。
发明内容
本申请实施例提供了一种建筑图纸构件识别方法、电子设备及相关产品,能够提升建筑图纸构件识别的智能性和准确性。
第一方面,本申请实施例提供一种建筑图纸构件识别方法,应用于电子设备,所述方法包括:
获取第一CAD图纸中的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;
对所述图像信息进行拆分,得到至少一个矩形框;
获取所述至少一个矩形框每个顶点的坐标;
根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件;
在所述第一CAD图纸的显示界面中标注所述至少一个构件。
在一个可能的示例中,所述图像信息包括点和线段;所述根据所述图像信息进行拆分,得到至少一个矩形框,包括:
获取多个点和多个线段;
根据所述多个点和所述多个线段,得到多个连接节点;
对所述连接节点进行闭环划分,得到至少一个矩形框。
在一个可能的示例中,所述根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件,包括:
将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络模型,得到在所述第一CAD图纸中的至少一个构件。
在一个可能的示例中,在将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络,得到在所述第一CAD图纸中的至少一个构件之前,所述方法还包括:
确定是否存在重复的矩形框坐标;
若存在,则选中所述重复的矩形框坐标对应的至少两个矩形框;
将所述至少两个矩形框进行空间分析,确定所述至少两个矩形框互为两个构件。
第二方面,本申请实施例提供一种建筑图纸构件识别装置,所述装置包括:获取单元、拆分单元、识别单元和标注单元,其中,
所述获取单元,用于获取第一CAD图纸中的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;
所述拆分单元,用于对所述图像信息进行拆分,得到至少一个矩形框;
所述获取单元,还用于获取所述至少一个矩形框每个顶点的坐标;
所述识别单元,用于根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件;
所述标注单元,用于在所述第一CAD图纸的显示界面中标注所述至少一个构件。
在一个可能的示例中,所述图像信息包括点和线段;在所述根据所述图像信息进行拆分,得到至少一个矩形框方面,所述拆分单元具体用于:
获取多个点和多个线段;
根据所述多个点和所述多个线段,得到多个连接节点;
对所述连接节点进行闭环划分,得到至少一个矩形框。
在一个可能的示例中,在所述根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件方面,所述识别单元具体用于:
将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络模型,得到在所述第一CAD图纸中的至少一个构件。
在一个可能的示例中,在将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络,得到在所述第一CAD图纸中的至少一个构件之前,所述识别单元还具体用于:
确定是否存在重复的矩形框坐标;
若存在,则选中所述重复的矩形框坐标对应的至少两个矩形框;
将所述至少两个矩形框进行空间分析,确定所述至少两个矩形框互为两个构件。
第三方面,本申请实施例提供了一种电子设备,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例,具备如下有益效果:
可以看出,本申请实施例中,电子设备首先获取第一CAD图纸中的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;对所述图像信息进行拆分,得到至少一个矩形框,其次,获取所述至少一个矩形框每个顶点的坐标,然后,根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件,最后,在所述第一CAD图纸的显示界面中标注所述至少一个构件。可见,本示例中,电子设备通过对CAD图纸中的图像信息进行处理,进而得到图纸中的不同种类的多个构件,提升建筑图纸构件识别的智能性和准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种服务器的结构示意图;
图2是本申请实施例提供的一种建筑图纸构件识别方法的流程示意图;
图3是本申请实施例提供的另一种建筑图纸构件识别方法的流程示意图;
图4是本申请实施例提供的一种电子设备的结构示意图;
图5是本申请实施例提供的一种建筑图纸构件识别方法的功能单元组成框图。
具体实施方式
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例所描述电子设备可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、视频矩阵、监控平台、移动互联网设备(MID,Mobile Internet Devices)或穿戴式设备等,上述仅是举例,而非穷举,包含但不限于上述装置,当然,上述电子设备还可以为服务器,例如,云服务器。
本申请实施例的硬件架构可以是以任意一种:
(1)客户端、服务器架构,即CS架构模式,例如手机或电脑端安装的AI审图APP;
(2)浏览器和服务器架构模式,BS架构模式,例如手机或电脑端通过浏览器访问的AI审图网页版;
(3)CS、BS架构的结合,例如微信小程序中加载的AI审图小程序、快应用中心的AI审图快应用等;
(4)本地设备架构模式,例如手机或者笔记本安装的不依赖网络的AI审图APP,本地设备可运行轻量化图形引擎,具体通过AI处理芯片架构来实现,AI处理芯片架构可以包括CPU和至少一个神经网络处理器NPU,CPU与至少一个NPU连接,至少一个NPU可以处理AI审图中的部分或全部数据处理逻辑。
其中,请参阅图1,图1是本申请实施例提供的一种服务器的结构示意图,该服务器包括处理器、存储器、信号处理器、通信接口、触控显示屏、WiFi模块、扬声器、麦克风、随机存取存储器(Random Access Memory,RAM)和摄像头等等。
其中,存储器、信号处理器、WiFi模块、触控屏、扬声器、麦克风、RAM和摄像头与处理器连接,通信接口与信号处理器连接。
其中存储器中可以存储有建筑信息模型(Building Information Modeling,BIM)的数据;处理器可调取存储器中的BIM数据,进而结合BIM数据和接收到的信息进行处理。
其中,服务器可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备(例如智能手表、智能手环、计步器等)、计算设备或连接到无线调制解调器的其他处理设备,以及各种形式的用户设备(User Equipment,UE),移动台(Mobile Station,MS),终端设备(terminal device)等等。为方便描述,上面提到的设备统称为服务器。
下面对本申请实施例进行详细介绍。
请参阅图2,图2是本申请实施例提供的一种建筑图纸构件识别方法的流程示意图,如图所示,本建筑图纸构件识别方法包括:
201、获取第一CAD图纸中的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标。
其中,本申请实施例中,电子设备可以将CAD建筑图纸导入到建筑信息化模型(Building Information Modeling,BIM)模型软件。本申请实施例中,CAD图纸可以为以下至少一种:机场、火车站、汽车站、写字楼、居民楼、医院、博物馆、旅游景区、教堂、学校、公园等等,在此不做限定。
其中,所述空间坐标可以为上述CAD图纸的图中心为坐标原点,以此为中心做空间直角坐标系,即可得到图纸上存在的顶点的坐标。
202、对所述图像信息进行拆分,得到至少一个矩形框。
在一个可能的示例中,上述步骤202,所述图像信息包括点和线段;所述根据所述图像信息进行拆分,得到至少一个矩形框,包括:获取多个点和多个线段;根据所述多个点和所述多个线段,得到多个连接节点;对所述连接节点进行闭环划分,得到至少一个矩形框。
其中,点跟线段之间的连接会形成一个闭环空间,上述闭环空间即为构件的矩形框。
可选的,在对所述连接节点进行闭环划分后,需检测是否存在重复的线段或重复的点;若存在重复线段和重复的点,查看是否存在重复的连接节点,若存在,则将重复的连接节点对应的至少两个矩形框提取出做空间分析,确定所述至少两个矩形框是否为符合空间存在合理性的矩形框,若是,则保留,若否则将所述至少两个矩形框进行标注,并在显示界面进行推送。
可见,本示例中,电子设备通过拆分点和线段,对CAD图进行拆分,进而较为准确的得到图纸中多个构件的矩形框,提升建筑图纸构件识别的智能性和准确性。
203、获取所述至少一个矩形框每个顶点的坐标。
其中,所述每个顶点的坐标可以由上述的空间直角坐标系得到。
204、根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件。
在一个可能的示例中,上述步骤204,所述根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件,包括:将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络模型,得到在所述第一CAD图纸中的至少一个构件。
其中,上述预设图卷积神经网络GCN模型研究图节点的表示(Graph Embedding),图边结构预测任务和图的分类问题。GCN是对卷积神经网络在graph domain上的自然推广,它能同时对节点特征信息与结构信息进行端对端学习,是目前对图数据学习任务的最佳选择。图卷积适用性极广,适用于任意拓扑结构的节点与图。在节点分类与边预测等任务上,在公开数据集上效果要远远优于其他方法。通过谱图卷积的局部一阶近似,来确定卷积网络结构,通过图结构数据中部分有标签的节点数据对卷积神经网络结构模型训练,使网络模型对其余无标签的数据进行进一步分类。
可选的,在将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络,得到在所述第一CAD图纸中的至少一个构件之前,所述方法还包括:确定是否存在重复的矩形框坐标;若存在,则选中所述重复的矩形框坐标对应的至少两个矩形框;将所述至少两个矩形框进行空间分析,确定所述至少两个矩形框互为两个构件。
其中,所述空间分析为分析所述至少两个矩形框的关系是为两个构件、一个构件,还是构件混淆产生的重复矩形框。
举例来说,在CAD图纸中,房间信息会以文本格式进行保留,从视口这里可以得到房间数量a,房间矩形框坐标,同时在构件识别之前会先进行重复检测,可以得到矩形框坐标以及矩形框数量b;遍历矩形框坐标,若构件矩形框在房间矩形框中,则判定他们之间存在边。进一步的集中图纸中的所有房间和所有设施,根据上述信息可知,图纸中一共有a个房间和b种设施,点包括房间和设施,一共有a+b个,边为房间-设施、设施-设施。将刚刚构造的图转换为度矩阵、邻接矩阵、拉普拉斯矩阵;假设第一个矩阵为度矩阵D,第二个矩阵为邻接矩阵A,第三个矩阵为拉普拉斯矩阵L,将上面三个矩阵D、A输入到预设图卷积神经网络,提取特征向量。相当于通过一次卷积,预设图卷积神经网络模型可以让每个节点都拥有其邻居节点的信息。最后,经过损失函数,进行优化。Y是label,经过图卷积后,得到Z,此时采用交叉熵损失函数,用梯度下降法对模型训练优化,对预设图卷积模型进行优化后,此时输入目标检测后得到的图片,得到分类结果。
205、在所述第一CAD图纸的显示界面中标注所述至少一个构件。
在一个可能的示例中,上述步骤205,所述在所述第一CAD图纸的显示界面中标注所述至少一个构件,包括:获取所述至少一个构件的构件信息,所述构件信息包括以下任意一个:构件坐标、构件名称、构件图像;将所述构件信息按照空间使用率进行优先级排序,得到第一优先级序列;根据所述第一优先级序列对所述至少一个构件中的每一构件分别进行色彩标注。
具体用于,所以,如果带有空间信息,比如在厨房的大概是洗手池,在合用空间的大概是电梯,这样子进行构件分类时,正确率会大幅度提升。
其中,上述空间使用率可通过大数据采集用户习惯得到或是根据工程师分析得到,此次不做唯一限定。
其中,上述色彩标注是指对不同空间使用率的构件进行不同颜色的标注,使得CAD图纸在显示过程中更加清晰。
可见,本示例中,电子设备根据不同优先级的构件进行不同的色彩标注,同一优先级的构件进行相同的色彩标注,提高了CAD图纸标注的智能性和差异性。
可选的在所述在所述第一CAD图纸的显示界面中标注所述至少一个构件之前,所述方法还包括:获取所述至少一个构件中每个构件的种类;根据所述每个构件的种类及每个构件的位置坐标,确定所述每个构件的准确性;若所述准确性低于预设阈值,则重新将低于所述预设阈值的第一构件的位置坐标重新输入所述预设图卷积神经网络,得到更新后的第一构件。
其中,所述预设阈值可根据所述厂商自行设定或是根据大数据采集的数据得到,此处不做唯一限定。
其中,在根据所述每个构件的种类及每个构件的位置坐标,确定所述每个构件的准确性中,可查询第一数据库,获取在所述第一数据库中每个构件对应的位置信息,所述第一数据库包括所述构件与位置信息的映射关系。
其中,上述位置信息包括位置坐标。
可见,本示例中,电子设备通过对构件的分析,确定构件是否准确,若是不准确吗,则再次通过预设图卷积神经网络,得到准确的构件,避免识别出错误构件,进一步的提升建筑图纸构件识别的智能性和准确性。
可以看出,本申请实施例中,电子设备首先获取第一CAD图纸中的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;对所述图像信息进行拆分,得到至少一个矩形框,其次,获取所述至少一个矩形框每个顶点的坐标,然后,根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件,最后,在所述第一CAD图纸的显示界面中标注所述至少一个构件。可见,本示例中,电子设备通过对CAD图纸中的图像信息进行处理,进而得到图纸中的不同种类的多个构件,提升建筑图纸构件识别的智能性和准确性。
与上述图1所示的实施例一致地,请参阅图3,图3是本申请实施例提供的一种建筑图纸构件识别方法的流程示意图,如图所示,应用于电子设备,本建筑图纸构件识别方法包括:
301、获取第一CAD图纸中的图像信息。
302、获取多个点和多个线段。
303、根据所述多个点和所述多个线段,得到多个连接节点。
304、对所述连接节点进行闭环划分,得到至少一个矩形框。
305、获取所述至少一个矩形框每个顶点的坐标。
306、将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络模型,得到在所述第一CAD图纸中的至少一个构件。
307、在所述第一CAD图纸的显示界面中标注所述至少一个构件。
其中,上述步骤301-步骤307的具体描述可以参照上述图1所描述的建筑图纸构件识别的相应步骤,在此不再赘述。
可以看出,本申请实施例中,电子设备首先获取第一CAD图纸中的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;对所述图像信息进行拆分,得到至少一个矩形框,其次,获取所述至少一个矩形框每个顶点的坐标,然后,根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件,最后,在所述第一CAD图纸的显示界面中标注所述至少一个构件。可见,本示例中,电子设备通过对CAD图纸中的图像信息进行处理,进而得到图纸中的不同种类的多个构件,提升建筑图纸构件识别的智能性和准确性。
与上述实施例一致地,请参阅图4,图4是本申请实施例提供的一种电子设备的结构示意图,如图所示,该电子设备包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,本申请实施例中,上述程序包括用于执行以下步骤的指令:
获取第一CAD图纸中的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;
对所述图像信息进行拆分,得到至少一个矩形框;
获取所述至少一个矩形框每个顶点的坐标;
根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件;
在所述第一CAD图纸的显示界面中标注所述至少一个构件。
可以看出,本申请实施例中,电子设备首先获取第一CAD图纸中的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;对所述图像信息进行拆分,得到至少一个矩形框,其次,获取所述至少一个矩形框每个顶点的坐标,然后,根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件,最后,在所述第一CAD图纸的显示界面中标注所述至少一个构件。可见,本示例中,电子设备通过对CAD图纸中的图像信息进行处理,进而得到图纸中的不同种类的多个构件,提升建筑图纸构件识别的智能性和准确性。
在一个可能的示例中,所述图像信息包括点和线段;在所述根据所述图像信息进行拆分,得到至少一个矩形框方面,上述程序包括用于执行以下步骤的指令:获取多个点和多个线段;根据所述多个点和所述多个线段,得到多个连接节点;对所述连接节点进行闭环划分,得到至少一个矩形框。
在一个可能的示例中,在所述根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件方面,上述程序包括用于执行以下步骤的指令:
将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络模型,得到在所述第一CAD图纸中的至少一个构件。
在一个可能的示例中,在将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络,得到在所述第一CAD图纸中的至少一个构件之前,,上述程序包括还用于执行以下步骤的指令:确定是否存在重复的矩形框坐标;若存在,则选中所述重复的矩形框坐标对应的至少两个矩形框;将所述至少两个矩形框进行空间分析,确定所述至少两个矩形框互为两个构件。
在一个可能的示例中,在所述在所述第一CAD图纸的显示界面中标注所述至少一个构件方面,上述程序包括用于执行以下步骤的指令:获取所述至少一个构件的构件信息,所述构件信息包括以下任意一个:构件坐标、构件名称、构件图像;将所述构件信息按照空间使用率进行优先级排序,得到第一优先级序列;根据所述第一优先级序列对所述至少一个构件中的每一构件分别进行色彩标注。
在一个可能的示例中,在所述在所述第一CAD图纸的显示界面中标注所述至少一个构件之前,上述程序包括还用于执行以下步骤的指令:获取所述至少一个构件中每个构件的种类;根据所述每个构件的种类及每个构件的位置坐标,确定所述每个构件的准确性;若所述准确性低于预设阈值,则重新将低于所述预设阈值的第一构件的位置坐标重新输入所述预设图卷积神经网络,得到更新后的第一构件。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图5是本申请实施例中所涉及的建筑图纸构件识别装置500的功能单元组成框图。该建筑图纸构件识别装置500,应用于电子设备,所述装置500包括:获取单元501、拆分单元502、识别单元503和标注单元504,其中,
所述获取单元501,用于获取第一CAD图纸中的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;
所述拆分单元502,用于对所述图像信息进行拆分,得到至少一个矩形框;
所述获取单元501,还用于获取所述至少一个矩形框每个顶点的坐标;
所述识别单元503,用于根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件;
所述标注单元504,用于在所述第一CAD图纸的显示界面中标注所述至少一个构件。
可以看出,本申请实施例中,电子设备首先获取第一CAD图纸中的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;对所述图像信息进行拆分,得到至少一个矩形框,其次,获取所述至少一个矩形框每个顶点的坐标,然后,根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件,最后,在所述第一CAD图纸的显示界面中标注所述至少一个构件。可见,本示例中,电子设备通过对CAD图纸中的图像信息进行处理,进而得到图纸中的不同种类的多个构件,提升建筑图纸构件识别的智能性和准确性。
在一个可能的示例中,所述图像信息包括点和线段;在所述根据所述图像信息进行拆分,得到至少一个矩形框方面,所述拆分单元502具体用于:
获取多个点和多个线段;
根据所述多个点和所述多个线段,得到多个连接节点;
对所述连接节点进行闭环划分,得到至少一个矩形框。
在一个可能的示例中,在所述根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件方面,所述识别单元503具体用于:
将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络模型,得到在所述第一CAD图纸中的至少一个构件。
在一个可能的示例中,在将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络,得到在所述第一CAD图纸中的至少一个构件之前,所述识别单元503具体用于:
确定是否存在重复的矩形框坐标;
若存在,则选中所述重复的矩形框坐标对应的至少两个矩形框;
将所述至少两个矩形框进行空间分析,确定所述至少两个矩形框互为两个构件。
在一个可能的示例中,在所述在所述第一CAD图纸的显示界面中标注所述至少一个构件,方面,所述标注单元504具体用于:
获取所述至少一个构件的构件信息,所述构件信息包括以下任意一个:构件坐标、构件名称、构件图像;
将所述构件信息按照空间使用率进行优先级排序,得到第一优先级序列;
根据所述第一优先级序列对所述至少一个构件中的每一构件分别进行色彩标注。
在一个可能的示例中,在所述在所述第一CAD图纸的显示界面中标注所述至少一个构件之前,所述标注单元504还具体用于:
获取所述至少一个构件中每个构件的种类;
根据所述每个构件的种类及每个构件的位置坐标,确定所述每个构件的准确性;
若所述准确性低于预设阈值,则重新将低于所述预设阈值的第一构件的位置坐标重新输入所述预设图卷积神经网络,得到更新后的第一构件。
可以理解的是,本实施例的建筑图纸构件识别装置的各程序模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种建筑图纸构件识别方法,其特征在于,应用于电子设备,所述方法包括:
将第一CAD图纸导入建筑信息模型BIM中,获取所述第一CAD图纸的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;
对所述图像信息进行拆分,得到至少一个矩形框;
获取所述至少一个矩形框每个顶点的坐标;
根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件;包括:将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络GCN模型,得到在所述第一CAD图纸中的至少一个构件;
获取所述至少一个构件中每个构件的种类;根据所述每个构件的种类及每个构件的位置坐标,确定所述每个构件的准确性;包括:查询第一数据库,获取在所述第一数据库中所述每个构件对应的位置信息,所述第一数据库包括所述每个构件与所述位置信息的映射关系;
若所述准确性低于预设阈值,则重新将低于所述预设阈值的第一构件的位置坐标重新输入所述预设图卷积神经网络GCN模型,得到更新后的第一构件;
在所述第一CAD图纸的显示界面中标注所述至少一个构件。
2.根据权利要求1所述的方法,其特征在于,所述图像信息包括点和线段;所述根据所述图像信息进行拆分,得到至少一个矩形框,包括:
获取多个点和多个线段;
根据所述多个点和所述多个线段,得到多个连接节点;
对所述连接节点进行闭环划分,得到至少一个矩形框。
3.根据权利要求1所述的方法,其特征在于,在将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络,得到在所述第一CAD图纸中的至少一个构件之前,所述方法还包括:
确定是否存在重复的矩形框坐标;
若存在,则选中所述重复的矩形框坐标对应的至少两个矩形框;
将所述至少两个矩形框进行空间分析,确定所述至少两个矩形框互为两个构件。
4.根据权利要求1所述的方法,其特征在于,所述在所述第一CAD图纸的显示界面中标注所述至少一个构件,包括:
获取所述至少一个构件的构件信息,所述构件信息包括以下任意一个:构件坐标、构件名称、构件图像;
将所述构件信息按照空间使用率进行优先级排序,得到第一优先级序列;
根据所述第一优先级序列对所述至少一个构件中的每一构件分别进行色彩标注。
5.一种建筑图纸构件识别装置,其特征在于,应用于电子设备,所述装置包括:获取单元、拆分单元、识别单元和标注单元,其中,
所述获取单元,用于将第一CAD图纸导入建筑信息模型BIM中,获取所述第一CAD图纸的图像信息,所述图像信息包括以下任意一个:点和线段、文字、空间坐标;
所述拆分单元,用于对所述图像信息进行拆分,得到至少一个矩形框;
所述获取单元,还用于获取所述至少一个矩形框每个顶点的坐标;
所述识别单元,用于根据所述至少一个矩形框每个顶点的坐标识别出每个矩形框对应的构件;包括:将所述至少一个矩形框的矩形框坐标输入预设图卷积神经网络GCN模型,得到在所述第一CAD图纸中的至少一个构件;
所述识别单元,还用于获取所述至少一个构件中每个构件的种类;根据所述每个构件的种类及每个构件的位置坐标,确定所述每个构件的准确性;包括:查询第一数据库,获取在所述第一数据库中所述每个构件对应的位置信息,所述第一数据库包括所述每个构件与所述位置信息的映射关系;
若所述准确性低于预设阈值,则重新将低于所述预设阈值的第一构件的位置坐标重新输入所述预设图卷积神经网络GCN模型,得到更新后的第一构件;
所述标注单元,用于在所述第一CAD图纸的显示界面中标注所述至少一个构件。
6.根据权利要求5所述的装置,其特征在于,所述图像信息包括点和线段;在所述根据所述图像信息进行拆分,得到至少一个矩形框方面,所述拆分单元具体用于:
获取多个点和多个线段;
根据所述多个点和所述多个线段,得到多个连接节点;
对所述连接节点进行闭环划分,得到至少一个矩形框。
7.一种电子设备,其特征在于,包括处理器、存储器,所述存储器用于存储一个或多个程序,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-4任一项所述的方法中的步骤的指令。
8.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612667.2A CN111832447B (zh) | 2020-06-30 | 2020-06-30 | 建筑图纸构件识别方法、电子设备及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612667.2A CN111832447B (zh) | 2020-06-30 | 2020-06-30 | 建筑图纸构件识别方法、电子设备及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832447A CN111832447A (zh) | 2020-10-27 |
CN111832447B true CN111832447B (zh) | 2023-01-24 |
Family
ID=72900658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010612667.2A Active CN111832447B (zh) | 2020-06-30 | 2020-06-30 | 建筑图纸构件识别方法、电子设备及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832447B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990143B (zh) * | 2021-04-30 | 2021-08-31 | 杭州品茗安控信息技术股份有限公司 | 一种建筑图纸的模型匹配方法、系统及相关装置 |
CN113128457A (zh) * | 2021-04-30 | 2021-07-16 | 杭州品茗安控信息技术股份有限公司 | 一种建筑模型的识别方法、系统及相关装置 |
CN113392453B (zh) * | 2021-06-10 | 2022-10-11 | 万翼科技有限公司 | 工程图纸中的空间提取方法、装置、电子设备和存储介质 |
CN113435289A (zh) * | 2021-06-22 | 2021-09-24 | 万翼科技有限公司 | 空间分割方法、装置、设备及存储介质 |
CN113673413A (zh) * | 2021-08-16 | 2021-11-19 | 金地(集团)股份有限公司 | 建筑图纸的审图方法、装置、计算机可读介质及电子设备 |
CN113901550B (zh) * | 2021-09-30 | 2024-09-06 | 深圳市万翼数字技术有限公司 | 装配式建筑bim模型生成方法及相关设备 |
CN114357545B (zh) * | 2021-12-15 | 2024-09-06 | 北京构力科技有限公司 | 用于布置施工图标注位置的方法和产品 |
CN114239124A (zh) * | 2022-02-28 | 2022-03-25 | 江西少科智能建造科技有限公司 | 一种建筑图纸构件识别方法、系统、存储介质及设备 |
CN114741754A (zh) * | 2022-03-30 | 2022-07-12 | 广东博智林机器人有限公司 | 一种基于建筑图纸的房间区域识别方法及系统 |
CN114973299B (zh) * | 2022-08-01 | 2023-01-10 | 万翼科技有限公司 | 建筑图纸构件识别方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082994A (zh) * | 2007-06-27 | 2007-12-05 | 永凯软件技术(上海)有限公司 | 工程图空间曲线线框模型重建方法 |
CN109002841A (zh) * | 2018-06-27 | 2018-12-14 | 淮阴工学院 | 一种基于Faster-RCNN模型的建筑构件提取方法 |
CN111143925A (zh) * | 2019-12-18 | 2020-05-12 | 万翼科技有限公司 | 图纸标注方法及相关产品 |
-
2020
- 2020-06-30 CN CN202010612667.2A patent/CN111832447B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101082994A (zh) * | 2007-06-27 | 2007-12-05 | 永凯软件技术(上海)有限公司 | 工程图空间曲线线框模型重建方法 |
CN109002841A (zh) * | 2018-06-27 | 2018-12-14 | 淮阴工学院 | 一种基于Faster-RCNN模型的建筑构件提取方法 |
CN111143925A (zh) * | 2019-12-18 | 2020-05-12 | 万翼科技有限公司 | 图纸标注方法及相关产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111832447A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832447B (zh) | 建筑图纸构件识别方法、电子设备及相关产品 | |
US9349076B1 (en) | Template-based target object detection in an image | |
CN107067003B (zh) | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 | |
CN108416003A (zh) | 一种图片分类方法和装置、终端、存储介质 | |
CN110378410B (zh) | 多标签场景分类方法、装置及电子设备 | |
WO2022022292A1 (zh) | 手持物体识别方法及装置 | |
CN109117760A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN109271533A (zh) | 一种多媒体文件检索方法 | |
CN112241565A (zh) | 建模方法及相关装置 | |
CN108764051B (zh) | 图像处理方法、装置及移动终端 | |
CN110222726A (zh) | 图像处理方法、装置及电子设备 | |
CN111950056A (zh) | 建筑信息化模型bim展示方法及相关设备 | |
CN113112497B (zh) | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 | |
CN109816023B (zh) | 用于生成图片标签模型的方法和装置 | |
CN111444850A (zh) | 一种图片检测的方法和相关装置 | |
CN111353580A (zh) | 目标检测网络的训练方法、电子设备及存储介质 | |
CN114049674A (zh) | 一种三维人脸重建方法、装置及存储介质 | |
CN108509567A (zh) | 一种数字文化内容库搭建的方法及装置 | |
CN111832579A (zh) | 地图兴趣点数据处理方法、装置、电子设备以及可读介质 | |
CN111340015A (zh) | 定位方法和装置 | |
CN114332809A (zh) | 一种图像识别方法、装置、电子设备和存储介质 | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN111914863B (zh) | 目标检测方法、装置、终端设备及计算机可读存储介质 | |
CN110781809A (zh) | 基于注册特征更新的识别方法、装置及电子设备 | |
CN110490065A (zh) | 人脸识别方法及装置、存储介质、计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |