CN105718663A - 配电网autocad设计图自动识别方法 - Google Patents
配电网autocad设计图自动识别方法 Download PDFInfo
- Publication number
- CN105718663A CN105718663A CN201610041418.6A CN201610041418A CN105718663A CN 105718663 A CN105718663 A CN 105718663A CN 201610041418 A CN201610041418 A CN 201610041418A CN 105718663 A CN105718663 A CN 105718663A
- Authority
- CN
- China
- Prior art keywords
- sample
- distance
- characteristic point
- equipment
- point
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明的目的在于提供一种CAD格式的配电网设计图的自动识别方法,本方法可以将CAD格式的配电网设计图自动的导入到GIS系统中,并且在GIS系统中可以识别出配电网的各种设备。本发明的方法包括样本数据库的建立和对CAD设计图中的设备进行识别两个过程。本发明能够自动的识别CAD设计图中的设备,识别率较高。而且由于由程序自动进行CAD设计图的处理及设备的识别,处理速度更快,更方便,同时,也避免了人工的方式带来的数据不准确的问题。
Description
技术领域
本发明涉及配电网的规划设计技术领域,具体来说涉及一种配电网AUTOCAD设计图自动识别方法。
背景技术
现在配电网的规划设计一般是工程人员用AUTOCAD或其它类似的工具完成。产生的设计图的格式为CAD格式。同时,配电网的线路的一般需要在地理信息系统(GIS)中管理和展现,因此,需要专业的人员将这些CAD格式的配电网设计图重新画到GIS中去。例如:CAD设计人员在设计图上画出了如图1所示的图形代表配电网中的某种设备,那么GIS开发人员需要按照CAD图的内容,将某种设备的图重新画到GIS系统中去。
如果将CAD格式的设计图自动的导入GIS系统,则CAD图中的一个器件体现为GIS系统中的一组空间数据。例如,一个变压器体现为若干个线,或点或多边形的组合。因此,需要解决的问题是如何将这些空间数据的组合识别成一个器件。
具体来说,根据OGC规范要求,GIS系统的空间数据类型包括:点(POINT)、线(LINESTRING)、多边形(POLYGON)、多点(MULTIPOINT)、多线(MULTILINESTRING)、多多边形(MULTIPOLYGON)和集合对象集(GEOMETRYCOLLECTION)等。例如:
·POINT(00)——点
·LINESTRING(00,11,12)——线
·POLYGON((00,40,44,04,00),(11,21,22,12,11))——面
·MULTIPOINT(00,12)——多点
·MULTILINESTRING((00,11,12),(23,32,54))——多线
·MULTIPOLYGON(((00,40,44,04,00),(11,21,22,12,11)),((-1-1,-1-2,-2-2,-2-1,-1-1)))——多面
·GEOMETRYCOLLECTION(POINT(23),LINESTRING((23,34)))——几何集合
本质上说,空间数据的基本元素为点和线,其它的元素都是点和线的组合,或者是组合的组合。如上文中提到的“面”(或多边形)为多条线的组合。几何集合就是组合的组合。
但要将一组点和线的组合由程序自动的识别成一个配电网的器件,是存在一定的技术难度的。特别是CAD图中,不同的人的对同一器件的画法并不完全一致。例如:
·CAD图上的器件有不同大小,不同的朝向,识别算法需要能够识别。
·CAD图是手工画的,不标准。例如:
-画一个正方形,有些人画一个多边形,这样一个正方形只有4个点,4条线。但有些人会画4根线。线的起点和终点看起来相连,但实际可能不相连。这样就有8个点,4条线。
-画一个圆,有些人用20边形来画,有些人用30边形来画。这样特征点个数是不同的。
基于上面描述的技术难度,现在通常的做法并不是由软件系统自动的将CAD图转换识别成GIS系统的图。而是采用人工的方式,按照CAD格式的配电网设计图,将其中的一个一个的部件输入到GIS系统中去。这样用人工的方式去做,存在以下一些缺点:
-需要花费大量的人力物力。特别是如果需要将低压线路的CAD格式的配电网设计路都输入到GIS系统中去,那么工作量之巨大,是人力难以实现的。
-数据的准确性也难以得到保证。由于人工的数据识别和输入,错误是难以避免的。
发明内容
本发明所要解决的技术问题,就是提供一种CAD格式的配电网设计图的自动识别方法,本方法可以将CAD格式的配电网设计图自动的导入到GIS系统中,并且在GIS系统中可以识别出配电网的各种设备。
为解决上述技术问题,本发明采用的技术方案如下:
一种配电网AUTOCAD设计图自动识别方法,包括样本数据库的建立和对CAD设计图中的设备进行识别两个过程:
1)所述样本数据库的建立的具体过程如下:
1.1)将原样本图放入单位大小的栅格中,如果原样本图与某栅格有交集,则取栅格的中央点,作为样本点,这样得到该设备的所有的样本点。
1.2)将该样本进行旋转n*45度(n=1,2,3,4,…8),进行上述步骤1.1,则对于一个样本图例,在平面上进行旋转,每旋转45度产生一个样本,在一个平面上可以产生360度/45度=8个角度的样本数据。或者,为了要达到更高的识别精度,也可将样本进行n*22.5度(n=1,2,3,4,…16)的旋转,产生16个角度的样本数据。
1.3)对所有的要识别的设备,按照步骤1.1)和1.2)中的描述进行样本数据库的建立。
2)所述对CAD设计图中的设备进行识别的具体过程如下:
2.1)设备特征点的提取:
2.2)对待识别的CAD设计图中的设备进行规一化;
2.3)将设备特征点与样本库进行比对和识别。
所述步骤2.1)的具体过程如下:
2.1.1)将CAD设计图上的第一个点d1放入一个集合S1内
2.1.2)对于每一个CAD设计图上的点dn(n=2,3,…),判断该点dn与之前的其它点dx(x=1,2,..n-1)的距离;如果距离小于某个设定的门限,则将它与该点放入同一个集合S内;如果点dn与之前所有其它点dx(x=1,2,..n-1)的距离都大于设定的门限,则将点dn放入一个新产生的集合Sx(x=2,3,...)内;
2.1.3)重复步骤2.1.1)和2.1.2)直至CAD设计图中的所有点都被处理。则所有属于同一个集合中的所有点属于同一个设备。
所述步骤2.2)对待识别的CAD设计图中的设备进行规一化,具体包括了:对设备大小及位置的归一化和对设备特征点个数的规一化。
A)对设备大小及位置的归一化具体过程如下:
CAD图上,一个设备的数据表达为:
-点的集合:(d1,d2,…dn)其中di(i=1…n)=(Longitude_i,Latitude_i);
-点的连线:为一个行和列都为d1,d2,…dn的方阵。其中方阵的值为1或0,代表任意两个点di和dj之间是否有连接;
先把(d1,d2,..dn)做规一化,使它与图形的大小及经纬度位置无关:
2.2.1)先取所有点的中心点C,即将点集合(d1,d2,..dn)中最大的经纬度与最小经纬度做算术平均。即C=((max(longitude1,…longitudeN)+min((longitude1,…longitudeN))/2,(max(latitude1,…latitudeN)+min((latitude1,…latitudeN))/2,
2.2.2)将点di的经纬度换算为(Xi,Yi):
Xi=(Xi–Xc)/(Xmax–Xmin),其中Xi为点Di的经度,Xc为中心点经度,Xmax/min为最大/小的经度;
Yi=(Yi–Yc)/(Ymax–Ymin),其中Yi为点Di的纬度,Xc为中心点纬度,Xmax/min为最大/小的纬度;
这样,图的大小就变成了1x1的大小,图所在的经纬度位置也无关了。
B)对设备特征点个数的规一化具体过程为:设定一个栅格的大小,所有在栅格内的点,做平均,然后归一化成一个点。
步骤2.3)将设备特征点与样本库进行比对和识别的具体过程如下:
计算待识别的CAD设计图中的设备与样本库中的每一个样本的距离:
对如下三个方面a)-c)分别计算待识别样本与数据库中样本的距离,并对三个距离进行加权平均以计算总的距离:
a)特征点的轮廓的匹配程度
b)特征点颜色的匹配程度
c)特征点之间的连接关系的匹配程度
对于以上三个方面a)-c)分别计算出的三个距离值进行加权平均时,每个距离值的权重可以通过对训练数据的线性回归得到。
上述步骤a)中,特征点轮廓的匹配程度可以由特征点轮廓的距离来表征,特征点轮廓的距离的计算方法为:
a1)待识别样本的特征点为:d1,d2,…dn
a2)数据库中某一设备某一角度的特征点为:a1,a2,…am
a3)基于特征点轮廓计算的距离为:distance_1=sqrt(dist(d1,b1)^2+dist(d2,b2)^2+…+dist(dn–bn)^2),其中bi(i=1..n)是(a1,a2,…am)中距离di最近的点。
a4)由于di(i=1..n),aj(j=1..m)均是一个由经纬度计算得到的2维坐标点(x,y),所以距离就是二维平面中的距离dist(di,aj)=sqrt((X_di–X_aj)^2+(Y_di–Y_aj)^2))。
上述步骤b)中,特征点颜色的匹配程度可以由特征点颜色的距离来表征,特征点颜色的距离的计算方法为:
b1)待识别样本的特征点为:d1,d2,…dn
b2)数据库中某一设备某一角度的特征点为:a1,a2,…am
b3)基于特征点轮廓计算的距离为:distance_2=sqrt(dist(d1,b1)^2+dist(d2,b2)^2+…+dist(dn–bn)^2)其中bi(i=1..n)是(a1,a2,…am)中距离di最近的点。
b4)颜色的差异可以由RGB的计算得到。由于di(i=1..n),aj(j=1..m)均有一个RGB颜色,所以距离就是RGB三个维度的颜色值的距离:dist(di,aj)=sqrt((R_di–R_aj)^2+(G_di–G_aj)^2)+(B_di–B_aj)^2)。
上述步骤c)中,特征点之间的连接关系的匹配程度可以由特征点连接关系距离来表征,特征点之间的连接关系的距离的计算如下:
c1)将待识别样本的特征点d1,d2,..dn的两两连接关系描述成一个n维的距阵,任意两点(di,dj)间有连接则距阵中(i,j)=1,否则等于0;
c2)对样本库的每一个样本做同样的c)处理,产生m维距阵;
c3)由于待识别样本的连接关系是一个n维的方阵(即任意两个点之间是否有连接,或连接的长度)。数据库中的样本也是m维方阵。两个不同维度的方阵之间的相似程度计算方法是:利用现有的图像拉伸算法把两个方阵都扩展成NxM维方阵(参考图像拉伸的算法),则可以计算其两个距阵间的欧氏距离。
与现有的用人工进行CAD设计图识别的办法相比,本发明有以下优点:
1、能自动的识别CAD设计图中的设备,识别率较高。
2、由于由程序自动进行CAD设计图的处理及设备的识别,处理速度更快,更方便,同时,也避免了人工的方式带来的数据不准确的问题。
附图说明
图1现有的一个AUTOCAD设计图的示意;
图2本发明的配电网AUTOCAD设计图自动识别方法的流程图;
图3是本发明方法要处理的一个变压器样本示意图;
图4是应用本发明方法对图3变压器样本示意图进行特征点提取后的示意图。
具体实施方式
一种配电网AUTOCAD设计图自动识别方法,包括样本数据库的建立和对CAD设计图中的设备进行识别两个过程,如图2所示:
1)所述样本数据库的建立包括:
-建立各种设备的标准样本;
-产生各种设备在不同角度的标准样本,例如,每个设备旋转到不同角度,共产生16个样本;
-对各种设备的标准样本进行采集,并且建立数据库。
步骤1)样本数据库的建立的具体过程如下:
首先,将CAD图上画的每一个器件,转换成若干个点、线组合。
这些点描述了这个器件的轮廓,即为特征点。
这些线描述了这些特征点的连接关系。
点、线均有颜色。
不同器件有不同个数的特征点。比如变压器的图形比某些设备复杂一点,特征点多一些。需要通过一组点、线组合及它的颜色来识别它是一个器件(比如是一个变压器)。
样本数据库中保存的各种设备的特征点的样本。因此,在建立样本数据库时,需要对各种设备进行样本点的提取。
例如:图3代表一个变压器,则通过以下方法进行特征点的提取:
1.1)将原样本图放入单位大小的栅格中,如果原样本图与某栅格有交集,则取栅格的中央点,作为样本点。这样可以得到该设备的所有的样本点。如图4所示。
1.2)将该样本进行旋转n*45度(n=1,2,3,4,…8),进行上述步骤1.1,则对于一个样本图例,在平面上进行旋转,每旋转45度产生一个样本,在一个平面上可以产生360度/45度=8个角度的样本数据。或者,为了要达到更高的识别精度,也可将样本进行n*22.5度(n=1,2,3,4,…16)的旋转,产生16个角度的样本数据。
1.3)对所有的要识别的设备,按照步骤1.1,1.2中的描述进行样本数据库的建立。
2)所述对CAD设计图中的设备进行识别时采用识别算法,该识别算法包括:
2.1)设备特征点的提取:即一个大的CAD图中,有很多点、线组合,这些点、线属于N个设备,因此,需要识别出哪些点、线属于同一个器件,其中,特征点相互距离小于某个值时,认为这些特征点属于同一个设备。
2.2)对待识别的CAD设计图中的设备进行规一化:即对设备的大小进行归一化,把人手画的不规整部分做标准化;
2.3)将设备特征点与样本库进行比对和识别。
待识别的CAD设计图中可能含有多个设备。因此,要识别出每一个设备及它们所包含的特征点。因此,步骤2.1)包括如下具体内容:
2.1.1)将CAD设计图上的第一个点d1放入一个集合S1内
2.1.2)对于每一个CAD设计图上的点dn(n=2,3,…),判断该点dn与之前的其它点dx(x=1,2,..n-1)的距离。如果距离小于某个设定的门限,则将它与该点放入同一个集合S内。如果点dn与之前所有其它点dx(x=1,2,..n-1)的距离都大于设定的门限,则将点dn放入一个新产生的集合Sx(x=2,3,...)内;
2.1.3)重复步骤2.1.1)和2.1.2)直至CAD设计图中的所有点都被处理。则所有属于同一个集合中的所有点属于同一个设备。
步骤2.2)对待识别的CAD设计图中的设备进行规一化,具体包括了:对设备大小及位置的归一化和对设备特征点个数的规一化。
对设备大小及位置的归一化具体过程如下:
不同的设计人员可能在CAD图上画的设备的大小不一。在识别设备种类前要对设备大小及位置进行规一化。这样才方便与数据库中保存的设备的标准样本数据进行比较。
CAD图上,一个设备的数据表达为:
-点的集合:(d1,d2,…dn)其中di(i=1…n)=(Longitude_i,Latitude_i)
-点的连线:为一个行和列都为d1,d2,…dn的方阵。其中方阵的值为1或0,代表任意两个点di和dj之间是否有连接。
先把(d1,d2,..dn)做规一化,使它与图形的大小及经纬度位置无关。
2.2.1)先取所有点的中心点C,即将点集合(d1,d2,..dn)中最大的经纬度与最小经纬度做算术平均。即C=((max(longitude1,…longitudeN)+min((longitude1,…longitudeN))/2,(max(latitude1,…latitudeN)+min((latitude1,…latitudeN))/2,
2.2.2)点di的经纬度换算为(Xi,Yi):
Xi=(Xi–Xc)/(Xmax–Xmin),其中Xi为点Di的经度,Xc为中心点经度,Xmax/min为最大/小的经度
Yi=(Yi–Yc)/(Ymax–Ymin),其中Yi为点Di的纬度,Xc为中心点纬度,Xmax/min为最大/小的纬度
这样,图的大小就变成了1x1的大小。图所在的经纬度位置也无关了。
对设备特征点个数的规一化具体过程如下:
由于不同的设计人员在画CAD设计图时,画法不同,因此特征点个数可能不同。例如:对于把一个正方形画成4个直线,头尾不相连。或把一个圆画成不同的N(e.g.20,30)边形。因此,如果需要对设备进行识别,需要对于特征点的规一化,我们可以用一个栅格来进行归一化。
2.2.3)设定一个栅格的大小,所有在栅格内的点,做平均,然后归一化成一个点。如图3所示,栅格的大小决定了规一化的程度,也影响最后图形识别的精度。
步骤2.3)将设备特征点与样本库进行比对和识别:
2.3.1)计算待识别的CAD设计图中的设备与样本库中的每一个样本的距离,距离的计算由以下步骤组成:
首先,待识别样本与数据库中样本的距离由以下几个方面来决定:
a)特征点的轮廓的匹配程度
b)特征点颜色的匹配程度
c)特征点之间的连接关系的匹配程度
对以上三个方面a)-c)分别计算待识别样本与数据库中样本的距离。并对三个距离进行加权平均以计算总的距离。
2.3.2)对于以上三个方面a)-c)分别计算出的三个距离值进行加权平均时,每个距离值的权重可以通过对训练数据的线性回归得到。
上述步骤a)中,特征点轮廓的匹配程度可以由特征点轮廓的距离来表征,特征点轮廓的距离的计算方法为:
a1)待识别样本的特征点为:d1,d2,…dn
a2)数据库中某一设备某一角度的特征点为:a1,a2,…am
a3)基于特征点轮廓计算的距离为:distance_1=sqrt(dist(d1,b1)^2+dist(d2,b2)^2+…+dist(dn–bn)^2),其中bi(i=1..n)是(a1,a2,…am)中距离di最近的点。
a4)由于di(i=1..n),aj(j=1..m)均是一个由经纬度计算得到的2维坐标点(x,y),所以距离就是二维平面中的距离dist(di,aj)=sqrt((X_di–X_aj)^2+(Y_di–Y_aj)^2));
上述步骤b)中,特征点颜色的匹配程度可以由特征点颜色的距离来表征,特征点颜色的距离的计算方法为:
b1)待识别样本的特征点为:d1,d2,…dn
b2)数据库中某一设备某一角度的特征点为:a1,a2,…am
b3)基于特征点轮廓计算的距离为:distance_2=sqrt(dist(d1,b1)^2+dist(d2,b2)^2+…+dist(dn–bn)^2)其中bi(i=1..n)是(a1,a2,…am)中距离di最近的点。
b4)颜色的差异可以由RGB的计算得到。由于di(i=1..n),aj(j=1..m)均有一个RGB颜色,所以距离就是RGB三个维度的颜色值的距离:dist(di,aj)=sqrt((R_di–R_aj)^2+(G_di–G_aj)^2)+(B_di–B_aj)^2)
上述步骤c)中,特征点之间的连接关系的匹配程度可以由特征点连接关系距离来表征,特征点之间的连接关系的距离的计算如下:
c1)将待识别样本的特征点d1,d2,..dn的两两连接关系描述成一个n维的距阵,任意两点(di,dj)间有连接则距阵中(i,j)=1,否则等于0;
c2)对样本库的每一个样本做同样的c)处理,产生m维距阵;
c3)由于待识别样本的连接关系是一个n维的方阵(即任意两个点之间是否有连接,或连接的长度)。数据库中的样本也是m维方阵。两个不同维度的方阵之间的相似程度计算方法是:利用现有的图像拉伸算法把两个方阵都扩展成NxM维方阵(参考图像拉伸的算法),则可以计算其两个距阵间的欧氏距离。
最后,将上述步骤a)-c)中计算出的距离做加权平均,即可得到待识别样本与样本数据库中第一个样本的距离。取最小的距离的样本,即为待识别样本的最终结果。
本发明的实施方式不限于此,在本发明上述基本技术思想前提下,按照本领域的普通技术知识和惯用手段对本发明内容所做出其它多种形式的修改、替换或变更,均落在本发明权利保护范围之内。
Claims (7)
1.一种配电网AUTOCAD设计图自动识别方法,包括样本数据库的建立和对CAD设计图中的设备进行识别两个过程:
1)所述样本数据库的建立的具体过程如下:
1.1)将原样本图放入单位大小的栅格中,如果原样本图与某栅格有交集,则取栅格的中央点,作为样本点,这样得到该设备的所有的样本点;
1.2)将该样本进行旋转n*45度(n=1,2,3,4,…8),进行上述步骤1.1,则对于一个样本图例,在平面上进行旋转,每旋转45度产生一个样本,在一个平面上可以产生360度/45度=8个角度的样本数据;或者,为了要达到更高的识别精度,也可将样本进行n*22.5度(n=1,2,3,4,…16)的旋转,产生16个角度的样本数据;
1.3)对所有的要识别的设备,按照步骤1.1)和1.2)中的描述进行样本数据库的建立;
2)所述对CAD设计图中的设备进行识别的具体过程如下:
2.1)设备特征点的提取:
2.2)对待识别的CAD设计图中的设备进行规一化;
2.3)将设备特征点与样本库进行比对和识别。
2.根据权利要求1所述的方法,其特征在于:所述步骤2.1)的具体过程如下:
2.1.1)将CAD设计图上的第一个点d1放入一个集合S1内
2.1.2)对于每一个CAD设计图上的点dn(n=2,3,…),判断该点dn与之前的其它点dx(x=1,2,..n-1)的距离;如果距离小于某个设定的门限,则将它与该点放入同一个集合S内;如果点dn与之前所有其它点dx(x=1,2,..n-1)的距离都大于设定的门限,则将点dn放入一个新产生的集合Sx(x=2,3,...)内;
2.1.3)重复步骤2.1.1)和2.1.2)直至CAD设计图中的所有点都被处理;则所有属于同一个集合中的所有点属于同一个设备。
3.根据权利要求1所述的方法,其特征在于:所述步骤2.2)对待识别的CAD设计图中的设备进行规一化,具体包括了:对设备大小及位置的归一化和对设备特征点个数的规一化;
A)对设备大小及位置的归一化具体过程如下:
CAD图上,一个设备的数据表达为:
-点的集合:(d1,d2,…dn)其中di(i=1…n)=(Longitude_i,Latitude_i);
-点的连线:为一个行和列都为d1,d2,…dn的方阵;其中方阵的值为1或0,代表任意两个点di和dj之间是否有连接;
先把(d1,d2,..dn)做规一化,使它与图形的大小及经纬度位置无关:
2.2.1)先取所有点的中心点C,即将点集合(d1,d2,..dn)中最大的经纬度与最小经纬度做算术平均:即C=((max(longitude1,…longitudeN)+min((longitude1,…longitudeN))/2,(max(latitude1,…latitudeN)+min((latitude1,…latitudeN))/2;
2.2.2)将点di的经纬度换算为(Xi,Yi):
Xi=(Xi–Xc)/(Xmax–Xmin),其中Xi为点Di的经度,Xc为中心点经度,Xmax/min为最大/小的经度;
Yi=(Yi–Yc)/(Ymax–Ymin),其中Yi为点Di的纬度,Xc为中心点纬度,Xmax/min为最大/小的纬度;
B)对设备特征点个数的规一化具体过程为:设定一个栅格的大小,所有在栅格内的点,做平均,然后归一化成一个点。
4.根据权利要求1所述的方法,其特征在于:步骤2.3)将设备特征点与样本库进行比对和识别的具体过程如下:
2.3.1)计算待识别的CAD设计图中的设备与样本库中的每一个样本的距离:
对如下三个方面a)-c)分别计算待识别样本与数据库中样本的距离,并对三个距离进行加权平均以计算总的距离:
a)特征点的轮廓的匹配程度;
b)特征点颜色的匹配程度;
c)特征点之间的连接关系的匹配程度;
对于以上三个方面a)-c)分别计算出的三个距离值进行加权平均时,每个距离值的权重可以通过对训练数据的线性回归得到。
5.根据权利要求4所述的方法,其特征在于:所述步骤a)中,特征点轮廓的匹配程度可以由特征点轮廓的距离来表征,特征点轮廓的距离的计算方法为:
a1)待识别样本的特征点为:d1,d2,…dn;
a2)数据库中某一设备某一角度的特征点为:a1,a2,…am;
a3)基于特征点轮廓计算的距离为:distance_1=sqrt(dist(d1,b1)^2+dist(d2,b2)^2+…+dist(dn–bn)^2),其中bi(i=1..n)是(a1,a2,…am)中距离di最近的点;
a4)由于di(i=1..n),aj(j=1..m)均是一个由经纬度计算得到的2维坐标点(x,y),所以距离就是二维平面中的距离dist(di,aj)=sqrt((X_di–X_aj)^2+(Y_di–Y_aj)^2))。
6.根据权利要求4任意一项所述的方法,其特征在于:上述步骤b)中,特征点颜色的匹配程度可以由特征点颜色的距离来表征,特征点颜色的距离的计算方法为:
b1)待识别样本的特征点为:d1,d2,…dn;
b2)数据库中某一设备某一角度的特征点为:a1,a2,…am;
b3)基于特征点轮廓计算的距离为:distance_2=sqrt(dist(d1,b1)^2+dist(d2,b2)^2+…+dist(dn–bn)^2)其中bi(i=1..n)是(a1,a2,…am)中距离di最近的点;
b4)颜色的差异可以由RGB的计算得到:由于di(i=1..n),aj(j=1..m)均有一个RGB颜色,所以距离就是RGB三个维度的颜色值的距离:dist(di,aj)=sqrt((R_di–R_aj)^2+(G_di–G_aj)^2)+(B_di–B_aj)^2)。
7.根据权利要求4所述的方法,其特征在于:上述步骤c)中,特征点之间的连接关系的匹配程度可以由特征点连接关系距离来表征,特征点之间的连接关系的距离的计算如下:
c1)将待识别样本的特征点d1,d2,..dn的两两连接关系描述成一个n维的距阵,任意两点(di,dj)间有连接则距阵中(i,j)=1,否则等于0;
c2)对样本库的每一个样本做同样的c)处理,产生m维距阵;
c3)由于待识别样本的连接关系是一个n维的方阵,即任意两个点之间是否有连接,或连接的长度,数据库中的样本也是m维方阵;两个不同维度的方阵之间的相似程度计算方法是:利用现有的图像拉伸算法把两个方阵都扩展成NxM维方阵,则可以计算其两个距阵间的欧氏距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610041418.6A CN105718663B (zh) | 2016-01-21 | 2016-01-21 | 配电网autocad设计图自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610041418.6A CN105718663B (zh) | 2016-01-21 | 2016-01-21 | 配电网autocad设计图自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105718663A true CN105718663A (zh) | 2016-06-29 |
CN105718663B CN105718663B (zh) | 2018-08-21 |
Family
ID=56154706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610041418.6A Active CN105718663B (zh) | 2016-01-21 | 2016-01-21 | 配电网autocad设计图自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105718663B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188150A (zh) * | 2019-04-16 | 2019-08-30 | 厦门亿力吉奥信息科技有限公司 | 配电网线路图的建模方法及计算机可读存储介质 |
WO2020061939A1 (zh) * | 2018-09-27 | 2020-04-02 | 西门子股份公司 | 识别设备的方法、装置、系统、存储介质、处理器和终端 |
CN112347168A (zh) * | 2020-10-23 | 2021-02-09 | 国网天津市电力公司 | 一种cad-gis系统数据自动处理与转换方法 |
CN112417538A (zh) * | 2020-11-10 | 2021-02-26 | 杭州群核信息技术有限公司 | 基于cad图纸的窗户识别方法和装置以及窗户三维重建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004295787A (ja) * | 2003-03-28 | 2004-10-21 | Nissan Motor Co Ltd | Cadシステム |
US20040214097A1 (en) * | 2002-03-14 | 2004-10-28 | Suttile Edward J. | Automated manufacturing system and method for processing photomasks |
CN101882222A (zh) * | 2009-06-26 | 2010-11-10 | 哈尔滨工业大学 | 基于基元结构定义与区域生长技术的虹膜分区及阳光放射沟提取方法 |
CN105071399A (zh) * | 2015-08-26 | 2015-11-18 | 国网山东省电力公司 | 基于主、配电网互动协调的电压无功综合控制系统 |
CN105245015A (zh) * | 2015-11-12 | 2016-01-13 | 国家电网公司 | 基于多agent的分层扩展电网故障信息处理系统及方法 |
-
2016
- 2016-01-21 CN CN201610041418.6A patent/CN105718663B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040214097A1 (en) * | 2002-03-14 | 2004-10-28 | Suttile Edward J. | Automated manufacturing system and method for processing photomasks |
JP2004295787A (ja) * | 2003-03-28 | 2004-10-21 | Nissan Motor Co Ltd | Cadシステム |
CN101882222A (zh) * | 2009-06-26 | 2010-11-10 | 哈尔滨工业大学 | 基于基元结构定义与区域生长技术的虹膜分区及阳光放射沟提取方法 |
CN105071399A (zh) * | 2015-08-26 | 2015-11-18 | 国网山东省电力公司 | 基于主、配电网互动协调的电压无功综合控制系统 |
CN105245015A (zh) * | 2015-11-12 | 2016-01-13 | 国家电网公司 | 基于多agent的分层扩展电网故障信息处理系统及方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020061939A1 (zh) * | 2018-09-27 | 2020-04-02 | 西门子股份公司 | 识别设备的方法、装置、系统、存储介质、处理器和终端 |
US10643111B2 (en) | 2018-09-27 | 2020-05-05 | Siemens Aktiengesellschaft | Method, system, and computer program product for identifying device |
CN110188150A (zh) * | 2019-04-16 | 2019-08-30 | 厦门亿力吉奥信息科技有限公司 | 配电网线路图的建模方法及计算机可读存储介质 |
CN110188150B (zh) * | 2019-04-16 | 2021-10-08 | 厦门亿力吉奥信息科技有限公司 | 配电网线路图的建模方法及计算机可读存储介质 |
CN112347168A (zh) * | 2020-10-23 | 2021-02-09 | 国网天津市电力公司 | 一种cad-gis系统数据自动处理与转换方法 |
CN112417538A (zh) * | 2020-11-10 | 2021-02-26 | 杭州群核信息技术有限公司 | 基于cad图纸的窗户识别方法和装置以及窗户三维重建方法 |
CN112417538B (zh) * | 2020-11-10 | 2024-04-16 | 杭州群核信息技术有限公司 | 基于cad图纸的窗户识别方法和装置以及窗户三维重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105718663B (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993827B (zh) | 一种将建筑图纸转换为三维bim模型的立面图识别方法 | |
Liu et al. | A detection and recognition system of pointer meters in substations based on computer vision | |
CN104077447B (zh) | 基于纸质平面数据的城市三维空间矢量建模方法 | |
CN108804815A (zh) | 一种基于深度学习辅助识别cad中墙体的方法和装置 | |
CN110634131B (zh) | 一种裂缝图像识别与建模方法 | |
CN105718663A (zh) | 配电网autocad设计图自动识别方法 | |
CN102831427B (zh) | 一种融合视觉显著性和灰度共生矩的纹理特征提取方法 | |
Zafari et al. | Segmentation of partially overlapping nanoparticles using concave points | |
CN110189344A (zh) | 一种电力刀闸图像中直线段提取方法 | |
CN105069395B (zh) | 基于地面三维激光扫描技术的道路标线自动识别方法 | |
CN112990183B (zh) | 离线手写汉字同名笔画提取方法、系统、装置 | |
CN116468392A (zh) | 一种电网工程项目进度监控方法、装置、设备及存储介质 | |
Chen et al. | A KD curvature based corner detector | |
CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
CN115409966A (zh) | 一种从二维矢量图纸自动重建桁架结构三维点云的方法 | |
Norzaki et al. | A comparative study of template matching, ISO cluster segmentation, and tree canopy segmentation for homogeneous tree counting | |
Dong et al. | Pixel-level intelligent segmentation and measurement method for pavement multiple damages based on mobile deep learning | |
CN117523403A (zh) | 一种宅基地图斑变化检测方法、系统、设备及介质 | |
CN117609774A (zh) | 一种基于配电网的三维场景点云数据提取与识别系统 | |
CN112991300A (zh) | 一种基于邻域特征的单木骨架提取及可视化方法 | |
CN112347926A (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN113256581B (zh) | 基于视觉注意建模融合的缺陷样本自动标注方法及系统 | |
CN113936294A (zh) | 建筑工地人员识别方法、可读存储介质和电子设备 | |
Bao et al. | An automatic extraction method for individual tree crowns based on self-adaptive mutual information and tile computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |