CN110598634A - 一种基于图例库的机房草图识别方法及其装置 - Google Patents

一种基于图例库的机房草图识别方法及其装置 Download PDF

Info

Publication number
CN110598634A
CN110598634A CN201910864560.4A CN201910864560A CN110598634A CN 110598634 A CN110598634 A CN 110598634A CN 201910864560 A CN201910864560 A CN 201910864560A CN 110598634 A CN110598634 A CN 110598634A
Authority
CN
China
Prior art keywords
machine room
sketch
equipment
wall
identification
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
Application number
CN201910864560.4A
Other languages
English (en)
Other versions
CN110598634B (zh
Inventor
方媛
刘衍琦
陈峰蔚
曲海洋
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.)
Shandong Wen Du Network Technology Co Ltd
Original Assignee
Shandong Wen Du Network Technology 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 Shandong Wen Du Network Technology Co Ltd filed Critical Shandong Wen Du Network Technology Co Ltd
Priority to CN201910864560.4A priority Critical patent/CN110598634B/zh
Publication of CN110598634A publication Critical patent/CN110598634A/zh
Application granted granted Critical
Publication of CN110598634B publication Critical patent/CN110598634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于图例库的机房草图识别方法及其装置，其特征在于，识别方法包括如下步骤：制定草图绘制标准，建立标准图例库，对机房草图绘制进行规整化约束；获取草图数据；对机房草图中的图像整体进行层次分割，得到机房草图的部件图；利用标准图例库匹配识别，进而实现机房草图部件的检测识别；对机房草图部件进行合理性位置约束；结果的参数化输出。本发明的有益之处在于：本发的一种基于图例库的机房草图识别方法及其装置能够实时、快速、准确地输出与输入草图相匹配的标准图形识别结果，从而为设计人员在结合草图勘查报告后进行快速设计提供更直观的参考依据。

Description

一种基于图例库的机房草图识别方法及其装置
技术领域
本发明属于安全管理技术领域，具体涉及一种基于图例库的机房草图识别方法及其装置。
背景技术
随着社会信息技术的高速发展，现代工业领域的信息化、智能化、自动化设施呈现爆发式增长趋势，其相关产品和技术作为企业赖以生存发展的重要技术手段，成为企业核心竞争力的重要组成部位。
机房巡检作为排除生产隐患、保障生产安全、加强设备管理的重要手段一直以来都受到企业高度重视。为了适应新环境下的生产需要，提升机房巡检流程的信息化、智能化、自动化成为了安全管理方面改善的重中之重。
现阶段，在机房巡检设计过程中，勘查人员往往通过简单手绘的方式来对机房状态进行现场草图绘制，这在一定程度上可以节省巡检时间、提高巡检效率，并具备后续追溯的优点。但是，草图绘制一般具有不规则性，使得手绘草图无法直接代入下一阶段工作，这就需要较为专业的设计人员进行后续设计图绘制，但是由于工作人员的更迭，较多的草图语义沟通和理解的偏差等环节都需要较高的时间和管理成本。
现阶段，草图识别技术普遍存在数据需求大，硬件要求高，不易部署；割裂各部件关系，缺乏合理约束，识别结果缺乏整体性；以图像作为输出，缺乏参数化流程，不利于人工调整与后期改善等问题。因此，急需通过对机房草图进行规整化约束，结合标准图例库集合，按照标准图例格式进行绘图，提高草图的标准化、易读性，在数据层面减少草图智能识别的障碍，通过图像处理技术进行识别，得到匹配的机房语义描述，并生成标准的图形化草图，辅助设计人员进行绘图，提高工作效率，减少时间和管理成本。
发明内容
为了克服现有技术的存在的问题，本发明以机房草图的语义识别作为目标，将机房草图识别和图例库结合起来，提出了一种将图像处理技术和图例匹配相结合的基于图例库的机房草图识别方法及其装置，该方法能够对整个机房草图进行整体分析，结合业务知识提取机房墙体、附墙设备、机房内设备、设备标注的语义对应关系，加强各子部件间位置关系约束，提高草图识别整体性，而且该方法能够实时、快速、准确地输出与输入草图相匹配的标准图形识别结果，从而为设计人员在结合草图勘查报告后进行快速设计提供更直观的参考依据。
本发明提供了一种基于图例库的机房草图识别方法，如下步骤：
(1)制定草图绘制标准，建立标准图例库，对机房草图绘制进行规整化约束；
(2)获取草图数据，且前述草图数据为图像级输入；
(3)对前述机房草图中的图像整体进行层次分割，得到前述机房草图的部件图；
(4)利用前述标准图例库匹配识别，进而实现机房草图部件的检测识别；
(5)对前述机房草图部件进行合理性位置约束，对步骤(4)得到的检测识别结果进行修正；
(6)将步骤(5)修正后获得的结果进行参数化输出。
优选的，前述步骤(1)的具体过程为：首先制定标准图元，并将前述标准图元够成标准图例库；之后参考前述标准图元，采用数字结合图元的方式绘制机房草图，并在前述机房草图周边利用相对间隔的数字或字母进行说明，且采用三角形标记表示附加信息；对于走线架、接地线等可能与机房内前述标准图元相重叠的部件，采用特殊颜色进行绘制。
优选的，步骤(2)中前述草图数据的来源为移动端设备拍摄的巡检现场工作人员手绘机房草图图像。
优选的，前述步骤(3)的具体过程为：首先利用孔洞填充及二值化方式进行前述图像的预处理，随之利用颜色空间转换、形态学填充手段，将前述图像整体分割为接地线、走线架，文字标注及其他部件，同时保留部分算法中间变量，为后续添加合理性约束提供信息。
优选的，前述步骤(4)中的具体过程为：通过检测连通域方法将机房草图部件与标准图例库进行矩形检测、圆形检测匹配，同时利用AlexNet和开源手写数字数据集Mnist训练数字分类模型，完成机房草图部件级的识别；
前述机房草图部件包括走线架、接地线、数字标注、其他部件；
前述走线架、接地线的检测识别过程为：首先进行闭运算以填补图像内的细小孔洞，对于前述走线架而言，存在水平和垂直两种情况，故采用开运算分别提取水平向、垂直向线条；对于处理过的图像，通过检测连通域获取各部分包围盒，最终完成走线架与接地线的检测识别；
前述数字标注检测识别过程为：使用深度学习算法AlexNet作为数字标注识别的核心网络，以Mnist开源手写数字数据集为训练集，调整网络参数，以实现数字标注的检测识别；前述核心网略包含5个卷积层和3个全连接层，并使用ReLU函数作为激活函数，解决了梯度消失问题；引入Dropout层，随机忽略部分神经元，避免分类模型的过拟合；将平均池化改为重叠最大池化，避免了平均池化层的模糊化效应，丰富特征信息；前述Mnist开源手写数字数据集包含从“0”到“9”，超过60000个手写数字样本，样本规模和内容足以满足数字识别的精度要求；
前述其他部件主要包括墙体、房门、附墙设备、墙内设备，且前述墙体、房门、附墙设备处于连通状态，比例最大；前述其他部件检测识别过程采用检测最大连通域的方式将前述墙体、房门、附墙设备与前述墙内设备进行二次分割，具体如下：
墙体：整体采用横向内部填充的方式，并自上而下进行扫描，找到墙体边界，得出墙体包围框；
房门：假定房门开口向下，采用自下而上的扫描，获取房门起点，并检测像素突变点，作为房门终点，通过两点进行直线拟合获取房门信息；
附墙设备：由于附墙设备Tn具有孔洞结构，故进行孔洞填充，得到Tnf，求取附墙设备包围盒An，其面积为Sn。将结果Tnf与Tn做差，提取附墙设备内部填充轮廓，计算内部填充面积Snf，进行按行/列扫描，规定填充大于0.9的部分为高填充区域，其所占行/列占总数的比例为r1为避免部件面积对结果的影响，规定面积比r2＝Snf/Sn，通过r1、r2与图例库中的部件比例进行匹配，完成草图附墙设备识别；
内部设备：由于其几何要素较为简单，利用类似附墙设备同样的方法进行数据匹配，得到内部设备包围框。
优选的，前述步骤(5)的具体过程为：利用扫描、坐标检测方式对识别出的前述机房草图部件之间的拓扑关系进行合理性约束；
前述拓扑关系包括附墙设备位置、内部设备对齐、墙体房门开度、倾斜设备角度；
前述约束过程：通过各部件包围坐标判断、设备元素区域所占比例信息完成前述拓扑关系的约束与信息确认，具体如下：
1)规定设备填充实体面积Sn；包围框为Anb，其面积为Snb，几何中心位置墙体包围框为Aw，其面积为Sw；
2)附墙设备位置约束与信息确认：
①过滤过小的包围框：由于绘图误差造成的图像噪声，S4环节检测出的部分包围框内部不含实际附墙设备，应对其进行删除；检测到的附墙设备包围框面积Snb，墙体包围框面积Sw，若Snb<0.03*Sw，则认定该包围框内不含实际附墙设备，删除该包围框；
②判断目标设备与墙体依附关系：计算∈＝(Anb∩Aw)/Aw，若∈>0.8则认为目标设备在墙体内，反之则在墙体外；计算On到Aw四条边界的距离d＝[du,dd,dl,dr]，取最小值，确定目标设备依附于哪面墙体，并可判断设备处于横向或纵向；
3)内部设备对齐约束与信息确认：
①计算面积比δ＝Sn/Snb，若δ<0.55，则认为该内部设备处于倾斜摆放状态；
②对于非倾斜内部设备，判断其包围框Anb相对于墙体包围框Aw的比例，进行分类排序，检验其摆放方向，对同类设备进行坐标对齐，保证拓扑关系合理性；
4)墙体房门开度约束与信息确认：利用墙体房门终止点向右扫描，当发现突变点时终止，房门开度
优选的，前述步骤(6)的具体过程为：以各部件包围盒顶点坐标及长宽信息进行参数化输出，实现后续参数化设计及改动。
优选的，前述使用深度学习算法AlexNet作为数字标注识别的核心网络，以Mnist开源手写数字数据集为训练集，调整网络参数，以实现数字标注检测识别的过程包括以下步骤：
①训练过程：以MNIST数据集作为训练数据，该训练过程为一个监督学习过程，在训练中，AlexNet可看做一个从N个像素的图像到C个类别的置信向量的映射函数卷积层采用局部连接和权值共享的方式逐层提取图像特征，获取高维图像特征，生成置信向量y＝[y1,y2,……,y1]T，其中yj(j＝1,2,……,C)代表第j个类别的置信度，输出预测标签。通过比对预测标签与真实标签的误差，进行反向传播，计算目标函数梯度，向着梯度下降方式微调网络参数，反复迭代直至目标函数收敛；
②应用过程：将上一阶段提取的数字标注输入训练好的分类模型中，通过前向传播输出数字类别，完成标注识别。
优选的，前述步骤(6)中的参数化输出是指输出的参数可以被CAD/CAE软件直接调用。
一种基于图例库的机房草图识别装置，其特征在于，采用前述任意一项的所述的一种基于图例库的机房草图识别方法设计的装置。
本发明的有益之处在于：
①本发明的一种基于图例库的机房草图识别方法输入获取简单，工作人员手绘即可，机房巡检现场无需配备任何额外设备；
②本发明的一种基于图例库的机房草图识别方法及其装置与传统方法相比，无需高级专业知识；是通过创建草图绘制标准，提高草图规范性、易读性，减低生产成本，缩短生产周期实现的，具有算法无需大规模数据集和高性能计算平台，使用成本低，投入生产快等优点；
③本发明的一种基于图例库的机房草图识别方法具有算法简单，图例匹配度精度高，运算速度快等优势；
④本发明的一种基于图例库的机房草图识别方法及其装置以图像整体作为输入，分析草图拓扑关系，加强各部件间相对位置关系，识别结果规范合理，解释性好，无需人工二次修改；
⑤本发明的一种基于图例库的机房草图识别方法及其装置采用参数化输出，方便CAD/CAE软件直接调用，可直接作为输出参与后序生产工作。
附图说明
图1为本发明实施例1的一种基于图例库的机房草图识别方法的流程示意图；
图2为本发明实施例1的一种基于图例库的机房草图识别方法的所述标准图元的示例图；
图3为本发明实施例1的一种基于图例库的机房草图识别方法的手写数字识别AlexNet网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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作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。
实施例1
参见附图1-3，一种基于图例库的机房草图识别方法，包括如下步骤：
(1)制定草图绘制标准，建立标准图例库，对机房草图绘制进行规整化约束：首先制定标准图元，并将标准图元够成标准图例库；之后参考标准图元，采用数字结合图元的方式绘制机房草图，并在机房草图周边利用相对间隔的数字或字母进行说明，且采用三角形标记表示附加信息；对于走线架、接地线等可能与机房内标准图元相重叠的部件，采用特殊颜色进行绘制。
(2)获取草图数据，且草图数据为图像级输入；草图数据的来源为移动端设备拍摄的巡检现场工作人员手绘机房草图图像。
(3)对机房草图中的图像整体进行层次分割，得到机房草图的部件图：首先利用孔洞填充及二值化方式进行图像的预处理，随之利用颜色空间转换、形态学填充手段，将图像整体分割为接地线、走线架，文字标注及其他部件，同时保留部分算法中间变量，为后续添加合理性约束提供信息。具体步骤为：首先对机房草图图像的颜色空间进行转换，将RGB模式转化为Lab模式，进而分别从b,a,l三个通道中分割出走线架、接地线、数字标注以及其他部件；之后对封闭区域进行填充，通过比对像素变化量，可判断是否存在数字标注，进而将含有数字标注的部分进行分割，输入后续AlexNet数字识别模型。
(4)利用标准图例库匹配识别，进而实现机房草图部件的检测识别：通过检测连通域方法将机房草图部件与标准图例库进行矩形检测、圆形检测匹配，同时利用AlexNet和开源手写数字数据集Mnist训练数字分类模型，完成机房草图部件级的识别；
机房草图部件包括走线架、接地线、数字标注、其他部件；
走线架、接地线的检测识别过程为：首先进行闭运算以填补图像内的细小孔洞，对于走线架而言，存在水平和垂直两种情况，故采用开运算分别提取水平向、垂直向线条；对于处理过的图像，通过检测连通域获取各部分包围盒，最终完成走线架与接地线的检测识别；
数字标注检测识别过程为：使用深度学习算法AlexNet作为数字标注识别的核心网络，以Mnist开源手写数字数据集为训练集，调整网络参数，以实现数字标注的检测识别；核心网略包含5个卷积层和3个全连接层，并使用ReLU函数作为激活函数，解决了梯度消失问题；引入Dropout层，随机忽略部分神经元，避免分类模型的过拟合；将平均池化改为重叠最大池化，避免了平均池化层的模糊化效应，丰富特征信息；Mnist开源手写数字数据集包含从“0”到“9”，超过60000个手写数字样本，样本规模和内容足以满足数字识别的精度要求；
其中使用深度学习算法AlexNet作为数字标注识别的核心网络，以Mnist开源手写数字数据集为训练集，调整网络参数，以实现数字标注检测识别的过程包括以下步骤：
1)训练过程：以MNIST数据集作为训练数据，该训练过程为一个监督学习过程，在训练中，AlexNet可看做一个从N个像素的图像到C个类别的置信向量的映射函数卷积层采用局部连接和权值共享的方式逐层提取图像特征，获取高维图像特征，生成置信向量y＝[y1,y2,……,y1]T，其中yj(j＝1,2,……,C)代表第j个类别的置信度，输出预测标签。通过比对预测标签与真实标签的误差，进行反向传播，计算目标函数梯度，向着梯度下降方式微调网络参数，反复迭代直至目标函数收敛；
2)应用过程：将上一阶段提取的数字标注输入训练好的分类模型中，通过前向传播输出数字类别，完成标注识别。
其他部件主要包括墙体、房门、附墙设备、墙内设备，且墙体、房门、附墙设备处于连通状态，比例最大；其他部件检测识别过程采用检测最大连通域的方式将墙体、房门、附墙设备与墙内设备进行二次分割，具体如下：
墙体：整体采用横向内部填充的方式，并自上而下进行扫描，找到墙体边界，得出墙体包围框；
房门：假定房门开口向下，采用自下而上的扫描，获取房门起点，并检测像素突变点，作为房门终点，通过两点进行直线拟合获取房门信息；
附墙设备：由于附墙设备Tn具有孔洞结构，故进行孔洞填充，得到Tnf，求取附墙设备包围盒An，其面积为Sn。将结果Tnf与Tn做差，提取附墙设备内部填充轮廓，计算内部填充面积Snf，进行按行/列扫描，规定填充大于0.9的部分为高填充区域，其所占行/列占总数的比例为r1为避免部件面积对结果的影响，规定面积比r2＝Snf/Sn，通过r1、r2与图例库中的部件比例进行匹配，完成草图附墙设备识别；
内部设备：由于其几何要素较为简单，利用类似附墙设备同样的方法进行数据匹配，得到内部设备包围框。
(5)对机房草图部件进行合理性位置约束，对步骤(4)得到的检测识别结果进行修正：利用扫描、坐标检测方式对识别出的机房草图部件之间的拓扑关系进行合理性约束；
拓扑关系包括附墙设备位置、内部设备对齐、墙体房门开度、倾斜设备角度；
约束过程：通过各部件包围坐标判断、设备元素区域所占比例信息完成拓扑关系的约束与信息确认，具体如下：
1)规定设备填充实体面积Sn；包围框为Anb，其面积为Snb，几何中心位置墙体包围框为Aw，其面积为Sw；
2)附墙设备位置约束与信息确认：
①过滤过小的包围框：由于绘图误差造成的图像噪声，S4环节检测出的部分包围框内部不含实际附墙设备，应对其进行删除；检测到的附墙设备包围框面积Snb，墙体包围框面积Sw，若Snb<0.03*Sw，则认定该包围框内不含实际附墙设备，删除该包围框；
②判断目标设备与墙体依附关系：计算∈＝(Anb∩Aw)/Aw，若∈>0.8则认为目标设备在墙体内，反之则在墙体外；计算On到Aw四条边界的距离d＝[du,dd,dl,dr]，取最小值，确定目标设备依附于哪面墙体，并可判断设备处于横向或纵向；
3)内部设备对齐约束与信息确认：
①计算面积比δ＝Sn/Snb，若δ<0.55，则认为该内部设备处于倾斜摆放状态；
②对于非倾斜内部设备，判断其包围框Anb相对于墙体包围框Aw的比例，进行分类排序，检验其摆放方向，对同类设备进行坐标对齐，保证拓扑关系合理性；
4)墙体房门开度约束与信息确认：利用墙体房门终止点向右扫描，当发现突变点时终止，房门开度
(6)将步骤(5)修正后获得的结果进行参数化输出：以各部件包围盒顶点坐标及长宽信息进行参数化输出，实现后续参数化设计及改动；参数化输出是指输出的参数可以被CAD/CAE软件直接调用。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种基于图例库的机房草图识别方法，其特征在于，所述识别方法包括如下步骤：
(1)制定草图绘制标准，建立标准图例库，对机房草图绘制进行规整化约束；
(2)获取草图数据，且所述草图数据为图像级输入；
(3)对所述机房草图中的图像整体进行层次分割，得到所述机房草图的部件图；
(4)利用所述标准图例库匹配识别，进而实现机房草图部件的检测识别；
(5)对所述机房草图部件进行合理性位置约束，对步骤(4)得到的检测识别结果进行修正；
(6)将步骤(5)修正后获得的结果进行参数化输出。
2.根据权利要求1所述的一种基于图例库的机房草图识别方法，其特征在于，所述步骤(1)的具体过程为：首先制定标准图元，并将所述标准图元够成标准图例库；之后参考所述标准图元，采用数字结合图元的方式绘制机房草图，并在所述机房草图周边利用相对间隔的数字或字母进行说明，且采用三角形标记表示附加信息；对于走线架、接地线等可能与机房内所述标准图元相重叠的部件，采用特殊颜色进行绘制。
3.根据权利要求1所述的一种基于图例库的机房草图识别方法，其特征在于，步骤(2)中所述草图数据的来源为移动端设备拍摄的巡检现场工作人员手绘机房草图图像。
4.根据权利要求1所述的一种基于图例库的机房草图识别方法，其特征在于，所述步骤(3)的具体过程为：首先利用孔洞填充及二值化方式进行所述图像的预处理，随之利用颜色空间转换、形态学填充手段，将所述图像整体分割为接地线、走线架，文字标注及其他部件，同时保留部分算法中间变量，为后续添加合理性约束提供信息。
5.根据权利要求1所述的一种基于图例库的机房草图识别方法，其特征在于，所述步骤(4)中的具体过程为：通过检测连通域方法将机房草图部件与标准图例库进行矩形检测、圆形检测匹配，同时利用AlexNet和开源手写数字数据集Mnist训练数字分类模型，完成机房草图部件级的识别；
所述机房草图部件包括走线架、接地线、数字标注、其他部件；
所述走线架、接地线的检测识别过程为：首先进行闭运算以填补图像内的细小孔洞，对于所述走线架而言，存在水平和垂直两种情况，故采用开运算分别提取水平向、垂直向线条；对于处理过的图像，通过检测连通域获取各部分包围盒，最终完成走线架与接地线的检测识别；
所述数字标注检测识别过程为：使用深度学习算法AlexNet作为数字标注识别的核心网络，以Mnist开源手写数字数据集为训练集，调整网络参数，以实现数字标注的检测识别；所述核心网略包含5个卷积层和3个全连接层，并使用ReLU函数作为激活函数，解决了梯度消失问题；引入Dropout层，随机忽略部分神经元，避免分类模型的过拟合；将平均池化改为重叠最大池化，避免了平均池化层的模糊化效应，丰富特征信息；所述Mnist开源手写数字数据集包含从“0”到“9”，超过60000个手写数字样本，样本规模和内容足以满足数字识别的精度要求；
所述其他部件主要包括墙体、房门、附墙设备、墙内设备，且所述墙体、房门、附墙设备处于连通状态，比例最大；所述其他部件检测识别过程采用检测最大连通域的方式将所述墙体、房门、附墙设备与所述墙内设备进行二次分割，具体如下：
墙体：整体采用横向内部填充的方式，并自上而下进行扫描，找到墙体边界，得出墙体包围框；
房门：假定房门开口向下，采用自下而上的扫描，获取房门起点，并检测像素突变点，作为房门终点，通过两点进行直线拟合获取房门信息；
附墙设备：由于附墙设备Tn具有孔洞结构，故进行孔洞填充，得到Tnf，求取附墙设备包围盒An，其面积为Sn。将结果Tnf与Tn做差，提取附墙设备内部填充轮廓，计算内部填充面积Snf，进行按行/列扫描，规定填充大于0.9的部分为高填充区域，其所占行/列占总数的比例为r1为避免部件面积对结果的影响，规定面积比r2＝Snf/Sn，通过r1、r2与图例库中的部件比例进行匹配，完成草图附墙设备识别；
内部设备：由于其几何要素较为简单，利用类似附墙设备同样的方法进行数据匹配，得到内部设备包围框。
6.根据权利要求1所述的一种基于图例库的机房草图识别方法，其特征在于，所述步骤(5)的具体过程为：利用扫描、坐标检测方式对识别出的所述机房草图部件之间的拓扑关系进行合理性约束；
所述拓扑关系包括附墙设备位置、内部设备对齐、墙体房门开度、倾斜设备角度；
所述约束过程：通过各部件包围坐标判断、设备元素区域所占比例信息完成所述拓扑关系的约束与信息确认，具体如下：
1)规定设备填充实体面积Sn；包围框为Anb，其面积为Snb，几何中心位置墙体包围框为Aw，其面积为Sw；
2)附墙设备位置约束与信息确认：
①过滤过小的包围框：由于绘图误差造成的图像噪声，S4环节检测出的部分包围框内部不含实际附墙设备，应对其进行删除；检测到的附墙设备包围框面积Snb，墙体包围框面积Sw，若Snb<0.03*Sw，则认定该包围框内不含实际附墙设备，删除该包围框；
②判断目标设备与墙体依附关系：计算∈＝(Anb∩Aw)/Aw，若∈>0.8则认为目标设备在墙体内，反之则在墙体外；计算On到Aw四条边界的距离d＝[du,dd,dl,dr]，取最小值，确定目标设备依附于哪面墙体，并可判断设备处于横向或纵向；
3)内部设备对齐约束与信息确认：
①计算面积比δ＝Sn/Snb，若δ<0.55，则认为该内部设备处于倾斜摆放状态；
②对于非倾斜内部设备，判断其包围框Anb相对于墙体包围框Aw的比例，进行分类排序，检验其摆放方向，对同类设备进行坐标对齐，保证拓扑关系合理性；
4)墙体房门开度约束与信息确认：利用墙体房门终止点向右扫描，当发现突变点时终止，房门开度
7.根据权利要求1所述的一种基于图例库的机房草图识别方法，其特征在于，所述步骤(6)的具体过程为：以各部件包围盒顶点坐标及长宽信息进行参数化输出，实现后续参数化设计及改动。
8.根据权利要求1所述的一种基于图例库的机房草图识别方法，其特征在于，所述使用深度学习算法AlexNet作为数字标注识别的核心网络，以Mnist开源手写数字数据集为训练集，调整网络参数，以实现数字标注检测识别的过程包括以下步骤：
①训练过程：以MNIST数据集作为训练数据，该训练过程为一个监督学习过程，在训练中，AlexNet可看做一个从N个像素的图像到C个类别的置信向量的映射函数卷积层采用局部连接和权值共享的方式逐层提取图像特征，获取高维图像特征，生成置信向量y＝[y1,y2,……,y1]T，其中yj(j＝1,2,……,C)代表第j个类别的置信度，输出预测标签。通过比对预测标签与真实标签的误差，进行反向传播，计算目标函数梯度，向着梯度下降方式微调网络参数，反复迭代直至目标函数收敛；
②应用过程：将上一阶段提取的数字标注输入训练好的分类模型中，通过前向传播输出数字类别，完成标注识别。
9.根据权利要求1所述的一种基于图例库的机房草图识别方法，其特征在于，所述步骤(6)中的参数化输出是指输出的参数可以被CAD/CAE软件直接调用。
10.一种基于图例库的机房草图识别装置，其特征在于，采用权利要求1-9任意一项所述的一种基于图例库的机房草图识别方法设计的装置。
CN201910864560.4A 2019-09-12 2019-09-12 一种基于图例库的机房草图识别方法及其装置 Active CN110598634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910864560.4A CN110598634B (zh) 2019-09-12 2019-09-12 一种基于图例库的机房草图识别方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910864560.4A CN110598634B (zh) 2019-09-12 2019-09-12 一种基于图例库的机房草图识别方法及其装置

Publications (2)

Publication Number Publication Date
CN110598634A true CN110598634A (zh) 2019-12-20
CN110598634B CN110598634B (zh) 2020-08-07

Family

ID=68859253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910864560.4A Active CN110598634B (zh) 2019-09-12 2019-09-12 一种基于图例库的机房草图识别方法及其装置

Country Status (1)

Country Link
CN (1) CN110598634B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177445A (zh) * 2019-12-30 2020-05-19 湖南特能博世科技有限公司 标准图元的确定方法、图元识别方法、装置和电子设备
CN111191006A (zh) * 2019-12-30 2020-05-22 湖南特能博世科技有限公司 图例间连接关系的确定方法、装置和电子系统
CN112416340A (zh) * 2020-05-14 2021-02-26 上海哔哩哔哩科技有限公司 基于草图的网页生成方法和系统
CN112906469A (zh) * 2021-01-15 2021-06-04 上海至冕伟业科技有限公司 一种基于建筑平面图的消防传感器及报警设备的识别方法
CN115331013A (zh) * 2022-10-17 2022-11-11 杭州恒生聚源信息技术有限公司 折线图的数据提取方法及处理设备

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050244058A1 (en) * 2001-04-16 2005-11-03 Boris Gorbatov Reshaping freehand drawn lines and shapes in an electronic document
CN101673410A (zh) * 2008-09-12 2010-03-17 中国科学院计算技术研究所 一种基于矢量建筑图纸重建三维模型的方法
CN101694727A (zh) * 2009-09-29 2010-04-14 北京航空航天大学 基于建筑图纸的中国古代建筑过程建模方法
CN102184395A (zh) * 2011-06-08 2011-09-14 天津大学 基于字符串核的手绘草图识别方法
CN102609687A (zh) * 2012-01-31 2012-07-25 华中科技大学 一种地铁施工图纸及工程参数自动识别方法
CN103345538A (zh) * 2013-05-20 2013-10-09 西南交通大学 基于图像识别的铁路车站站场网络拓扑模型建模方法
CN104850633A (zh) * 2015-05-22 2015-08-19 中山大学 一种基于手绘草图部件分割的三维模型检索系统及方法
CN105224706A (zh) * 2014-06-30 2016-01-06 上海神机软件有限公司 基于工作区的工程图纸识别系统及方法、排模系统及方法
CN105302931A (zh) * 2014-06-30 2016-02-03 上海神机软件有限公司 建设工程图纸识别系统及方法、排模系统及方法
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
CN109325529A (zh) * 2018-09-06 2019-02-12 安徽大学 一种草图识别方法以及该方法在商品检索中的应用
CN109376758A (zh) * 2018-09-07 2019-02-22 广州算易软件科技有限公司 一种基于图形的元器件识别方法、系统、装置和存储介质
US10248664B1 (en) * 2018-07-02 2019-04-02 Inception Institute Of Artificial Intelligence Zero-shot sketch-based image retrieval techniques using neural networks for sketch-image recognition and retrieval
CN109961022A (zh) * 2019-03-07 2019-07-02 首都师范大学 一种基于深度学习的服装草图输入布料材质识别模拟方法
US20190244061A1 (en) * 2018-02-05 2019-08-08 The Regents Of The University Of California Local binary pattern networks methods and systems

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050244058A1 (en) * 2001-04-16 2005-11-03 Boris Gorbatov Reshaping freehand drawn lines and shapes in an electronic document
CN101673410A (zh) * 2008-09-12 2010-03-17 中国科学院计算技术研究所 一种基于矢量建筑图纸重建三维模型的方法
CN101694727A (zh) * 2009-09-29 2010-04-14 北京航空航天大学 基于建筑图纸的中国古代建筑过程建模方法
CN102184395A (zh) * 2011-06-08 2011-09-14 天津大学 基于字符串核的手绘草图识别方法
CN102609687A (zh) * 2012-01-31 2012-07-25 华中科技大学 一种地铁施工图纸及工程参数自动识别方法
CN103345538A (zh) * 2013-05-20 2013-10-09 西南交通大学 基于图像识别的铁路车站站场网络拓扑模型建模方法
CN105302931A (zh) * 2014-06-30 2016-02-03 上海神机软件有限公司 建设工程图纸识别系统及方法、排模系统及方法
CN105224706A (zh) * 2014-06-30 2016-01-06 上海神机软件有限公司 基于工作区的工程图纸识别系统及方法、排模系统及方法
CN104850633A (zh) * 2015-05-22 2015-08-19 中山大学 一种基于手绘草图部件分割的三维模型检索系统及方法
US20190244061A1 (en) * 2018-02-05 2019-08-08 The Regents Of The University Of California Local binary pattern networks methods and systems
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
US10248664B1 (en) * 2018-07-02 2019-04-02 Inception Institute Of Artificial Intelligence Zero-shot sketch-based image retrieval techniques using neural networks for sketch-image recognition and retrieval
CN109325529A (zh) * 2018-09-06 2019-02-12 安徽大学 一种草图识别方法以及该方法在商品检索中的应用
CN109376758A (zh) * 2018-09-07 2019-02-22 广州算易软件科技有限公司 一种基于图形的元器件识别方法、系统、装置和存储介质
CN109961022A (zh) * 2019-03-07 2019-07-02 首都师范大学 一种基于深度学习的服装草图输入布料材质识别模拟方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
D.G.FERNANDEZ-PACHECO: ""An agent-based paradigm for free-hand sketch recognition"", 《LECTURE NOTES IN COMPUTER SCIENCE》 *
向灿群: ""卷积神经网络在图像分类识别中的应用研究"", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 *
宋保华: ""笔输入草图的分层识别"", 《计算机辅助设计与图形学学报》 *
曾艳艳: ""基于RBF神经网络的手绘电气草图识别研究"", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 *
谢强: ""基于上下文的在线草图识别方法"", 《计算机科学》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177445A (zh) * 2019-12-30 2020-05-19 湖南特能博世科技有限公司 标准图元的确定方法、图元识别方法、装置和电子设备
CN111191006A (zh) * 2019-12-30 2020-05-22 湖南特能博世科技有限公司 图例间连接关系的确定方法、装置和电子系统
CN111177445B (zh) * 2019-12-30 2023-05-23 湖南特能博世科技有限公司 标准图元的确定方法、图元识别方法、装置和电子设备
CN112416340A (zh) * 2020-05-14 2021-02-26 上海哔哩哔哩科技有限公司 基于草图的网页生成方法和系统
CN112906469A (zh) * 2021-01-15 2021-06-04 上海至冕伟业科技有限公司 一种基于建筑平面图的消防传感器及报警设备的识别方法
CN115331013A (zh) * 2022-10-17 2022-11-11 杭州恒生聚源信息技术有限公司 折线图的数据提取方法及处理设备
CN115331013B (zh) * 2022-10-17 2023-02-24 杭州恒生聚源信息技术有限公司 折线图的数据提取方法及处理设备

Also Published As

Publication number Publication date
CN110598634B (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN110598634B (zh) 一种基于图例库的机房草图识别方法及其装置
CN111563442B (zh) 基于激光雷达的点云和相机图像数据融合的slam方法及系统
CN106599830B (zh) 人脸关键点定位方法及装置
CN117115147B (zh) 一种基于机器视觉的纺织品检测方法及系统
CN107679531A (zh) 基于深度学习的车牌识别方法、装置、设备及存储介质
CN109684959B (zh) 基于肤色检测和深度学习的视频手势的识别方法及装置
CN110287798B (zh) 基于特征模块化和上下文融合的矢量网络行人检测方法
CN105005760A (zh) 一种基于有限混合模型的行人再识别方法
CN109522831B (zh) 一种基于微卷积神经网络的车辆实时检测方法
WO2023206954A1 (zh) 一种基于目标检测网络的寄生参数提取方法
CN110400370B (zh) 一种构建三维cad模型的语义级部件模板的方法
CN117953059B (zh) 一种基于rgb-d图像的方形吊装物姿态估计方法
CN113658195A (zh) 图像分割方法、装置及电子设备
CN111260955A (zh) 采用停车位框线、端点的停车位检测系统及方法
CN105404682A (zh) 一种基于数字图像内容的图书检索方法
CN113077484A (zh) 一种图像实例分割方法
CN110378337A (zh) 金属切削刀具图纸标识信息视觉输入方法及系统
WO2022247628A1 (zh) 一种数据标注方法及相关产品
CN111353538B (zh) 基于深度学习的相似图像匹配方法
Li et al. Robot vision model based on multi-neural network fusion
CN112699776B (zh) 训练样本优化方法、目标检测模型生成方法、设备及介质
CN111325270B (zh) 一种基于模板匹配和bp神经网络的东巴文识别方法
CN112200107A (zh) 一种发票文本检测方法
Kong et al. A key point-based license plate detection with pyramid network structure
Ge et al. Fusion-Mask-RCNN: Visual robotic grasping in cluttered scenes

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