CN110633649A - 机械图的审核方法及装置 - Google Patents
机械图的审核方法及装置 Download PDFInfo
- Publication number
- CN110633649A CN110633649A CN201910777423.7A CN201910777423A CN110633649A CN 110633649 A CN110633649 A CN 110633649A CN 201910777423 A CN201910777423 A CN 201910777423A CN 110633649 A CN110633649 A CN 110633649A
- Authority
- CN
- China
- Prior art keywords
- mechanical
- area image
- image
- name
- acquiring
- 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
Links
- 238000010586 diagram Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002372 labelling Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims description 30
- 238000013145 classification model Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012550 audit Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 102100032202 Cornulin Human genes 0.000 description 1
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种机械图的审核方法及装置，其中方法包括：获取待审核的机械图；对机械图进行图像识别，获取机械图中零件的名称，以及零件的标注信息，标注信息包括：各个标注符号以及对应的数值；根据零件的名称查询预设的标准，获取零件中各个标注符号对应的标准数值范围；根据零件中各个标注符号对应的数值和标准数值范围，确定机械图标注是否正确，从而能够对机械图自动进行审核，判断是否存在标注错误，审核成本低，准确率高，审核效率高。
Description
技术领域
本申请涉及智能审图技术领域，尤其涉及一种机械图的审核方法及装置。
背景技术
目前，针对机械图，主要是对机械图中的各个标注符号进行人工审核，判断机械图中是否存在标注错误。上述方法，需要人工的大量参与，人工成本高，准确率低，审核效率差。
发明内容
本申请旨在至少在一定程度上解决上述技术问题之一。
为此，本申请的第一个目的在于提出一种机械图的审核方法，该方法能够对机械图自动进行审核，判断是否存在标注错误，审核成本低，准确率高，审核效率高。
本申请的第二个目的在于提出一种机械图的审核装置。
本申请的第三个目的在于提出另一种机械图的审核装置。
本申请的第四个目的在于提出一种计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种机械图的审核方法，包括：
获取待审核的机械图；
对所述机械图进行图像识别，获取所述机械图中零件的名称，以及所述零件的标注信息，所述标注信息包括：各个标注符号以及对应的数值；
根据所述零件的名称查询预设的标准，获取所述零件中各个标注符号对应的标准数值范围；
根据所述零件中各个标注符号对应的数值和标准数值范围，确定所述机械图标注是否正确。
进一步地，所述对所述机械图进行图像识别，获取所述机械图中零件的名称，以及所述零件的标注信息，包括：
对所述机械图进行图像分割，获取所述机械图中的零件区域图像和标题栏区域图像；
对所述标题栏区域图像进行图像识别，获取所述机械图中零件的名称；
对所述零件区域图像进行图像识别，获取所述机械图中零件的标注信息。
进一步地，所述零件区域图像包括以下视图区域图像中的任意一个或者多个：主视图区域图像、侧视图区域图像、俯视图区域图像；
所述对所述零件区域图像进行图像识别，获取所述机械图中零件的标注信息包括：
对各个视图区域图像分别进行图像识别，得到各个视图区域图像的标注信息；
对各个视图区域图像的标注信息进行整合，得到所述机械图中零件的标注信息。
进一步地，所述对所述标题栏区域图像进行图像识别，获取所述机械图中零件的名称，包括：
将所述标题栏区域图像输入第一物体检测模型，获取所述标题栏区域图像中的零件名称区域图像；
将所述零件名称区域图像输入依次排列的第二物体检测模型和图像分类模型，获取所述零件名称区域图像中的非文字字符；
将所述零件名称区域图像输入依次排列的文本检测模型和文本识别模型，获取所述零件名称区域图像中的文字字符；
对所述零件名称区域图像中的非文字字符和文字字符进行整合，得到零件名称。
进一步地，所述对所述零件区域图像进行图像识别，获取所述机械图中零件的标注信息，包括：
将所述零件区域图像输入目标检测模型，获取所述零件区域图像中各个标注符号的区域图像；
针对每个标注符号的区域图像，将所述标注符号的区域图像输入依次排列的第二物体检测模型和图像分类模型，获取所述标注符号的区域图像中的非文字字符；
将所述标注符号的区域图像输入依次排列的文本检测模型和文本识别模型，获取所述标注符号的区域图像中的文字字符；
对每个标注符号的区域图像中的非文字字符和文字字符进行整合，得到所述机械图中零件的标注信息。
进一步地，所述非文字字符包括以下字符中的任意一种或者多种：字母、数字、特殊符号。
进一步地，所述标准包括：国家标准和/或公司标准；
所述根据所述零件的名称查询预设的标准，获取所述零件中各个标注符号对应的标准数值范围，包括：
根据所述零件的名称中的文字部分查询国家标准，和/或，根据所述零件的名称中的非文字部分查询公司标准，获取所述零件中各个标注符号对应的标准数值范围。
进一步地，根据所述零件中各个标注符号对应的数值和标准数值范围，确定所述机械图标注是否正确之后，还包括：
在所述机械图标注存在错误时，显示所述机械图的错误标注结果。
本申请实施例的机械图的审核方法，通过获取待审核的机械图；对机械图进行图像识别，获取机械图中零件的名称，以及零件的标注信息，标注信息包括：各个标注符号以及对应的数值；根据零件的名称查询预设的标准，获取零件中各个标注符号对应的标准数值范围；根据零件中各个标注符号对应的数值和标准数值范围，确定机械图标注是否正确，从而能够对机械图自动进行审核，判断是否存在标注错误，审核成本低，准确率高，审核效率高。
为达上述目的，本申请第二方面实施例提出了一种机械图的审核装置，包括：
获取模块，用于获取待审核的机械图；
图像识别模块，用于对所述机械图进行图像识别，获取所述机械图中零件的名称，以及所述零件的标注信息，所述标注信息包括：各个标注符号以及对应的数值；
查询模块，用于根据所述零件的名称查询预设的标准，获取所述零件中各个标注符号对应的标准数值范围；
确定模块，用于根据所述零件中各个标注符号对应的数值和标准数值范围，确定所述机械图标注是否正确。
本申请实施例的机械图的审核装置，通过获取待审核的机械图；对机械图进行图像识别，获取机械图中零件的名称，以及零件的标注信息，标注信息包括：各个标注符号以及对应的数值；根据零件的名称查询预设的标准，获取零件中各个标注符号对应的标准数值范围；根据零件中各个标注符号对应的数值和标准数值范围，确定机械图标注是否正确，从而能够对机械图自动进行审核，判断是否存在标注错误，审核成本低，准确率高，审核效率高。
为达上述目的，本申请第三方面实施例提出了另一种机械图的审核装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的机械图的审核方法。
为了实现上述目的，本申请第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的机械图的审核方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本申请一个实施例的机械图的审核方法的流程示意图；
图2是机械图的审核示意图；
图3是根据本申请一个实施例的机械图的审核装置的结构示意图；
图4是根据本申请另一个实施例的机械图的审核装置的结构示意图；
图5是根据本申请一个实施例的另一种机械图的审核装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的机械图的审核方法及装置。其中需要说明的是，本申请实施例的机械图的审核方法的执行主体为机械图的审核装置，该机械图的审核装置具体可以为终端设备、服务器等硬件设备，或者硬件设备上安装的软件等。
图1为根据本申请一个实施例的机械图的审核方法的流程示意图。如图1所示，该机械图的审核方法包括以下步骤：
步骤101，获取待审核的机械图。
本实施例中，待审核的机械图可以为电子图或者图纸。当待审核的机械图为图纸时，还需要对图纸进行扫描，获取对应的电子图。
步骤102，对机械图进行图像识别，获取机械图中零件的名称，以及零件的标注信息，标注信息包括：各个标注符号以及对应的数值。
本实施例中，机械图中一般包括零件区域和标题栏区域。因此，机械图的审核装置执行步骤102的过程具体可以为，对机械图进行图像分割，获取机械图中的零件区域图像和标题栏区域图像；对标题栏区域图像进行图像识别，获取机械图中零件的名称；对零件区域图像进行图像识别，获取机械图中零件的标注信息。
其中，零件区域图像可以为零件区域的整体图像，或者为零件区域中至少一个视图区域图像的组合，例如，零件区域图像可以包括以下视图区域图像中的任意一个或者多个：主视图区域图像、侧视图区域图像、俯视图区域图像。当零件区域图像包括至少一个视图区域图像时，机械图的审核装置对零件区域图像进行图像识别的过程具体可以为，对各个视图区域图像分别进行图像识别，得到各个视图区域图像的标注信息；对各个视图区域图像的标注信息进行整合，得到机械图中零件的标注信息。
其中，视图区域图像的划分，使得图像识别时，能够以单个视图区域图像作为识别对象，可筛选掉机械图中各个视图区域之间的区域，且增大标注符号在识别对象中的占比，有利于提高识别准确度。且单个视图区域图像相对于零件区域图像来说，尺寸较小，对单个视图区域图像进行归一化后，能够确保标注符号具有一定的尺寸，避免标注符号过小难以分辨，从而进一步提高识别准确度。
本实施例中，标注符号例如，直径标注符号、表面粗糙度标注符号、平面度标注符号、垂直度标注符号等。
进一步地，在上述实施例的基础上，机械图的审核装置对标题栏区域图像进行图像识别，获取机械图中零件的名称的过程具体可以为，将标题栏区域图像输入第一物体检测模型，获取标题栏区域图像中的零件名称区域图像；将零件名称区域图像输入依次排列的第二物体检测模型和图像分类模型，获取零件名称区域图像中的非文字字符；将零件名称区域图像输入依次排列的文本检测模型和文本识别模型，获取零件名称区域图像中的文字字符；对零件名称区域图像中的非文字字符和文字字符进行整合，得到零件名称。其中，非文字字符可以包括以下字符中的任意一种或者多种：字母、数字、特殊符号等。特殊符号例如直径标注符号、表面粗糙度标注符号、平面度标注符号、垂直度标注符号等。
其中，第一物体检测模型用于对标题栏区域图像进行检测，获取零件名称所在位置，将零件名称所在位置的局部图像，确定为零件名称区域图像。第二物体检测模型用于对零件名称区域图像进行检测，获取零件名称中非文字字符所在位置的局部图像；图像分类模型用于对零件名称中非文字字符所在位置的局部图像进行检测，获取零件名称中的非文字字符。其中，物体检测模型例如可以为SSD(Single Shot MultiBox Detector)模型。图像分类模型例如可以为LeNet模型。
其中，文本检测模型用于对零件名称区域图像进行检测，获取零件名称中文字字符所在位置的局部图像；文本识别模型用于对零件名称中文字字符所在位置的局部图像进行检测，获取零件名称中的文字字符。其中，文字字符一般表示零件的文字名称，非文字字符一般表示零件的编号等。其中，文本检测模型例如可以为CTPN(Detecting Text inNatural Image with Connectionist Text Proposal Network)模型。文本识别模型例如可以为CRNN+CTC模型。
进一步地，在上述实施例的基础上，机械图的审核装置对零件区域图像进行图像识别，获取机械图中零件的标注信息的过程具体可以为，将零件区域图像输入目标检测模型，获取零件区域图像中各个标注符号的区域图像；针对每个标注符号的区域图像，将标注符号的区域图像输入依次排列的第二物体检测模型和图像分类模型，获取标注符号的区域图像中的非文字字符；将标注符号的区域图像输入依次排列的文本检测模型和文本识别模型，获取标注符号的区域图像中的文字字符；对每个标注符号的区域图像中的非文字字符和文字字符进行整合，得到机械图中零件的标注信息。例如，如图2所示，为机械图的审核示意图。
其中，目标检测模型可以为Faster-RCNN模型，用于从零件区域图像中检测出各个标注符号所在的位置。
步骤103，根据零件的名称查询预设的标准，获取零件中各个标注符号对应的标准数值范围。
本实施例中，标准可以包括：国家标准和/或公司标准。对应的，机械图的审核装置执行步骤103的过程具体可以为，根据零件的名称中的文字部分查询国家标准，和/或，根据零件的名称中的非文字部分查询公司标准，获取零件中各个标注符号对应的标准数值范围。其中，针对同一零件来说，一般公司标准要高于国家标准。
步骤104，根据零件中各个标注符号对应的数值和标准数值范围，确定机械图标注是否正确。
本实施例中，机械图的审核装置执行步骤104的过程具体可以为，针对零件中的每个标注符号，判断该标注符号对应的数值是否在对应的标准数值范围内，若是，则确定该标注符号不存在错误；若否，则确定该标注符号存在错误；根据各个标注符号是否存在错误的情况，确定机械图标注是否正确。
另外，步骤104之后，所述的方法还可以包括：在机械图标注存在错误时，对机械图中存在错误的标注符号进行整合，得到机械图的错误标注结果，并显示机械图的错误标注结果，以便人员根据错误标注结果对机械图进行纠错。
另外，在机械图标注正确时，确定机械图中各个标注符号都不存在错误，则不进行显示操作。
本申请实施例的机械图的审核方法，通过获取待审核的机械图；对机械图进行图像识别，获取机械图中零件的名称，以及零件的标注信息，标注信息包括：各个标注符号以及对应的数值；根据零件的名称查询预设的标准，获取零件中各个标注符号对应的标准数值范围；根据零件中各个标注符号对应的数值和标准数值范围，确定机械图标注是否正确，从而能够对机械图自动进行审核，判断是否存在标注错误，审核成本低，准确率高，审核效率高。
与上述几种实施例提供的机械图的审核方法相对应，本申请的一种实施例还提供一种机械图的审核装置，由于本申请实施例提供的机械图的审核装置与上述几种实施例提供的机械图的审核方法相对应，因此在前述机械图的审核方法的实施方式也适用于本实施例提供的机械图的审核装置，在本实施例中不再详细描述。图3为根据本申请一个实施例的机械图的审核装置的结构示意图。如图3所示，该机械图的审核装置包括：获取模块31、图像识别模块32、查询模块33和确定模块34。
其中，获取模块31，用于获取待审核的机械图；
图像识别模块32，用于对所述机械图进行图像识别，获取所述机械图中零件的名称，以及所述零件的标注信息，所述标注信息包括：各个标注符号以及对应的数值；
查询模块33，用于根据所述零件的名称查询预设的标准，获取所述零件中各个标注符号对应的标准数值范围；
确定模块34，用于根据所述零件中各个标注符号对应的数值和标准数值范围，确定所述机械图标注是否正确。
作为本申请实施例的一种可能实现方式，图像识别模块32具体可以用于，对机械图进行图像分割，获取机械图中的零件区域图像和标题栏区域图像；对标题栏区域图像进行图像识别，获取机械图中零件的名称；对零件区域图像进行图像识别，获取机械图中零件的标注信息。
作为本申请实施例的一种可能实现方式，零件区域图像包括以下视图区域图像中的任意一个或者多个：主视图区域图像、侧视图区域图像、俯视图区域图像。对应的，图像识别模块32具体可以用于，对各个视图区域图像分别进行图像识别，得到各个视图区域图像的标注信息；对各个视图区域图像的标注信息进行整合，得到机械图中零件的标注信息。
作为本申请实施例的一种可能实现方式，图像识别模块32具体可以用于，将标题栏区域图像输入第一物体检测模型，获取标题栏区域图像中的零件名称区域图像；将零件名称区域图像输入依次排列的第二物体检测模型和图像分类模型，获取零件名称区域图像中的非文字字符；将零件名称区域图像输入依次排列的文本检测模型和文本识别模型，获取零件名称区域图像中的文字字符；对零件名称区域图像中的非文字字符和文字字符进行整合，得到零件名称。
作为本申请实施例的一种可能实现方式，图像识别模块32具体可以用于，将零件区域图像输入目标检测模型，获取零件区域图像中各个标注符号的区域图像；针对每个标注符号的区域图像，将标注符号的区域图像输入依次排列的第二物体检测模型和图像分类模型，获取标注符号的区域图像中的非文字字符；将标注符号的区域图像输入依次排列的文本检测模型和文本识别模型，获取标注符号的区域图像中的文字字符；对每个标注符号的区域图像中的非文字字符和文字字符进行整合，得到机械图中零件的标注信息。
作为本申请实施例的一种可能实现方式，标准包括：国家标准和/或公司标准。对应的，查询模块33具体可以用于，根据零件的名称中的文字部分查询国家标准，和/或，根据零件的名称中的非文字部分查询公司标准，获取零件中各个标注符号对应的标准数值范围。
作为本申请实施例的一种可能实现方式，如图4所示，在图3所示实施例的基础上，机械图的审核装置还包括：显示模块35，用于在机械图标注存在错误时，显示机械图的错误标注结果。
本申请实施例的机械图的审核装置，通过获取待审核的机械图；对机械图进行图像识别，获取机械图中零件的名称，以及零件的标注信息，标注信息包括：各个标注符号以及对应的数值；根据零件的名称查询预设的标准，获取零件中各个标注符号对应的标准数值范围；根据零件中各个标注符号对应的数值和标准数值范围，确定机械图标注是否正确，从而能够对机械图自动进行审核，判断是否存在标注错误，审核成本低，准确率高，审核效率高。
为了实现上述实施例，本申请实施例还提出另一种机械图的审核装置，图5为本申请实施例提供的另一种机械图的审核装置的结构示意图。该机械图的审核装置包括：存储器1001、处理器1002及存储在存储器1001上并可在处理器1002上运行的计算机程序。
处理器1002执行所述程序时实现上述实施例中提供的机械图的审核方法。
进一步地，该机械图的审核装置还包括：
通信接口1003，用于存储器1001和处理器1002之间的通信。
存储器1001，用于存放可在处理器1002上运行的计算机程序。
存储器1001可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器1002，用于执行所述程序时实现上述实施例所述的机械图的审核方法。
如果存储器1001、处理器1002和通信接口1003独立实现，则通信接口1003、存储器1001和处理器1002可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture，简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器1001、处理器1002及通信接口1003，集成在一块芯片上实现，则存储器1001、处理器1002及通信接口1003可以通过内部接口完成相互间的通信。
处理器1002可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
为了实现上述实施例，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的机械图的审核方法。
为了实现上述实施例，本申请还提供一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现如上所述的机械图的审核方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种机械图的审核方法，其特征在于，包括：
获取待审核的机械图；
对所述机械图进行图像识别，获取所述机械图中零件的名称，以及所述零件的标注信息，所述标注信息包括：各个标注符号以及对应的数值；
根据所述零件的名称查询预设的标准，获取所述零件中各个标注符号对应的标准数值范围；
根据所述零件中各个标注符号对应的数值和标准数值范围，确定所述机械图标注是否正确。
2.根据权利要求1所述的方法，其特征在于，所述对所述机械图进行图像识别，获取所述机械图中零件的名称，以及所述零件的标注信息，包括：
对所述机械图进行图像分割，获取所述机械图中的零件区域图像和标题栏区域图像；
对所述标题栏区域图像进行图像识别，获取所述机械图中零件的名称；
对所述零件区域图像进行图像识别，获取所述机械图中零件的标注信息。
3.根据权利要求2所述的方法，其特征在于，所述零件区域图像包括以下视图区域图像中的任意一个或者多个：主视图区域图像、侧视图区域图像、俯视图区域图像；
所述对所述零件区域图像进行图像识别，获取所述机械图中零件的标注信息包括：
对各个视图区域图像分别进行图像识别，得到各个视图区域图像的标注信息；
对各个视图区域图像的标注信息进行整合，得到所述机械图中零件的标注信息。
4.根据权利要求2所述的方法，其特征在于，所述对所述标题栏区域图像进行图像识别，获取所述机械图中零件的名称，包括：
将所述标题栏区域图像输入第一物体检测模型，获取所述标题栏区域图像中的零件名称区域图像；
将所述零件名称区域图像输入依次排列的第二物体检测模型和图像分类模型，获取所述零件名称区域图像中的非文字字符；
将所述零件名称区域图像输入依次排列的文本检测模型和文本识别模型，获取所述零件名称区域图像中的文字字符；
对所述零件名称区域图像中的非文字字符和文字字符进行整合，得到零件名称。
5.根据权利要求2所述的方法，其特征在于，所述对所述零件区域图像进行图像识别，获取所述机械图中零件的标注信息，包括：
将所述零件区域图像输入目标检测模型，获取所述零件区域图像中各个标注符号的区域图像；
针对每个标注符号的区域图像，将所述标注符号的区域图像输入依次排列的第二物体检测模型和图像分类模型，获取所述标注符号的区域图像中的非文字字符；
将所述标注符号的区域图像输入依次排列的文本检测模型和文本识别模型，获取所述标注符号的区域图像中的文字字符；
对每个标注符号的区域图像中的非文字字符和文字字符进行整合，得到所述机械图中零件的标注信息。
6.根据权利要求4或5所述的方法，其特征在于，所述非文字字符包括以下字符中的任意一种或者多种：字母、数字、特殊符号。
7.根据权利要求1所述的方法，其特征在于，所述标准包括：国家标准和/或公司标准；
所述根据所述零件的名称查询预设的标准，获取所述零件中各个标注符号对应的标准数值范围，包括：
根据所述零件的名称中的文字部分查询国家标准，和/或，根据所述零件的名称中的非文字部分查询公司标准，获取所述零件中各个标注符号对应的标准数值范围。
8.根据权利要求1所述的方法，其特征在于，所述根据所述零件中各个标注符号对应的数值和标准数值范围，确定所述机械图标注是否正确之后，还包括：
在所述机械图标注存在错误时，显示所述机械图的错误标注结果。
9.一种机械图的审核装置，其特征在于，包括：
获取模块，用于获取待审核的机械图；
图像识别模块，用于对所述机械图进行图像识别，获取所述机械图中零件的名称，以及所述零件的标注信息，所述标注信息包括：各个标注符号以及对应的数值；
查询模块，用于根据所述零件的名称查询预设的标准，获取所述零件中各个标注符号对应的标准数值范围；
确定模块，用于根据所述零件中各个标注符号对应的数值和标准数值范围，确定所述机械图标注是否正确。
10.一种机械图的审核装置，其特征在于，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8任一所述的机械图的审核方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8任一所述的机械图的审核方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910777423.7A CN110633649A (zh) | 2019-08-22 | 2019-08-22 | 机械图的审核方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910777423.7A CN110633649A (zh) | 2019-08-22 | 2019-08-22 | 机械图的审核方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110633649A true CN110633649A (zh) | 2019-12-31 |
Family
ID=68970747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910777423.7A Pending CN110633649A (zh) | 2019-08-22 | 2019-08-22 | 机械图的审核方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110633649A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613339A (zh) * | 2020-11-24 | 2021-04-06 | 北京中电普华信息技术有限公司 | 一种电气图纸自动化识别与审查方法及装置 |
| CN112651378A (zh) * | 2021-01-08 | 2021-04-13 | 刘连英 | 紧固件二维图纸的标注信息识别方法、设备及介质 |
| CN112926221A (zh) * | 2021-03-25 | 2021-06-08 | 广东利元亨智能装备股份有限公司 | 机械图标注方法、装置及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491368A (zh) * | 2018-03-12 | 2018-09-04 | 韩芳 | 一种基于人工智能的专利撰写方法及撰写系统 |
| CN108764226A (zh) * | 2018-04-13 | 2018-11-06 | 顺丰科技有限公司 | 图像文本识别方法、装置、设备及其存储介质 |
| CN109086735A (zh) * | 2018-08-17 | 2018-12-25 | 四川网道科技发展有限公司 | 一种基于大数据的图纸审核系统 |
| CN109460765A (zh) * | 2018-09-25 | 2019-03-12 | 平安科技（深圳）有限公司 | 自然场景中行驶证拍照影像的识别方法、装置及电子设备 |
| CN109858409A (zh) * | 2019-01-18 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 手工图转换方法、装置、设备及介质 |
| CN110135411A (zh) * | 2019-04-30 | 2019-08-16 | 北京邮电大学 | 名片识别方法和装置 |
-
2019
- 2019-08-22 CN CN201910777423.7A patent/CN110633649A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491368A (zh) * | 2018-03-12 | 2018-09-04 | 韩芳 | 一种基于人工智能的专利撰写方法及撰写系统 |
| CN108764226A (zh) * | 2018-04-13 | 2018-11-06 | 顺丰科技有限公司 | 图像文本识别方法、装置、设备及其存储介质 |
| CN109086735A (zh) * | 2018-08-17 | 2018-12-25 | 四川网道科技发展有限公司 | 一种基于大数据的图纸审核系统 |
| CN109460765A (zh) * | 2018-09-25 | 2019-03-12 | 平安科技（深圳）有限公司 | 自然场景中行驶证拍照影像的识别方法、装置及电子设备 |
| CN109858409A (zh) * | 2019-01-18 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 手工图转换方法、装置、设备及介质 |
| CN110135411A (zh) * | 2019-04-30 | 2019-08-16 | 北京邮电大学 | 名片识别方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 孙洁: ""轴类零件图结构识别及尺寸标注批改技术的研究"", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 * |
| 秦红斌: "三牙轮钻头牙轮图形标注识别技术研究", 《组合机床与自动化加工技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613339A (zh) * | 2020-11-24 | 2021-04-06 | 北京中电普华信息技术有限公司 | 一种电气图纸自动化识别与审查方法及装置 |
| CN112613339B (zh) * | 2020-11-24 | 2024-03-22 | 北京中电普华信息技术有限公司 | 一种电气图纸自动化识别与审查方法及装置 |
| CN112651378A (zh) * | 2021-01-08 | 2021-04-13 | 刘连英 | 紧固件二维图纸的标注信息识别方法、设备及介质 |
| CN112651378B (zh) * | 2021-01-08 | 2021-10-15 | 唐旸 | 紧固件二维图纸的标注信息识别方法、设备及介质 |
| CN112926221A (zh) * | 2021-03-25 | 2021-06-08 | 广东利元亨智能装备股份有限公司 | 机械图标注方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135411B (zh) | 名片识别方法和装置 | |
| CN109740469B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
| CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
| CN110633649A (zh) | 机械图的审核方法及装置 | |
| CN101059885B (zh) | 一种车票真伪核验方法 | |
| CN112580734B (zh) | 目标检测模型训练方法、系统、终端设备及存储介质 | |
| CN110135225B (zh) | 样本标注方法及计算机存储介质 | |
| CN108805180B (zh) | 目标对象的检测方法及装置 | |
| CN110705952A (zh) | 一种合同审核方法及装置 | |
| CN107392221B (zh) | 分类模型的训练方法、分类ocr识别结果的方法及装置 | |
| CN110569856A (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
| CN113158895A (zh) | 票据识别方法、装置、电子设备及存储介质 | |
| CN114037672A (zh) | 一种图像缺陷的检测方法、装置及计算机可读介质 | |
| WO2023038722A1 (en) | Entry detection and recognition for custom forms | |
| CN108596115A (zh) | 一种基于卷积神经网络的车辆检测方法、装置及系统 | |
| CN109359683B (zh) | 目标检测方法、装置、终端和计算机可读存储介质 | |
| CN111598099B (zh) | 图像文本识别性能的测试方法、装置、测试设备及介质 | |
| CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
| CN110135412B (zh) | 名片识别方法和装置 | |
| CN112613367A (zh) | 票据信息文本框获取方法、系统、设备及存储介质 | |
| CN112287936A (zh) | 光学字符识别测试方法、装置、可读存储介质及终端设备 | |
| US8818023B2 (en) | Bulk region of interest learning | |
| CN109710651B (zh) | 数据类型识别方法及装置 | |
| CN106485193A (zh) | 文档图像的方向检测装置及方法 | |
| CN113536868A (zh) | 电路板故障识别方法及相关设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |
|
| RJ01 | Rejection of invention patent application after publication |