CN111079528A - 一种基于深度学习的图元图纸校核方法及系统 - Google Patents
一种基于深度学习的图元图纸校核方法及系统 Download PDFInfo
- Publication number
- CN111079528A CN111079528A CN201911083383.2A CN201911083383A CN111079528A CN 111079528 A CN111079528 A CN 111079528A CN 201911083383 A CN201911083383 A CN 201911083383A CN 111079528 A CN111079528 A CN 111079528A
- Authority
- CN
- China
- Prior art keywords
- information
- schematic diagram
- file
- checked
- checking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 54
- 238000003672 processing method Methods 0.000 claims abstract description 24
- 238000012795 verification Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
Abstract
本发明属于人工智能和图像处理技术领域，尤其涉及一种基于深度学习的图元图纸校核方法及系统。所述方法包括：获取待校核的图元图纸图片文件；将待校核的图片文件按照比例切割为原理图和文字信息部分并记录相应的信息；将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息；根据文字信息采用图像处理的方法校核对应的原理图是否合理，并输出结果信息。本发明通过对图元图纸图片文件的校核，避免了图纸绘制后出现的不合理情况，提高工程设计的质量，为后续工作提供保障。
Description
技术领域
本发明属于人工智能和图像处理技术领域，尤其涉及一种基于深度学习的图元图纸校核方法及系统。
背景技术
传统的工程图校核是依靠“经验”进行的，对于工程设计人员来说是一项繁琐的工作。由于但是这个过程通常费时费力，其校核结果受主观因素影响较大，没有形成量化指标。
深度学习的概念于2006年被加拿大多伦多大学的Hinton教授第一次提了出来。之后的10年里，深度学习在计算机视觉等多个领域中不断地取得突破性的进展。深度学习预先定义了计算规则，通过层级式网络结构，将数据从输入层传递到输出层，并自动学习图像的特征表达。
基于以上的问题，亟需一种新的基于深度学习的图元图纸校核方法及系统的技术方案。
发明内容
针对以上现有技术中存在的问题，本发明提出了一种基于深度学习的图元图纸校核方法及系统，其目的是为了解决现有技术中工程设计人员在校核图纸的过程中费时费力的问题，进而提高工作效率。
为了实现上述发明目的，本发明是通过以下技术方案来实现的：
一种基于深度学习的图元图纸校核方法，包括以下步骤：
S1、获取待校核的图元图纸图片文件；
S2、将待校核图片文件按照比例切割为原理图和文字信息部分,并记录相应的信息；
S3、将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容；
S4、根据文字信息采用图像处理的方法校核对应的原理图是否合理；
S5、输出提示信息。
所述获取待校核的图元图纸图片文件，包括：获取待校核的图元图纸图片文件，文件格式为PNG。
所述将待校核图片文件按照比例切割为原理图和文字信息部分,并记录相应的信息：包括：将待校核图片按照比例切割为原理图和文字信息图片部分。
所述将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容，包括：将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容；其中，文字识别模型基于整理的样本图像和神经网络模型训练获得。
所述步骤S4根据文字信息采用图像处理的方法校核对应的原理图是否合理，包括：不同的文字信息对应的原理图特征不同，采用图像处理的方法对特征进行处理和分析，根据文字信息采用图像处理的方法校核对应的原理图是否合理。
所述步骤S5输出提示信息，包括：输出提示信息；所述提示信息包括错误原理图对应的文字信息及原因。
一种基于深度学习的图元图纸校核系统，包括：
获取文件模块：用于获取待校核的图元图纸图片文件；
文件切割模块：用于将待校核图片文件按照比例切割为原理图和文字信息部分并记录相应的信息；
文字识别模块：用于将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容；
图纸校核模块：用于根据文字信息采用图像处理的方法校核对应的原理图是否合理；
信息输出模块：用于输出提示信息。
所述获取文件模块具体包括：获取待校核的图元图纸图片文件，文件格式为PNG。
所述文件切割模块具体包括：将待校核图片按照比例切割为原理图和文字信息图片部分；所述文字识别模块具体包括：将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容；其中，所述文字识别模型基于整理的样本图像和神经网络模型训练获得。
所述图纸校核模块包括：不同的文字信息对应的原理图特征不同，采用图像处理的方法对特征进行处理和分析，根据文字信息采用图像处理的方法校核对应的原理图是否合理；所述信息输出模块具体包括：输出提示信息；所述提示信息包括错误原理图对应的文字信息及原因。
本发明具有以下优点及有益技术效果：
本发明首先获取待校核的图元图纸图片文件，然后将待校核的图片按照比例切割为原理图和文字信息部分并记录相应的信息，进而将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息。由于不同的文字信息对应的原理图特征不同。因此，根据文字信息采用图像处理的方法校核对应的原理图是否合理，并输出结果信息。其中，所述文字识别模型基于整理的样本图像和神经网络模型训练获得。
本发明通过对图元图纸图片文件的校核，避免了图纸绘制后出现的不合理情况，提高工程设计的质量，为后续工作提供保障。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明一种基于深度学习的图元图纸校核方法流程图；
图2为本发明系统结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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他实施例，都属于本发明保护的范围。
图1为本发明实施例中提供的一种基于深度学习的图元图纸校核方法流程图，参见图1，包括以下步骤：
S1、获取待校核的图元图纸图片文件；
S2、将待校核的图片文件按照比例切割为原理图和文字信息部分并记录相应的信息；
S3、将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容；
S4、根据文字信息采用图像处理的方法校核对应的原理图是否合理；
S5、输出提示信息。
具体地，在电网工程中，首先获取待校核的图元图纸图片文件，然后将待校核的图片按照比例切割为原理图和文字信息部分并记录相应的信息，进而将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息。由于不同的文字信息对应的原理图特征不同。因此，根据文字信息采用图像处理的方法校核对应的原理图是否合理，并输出结果信息。其中，所述文字识别模型基于整理的样本图像和神经网络模型训练获得。
本发明实施例提供的一种基于深度学习的图元图纸校核方法，通过对图元图纸图片文件的校核，避免了图纸绘制后出现的不合理情况，提高工程设计的质量，为后续工作提供保障。
上述实施例中，步骤S1具体包括：获取待校核的图元图纸图片文件，文件格式为PNG。
所述步骤S2具体包括：将待校核图片文件按照比例切割为原理图和文字信息图片部分。
上述实施例中，步骤S3具体包括：将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容。其中，所述文字识别模型基于整理的样本图像和神经网络模型训练获得。
上述实施例中，步骤S4具体包括：由于不同的文字信息对应的原理图特征不同。因此，采用图像处理的方法对特征进行处理和分析。根据文字信息采用图像处理的方法校核对应的原理图是否合理。
上述实施例中，步骤S5具体包括：输出提示信息。其中，提示信息包括错误原理图对应的文字信息及原因。
图2为本发明实施例中提供的一种基于深度学习的图元图纸校核系统结构示意图，参见图2，包括：
获取文件模块：待校核的图元图纸图片文件；
文件切割模块：将待校核图片按照比例切割为原理图和文字信息部分并记录相应的信息；
文字识别模块：将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容；
图纸校核模块：根据文字信息采用图像处理的方法校核对应的原理图是否合理；
信息输出模块：输出提示信息。
具体地，在电网工程中，首先通过获取文件模块来获取待校核的图元图纸图片文件，然后通过文件切割模块将待校核的图片按照比例切割为原理图和文字信息部分并记录相应的信息，进而通过文字识别模块获得所检测的文字信息。由于不同的文字信息对应的原理图特征不同。因此，在图纸校核模块中，根据文字信息采用图像处理的方法校核对应的原理图是否合理，并输出结果信息。信息输出模块输出错误原理图对应的文字信息及原因信息。其中，所述文字检测模型基于整理的样本图像和神经网络模型训练获得。
本发明实施例提供的一种基于深度学习的图元图纸校核系统，通过对图元图纸文件的校核，避免了图纸绘制后出现的不合理情况，提高工程设计的质量，为后续工作提供保障。
上述实施例中，所述获取文件模块具体包括：所需获取的文件为待校核的图元图纸图片文件，文件格式为PNG。
上述实施例中，所述文件切割模块具体包括：将待校核图片按照比例切割为原理图和文字信息图片部分。
上述实施例中，所述文字识别模块具体包括：将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容。其中，所述文字检测模型基于整理的样本图像和神经网络模型训练获得。
上述实施例中，所述图纸校核模块具体包括：不同的文字信息对应的原理图特征不同。采用图像处理的方法对特征进行处理和分析。根据文字信息采用图像处理的方法校核对应的原理图是否合理。
上述实施例中，所述信息输出模块具体包括：输出提示信息。其中，提示信息包括错误原理图对应的文字信息及原因。
具体地，在电网工程中，所述的特征信息为导线与元器件之间的连接关系以及元器件与元器件的连接关系等。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种基于深度学习的图元图纸校核方法，其特征在于，包括以下步骤：
S1、获取待校核的图元图纸图片文件；
S2、将待校核图片文件按照比例切割为原理图和文字信息部分,并记录相应的信息；
S3、将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容；
S4、根据文字信息采用图像处理的方法校核对应的原理图是否合理；
S5、输出提示信息。
2.根据权利要求1所述的一种基于深度学习的图元图纸校核方法，其特征在于，所述获取待校核的图元图纸图片文件，包括：获取待校核的图元图纸图片文件，文件格式为PNG。
3.根据权利要求1所述的一种基于深度学习的图元图纸校核方法，其特征在于，所述将待校核图片文件按照比例切割为原理图和文字信息部分,并记录相应的信息：包括：将待校核图片按照比例切割为原理图和文字信息图片部分。
4.根据权利要求1所述的一种基于深度学习的图元图纸校核方法，其特征在于，所述将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容，包括：将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容；其中，文字识别模型基于整理的样本图像和神经网络模型训练获得。
5.根据权利要求1所述的一种基于深度学习的图元图纸校核方法，其特征在于，所述步骤S4根据文字信息采用图像处理的方法校核对应的原理图是否合理，包括：不同的文字信息对应的原理图特征不同，采用图像处理的方法对特征进行处理和分析，根据文字信息采用图像处理的方法校核对应的原理图是否合理。
6.根据权利要求1所述的一种基于深度学习的图元图纸校核方法，其特征在于，所述步骤S5输出提示信息，包括：输出提示信息；所述提示信息包括错误原理图对应的文字信息及原因。
7.一种基于深度学习的图元图纸校核系统，其特征在于，包括：
获取文件模块：用于获取待校核的图元图纸图片文件；
文件切割模块：用于将待校核图片文件按照比例切割为原理图和文字信息部分并记录相应的信息；
文字识别模块：用于将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容；
图纸校核模块：用于根据文字信息采用图像处理的方法校核对应的原理图是否合理；
信息输出模块：用于输出提示信息。
8.根据权利要求7所述的一种基于深度学习的图元图纸校核系统，其特征在于，所述获取文件模块具体包括：获取待校核的图元图纸图片文件，文件格式为PNG。
9.根据权利要求7所述的一种基于深度学习的图元图纸校核系统，其特征在于，所述文件切割模块具体包括：将待校核图片按照比例切割为原理图和文字信息图片部分；所述文字识别模块具体包括：将文字信息图片部分输入预先构建的文字识别模型，获得所检测的文字信息内容；其中，所述文字识别模型基于整理的样本图像和神经网络模型训练获得。
10.根据权利要求7所述的一种基于深度学习的图元图纸校核系统，其特征在于，所述图纸校核模块包括：不同的文字信息对应的原理图特征不同，采用图像处理的方法对特征进行处理和分析，根据文字信息采用图像处理的方法校核对应的原理图是否合理；所述信息输出模块具体包括：输出提示信息；所述提示信息包括错误原理图对应的文字信息及原因。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911083383.2A CN111079528A (zh) | 2019-11-07 | 2019-11-07 | 一种基于深度学习的图元图纸校核方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911083383.2A CN111079528A (zh) | 2019-11-07 | 2019-11-07 | 一种基于深度学习的图元图纸校核方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111079528A true CN111079528A (zh) | 2020-04-28 |
Family
ID=70310970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911083383.2A Pending CN111079528A (zh) | 2019-11-07 | 2019-11-07 | 一种基于深度学习的图元图纸校核方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111079528A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298697A (zh) * | 2021-03-19 | 2021-08-24 | 广州天越电子科技有限公司 | 一种基于人工神经网络二维图形元素转矢量图形元素的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951636A (zh) * | 2017-03-20 | 2017-07-14 | 国网福建省电力有限公司 | 一种基于AutoCAD的电力通信静态资源自动识别方法 |
| 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 |
| CN109063456A (zh) * | 2018-08-02 | 2018-12-21 | 浙江大学 | 图像型验证码的安全性检测方法及系统 |
| CN109255041A (zh) * | 2018-08-22 | 2019-01-22 | 国网山西省电力公司 | 一种电气图纸的智能识别方法 |
| CN110309807A (zh) * | 2019-07-08 | 2019-10-08 | 西北工业大学 | Cad图纸智能识别方法 |
| WO2019201295A1 (zh) * | 2018-04-18 | 2019-10-24 | 新华三信息安全技术有限公司 | 文件识别方法和特征提取方法 |
| CN110390260A (zh) * | 2019-06-12 | 2019-10-29 | 平安科技（深圳）有限公司 | 图片扫描件处理方法、装置、计算机设备及存储介质 |
-
2019
- 2019-11-07 CN CN201911083383.2A patent/CN111079528A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951636A (zh) * | 2017-03-20 | 2017-07-14 | 国网福建省电力有限公司 | 一种基于AutoCAD的电力通信静态资源自动识别方法 |
| 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 |
| WO2019201295A1 (zh) * | 2018-04-18 | 2019-10-24 | 新华三信息安全技术有限公司 | 文件识别方法和特征提取方法 |
| CN109063456A (zh) * | 2018-08-02 | 2018-12-21 | 浙江大学 | 图像型验证码的安全性检测方法及系统 |
| CN109255041A (zh) * | 2018-08-22 | 2019-01-22 | 国网山西省电力公司 | 一种电气图纸的智能识别方法 |
| CN110390260A (zh) * | 2019-06-12 | 2019-10-29 | 平安科技（深圳）有限公司 | 图片扫描件处理方法、装置、计算机设备及存储介质 |
| CN110309807A (zh) * | 2019-07-08 | 2019-10-08 | 西北工业大学 | Cad图纸智能识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 戴春潮;谈炜;叶翔;陆鑫;张高峰;: "一种基于原理图自动生成端子图方案" * |
| 石雅琳;曲晓丹;于丽;: "电气原理图识别与智能化设计方法初探" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298697A (zh) * | 2021-03-19 | 2021-08-24 | 广州天越电子科技有限公司 | 一种基于人工神经网络二维图形元素转矢量图形元素的方法 |
| CN113298697B (zh) * | 2021-03-19 | 2024-04-26 | 广州天越电子科技有限公司 | 一种基于人工神经网络二维图形元素转矢量图形元素的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020437B (zh) | 一种视频和弹幕相结合的情感分析及可视化方法 | |
| CN106909901B (zh) | 从图像中检测物体的方法及装置 | |
| CN107766371A (zh) | 一种文本信息分类方法及其装置 | |
| CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN108052505A (zh) | 文本情感分析方法及装置、存储介质、终端 | |
| CN112464925A (zh) | 基于机器学习的移动端开户资料银行信息自动提取方法 | |
| CN112951233A (zh) | 语音问答方法、装置、电子设备及可读存储介质 | |
| CN111488186A (zh) | 数据处理方法、装置、电子设备及计算机存储介质 | |
| CN116401376A (zh) | 一种面向工艺性检查的知识图谱构建方法及系统 | |
| CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
| CN111079528A (zh) | 一种基于深度学习的图元图纸校核方法及系统 | |
| CN114416969A (zh) | 一种基于背景增强的lstm-cnn在线评论情感分类方法及系统 | |
| CN111062388B (zh) | 基于深度学习的广告文字的识别方法、系统、介质及设备 | |
| JP2004178010A (ja) | 文書処理装置並びにその方法及びプログラム | |
| CN112395954A (zh) | 一种基于自然语言模型与目标检测算法结合的输电线路特定故障识别系统 | |
| CN110795623A (zh) | 一种图像增强训练方法及其系统、计算机可读存储介质 | |
| CN110599232A (zh) | 基于大数据的消费群体分析方法 | |
| CN109886865A (zh) | 自动屏蔽不良信息的方法、装置、计算机设备以及存储介质 | |
| CN112800259B (zh) | 一种基于边缘闭合与共性检测的图像生成方法及系统 | |
| CN115019321A (zh) | 一种文本识别、模型训练方法、装置、设备及存储介质 | |
| CN112434547B (zh) | 一种用户身份稽核方法和设备 | |
| CN111813593A (zh) | 一种数据处理方法、设备、服务器及存储介质 | |
| CN114187448A (zh) | 文档图像识别方法和装置、电子设备、计算机可读介质 | |
| CN107657060B (zh) | 一种基于半结构化文本分类的特征优化方法 | |
| CN112395834A (zh) | 基于图片输入的脑图生成方法、装置、设备及存储介质 |
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 |