CN111563429A - 一种图纸校对方法、装置、电子设备及存储介质 - Google Patents
一种图纸校对方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111563429A CN111563429A CN202010327106.8A CN202010327106A CN111563429A CN 111563429 A CN111563429 A CN 111563429A CN 202010327106 A CN202010327106 A CN 202010327106A CN 111563429 A CN111563429 A CN 111563429A
- Authority
- CN
- China
- Prior art keywords
- historical
- standard
- similar
- similarity
- loss function
- 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 43
- 238000012795 verification Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 95
- 230000009466 transformation Effects 0.000 claims abstract description 71
- 239000011159 matrix material Substances 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000001915 proofreading effect Effects 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 100
- 238000000605 extraction Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V30/41—Analysis of document content
- G06V30/418—Document matching, e.g. of document images
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明实施例公开了一种图纸校对方法、装置、电子设备及存储介质。获取标准图纸和至少一张待处理图纸，将标准图纸和任一待处理图纸输入至相似度计算模型，确定待处理图纸与标准图纸的相似度以及变换矩阵，其中，相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到，基于任一待处理图纸与标准图纸的相似度从待处理图纸中确定待校对图纸，根据标准图纸和变换矩阵对待校对图纸进行校对。实现降低图纸校对成本并提高校对准确率的效果。
Description
技术领域
本发明实施例涉及计算机技术，尤其涉及一种图纸校对方法、装置、电子设备及存储介质。
背景技术
图纸校对一般是先在图纸库中找出与待校对图纸相似的图纸，然后再对待校对图纸和与待校对图纸相似的图纸进行对齐和校对，完成图纸校对。
在大型的房地产公司有成千上万的图纸，房地产公司的绘图工程师一般手动查找相似图纸，容易需要耗费大量人工成本和时间成本。寻找到相似图纸之后，对相似图纸的校对也是一件比较繁琐的事，由于建筑图纸的篇幅较大，内容非常量非常多，标注线密集，所以在人工校对的过程中，需要耗费很多精力在图纸每个区域去查找差异项，而当图纸较多，工程师状态不佳时，漏检的情况发生的概率被大大提高。
可见，现有技术中的图纸校对方法成本较高，校对准确率较低，有待改进。
发明内容
本发明实施例提供了一种图纸校对方法、装置、电子设备及存储介质，以实现降低图纸校对成本并提高校对准确率的效果。
第一方面，本发明实施例提供了一种图纸校对方法，其中，包括：
获取标准图纸和至少一张待处理图纸；
将所述标准图纸和所述待处理图纸输入至相似度计算模型，确定所述待处理图纸与所述标准图纸的相似度以及变换矩阵，其中，所述相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到；
基于待处理图纸与标准图纸的相似度从所述待处理图纸中确定待校对图纸，根据所述标准图纸和所述变换矩阵对所述待校对图纸进行校对。
第二方面，本发明实施例还提供了一种图纸校对装置，其中，包括：
获取模块，用于获取标准图纸和至少一张待处理图纸；
确定模块，用于将所述标准图纸和所述待处理图纸输入至相似度计算模型，确定所述待处理图纸与所述标准图纸的相似度以及变换矩阵，其中，所述相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到；
校对模块，用于基于待处理图纸与标准图纸的相似度从所述待处理图纸中确定待校对图纸，根据所述标准图纸和所述变换矩阵对所述待校对图纸进行校对。
第三方面，本发明实施例还提供了一种电子设备，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，其中，所述处理器执行所述计算机程序时实现如第一方面中任一项所述的图纸校对方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，其中，所述计算机可执行指令在由计算机处理器执行时实现如第一方面中任一项所述的图纸校对方法。
本发明实施例提供的技术方案，获取标准图纸和至少一张待处理图纸，将标准图纸和待处理图纸输入至相似度计算模型，确定待处理图纸与标准图纸的相似度以及变换矩阵，其中，相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到，基于待处理图纸与标准图纸的相似度确定待校对图纸，根据标准图纸和变换矩阵对待校对图纸进行校对。通过相似度计算模型可以快速确定相似度以及变换矩阵，以便后续根据相似度确定待校对图纸以及对待校对图纸进行自动校对，解决了现有技术中图纸校对的成本较高且准确率较低的问题，实现降低图纸校对成本并提高校对准确率的效果。
附图说明
图1为本发明实施例一提供的一种图纸校对方法的流程示意图；
图2a为本发明实施例一提供的转换后的待校对图纸的效果图；
图2b为本发明实施例一提供的标准图纸的效果图；
图2c为本发明实施例一提供的转换后的待校对图纸减去标准图纸的差异项的效果图；
图2d为本发明实施例一提供的标准图纸减去转换后的待校对图纸的差异项的效果图；
图3为本发明实施例二提供的一种图纸校对方法的流程示意图；
图4为本发明实施例二提供的初始模型的训练逻辑示意图；
图5为本发明实施例二提供的初始模型的模块示意图；
图6为本发明实施例二提供的相似度预测的逻辑示意图；
图7为本发明实施例三提供的一种图纸校对装置的结构示意图；
图8为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图纸校对方法的流程示意图，本实施例可适用于快速校对批量图纸的情况，其中该装置可由软件和/或硬件实现，并一般集成在终端或电子设备中。具体参见图1所示，该方法可以包括如下步骤：
S110，获取标准图纸和至少一张待处理图纸。
其中，标准图纸可以为参考图纸。待处理图纸可以是需要根据标准图纸进行校对的图纸，可以是与标准图纸相似的图纸，也可以是与标准图纸不相似的图纸。
S120，将标准图纸和待处理图纸输入至相似度计算模型，确定待处理图纸与标准图纸的相似度以及变换矩阵。
其中，相似度计算模型可以根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到。变换矩阵可以理解为标准图纸和待处理图纸的匹配点的相对位置信息，可以通过相似度计算模型的变换矩阵计算模块确定，用于对与标准图纸相似的图纸进行校对，相比于现有技术通过寻找标准图纸和当前图纸的匹配点来求单应性矩阵，可以提高变换矩阵的确定效率和确定准确度。
其中，无监督训练可以为将无标签的训练数据输入至神经网络中，以使神经网络对训练数据进行分类或区分，即查找历史标准图纸、历史相似图纸以及历史非相似图纸的相似特征和非相似特征，省略了样本标记过程，提高训练效率。具体地，本实施例可以将无标签的历史标准图纸、历史相似图纸以及历史非相似图纸的标签作为三元组数据，将三元组数据输入至初始模型中并根据三元组数据对初始模型进行迭代训练，直至初始模型稳定，将达到稳定状态的初始模型确定为相似度计算模型。得到相似度计算模型之后，将标准图纸和待处理图纸输入至相似度计算模型，输出标准图纸和待处理图纸的相似度和变换矩阵。在本实施例中，相似度计算模型的每个训练步骤都独立进行，对结果不产生影响，即相似度计算模型通过端对端训练得到，不需要分步骤进行，可以简化训练流程。
可选地，在将历史标准图纸、历史相似图纸以及历史非相似图纸输入至初始模型之前，还可以将历史标准图纸、历史相似图纸以及历史非相似图纸进行预处理，例如，将历史标准图纸、历史相似图纸以及历史非相似图纸进行旋转、平移以及缩放等变换，可以提高训练样本多样性和提高训练准确度。
S130，基于待处理图纸与标准图纸的相似度从待处理图纸中确定待校对图纸，根据标准图纸和变换矩阵对待校对图纸进行校对。
本实施例中，待校对图纸可以为与标准图纸的相似度较高的待处理图纸。例如，待处理图纸与标准图纸的放大比例、局部布局或者图纸角度不同，这种待处理图纸可以作为待校对图纸，并根据标准图纸和变换矩阵进行校对，以将待校对图纸校对为符合规定的图纸，便于对校对后的图纸和标准图纸进行管理。
本实施例中的相似度可以根据相似度计算模型的损失函数计算模块确定，即所述相似度为待处理图纸与标准图纸之间的损失函数，如果损失函数越小，待处理图纸与标准图纸越相似。具体地，可以将相似度小于预设阈值的待处理图纸确定为待校对图纸，并根据变换矩阵对待校对图纸进行转换，并计算标准图纸与转换后的待校对图纸之间的差异项，基于标准图纸和差异项对待校对图纸进行校对。
可选地，可以根据变换矩阵对待校对图纸经过平移变换、旋转变换、仿射变换或者其他变换方式得到。差异项可以为转换后的待校对图纸与标准图纸之间的距离差异、角度差异以及图纸信息差异等。可选的，可以根据标准图纸与转换后的待校对图纸之间的差异项类型，确定校对方式，并基于确定的校对方式对待校对图纸进行处理，得到校对后的图纸。其中，差异项类型包括但不限于距离、角度以及图纸信息等，校对方式可以包括但不限于平移、旋转以及对图纸信息进行修补等。例如，如果差异项为距离差异或者角度差异，可以根据距离差异或者角度差异将待校对图纸进行平移变换或者旋转变换，以使平移变换或者旋转变换后的待校对图纸与标准图纸对齐；如果差异项为图纸信息差异，可以在待校对图纸标注出图纸信息差异，并将图纸信息差异进行显示。通过上述步骤，可以自动确定待校对图纸并自动对待校对图纸进行校对。
示例性地，如图2a为转换后的待校对图纸的效果图，图2b为标准图纸的效果图，图2c为转换后的待校对图纸减去标准图纸的差异项的效果图，图2d为标准图纸减去转换后的待校对图纸的差异项的效果图。其中，图2a所示的转换后的待校对图纸的效果图可以为通过待校对图纸(未示出)经过仿射变换得到。由图2c可以看出，标准图纸的一些局部区域比转换后的待校对图纸少，并在图2c显示标准图纸与转换后的待校对图纸的差异项，由图2d可以看出，转换后的待校对图纸的一些标注线比标准图纸少，并在图2d显示转换后的待校对图纸与标准图纸的差异项，并根据上述差异项对转换后的待校对图纸进行校对，完成对待校对图纸的校对。
如前述步骤描述，所述相似度为待处理图纸与标准图纸之间的损失函数，与S130不同的，如果相似度大于预设阈值，说明待处理图纸与标准图纸不相似并不进行校对，自动将该待处理图纸的下一待处理图纸与标准图纸输入至相似度计算模型，重新计算相似度以及变换矩阵，如果重新计算的相似度小于预设阈值，返回执行S130；如果重新计算的相似度不小于预设阈值，继续将后续的待处理图纸与标准图纸输入至相似度计算模型，并确定待校对图纸以及对待校对图纸进行校对，直至无待处理图纸且待校对图纸均完成校对。
本发明实施例提供的技术方案，获取标准图纸和至少一张待处理图纸，将标准图纸和待处理图纸输入至相似度计算模型，确定待处理图纸与标准图纸的相似度以及变换矩阵，其中，相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到，基于待处理图纸与标准图纸的相似度从待处理图纸中确定待校对图纸，根据标准图纸和变换矩阵对待校对图纸进行校对。通过相似度计算模型可以快速确定相似度以及变换矩阵，以便后续根据相似度确定待校对图纸以及对待校对图纸进行自动校对，解决了现有技术中图纸校对的成本较高且准确率较低的问题，实现降低图纸校对成本并提高校对准确率的效果。
实施例二
图3为本发明实施例二提供的一种图纸校对方法的流程示意图。本实施例的技术方案在上述实施例的基础上进行了细化。可选地，所述相似度计算模型的训练方法，包括：获取所述历史标准图纸、所述历史相似图纸以及所述历史非相似图纸；将所述历史标准图纸、所述历史相似图纸以及所述历史非相似图纸输入至所述初始模型，得到所述历史标准图纸、所述历史相似图纸以及所述历史非相似图纸中各图纸的特征提取结果；根据所述历史标准图纸、所述历史相似图纸以及所述历史非相似图纸中各图纸的特征提取结果确定损失函数，并基于所述损失函数对初始模型进行迭代训练，得到所述相似度计算模型。在该方法实施例中未详尽描述的部分请参考上述实施例。具体参见图3所示，该方法可以包括如下步骤：
S210，获取历史标准图纸、历史相似图纸以及历史非相似图纸。
S220，将历史标准图纸、历史相似图纸以及历史非相似图纸输入至初始模型，得到历史标准图纸、历史相似图纸和历史非相似图纸中各图纸的特征提取结果。
其中，特征提取结果可以为各图纸的语义特征，该语义特征可以包括布局特征信息、相对位置特征信息以及其他特征信息等。例如，如果各图纸为公寓的图纸，布局特征信息可以为公寓的卧室的数量、位置、面积，客厅的面积、形状等，相对位置特征信息可以为同一套房子的同一卧室的匹配点的位置信息。
如图4所示为初始模型的训练逻辑示意图，初始模型可以为卷积神经网络、深度学习神经网络以及主干网络(Back bone)等，本实施例的初始模型优选为主干网络。如图5所示为初始模型的模块示意图，初始模型可以包括第一特征提取模块1、第二特征提取模块2、第三特征提取模块3、变换矩阵计算模块4以及损失函数计算模块5，其中，上述每一个模块中可以包括至少一个卷积层、池化层、激活函数层等。结合图4和图5解释特征提取结果的获取过程，首先，分别将历史标准图纸、历史相似图纸以及历史非相似图纸分别作为anchor图纸(简称An图纸)、positive图(简称Po图纸)和negative图纸(简称Ne图纸)，分别将An图纸、Po图纸和Ne图纸输入至第一特征提取模块1，得到An图纸、Po图纸和Ne图纸对应的特征图out1、特征图out2和特征图out3，通过第二特征提取模块2分别对特征图out1、特征图out2和特征图out3进行降维处理和特征提取，得到特征图out1的特征向量A1和特征向量A2、特征图out2的特征向量B1和特征向量B2和特征图out3的特征向量C1，然后再通过第三特征提取模块3对特征向量A1、特征向量B1和特征向量C1进行降采样和特征提取，得到特征向量F1、特征向量F2以及特征向量F3，通过上述步骤得到特征提取结果，以便后续根据特征提取结果确定损失函数。
S230，根据历史标准图纸、历史相似图纸和历史非相似图纸中各图纸的特征提取结果确定损失函数，并基于损失函数对初始模型进行迭代训练，得到相似度计算模型。
其中，损失函数可以用来评价不同图纸之间的差异，如果损失函数越大，不同图纸的差异越大，可以通过损失函数对初始模型进行迭代训练，以使初始模型稳定，得到相似度计算模型。
可选地，损失函数可以根据历史标准图纸、历史相似图纸以及历史非相似图纸的三元组损失函数、历史标准图纸和历史相似图纸之间的第一相似损失函数、历史标准图纸和历史非相似图纸之间的第二相似损失函数、历史标准图纸和历史相似图纸之间的变换矩阵损失函数确定。
本实施例中，可以基于预先设置的损失函数计算模块，用于通过将上述各图纸的特征提取结果输入至损失函数计算模块，以得到损失函数。可选地，三元组损失函数通过将历史标准图纸、历史相似图纸以及历史非相似图纸中各图纸的第一布局特征信息，输入至三元组损失函数计算模块，根据三元组损失函数计算模块的输出结果确定。其中，第一布局特征信息可以包括上述特征向量A1、特征向量B1和特征向量C1，三元组损失函数计算模块可以为损失函数计算模块中的子模块。需要说明的是，由于不同图纸之间的纹理信息比较少并且图纸存在一定的相似性，因而不同图纸之间区分难度较大，三元组损失函数计算单元51获取到历史标准图纸、历史相似图纸以及历史非相似图纸中图纸的特征提取结果之后，通过三元组损失函数减小An图纸和Po图纸之间的距离，并增大Po图纸和Ne图纸之间的距离，以提高模型对相似图纸的鉴别能力和不相似图纸的过滤能力。
可选地，第一相似损失函数通过将历史标准图纸和历史相似图纸中各图纸的第二布局特征信息，输入至第一相似损失函数计算模块，根据第一相似损失函数计算模块的输出结果确定，第二相似损失函数通过将历史标准图纸和历史非相似图纸中各图纸的第二布局特征信息，输入至第二相似损失函数计算模块，根据第二相似损失函数计算模块的输出结果确定，其中，各图纸的第二布局特征信息通过对各图纸的第一布局特征信息进行降采样处理得到。示例性的，参见图4，第二布局特征信息可以包括特征向量F1、特征向量F2以及特征向量F3，第一相似损失函数计算模块可以为损失函数计算模块中的子模块，第二相似损失函数计算模块可以为损失函数计算模块中的子模块。第一相似损失函数可以用来评价An图纸和Po图纸之间的相似度，第一相似损失函数越小，An图纸和Po图纸越相似，第二相似损失函数可以用来评价An图纸和Ne图纸之间的相似度，第二相似损失函数越大，An图纸和Ne图纸越不相似。
可选地，变换矩阵损失函数通过将历史标准图纸和历史相似图纸中各图纸的相对位置特征信息，输入至初始模型的变换矩阵计算模块，根据变换矩阵计算模块的输出结果确定。其中，变换矩阵计算模块可以为损失函数计算模块中的子模块。变换矩阵损失函数也可以用来评价An图纸和Po图纸之间的相似度，变换矩阵损失函数越小，An图纸和Po图纸越相似。
具体地，损失函数的表达式可以为：
Loss＝Losstriple+Losssimilarity1+(1-Losssimilarity2)+LossH，
其中，Losstriple是三元组损失函数，Losssimilarity1是An图纸和Po图纸之间的第一相似损失函数，Losssimilarity2是An图纸和Ne图纸之间的第二相似损失函数，LossH是An图纸和Po图纸之间的变换矩阵损失函数。
通过上述步骤确定了损失函数后，可以根据损失函数对初始模型进行迭代训练，得到相似度计算模型，以便后续利用相似度计算模型寻找相似图纸并对图纸进行校对。
S240，获取标准图纸和至少一张待处理图纸。
S250，将标准图纸和待处理图纸输入至相似度计算模型，确定待处理图纸与标准图纸的相似度以及变换矩阵。
其中，相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型训练得到。
如图6所示为相似度计算模型的预测逻辑示意图，分别将标准图纸和待处理图纸作为图纸A和图纸B，并输入至相似度计算模型中并通过相似度计算模型的第一特征提取模块提取图纸A和图纸B的特征信息，相似度计算模型优选为主干网络，分别得到特征图out1和特征图out2，然后将特征图out1和特征图out2输入至第二特征提取模块，分别得到特征向量A1和特征向量A2，以及特征向量B1和特征向量B2，然后将特征向量A1和特征向量B1输入至第三特征提取模块，分别得到特征向量F1和特征向量F2，再根据特征向量F1和特征向量F2确定相似度，以及根据特征向量A2和特征向量B2确定变换矩阵，以后续根据相似度确定待校对图纸，并根据标准图纸和变换矩阵对待校对图纸进行校对。
S260，基于待处理图纸与标准图纸的相似度从待处理图纸中确定待校对图纸，根据标准图纸和变换矩阵对待校对图纸进行校对。
本发明实施例提供的技术方案，初始模型引入了三元组损失函数，利用相似度计算模型确定图纸之间的相似度时，可以提高相似度计算模型对相似图纸的鉴别能力，并且，通过计算多种损失函数，可以提高模型训练的准确性和可靠性，提高了对相似图纸查找效率和提高图纸校对的整体效率。
实施例三
图7为本发明实施例三提供的一种图纸校对装置的结构示意图。参见图7所示，该装置包括：获取模块31、确定模块32和校对模块33。
其中，获取模块31，用于获取标准图纸和至少一张待处理图纸；确定模块32，用于将标准图纸和待处理图纸输入至相似度计算模型，确定待处理图纸与标准图纸的相似度以及变换矩阵，其中，相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到；校对模块33，用于基于待处理图纸与标准图纸的相似度从所述待处理图纸中确定待校对图纸，根据所述标准图纸和所述变换矩阵对所述待校对图纸进行校对。
在上述各技术方案的基础上，该装置还包括：相似度计算模型训练模块；其中，相似度计算模型训练模块，用于获取历史标准图纸、历史相似图纸以及历史非相似图纸；
将历史标准图纸、历史相似图纸以及历史非相似图纸输入至初始模型，得到历史标准图纸、历史相似图纸和历史非相似图纸中各图纸的特征提取结果；
根据历史标准图纸、历史相似图纸和历史非相似图纸中各图纸的特征提取结果确定损失函数，并基于损失函数对初始模型进行迭代训练，得到相似度计算模型。
在上述各技术方案的基础上，损失函数根据历史标准图纸、历史相似图纸以及历史非相似图纸的三元组损失函数、历史标准图纸和历史相似图纸之间的第一相似损失函数、历史标准图纸和历史非相似图纸之间的第二相似损失函数、历史标准图纸和历史相似图纸之间的变换矩阵损失函数确定。
在上述各技术方案的基础上，三元组损失函数通过将历史标准图纸、历史相似图纸以及历史非相似图纸中各图纸的第一布局特征信息，输入至三元组损失函数计算模块，根据三元组损失函数计算模块的输出结果确定。
根据三元组损失函数、第一相似损失函数、第二相似损失函数以及变换矩阵损失函数，确定损失函数。
在上述各技术方案的基础上，第一相似损失函数通过将历史标准图纸和历史相似图纸中各图纸的第二布局特征信息，输入至第一相似损失函数计算模块，根据第一相似损失函数计算模块的输出结果确定，
第二相似损失函数通过将历史标准图纸和历史非相似图纸中各图纸的第二布局特征信息，输入至第二相似损失函数计算模块，根据第二相似损失函数计算模块的输出结果确定，其中，各图纸的第二布局特征信息通过对各图纸的第一布局特征信息进行降采样处理得到。
在上述各技术方案的基础上，变换矩阵损失函数通过将历史标准图纸和历史相似图纸中各图纸的相对位置特征信息，输入至初始模型的变换矩阵计算模块，根据变换矩阵计算模块的输出结果确定。
在上述各技术方案的基础上，校对模块还用于，将相似度小于预设阈值的待处理图纸确定为所述待校对图纸；
根据所述变换矩阵对所述待校对图纸进行转换，并计算所述标准图纸与转换后的待校对图纸之间的差异项；
基于所述标准图纸和所述差异项对所述待校对图纸进行校对。
本发明实施例提供的技术方案，获取标准图纸和至少一张待处理图纸，将标准图纸和待处理图纸输入至相似度计算模型，确定待处理图纸与标准图纸的相似度以及变换矩阵，其中，相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到，基于待处理图纸与标准图纸的相似度确定待校对图纸，根据标准图纸和变换矩阵对待校对图纸进行校对。通过相似度计算模型可以快速确定相似度以及变换矩阵，以便后续根据相似度确定待校对图纸以及对待校对图纸进行自动校对，解决了现有技术中图纸校对的成本较高且准确率较低的问题，实现降低图纸校对成本并提高校对准确率的效果。
实施例四
图8为本发明实施例四提供的一种电子设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图8显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如图纸校对装置的获取模块31、确定模块32和校对模块33)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如图纸校对装置的获取模块31、确定模块32和校对模块33)程序模块46的程序/实用工具44，可以存储在例如存储器28中，这样的程序模块46包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种图纸校对方法，该方法包括：
获取标准图纸和至少一张待处理图纸；
将所述标准图纸和所述待处理图纸输入至相似度计算模型，确定所述待处理图纸与所述标准图纸的相似度以及变换矩阵，其中，所述相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到；
基于待处理图纸与标准图纸的相似度从所述待处理图纸中确定待校对图纸，根据所述标准图纸和所述变换矩阵对所述待校对图纸进行校对。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种人才离职预测方法。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的一种图纸校对方法的技术方案。
实施例五
本发明实施例五还提供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本发明实施例所提供的一种图纸校对方法，该方法包括：
获取标准图纸和至少一张待处理图纸；
将所述标准图纸和所述待处理图纸输入至相似度计算模型，确定所述待处理图纸与所述标准图纸的相似度以及变换矩阵，其中，所述相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到；
基于待处理图纸与标准图纸的相似度从所述待处理图纸中确定待校对图纸，根据所述标准图纸和所述变换矩阵对所述待校对图纸进行校对。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的一种图纸校对方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在标准图纸、待处理图纸、相似度以及变换矩阵等，其中承载了计算机可读的程序代码。这种传播的标准图纸、待处理图纸、相似度以及变换矩阵等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是，上述人才离职预测装置的实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种图纸校对方法，其特征在于，包括：
获取标准图纸和至少一张待处理图纸；
将所述标准图纸和所述待处理图纸输入至相似度计算模型，确定所述待处理图纸与所述标准图纸的相似度以及变换矩阵，其中，所述相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到；
基于待处理图纸与标准图纸的相似度从所述待处理图纸中确定待校对图纸，根据所述标准图纸和所述变换矩阵对所述待校对图纸进行校对。
2.根据权利要求1所述的方法，其特征在于，所述相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到，包括：
获取所述历史标准图纸、所述历史相似图纸以及所述历史非相似图纸；
将所述历史标准图纸、所述历史相似图纸以及所述历史非相似图纸输入至所述初始模型，得到所述历史标准图纸、所述历史相似图纸和所述历史非相似图纸中各图纸的特征提取结果；
根据所述历史标准图纸、所述历史相似图纸和所述历史非相似图纸中各图纸的特征提取结果确定损失函数，并基于所述损失函数对初始模型进行迭代训练，得到所述相似度计算模型。
3.根据权利要求2所述的方法，其特征在于，所述损失函数根据所述历史标准图纸、所述历史相似图纸以及所述历史非相似图纸的三元组损失函数、所述历史标准图纸和所述历史相似图纸之间的第一相似损失函数、所述历史标准图纸和所述历史非相似图纸之间的第二相似损失函数、所述历史标准图纸和所述历史相似图纸之间的变换矩阵损失函数确定。
4.根据权利要求3所述的方法，其特征在于，所述三元组损失函数通过将所述历史标准图纸、所述历史相似图纸以及所述历史非相似图纸中各图纸的第一布局特征信息，输入至三元组损失函数计算模块，根据所述三元组损失函数计算模块的输出结果确定。
5.根据权利要求4所述的方法，其特征在于，所述第一相似损失函数通过将历史标准图纸和所述历史相似图纸中各图纸的第二布局特征信息，输入至第一相似损失函数计算模块，根据所述第一相似损失函数计算模块的输出结果确定，
所述第二相似损失函数通过将历史标准图纸和所述历史非相似图纸中各图纸的第二布局特征信息，输入至第二相似损失函数计算模块，根据所述第二相似损失函数计算模块的输出结果确定，其中，所述各图纸的第二布局特征信息通过对所述各图纸的第一布局特征信息进行降采样处理得到。
6.根据权利要求3所述的方法，其特征在于，所述变换矩阵损失函数通过将所述历史标准图纸和所述历史相似图纸中各图纸的相对位置特征信息，输入至所述初始模型的变换矩阵计算模块，根据所述变换矩阵计算模块的输出结果确定。
7.根据权利要求1所述的方法，其特征在于，所述基于待处理图纸与标准图纸的相似度确定待校对图纸，根据所述标准图纸和所述变换矩阵对所述待校对图纸进行校对，包括：
将相似度小于预设阈值的待处理图纸确定为所述待校对图纸；
根据所述变换矩阵对所述待校对图纸进行转换，并计算所述标准图纸与转换后的待校对图纸之间的差异项；
基于所述标准图纸和所述差异项对所述待校对图纸进行校对。
8.一种图纸校对装置，其特征在于，包括：
获取模块，用于获取标准图纸和至少一张待处理图纸；
确定模块，用于将所述标准图纸和所述待处理图纸输入至相似度计算模型，确定所述待处理图纸与所述标准图纸的相似度以及变换矩阵，其中，所述相似度计算模型根据历史标准图纸、历史相似图纸以及历史非相似图纸对初始模型进行无监督训练得到；
校对模块，用于基于待处理图纸与标准图纸的相似度从所述待处理图纸中确定待校对图纸，根据所述标准图纸和所述变换矩阵对所述待校对图纸进行校对。
9.一种电子设备，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计算机程序时实现如权利要求1-7中任一项所述的图纸校对方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7中任一项所述的图纸校对方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010327106.8A CN111563429A (zh) | 2020-04-23 | 2020-04-23 | 一种图纸校对方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010327106.8A CN111563429A (zh) | 2020-04-23 | 2020-04-23 | 一种图纸校对方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111563429A true CN111563429A (zh) | 2020-08-21 |
Family
ID=72070529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010327106.8A Pending CN111563429A (zh) | 2020-04-23 | 2020-04-23 | 一种图纸校对方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563429A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505660A (zh) * | 2021-06-22 | 2021-10-15 | 上海工程技术大学 | 一种纸质工程图作业批阅装置及其方法 |
| CN114743035A (zh) * | 2022-04-12 | 2022-07-12 | 上海极豆科技有限公司 | 图像筛选方法、装置、电子设备及可读存储介质 |
| CN114742522A (zh) * | 2022-03-31 | 2022-07-12 | 烟台市勘察设计审查服务中心有限责任公司 | 一种勘察设计图自动对比方法、系统、装置及存储介质 |
| CN116137045A (zh) * | 2023-04-04 | 2023-05-19 | 深圳前海硬之城信息技术有限公司 | 焊盘图纸的调整方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190156211A1 (en) * | 2017-11-21 | 2019-05-23 | International Business Machines Corporation | Feature extraction using multi-task learning |
| CN109815355A (zh) * | 2019-01-28 | 2019-05-28 | 网易（杭州）网络有限公司 | 图像搜索方法及装置、存储介质、电子设备 |
| CN110751135A (zh) * | 2019-12-24 | 2020-02-04 | 广东博智林机器人有限公司 | 图纸的校对方法、装置、电子设备及存储介质 |
| CN110929764A (zh) * | 2019-10-31 | 2020-03-27 | 北京三快在线科技有限公司 | 图片审核方法和装置，电子设备及存储介质 |
-
2020
- 2020-04-23 CN CN202010327106.8A patent/CN111563429A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190156211A1 (en) * | 2017-11-21 | 2019-05-23 | International Business Machines Corporation | Feature extraction using multi-task learning |
| CN109815355A (zh) * | 2019-01-28 | 2019-05-28 | 网易（杭州）网络有限公司 | 图像搜索方法及装置、存储介质、电子设备 |
| CN110929764A (zh) * | 2019-10-31 | 2020-03-27 | 北京三快在线科技有限公司 | 图片审核方法和装置，电子设备及存储介质 |
| CN110751135A (zh) * | 2019-12-24 | 2020-02-04 | 广东博智林机器人有限公司 | 图纸的校对方法、装置、电子设备及存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505660A (zh) * | 2021-06-22 | 2021-10-15 | 上海工程技术大学 | 一种纸质工程图作业批阅装置及其方法 |
| CN114742522A (zh) * | 2022-03-31 | 2022-07-12 | 烟台市勘察设计审查服务中心有限责任公司 | 一种勘察设计图自动对比方法、系统、装置及存储介质 |
| CN114742522B (zh) * | 2022-03-31 | 2022-11-01 | 烟台市勘察设计审查服务中心有限责任公司 | 一种勘察设计图自动对比方法、系统、装置及存储介质 |
| CN114743035A (zh) * | 2022-04-12 | 2022-07-12 | 上海极豆科技有限公司 | 图像筛选方法、装置、电子设备及可读存储介质 |
| CN116137045A (zh) * | 2023-04-04 | 2023-05-19 | 深圳前海硬之城信息技术有限公司 | 焊盘图纸的调整方法、装置、设备及存储介质 |
| CN116137045B (zh) * | 2023-04-04 | 2023-09-12 | 深圳前海硬之城信息技术有限公司 | 焊盘图纸的调整方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563429A (zh) | 一种图纸校对方法、装置、电子设备及存储介质 | |
| CN109949797B (zh) | 一种训练语料的生成方法、装置、设备及存储介质 | |
| CN112016638B (zh) | 一种钢筋簇的识别方法、装置、设备及存储介质 | |
| CN107301248B (zh) | 文本的词向量构建方法和装置、计算机设备、存储介质 | |
| CN111125658B (zh) | 识别欺诈用户的方法、装置、服务器和存储介质 | |
| CN113158656B (zh) | 讽刺内容识别方法、装置、电子设备以及存储介质 | |
| CN112149663A (zh) | 结合rpa和ai的图像文字的提取方法、装置及电子设备 | |
| CN110796108B (zh) | 一种人脸质量检测的方法、装置、设备及存储介质 | |
| CN111523169B (zh) | 一种装修方案生成方法、装置、电子设备及存储介质 | |
| CN112650867B (zh) | 图片匹配方法、装置、电子设备以及存储介质 | |
| CN113762303B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
| CN112836521A (zh) | 问答匹配方法、装置、计算机设备及存储介质 | |
| CN107729944B (zh) | 一种低俗图片的识别方法、装置、服务器及存储介质 | |
| CN112214595A (zh) | 类别确定方法、装置、设备及介质 | |
| CN113807416B (zh) | 一种模型训练方法、装置、电子设备以及存储介质 | |
| CN110363193B (zh) | 车辆重识别方法、装置、设备和计算机存储介质 | |
| CN110175128B (zh) | 一种相似代码案例获取方法、装置、设备和存储介质 | |
| CN111986020A (zh) | 金融借贷风险评估方法、装置、设备及存储介质 | |
| CN111738290A (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
| CN116308625A (zh) | 一种商品匹配方法、装置、电子设备及存储介质 | |
| CN114842261A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115761778A (zh) | 一种文献重构方法、装置、设备和存储介质 | |
| CN110516024B (zh) | 地图搜索结果展现方法、装置、设备和存储介质 | |
| CN110442714B (zh) | Poi名称规范性评估方法、装置、设备和存储介质 | |
| CN110059180B (zh) | 文章作者身份识别及评估模型训练方法、装置及存储介质 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240220 |