CN111859512B - 一种矢量化户型图的建立方法、装置和电子设备 - Google Patents
一种矢量化户型图的建立方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111859512B CN111859512B CN202010741365.5A CN202010741365A CN111859512B CN 111859512 B CN111859512 B CN 111859512B CN 202010741365 A CN202010741365 A CN 202010741365A CN 111859512 B CN111859512 B CN 111859512B
- Authority
- CN
- China
- Prior art keywords
- coordinates
- door
- type
- coordinate
- graph
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010586 diagram Methods 0.000 title claims description 42
- 230000006870 function Effects 0.000 claims description 25
- 238000002372 labelling Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
-
- 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
- G06N3/08—Learning methods
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
本申请提供一种矢量化户型图的建立方法、装置和电子设备，该方法包括获取目标户型的原始户型图对应的矢量坐标图，该矢量坐标图包括所述目标户型的各个墙体上的多个第一开口的第一坐标；将原始户型图输入预设的门窗类型识别模型，得到原始户型图上的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型，多个第一开口与多个第二开口一一对应；根据多个第一开口的第一坐标、多个第二开口的第二坐标以及每一第二坐标对应的门窗类型确定矢量坐标图上的每一第一坐标对应的第一开口的门窗类型以建立目标户型的矢量化户型图。
Description
技术领域
本申请涉及图像识别技术领域，具体而言，涉及一种矢量化户型图的建立方法、装置和电子设备。
背景技术
在家装行业中，虚拟装修即三维户型不仅能够为用户提供多种户型选择装修方案，而且能够为用户提供最直接的家装体验，而三维户型的建模需要通过二维的矢量化户型图中的数据。
目前，传统的矢量化户型图中的门窗数据一般都依赖于人工基于计算机辅助设计软件如CAD等进行手动解析获得，存在着人工成本高、效率低下的问题。
发明内容
本申请实施例的目的在于提供一种矢量化户型图的建立方法、装置和电子设备，用以解决传统的矢量化户型图中的门窗数据一般都依赖于人工基于计算机辅助设计软件进行手动解析获得存在的人工成本高、效率低下的问题。
第一方面，本发明实施例提供一种矢量化户型图的建立方法，包括：获取目标户型的原始户型图对应的矢量坐标图，所述矢量坐标图包括所述目标户型的各个墙体上的多个第一开口的第一坐标；将所述原始户型图输入预设的门窗类型识别模型，得到所述原始户型图上的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型，所述多个第一开口与所述多个第二开口一一对应；根据所述多个第一开口的第一坐标、多个第二开口的第二坐标以及每一第二坐标对应的门窗类型确定所述矢量坐标图上的每一第一坐标对应的第一开口的门窗类型以建立所述目标户型的矢量化户型图。
在上述设计的矢量化户型图的建立方法中，通过将原始户型图输入预设的门窗识别模型中进行自动识别获得门窗识别模型输出的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型，通过门窗识别模型输出的结果结合获取的矢量坐标图中对应的第一开口的第一坐标进而确定矢量坐标图中每一第一坐标对应的第一开口的门窗类型进而可以建立出具有门窗类型的矢量化户型图，以此实现快速的矢量化户型图的获得为户型三维建模提供准确数据，解决了传统的矢量化户型图中的门窗数据一般都依赖于人工基于计算机辅助设计软件进行手动解析获得存在的人工成本高、效率低下的问题，提高了目标矢量化户型图中门窗类型确定的效率并且节约了人工成本。
在第一方面的可选实施方式中，所述根据所述多个第一开口的第一坐标、多个第二开口的第二坐标以及每一第二坐标对应的门窗类型确定所述矢量坐标图上的每一第一坐标对应的第一开口的门窗类型，包括：查找与每一所述第一开口的第一坐标对应的第二开口的第二坐标；将每一查找到的第二坐标对应的门窗类型确定为对应第一开口的第一坐标对应的门窗类型。
在第一方面的可选实施方式中，所述查找与每一所述第一开口的第一坐标对应的第二开口的第二坐标，包括：查找与每一所述第一开口的第一坐标的坐标值相同的第二开口的第二坐标。
在第一方面的可选实施方式中，所述原始户型图包括多个文字标识以及由墙体围成的多个区域范围，所述矢量坐标图还包括每段墙体的坐标以及每段墙体的类型；在所述获取目标户型的原始户型图对应的矢量坐标图之后，所述方法还包括：将所述原始户型图输入预设的文字识别与定位模型，以获得所述原始户型图中多个文字标识以及每一文字标识对应的坐标；根据每一文字标识对应的坐标以及每段墙体的坐标判断是否存在位于所述多个区域范围外的文字标识；若否，则根据每一文字标识对应的坐标以及每段墙体的坐标确定每一文字标识所在的区域范围；根据每一区域范围内的文字标识确定所述区域范围的功能类型；根据每一所述功能类型以及每一所述功能类型对应区域范围内的第一开口所在的墙体类型确定每一区域范围中的第一开口的门窗类型；根据每一区域范围中的第一开口的门窗类型与第一坐标对应的第一开口的门窗类型判断是否具有门窗类型不一致的第一开口；若是，则将区域范围中的第一开口的门窗类型确定为对应第一开口的门窗类型。
在上述步骤中，通过每一区域范围的第一开口对应的门窗类型与对应的第一坐标对应的第一开口的门窗类型判断其是否一致，进而通过区域范围的第一开口对应的门窗类型来对门窗识别网络模型的识别结果进行优化，进而提高矢量化户型图中门窗类型的精确性。
在第一方面的可选实施方式中，在所述根据每一文字标识对应的坐标以及每段墙体的坐标判断是否具有位于所述多个区域范围外的文字标识之后，所述方法还包括：若存在，则将位于所述多个区域范围外的文字标识删除，并在删除后执行所述根据每一文字标识对应的坐标以及每段墙体的坐标确定每一文字标识所在的区域范围的步骤。
在第一方面的可选实施方式中，所述获取目标户型的原始户型图对应的矢量坐标图，包括：获取所述目标户型的原始户型图；对所述原始户型图进行墙体识别获取每段墙体的坐标信息；根据每段墙体的坐标确定各个墙体上的第一开口的第一坐标；根据每段墙体的端点坐标以及各个墙体上的第一开口的第一坐标生成所述矢量坐标图。
在第一方面的可选实施方式中，在所述获取目标户型的原始户型图对应的矢量坐标图之前，所述方法还包括：获取多个户型图样本并对每一户型图样本进行标注，所述标注包括每一户型图样本中的多个第二开口的第二坐标以及每一第二开口对应的门窗类型；将标注完成的多个户型图样本输入预设的神经网络模型以对所述预设的神经网络模型进行训练，并在训练完成后得到所述门窗类型识别模型。
第二方面，本发明实施例提供一种矢量化户型图的建立装置，包括：获取模块，用于获取目标户型的原始户型图对应的矢量坐标图，所述矢量坐标图包括所述目标户型的各个墙体上的多个第一开口的第一坐标；
输入模型，用于将所述原始户型图输入预设的门窗类型识别模型，得到所述原始户型图上的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型，所述多个第一开口与所述多个第二开口一一对应；
建立模块，用于根据所述多个第一开口的第一坐标、多个第二开口的第二坐标以及每一第二坐标对应的门窗类型确定所述矢量坐标图上的每一第一坐标对应的第一开口的门窗类型以建立所述目标户型的矢量化户型图。
在上述设计的矢量化户型图的建立装置中，通过将原始户型图输入预设的门窗识别模型中进行自动识别获得门窗识别模型输出的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型，通过门窗识别模型输出的结果结合获取的矢量坐标图中对应的第一开口的第一坐标进而确定矢量坐标图中每一第一坐标对应的第一开口的门窗类型进而可以建立出具有门窗类型的矢量化户型图，以此实现快速的矢量化户型图的获得为户型三维建模提供准确数据，解决了传统的矢量化户型图中的门窗数据一般都依赖于人工基于计算机辅助设计软件进行手动解析获得存在的人工成本高、效率低下的问题，提高了目标矢量化户型图中门窗类型确定的效率并且节约了人工成本。
在第二方面的可选实施方式中，确定模块，具体用于查找与每一所述第一开口的第一坐标对应的第二开口的第二坐标；将每一查找到的第二坐标对应的门窗类型确定为对应第一开口的第一坐标对应的门窗类型。
在第二方面的可选实施方式中，所述原始户型图包括多个文字标识以及由墙体围成的多个区域范围，所述矢量坐标图还包括每段墙体的坐标以及每段墙体的类型；所述输入模块，还用于将所述原始户型图输入预设的文字识别与定位模型，以获得所述原始户型图中多个文字标识以及每一文字标识对应的坐标；判断模块，用于根据每一文字标识对应的坐标以及每段墙体的坐标判断是否存在位于所述多个区域范围外的文字标识；所述确定模块，还用于根据每一文字标识对应的坐标以及每段墙体的坐标确定每一文字标识所在的区域范围；以及，根据每一区域范围内的文字标识确定所述区域范围的功能类型，根据每一所述功能类型以及每一所述功能类型对应区域范围内的第一开口所在的墙体类型确定每一区域范围中的第一开口的门窗类型；所述判断模块，还用于根据每一区域范围中的第一开口的门窗类型与第一坐标对应的第一开口的门窗类型判断是否具有门窗类型不一致的第一开口；所述确定模块，在所述判断模块判断具有门窗类型不一致的第一开口之后，还用于将区域范围中的第一开口的门窗类型确定为对应第一开口的门窗类型。
在第二方面的可选实施方式中，删除模块，在所述判断模块判断存在位于所述多个区域范围外的文字标识之后，将位于所述多个区域范围外的文字标识删除并在删除后执行所述根据每一文字标识对应的坐标以及每段墙体的坐标确定每一文字标识所在的区域范围的步骤。
在第二方面的可选实施方式中，所述获取模块，还用于获取所述目标户型的原始户型图；识别模块，用于对所述原始户型图进行墙体识别获取每段墙体的坐标信息；所述确定模块，还用于根据每段墙体的坐标确定各个墙体上的第一开口的第一坐标；生成模块，用于根据每段墙体的端点坐标以及各个墙体上的第一开口的第一坐标生成所述矢量坐标图。
在第二方面的可选实施方式中，标注模块，用于获取多个户型图样本并对每一户型图样本进行标注，所述标注包括每一户型图样本中的多个第二开口的第二坐标以及每一第二开口对应的门窗类型；训练模块，用于将标注完成的多个户型图样本输入预设的神经网络模型以对所述预设的神经网络模型进行训练，并在训练完成后得到所述门窗类型识别模型。
第三方面：本申请还提供了一种电子设备，包括：处理器、与处理器连接的存储器，所述存储器存储有计算机程序，当所述计算设备运行时，处理器执行该计算机程序，以执行时执行第一方面、第一方面的任一可选的实现方式中的所述方法。
第四方面：本申请提供了一种非暂态可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面、第一方面的任一可选的实现方式中的所述方法。
第五方面：本申请提供了一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行第一方面、第一方面的任一可选的实现方式中的所述方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的矢量化户型图的建立方法第一流程图；
图2为本申请实施例提供的户型图第一示意图；
图3为本申请实施例提供的户型图第二示意图；
图4为本申请实施例提供的户型图第三示意图；
图5为本申请实施例提供的矢量化户型图的建立方法第二流程图；
图6为本申请实施例提供的矢量化户型图的建立方法第三流程图；
图7为本申请实施例提供的户型图第四示意图；
图8为本申请实施例提供的矢量化户型图的建立方法第四流程图；
图9为本申请实施例提供的矢量化户型图的建立装置结构示意图；
图10为本申请实施例提供的电子设备结构示意图。
图标：200-获取模块；202-输入模块；204-建立模块；206-确定模块；208-判断模块；210-删除模块；212-识别模块；214-生成模块；216-标注模块；218-训练模块；4-电子设备；401-处理器；402-存储器；403-通信总线。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
第一实施例
如图1所示，本申请实施例提供一种矢量化户型图的建立方法，该方法可用于对矢量化户型图中的门窗进行自动识别以快速建立目标矢量化户型图，该方法可应用于服务器等设备，具体包括如下步骤：
步骤S100：获取目标户型的原始户型图对应的矢量坐标图，该矢量坐标图包括目标户型的各个墙体上的多个第一开口的第一坐标。
步骤S102：将原始户型图输入预设的门窗类型识别模型，得到原始户型图上的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型。
步骤S104：根据多个第一开口的第一坐标、多个第二开口的第二坐标以及每一第二坐标对应的门窗类型确定矢量坐标图上的每一第一坐标对应的第一开口的门窗类型以建立目标户型的矢量化户型图。
在步骤S100中，目标户型的原始户型图也就是常规情况下建筑商设计的户型图，其中原始户型图中一般包含有建筑部分和文字部分，例如，户型图中的文字部分一般有厨房、卫生间、卧室等区域文字标识以及该户型图的比例尺等标识；建筑部分一般有墙体、门、窗等，但建筑部分一般没有在原始户型图中进行标示。
步骤S100是获取该原始户型图对应的矢量坐标图(可如图2所示)，该矢量坐标图根据多个坐标可视化后生成，该多个坐标包括该目标户型中每段墙体的坐标以及各个墙体上的第一开口的第一坐标，其中，每段墙体的坐标可通过现有的户型图墙体识别方法获得，各个墙体上的第一开口表示某一段墙体上的断裂处，每段墙体表示矢量坐标图中一个交点坐标到另一与其横坐标或纵坐标相同的交点坐标之间的连线，例如，图2所示的矢量坐标图以墙体1的Y端点建立坐标系，墙体1这段墙体表示的是交点坐标X到另一与其横坐标相同的交点坐标Y之间的连线，墙体2这段墙体表示的是交点坐标Y与其纵坐标相同的交点坐标Z之间的连线；如图2所示，墙体1上具有断裂处C，该断裂处C就是位于墙体1上的第一开口，第一开口的第一坐标可表示该第一开口的中心坐标或第一开口所在墙体的断裂处的任一端点的坐标，例如，如图2所示，该第一开口C的坐标可以是断裂处的A端点坐标或者断裂处的B端点坐标或者是由断裂处的A端点坐标以及B端点坐标得到的位于A和B中心的中心坐标，假设以墙体1的左端点建立坐标系，A端点的坐标为(2,0)，B端点的坐标为(4,0)，那么第一开口C的坐标可以设定为(2,0)、(4,0)或者A和B的中心坐标(3,0)。
在服务器通过步骤S100获取目标户型的原始户型图对应的矢量坐标图之后，即可执行步骤S102，在步骤S102中原始户型图输入预设的门窗类型识别模型中，该门窗类型识别模型可提前训练获得，在输入预设的门窗类型识别模型之后，该门窗类型识别模型会对原始户型图中的门和窗进行自动识别，最终输出该原始户型图中多个第二开口的第二坐标以及每一第二坐标对应的门窗类型，其中，原始户型图中的每一第二开口与矢量化坐标图中的一第一开口对应，具体的，门窗类型识别模型输出的识别结果可如图3所示，前述举例中第一开口C在图3中所对应的第二开口C1标注的是window，另外该门窗类型识别模型的输出可不仅包括坐标和对应的类型，还可以包括开口的长和宽以形成一标注框。
服务器通过步骤S102得到门窗识别模型输出的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型之后，执行步骤S104，进而通过步骤S102获得的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型以及结合步骤S100中各个墙体上的多个第一开口的第一坐标进而确定出矢量坐标图上的每一第一坐标对应的第一开口的门窗类型，例如，前述第二开口C1对应的门窗类型是窗也就是window，那么即可确定出第一坐标对应的第一开口的门窗类型即是窗window，进而得到门窗类型识别完毕的矢量化户型图并且可以在矢量化户型图中对每一开口的门窗类型进行标注，其中，门窗类型标注完成的矢量化户型图可如图4所示，其他第一开口也可如第一开口C一样进行标注，但图中未画出。
在上述设计的矢量化户型图的建立方法中，通过将原始户型图输入预设的门窗识别模型中进行自动识别获得门窗识别模型输出的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型，通过门窗识别模型输出的结果结合获取的矢量坐标图中对应的第一开口的第一坐标进而确定矢量坐标图中每一第一坐标对应的第一开口的门窗类型进而可以建立出具有门窗类型的矢量化户型图，以此实现快速的矢量化户型图的获得为户型三维建模提供准确数据，解决了传统的矢量化户型图中的门窗数据一般都依赖于人工基于计算机辅助设计软件进行手动解析获得存在的人工成本高、效率低下的问题，提高了目标矢量化户型图中门窗类型确定的效率并且节约了人工成本。
在本实施例的可选实施方式中，步骤S104根据多个第一开口的第一坐标、多个第二开口的第二坐标以及每一第二坐标对应的门窗类型确定矢量坐标图上的每一第一坐标对应的第一开口的门窗类型以建立目标户型的目标矢量坐标图，如图5所示，具体可为如下步骤：
步骤S1040：查找与每一第一开口的第一坐标对应的第二开口的第二坐标。
步骤S1042：将每一查找到的第二坐标对应的门窗类型确定为对应第一开口的第一坐标对应的门窗类型。
在步骤S1040中，由于第一开口和第一开口坐标以及门窗识别模型输出的第二开口的第二坐标及每一第二坐标对应的门窗类型都会有多个，此时，服务器会查找与每一第一开口的第一坐标对应的第二开口的第二坐标，其中，具体的查找方式可包括多种：第一，当原始户型图与矢量坐标图的比例相同时，可以查找与每一第一开口的第一坐标的坐标值相同的第二开口的第二坐标；第二，当原始户型图与矢量坐标图的比例不同时，例如，当原始户型图为矢量坐标图的2倍时，可查找与第一坐标的坐标值具有2倍关系的第二开口的第二坐标；
通过步骤S1040查找到第一开口的第一坐标对应的第二开口的第二坐标之后，执行步骤S1042将查找到的第二坐标对应的门窗类型确定为对应第一开口的第一坐标对应的门窗类型。
在本实施例的可选实施方式中，该原始户型图包括多个文字标识以及由墙体围成的多个区域范围，该矢量坐标图还可以包括每段墙体的坐标和每段墙体的类型，在此基础上，如图6所示，在步骤S100获取目标户型的原始户型图对应的矢量坐标图之后，该方法还可以包括如下步骤：
步骤S107：将原始户型图输入预设的文字识别与定位模型，以获得原始户型图中的多个文字标识以及每一文字标识对应的坐标。
步骤S108：根据每一文字标识对应的坐标以及每段墙体的坐标判断是否存在位于多个区域范围外的文字标识；若是，则转到步骤S1090；若否，则转到步骤S1100。
步骤S1090：将位于多个区域范围外的文字标识删除并转到步骤S1100。
步骤S1100：根据每一文字标识对应的坐标以及每段墙体的坐标确定每一文字标识所在的区域范围。
步骤S1101：根据每一区域范围内的文字标识确定区域范围的功能类型。
步骤S1102：根据每一功能类型以及每一功能类型对应区域范围内的第一开口所在的墙体类型确定每一区域范围中的第一开口的门窗类型。
步骤S1103：根据每一区域范围中的第一开口的门窗类型与第一坐标对应的第一开口的门窗类型判断是否具有门窗类型不一致的第一开口，若是，则转到步骤S1104。
步骤S1104：将区域范围中的第一开口的门窗类型确定为对应第一开口的门窗类型。
在上述步骤中原始户型图中包括多个文字标识以及墙体围成的区域范围，其中文字标识包括对每个区域范围的命名，如“厨房”、“卫生间”、“客体”等，还包括比例尺等文字标识；矢量坐标图中每段墙体的类型可以提前对矢量化坐标图进行标注获得，具体的，墙体的类型具体可包括外围墙和内置墙，例如前述所说的墙体A和墙体B可标注为外围墙，而位于户型图内部，例如厨房和客厅之间的墙可提前标注为内置墙。在此基础上执行步骤S107，将原始户型图输入预设的文字识别与定位模型，该预设的文字识别与定位模型可提前训练获得，具体的，该文字识别与定位模型可采用场景文本检测算法(Detecting Text inNatural Image with Connectionist Text Proposal Network，CTPN)，将原始户型图输入该文字识别与定位模型以后，该文字识别与定位模型可识别出原始户型图中的文字标识以及每一文字标识对应的位置坐标并进行输出，例如，将如图3除开标注以外的原始户型图输入以后，该文字识别与定位模型可识别出矢量坐标图中“厨房”这个文字信息以及它所在的位置坐标。在此基础上执行步骤S108。
在步骤S108中，在S107得出多个文字标识以及每一文字标识对应的坐标之后，可根据每一文字标识对应的坐标以及每段墙体的端点坐标来判断是否存在位于所有区域范围外的文字标识，若不存在，则说明所有的文字标识都是需要的文字标识，因此，可直接执行步骤S1100根据每一文字标识对应的坐标以及每段墙体的坐标确定每一文字标识所在的区域范围；若存在，则说明该文字标识是不需要的文字标识，这是由于文字识别与定位模型中不仅仅是识别文字或字母信息还会识别出数字信息，进而会将户型图中的比例尺等不需要的信息识别出来，而比例尺等信息是本方案不需要的文字标识并且其一般是位于图纸的下方并且没有在区域范围内，因此，在步骤S108判断出存在位于多个区域范围外的文字标识之后，即可执行步骤S1090将位于多个区域范围外的文字标识删除，然后再执行步骤S1100。
在步骤S1100中，服务器会根据每一文字标识对应的坐标以及坐标矢量图中每段墙体的坐标确定出每一文字标识所在的区域范围，也就是说根据墙体的坐标和文字标识的坐标可以确定出围绕文字标识的墙体是哪些墙体，进而可以确定出文字标识所在的区域范围，例如，如图7所示，根据厨房这个文字标识对应的位置以及所有墙体的坐标可以确定出入图7中所示的厨房所在区域范围，如图所示，该区域范围包括墙体1、墙体2、墙体3以及墙体4。
在步骤S1100确定出每一文字标识所在的区域范围之后，即可执行步骤S1101根据每一区域范围内的文字标识确定区域范围的功能类型，例如，依照前述的举例，该区域范围墙体1、墙体2、墙体3以及墙体4的文字标识为“厨房”，那么即可知道该区域范围的功能类型为厨房，进而执行步骤S1102根据每一功能类型以及每一功能类型对应区域范围内的第一开口所在的墙体类型确定每一区域范围中的第一开口的门窗类型，以前述的举例来对此进行说明，当识别出厨房这个功能类型以及其所在的区域范围之后，从图中可以看到该区域范围的墙体1上存在第一开口C和其所在位置的墙而墙体1的墙体类型由前述可知为外围墙，因此，可以得出该第一开口C位于厨房这个功能类型所在区域范围的外围墙上，进而可以得出，该第一开口C即为窗，因为厨房的外围墙上的开口一般是设置窗户而不是设置门。其中，厨房的外围墙的开口是窗、厨房的内置墙的开口是门这样的规则可以提前配置在服务器中，进而在识别出第一开口所在位置的墙的类型以及对应区域范围的功能类型以后自动触发确定。
由上述可知，通过前述步骤S104以及步骤S1102两种方式确定了矢量坐标图中同一第一开口的门窗类型，那么可以通过步骤S1103根据每一区域范围中的第一开口的门窗类型与第一坐标对应的第一开口的门窗类型判断是否具有门窗类型不一致的第一开口，也就是说步骤S104以及步骤S1102得到的同一第一开口的门窗类型是否一致，若不一致则执行步骤S1104即将步骤S1102确定的区域范围中的第一开口的门窗类型认定为最终的结果。这是由于门窗识别模型识别出的第一开口的门窗类型相对于通过区域范围确定的第一开口的门窗类型来说可靠性更低但速度更快，因此，可通过步骤S1102输出第一开口的门窗类型来对步骤S104确定的门窗类型进行修正，进而实现对速度快的同时可靠性和准确率也提高。
在本实施例的可选实施方式中，在步骤S100获取目标户型的原始户型图对应的矢量坐标图之前，如图8所示，该方法还可以包括如下步骤：
步骤S90：获取多个原始户型图样本并对每一原始户型图样本进行标注。
步骤S91：将标注完成的多个原始户型图样本输入预设的神经网络模型以对预设的神经网络模型进行训练，并在训练完成后得到类型门窗识别模型。
在步骤S90中，对每一原始户型图样本进行标注包括类别标签(包括门、窗)以及门或窗的位置坐标，其中，类别标签可采用0、1数字的方式进行标注，另外，在标注时还可以采用标注框的方式，标注框将第二开口框出并标明每个框的高度和宽度，在具有标注框时，门或窗的位置坐标可为标注框的中心坐标或者第二开口中任一墙体的端点坐标；在标注完毕之后可对坐标以及标注框的宽和高进行归一化处理；在对所有样本标注完成之后，可将标注完成的样本分批次输入预设的神经网络模型，本方案具体可采用YOLOV3门窗检测模型，采用标注好的样本对YOLOV3门窗检测模型进行训练，也就是对其模型参数进行迭代训练，进而获得训练完成的门窗类型识别模型。
第二实施例
图9出示了本申请提供的矢量化户型图的建立装置的示意性结构框图，应理解，该装置与上述图1至图8中执行的方法实施例对应，能够执行第一实施例中服务器执行的方法涉及的步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。具体地，该装置包括：获取模块200，用于获取目标户型的原始户型图对应的矢量坐标图，该矢量坐标图包括目标户型的各个墙体上的多个第一开口的第一坐标；输入模块202，用于将原始户型图输入预设的门窗类型识别模型，得到原始户型图上的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型，多个第一开口与多个第二开口一一对应；建立模块204，用于根据所述多个第一开口的第一坐标、多个第二开口的第二坐标以及每一第二坐标对应的门窗类型确定所述矢量坐标图上的每一第一坐标对应的第一开口的门窗类型以建立所述目标户型的矢量化户型图。
在上述设计的矢量化户型图的建立装置中，通过将原始户型图输入预设的门窗识别模型中进行自动识别获得门窗识别模型输出的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型，通过门窗识别模型输出的结果结合获取的矢量坐标图中对应的第一开口的第一坐标进而确定矢量坐标图中每一第一坐标对应的第一开口的门窗类型进而可以建立出具有门窗类型的矢量化户型图，以此实现快速的矢量化户型图的获得为户型三维建模提供准确数据，解决了传统的矢量化户型图中的门窗数据一般都依赖于人工基于计算机辅助设计软件进行手动解析获得存在的人工成本高、效率低下的问题，提高了目标矢量化户型图中门窗类型确定的效率并且节约了人工成本。
在本实施例的可选实施方式中，确定模块206，具体用于查找与每一所述第一开口的第一坐标对应的第二开口的第二坐标；将每一查找到的第二坐标对应的门窗类型确定为对应第一开口的第一坐标对应的门窗类型。
在本实施例的可选实施方式中，所述原始户型图包括多个文字标识以及由墙体围成的多个区域范围，所述矢量坐标图还包括每段墙体的坐标以及每段墙体的类型；输入模块202，还用于将原始户型图输入预设的文字识别与定位模型，以获得原始户型图中多个文字标识以及每一文字标识对应的坐标；判断模块208，用于根据每一文字标识对应的坐标以及每段墙体的坐标判断是否存在位于多个区域范围外的文字标识；确定模块206，还用于根据每一文字标识对应的坐标以及每段墙体的坐标确定每一文字标识所在的区域范围；以及，根据每一区域范围内的文字标识确定区域范围的功能类型，根据每一功能类型以及每一功能类型对应区域范围内的第一开口所在的墙体类型确定每一区域范围中的第一开口的门窗类型；判断模块208，还用于根据每一区域范围中的第一开口的门窗类型与第一坐标对应的第一开口的门窗类型判断是否具有门窗类型不一致的第一开口；确定模块206，在判断模块208判断具有门窗类型不一致的第一开口之后，还用于将区域范围中的第一开口的门窗类型确定为对应第一开口的门窗类型。
在本实施例的可选实施方式中，删除模块210，在所述判断模块判断存在位于所述多个区域范围外的文字标识之后，将位于所述多个区域范围外的文字标识删除并在删除后执行所述根据每一文字标识对应的坐标以及每段墙体的坐标确定每一文字标识所在的区域范围的步骤。
在本实施例的可选实施方式中，获取模块200，还用于获取目标户型的原始户型图；识别模块212，用于对原始户型图进行墙体识别获取每段墙体的坐标信息；确定模块206，还用于根据每段墙体的坐标确定各个墙体上的第一开口的第一坐标；生成模块214，用于根据每段墙体的端点坐标以及各个墙体上的第一开口的第一坐标生成矢量坐标图。
在本实施例的可选实施方式中，标注模块216，用于获取多个户型图样本并对每一户型图样本进行标注，标注包括每一户型图样本中的多个第二开口的第二坐标以及每一第二开口对应的门窗类型；训练模块218，用于将标注完成的多个户型图样本输入预设的神经网络模型以对预设的神经网络模型进行训练，并在训练完成后得到门窗类型识别模型。
第三实施例
如图10所示，本申请提供一种电子设备4，包括：处理器401和存储器402，处理器401和存储器402通过通信总线403和/或其他形式的连接机构(未标出)互连并相互通讯，存储器402存储有处理器401可执行的计算机程序，当计算设备运行时，处理器401执行该计算机程序，以执行时执行第一实施例、第一实施例的任一可选的实现方式中的方法，例如步骤S100至步骤S104：获取目标户型的原始户型图对应的矢量坐标图，该矢量坐标图包括目标户型的各个墙体上的多个第一开口的第一坐标；将原始户型图输入预设的门窗类型识别模型，得到原始户型图上的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型；根据多个第一开口的第一坐标、多个第二开口的第二坐标以及每一第二坐标对应的门窗类型确定矢量坐标图上的每一第一坐标对应的第一开口的门窗类型以建立目标户型的矢量化户型图。
本申请提供一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一实施例、第一实施例的任一可选的实现方式中的方法。
其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-OnlyMemory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
本申请提供一种计算机程序产品，该计算机程序产品在计算机上运行时，使得计算机执行第一实施例、第一实施例的任一可选的实现方式中的所述方法。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是，功能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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.一种矢量化户型图的建立方法，其特征在于，包括：
获取目标户型的原始户型图对应的矢量坐标图，所述矢量坐标图包括所述目标户型的各个墙体上的多个第一开口的第一坐标；
将所述原始户型图输入预设的门窗类型识别模型，得到所述原始户型图上的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型，所述多个第一开口与所述多个第二开口一一对应；
根据所述多个第一开口的第一坐标、多个第二开口的第二坐标以及每一第二坐标对应的门窗类型确定所述矢量坐标图上的每一第一坐标对应的第一开口的门窗类型以建立所述目标户型的矢量化户型图；
所述根据所述多个第一开口的第一坐标、多个第二开口的第二坐标以及每一第二坐标对应的门窗类型确定所述矢量坐标图上的每一第一坐标对应的第一开口的门窗类型，包括：
查找与每一所述第一开口的第一坐标对应的第二开口的第二坐标；
将每一查找到的第二坐标对应的门窗类型确定为对应第一开口的第一坐标对应的门窗类型。
2.根据权利要求1所述的方法，其特征在于，所述查找与每一所述第一开口的第一坐标对应的第二开口的第二坐标，包括：
查找与每一所述第一开口的第一坐标的坐标值相同的第二开口的第二坐标。
3.根据权利要求1所述的方法，其特征在于，所述原始户型图包括多个文字标识以及由墙体围成的多个区域范围，所述矢量坐标图还包括每段墙体的坐标以及每段墙体的类型；
在所述获取目标户型的原始户型图对应的矢量坐标图之后，所述方法还包括：
将所述原始户型图输入预设的文字识别与定位模型，以获得所述原始户型图中多个文字标识以及每一文字标识对应的坐标；
根据每一文字标识对应的坐标以及每段墙体的坐标判断是否存在位于所述多个区域范围外的文字标识；
若否，则根据每一文字标识对应的坐标以及每段墙体的坐标确定每一文字标识所在的区域范围；
根据每一区域范围内的文字标识确定所述区域范围的功能类型；
根据每一所述功能类型以及每一所述功能类型对应的区域范围内的第一开口所在的墙体类型确定每一区域范围中的第一开口的门窗类型；
根据每一区域范围中的第一开口的门窗类型与第一坐标对应的第一开口的门窗类型判断是否具有门窗类型不一致的第一开口；
若是，则将区域范围中的第一开口的门窗类型确定为对应第一开口的门窗类型。
4.根据权利要求3所述的方法，其特征在于，在所述根据每一文字标识对应的坐标以及每段墙体的坐标判断是否具有位于所述多个区域范围外的文字标识之后，所述方法还包括：
若存在，则将位于所述多个区域范围外的文字标识删除，并在删除后执行所述根据每一文字标识对应的坐标以及每段墙体的坐标确定每一文字标识所在的区域范围的步骤。
5.根据权利要求1所述的方法，其特征在于，所述获取目标户型的原始户型图对应的矢量坐标图，包括：
获取所述目标户型的原始户型图；
对所述原始户型图进行墙体识别获取每段墙体的坐标信息；
根据每段墙体的坐标确定各个墙体上的第一开口的第一坐标；
根据每段墙体的端点坐标以及各个墙体上的第一开口的第一坐标生成所述矢量坐标图。
6.根据权利要求1所述的方法，其特征在于，在所述获取目标户型的原始户型图对应的矢量坐标图之前，所述方法还包括：
获取多个原始户型图样本并对每一原始户型图样本进行标注，其中，所述标注包括对每一原始户型图样本中的多个第二开口的第二坐标以及每一第二开口对应的门窗类型进行标注；
将标注完成的多个原始户型图样本输入预设的神经网络模型以对所述预设的神经网络模型进行训练，并在训练完成后得到所述门窗类型识别模型。
7.一种矢量化户型图的建立装置，其特征在于，包括：
获取模块，用于获取目标户型的原始户型图对应的矢量坐标图，所述矢量坐标图包括所述目标户型的各个墙体上的多个第一开口的第一坐标；
输入模型，用于将所述原始户型图输入预设的门窗类型识别模型，得到所述原始户型图上的多个第二开口的第二坐标以及每一第二坐标对应的门窗类型，所述多个第一开口与所述多个第二开口一一对应；
建立模块，用于根据所述多个第一开口的第一坐标、多个第二开口的第二坐标以及每一第二坐标对应的门窗类型确定所述矢量坐标图上的每一第一坐标对应的第一开口的门窗类型以建立所述目标户型的矢量化户型图；
所述建立模块，具体用于查找与每一所述第一开口的第一坐标对应的第二开口的第二坐标；将每一查找到的第二坐标对应的门窗类型确定为对应第一开口的第一坐标对应的门窗类型。
8.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010741365.5A CN111859512B (zh) | 2020-07-28 | 2020-07-28 | 一种矢量化户型图的建立方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010741365.5A CN111859512B (zh) | 2020-07-28 | 2020-07-28 | 一种矢量化户型图的建立方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111859512A CN111859512A (zh) | 2020-10-30 |
| CN111859512B true CN111859512B (zh) | 2023-05-12 |
Family
ID=72948579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010741365.5A Active CN111859512B (zh) | 2020-07-28 | 2020-07-28 | 一种矢量化户型图的建立方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111859512B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971098A (zh) * | 2014-05-19 | 2014-08-06 | 北京明兰网络科技有限公司 | 户型图中墙体的识别方法及户型图长度比例自动校正方法 |
| CN106528904A (zh) * | 2016-07-09 | 2017-03-22 | 陈志静 | 住宅户型图建筑结构智能识别及功能区自动规划设计方法 |
| CN107330979A (zh) * | 2017-06-30 | 2017-11-07 | 电子科技大学中山学院 | 建筑户型的矢量图生成方法、装置及终端 |
| CN108846175A (zh) * | 2018-05-30 | 2018-11-20 | 链家网（北京）科技有限公司 | 一种矢量户型图生成方法及装置 |
| CN109740506A (zh) * | 2018-12-29 | 2019-05-10 | 广东三维家信息科技有限公司 | 一种户型图像识别方法及装置 |
| CN110189402A (zh) * | 2019-05-22 | 2019-08-30 | 武汉尺子科技有限公司 | 一种基于ar的户型图三维展示方法、介质、设备和装置 |
| CN111008654A (zh) * | 2019-11-26 | 2020-04-14 | 江苏艾佳家居用品有限公司 | 一种户型图中房间的识别方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3506160B1 (en) * | 2017-12-28 | 2022-06-01 | Dassault Systèmes | Semantic segmentation of 2d floor plans with a pixel-wise classifier |
-
2020
- 2020-07-28 CN CN202010741365.5A patent/CN111859512B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971098A (zh) * | 2014-05-19 | 2014-08-06 | 北京明兰网络科技有限公司 | 户型图中墙体的识别方法及户型图长度比例自动校正方法 |
| CN106528904A (zh) * | 2016-07-09 | 2017-03-22 | 陈志静 | 住宅户型图建筑结构智能识别及功能区自动规划设计方法 |
| CN107330979A (zh) * | 2017-06-30 | 2017-11-07 | 电子科技大学中山学院 | 建筑户型的矢量图生成方法、装置及终端 |
| CN108846175A (zh) * | 2018-05-30 | 2018-11-20 | 链家网（北京）科技有限公司 | 一种矢量户型图生成方法及装置 |
| CN109740506A (zh) * | 2018-12-29 | 2019-05-10 | 广东三维家信息科技有限公司 | 一种户型图像识别方法及装置 |
| CN110189402A (zh) * | 2019-05-22 | 2019-08-30 | 武汉尺子科技有限公司 | 一种基于ar的户型图三维展示方法、介质、设备和装置 |
| CN111008654A (zh) * | 2019-11-26 | 2020-04-14 | 江苏艾佳家居用品有限公司 | 一种户型图中房间的识别方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 3D Model Generation from Freehand Drawings;Pedro Rossa 等;Proceedings of XV Brazilian Symposium on Computer Games and Digital Entertainment;第226-229页 * |
| 基于形状与边缘特征的户型图识别研究;江州;中国优秀硕士学位论文全文数据库 信息科技辑(第02期);第I138-1783页 * |
| 基于结构构件识别的户型图三维重建算法研究;朱俊芳;中国优秀硕士学位论文全文数据库 信息科技辑(第03期);第I138-639页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111859512A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416198B (zh) | 人机识别模型的建立装置、方法及计算机可读存储介质 | |
| CN110020433B (zh) | 一种基于企业关联关系的工商高管人名消歧方法 | |
| CN104461892B (zh) | 自定义控件获取方法和装置 | |
| CN111340954B (zh) | 户型墙体绘制方法及其模型训练的方法、装置 | |
| CN109840376B (zh) | 户型图的读取方法，装置以及存储介质 | |
| CN111814828B (zh) | 智能空间规划方法、装置、设备及存储介质 | |
| CN113469000A (zh) | 区域地图的处理方法及装置、存储介质及电子装置 | |
| CN111783561A (zh) | 审图结果修正方法、电子设备及相关产品 | |
| CN110826121B (zh) | 一种自动定位户型走廊和玄关的方法及系统 | |
| CN113312969A (zh) | 一种基于三维视觉的零部件识别与定位方法、系统 | |
| CN112818314A (zh) | 一种设备检测方法、装置、设备及存储介质 | |
| CN110866205A (zh) | 用于存储信息的方法和装置 | |
| CN108992033B (zh) | 一种视觉测试的评分装置、设备和存储介质 | |
| CN108133116B (zh) | Cad户型图墙厚自动识别方法及系统 | |
| CN111859512B (zh) | 一种矢量化户型图的建立方法、装置和电子设备 | |
| CN112486384B (zh) | 审图处理方法及相关装置 | |
| CN113780190A (zh) | 空间轮廓识别及空间检测模型构建方法、设备及存储介质 | |
| CN112417687A (zh) | 智能审图方法及相关装置 | |
| CN115618468B (zh) | 基于Revit的门窗大样图快速出图方法、存储介质及设备 | |
| CN114386156B (zh) | 基于bim的隐蔽构件显示方法、装置、设备及可读存储介质 | |
| CN114445845A (zh) | 图纸中构件的识别方法、装置、电子设备和存储介质 | |
| CN114820940A (zh) | 园区模型构建方法及装置、电子设备和存储介质 | |
| CN112801435B (zh) | 变电站防火校验方法和装置、设备及存储介质 | |
| CN108874360B (zh) | 全景内容定位方法和装置 | |
| CN113591922A (zh) | 一种行为识别方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240119 Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Guangzhou Dayu Chuangfu Technology Co.,Ltd. Address before: 528400, Xueyuan Road, 1, Shiqi District, Guangdong, Zhongshan Patentee before: University OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA, ZHONGSHAN INSTITUTE |