CN111984813A - 一种建筑图纸中的图元匹配方法和装置 - Google Patents
一种建筑图纸中的图元匹配方法和装置 Download PDFInfo
- Publication number
- CN111984813A CN111984813A CN202010797093.0A CN202010797093A CN111984813A CN 111984813 A CN111984813 A CN 111984813A CN 202010797093 A CN202010797093 A CN 202010797093A CN 111984813 A CN111984813 A CN 111984813A
- Authority
- CN
- China
- Prior art keywords
- primitive
- matching
- primitives
- characteristic
- feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 238000012549 training Methods 0.000 description 14
- 239000013598 vector Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 101100063942 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) dot-1 gene Proteins 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种建筑图纸中的图元匹配方法和装置,所述方法包括以下步骤:获取第一集合中任意的第一图元和第二集合中任意的第二图元;计算所述第一图元和所述第二图元之间的多个特征值,所述特征值表征所述第一图元和所述第二图元基于相同因素的相似度;将所述多个特征值输入匹配模型,确定所述第一图元和所述第二图元之间的匹配度;根据所述匹配度,确定所述第一集合和所述第二集合中匹配度最高的第一目标图元和第二目标图元。本发明提高了两组图元的匹配准确性和匹配效率。
Description
技术领域
本发明涉及建筑工程领域,具体涉及一种建筑图纸中的图元匹配方法和装置。
背景技术
在工程算量软件中识别包含多个图元的建筑图纸时,经常会涉及到图元匹配的问题,例如将截面内外的对应图元相互匹配。实际处理过程中,由于两侧的图元之间容易出现偏移或交错,因此并不能严格的通过位置对应关系将截面内外的图元一一对应。
现有技术中解决两组图元匹配问题的方法包括两步,首先确定图元的类型(例如箍筋或拉筋);其次采取一种贪心策略,拿到一组图元中的某一个图元Hoop1,在另一组图元里遍历,找到与该图元形状相似,长边方向接近且在该组图元中相对位置最接近的一个图元。匹配好两个图元之后,再按相同的方法去找下一组匹配度最大的图元。
一方面,上述方法在计算两个图元的匹配度上,仅仅使用了图元的方向、位置矢量、形状三个特征,且匹配度计算公式的权重凭人的经验给出,没有足够的数据做支撑。另一方面,采用贪心策略基于单个图元进行匹配,没有考虑全局最优化,容易出现匹配错误的情况。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的上述缺陷,从而提供一种准确度更高、效率更快的图元匹配方案。
为此,根据本发明第一方面,提供一种建筑图纸中的图元匹配方法,包括以下步骤:
获取第一集合中任意的第一图元和第二集合中任意的第二图元;
计算所述第一图元和所述第二图元之间的多个特征值,所述特征值表征所述第一图元和所述第二图元基于相同因素的相似度;
将所述多个特征值输入匹配模型,确定所述第一图元和所述第二图元之间的匹配度;
根据所述匹配度,确定所述第一集合和所述第二集合中匹配度最高的第一目标图元和第二目标图元。
示例性地,所述第一特征值和所述第二特征值包括以下一种或多种:业务属性特征、引线连接特征、边数特征、最长边方向特征、长短边比值特征、面积占比特征、位置特征和周边元素个数特征。
示例性地,所述业务属性特征用于表征两个图元在类型或规格方面的一致性,所述引线连接特征用于表征两个箍筋之间是否有引线连接,所述边数特征用于表征两个箍筋的边的数量是否相等,所述最长边方向特征用于表征两个箍筋的最长边的方向是否相等,所述长短边比值特征用于表征两个箍筋中每个箍筋的最长边和最短边的比值之间的相似度,所述面积占比特征用于表征两个箍筋的面积占比之间的相似度,所述位置特征用于表征两个箍筋之间的位置相似度,所述周边元素个数特征用于表征第一图元在上、下、左、右方向的元素与第二图元在上、下、左、右方向的元素是否相同。
示例性地,所述匹配模型通过以下方法训练得到:
构造所述匹配模型的函数表达式;
获取样本数据,所述样本数据包括任意两个图元的特征值,以及所述任意两个图元之间的匹配度;
将所述任意两个图元之间的特征值作为输入数据,将所述任意两个图元之间的匹配度作为输出数据训练所述匹配模型,确定所述函数表达式中的权重参数;其中,所述权重参数是采用逻辑回归方法,通过梯度下降计算得到的。
示例性地,所述根据所述匹配度,确定所述第一集合和所述第二集合中匹配度最高的第一图元和第二图元的步骤包括:
利用最大权二分图算法计算所述第一特征值和所述第二特征值的匹配度之和的最大值;
将所述匹配度之和的最大值对应的第一图元和第二图元作为所述第一目标图元和所述第二目标图元。
示例性地,所述利用最大权二分图算法计算所述第一特征值和所述第二特征值的匹配度之和的最大值的步骤包括:
对所述第一集合中任意的第一图元和所述第二集合中任意的第二图元的标识进行初始化;
通过匈牙利算法寻找所述第一图元和所述第二图元的完备匹配;
若未寻找到完备匹配,则修改所述第一图元和所述第二图元的标识,重复通过匈牙利算法寻找所述第一图元和所述第二图元的完备匹配的步骤,直至寻找到所述第一图元和所述第二图元的所有完备匹配。
示例性地,当所述第一集合中的第一图元的数量大于所述第二集合中的第二图元的数量时,在所述第二集合中构造虚拟图元,以使所述第一图元和所述第二图元的数量相等;其中所述第一图元与所述虚拟图元之间的匹配度设为0。
根据本发明第二方面,提供了一种建筑图纸中的图元匹配装置,包括:
图元获取单元,适用于获取第一集合中任意的第一图元和第二集合中任意的第二图元;
特征值计算单元,适用于计算所述第一图元和所述第二图元之间的多个特征值,所述特征值表征所述第一图元和所述第二图元基于相同因素的相似度;
匹配模型单元,适用于将所述多个特征值输入匹配模型,确定所述第一图元和所述第二图元之间的匹配度;
目标确定单元,适用于根据所述匹配度,确定所述第一集合和所述第二集合中匹配度最高的第一目标图元和第二目标图元。
根据本发明第三方面,提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
根据本发明第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过建筑结构图纸中的图元匹配问题深入研究,综合设计了机器学习算法与最大权二分图算法结合的方法,提高了两组图元匹配的准确性和效率。
(2)本发明定义并选择了一系列对图元匹配有重要影响的特征,通过标注大量图元样本,使用逻辑回归训练,得到任意两个图元的匹配模型。
(3)本发明将两组图元匹配的问题抽象建模成最大权二分图匹配的问题,通过虚拟图元的方式使两组图元数量相等,再利用最大权二分图算法得到了全局最优的匹配结果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体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,下面描述中的附图是本发明的一些实施方式,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的附图。
图1示出本发明实施例1中图元匹配方法的一个具体示例的流程图;
图2示出了两个图元之间存在引线连接的示意图;
图3示出了两个图元最长边的方向向量的示意图;
图4示出了确定两个图元的位置的示意图;
图5示出了确定两个图元的周边元素个数的示意图;
图6示出了根据本发明实施例1训练匹配模型的示意性流程图;
图7示出了根据本发明实施例1构造虚拟图元的示意图;
图8示出了根据本发明实施例2中图元匹配装置的一个具体示例的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种建筑图纸中的图元匹配方法,如图1所示,包括以下步骤:
S100:获取第一集合中任意的第一图元和第二集合中任意的第二图元。
以CAD建筑结构图纸中的一个柱大样为例,可以理解,其中的钢筋线按业务含义可以分为墙拉筋、柱截面内图元和截面外的图元拆分图。本实施例中的第一集合和第二集合,分别对应于柱截面内的图元集合和截面外的图元拆分图中的图元集合。其中第一图元可以为柱截面内的任意一条箍筋,第二图元可以为图元拆分图中的任意一条箍筋。本实施例的目的在于实现第一集合内的图元和第二集合内的图元的优化匹配。
S200:计算所述第一图元和所述第二图元之间的多个特征值,所述特征值表征所述第一图元和所述第二图元基于相同因素的相似度。
本实施例中的特征值是指第一图元和第二图元之间基于相同因素的相似度。可以理解,一个图元可以从多个方面进行衡量,例如长度、面积、方向等因素,基于每个因素的相似度各不相同。例如长2m、直径为5cm钢筋和长2m、直径为50cm的钢筋,从长度因素来看,两者的相似度为100%,而从截面积因素来看,两者的相似度极低。
本步骤基于多种因素计算第一图元和第二图元之间的特征值,有利于多方位对两个图元之间地相似情况进行考虑,避免由于衡量因素较少而造成匹配不准确的问题。
S300:将所述多个特征值输入匹配模型,确定所述第一图元和所述第二图元之间的匹配度。
本步骤中,通过输入表征基于相同因素相似度的多个特征值,最终可以输出第一图元和第二图元之间的综合相似度。本实施例中的匹配模型是使用逻辑回归的方法训练得到的。该匹配模型的输入为两个图元之间的多个特征值,输出为0~1的连续值,其中输出值越大表示两个图元的匹配度越高。匹配模型通过训练,确定了每个特征值所占的权重参数,从而可以根据不同输入的特征值输出不同的综合相似度值。通过从图纸中抽取样本数据作为训练集,可以训练得到图元的匹配模型。匹配模型的具体训练方法会在后文中详细描述。
S400:根据所述匹配度,确定所述第一集合和所述第二集合中匹配度最高的第一目标图元和第二目标图元。
本步骤中利用最大权二分图匹配算法,实现第一集合和第二集合内的图元两两组合,且整体匹配度最优。在本示例中,第一目标图元和第二目标图元为相互匹配的图元。
S500:将所述匹配度最高的第一目标图元和第二目标图元进行匹配。
通过上述步骤,本实施例可以得到两组图元之间的最优匹配结果,可以提高图元匹配的效率和准确度。
示例性地,上述第一特征值和第二特征值可以包括以下任意几项:业务属性特征、引线连接特征、边数特征、最长边方向特征、长短边比值特征、面积占比特征、位置特征和周边元素个数特征。以下逐一说明。
业务属性特征用于衡量两个图元在类型、规格等方面的一致性。比如两个图元是否同为拉筋,或者一个是拉筋一个是箍筋,两个图元是否具有同样的直径规格等。可以理解,当两个图元在类型、规格方面完全一致性时,对应的业务属性特征为1,当两个图元在类型、规格方面完全不一致性时,对应的业务属性特征为0。
引线连接特征用于表征两个图元之间是否有引线连接,当有引线连接时,特征值为1,否则为0。图2示出了两个图元之间存在引线连接的示意图。如图2所示,图元φ14@100与图元28φ18之间存在一条引线,因此图2的示例中引线连接特征的特征值为1。
边数特征用于表征两个图元的边的数量是否相等。当两个图元的边数相等时,对应的特征值为1,否则为0。例如两个图元都是四边形箍,则该特征值为1;若一个图元为四边形箍,一个为拉筋(表现为一条钢筋线),则该特征值为0。
最长边方向特征用于表征两个图元的最长边的方向是否相等。如图3所示,两个图元最长边的方向向量分别为p1和p2,将p1和p2两个矢量单位化之后计算点积并取其绝对值,即得到最长边方向特征对应的特征值。
长短边比值特征用于表征两个图元中每个图元的最长边和最短边的比值之间的相似度。例如第一图元中最长边和最短边的比值为val1,第二图元中最长边和最短边的比值为val2,那么用其中的较小值除以较大值,即min(val1,val2)/max(val1,val2)便是长短边比值特征对应的特征值。
面积占比特征用于表征两个图元的面积占比之间的相似度。例如,第一图元在第一集合中的面积占比为ratio1,第二图元在第二集合中的面积占比为ratio2,那么用其中的较小值除以较大值,即min(ratio1,ratio2)/max(ratio1,ratio2)便是面积占比特征对应的特征值。
位置特征用于表征两个图元之间的位置相似度。图4示出了确定两个图元的位置的示意图。如图4所示,包括左上角的2C18[2]和右下角的C8@100[3]两个图元,分别构造两个箍紧环组合的外包围盒(如矩形框所示),再以包围盒的左下角点为原点,建立矢量坐标系。图4中所示的矢量a和矢量b分为两个图元的方向矢量,将单位化的矢量a、b做点积,得到的是一个位于区间[0,1]的值dot_1。当点积越趋近于1,表示两个图元在两个局部坐标系中的位置分布是相似的,匹配度越高。接下来计算从矩形框右下角为原点出发的矢量点积dot_2。一左一右两个矢量构成的矢量坐标系定位了图元在图元组合中的相对位置。将两个数值点积dot_1,dot_2相乘,得到的值即为位置特征对应的特征值。
周边元素个数特征用于表征在第一图元在上、下、左、右方向的元素与第二图元在上、下、左、右方向的元素是否相同。图5示出了两个图元的周边元素个数的示意图。如图5所示,假设第一图元为A,第二图元为B,当选择方向为上方时,周边元素个数指的是位于A点上方的元素个数和位于B点上方的元素个数是否相同。具体的,假设元素A上方的元素数量为n1个,元素B上方的元素数量为n2个,则该特征取值为min(n1,n2)/max(n1,n2)。若max(n1,n2)=0,则该特征取值为1。在图5的示例中,位于A点上方的元素个数为2个,位于B点上方的元素个数为3个,相应的,周边元素个数特征=2/3=0.667。
通过计算上述各个特征值,可以基于多个因素从多种方面衡量两个图元之间的相似度,从而保证图元匹配更加全面准确。
图6示出了根据本发明实施例1训练匹配模型的示意性流程图。如图5所示,本实施例中的匹配模型通过以下方法训练得到:
S610:构造所述匹配模型的函数表达式。
可以通过线性函数或者非线性函数来构造匹配模型的表达式。本示例中,匹配模型f(A1,A2)可以通过下式表示:
f(A1,A2)=Σiωixi
上式中A1、A2分别表示第一图元和第二图元,xi表示对应的特征值,ωi为权重参数。
S620:获取样本数据,所述样本数据包括任意两个图元的特征值,以及所述任意两个图元之间的匹配度。
本示例中的样本数据包括任意两个图元的一组特征值。对来自两组内的图元任意组合,两个图元计算得到一条样本数据x=[x0,x1,x2,…],其中xi表示两个图元之间的特征值。
计算出的所有样本数据用矩阵表示,如以上矩阵X所示,其中每一行对应于任意两个图元之间的样本数据。
进一步,使用人工标注的方法对样本数据做标注以作为两个图元之间的匹配度。例如,如果两个图元完全匹配,则标注为1,否则标注为0。
S630:用所述样本数据训练所述匹配模型,确定所述函数表达式中的权重参数。
可以使用经典的逻辑回归方法,通过训练数据进行梯度下降的优化,计算得到匹配度计算方程中的权重值。这里选用sigmoid作为激活函数,损失函数使用极大似然估计求得。本领域技术人员可以理解,上述逻辑回归方法和梯度下降优化算法仅仅时作为举例,而不是对于本发明的限制。任何现有的用于训练数学模型的算法都在本发明的保护范围之内。
经过以上训练过程,可以得到任意两个图元的匹配度计算式。本实施例只需计算出两个图元环的特征值,代入匹配模型,即可确定两个图元之间的匹配度。
示例性地,本实施例中根据所述匹配度,确定所述第一集合和所述第二集合中匹配度最高的第一图元和第二图元的步骤包括:
计算所述第一特征值和对应的所述第二特征值的匹配度之和的最大值;
将与所述最大值对应的第一图元和第二图元作为所述第一目标图元和所述第二目标图元。
假设本实施例中的第一集合和第二集合分别为A和B,A={a0,a1,a3,a4…},B={b0,b1,b2,b3…},两个集合中元素的数量分别为n,m,n>=m。其中ai表示第一集合中的第一图元,bj表示第二集合中的第二图元。且有
cij=f(ai,bj)
其中cij表示分别来自两个集合中的两个图元之间的匹配度(该结果使用训练好的匹配度计算模型计算得到)。求解该匹配问题,等效于求解以下目标函数:
可以参考最大权二分图算法的实现来求解以上目标函数的最优解,以确定最佳图元匹配结果。最大权二分图算法的算法流程如下:
对所述第一集合中任意的第一图元和所述第二集合中任意的第二图元的标识进行初始化;
通过匈牙利算法寻找所述第一图元和所述第二图元的完备匹配;
若未寻找到完备匹配,则修改所述第一图元和所述第二图元的标识,重复通过匈牙利算法寻找所述第一图元和所述第二图元的完备匹配的步骤,直至寻找到所述第一图元和所述第二图元的所有完备匹配。
示例性地,在求第一集合和第二集合之间的最佳匹配时,可能出现其中一组图元集合的数量大于另一组图元集合的情况。此时可以先构造一些虚拟的图元,使得两组图元的图元数量相同,如图7所示。其中虚拟图元与其他图元的匹配度可以记为0。这时可以继续应用最大权二分图匹配算法,最终仅保留非虚拟图元的匹配结果。
综上所述,本发明通过将机器学习算法与最大权二分图算法结合,有效提高了建筑图纸中的图元匹配问题的准确性和效率。本发明定义并选择了一系列对图元匹配有重要影响的特征,对大量图元样本进行标注,使用逻辑回归训练得到任意两个图元的匹配模型。进一步,将两组图元匹配的问题抽象建模成最大权二分图匹配的问题,通过虚拟图元的方式使两组图元数量相等,最终利用最大权二分图算法得到了全局最优的匹配结果。
实施例2
本施例提供一种建筑图纸中的图元匹配装置800,如图8所示,包括:
图元获取单元810,适用于获取第一集合中任意的第一图元和第二集合中任意的第二图元;
特征值计算单元820,适用于计算所述第一图元和所述第二图元之间的多个特征值,所述特征值表征所述第一图元和所述第二图元基于相同因素的相似度;
匹配模型单元830,适用于将所述多个特征值输入匹配模型,确定所述第一图元和所述第二图元之间的匹配度;
目标确定单元840,适用于根据所述匹配度,确定所述第一集合和所述第二集合中匹配度最高的第一目标图元和第二目标图元;
匹配单元850,适用于将所述匹配度最高的第一目标图元和第二目标图元进行匹配。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种建筑图纸中的图元匹配方法,其特征在于,包括以下步骤:
获取第一集合中任意的第一图元和第二集合中任意的第二图元;
计算所述第一图元和所述第二图元之间的多个特征值,所述特征值表征所述第一图元和所述第二图元基于相同因素的相似度;
将所述多个特征值输入匹配模型,确定所述第一图元和所述第二图元之间的匹配度;
根据所述匹配度,确定所述第一集合和所述第二集合中匹配度最高的第一目标图元和第二目标图元。
2.根据权利要求1所述的图元匹配方法,其特征在于,所述多个特征值包括以下一种或多种:业务属性特征、引线连接特征、边数特征、最长边方向特征、长短边比值特征、面积占比特征、位置特征和周边元素个数特征。
3.根据权利要求2所述的图元匹配方法,其特征在于,所述业务属性特征用于表征两个图元在类型或规格方面的一致性,所述引线连接特征用于表征两个箍筋之间是否有引线连接,所述边数特征用于表征两个箍筋的边的数量是否相等,所述最长边方向特征用于表征两个箍筋的最长边的方向是否相等,所述长短边比值特征用于表征两个箍筋中每个箍筋的最长边和最短边的比值之间的相似度,所述面积占比特征用于表征两个箍筋的面积占比之间的相似度,所述位置特征用于表征两个箍筋之间的位置相似度,所述周边元素个数特征用于表征第一图元在上、下、左、右方向的元素与第二图元在上、下、左、右方向的元素是否相同。
4.根据权利要求2所述的图元匹配方法,其特征在于,所述匹配模型通过以下方法训练得到:
构造所述匹配模型的函数表达式;
获取样本数据,所述样本数据包括任意两个图元之间的特征值,以及所述任意两个图元之间的匹配度;
将所述任意两个图元之间的特征值作为输入数据,将所述任意两个图元之间的匹配度作为输出数据训练所述匹配模型,确定所述函数表达式中的权重参数;其中,所述权重参数是采用逻辑回归方法,通过梯度下降计算得到的。
5.根据权利要求1所述的图元匹配方法,其特征在于,所述根据所述匹配度,确定所述第一集合和所述第二集合中匹配度最高的第一图元和第二图元的步骤包括:
利用最大权二分图算法计算所述多个特征值的匹配度之和的最大值;
将与所述最大值对应的第一图元和第二图元作为所述第一目标图元和所述第二目标图元。
6.根据权利要求5所述的图元匹配方法,其特征在于,所述利用最大权二分图算法计算所述多个特征值的匹配度之和的最大值的步骤包括:
对所述第一集合中任意的第一图元和所述第二集合中任意的第二图元的标识进行初始化;
通过匈牙利算法寻找所述第一图元和所述第二图元的完备匹配;
若未寻找到完备匹配,则修改所述第一图元和所述第二图元的标识,重复通过匈牙利算法寻找所述第一图元和所述第二图元的完备匹配的步骤,直至寻找到所述第一图元和所述第二图元的所有完备匹配。
7.根据权利要求6所述的图元匹配方法,其特征在于,当所述第一集合中的第一图元的数量大于所述第二集合中的第二图元的数量时,在所述第二集合中构造虚拟图元,以使所述第一图元和所述第二图元的数量相等;其中所述第一图元与所述虚拟图元之间的匹配度设为0。
8.一种建筑图纸中的图元匹配装置,其特征在于,包括:
图元获取单元,适用于获取第一集合中任意的第一图元和第二集合中任意的第二图元;
特征值计算单元,适用于计算所述第一图元和所述第二图元之间的多个特征值,所述特征值表征所述第一图元和所述第二图元基于相同因素的相似度;
匹配模型单元,适用于将所述多个特征值输入匹配模型,确定所述第一图元和所述第二图元之间的匹配度;
目标确定单元,适用于根据所述匹配度,确定所述第一集合和所述第二集合中匹配度最高的第一目标图元和第二目标图元。
9.一种计算机设备,包括存储器、处理器以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权利要求1至7任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797093.0A CN111984813B (zh) | 2020-08-10 | 2020-08-10 | 一种建筑图纸中的图元匹配方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797093.0A CN111984813B (zh) | 2020-08-10 | 2020-08-10 | 一种建筑图纸中的图元匹配方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111984813A true CN111984813A (zh) | 2020-11-24 |
CN111984813B CN111984813B (zh) | 2024-02-20 |
Family
ID=73445355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010797093.0A Active CN111984813B (zh) | 2020-08-10 | 2020-08-10 | 一种建筑图纸中的图元匹配方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111984813B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090051698A1 (en) * | 2007-08-22 | 2009-02-26 | Boose Molly L | Method and apparatus for identifying differences in vector graphic files |
CN103605970A (zh) * | 2013-12-02 | 2014-02-26 | 华中师范大学 | 一种基于机器学习的图纸建筑元素识别方法及系统 |
US20150317765A1 (en) * | 2014-04-30 | 2015-11-05 | Lucasfilm Entertainment Company, Ltd. | Deep image data compression |
CN105335444A (zh) * | 2014-08-13 | 2016-02-17 | 北京大学 | 一种图形的构建方法及匹配方法以及系统 |
CN111222186A (zh) * | 2020-01-03 | 2020-06-02 | 湖南特能博世科技有限公司 | 图元识别的方法、装置及服务器 |
-
2020
- 2020-08-10 CN CN202010797093.0A patent/CN111984813B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090051698A1 (en) * | 2007-08-22 | 2009-02-26 | Boose Molly L | Method and apparatus for identifying differences in vector graphic files |
CN103605970A (zh) * | 2013-12-02 | 2014-02-26 | 华中师范大学 | 一种基于机器学习的图纸建筑元素识别方法及系统 |
US20150317765A1 (en) * | 2014-04-30 | 2015-11-05 | Lucasfilm Entertainment Company, Ltd. | Deep image data compression |
CN105335444A (zh) * | 2014-08-13 | 2016-02-17 | 北京大学 | 一种图形的构建方法及匹配方法以及系统 |
CN111222186A (zh) * | 2020-01-03 | 2020-06-02 | 湖南特能博世科技有限公司 | 图元识别的方法、装置及服务器 |
Non-Patent Citations (3)
Title |
---|
罗志伟, 颜巍, 蔡士杰: "截面表示法柱平面图的自动识别方法", 计算机应用研究, no. 08 * |
胡延平, 马德成, 何鸿鹏, 欧宗瑛: "基于模型重建技术的图形匹配原理与方法", 大连理工大学学报, no. 02 * |
胡延平, 马德成, 何鸿鹏, 欧宗瑛: "基于模型重建技术的图形匹配原理与方法", 大连理工大学学报, no. 02, 10 April 2005 (2005-04-10) * |
Also Published As
Publication number | Publication date |
---|---|
CN111984813B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112559784B (zh) | 基于增量学习的图像分类方法及系统 | |
JP7442059B2 (ja) | 構造情報表示装置、構造設計支援装置、及び構造設計支援モデル学習装置 | |
US20210287138A1 (en) | Learning to simulate and design for structural engineering | |
CN111984814B (zh) | 一种建筑图纸中的箍筋匹配方法和装置 | |
JP7353946B2 (ja) | アノテーション装置および方法 | |
CN111340054A (zh) | 数据标注方法、装置及数据处理设备 | |
CN107728585A (zh) | 生产线平衡装置、生产线平衡方法和计算机可读记录介质 | |
CN111523422A (zh) | 一种关键点检测模型训练方法、关键点检测方法和装置 | |
CN113190893B (zh) | 构件的钢筋属性的确定方法及相关装置 | |
CN111881868B (zh) | 一种图层自动化识别方法及装置 | |
CN114202123A (zh) | 业务数据预测方法、装置、电子设备及存储介质 | |
CN111984813A (zh) | 一种建筑图纸中的图元匹配方法和装置 | |
CN114398059A (zh) | 参数的更新方法、装置、设备以及存储介质 | |
US20240086424A1 (en) | Information processing system, information processing method, and computer program | |
US20230342715A1 (en) | Placement location obtaining method, model training method, and related device | |
CN113269717A (zh) | 基于遥感图像的建筑物检测方法及装置 | |
CN111753763A (zh) | 识别建筑图纸表格内容的方法、装置和计算机设备 | |
CN115936568A (zh) | 动态车辆配送任务的路径规划方法、电子设备和存储介质 | |
CN109872225A (zh) | 分单方法及装置 | |
EP2357603A1 (en) | Evolutionary design optimization of real world structures with adaptive manipulation of nonlinear constraints | |
CN114677183A (zh) | 一种新品销量预测方法、装置、计算机设备及存储介质 | |
JP2004287478A (ja) | 商品の予測需要量を算出する方法と装置とそのためのプログラム | |
JP7477086B2 (ja) | 設計支援装置 | |
JP7231036B2 (ja) | メッシュ構造設備検出装置、メッシュ構造設備検出方法、及びプログラム | |
US11810003B2 (en) | Learning tree output node selection using a measure of node reliability |
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 |