CN112215943A - 一种基于轴侧图的三维模型自动重建方法 - Google Patents
一种基于轴侧图的三维模型自动重建方法 Download PDFInfo
- Publication number
- CN112215943A CN112215943A CN202010992067.3A CN202010992067A CN112215943A CN 112215943 A CN112215943 A CN 112215943A CN 202010992067 A CN202010992067 A CN 202010992067A CN 112215943 A CN112215943 A CN 112215943A
- Authority
- CN
- China
- Prior art keywords
- information
- matching
- extracted
- pipeline
- dimensional model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于轴侧图的三维模型自动重建方法，该方法包括以下步骤：利用深度学习和图像处理技术提取轴侧图信息；根据提取的轴测图图面信息进行匹配关联；依据匹配关系信息建立三维模型空间。通过该方法，提供了一种基于轴侧图的三维模型自动重建技术，自动化提取了图纸信息并进行自动化匹配，完成了三维模型建立，在石油化工、核电等流程工业创造更高的经济价值。
Description
技术领域
本发明涉及三维模型技术领域，具体来说，涉及一种基于轴侧图的三维模型自动重建方法。
背景技术
在石油化工、核电等流程工业，工业管道数量众多、分布复杂，自动重建工业管道三维模型具有极高的经济价值。轴侧图（也称 ISO 图）是工业管道设计图纸，图面上描述了管道的位置、走向、材料规格等信息。不同于常见的机械制图方法，ISO 图采用了无比例图纸、符号化图例等方式加强图面的可读性，因此需要综合制图规范、OCR、深度学习等多项技术才能实现自动重建。
发明内容
针对相关技术中的上述技术问题，本发明提出一种基于轴侧图的三维模型自动重建方法，能够克服现有技术的上述不足。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种基于轴侧图的三维模型自动重建方法，该方法包括以下步骤：
S1：利用深度学习和图像处理技术提取轴侧图信息，其中，提取的轴侧图信息包括管件位置信息、管线位置及走向信息、尺寸及其他标注信息、材料表信息；
S2：根据提取的轴测图图面信息进行匹配关联；
所述步骤S2包括以下步骤：
S21：将提取的管件位置与管件编号进行匹配；
S22：将提取的管线号与管线位置走向进行匹配；
S23：将提取的标注内容与标注位置进行匹配；
S24：将标注内容与材料表进行匹配；
S25：将标注内容与管件、管线进行匹配；
S3：依据匹配关系信息建立三维模型空间；
所述步骤S3包括以下步骤：
S31：根据材料表与管件、管线匹配的关系，在设计软件等级库中自动匹配对应的管件和管线等级信息；
S32：利用管件、管线的尺寸标注、标高标注等三维空间信息插入到三维设计软件中，完成三维空间模型建立。
进一步的，所述步骤S1中，利用深度学习和图像处理技术提取CAD图纸轴测图图面信息包括利用Faster R-CNN提取的管件位置信息、利用Pixel link和Attention OCR提取的标注位置及内容信息管件编号、管线号及标注内容、利用LSD图像处理技术提取的标注位置、管线位置及走向信息、利用Attention OCR提取的材料表信息。
本发明的有益效果：通过该方法，提供了一种基于轴侧图的三维模型自动重建技术，自动化提取了图纸信息并进行自动化匹配，完成了三维模型建立，在石油化工、核电等流程工业创造更高的经济价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，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是根据本发明实施例的三维模型空间建立流程图；
图2是根据本发明实施例的信息融合匹配流程图；
图3是根据本发明实施例的构建三维模型流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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所获得的所有其他实施例，都属于本发明保护的范围。
如图1-3所示，根据本发明实施例所述的一种基于轴侧图的三维模型自动重建方法，该方法包括以下步骤：
S1：利用深度学习和图像处理技术提取轴侧图信息，其中，提取的轴侧图信息包括管件位置信息、管线位置及走向信息、尺寸及其他标注信息、材料表信息；
S2：根据提取的轴测图图面信息进行匹配关联；
步骤S2包括以下步骤：
S21：将提取的管件位置与管件编号进行匹配；
S22：将提取的管线号与管线位置走向进行匹配；
S23：将提取的标注内容与标注位置进行匹配；
S24：将标注内容与材料表进行匹配；
S25：将标注内容与管件、管线进行匹配；
S3：依据匹配关系信息建立三维模型空间；
步骤S3包括以下步骤：
S31：根据材料表与管件、管线匹配的关系，在设计软件等级库中自动匹配对应的管件和管线等级信息；
S32：利用管件、管线的尺寸标注、标高标注等三维空间信息插入到三维设计软件中，完成三维空间模型建立。
在本发明一个具体的实施例中，所述步骤S1中，利用深度学习和图像处理技术提取CAD图纸轴测图图面信息包括利用Faster R-CNN提取的管件位置信息、利用Pixel link和Attention OCR提取的标注位置及内容信息管件编号、管线号及标注内容、利用LSD图像处理技术提取的标注位置、管线位置及走向信息、利用Attention OCR提取的材料表信息。
对本发明进一步详细阐述：
步骤一：构建轴侧图图纸数据集：
1.收集一定数量的轴侧图图纸，扫描图纸成像，DPI200或以上；并将图像调整为灰度图，设置高度为6736像素按比例调整宽度
2.对图纸中的管线、管件、标注和材料表进行标注；
3.将轴侧图图纸分为训练集和测试集两部分；
步骤二：信息提取：
1.将训练集全部信息随机打乱；
2.构建识别管件的Faster R-CNN神经网络；
3.利用Faster R-CNN卷积神经网络训练训练集，生成可以识别管件位置信息的网络模型；
4.构建识别标注和材料表的Pixel Link和Attention OCR网络；
5.利用Pixel Link网络训练训练集，利用Attention OCR网络训练训练集，生成可以定位识别管件编号、管线号、标注内容的网络模型；
6.利用Pixel Link网络训练训练集，利用Attention OCR网络训练训练集，生成可以识别材料表内容的网络模型；
步骤三：获取轴侧图各种信息：
1.将测试集图像调整DPI200或以上，并将图像调整为灰度图，设置高度为6736像素按比例调整宽度；
2.将测试集图纸作为输入传递给识别管件的Faster R-CNN网络模型，识别出测试集内管件位置信息和类型；
3.将测试集图纸作为输入传递给识别管件编号、管线号、标注内容的Pixel Link和Attention OCR网络模型，识别出测试集内的管件编号、管线号、标注内容位置信息和内容；
4.将测试集图纸作为输入传递给识别材料表内容的Pixel Link和Attention OCR网络模型，识别出测试集内的材料表内容位置信息和内容；
步骤四：信息融合匹配：
1.利用制图规范分析管件编号与管件位置之间的关系；
2.利用制图规范分析管线号与管线位置之间的关系；
3.利用制图规范分析管件、管线和标注之间的关系；
4.利用制图规范分析材料表与标注之间的关系；
5.利用制图规范分析标注与管件、管线之间的关系；
步骤五：三维模型空间建立：
1.得到匹配之后的管件、管线与材料表信息；
2.在软件等级库中自动匹配对应规格的管件、管线等级信息；
3.将相对应的管件和管线插入到三维设计软件的模型空间；
4.基于轴侧图的三维模型空间建立完成。
综上所述，借助于本发明的上述技术方案，通过该方法，提供了一种基于轴侧图的三维模型自动重建技术，自动化提取了图纸信息并进行自动化匹配，完成了三维模型建立，在石油化工、核电等流程工业创造更高的经济价值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于轴侧图的三维模型自动重建方法，其特征在于，包括以下步骤：
S1：利用深度学习和图像处理技术提取轴侧图信息，其中，提取的轴侧图信息包括管件位置信息、管线位置及走向信息、尺寸及其他标注信息、材料表信息；
S2：根据提取的轴测图图面信息进行匹配关联；
所述步骤S2包括以下步骤：
S21：将提取的管件位置与管件编号进行匹配；
S22：将提取的管线号与管线位置走向进行匹配；
S23：将提取的标注内容与标注位置进行匹配；
S24：将标注内容与材料表进行匹配；
S25：将标注内容与管件、管线进行匹配；
S3：依据匹配关系信息建立三维模型空间；
所述步骤S3包括以下步骤：
S31：根据材料表与管件、管线匹配的关系，在设计软件等级库中自动匹配对应的管件和管线等级信息；
S32：利用管件、管线的尺寸标注、标高标注等三维空间信息插入到三维设计软件中，完成三维空间模型建立。
2. 根据权利要求1所述的一种基于轴侧图的三维模型自动重建方法，其特征在于，所述步骤S1中，利用深度学习和图像处理技术提取CAD图纸轴测图图面信息包括利用FasterR-CNN提取的管件位置信息、利用Pixel link和Attention OCR提取的标注位置及内容信息管件编号、管线号及标注内容、利用LSD图像处理技术提取的标注位置、管线位置及走向信息、利用Attention OCR提取的材料表信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010992067.3A CN112215943A (zh) | 2020-09-21 | 2020-09-21 | 一种基于轴侧图的三维模型自动重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010992067.3A CN112215943A (zh) | 2020-09-21 | 2020-09-21 | 一种基于轴侧图的三维模型自动重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112215943A true CN112215943A (zh) | 2021-01-12 |
Family
ID=74050218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010992067.3A Pending CN112215943A (zh) | 2020-09-21 | 2020-09-21 | 一种基于轴侧图的三维模型自动重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112215943A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4181954A (en) * | 1971-05-19 | 1980-01-01 | Chevron Research Company | Computer-aided graphics system including a computerized material control system and method of using same |
| CN105631113A (zh) * | 2015-12-25 | 2016-06-01 | 中国核电工程有限公司 | 核电工程管道iso图定制方法 |
| CN106649956A (zh) * | 2016-09-26 | 2017-05-10 | 辽宁石油化工大学 | 一种基于轴测图的管道三维重建方法 |
| CN107256315A (zh) * | 2017-06-16 | 2017-10-17 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种管道应力分析电算图的智能绘制方法 |
| CN111242024A (zh) * | 2020-01-11 | 2020-06-05 | 北京中科辅龙科技股份有限公司 | 基于机器学习识别图纸内图例及文字的方法及系统 |
-
2020
- 2020-09-21 CN CN202010992067.3A patent/CN112215943A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4181954A (en) * | 1971-05-19 | 1980-01-01 | Chevron Research Company | Computer-aided graphics system including a computerized material control system and method of using same |
| CN105631113A (zh) * | 2015-12-25 | 2016-06-01 | 中国核电工程有限公司 | 核电工程管道iso图定制方法 |
| CN106649956A (zh) * | 2016-09-26 | 2017-05-10 | 辽宁石油化工大学 | 一种基于轴测图的管道三维重建方法 |
| CN107256315A (zh) * | 2017-06-16 | 2017-10-17 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种管道应力分析电算图的智能绘制方法 |
| CN111242024A (zh) * | 2020-01-11 | 2020-06-05 | 北京中科辅龙科技股份有限公司 | 基于机器学习识别图纸内图例及文字的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840519B (zh) | 一种自适应的智能单据识别录入装置及其使用方法 | |
| CN110008933B (zh) | 一种通用智能阅卷系统和方法 | |
| CN110570396B (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
| AU2019202743B2 (en) | Systems and methods for automating information extraction from piping and instrumentation diagrams | |
| CN111242024A (zh) | 基于机器学习识别图纸内图例及文字的方法及系统 | |
| Sierla et al. | Roadmap to semi-automatic generation of digital twins for brownfield process plants | |
| CN108171297A (zh) | 一种答题卡识别方法及装置 | |
| CN105678322A (zh) | 样本标注方法和装置 | |
| CN112037219A (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
| CN104573675A (zh) | 作业图像的展示方法和装置 | |
| CN111881937A (zh) | 输电线路金具目标检测和缺陷识别方法及终端 | |
| CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
| CN117437647B (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
| CN112215943A (zh) | 一种基于轴侧图的三维模型自动重建方法 | |
| JP2020087404A (ja) | 視覚的関係を推論することによる工業検査シートのデジタル化 | |
| CN112613367A (zh) | 票据信息文本框获取方法、系统、设备及存储介质 | |
| CN114648771A (zh) | 文字识别方法、电子设备和计算机可读存储介质 | |
| US11210545B2 (en) | System and method for character recognition model and recursive training from end user input | |
| CN110334818A (zh) | 一种管路自动识别的方法及系统 | |
| CN113657162A (zh) | 一种基于深度学习的票据ocr识别方法 | |
| CN114973275A (zh) | 一种基于深度学习技术的图文乱码识别方法 | |
| CN115147858A (zh) | 手写体表单图像数据生成方法、装置、设备及介质 | |
| KR20220060162A (ko) | 딥러닝 모델 기반 문자정보 자동인식 시스템 및 자동인식 방법 | |
| CN114429573A (zh) | 一种基于数据增强的生活垃圾数据集生成方法 | |
| KR101172881B1 (ko) | 온라인용 객관식 시험지의 제작 방법 및 시스템 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100176 Room 302, floor 3, building 5, courtyard 8, KEGU 1st Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Beijing mutual time Technology Co.,Ltd. Address before: 100089 234, 2nd floor, building 8, Zhongguancun Software Park, 8 Dongbeiwang West Road, Haidian District, Beijing Applicant before: Beijing Zhongke Fulong Technology Co.,Ltd. |