CN112560926B - 一种自动确定玻璃类型的方法 - Google Patents

一种自动确定玻璃类型的方法 Download PDF

Info

Publication number
CN112560926B
CN112560926B CN202011439522.3A CN202011439522A CN112560926B CN 112560926 B CN112560926 B CN 112560926B CN 202011439522 A CN202011439522 A CN 202011439522A CN 112560926 B CN112560926 B CN 112560926B
Authority
CN
China
Prior art keywords
legend
classification
glass
classification model
constructing
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
Application number
CN202011439522.3A
Other languages
English (en)
Other versions
CN112560926A (zh
Inventor
杨佩
来一军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Jubo Technology Co ltd
Original Assignee
Hangzhou Jubo Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Jubo Technology Co ltd filed Critical Hangzhou Jubo Technology Co ltd
Priority to CN202011439522.3A priority Critical patent/CN112560926B/zh
Publication of CN112560926A publication Critical patent/CN112560926A/zh
Application granted granted Critical
Publication of CN112560926B publication Critical patent/CN112560926B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Probability & Statistics with Applications (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种自动确定玻璃类型的方法，涉及计算机数据处理的技术领域，包括：建立图例库；构建图例分类模型；训练图例分类模型，通过图例分类算法将图例库中的图例分为指定类。本发明具有可根据不同的特征向量和设定参数来对DXF文件中玻璃进行分类，效率高、智能、精确度高的优点。

Description

一种自动确定玻璃类型的方法
【技术领域】
本发明涉及计算机数据处理的技术领域，特别是涉及一种自动确定玻璃类型的方法。
【背景技术】
制造业和建筑业是图纸输出比较多的行业，建筑工艺设计图纸中幕墙的大样图涉及对玻璃尺寸和类型的信息，但在处理大量的带有玻璃数据的cad或dxf大样图时，有时会出现一部分玻璃没有标注类型的情况，而且读取大量大样图中的不同玻璃类型信息本身就是一件繁琐的工作，所以如何根据已有数据对大量的没有被确定类型的玻璃正确、高效的分类，避免出现因为人工分类操作出现差错、操作复杂是待解决的问题。
【发明内容】
本发明为了克服现有技术中的不足，提出一种自动确定玻璃类型的方法。
为实现上述目的，本发明提出了一种自动确定玻璃类型的方法，包括：
建立图例库；构建图例分类模型；训练图例分类模型，通过图例分类算法将图例库中的图例分为指定类。
进一步地，所述构建分类模型包括：确定分类数，所述分类数为所有玻璃的种类；将图例库中数据分为两类，分别为测试数据和训练数据；提取图例中的图例特性，所述图例特性包括位置、像素值、长度、宽度、连接关系；根据所述图例特性来构建图例的特征向量；计算特征向量的距离，以此为k-means聚类算法的标准，特征向量的余弦距离计算公式为：
Figure BDA0002821780830000021
其中，A为第一特征向量，B为第二特征向量；
采用k-means聚类算法，根据测试数据的第一特征向量A、第二特征向量B和余弦距离cos(θ)构建分类模型。
进一步地，所述训练图例分类模型具体包括：设置参数TP、FP、FN；其中TP表示根据测试数据分类结果和训练数据的分类结果一致的情况；FP表示根据测试数据分类结果是某特定类玻璃，但训练数据的分类结果不是该特定类玻璃的情况；FN表示根据测试数据分类结果不是某特定类玻璃，但训练数据的分类结果是该特定类玻璃的情况；初始化图例分类模型；设定最大迭代次数；在图例分类模型中，将训练数据根据不同的特征向量分别进行训练；根据公式
Figure BDA0002821780830000022
计算精确率P；根据公式
Figure BDA0002821780830000023
计算召回率R；根据公式
Figure BDA0002821780830000024
计算分类值F1；改变最大迭代次数和特征向量的组合多次对训练数据进行训练并计算对应的分类值F1；将分类值F1最大的分类结果作为确定玻璃类型的最优解。
进一步地，所述根据提取的图例特性来构建图例的特征向量具体包括：将图例图形转换为灰度图像；灰度图像按列压缩为一列并记为v，v的计算方法为：
Figure BDA0002821780830000025
其中i为像素所在列的列数，p为像素值；提取压缩后图像v的hog特征；提取压缩后图像v的surf特征。
进一步地，所述初始化图例分类模型分为随机初始化、优化过的初始化、自己指定的初始化。
进一步地，所述建立图例库具体包括：在图例为非填充图案的情况下，对图例从左至右，从上至下扫描非填充图案灰度图中的每一个像素，判断其与周围像素的差值，当差值超过设定阈值时作为轮廓边界，得到所有非填充图案的范围和图形。
进一步地，所述建立图例库具体包括：在图例为填充图案的情况下，从图例中通过填充标识获取填充图案的基本形状，重构整个填充图案，所述填充标识为CAD绘图软件中内置的预先设定的标识。
有益效果：
通过本发明提供的一种自动确定玻璃类型的方法，通过建立图例库；构建图例分类模型；训练图例分类模型的步骤，通过图例分类算法将图例库中的图例分为指定类来自动确定DXF文件中玻璃的类型，具有可根据不同的特征向量和设定参数来对DXF文件中玻璃进行分类，效率高、智能、精确度高的优点。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明实施例提供的一种自动确定玻璃类型的方法的整体流程图；
图2是本发明实施例提供的一种构建分类模型的流程图；
图3是本发明实施例提供的一种训练图例分类模型的流程图；
图4是本发明实施例提供的一种根据提取的图例特性来构建图例的特征向量的流程图。
【具体实施方式】
本发明实施例通过提供一种自动确定玻璃类型的方法，如图1所示，图1是本发明实施例提供的一种自动确定玻璃类型的方法的整体流程图，其中包括：
步骤S10：建立图例库；
步骤S20：构建图例分类模型；
步骤S30：训练图例分类模型，通过分类算法将图例库中的图例分为指定类。
在本发明实施例中，如图2所示，所述构建分类模型具体步骤包括：
步骤S210：确定分类数，所述分类数为所有玻璃的种类；
步骤S220：将图例库中数据分为测试数据和训练数据；所述测试数据被配置为进行测试，所述训练数据被配置为对算法模型进行训练，反馈调优；
步骤S230：提取图例中的图例特性，所述图例特性包括位置、像素值、长度、宽度、连接关系；
步骤S240：根据提取的图例特性来构建图例的特征向量；
步骤S250：计算特征向量的距离，以此为k-means聚类的标准，余弦距离计算公式为：
Figure BDA0002821780830000041
其中，A为第一特征向量，B为第二特征向量；
步骤S250：采用k-means聚类算法，根据测试数据的第一特征向量A、第二特征向量B和余弦距离cos(θ)构建分类模型。
其中，K-means聚类算法是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，聚类中心就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的样本被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。在本实施例中，可以采用位置、像素值、长度、宽度、连接关系作为不同的组合来做为第一特征向量，第二特征向量；通过采用不同的特征向量的组合来计算余弦距离，并通过为余弦距离作为参数来计算每个样本距离，最终得到根据玻璃图例中位置、像素值、长度、宽度、连接关系不同参数的选择得到关于图例中玻璃类型的不同分类结果。
图3是本发明实施例提供的一种训练图例分类模型的流程图，在本发明实施例中，如图3所示，所述训练图例分类模型具体步骤包括：
步骤S310：设置参数TP、TN、FP、FN；
其中TP表示根据测试数据分类结果和训练数据的分类结果一致的情况；FP表示根据测试数据分类结果是某特定类玻璃，但训练数据的分类结果不是该特定类玻璃的情况；FN表示根据测试数据分类结果不是某特定类玻璃，但训练数据的分类结果是该特定类玻璃的情况；
步骤S320：初始化图例分类模型；
步骤S330：设定最大迭代次数；防止算法无法收敛；
步骤S340：在图例分类模型中，将训练数据根据不同的特征向量分别进行训练；
步骤S350：根据公式
Figure BDA0002821780830000051
计算精确率P；所述精确率为训练数据和测试数据分类结果一致的情况占根据测试数据确定是某特定类玻璃的比例；
步骤S360：根据公式
Figure BDA0002821780830000052
计算召回率R,所述召回率为训练数据和测试数据分类结果一致的情况占根据训练数据确定是某特定类玻璃的比例；
步骤S370：根据公式
Figure BDA0002821780830000053
计算分类值F1；
步骤S380：改变最大迭代次数和特征向量的组合后，返回步骤S340；
步骤S390：将最大分类值F1对应的分类结果作为确定玻璃类型的最优解。
在本发明实施例中，所述初始化图例分类模型分为随机初始化、优化过的初始化、自己指定的初始化。
在本发明实施例中，如图4所示，所述根据提取的图例特性来构建图例的特征向量具体包括：
步骤S410：将图例转换为灰度图像；
步骤S420：灰度图像按列压缩为一列并记为v，v的计算方法为：
Figure BDA0002821780830000061
其中i为像素所在列的列数，p为像素值；
步骤S430：提取压缩后图像v的hog特征；
步骤S440：提取压缩后图像v的surf特征。
hog特征是一种常用于从图像数据中提取特征的特征描述符，在遇到图像尺寸不同、不同图像的特征点的距离不同、物体变成不同的尺寸而surf特征可以修正特征点距离不同等问题。
在本发明实施中，所述确定分类数具体包括：若图纸中存在玻璃类型图例及其名称标注则自动进行识别、若不存在则需进行人为标识；自动识别的步骤为通过图例所在位置，找到图例周围与之平行且距离最近的文本标注并将该文本标注的内容作为其玻璃类别。
在本发明实施例中，所述建立图例库具体包括：在图例为非填充图案的情况下，对图例从左至右，从上至下扫描非填充图案灰度图中的每一个像素，判断其与周围像素的差值，当差值超过设定阈值时作为轮廓边界，得到所有非填充图案的范围和图形。
在本发明实施例中，所述建立图例库具体包括：在图例为填充图案的情况下，从图例中通过填充标识获取填充图案的基本形状，重构整个填充图案，所述填充标识为CAD绘图软件中内置的预先设定的标识。
通过本发明提供的一种自动确定玻璃类型的方法，通过建立图例库；构建图例分类模型；训练图例分类模型的步骤，通过图例分类算法将图例库中的图例分为指定类来自动确定DXF文件中玻璃的类型，具有可根据不同的设定参数来对DXF文件中玻璃进行分类，效率高、智能、精确度高的优点。
上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。

Claims (7)

1.一种自动确定玻璃类型的方法，其特征在于，包括：
建立图例库；
构建图例分类模型；
训练图例分类模型，通过图例分类算法将图例库中的图例分为指定类；
其中，所述构建分类模型包括：
确定分类数，所述分类数为所有玻璃的种类；
将图例库中数据分为测试数据和训练数据；
提取图例中的图例特性，所述图例特性包括位置、像素值、长度、宽度、邻接关系；
根据提取的图例特性来构建图例的特征向量；
计算特征向量的距离，特征向量的余弦距离计算公式为：
Figure FDA0004003513070000011
其中，A为第一特征向量，B为第二特征向量；
采用k-means聚类算法，根据测试数据的第一特征向量A、第二特征向量B和余弦距离cos(θ)构建分类模型。
2.如权利要求1所述的一种自动确定玻璃类型的方法，其特征在于，所述训练图例分类模型具体包括：
设置参数TP、FP、FN；
其中TP表示根据测试数据分类结果和训练数据的分类结果一致的情况；FP表示根据测试数据分类结果是某特定类玻璃，但训练数据的分类结果不是该特定类玻璃的情况；FN表示根据测试数据分类结果不是某特定类玻璃，但训练数据的分类结果是该特定类玻璃的情况；
初始化图例分类模型；
设定最大迭代次数；
在图例分类模型中，将训练数据根据不同的特征向量分别进行训练；
根据公式
Figure FDA0004003513070000021
计算精确率P；
根据公式
Figure FDA0004003513070000022
计算召回率R；
根据公式
Figure FDA0004003513070000023
计算分类值F1；
改变最大迭代次数和特征向量的组合多次对训练数据进行训练并计算对应的分类值F1；
将最大分类值F1对应的分类结果作为确定玻璃类型的最优解。
3.如权利要求1所述的一种自动确定玻璃类型的方法，其特征在于，所述特征在于，所述根据提取的图例特性来构建图例的特征向量具体包括：
将图例转换为灰度图像；
灰度图像按列压缩为一列并记为v，v的计算方法为：
Figure FDA0004003513070000024
其中i为像素所在列的列数，p为像素值；
提取压缩后图像v的hog特征；
提取压缩后图像v的surf特征。
4.如权利要求2所述的一种自动确定玻璃类型的方法，其特征在于，所述初始化图例分类模型分为随机初始化、优化过的初始化、自己指定的初始化。
5.如权利要求1所述的一种自动确定玻璃类型的方法，其特征在于，所述确定分类数具体包括：
若图纸中存在玻璃类型图例及其名称标注则自动进行识别、若不存在则需进行人为标识；自动识别的步骤为通过图例所在位置，找到图例周围与之平行且距离最近的文本标注并将该文本标注的内容作为其玻璃类别。
6.如权利要求1所述的一种自动确定玻璃类型的方法，其特征在于，所述建立图例库具体包括：在图例为非填充图案的情况下，对图例从左至右，从上至下扫描非填充图案灰度图中的每一个像素，判断其与周围像素的差值，当差值超过设定阈值时作为轮廓边界，得到所有非填充图案的范围和图形。
7.如权利要求1所述的一种自动确定玻璃类型的方法，其特征在于，所述建立图例库具体包括：在图例为填充图案的情况下，从图例中通过填充标识获取填充图案的基本形状，重构整个填充图案，所述填充标识为CAD绘图软件中内置的预先设定的标识。
CN202011439522.3A 2020-12-07 2020-12-07 一种自动确定玻璃类型的方法 Active CN112560926B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011439522.3A CN112560926B (zh) 2020-12-07 2020-12-07 一种自动确定玻璃类型的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011439522.3A CN112560926B (zh) 2020-12-07 2020-12-07 一种自动确定玻璃类型的方法

Publications (2)

Publication Number Publication Date
CN112560926A CN112560926A (zh) 2021-03-26
CN112560926B true CN112560926B (zh) 2023-04-18

Family

ID=75060544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011439522.3A Active CN112560926B (zh) 2020-12-07 2020-12-07 一种自动确定玻璃类型的方法

Country Status (1)

Country Link
CN (1) CN112560926B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987616A (zh) * 2021-10-27 2022-01-28 广州山水比德设计股份有限公司 图例标注方法、装置及绘图操作系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005196702A (ja) * 2004-01-09 2005-07-21 Hitachi Software Eng Co Ltd 画像を分割可能なプログラム及び画像分割方法
CN101609557A (zh) * 2009-07-17 2009-12-23 西安电子科技大学 基于增强空域-变换域统计模型的纹理图像分割方法
CN106055838A (zh) * 2016-06-30 2016-10-26 上海玻机智能幕墙股份有限公司 一种幕墙统一化的cad制图方法
CN110163244A (zh) * 2019-04-04 2019-08-23 睿视智觉（厦门）科技有限公司 一种瓷砖纹理分类方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005196702A (ja) * 2004-01-09 2005-07-21 Hitachi Software Eng Co Ltd 画像を分割可能なプログラム及び画像分割方法
CN101609557A (zh) * 2009-07-17 2009-12-23 西安电子科技大学 基于增强空域-变换域统计模型的纹理图像分割方法
CN106055838A (zh) * 2016-06-30 2016-10-26 上海玻机智能幕墙股份有限公司 一种幕墙统一化的cad制图方法
CN110163244A (zh) * 2019-04-04 2019-08-23 睿视智觉（厦门）科技有限公司 一种瓷砖纹理分类方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《玻璃均匀性条纹图像的分类及其算法》;金大兵 等;《硅酸盐通报》;20150430;第251-254页； *

Also Published As

Publication number Publication date
CN112560926A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN114612469B (zh) 产品缺陷检测方法、装置、设备及可读存储介质
US8548253B2 (en) Fast line linking
EP1703465A2 (en) Color-based inspection of printed circuit boards
CN110021028B (zh) 一种基于服装款式图的自动制衣方法
JP2010015555A (ja) デジタル画像の特徴判定方法およびシステム
CN111310800B (zh) 图像分类模型生成方法、装置、计算机设备和存储介质
CN110276295B (zh) 车辆识别号码检测识别方法及设备
US10922807B2 (en) Wafer manufacturing system, device and method
CN110728307A (zh) 自生成数据集与标签实现x光影像图小样本字符识别方法
CN112560926B (zh) 一种自动确定玻璃类型的方法
EP3776335A2 (en) Classification of piping and instrumental diagram information using machine-learning
TW201606854A (zh) 用於晶粒對資料庫光罩檢查之自動校準樣本選擇
CN111242957A (zh) 一种数据处理方法、装置及计算机存储介质和电子设备
CN114742789B (zh) 一种基于面结构光的通用零件拾取方法、系统及电子设备
CN114005126A (zh) 表格重构方法、装置、计算机设备及可读存储介质
CN116862913A (zh) 基于机器视觉的复合镍铜散热底板缺陷检测方法及系统
CN111311593A (zh) 一种基于图像梯度信息的多椭圆检测和评估算法、装置、终端及可读存储介质
CN113283441A (zh) 一种贴片电阻上的印刷字符识别方法、装置、终端及介质
CN111968115B (zh) 基于栅格化图像处理方法的骨科耗材检测方法及系统
CN111652200A (zh) 车险案件中从图片区分多车的处理方法、装置及设备
CN109726722B (zh) 一种字符分割方法及装置
CN113840135B (zh) 色偏检测方法、装置、设备及存储介质
CN111126286A (zh) 车辆动态检测方法、装置、计算机设备及存储介质
CN116091496A (zh) 基于改进Faster-RCNN的缺陷检测方法及装置
CN116935010A (zh) 一种标注内外墙的方法、装置、设备及可读存储介质

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