CN113191272A - 一种工程图像的识别方法、识别系统及相关装置 - Google Patents

一种工程图像的识别方法、识别系统及相关装置 Download PDF

Info

Publication number
CN113191272A
CN113191272A CN202110484851.8A CN202110484851A CN113191272A CN 113191272 A CN113191272 A CN 113191272A CN 202110484851 A CN202110484851 A CN 202110484851A CN 113191272 A CN113191272 A CN 113191272A
Authority
CN
China
Prior art keywords
image
engineering
image data
data
geometric
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
Application number
CN202110484851.8A
Other languages
English (en)
Inventor
何楠
戴闻刚
王能锋
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 Pinming Safety Control Information Technology Co ltd
Original Assignee
Hangzhou Pinming Safety Control Information 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 Pinming Safety Control Information Technology Co ltd filed Critical Hangzhou Pinming Safety Control Information Technology Co ltd
Priority to CN202110484851.8A priority Critical patent/CN113191272A/zh
Publication of CN113191272A publication Critical patent/CN113191272A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种工程图像的识别方法，包括：获取工程图像；对所述工程图像进行图像预处理，得到优化图像数据；对所述优化图像数据进行轮廓定位；根据定位的轮廓获取内边框数据和外边框数据，确认几何图形；利用统计概率霍夫直线变换确定所有平行直线的类型；根据所述几何图形和所述平行直线得到所述工程图像对应建筑构件的几何信息。本申请能够精确确定几何形状的数据点和线条位置，从而提高对于工程图像中几何形状的识别能力。本申请还提供一种工程图像的识别系统、计算机可读存储介质和电子设备，具有上述有益效果。

Description

一种工程图像的识别方法、识别系统及相关装置
技术领域
本申请涉及工程制造领域，特别涉及一种工程图像的识别方法、识别系统及相关装置。
背景技术
工程建模是将建筑图纸和结构图纸，按照一定规范，将图纸模型通过人工建模或者识别图纸将图纸上的模型构件在工程建模软件中。而自动建模是根据图纸上的文本边线等图形信息，使用计算机图形学的一些分析，建立对应的分析算法，代替传统的手工建模，实现批量自动快速识别构件的方法。但是常规的图形学分析算法对图形数据的完整性、图形数据类型的多元性依赖性强，当图形数据遭到内部损坏之后，或者出现一种新的表达图形数据结构，原始的图形学算法就会失效，并且无法直接反馈给用户，甚至是开发者。开发者也需要查阅原始代码才可以定位问题，甚至由于数据遭受破获无法修复的现象。
发明内容
本申请的目的是提供一种工程图像的识别方法、识别系统、计算机可读存储介质和电子设备，通过轮廓定位和内外边框数据分析统计有效提高工程图像中几何图像的识别能力。
为解决上述技术问题，本申请提供一种工程图像的识别方法，具体技术方案如下：
获取工程图像；
对所述工程图像进行图像预处理，得到优化图像数据；
对所述优化图像数据进行轮廓定位；
根据定位的轮廓获取内边框数据和外边框数据，确认几何图形；
利用统计概率霍夫直线变换确定所有平行直线的类型，得到工程图像的几何形状。
可选的，对所述工程图像进行图像预处理，得到优化图像数据包括：
利用预设放缩因子对所述工程图像进行缩放，得到第一图像数据；
对所述第一图像数据进行颜色过滤，得到第二图像数据；
对所述第二图像数据进行图像形态学操作，得到所述优化图像数据；所述图像形态学操作包括二值化操作和开运算操作。
可选的，利用预设放缩因子对所述工程图像进行缩放前，还包括：
根据缩放因子公式确定所述预设放缩因子；所述预设缩放因子小于等于1，且大于所述工程图像中最细线条对应宽度像素数的倒数。
可选的，对所述第一图像数据进行颜色过滤，得到第二图像数据包括：
将RGB颜色空间表示的工程图像转化为HSV颜色空间表示的工程图像；
在HSV颜色空间表示的工程图像上截取夹点噪声所在的颜色区域；
提取所述颜色区域的色调、饱和度和亮度，确定所述颜色区域的HSV表示，并生成色彩的颜色直方图；
统计所述颜色区域的颜色信息，获取颜色阈值的色调范围、饱和度范围和亮度范围；
根据所述色调范围、所述饱和度范围和所述亮度范围对所述第一图像数据进行颜色过滤，得到第二图像数据。
可选的，对所述优化图像数据进行轮廓定位包括：
若所述优化图像数据包含矩形数据，利用opencv的最外部矩形边界获取方法boundingRect，或利用opencv的最小包围矩形获取方法MinAreaRect对所述优化图像数据进行轮廓定位；
若所述优化图像数据包含圆形数据，利用opencv的最小包围圆形方法MinnclosingCircle对所述优化图像数据进行轮廓定位；
若所述优化图像数据包含多边形数据，利用opencv的逼近多边形曲线方法approxPolyDP对所述优化图像数据进行轮廓定位。
可选的，利用统计概率霍夫直线变换确定所有平行直线的类型包括：
利用统计概率霍夫直线变换获取所有的平行直线；
确定最小长度阈值和同一方向上两条线段判定为一条线段的最大允许间隔；
将长度小于所述最小长度阈值的平行直线作为非梁线，将长度大于所述最小长度阈值的平行直接作为梁线；
将最大间隔小于所述最大允许间隔的两条线段作为梁虚线。
本申请还提供一种工程图像的识别系统，包括：
获取模块，用于获取工程图像；
预处理模块，用于对所述工程图像进行图像预处理，得到优化图像数据；
定位模块，用于对所述优化图像数据进行轮廓定位；
数据计算模块，用于根据定位的轮廓获取内边框数据和外边框数据，确认几何图形；
直线识别模块，用于利用统计概率霍夫直线变换确定所有平行直线的类型；
图像确认模块，用于根据所述几何图形和所述平行直线得到所述工程图像对应建筑构件的几何信息。
可选的，预处理模块包括：
缩放单元，用于利用预设放缩因子对所述工程图像进行缩放，得到第一图像数据；
过滤单元，用于对所述第一图像数据进行颜色过滤，得到第二图像数据；
图像操作单元，用于对所述第二图像数据进行图像形态学操作，得到所述优化图像数据；所述图像形态学操作包括二值化操作和开运算操作。
本申请还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如上所述的方法的步骤。
本申请还提供一种电子设备，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上所述的方法的步骤。
本申请提供一种工程图像的识别方法，包括：获取工程图像；对所述工程图像进行图像预处理，得到优化图像数据；对所述优化图像数据进行轮廓定位；根据定位的轮廓获取内边框数据和外边框数据，确认几何图形；利用统计概率霍夫直线变换确定所有平行直线的类型；根据所述几何图形和所述平行直线得到所述工程图像对应建筑构件的几何信息。
本申请通过对预处理的工程图像进行轮廓定位，从而获取几何图像的内边框数据和外边框数据，将几何形状按照轮廓和内外结构进行定位，并统计概率霍夫直线变换定位直线位置，将几何图形和平行直线分别识别，能够精确确定几何形状的数据点和线条位置，从而提高对于工程图像中几何形状的识别能力。
本申请还提供一种工程图像的识别系统、计算机可读存储介质和电子设备，具有上述有益效果，此处不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种工程图像的识别方法的流程图；
图2为本申请实施例所提供的另一种工程图像的识别方法的流程图；
图3为本申请实施例所提供的一种工程图像的识别系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种工程图像的识别方法的流程图，该方法包括：
S101：获取工程图像；
本步骤旨在获取工程图像，例如可以为包含建筑图像的工程图像，用于实现对建筑图像的识别。
S102：对所述工程图像进行图像预处理，得到优化图像数据；
本步骤旨在进行工程图像的图像识别前，对图像执行预处理，以提高图像识别效果。在此对于采用的图像预处理方式不作限定，可以采用任何有助于实现图像识别的方案。
作为本实施例中本步骤的一种优选执行方式，执行图像预处理时可以包括如下步骤：
1、利用预设放缩因子对所述工程图像进行缩放，得到第一图像数据；
2、对所述第一图像数据进行颜色过滤，得到第二图像数据；
3、对所述第二图像数据进行图像形态学操作，得到所述优化图像数据；所述图像形态学操作包括二值化操作和开运算操作。
图像中的有效信息是简单的边线信息和大量的背景信息，并且图像的大小即图像的数据量又是图像处理速度的限制因素。因此通过缩放图像可以减少图像需要识别的数据量，从而提高图像识别效果。但应当理解的是，在缩放过程中应保证图像精度，避免图像精度因缩放受损。此外，利用预设放缩因子对工程图像进行缩放前，还可以先根据缩放因子公式确定预设放缩因子。预设缩放因子小于等于1，且大于工程图像中最细线条对应宽度像素数的倒数。优选的，可以直接使用opencv的resize函数利用缩放因子对原始图像进行缩放，获得第一图像数据。
由于工程图像通常存在不连续的噪声，这些噪声处于线线交点的之处，会直接导致交点计算失效。且这些噪声跟建筑图纸特有的夹点产生的噪声，因此可以采用颜色过滤方式去消除噪声。具体过程可以如下：
将RGB颜色空间表示的工程图像转化为HSV颜色空间表示的工程图像，其中H表示色调、S表示饱和度，V表示亮度；在HSV颜色空间表示的工程图像上截取夹点噪声所在的颜色区域；提取颜色区域的色调、饱和度和亮度，确定颜色区域的HSV表示，并生成色彩的颜色直方图；统计颜色区域的颜色信息，获取颜色阈值的色调范围、饱和度范围和亮度范围；根据色调范围、饱和度范围和亮度范围对第一图像数据进行颜色过滤，得到第二图像数据。
二值化操作可以得到黑白色图片，而开运算操作可以过滤噪声，消除工程图像中的毛刺。在此对于开运算的次数不做具体限定，例如可以取次数的区间为max(1,n/2-1)。
当然，上述预处理过程，仅为本实施例提供的一种优选的预处理方式，本领域技术人员还可以在此基础是采用其他预处理方式，均应在本申请的保护范围内。
S103：对所述优化图像数据进行轮廓定位；
本步骤旨在对优化图像数据进行轮廓定位，即确定几何图形的轮廓。具体的针对不同形状的几何图形，可以采用不同的轮廓定位方式，例如：
若优化图像数据包含矩形数据，利用opencv的最外部矩形边界获取方法boundingRect，或利用opencv的最小包围矩形获取方法MinAreaRect对优化图像数据进行轮廓定位；
若优化图像数据包含圆形数据，利用opencv的最小包围圆形方法MinnclosingCircle对优化图像数据进行轮廓定位；
若优化图像数据包含多边形数据，利用opencv的逼近多边形曲线方法approxPolyDP对优化图像数据进行轮廓定位。
S104：根据定位的轮廓获取内边框数据和外边框数据，确认几何图形；
本步骤旨在根据定位的轮廓获取几何图形的内外边框数据，即获取内外边框的数据表达式，用以直接确认内边框和外边框，从而得到几何图形的精确数据，即包含几何图形中每条边和每个数据点的精确数据。具体的，可以根据内边框数据和外边框数据确认内框轮廓和外框轮廓，在取二者数据表达的中线，得到每条边的精确数据。对得到的精确数据进行线宽像素的延长，按照顺序求所有边线的交点，即可得到几何图形的数据点的精确坐标或者数据表达。
S105：利用统计概率霍夫直线变换确定所有平行直线的类型；
本步骤旨在根据已经确认的内边框数据和外边框数据，确认几何图形的集合形状。而在实际过程中，需要考虑梁边线中有部分梁虚线表示的情况，为此本申请利用统计概率霍夫直线变换确定所有平行直线的类型，其具体过程可以如下：
S1051：利用统计概率霍夫直线变换获取所有的平行直线；
S1052：确定最小长度阈值和同一方向上两条线段判定为一条线段的最大允许间隔；
S1053：将长度小于所述最小长度阈值的平行直线作为非梁线，将长度大于所述最小长度阈值的平行直接作为梁线；
S1054：将最大间隔小于所述最大允许间隔的两条线段作为梁虚线。
当最大间隔超过该最大允许间隔，将两条线段当做一条线段，且最大允许间隔越大，允许线段上的断裂越大，越有可能检出潜在的直线段。在此对于最小长度阈值和最大允许间隔不作具体限定。一般长度小于200mm毫米即可作为无效的梁线。最大允许间隔通常小于1000mm毫米。
需要注意的是，本步骤与步骤S103、S104可以为并行执行关系，即在步骤S102结束后，可以直接执行本步骤。即在实现工程图像的预处理后，需要分别确认几何图形和平行直线的几何信息，因此本步骤与步骤S103、S104可以为并列执行关系，也可以先于步骤S103、S104执行，若并列执行时对应的流程示意图可以如图2所示。
S106：根据所述几何图形和所述平行直线得到所述工程图像对应建筑构件的几何信息。
本申请实施例通过对预处理的工程图像进行轮廓定位，从而获取几何图像的内边框数据和外边框数据，将几何形状按照轮廓和内外结构进行定位，并统计概率霍夫直线变换定位直线位置，将几何图形和平行直线分别识别，能够精确确定几何形状的数据点和线条位置，从而提高对于工程图像中几何形状的识别能力。
进一步的，在基于上一实施例实现对工程图像的图像识别后，还可以针对步骤S106中确定的几何信息进行识别转化效率监测，具体过程可以如下：
虽然本申请可以在进行图像识别过程将需要识别的几何类型分为矩形、圆形、多边形数据类型和平行线数据类型，但是在识别转化效率评价中主要包含转化成功率和转化精确度，因此不再区分柱状构件转化效率评价和梁墙构件转化效率评价，全部按照转化率、转化精度、构件的边线覆盖率来评价。
以转化率为例：
转化过程中，统计生成的构件的数目m，以及待转化的边线的个数M。则构件的转化率Conv＝m/M。例如本申请中，可以要求柱状构件的转化率要满足Conv>0.95。
以转化精度为例：
抽查5～10个构件，检测构件的以毫米为单位表达的几何尺寸，与以毫米为单位表达的几何边线的尺寸是否完全一致，存在不一致状态则需要调整识别过程中的参数，直至所有抽查检测转化精度完全一致。
以构件对几何边线的覆盖率为例：
统计图纸中的所有边线数目Count，剔除被构件覆盖的边线，获的没有被构件覆盖的边线数目count，计算覆盖率count/Count。本申请中，可以要求构件对几何边线的覆盖率大于80％，并且使得覆盖率尽可能高。
以上仅为本申请所提供的三种针对图像识别效果的判断方式，本领域技术人员还可以采用其他参数作为识别效果的评价方式，并针对实际识别效果对图像识别过程作优化，也应在本申请的保护范围内。
下面对本申请实施例提供的工程图像的识别系统进行介绍，下文描述的工程图像的识别系统与上文描述的工程图像的识别方法可相互对应参照。
图3为本申请实施例所提供的一种工程图像的识别系统的结构示意图，该系统包括：
获取模块100，用于获取工程图像；
预处理模块200，用于对所述工程图像进行图像预处理，得到优化图像数据；
定位模块300，用于对所述优化图像数据进行轮廓定位；
数据计算模块400，用于根据定位的轮廓获取内边框数据和外边框数据，确认几何图形；
直线识别模块500，用于利用统计概率霍夫直线变换确定所有平行直线的类型；
图像确认模块600，用于根据所述几何图形和所述平行直线得到所述工程图像对应建筑构件的几何信息。
基于上述实施例，作为优选的实施例，预处理模块200可以包括：
缩放单元，用于利用预设放缩因子对所述工程图像进行缩放，得到第一图像数据；
过滤单元，用于对所述第一图像数据进行颜色过滤，得到第二图像数据；
图像操作单元，用于对所述第二图像数据进行图像形态学操作，得到所述优化图像数据；所述图像形态学操作包括二值化操作和开运算操作。
基于上述实施例，作为优选的实施例，预处理模块200还可以包括：
缩放因子确认单元，用于根据缩放因子公式确定所述预设放缩因子；所述预设缩放因子小于等于1，且大于所述工程图像中最细线条对应宽度像素数的倒数。
基于上述实施例，作为优选的实施例，过滤单元为用于执行如下步骤的单元：
将RGB颜色空间表示的工程图像转化为HSV颜色空间表示的工程图像；在HSV颜色空间表示的工程图像上截取夹点噪声所在的颜色区域；提取所述颜色区域的色调、饱和度和亮度，确定所述颜色区域的HSV表示，并生成色彩的颜色直方图；统计所述颜色区域的颜色信息，获取颜色阈值的色调范围、饱和度范围和亮度范围；根据所述色调范围、所述饱和度范围和所述亮度范围对所述第一图像数据进行颜色过滤，得到第二图像数据。
基于上述实施例，作为优选的实施例，定位模块300包括：
第一定位单元，用于若所述优化图像数据包含矩形数据，利用opencv的最外部矩形边界获取方法boundingRect，或利用opencv的最小包围矩形获取方法MinAreaRect对所述优化图像数据进行轮廓定位；
第二定位单元，用于若所述优化图像数据包含圆形数据，利用opencv的最小包围圆形方法MinnclosingCircle对所述优化图像数据进行轮廓定位；
第三定位单元，用于若所述优化图像数据包含多边形数据，利用opencv的逼近多边形曲线方法approxPolyDP对所述优化图像数据进行轮廓定位。
基于上述实施例，作为优选的实施例，直线识别模块500为用于执行如下步骤的模块：
利用统计概率霍夫直线变换获取所有的平行直线；确定最小长度阈值和同一方向上两条线段判定为一条线段的最大允许间隔；将长度小于所述最小长度阈值的平行直线作为非梁线，将长度大于所述最小长度阈值的平行直接作为梁线；将最大间隔小于所述最大允许间隔的两条线段作为梁虚线。
本申请还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Re工程图像的识别d-Only Memory，ROM)、随机存取存储器(R工程图像的识别ndom工程图像的识别ccess Memory，R工程图像的识别M)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种电子设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种工程图像的识别方法，其特征在于，包括：
获取工程图像；
对所述工程图像进行图像预处理，得到优化图像数据；
对所述优化图像数据进行轮廓定位；
根据定位的轮廓获取内边框数据和外边框数据，确认几何图形；
利用统计概率霍夫直线变换确定所有平行直线的类型；
根据所述几何图形和所述平行直线得到所述工程图像对应建筑构件的几何信息。
2.根据权利要求1所述的工程图像的识别方法，其特征在于，对所述工程图像进行图像预处理，得到优化图像数据包括：
利用预设放缩因子对所述工程图像进行缩放，得到第一图像数据；
对所述第一图像数据进行颜色过滤，得到第二图像数据；
对所述第二图像数据进行图像形态学操作，得到所述优化图像数据；所述图像形态学操作包括二值化操作和开运算操作。
3.根据权利要求2所述的工程图像的识别方法，其特征在于，利用预设放缩因子对所述工程图像进行缩放前，还包括：
根据缩放因子公式确定所述预设放缩因子；所述预设缩放因子小于等于1，且大于所述工程图像中最细线条对应宽度像素数的倒数。
4.根据权利要求2所述的工程图像的识别方法，其特征在于，对所述第一图像数据进行颜色过滤，得到第二图像数据包括：
将RGB颜色空间表示的工程图像转化为HSV颜色空间表示的工程图像；
在HSV颜色空间表示的工程图像上截取夹点噪声所在的颜色区域；
提取所述颜色区域的色调、饱和度和亮度，确定所述颜色区域的HSV表示，并生成色彩的颜色直方图；
统计所述颜色区域的颜色信息，获取颜色阈值的色调范围、饱和度范围和亮度范围；
根据所述色调范围、所述饱和度范围和所述亮度范围对所述第一图像数据进行颜色过滤，得到第二图像数据。
5.根据权利要求1所述的工程图像的识别方法，其特征在于，对所述优化图像数据进行轮廓定位包括：
若所述优化图像数据包含矩形数据，利用opencv的最外部矩形边界获取方法boundingRect，或利用opencv的最小包围矩形获取方法MinAreaRect对所述优化图像数据进行轮廓定位；
若所述优化图像数据包含圆形数据，利用opencv的最小包围圆形方法MinnclosingCircle对所述优化图像数据进行轮廓定位；
若所述优化图像数据包含多边形数据，利用opencv的逼近多边形曲线方法approxPolyDP对所述优化图像数据进行轮廓定位。
6.根据权利要求1所述的工程图像的识别方法，其特征在于，利用统计概率霍夫直线变换确定所有平行直线的类型包括：
利用统计概率霍夫直线变换获取所有的平行直线；
确定最小长度阈值和同一方向上两条线段判定为一条线段的最大允许间隔；
将长度小于所述最小长度阈值的平行直线作为非梁线，将长度大于所述最小长度阈值的平行直接作为梁线；
将最大间隔小于所述最大允许间隔的两条线段作为梁虚线。
7.一种工程图像的识别系统，其特征在于，包括：
获取模块，用于获取工程图像；
预处理模块，用于对所述工程图像进行图像预处理，得到优化图像数据；
定位模块，用于对所述优化图像数据进行轮廓定位；
数据计算模块，用于根据定位的轮廓获取内边框数据和外边框数据，确认几何图形；
直线识别模块，用于利用统计概率霍夫直线变换确定所有平行直线的类型；
图像确认模块，用于根据所述几何图形和所述平行直线得到所述工程图像对应建筑构件的几何信息。
8.根据权利要求7所述的工程图像的识别系统，其特征在于，预处理模块包括：
缩放单元，用于利用预设放缩因子对所述工程图像进行缩放，得到第一图像数据；
过滤单元，用于对所述第一图像数据进行颜色过滤，得到第二图像数据；
图像操作单元，用于对所述第二图像数据进行图像形态学操作，得到所述优化图像数据；所述图像形态学操作包括二值化操作和开运算操作。
9.一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如权利要求1-6任一项所述的工程图像的识别方法的步骤。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1-6任一项所述的工程图像的识别方法的步骤。
CN202110484851.8A 2021-04-30 2021-04-30 一种工程图像的识别方法、识别系统及相关装置 Pending CN113191272A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110484851.8A CN113191272A (zh) 2021-04-30 2021-04-30 一种工程图像的识别方法、识别系统及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110484851.8A CN113191272A (zh) 2021-04-30 2021-04-30 一种工程图像的识别方法、识别系统及相关装置

Publications (1)

Publication Number Publication Date
CN113191272A true CN113191272A (zh) 2021-07-30

Family

ID=76983701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110484851.8A Pending CN113191272A (zh) 2021-04-30 2021-04-30 一种工程图像的识别方法、识别系统及相关装置

Country Status (1)

Country Link
CN (1) CN113191272A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781507A (zh) * 2021-09-06 2021-12-10 锐捷网络股份有限公司 图形重建方法、装置、计算设备和计算机存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000508461A (ja) * 1997-01-08 2000-07-04 ハイデルベルガー ドルツクマシーネン アクチエンゲゼルシヤフト スキャン原画の幾何学的データの決定方法
US20090232385A1 (en) * 2008-03-14 2009-09-17 Ryoichi Matsuoka Pattern measuring method and pattern measuring device
CN103164857A (zh) * 2013-03-08 2013-06-19 南京航空航天大学 一种基于图像的近距大偏角圆形目标的高效检测方法
CN105302931A (zh) * 2014-06-30 2016-02-03 上海神机软件有限公司 建设工程图纸识别系统及方法、排模系统及方法
CN106709412A (zh) * 2015-11-17 2017-05-24 腾讯科技（深圳）有限公司 交通标志检测方法和装置
CN109711264A (zh) * 2018-11-30 2019-05-03 武汉烽火众智智慧之星科技有限公司 一种公交车道占道检测方法及装置
CN109816675A (zh) * 2018-12-28 2019-05-28 歌尔股份有限公司 物体的检测方法、检测装置及存储介质
CN111325805A (zh) * 2020-01-21 2020-06-23 西南石油大学 一种基于图像分割的岩屑荧光选样方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000508461A (ja) * 1997-01-08 2000-07-04 ハイデルベルガー ドルツクマシーネン アクチエンゲゼルシヤフト スキャン原画の幾何学的データの決定方法
US20090232385A1 (en) * 2008-03-14 2009-09-17 Ryoichi Matsuoka Pattern measuring method and pattern measuring device
CN103164857A (zh) * 2013-03-08 2013-06-19 南京航空航天大学 一种基于图像的近距大偏角圆形目标的高效检测方法
CN105302931A (zh) * 2014-06-30 2016-02-03 上海神机软件有限公司 建设工程图纸识别系统及方法、排模系统及方法
CN106709412A (zh) * 2015-11-17 2017-05-24 腾讯科技（深圳）有限公司 交通标志检测方法和装置
CN109711264A (zh) * 2018-11-30 2019-05-03 武汉烽火众智智慧之星科技有限公司 一种公交车道占道检测方法及装置
CN109816675A (zh) * 2018-12-28 2019-05-28 歌尔股份有限公司 物体的检测方法、检测装置及存储介质
CN111325805A (zh) * 2020-01-21 2020-06-23 西南石油大学 一种基于图像分割的岩屑荧光选样方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李天瑞: "基于Agent的建筑图纸识别", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 February 2012 (2012-02-15), pages 7 - 15 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781507A (zh) * 2021-09-06 2021-12-10 锐捷网络股份有限公司 图形重建方法、装置、计算设备和计算机存储介质
CN113781507B (zh) * 2021-09-06 2023-03-21 锐捷网络股份有限公司 图形重建方法、装置、计算设备和计算机存储介质

Similar Documents

Publication Publication Date Title
CN106960208B (zh) 一种仪表液晶数字自动切分和识别的方法及系统
WO2020140698A1 (zh) 表格数据的获取方法、装置和服务器
TW202011733A (zh) 對影像進行目標取樣的方法及裝置
JP4528309B2 (ja) オブジェクト検出方法、オブジェクト検出装置、およびオブジェクト検出プログラム
WO2020177470A1 (zh) 验证码识别方法、装置、终端及存储介质
EP2833288A1 (en) Face calibration method and system, and computer storage medium
EP2506218A2 (en) Method, terminal, and computer-readable recording medium for trimming a piece of image content
CN109948521B (zh) 图像纠偏方法和装置、设备及存储介质
CN114549993B (zh) 实验中线段图像的评分方法、系统、设备及可读存储介质
CN112052782B (zh) 基于环视的停车位识别方法、装置、设备及存储介质
CN112651953A (zh) 图片相似度计算方法、装置、计算机设备及存储介质
CN116052152A (zh) 一种基于轮廓检测和深度神经网络的车牌识别系统
JP2017521011A (ja) シンボルの光学的検出方法
CN113191272A (zh) 一种工程图像的识别方法、识别系统及相关装置
CN109635729B (zh) 一种表格识别方法及终端
CN111008635A (zh) 一种基于ocr的多票据自动识别方法及识别系统
CN113361547A (zh) 一种签章识别方法、装置、设备及可读存储介质
CN110363092B (zh) 柱状图识别方法、装置、设备及计算机可读存储介质
CN115049684A (zh) 一种基于水域分割的水尺识别方法及系统
CN114926429A (zh) 一种线迹长度检测方法、装置、设备及可读存储介质
CN112329572B (zh) 一种基于边框和闪光点的快速静态活体检测方法及装置
CN105825161A (zh) 图像的肤色检测方法及其系统
CN113283308A (zh) 一种工程图纸的图像识别方法、系统及相关装置
CN113128435B (zh) 图像中手部区域分割方法、装置、介质及计算机设备
JP5402417B2 (ja) 画像処理装置

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

Address after: Block C, 5th Floor, Building B, Paradise Software Park, No. 3 Xidoumen Road, Xihu District, Hangzhou, Zhejiang 310000

Applicant after: Pin Ming Technology Co.,Ltd.

Address before: 310012 Room C, 5 / F, building B, Paradise Software Park, 3 xidoumen Road, Xihu District, Hangzhou City, Zhejiang Province

Applicant before: HANGZHOU PINMING SAFETY CONTROL INFORMATION TECHNOLOGY CO.,LTD.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20210730

RJ01 Rejection of invention patent application after publication