CN113392761A - 构件识别方法、装置、设备及存储介质 - Google Patents
构件识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113392761A CN113392761A CN202110660786.XA CN202110660786A CN113392761A CN 113392761 A CN113392761 A CN 113392761A CN 202110660786 A CN202110660786 A CN 202110660786A CN 113392761 A CN113392761 A CN 113392761A
- Authority
- CN
- China
- Prior art keywords
- building
- component
- space
- image
- drawing image
- 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
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种构件识别方法、装置、设备及存储介质,该方法包括获取与建筑图纸对应的图纸图像;识别图纸图像中的各建筑空间,并从图纸图像中获取各建筑空间各自的空间数据;利用空间数据和图纸图像,得到各建筑空间各自的构件分类结果。本实施例中由于先对图纸图像进行建筑空间的识别,从而实现可以以建筑空间为单位对图纸图像进行构件的识别,而由于具有相似图像特征的构件通常位于不同的建筑空间内,因此当以建筑空间为单位进行构件的识别时,不容易发生由于图像特征相似导致的构件误识别的问题。
Description
技术领域
本申请涉及图像识别领域,尤其涉及一种构件识别方法、装置、设备及存储介质。
背景技术
建筑图纸的构件识别是对建筑图纸中构成建筑的基本组合物体进行检测和标定的过程,它是机器理解建筑图纸的具体含义,是对建筑图纸进行语义理解的重要基础,在建筑图纸智能审查中发挥着重要作用。
相关技术中,对建筑图纸中的构件识别时,对建筑图纸中的图层进行筛选,获取筛选出的图层里面的各个构件各自的图片,采用预先训练的构件分类模型对各个构件各自的图片进行识别,从而得到各个构件各自的分类结果。
然而,由于属于不同类别的构件可能具有相似的图像特征,因此在采用构件分类模型识别具有相似的图像特征的两类构件时,容易造成误判。以信报箱和空调外机为例,从模型识别的角度,信报箱和空调外机的图像特征类似,因此在采用构件分类模型识别信报箱(空调外机)的图片时,容易误将图片中的信报箱(空调外机)识别成空调外机(信报箱)。
发明内容
本申请提供了一种构件识别方法、装置、设备及存储介质,用以解决相关技术中存在的构件误识别的问题。
第一方面.提供一种构件识别方法,包括:
获取与建筑图纸对应的图纸图像;
识别所述图纸图像中的各建筑空间,并从所述图纸图像中获取所述各建筑空间各自的空间数据,所述空间数据包括空间类别和轮廓信息;
利用所述空间数据和所述图纸图像,得到所述各建筑空间各自的构件分类结果。
可选地,识别所述图纸图像中的各建筑空间,并从所述图纸图像中获取所述各建筑空间各自的空间数据,包括:
将所述图纸图像输入预先训练的空间分类模型中,得到所述各建筑空间各自的空间数据。
可选地,利用所述空间数据和所述图纸图像,得到所述各建筑空间各自的构件分类结果,包括:
根据所述轮廓信息,从所述图纸图像中截取所述各建筑空间各自对应的建筑子图像;
按照空间类别分别识别所述各建筑子图像,得到所述各建筑子图像各自对应的建筑空间的构件分类结果。
可选地,按照空间类别分别识别所述各建筑子图像,得到所述各建筑子图像各自对应的建筑空间的构件分类结果,包括:
对于所述各建筑子图像中的任一建筑子图像,获取所述建筑子图像对应的目标空间类别;
基于所述目标空间类别,确定与所述建筑子图像匹配的构件分类模型;
采用所述构件分类模型识别所述建筑子图像,得到所述建筑子图像对应的建筑空间的构件分类结果。
可选地,基于所述目标空间类别,确定与所述建筑子图像匹配的构件分类模型,包括:
分别获取预先训练的至少一个构件分类模型各自的模型标签,所述模型标签用于指示构件分类模型的分类对象;
从所述模型标签中确定与所述目标空间类别匹配的目标模型标签;
将所述目标模型标签对应的构件分类模型确定为与所述建筑子图像匹配的构件分类模型。
可选地,利用所述空间数据和所述图纸图像,得到所述各建筑空间各自的构件分类结果之后,还包括:
对于所述各建筑空间中的任意一个建筑空间,从所述建筑空间的构件分类结果中获取构件类别;
根据所述建筑空间的轮廓信息,确定所述建筑空间在所述图纸图像中的轮廓边界;
在所述轮廓边界内显示所述构件类别。
可选地,在所述轮廓边界内显示所述构件类别,包括:
从所述构件分类结果中,获取所述建筑空间具有的构件的构件边界信息;
在所述构件边界信息所指示的构件边界内显示所述构件类别。
第二方面.提供一种构件识别装置,包括:
获取单元,用于获取与建筑图纸对应的图纸图像;
识别单元,用于识别所述图纸图像中的各建筑空间,并从所述图纸图像中获取所述各建筑空间各自的空间数据,所述空间数据包括空间类别和轮廓信息;
获得单元,用于利用所述空间数据和所述图纸图像,得到所述各建筑空间各自的构件分类结果。
第三方面.提供一种电子设备,包括:处理器、存储器和通信总线,其中,处理器和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的构件识别方法。
第四方面.提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的构件识别方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的技术方案,获取与建筑图纸对应的图纸图像,识别图纸图像中的各建筑空间,并从图纸图像中获取各建筑空间各自的空间数据,利用空间数据和图纸图像,得到各建筑空间各自的构件分类结果。本实施例中由于先对图纸图像进行建筑空间的识别,从而实现可以以建筑空间为单位对图纸图像进行构件的识别,而由于具有相似图像特征的构件通常位于不同的建筑空间内,因此当以建筑空间为单位进行构件的识别时,不容易发生由于图像特征相似导致的构件误识别的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中网络系统的架构图;
图2为本申请实施例中构件识别方法的一种流程示意图;
图3为本申请实施例中构件识别方法的另一种流程示意图;
图4为本实施例示出的卫生间的构件分类结果的示意图;
图5为本申请实施例中构件识别装置的结构示意图;
图6为本申请实施例中电子设备的结构示意图。
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的一部分实施例,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的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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先举例介绍本申请实施例的方案可能应用到的网络系统架构。
请参见图1,图1为本申请实施例提供的一种网络系统的架构图,如图1所示,该网络系统包括终端101、审图服务器102和数据库103。
其中,该网络系统通过有线或无线的网络连接,可以是虚拟专用网、局域网、广域网或城域网等,具体通信传输协议不作限定。
终端101可以用于通过程序代码或触控信号向审图服务器102提交构件识别请求,以此请求审图服务器102执行构件识别的相关步骤。
审图服务器102作为执行主体,在一些实施例中,审图服务器102可以是智能审图平台的后台服务器,智能审图平台通过将建筑行业设计图纸审查标准等规则化,自动进行建筑图纸审查,而构件识别是建筑图纸审查的过程之一,审图服务器102通过处理器执行程序代码来进行一系列空间分类模型和构件分类模型的处理,例如构建卷积神经网络,通过输入的样本建筑图纸生成训练用的小图纸集,等等。
数据库103可用于存储样本建筑图纸、小图纸集、训练结果、测试结果、空间分类结果以及构件分类结果等信息,开发人员可通过终端输入条件查询语句从数据库103中提取需要的信息,例如:提取空间分类结果或构件分类结果。该数据库103可以是本地数据库,如万科的Van-Bu数据库,也可以是独立于审图服务器102的第三方数据库,如一些设计院的数据库,或者还可以是云端数据库。
应理解,本实施例中的终端101可以是桌上电脑、平板电脑、超级计算机等设备;审图服务器102可以是本地服务器,也可以是云端服务器,或者也可以是服务器集群。
应理解,图1所示的网络系统架构仅仅是一种示例,其还可以包括如路由器、交换机等更多的组成部分。
基于图1所示的网络系统架构,以下结合相关附图对本申请实施例提出的构件识别方法进行详细阐述,请参见图2,图2为本申请实施例提供的一种构件识别方法的流程示意图,如图2所示,包括以下步骤:
步骤201、获取与建筑图纸对应的图纸图像。
本实施例中,建筑图纸可以是CAD图纸或其它格式的二位建筑图纸,由用户预先存储在数据库103中,以便于使用时直接获取。
本实施例中,审图服务器101根据第一外部输入设备触发的第一信号从数据库103中获取建筑图纸,并根据第二外部输入设备触发的第二信号执行对获取的建筑图纸的图像打印操作,以获取与建筑图纸对应的图纸图像。
示例性地,第一外部输入(或第二外部输入设备)包括但不限于鼠标、按键键盘或触控键盘。
应理解,第一外部输入设备和第二外部输入设备可以为同一种输入设备,也可以为不同种类的输入设备,本实施例对此不作具体限定。
应理解,审图服务器102对建筑图纸执行图像打印操作,实际上是对建筑图纸的格式进行转换的过程,即将建筑图纸由图纸格式转换为图像格式。以建筑图纸为CAD图纸、图像格式为JPEG为例,对建筑图纸执行图像打印操作实际为将建筑图纸由dwg格式转换为JPEG格式。
步骤202、识别图纸图像中的各建筑空间,并从图纸图像中获取各建筑空间各自的空间数据,空间数据包括空间类别和轮廓信息。
本实施例中,建筑空间为由墙和门窗所围成的空间,因此在一张建筑图纸中可以包括多个建筑空间。以室内家居设计的建筑图纸为例,该建筑图纸对应的图纸图像中存在的建筑空间可以为主卧、侧卧、客卧、书房、卫生间、客厅或餐厅,等等。
本实施例中,空间类别用于标识建筑空间,应用中空间类别包括但不限于建筑空间的空间名称,例如空间类别可以为主卧、侧卧或客卧,等等。
本实施例中,轮廓信息用于指示建筑空间在图纸图像中的位置,应用中轮廓信息包括但不限于轮廓坐标。
应用中,当轮廓信息以轮廓坐标实现时,该轮廓坐标为以审图服务器102中的坐标系为基础获取。
可选地,本实施例提供以下两种从图纸图像中识别建筑空间,并获取建筑空间的空间数据的实现方式:
作为一种可选实施方式,从图纸图像中提取至少一个文字标注,从至少一个文字标注中获取用于指示空间类别的目标文字标注,将目标文字标注所在的空间确定为建筑空间。
应用中,包括但不限于采用OCR(Optical Character Recognition,光学字符识别)提取图纸图像中的文字标注。
应理解,图纸图像中的文字标注除了包括用于指示空间类别的目标文字标注,还可以包括指示构件材质或构件状态等的文字标注。例如,指示构件材质的文字标注可以为镀锌钢管,指示构件状态的文字标注可以为平时关闭/战时开启,等。
可选地,在从至少一个文字标注中获取目标文字标注时,可以将至少一个文字标注中各文字标注与用于指示建筑空间的空间类别的标注集合进行匹配,当至少一个文字标注中存在与标注集合匹配的文字标注时,确定该匹配的文字标注属于目标文字标注。
其中,标注集合中文字标注可以人为根据经验确定,该标注集合囊括各个领域下的建筑空间的类别。
其中,各个领域包括但不限于电气领域、暖通领域和家装领域。
可选地,可以通过轮廓查找算法确定目标文字标注所在的空间,应理解,轮廓查找算法能够找到目标文字标注所在空间的轮廓,因此可以将该轮廓所围成的空间确定为目标文字标注所在的空间,并获取该轮廓的轮廓坐标,将该轮廓坐标确定为目标文字标注所在空间的轮廓信息。
作为另一种可选实施方式,将图纸图像输入预先训练的空间分类模型中,从而识别得到图纸图像中的建筑空间。
应用中,审图服务器102从数据库103中获取已进行空间标注的样本建筑图纸,并执行图像分解算法,采用图像分割、图像裁剪等技术以单个建筑空间为单位,将样本图纸分解为N个小图纸,得到小图纸集,采用小图纸集对空间分类模型进行训练。
本实施例中,为了提高模型的运算速度,空间分类模型采用轻量级卷积神经网络实现,示例性地,该空间分类模型包括但不限于MobileNet模型。
步骤203、利用空间数据和图纸图像,得到各建筑空间各自的构件分类结果。
本实施例中,构件分类结果包括构件类别,构件类别用于标识构件,应用中构件类别包括但不限于构件的构件名称,例如构件类别可以为马桶、洗浴器、灶台、餐桌以及沙发,等等。
应理解,由于位于同一建筑空间下的构件的图像特征彼此相差较多,而图像特征相似的构件通常位于不同的建筑空间下,因此在基于空间数据进行构件的分类识别时,不会存在因为图像特征相似导致误判的情况发生。以图像特征比较相似的信报箱和空调外机为例,虽然二者的图像特征比较相似,但是由于信报箱和空调外机通常处于不同的建筑空间内,如信报箱通常位于楼宇的一层大厅内,而空调外机通常位于卧室的外部或至少空调外机一般不会位于楼宇的一层大厅内,因此在以建筑空间为单位进行构件的识别时,不会对信报箱和空调外机误识别,即在识别大厅内的构件时,由于从逻辑上空调外机不会存在室内,所以不存在将信报箱误识别为空调外机的可能,同理,在对空调外机所处的建筑空间内的构件进行识别时,由于从逻辑上信报箱不会存在该建筑空间内,所以不存在将空调外机误识别为信报箱的可能。
本申请实施例提供的技术方案,获取与建筑图纸对应的图纸图像,识别图纸图像中的各建筑空间,并从图纸图像中获取各建筑空间各自的空间数据,利用空间数据和图纸图像,得到各建筑空间各自的构件分类结果。本实施例中由于先对图纸图像进行建筑空间的识别,从而实现可以以建筑空间为单位对图纸图像进行构件的识别,而由于具有相似图像特征的构件通常位于不同的建筑空间内,因此当以建筑空间为单位进行构件的识别时,不容易发生由于图像特征相似导致的构件误识别的问题。
在获得各建筑空间各自的构件分类结果时,如图3所示,步骤203可以包括以下步骤:
步骤301、根据轮廓信息,从图纸图像中截取各建筑空间各自对应的建筑子图像。
应用中,审图服务器102执行图像分解算法,采用图像分割、图像裁剪等技术从图纸图像中截取建筑子图像。
步骤302、按照空间类别分别识别各建筑子图像,得到各建筑子图像各自对应的建筑空间的构件分类结果。
一个实施例中,采用构件分类模型对建筑子图像进行识别,得到建筑子图像对应的建筑空间的构件分类结果。
具体地,对于各建筑子图像中的任一建筑子图像,获取建筑子图像对应的目标空间类别;基于目标空间类别,确定与建筑子图像匹配的构件分类模型;采用构件分类模型识别建筑子图像,得到建筑子图像对应的建筑空间的构件分类结果。
应理解,本实施例中,不同空间类别的建筑子图像所匹配的构件分类模型所采用的基础算法可以相同,也可以不同,本实施例对此不作具体限定。
其中,当不同空间类别的建筑子图像所匹配的构件分类模型所采用的基础算法相同时,该基础算法可以为同一目标检测模型所对应的算法,例如该目标检测模型可以为Retinanet模型。
应理解,在此情况下,虽然采用的基础算法相同,但是由于不同空间类别的建筑空间所采用的训练样本不同,因此对应不同空间类别的建筑空间或建筑子图像的构件分类模型不同,为了区分不同空间类别对应的构件分类模型,本实施例预先对分类模型设置模型标签,因此在基于目标空间类别确定与建筑子图像匹配的构件分类模型时,可以通过确定与目标空间类别匹配的目标模型标签,找到该构件分类模型。
具体地,分别获取预先训练的至少一个构件分类模型各自的模型标签,模型标签用于指示构件分类模型的分类对象;从模型标签中确定与目标空间类别匹配的目标模型标签;将目标模型标签对应的构件分类模型确定为与建筑子图像匹配的构件分类模型。
其中,构件分类模型的分类对象为与空间类别对应的图像,例如构件分类模型的分类对象可以为卧室的图像、卫生间的图像、餐厅的图像,等等。
在本申请的另一实施例中,在得到各建筑图纸对应的构件分类结果之后,还可以对构件分类结果进行汇总,并将汇总结果作为建筑图纸的构件分类结果进行输出。
例如,以各建筑图纸对应的构件分类结果为卫生间:马桶、洗浴器,厨房:灶台、油烟机,那么输出的汇总结果可以为马桶、洗浴器、灶台和油烟机。
在本申请的另一实施例中,为了向用户直观展示各建筑空间各自的构件分类结果,使用户明确构件分类结果中的各构件所属的建筑空间,在输出各建筑空间各自的构件分类结果时,输出图纸图像,同时在图纸图像中的建筑空间内,显示建筑空间所具有的构件的构件类别。
具体地,对于各建筑空间中的任意一个建筑空间,从建筑空间的构件分类结果中获取构件类别;根据建筑空间的轮廓信息,确定建筑空间在图纸图像中的轮廓边界;在轮廓边界内显示构件类别。
应用中,为了使用户观看图纸图像时,能够明确构件类别与构件的对应关系,即明确哪个构件对应哪个构件类别,在轮廓边界内显示构件类别时,从构件分类结果中,获取建筑空间内具有的构件的构件边界信息,并在构件边界信息所指示的构件边界内显示构件类别。
应理解,构件边界信息所指示的构件边界的形状不作具体限定,只要该构件边界能够包含构件即可。例如该构件边界的形状可以为长方形。
请参阅图4,图4为本实施例示出的卫生间的构件分类结果的示意图,该卫生间具有洗手池、马桶、地漏、浴缸以及淋浴间门共五类构件,其中,矩形框为构件的构件边界。
基于同一构思,本申请实施例中提供了一种构件识别装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图5所示,该装置主要包括:
获取单元501,用于获取与建筑图纸对应的图纸图像;
识别单元502,用于识别图纸图像中的各建筑空间,并从图纸图像中获取各建筑空间各自的空间数据,空间数据包括空间类别和轮廓信息;
获得单元503,用于利用空间数据和图纸图像,得到各建筑空间各自的构件分类结果。
可选地,识别单元502用于:
将图纸图像输入预先训练的空间分类模型中,得到各建筑空间各自的空间数据。
可选地,获得单元503用于:
根据轮廓信息,从图纸图像中截取各建筑空间各自对应的建筑子图像;
按照空间类别分别识别各建筑子图像,得到各建筑子图像各自对应的建筑空间的构件分类结果。
可选地,获得单元503用于:
对于各建筑子图像中的任一建筑子图像,获取建筑子图像对应的目标空间类别;
基于目标空间类别,确定与建筑子图像匹配的构件分类模型;
采用构件分类模型识别建筑子图像,得到建筑子图像对应的建筑空间的构件分类结果。
可选地,获得单元503用于:
分别获取预先训练的至少一个构件分类模型各自的模型标签,模型标签用于指示构件分类模型的分类对象;
从模型标签中确定与目标空间类别匹配的目标模型标签;
将目标模型标签对应的构件分类模型确定为与建筑子图像匹配的构件分类模型。
可选地,该装置还用于:
利用空间数据和图纸图像,得到各建筑空间各自的构件分类结果之后,对于各建筑空间中的任意一个建筑空间,从建筑空间的构件分类结果中获取构件类别;
根据建筑空间的轮廓信息,确定建筑空间在图纸图像中的轮廓边界;
在轮廓边界内显示构件类别。
可选地,该装置还用于:
从构件分类结果中,获取建筑空间具有的构件的构件边界信息;
在构件边界信息所指示的构件边界内显示构件类别。
基于同一构思,本申请实施例中还提供了一种电子设备,如图6所示,该电子设备主要包括:处理器601、存储器602和通信总线603,其中,处理器601和存储器602通过通信总线603完成相互间的通信。其中,存储器602中存储有可被处理器601执行的程序,处理器601执行存储器602中存储的程序,实现如下步骤:
获取与建筑图纸对应的图纸图像;
识别图纸图像中的各建筑空间,并从图纸图像中获取各建筑空间各自的空间数据,空间数据包括空间类别和轮廓信息;
利用空间数据和图纸图像,得到各建筑空间各自的构件分类结果。
上述电子设备中提到的通信总线603可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线603可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器602可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器601的存储装置。
上述的处理器601可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的构件识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,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。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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种构件识别方法,其特征在于,包括:
获取与建筑图纸对应的图纸图像;
识别所述图纸图像中的各建筑空间,并从所述图纸图像中获取所述各建筑空间各自的空间数据,所述空间数据包括空间类别和轮廓信息;
利用所述空间数据和所述图纸图像,得到所述各建筑空间各自的构件分类结果。
2.根据权利要求1所述的方法,其特征在于,识别所述图纸图像中的各建筑空间,并从所述图纸图像中获取所述各建筑空间各自的空间数据,包括:
将所述图纸图像输入预先训练的空间分类模型中,得到所述各建筑空间各自的空间数据。
3.根据权利要求1所述的方法,其特征在于,利用所述空间数据和所述图纸图像,得到所述各建筑空间各自的构件分类结果,包括:
根据所述轮廓信息,从所述图纸图像中截取所述各建筑空间各自对应的建筑子图像;
按照空间类别分别识别所述各建筑子图像,得到所述各建筑子图像各自对应的建筑空间的构件分类结果。
4.根据权利要求3所述的方法,其特征在于,按照空间类别分别识别所述各建筑子图像,得到所述各建筑子图像各自对应的建筑空间的构件分类结果,包括:
对于所述各建筑子图像中的任一建筑子图像,获取所述建筑子图像对应的目标空间类别;
基于所述目标空间类别,确定与所述建筑子图像匹配的构件分类模型;
采用所述构件分类模型识别所述建筑子图像,得到所述建筑子图像对应的建筑空间的构件分类结果。
5.根据权利要求4所述的方法,其特征在于,基于所述目标空间类别,确定与所述建筑子图像匹配的构件分类模型,包括:
分别获取预先训练的至少一个构件分类模型各自的模型标签,所述模型标签用于指示构件分类模型的分类对象;
从所述模型标签中确定与所述目标空间类别匹配的目标模型标签;
将所述目标模型标签对应的构件分类模型确定为与所述建筑子图像匹配的构件分类模型。
6.根据权利要求1所述的方法,其特征在于,利用所述空间数据和所述图纸图像,得到所述各建筑空间各自的构件分类结果之后,还包括:
对于所述各建筑空间中的任意一个建筑空间,从所述建筑空间的构件分类结果中获取构件类别;
根据所述建筑空间的轮廓信息,确定所述建筑空间在所述图纸图像中的轮廓边界;
在所述轮廓边界内显示所述构件类别。
7.根据权利要求6所述的方法,其特征在于,在所述轮廓边界内显示所述构件类别,包括:
从所述构件分类结果中,获取所述建筑空间具有的构件的构件边界信息;
在所述构件边界信息所指示的构件边界内显示所述构件类别。
8.一种构件识别装置,其特征在于,包括:
获取单元,用于获取与建筑图纸对应的图纸图像;
识别单元,用于识别所述图纸图像中的各建筑空间,并从所述图纸图像中获取所述各建筑空间各自的空间数据,所述空间数据包括空间类别和轮廓信息;
获得单元,用于利用所述空间数据和所述图纸图像,得到所述各建筑空间各自的构件分类结果。
9.一种电子设备,其特征在于,包括:处理器、存储器和通信总线,其中,处理器和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现权利要求1-7任一项所述的构件识别方法。
10.一种计算机可读存储介质,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1-7任一项所述的构件识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660786.XA CN113392761A (zh) | 2021-06-15 | 2021-06-15 | 构件识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660786.XA CN113392761A (zh) | 2021-06-15 | 2021-06-15 | 构件识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113392761A true CN113392761A (zh) | 2021-09-14 |
Family
ID=77621149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110660786.XA Pending CN113392761A (zh) | 2021-06-15 | 2021-06-15 | 构件识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392761A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494764A (zh) * | 2021-12-21 | 2022-05-13 | 上海品览数据科技有限公司 | 一种建筑专业平面楼梯大样图中楼梯构件的识别方法 |
CN114973299A (zh) * | 2022-08-01 | 2022-08-30 | 万翼科技有限公司 | 建筑图纸构件识别方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092727A (zh) * | 2017-03-30 | 2017-08-25 | 南京师范大学 | 一种基于cad图纸的建筑物室内跨楼层空间提取方法 |
CN109002841A (zh) * | 2018-06-27 | 2018-12-14 | 淮阴工学院 | 一种基于Faster-RCNN模型的建筑构件提取方法 |
CN110909650A (zh) * | 2019-11-15 | 2020-03-24 | 清华大学 | 基于领域知识和目标检测的cad图纸识别方法和装置 |
CN111008597A (zh) * | 2019-12-05 | 2020-04-14 | 万翼科技有限公司 | Cad图纸的空间识别方法、装置、电子设备及存储介质 |
CN111444986A (zh) * | 2020-04-28 | 2020-07-24 | 万翼科技有限公司 | 建筑图纸构件分类方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-15 CN CN202110660786.XA patent/CN113392761A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092727A (zh) * | 2017-03-30 | 2017-08-25 | 南京师范大学 | 一种基于cad图纸的建筑物室内跨楼层空间提取方法 |
CN109002841A (zh) * | 2018-06-27 | 2018-12-14 | 淮阴工学院 | 一种基于Faster-RCNN模型的建筑构件提取方法 |
CN110909650A (zh) * | 2019-11-15 | 2020-03-24 | 清华大学 | 基于领域知识和目标检测的cad图纸识别方法和装置 |
CN111008597A (zh) * | 2019-12-05 | 2020-04-14 | 万翼科技有限公司 | Cad图纸的空间识别方法、装置、电子设备及存储介质 |
CN111444986A (zh) * | 2020-04-28 | 2020-07-24 | 万翼科技有限公司 | 建筑图纸构件分类方法、装置、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494764A (zh) * | 2021-12-21 | 2022-05-13 | 上海品览数据科技有限公司 | 一种建筑专业平面楼梯大样图中楼梯构件的识别方法 |
CN114973299A (zh) * | 2022-08-01 | 2022-08-30 | 万翼科技有限公司 | 建筑图纸构件识别方法、装置、电子设备及存储介质 |
CN114973299B (zh) * | 2022-08-01 | 2023-01-10 | 万翼科技有限公司 | 建筑图纸构件识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017362937B2 (en) | Information processing device, information processing method, and program | |
US12008666B1 (en) | Automatic updating of real estate database | |
CN112883798B (zh) | 基于深度学习建筑专业住宅平面图空间内构件的识别方法 | |
CN113392761A (zh) | 构件识别方法、装置、设备及存储介质 | |
CN111008597A (zh) | Cad图纸的空间识别方法、装置、电子设备及存储介质 | |
US11610238B1 (en) | System and method for collecting and managing property information | |
CN111814828B (zh) | 智能空间规划方法、装置、设备及存储介质 | |
US20220374785A1 (en) | Machine Learning System | |
Goyal et al. | Bridge: Building plan repository for image description generation, and evaluation | |
Cho et al. | Time estimation method for manual assembly using MODAPTS technique in the product design stage | |
WO2020134411A1 (zh) | 一种商品类别识别方法、装置及电子设备 | |
CN111523169A (zh) | 一种装修方案生成方法、装置、电子设备及存储介质 | |
JP2014106597A (ja) | 自律移動体、物体情報取得装置、および物体情報取得方法 | |
CN117112829B (zh) | 医疗数据跨模态检索方法、装置和相关设备 | |
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 | |
CN113435289A (zh) | 空间分割方法、装置、设备及存储介质 | |
CN112418159A (zh) | 基于注意力掩码的就餐人员监控方法、装置和电子设备 | |
CN108021941A (zh) | 药物肝毒性预测方法及装置 | |
CN116245596A (zh) | 一种物品推荐方法、装置、电子设备及存储介质 | |
CN108664943B (zh) | 一种多居住者场景下的室内日常活动识别方法 | |
CN113963211B (zh) | 一种用于手势识别的无监督域适应训练方法及系统 | |
Zhao et al. | Automatic room type classification using machine learning for two-dimensional residential building plans | |
JP2023132142A (ja) | 情報処理方法、情報処理装置、及び情報処理プログラム | |
CN114445845A (zh) | 图纸中构件的识别方法、装置、电子设备和存储介质 | |
Vicas et al. | Influence of Expert‐Dependent Variability over the Performance of Noninvasive Fibrosis Assessment in Patients with Chronic Hepatitis C by Means of Texture Analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210914 |
|
RJ01 | Rejection of invention patent application after publication |