CN113792980B - 一种工程设计文件工作量评估方法及系统 - Google Patents
一种工程设计文件工作量评估方法及系统 Download PDFInfo
- Publication number
- CN113792980B CN113792980B CN202110947403.7A CN202110947403A CN113792980B CN 113792980 B CN113792980 B CN 113792980B CN 202110947403 A CN202110947403 A CN 202110947403A CN 113792980 B CN113792980 B CN 113792980B
- Authority
- CN
- China
- Prior art keywords
- primitive
- primitives
- workload
- feature vector
- engineering design
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种工程设计文件工作量评估方法及系统,方法包括以下步骤:获取已知工作量的工程设计文件中的公共图元信息;简化图元数据并归一化成第一特征向量;将每类图元中最大的B个特征系数作为该类图元的特征向量,将所有类图元的特征向量组合成第二特征向量;通过任意两个图元相对于该两个图元中任一图元的主方向的偏移角度获取第三特征向量;对深度神经网络模型进行训练;采用训练后的深度神经网络模型获取待评估工程设计文件的工作量。本发明可以针对工程设计文档特点,有效表征设计文档内部图元图形的结构空间关系与相关不变性特征,并通过建模的方式自动完成工程设计文件工作量的处理和分析。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种工程设计文件工作量评估方法及系统。
背景技术
在工程设计系统的设计中,设计师通过电脑软件制图方式来完成相关的设计工作。很多时候都是绩效核算部门在原始图纸中,通过人眼识别、手动统计的方式,将识别到的构件图形信息进行算量。这样手工查看图纸效率非常低,耗时耗力,并且识别准确度还不高。尤其是在大型图纸和图纸数量巨大的情况下,依靠传统的人眼识别进行工作量的统计相关工作,会出现工作量统计不准确、无法量化的情况。
综上所述,现有技术存在的问题是:
(1)在当今大数据产生的时代背景下,工程设计文档数量急剧增加,采用传统人工方法统计工作量显得低效,缺乏自动准确评估的效果。
(2)传统数据处理方法未能挖掘设计文档中的结构空间特征,对于设计图元的空间变换较难适应,导致特征信息不准确。对于计算方法,传统的方法中采用简单加权的进行计算,难以描述特征值与工作量之间的复杂非线性的关系。
发明内容
针对现有技术中的上述不足,本发明提供的一种工程设计文件工作量评估方法及系统解决了现有统计工程设计文件工作量效率低且难度大的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种工程设计文件工作量评估方法,其包括以下步骤:
S1、获取已知工作量的工程设计文件中的公共图元信息,包括图元的图形类型、坐标、图层、线型和信息参数;归一化已知的工作量;
S2、在公共图元信息中,对于同一图层下相同类型重叠的图元图形和不同图层中相同坐标、相同类型的元素,均只保留一个图元的数据,将所有保留的图元数据归一化后构成第一特征向量;
S3、根据公共图元信息中的坐标计算两两图元图形之间的距离,得到距离矩阵;
S4、在距离矩阵中获取与每个图元相关的k个最大距离,并将该k个最大距离的均值作为该图元的尺度化因子;
S5、将同类图元的尺度化因子进行归类,根据图元的尺度化因子计算其特征系数,将每类图元中最大的B个特征系数作为该类图元的特征向量,将所有类图元的特征向量组合成第二特征向量;
S6、根据每个图元的坐标获取任意两个图元相对于该两个图元中任一图元的主方向的偏移角度,以1°为间隔获取1°~720°范围内的720个偏移角度并进行归一化,得到第三特征向量;
S7、将已知工作量的工程设计文件的第一特征向量、第二特征向量、第三特征向量和归一化后的工作量一起作为训练样本数据对深度神经网络模型进行训练,得到训练后的深度神经网络模型;
S8、将待评估工程设计文件的第一特征向量、第二特征向量和第三特征向量作为训练后的深度神经网络模型的输入,将训练后的深度神经网络模型的输出作为待评估工程设计文件的工作量。
进一步地,步骤S1中图元的图形类型包括线、点、圆、弧、SHAPE、SOLID、多边形、等宽线和文本图形;将图元图形的重心作为该图元的坐标。
进一步地,步骤S2中同一图层下相同类型重叠的图元图形具体为同一图层下相同类型的坐标相等或坐标处于相差5个像素范围内的两个图元图形。
进一步地,步骤S4中k的取值为:
其中m为工程设计文件中公共图元的总个数;β为常数;表示向下取整。
进一步地,常数β的值为0.01。
进一步地,步骤S5中根据图元的尺度化因子计算其特征系数的具体方法包括以下子步骤:
S5-1、对于每一个图元,根据公式:
获取数量参数a;其中λ为常数;dm为该图元的尺度化因子;表示向下取整;
S5-2、获取该图元与所有图元距离最小的a个距离值;
S5-3、根据公式:
得到该图元在整个工程设计文件中的紧密程度度量距离系数γ;其中dj为选取的a个距离值中的第j个;
S5-4、根据公式:
σ=2/(1+1/γ)
得到该图元的特征系数σ。
进一步地,步骤S6中根据每个图元的坐标获取任意两个图元相对于该两个图元中任一图元的主方向的偏移角度的具体方法为:
根据公式:
获取图元i相对于x轴正方向的主方向θi;其中(xi,yi)为图元i的坐标;(xav,yav)为所有图元的坐标均值;π为180°;
根据公式:
获取图元i与图元j相对于图元i的主方向θi的偏移角度ψi,j,进而得到任意两个图元相对于该两个图元中任一图元的主方向的偏移角度;其中(xj,yj)为图元j的坐标。
进一步地,步骤S7中深度神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层;输入层为三类,分别对应第一特征向量、第二特征向量和第三特征向量;第一隐藏层和第二隐藏层的激活函数均为:σ(x)=1/(1+exp(-∑hwhxh+b)),其中wh表示该级神经元的第h个权重;xh表示该级神经元的h个输入分量;b为待训练网络参数;x表示总输入;输出层的激活函数为修正线性单元ReLu:φi(x)=max(0,∑whxh+b),代价函数为C(φ,δ)=(φ-δ)2/2,其中φ为深度神经网络模型的输出,δ为归一化后的工作量。
提供一种工程设计文件工作量评估系统,其包括:
存储器,存储有可执行指令;以及
处理器,被配置为执行存储器中可执行指令以实现上述的方法。
本发明的有益效果为:本发明可以针对工程设计文档特点,有效表征设计文档内部图元图形的结构空间关系与相关不变性特征,并通过建模的方式自动完成工程设计文件工作量的处理和分析,减少复杂繁琐的人工成本,提高工作量评估的准确性。
附图说明
图1为本方法的流程示意图;
图2为本方法中深度神经网络模型前端部分连接神经网络的结构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,该工程设计文件工作量评估方法包括以下步骤:
S1、获取已知工作量的工程设计文件中的公共图元信息,包括图元的图形类型、坐标、图层、线型和信息参数;归一化已知的工作量;
S2、在公共图元信息中,对于同一图层下相同类型重叠的图元图形和不同图层中相同坐标、相同类型的元素,均只保留一个图元的数据,将所有保留的图元数据归一化后构成第一特征向量;
S3、根据公共图元信息中的坐标计算两两图元图形之间的距离,得到距离矩阵;
S4、在距离矩阵中获取与每个图元相关的k个最大距离,并将该k个最大距离的均值作为该图元的尺度化因子;
S5、将同类图元的尺度化因子进行归类,根据图元的尺度化因子计算其特征系数,将每类图元中最大的B个特征系数作为该类图元的特征向量,将所有类图元的特征向量组合成第二特征向量;B的取值为500;
S6、根据每个图元的坐标获取任意两个图元相对于该两个图元中任一图元的主方向的偏移角度,以1°为间隔获取1°~720°范围内的720个偏移角度并进行归一化,得到第三特征向量;
S7、将已知工作量的工程设计文件的第一特征向量、第二特征向量、第三特征向量和归一化后的工作量一起作为训练样本数据对深度神经网络模型进行训练,得到训练后的深度神经网络模型;
S8、将待评估工程设计文件的第一特征向量、第二特征向量和第三特征向量作为训练后的深度神经网络模型的输入,将训练后的深度神经网络模型的输出作为待评估工程设计文件的工作量。
步骤S1中图元的图形类型包括线、点、圆、弧、SHAPE、SOLID、多边形、等宽线和文本图形;将图元图形的重心作为该图元的坐标。
步骤S2中同一图层下相同类型重叠的图元图形具体为同一图层下相同类型的坐标相等或坐标处于相差5个像素范围内的两个图元图形。
步骤S4中k的取值为:
其中m为工程设计文件中公共图元的总个数;β为常数,值为0.01;表示向下取整。
步骤S5中根据图元的尺度化因子计算其特征系数的具体方法包括以下子步骤:
S5-1、对于每一个图元,根据公式:
获取数量参数a;其中λ为常数,值为0.01;dm为该图元的尺度化因子;表示向下取整;
S5-2、获取该图元与所有图元距离最小的a个距离值;
S5-3、根据公式:
得到该图元在整个工程设计文件中的紧密程度度量距离系数γ;其中dj为选取的a个距离值中的第j个;
S5-4、根据公式:
σ=2/(1+1/γ)
得到该图元的特征系数σ。
步骤S6中根据每个图元的坐标获取任意两个图元相对于该两个图元中任一图元的主方向的偏移角度的具体方法为:根据公式:
获取图元i相对于x轴正方向的主方向θi;其中(xi,yi)为图元i的坐标;(xav,yav)为所有图元的坐标均值;π为180°;
根据公式:
获取图元i与图元j相对于图元i的主方向θi的偏移角度ψi,j,进而得到任意两个图元相对于该两个图元中任一图元的主方向的偏移角度;其中(xj,yj)为图元j的坐标。
如图2所示,步骤S7中深度神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层;输入层为三类,分别对应第一特征向量、第二特征向量和第三特征向量;第一隐藏层和第二隐藏层的激活函数均为:σ(x)=1/(1+exp(-∑hwhxh+b)),其中wh表示该级神经元的第h个权重;xh表示该级神经元的h个输入分量;b为待训练网络参数;x表示总输入;输出层的激活函数为修正线性单元ReLu:φi(x)=max(0,∑whxh+b),代价函数为C(φ,δ)=(φ-δ)2/2,其中φ为深度神经网络模型的输出,δ为归一化后的工作量。
该工程设计文件工作量评估系统包括:
存储器,存储有可执行指令;以及
处理器,被配置为执行存储器中可执行指令以实现上述的方法。
在具体实施过程中,虽然图形由图元构成,但由于图元可以是具有一定形状的“图形”,例如圆、线、弧等,因此图元图形即表示图元的形状。作为训练数据的工程设计文件的工作量可以由绩效考核部门的专家认定,与工资中该设计文档中的绩效金额挂钩,因此也可以取该值作为工作量。
本发明可以通过后向传播算法迭代更新深度神经网络模型各层中的w和b值。通过训练样本中划分40%样本作为训练集进行训练(train set),划分训练样本中30%作为验证集合(validation set),划分30%作为测试集(test set),通过模型训练得到预测能力较优的模型。对于待评估的工程设计文件,可以采用与已知工作量的工程设计文件获取第一特征向量、第二特征向量和第三特征向量相同的方法获取对应的第一特征向量、第二特征向量和第三特征向量。
在本发明的一个实施例中,可以采用9元组数据I(c,x,y,z,l,t,p1,p2,p3)来统计公共图元信息,其中c表示公共图元图形类的类型(c=1,…,n),图形类型包括线、点、圆、弧、SHAPE、SOLID、多边形、等宽线和文本图形。x,y,z分别表示图元图形的坐标,对于2维图形只考虑x,y坐标,z坐标为0。图元如果是简单图形,例如圆,则将圆心作为图元的坐标,如果该图元是复杂图形类,原始信息中有多个坐标,可以通过计算多个坐标的重心作为该图元图形的坐标。l表示图层,t表示该图形的线型。P1~P3表示该图元信息参数描述,如圆的半径,线段长度等,同一类图形的参数含义确定,不同类型参数含义不同,对于不足3个信息参数的,采用0表示。
综上所述,本发明可以针对工程设计文档特点,有效表征设计文档内部图元图形的结构空间关系与相关不变性特征,并通过建模的方式自动完成工程设计文件工作量的处理和分析,减少复杂繁琐的人工成本,提高工作量评估的准确性。
Claims (9)
1.一种工程设计文件工作量评估方法,其特征在于,包括以下步骤:
S1、获取已知工作量的工程设计文件中的公共图元信息,包括图元的图形类型、坐标、图层、线型和信息参数;归一化已知的工作量;
S2、在公共图元信息中,对于同一图层下相同类型重叠的图元图形和不同图层中相同坐标、相同类型的元素,均只保留一个图元的数据,将所有保留的图元数据归一化后构成第一特征向量;
S3、根据公共图元信息中的坐标计算两两图元图形之间的距离,得到距离矩阵;
S4、在距离矩阵中获取与每个图元相关的k个最大距离,并将该k个最大距离的均值作为该图元的尺度化因子;
S5、将同类图元的尺度化因子进行归类,根据图元的尺度化因子计算其特征系数,将每类图元中最大的B个特征系数作为该类图元的特征向量,将所有类图元的特征向量组合成第二特征向量;
S6、根据每个图元的坐标获取任意两个图元相对于该两个图元中任一图元的主方向的偏移角度,以1°为间隔获取1°~720°范围内的720个偏移角度并进行归一化,得到第三特征向量;
S7、将已知工作量的工程设计文件的第一特征向量、第二特征向量、第三特征向量和归一化后的工作量一起作为训练样本数据对深度神经网络模型进行训练,得到训练后的深度神经网络模型;
S8、将待评估工程设计文件的第一特征向量、第二特征向量和第三特征向量作为训练后的深度神经网络模型的输入,将训练后的深度神经网络模型的输出作为待评估工程设计文件的工作量。
2.根据权利要求1所述的工程设计文件工作量评估方法,其特征在于,步骤S1中图元的图形类型包括线、点、圆、弧、SHAPE、SOLID、多边形、等宽线和文本图形;将图元图形的重心作为该图元的坐标。
3.根据权利要求1所述的工程设计文件工作量评估方法,其特征在于,步骤S2中同一图层下相同类型重叠的图元图形具体为同一图层下相同类型的坐标相等或坐标处于相差5个像素范围内的两个图元图形。
4.根据权利要求1所述的工程设计文件工作量评估方法,其特征在于,步骤S4中k的取值为:
其中m为工程设计文件中公共图元的总个数;β为常数;表示向下取整。
5.根据权利要求4所述的工程设计文件工作量评估方法,其特征在于,常数β的值为0.01。
6.根据权利要求1所述的工程设计文件工作量评估方法,其特征在于,步骤S5中根据图元的尺度化因子计算其特征系数的具体方法包括以下子步骤:
S5-1、对于每一个图元,根据公式:
获取数量参数a;其中λ为常数;dm为该图元的尺度化因子;表示向下取整;
S5-2、获取该图元与所有图元距离最小的a个距离值;
S5-3、根据公式:
得到该图元在整个工程设计文件中的紧密程度度量距离系数γ;其中dj为选取的a个距离值中的第j个;
S5-4、根据公式:
σ=2/(1+1/γ)
得到该图元的特征系数σ。
7.根据权利要求1所述的工程设计文件工作量评估方法,其特征在于,步骤S6中根据每个图元的坐标获取任意两个图元相对于该两个图元中任一图元的主方向的偏移角度的具体方法为:
根据公式:
获取图元i相对于x轴正方向的主方向θi;其中(xi,yi)为图元i的坐标;(xav,yav)为所有图元的坐标均值;π为180°;
根据公式:
获取图元i与图元j相对于图元i的主方向θi的偏移角度ψi,j,进而得到任意两个图元相对于该两个图元中任一图元的主方向的偏移角度;其中(xj,yj)为图元j的坐标。
8.根据权利要求1所述的工程设计文件工作量评估方法,其特征在于,步骤S7中深度神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层;输入层为三类,分别对应第一特征向量、第二特征向量和第三特征向量;第一隐藏层和第二隐藏层的激活函数均为:其中wh表示该级神经元的第h个权重;xh表示该级神经元的h个输入分量;b为待训练网络参数;x表示总输入;输出层的激活函数为修正线性单元ReLu:φi(x)=max(0,∑whxh+b),代价函数为C(φ,δ)=(φ-δ)2/2,其中φ为深度神经网络模型的输出,δ为归一化后的工作量。
9.一种工程设计文件工作量评估系统,其特征在于,包括:
存储器,存储有可执行指令;以及
处理器,被配置为执行存储器中可执行指令以实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110947403.7A CN113792980B (zh) | 2021-08-18 | 2021-08-18 | 一种工程设计文件工作量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110947403.7A CN113792980B (zh) | 2021-08-18 | 2021-08-18 | 一种工程设计文件工作量评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792980A CN113792980A (zh) | 2021-12-14 |
CN113792980B true CN113792980B (zh) | 2023-07-18 |
Family
ID=78876075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110947403.7A Active CN113792980B (zh) | 2021-08-18 | 2021-08-18 | 一种工程设计文件工作量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792980B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5189606A (en) * | 1989-08-30 | 1993-02-23 | The United States Of America As Represented By The Secretary Of The Air Force | Totally integrated construction cost estimating, analysis, and reporting system |
KR102168440B1 (ko) * | 2019-12-27 | 2020-10-21 | 에스앤에스이앤지 주식회사 | 플랜트 입찰 프런트 엔드 공학 설계 검증 방법 및 이를 기록한 컴퓨터 판독 가능 기록 매체 |
WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550744A (zh) * | 2015-12-06 | 2016-05-04 | 北京工业大学 | 一种基于迭代的神经网络聚类方法 |
CN112927357B (zh) * | 2021-03-05 | 2022-04-19 | 电子科技大学 | 一种基于动态图网络的3d物体重建方法 |
-
2021
- 2021-08-18 CN CN202110947403.7A patent/CN113792980B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5189606A (en) * | 1989-08-30 | 1993-02-23 | The United States Of America As Represented By The Secretary Of The Air Force | Totally integrated construction cost estimating, analysis, and reporting system |
WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
KR102168440B1 (ko) * | 2019-12-27 | 2020-10-21 | 에스앤에스이앤지 주식회사 | 플랜트 입찰 프런트 엔드 공학 설계 검증 방법 및 이를 기록한 컴퓨터 판독 가능 기록 매체 |
Also Published As
Publication number | Publication date |
---|---|
CN113792980A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Eigen-feature analysis of weighted covariance matrices for LiDAR point cloud classification | |
US11823443B2 (en) | Segmenting objects by refining shape priors | |
US8412492B2 (en) | System and method for fitting feature elements using a point-cloud of an object | |
Gisbrecht et al. | Linear basis-function t-SNE for fast nonlinear dimensionality reduction | |
CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
CN102831427A (zh) | 一种融合视觉显著性和灰度共生矩的纹理特征提取方法 | |
CN104392231A (zh) | 基于分块与稀疏主特征提取的快速协同显著性检测方法 | |
CN110543906B (zh) | 基于Mask R-CNN模型的肤质自动识别方法 | |
US11568212B2 (en) | Techniques for understanding how trained neural networks operate | |
Singh et al. | Nonparametric catchment clustering using the data depth function | |
CN112418212A (zh) | 一种基于EIoU改进的YOLOv3算法 | |
CN110135364A (zh) | 一种地物识别方法及装置 | |
CN112990318A (zh) | 持续学习方法、装置、终端及存储介质 | |
Veneziano et al. | Scaling and fractals in hydrology | |
CN107578448A (zh) | 基于cnn的无标定曲面所包含拼接曲面个数识别方法 | |
CN114565861A (zh) | 基于概率统计微分同胚集匹配的机载下视目标图像定位方法 | |
Xu et al. | Segmentation of 3D outdoor scenes using hierarchical clustering structure and perceptual grouping laws | |
Berengolts et al. | On the distribution of saliency | |
WO2024078112A1 (zh) | 一种舾装件智能识别方法、计算机设备 | |
CN113792980B (zh) | 一种工程设计文件工作量评估方法及系统 | |
Arbia et al. | Contextual classification in image analysis: an assessment of accuracy of ICM | |
CN116739649A (zh) | 一种用户响应潜力评估方法和装置 | |
US20220156420A1 (en) | Techniques for generating visualizations of geometric style gradients | |
US20220156415A1 (en) | Techniques for generating subjective style comparison metrics for b-reps of 3d cad objects |
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 |