CN113886931B - 一种基于b星算法的cad图纸消防联动报警线槽排布方法 - Google Patents
一种基于b星算法的cad图纸消防联动报警线槽排布方法 Download PDFInfo
- Publication number
- CN113886931B CN113886931B CN202111229644.4A CN202111229644A CN113886931B CN 113886931 B CN113886931 B CN 113886931B CN 202111229644 A CN202111229644 A CN 202111229644A CN 113886931 B CN113886931 B CN 113886931B
- Authority
- CN
- China
- Prior art keywords
- fire
- space
- trunking
- fighting linkage
- linkage alarm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 239000000470 constituent Substances 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 23
- 238000007619 statistical method Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 18
- 238000010276 construction Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 11
- 238000003491 array Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于建筑设计施工技术领域,且公开了一种基于B星算法的CAD图纸消防联动报警线槽排布方法,包括如下步骤:S1、获取待绘制的建筑底图dwg文件;S2、通过cad解析服务,获取图纸相关楼层信息和构成构件的最基础图元信息,判断楼层信息;S3、构件合并与分类,将含义相近的图层的基础图元按照特定的匹配模式进行合并。本发明运用深度神经网络模型解决了CAD建筑设计图纸中构件和空间的精准识别问题,减少了构件识别对图层的过度依赖,基于识别到的构件和空间,解决电气设计中的消防联动报警线槽的排布问题,依靠计算机的精准计算,既能够保证排布完全符合设计规范,人力成本和时间成本更是得到了最大程度的节省。
Description
技术领域
本发明属于建筑设计施工技术领域,具体是一种基于B星算法的CAD图纸消防联动报警线槽排布方法。
背景技术
消防联动指的是消防支队联合成立突发环境污染事件应急救援指挥中心,组建应急队伍,确保突发环境污染事故不期而至时,能够最大限度地降低危害和损失,保障公众人身与环境安全。
现在的建筑设计施工领域,CAD图纸的绘制主要是由具有多年工作经验的电气设计师手动进行消防联动报警线槽的排布,但这样的方式,通常导致以下几个问题:1、消防联动报警线槽的排布需要考虑周围墙体等诸多因素,同时兼顾美观性、安全性,而设计师通常是超负荷作业,疲劳之下难免出现疏忽,从而安全隐患的产生;2、设计师手动进行排布,时间周期长,无法快速及时地响应施工中的变更;3、施工图的绘制通常需要经验丰富的电气设计工程师,需要其积累的行业知识作为绘图的基础条件,从而导致人工设计成本较高。
发明内容
本发明的目的是针对以上问题,本发明提供了一种基于B星算法的CAD图纸消防联动报警线槽排布方法,具有无安全隐患、节省成本的优点。
为实现上述目的,本发明提供如下技术方案:一种基于B星算法的CAD图纸消防联动报警线槽排布方法,包括如下步骤:
S1、获取待绘制的建筑底图dwg文件;
S2、通过cad解析服务,获取图纸相关楼层信息和构成构件的最基础图元信息,判断楼层信息;
S3、构件合并与分类,将含义相近的图层的基础图元按照特定的匹配模式进行合并,获取每个构件的外接矩形框,采用基于深度学习的分类模型对图片上构件外接矩形区域进行分类,获取构件的类别名称,若可以获取到构件及其名称则记录此条标志为1;否则记录此条标志为0,进入统计分析流程;
S4、空间的分割与命名,在S3中已经分类构件中找到门窗构件,并连接门窗的两侧的短墙线,从而形成封闭空间,然后用图像处理的方法找到每个小空间,然后为每个小空间匹配空间内部文本,从而得到每个空间名称,若可以获取到空间及其名称则记录此条标志为1;否则记录此条标志为0,进入统计分析流程;
S5、根据国家建筑电气设计规范所述,在步骤S3、S4中得到的构件和空间中,获取需要连接消防联动报警线槽的设备或者空间,并以其作为节点,采用prim算法获取最小生成树,根据最小生成树的节点连接信息确定消防联动报警线槽的连接顺序,若可以获取到连接顺序则记录此条标志为1;否则记录此条标志为0,进入统计分析流程;
S6、根据S5中消防联动报警线槽的连接顺序,对于每两个需要连接的设备或空间采用B星算法完成消防联动报警线槽的排布,若所有需要连接的设备或空间均完成消防联动报警线槽的排布,则记录此条标志为1;否则记录此条标志为0,进入统计分析流程;
S7、对整个过程的动作结果进行统计分析,记录标志位全部为1,则完成图纸的自动化出图,若存在标志0,则未能成功出图;同时,根据标志0出现的位置获取图纸未能完成自动化出图的原因,整个操作步骤从S1~S7采用的是YES和NO的判断处理方式,如果可以继续往下工作则会为YES,如果不可以则会为NO,采用二选一的工作形式,不会出现其他第三种情况。
作为本发明的一种优选技术方案,所述S3步骤具体包括:
S31、获取不同楼盘、不同画图风格的CAD图纸;
S32、将含义相近的图层的基础图元按照特定的匹配模式进行合并,获取每个构件的外接矩形框,获取矩形框区域的构件图像;
S33、使用所述构件区域图像训练构件分类深度神经网络模型,获得构件分类模型。
作为本发明的一种优选技术方案,所述S5步骤具体包括:
S51、遍历S3中得到的构件,获取区域报警控制器,并以构件的外接矩形的质点作为连接点;遍历S4中得到的空间,获取弱电井空间,并以空间的最大内接矩形的质点作为连接点;
S52、计算两个连接点的直线距离,并以此作为权重,则可以将其等价看作是G=(V,E)的一张无向加权图,其中V为连接点的集合,E为边的集合;
S53、采用prim算法获取最小生成树,prim算法又称为加点法,具体过程为:
(1)从某一连接点u1出发,选择与它关联的具有最小权值的边(u1,v),将其顶点v加入到生成树顶点集合U中,U用于存放G的最小生成树中的顶点,T存放G的最小生成树中的边;
(2)令集合U的初值为U={u1}(假设构造最小生成树时,从顶点u1出发),集合T的初值为T={};
(3)以后每一步从U中选择一个顶点u(u属于U),而另一个顶点v属于V-U的边中,选取具有最小权值的边(u,v),将顶点v加入集合U中,将边(u,v)加入集合T中;
如此不断重复,直到U=V时,最小生成树构造完毕,这时集合T中包含了最小生成树的所有边。
作为本发明的一种优选技术方案,所述S6步骤具体包括:
S61、处理图纸信息,构建寻找可排布路径的地图,具体过程为:将剪力墙、电梯井这种消防联动报警线槽排布过程中需要躲避的构件或空间,在地图中置为障碍,建筑轮廓外的区域也无法排布消防联动报警线槽,同样在地图中置为障碍;
S62、遍历S5中得到的消防联动报警线槽的连接顺序,对每两个需要连接的连接点,采用B星算法计算出消防联动报警线槽的可排布路径,B星算法具体过程为:
(1)起始,探索节点为自由节点,从一连接点出发,向目标连接点前进;
(2)自由节点前进过程中判断前面是否为障碍;
a、不是障碍,向目标前进一步,仍为自由节点;
b、是障碍,以前方障碍为界,分出左右两个分支,分别试图绕过障碍,这两个分支节点即成为两个绕爬的探索节点;
(3)绕爬的探索节点绕过障碍后,又成为自由节点,回到(2);
(4)探索节点前进后,判断当前地图格子是否为目标连接点,如果是则寻路成功,根据寻路过程构造完整路径,此路径则为消防联动报警线槽的最佳排布。
作为本发明的一种优选技术方案,所述S2步骤中图元指的是组成图形的可见基础元素,比如直线,圆弧,圆等;构件指的是基础元素组成一个个有实际意义的实体,如楼梯、空调等,若图纸为地下一层或设备夹层,则记录此条标志为1;否则记录此条标志为0,进入统计分析流程。
作为本发明的一种优选技术方案,结构组成部件是由构件分类模块、空间分割模块、动态排布模块组成,其中构件分类模块由图元合并单元和构件分类单元构成;空间分割模块由空间闭合单元和空间命名单元构成;动态排布模块有动态排布单元构成,构件分类模块由图元合并单元和构件分类单元构成,其中,构件分类单元的具体分类方法包括:分类模块首先将图像输入到分类模型,得到N个一维数组[class,score],数组第一个元素代表构件类别序号,数组第二个元素代表置信度分数,每个数组均对应一个构件目标,通过运用深度神经网络模型解决了CAD建筑设计图纸中构件和空间的精准识别问题,并且减少了构件识别对图层的过度依赖;
分类模型获取方法如下:
S31、训练数据准备:获取不同楼盘、不同画图风格的CAD图纸;
S32、数据标注:将含义相近的图层的基础图元按照特定的匹配模式进行合并,获取每个构件的外接矩形框,获取矩形框区域的构件图像;
S33、模型训练:使用所述构件区域图像训练构件分类深度神经网络模型,获得构件分类模型;
空间分割模块由空间闭合单元和空间命名单元构成,空间闭合单元主要是通过获取构件分类结果中的门窗构件,找出空间的安置门窗处的两侧短墙线,并连接两侧短墙线以形成闭合空间,空间命名单元是获取空间内部的文本,通过正则匹配确定;
动态排布模块有动态排布单元构成,具体识别方法包括:根据国家建筑电气设计规范所述,在得到的构件和空间中,获取需要连接消防联动报警线槽的设备或者空间,采用prim算法获取最小生成树,根据最小生成树的连接信息确定消防联动报警线槽的连接顺序,对每两个需要连接的设备或空间采用B星算法获取可排布路径,以完成消防联动报警线槽的排布。
与现有技术相比,本发明的有益效果如下:
1、本发明运用深度神经网络模型解决了CAD建筑设计图纸中构件和空间的精准识别问题,减少了构件识别对图层的过度依赖,基于识别到的构件和空间,解决电气设计中的消防联动报警线槽的排布问题,依靠计算机的精准计算,既能够保证排布完全符合设计规范,不会产生安全隐患,而且一定程度上避免了多余的成本增加,相较于人工设计、手动绘图,人力成本和时间成本更是得到了最大程度的节省。
附图说明
图1为本发明整体工作流程示意图;
图2为本发明结构组成部件示意图。
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,都属于本发明保护的范围。
如图1至图2所示,本发明提供一种基于B星算法的CAD图纸消防联动报警线槽排布方法,包括如下步骤:
S1、获取待绘制的建筑底图dwg文件;
S2、通过cad解析服务,获取图纸相关楼层信息和构成构件的最基础图元信息,判断楼层信息;
S3、构件合并与分类,将含义相近的图层的基础图元按照特定的匹配模式进行合并,获取每个构件的外接矩形框,采用基于深度学习的分类模型对图片上构件外接矩形区域进行分类,获取构件的类别名称,若可以获取到构件及其名称则记录此条标志为1;否则记录此条标志为0,进入统计分析流程;
S4、空间的分割与命名,在S3中已经分类构件中找到门窗构件,并连接门窗的两侧的短墙线,从而形成封闭空间,然后用图像处理的方法找到每个小空间,然后为每个小空间匹配空间内部文本,从而得到每个空间名称,若可以获取到空间及其名称则记录此条标志为1;否则记录此条标志为0,进入统计分析流程;
S5、根据国家建筑电气设计规范所述,在步骤S3、S4中得到的构件和空间中,获取需要连接消防联动报警线槽的设备或者空间,并以其作为节点,采用prim算法获取最小生成树,根据最小生成树的节点连接信息确定消防联动报警线槽的连接顺序,若可以获取到连接顺序则记录此条标志为1;否则记录此条标志为0,进入统计分析流程;
S6、根据S5中消防联动报警线槽的连接顺序,对于每两个需要连接的设备或空间采用B星算法完成消防联动报警线槽的排布,若所有需要连接的设备或空间均完成消防联动报警线槽的排布,则记录此条标志为1;否则记录此条标志为0,进入统计分析流程;
S7、对整个过程的动作结果进行统计分析,记录标志位全部为1,则完成图纸的自动化出图,若存在标志0,则未能成功出图;同时,根据标志0出现的位置获取图纸未能完成自动化出图的原因,整个操作步骤从S1~S7采用的是YES和NO的判断处理方式,如果可以继续往下工作则会为YES,如果不可以则会为NO,采用二选一的工作形式,不会出现其他第三种情况。
其中,所述S3步骤具体包括:
S31、获取不同楼盘、不同画图风格的CAD图纸;
S32、将含义相近的图层的基础图元按照特定的匹配模式进行合并,获取每个构件的外接矩形框,获取矩形框区域的构件图像;
S33、使用所述构件区域图像训练构件分类深度神经网络模型,获得构件分类模型。
其中,所述S5步骤具体包括:
S51、遍历S3中得到的构件,获取区域报警控制器,并以构件的外接矩形的质点作为连接点;遍历S4中得到的空间,获取弱电井空间,并以空间的最大内接矩形的质点作为连接点;
S52、计算两个连接点的直线距离,并以此作为权重,则可以将其等价看作是G=(V,E)的一张无向加权图,其中V为连接点的集合,E为边的集合;
S53、采用prim算法获取最小生成树,prim算法又称为加点法,具体过程为:
(1)从某一连接点u1出发,选择与它关联的具有最小权值的边(u1,v),将其顶点v加入到生成树顶点集合U中。U用于存放G的最小生成树中的顶点,T存放G的最小生成树中的边;
(2)令集合U的初值为U={u1}(假设构造最小生成树时,从顶点u1出发),集合T的初值为T={};
(3)以后每一步从U中选择一个顶点u(u属于U),而另一个顶点v属于V-U的边中,选取具有最小权值的边(u,v),将顶点v加入集合U中,将边(u,v)加入集合T中;
如此不断重复,直到U=V时,最小生成树构造完毕,这时集合T中包含了最小生成树的所有边。
其中,所述S6步骤具体包括:
S61、处理图纸信息,构建寻找可排布路径的地图。具体过程为:将剪力墙、电梯井这种消防联动报警线槽排布过程中需要躲避的构件或空间,在地图中置为障碍,建筑轮廓外的区域也无法排布消防联动报警线槽,同样在地图中置为障碍;
S62、遍历S5中得到的消防联动报警线槽的连接顺序,对每两个需要连接的连接点,采用B星算法计算出消防联动报警线槽的可排布路径,B星算法具体过程为:
(1)起始,探索节点为自由节点,从一连接点出发,向目标连接点前进;
(2)自由节点前进过程中判断前面是否为障碍;
a、不是障碍,向目标前进一步,仍为自由节点;
b、是障碍,以前方障碍为界,分出左右两个分支,分别试图绕过障碍,这两个分支节点即成为两个绕爬的探索节点;
(3)绕爬的探索节点绕过障碍后,又成为自由节点,回到(2);
(4)探索节点前进后,判断当前地图格子是否为目标连接点,如果是则寻路成功,根据寻路过程构造完整路径,此路径则为消防联动报警线槽的最佳排布。
其中,所述S2步骤中图元指的是组成图形的可见基础元素,比如直线,圆弧,圆等;构件指的是基础元素组成一个个有实际意义的实体,如楼梯、空调等,若图纸为地下一层或设备夹层,则记录此条标志为1;否则记录此条标志为0,进入统计分析流程。
其中,结构组成部件是由构件分类模块、空间分割模块、动态排布模块组成,其中构件分类模块由图元合并单元和构件分类单元构成;空间分割模块由空间闭合单元和空间命名单元构成;动态排布模块由动态排布单元构成,
构件分类模块由图元合并单元和构件分类单元构成,其中,构件分类单元的具体分类方法包括:分类模块首先将图像输入到分类模型,得到N个一维数组[class,score],数组第一个元素代表构件类别序号,数组第二个元素代表置信度分数,每个数组均对应一个构件目标,通过运用深度神经网络模型解决了CAD建筑设计图纸中构件和空间的精准识别问题,并且减少了构件识别对图层的过度依赖;
分类模型获取方法如下:
S31、训练数据准备:获取不同楼盘、不同画图风格的CAD图纸;
S32、数据标注:将含义相近的图层的基础图元按照特定的匹配模式进行合并,获取每个构件的外接矩形框,获取矩形框区域的构件图像;
S33、模型训练:使用所述构件区域图像训练构件分类深度神经网络模型,获得构件分类模型;
空间分割模块由空间闭合单元和空间命名单元构成,空间闭合单元主要是通过获取构件分类结果中的门窗构件,找出空间的安置门窗处的两侧短墙线,并连接两侧短墙线以形成闭合空间,空间命名单元是获取空间内部的文本,通过正则匹配确定;
动态排布模块有动态排布单元构成,具体识别方法包括:根据国家建筑电气设计规范所述,在得到的构件和空间中,获取需要连接消防联动报警线槽的设备或者空间,采用prim算法获取最小生成树,根据最小生成树的连接信息确定消防联动报警线槽的连接顺序,对每两个需要连接的设备或空间采用B星算法获取可排布路径,以完成消防联动报警线槽的排布。
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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于B星算法的CAD图纸消防联动报警线槽排布方法,其特征在于,包括如下步骤:
S1、获取待绘制的建筑底图dwg文件;
S2、通过cad解析服务,获取图纸相关楼层信息和构成构件的最基础图元信息,判断楼层信息;
S3、构件合并与分类,将含义相近的图层的基础图元按照特定的匹配模式进行合并,获取每个构件的外接矩形框;
S4、空间的分割与命名,在S3中已经分类构件中找到门窗构件,并连接门窗的两侧的短墙线,从而形成封闭空间,然后用图像处理的方法找到每个小空间,然后为每个小空间匹配空间内部文本,从而得到每个空间名称;
S5、在步骤S3、S4中得到的构件和空间中,获取需要连接消防联动报警线槽的设备或者空间,并以其作为节点,采用prim算法获取最小生成树,根据最小生成树的节点连接信息确定消防联动报警线槽的连接顺序;
S6、根据S5中消防联动报警线槽的连接顺序,对于每两个需要连接的设备或空间采用B星算法完成消防联动报警线槽的排布;
S7、对整个过程的动作结果进行统计分析,记录标志位全部为1,则完成图纸的自动化出图,若存在标志0,则未能成功出图;同时,根据标志0出现的位置获取图纸未能完成自动化出图的原因;
所述S6步骤具体包括:
S61、处理图纸信息,构建寻找可排布路径的地图,具体过程为:将消防联动报警线槽排布过程中需要躲避的构件或空间,在地图中置为障碍,建筑轮廓外的区域也无法排布消防联动报警线槽,同样在地图中置为障碍;
S62、遍历S5中得到的消防联动报警线槽的连接顺序,对每两个需要连接的连接点,采用B星算法计算出消防联动报警线槽的可排布路径,B星算法具体过程为:
(1)起始,探索节点为自由节点,从一连接点出发,向目标连接点前进;
(2)自由节点前进过程中判断前面是否为障碍;
a、不是障碍,向目标前进一步,仍为自由节点;
b、是障碍,以前方障碍为界,分出左右两个分支,分别试图绕过障碍,这两个分支节点即成为两个绕爬的探索节点;绕爬的探索节点绕过障碍后,又成为自由节点,回到(2);
(3)探索节点前进后,判断当前地图格子是否为目标连接点,如果是则寻路成功,根据寻路过程构造完整路径,此路径则为消防联动报警线槽的最佳排布。
2.根据权利要求1所述的一种基于B星算法的CAD图纸消防联动报警线槽排布方法,其特征在于:所述S3步骤具体包括:
S31、获取不同楼盘、不同画图风格的CAD图纸;
S32、将含义相近的图层的基础图元按照特定的匹配模式进行合并,获取每个构件的外接矩形框,获取矩形框区域的构件图像;
S33、使用所述构件区域图像训练构件分类深度神经网络模型,获得构件分类模型。
3.根据权利要求1所述的一种基于B星算法的CAD图纸消防联动报警线槽排布方法,其特征在于:所述S5步骤具体包括:
S51、遍历S3中得到的构件,获取区域报警控制器,并以构件的外接矩形的质点作为连接点;遍历S4中得到的空间,获取弱电井空间,并以空间的最大内接矩形的质点作为连接点;
S52、计算两个连接点的直线距离,并以此作为权重,将其等价看作是G=(V,E)的一张无向加权图,其中V为连接点的集合,E为边的集合;
S53、采用prim算法获取最小生成树,prim算法又称为加点法,具体过程为:
(1)从某一连接点u1出发,选择与它关联的具有最小权值的边(u1, v),将其顶点v加入到生成树顶点集合U中,U用于存放G的最小生成树中的顶点,T存放G的最小生成树中的边;
(2)令集合U的初值为U={u1} ,假设构造最小生成树时,从顶点u1出发,集合T的初值为T={ };
(3)以后每一步从U中选择一个顶点u,u属于U,而另一个顶点v属于V-U的边中,选取具有最小权值的边(u,v),将顶点v加入集合U中,将边(u,v)加入集合T中;
如此不断重复,直到U=V时,最小生成树构造完毕,这时集合T中包含了最小生成树的所有边。
4.根据权利要求1所述的一种基于B星算法的CAD图纸消防联动报警线槽排布方法,其特征在于:所述S2步骤中图元指的是组成图形的可见基础元素,包括直线,圆弧,圆;构件指的是基础元素组成一个个有实际意义的实体,包括楼梯、空调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111229644.4A CN113886931B (zh) | 2021-10-21 | 2021-10-21 | 一种基于b星算法的cad图纸消防联动报警线槽排布方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111229644.4A CN113886931B (zh) | 2021-10-21 | 2021-10-21 | 一种基于b星算法的cad图纸消防联动报警线槽排布方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113886931A CN113886931A (zh) | 2022-01-04 |
CN113886931B true CN113886931B (zh) | 2024-04-30 |
Family
ID=79004344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111229644.4A Active CN113886931B (zh) | 2021-10-21 | 2021-10-21 | 一种基于b星算法的cad图纸消防联动报警线槽排布方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113886931B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241509B (zh) * | 2022-02-24 | 2022-07-08 | 江西少科智能建造科技有限公司 | 基于施工图的空间分割方法、系统、存储介质及设备 |
CN116110072B (zh) * | 2023-04-12 | 2023-08-15 | 江西少科智能建造科技有限公司 | 一种cad图纸解析方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016124022A1 (zh) * | 2015-02-04 | 2016-08-11 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆电气线束的设计及制作方法 |
CN111798649A (zh) * | 2020-06-23 | 2020-10-20 | 深圳市富思源智慧消防股份有限公司 | 火灾自动报警平面图的消防构件编号方法、系统、智能终端和存储介质 |
KR102213204B1 (ko) * | 2020-10-27 | 2021-02-05 | 주식회사 소방 119 | 인공 신경망을 이용하여, gis 기반의 소방 시설을 관리하고 화재를 예방하는 방법 및 장치 |
CN112507434A (zh) * | 2020-12-07 | 2021-03-16 | 深圳市安冠科技有限公司 | 一种基于可扩展的绘图模型绘制施工图纸的方法 |
CN112541504A (zh) * | 2020-12-11 | 2021-03-23 | 上海品览数据科技有限公司 | 一种针对文本中单个字符目标的检测方法 |
CN112883798A (zh) * | 2021-01-20 | 2021-06-01 | 上海品览智造科技有限公司 | 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 |
CN112883799A (zh) * | 2021-01-20 | 2021-06-01 | 上海品览智造科技有限公司 | 一种cad坡道大样图中坡道精准识别的方法 |
CN113094859A (zh) * | 2021-04-20 | 2021-07-09 | 嘉兴泰豪装备技术有限公司 | 电气控制箱线路布线优化方法、系统及存储介质 |
CN113139257A (zh) * | 2021-04-25 | 2021-07-20 | 北京城建设计发展集团股份有限公司 | 一种火灾自动报警系统图纸快速绘制装置及方法 |
-
2021
- 2021-10-21 CN CN202111229644.4A patent/CN113886931B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016124022A1 (zh) * | 2015-02-04 | 2016-08-11 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆电气线束的设计及制作方法 |
CN111798649A (zh) * | 2020-06-23 | 2020-10-20 | 深圳市富思源智慧消防股份有限公司 | 火灾自动报警平面图的消防构件编号方法、系统、智能终端和存储介质 |
KR102213204B1 (ko) * | 2020-10-27 | 2021-02-05 | 주식회사 소방 119 | 인공 신경망을 이용하여, gis 기반의 소방 시설을 관리하고 화재를 예방하는 방법 및 장치 |
CN112507434A (zh) * | 2020-12-07 | 2021-03-16 | 深圳市安冠科技有限公司 | 一种基于可扩展的绘图模型绘制施工图纸的方法 |
CN112541504A (zh) * | 2020-12-11 | 2021-03-23 | 上海品览数据科技有限公司 | 一种针对文本中单个字符目标的检测方法 |
CN112883798A (zh) * | 2021-01-20 | 2021-06-01 | 上海品览智造科技有限公司 | 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 |
CN112883799A (zh) * | 2021-01-20 | 2021-06-01 | 上海品览智造科技有限公司 | 一种cad坡道大样图中坡道精准识别的方法 |
CN113094859A (zh) * | 2021-04-20 | 2021-07-09 | 嘉兴泰豪装备技术有限公司 | 电气控制箱线路布线优化方法、系统及存储介质 |
CN113139257A (zh) * | 2021-04-25 | 2021-07-20 | 北京城建设计发展集团股份有限公司 | 一种火灾自动报警系统图纸快速绘制装置及方法 |
Non-Patent Citations (3)
Title |
---|
AUTOCAD在综合布线设计中的应用技巧;杨国涛;;科技信息;20090415(第11期);全文 * |
BIM技术在装配式建筑中的应用探讨;朱长清;;住宅产业;20170820(第08期);全文 * |
探讨BIM技术在建筑设计中的应用;朱志华;;低碳世界;20160915(第26期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113886931A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113886931B (zh) | 一种基于b星算法的cad图纸消防联动报警线槽排布方法 | |
CN112052503B (zh) | 一种基于人工智能的商业街区建筑体块生成的方法 | |
CN108898605B (zh) | 一种基于图的栅格地图分割方法 | |
CN113032868B (zh) | 预制构件管理方法、装置、电子设备及存储介质 | |
CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
Cao et al. | Facade geometry generation from low-resolution aerial photographs for building energy modeling | |
CN104036550B (zh) | 基于形状语义的建筑立面激光雷达点云解译与重建的方法 | |
Kong et al. | Enhanced facade parsing for street-level images using convolutional neural networks | |
CN113962000B (zh) | 一种cad图纸中感烟探测器动态排布的方法 | |
CN109614488A (zh) | 基于文本分类和图像识别的配网带电作业条件判别方法 | |
CN112232722B (zh) | 一种基于建筑信息模型技术的建筑设备管理系统 | |
Jampani et al. | Efficient facade segmentation using auto-context | |
CN114722963A (zh) | 地铁车站二维图纸生成三维bim模型的图例识别方法及系统 | |
Mao et al. | Graph-based 3D building semantic segmentation for sustainability analysis | |
Hassan et al. | Real-time road cracks detection based on improved deep convolutional neural network | |
CN117932763A (zh) | 基于数字孪生的高速公路交通模型构建方法 | |
CN115620143A (zh) | 一种新古典主义建筑风格识别系统、构建方法及识别方法 | |
CN112507998B (zh) | 基于机器视觉的屏蔽门行人等待提醒系统及其方法 | |
JP7230288B1 (ja) | 学習モデル | |
Oki et al. | Model for estimation of building structure and built year using building façade images and attributes obtained from a real estate database | |
CN114494714A (zh) | 一种对建筑专业总平面图楼栋轮廓的精准识别方法 | |
Van Ackere et al. | Extracting dimensions and localisations of doors, windows, and door thresholds out of mobile Lidar data using object detection to estimate the impact of floods | |
Shi et al. | An innovative approach to determine building window-to-wall ratios for urban energy simulation | |
CN113192181A (zh) | 面向综合体导航应用的室内多层次语义拓扑索引构建方法 | |
Dehbi et al. | Room shapes and functional uses predicted from sparse data |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 2101-2105, Building 1, No. 501, 2nd Street, Baiyang Street, Qiantang District, Hangzhou City, Zhejiang Province 310018 Patentee after: Pinlan (Hangzhou) Technology Co.,Ltd. Country or region after: China Address before: 200000 rooms 801 and 805, No. 55, Lane 777, Guangzhong West Road, Jing'an District, Shanghai Patentee before: Shanghai Pinlan Data Technology Co.,Ltd. Country or region before: China |