CN113962000A - 一种cad图纸中感烟探测器动态排布的方法 - Google Patents
一种cad图纸中感烟探测器动态排布的方法 Download PDFInfo
- Publication number
- CN113962000A CN113962000A CN202111229648.2A CN202111229648A CN113962000A CN 113962000 A CN113962000 A CN 113962000A CN 202111229648 A CN202111229648 A CN 202111229648A CN 113962000 A CN113962000 A CN 113962000A
- Authority
- CN
- China
- Prior art keywords
- space
- component
- cad
- smoke detectors
- smoke
- 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.)
- Granted
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011960 computer-aided design Methods 0.000 title description 26
- 238000013461 design Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 18
- 238000013145 classification model Methods 0.000 claims description 13
- 238000007619 statistical method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000009434 installation Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 6
- 238000003491 array Methods 0.000 description 2
- 238000013135 deep learning Methods 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Structural Engineering (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图纸分析技术领域，且公开了一种CAD图纸中感烟探测器动态排布的方法，包括动态排布方法与构件分析模块，该CAD图纸中感烟探测器动态排布的具体操作步骤如下：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。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，解决电气设计中的感烟探测器构件放置排布问题；依靠计算机的精准计算，既能够保证构件的放置完全符合设计规范，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。
Description
技术领域
本发明属于图纸分析技术领域，具体是一种CAD图纸中感烟探测器动态排布的方法。
背景技术
CAD图纸具体指的就是采用CAD软件绘制的图纸，该图纸广泛应用于建筑行业，是建筑参考图纸的主要依据，且其凭借数据记录详细观察清晰与调整容易而广受欢迎。
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构件的放置排布，但这样的方式，通常导致感烟探测器构件的放置以下几个问题：感烟探测器构件的覆盖半径是变动的，通常需要视放置空间的情况而定，借助现有的绘图软件，无法精准确定每个感烟探测器的覆盖范围，可能出现一些空间的角落位置未能被覆盖，可能存在安全隐患；为避免安全隐患的存在，保证感烟探测器能够完全覆盖其监控区域，从而在覆盖区域内放置了多余的感烟探测器，造成成本的增加；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；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。
为了解决上述问题，本申请提出了一种CAD图纸中感烟探测器动态排布的方法。
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CAD图纸中感烟探测器动态排布的方法，具有设计规范、成本低、安全隐患小与设计周期短的优点。
为实现上述目的，本发明提供如下技术方案：一种CAD图纸中感烟探测器动态排布的方法，包括动态排布方法与构件分析模块，该CAD图纸中感烟探测器动态排布的具体操作步骤如下：
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，若可以获取到基础图元信息则记录此条标志为1；否则记录此条标志为0，进入统计分析流程；
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、遍历空间，进行感烟探测器的放置排布；根据国家建筑电气设计规范，通过获取到的空间信息确定感烟探测器的覆盖半径，从而确定每个空间内需要放置的感烟探测器的数量以及安装位置，并定义感烟探测器的放置尺寸、旋转角度、绘制图层等细节信息，若可以获取到感烟探测器的安装位置则记录此条标志为1；否则记录此条标志为0，进入统计分析流程；
S6、调用CAD的打印服务，以完成图纸的自动化出图，若可以正确完成CAD图纸出图则记录此条标志为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S1-7均会进行YES与NO的判断处理，如果可以继续往下工作判定为YES、并且针对该操作记录为1；反之则是输出判定为NO、并且针对该操作记录为0，简单来说整个系统的流程进行判断类似于计算机二进制的“是与非”原则，不会出现第三种情况。
作为本发明的一种优选技术方案，S3中具体操作又分为如下步骤：
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，S5中具体操作分为如下步骤：
S51、遍历每个空间，获取当前空间用途属性，确定当前空间是否需要安装感烟探测器；
S52、获取当前空间长度、宽度、高度、用途属性等信息，精准确定感烟探测器的覆盖半径；
S53、通过感烟探测器的覆盖半径和空间的宽度确定，需要放置感烟探测器的排数；
S54、通过感烟探测器的覆盖半径和空间的长度确定，需要每排安装线上需要放置感烟探测器的数量；
S55、根据S52和S53的计算结果确定每个感烟探测器的具体放置位置坐标；
S56、通过计算定义感烟探测器的放置尺寸、旋转角度、绘制图层等细节信息，以完成感烟探测器在当前空间的放置排布，继续对下一空间重复如上步骤，直至遍历所有空间。
作为本发明的一种优选技术方案，S2步骤中图元指的是组成图形的可见基础元素，具体为直线、圆弧、圆等，该部分中具体所指也只是一部分，常规的基础元素能够制作成的各类线条结构均包括；构件指的是基础元素组成一个个有实际意义的实体，具体为楼梯、空调等，该部分构件组成的有意义实体则是通过基础元素组合搭配，形成一个个现实中的实体物件，类似于家电、建筑与管网布置等等。
作为本发明的一种优选技术方案，构件分析模块包括有构件分类模块、空间分割模块、动态排布模块：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；
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；
动态排布模块由动态排布单元构成，具体识别方法包括：获取当前空间长度、宽度、高度、用途属性等信息，确定感烟探测器的覆盖半径，根据覆盖半径和空间信息确定，需要放置感烟探测器的感烟探测器的数量和具体安装位置。
作为本发明的一种优选技术方案，构件分类模块中分类模型的获取方法如下：
A、训练数据准备：获取不同楼盘、不同画图风格的CAD图纸；
B、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；
C、模型训练：使用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。
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，解决电气设计中的感烟探测器构件放置排布问题；依靠计算机的精准计算，既能够保证构件的放置完全符合设计规范，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CAD图纸中感烟探测器动态排布的方法，包括动态排布方法与构件分析模块，该CAD图纸中感烟探测器动态排布的具体操作步骤如下：
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，若可以获取到基础图元信息则记录此条标志为1；否则记录此条标志为0，进入统计分析流程；
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、遍历空间，进行感烟探测器的放置排布；根据国家建筑电气设计规范，通过获取到的空间信息确定感烟探测器的覆盖半径，从而确定每个空间内需要放置的感烟探测器的数量以及安装位置，并定义感烟探测器的放置尺寸、旋转角度、绘制图层等细节信息，若可以获取到感烟探测器的安装位置则记录此条标志为1；否则记录此条标志为0，进入统计分析流程；
S6、调用CAD的打印服务，以完成图纸的自动化出图，若可以正确完成CAD图纸出图则记录此条标志为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S1-7均会进行YES与NO的判断处理，如果可以继续往下工作判定为YES、并且针对该操作记录为1；反之则是输出判定为NO、并且针对该操作记录为0，简单来说整个系统的流程进行判断类似于计算机二进制的“是与非”原则，不会出现第三种情况。
其中，S3中具体操作又分为如下步骤：
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，S5中具体操作分为如下步骤：
S51、遍历每个空间，获取当前空间用途属性，确定当前空间是否需要安装感烟探测器；
S52、获取当前空间长度、宽度、高度、用途属性等信息，精准确定感烟探测器的覆盖半径；
S53、通过感烟探测器的覆盖半径和空间的宽度确定，需要放置感烟探测器的排数；
S54、通过感烟探测器的覆盖半径和空间的长度确定，需要每排安装线上需要放置感烟探测器的数量；
S55、根据S52和S53的计算结果确定每个感烟探测器的具体放置位置坐标；
S56、通过计算定义感烟探测器的放置尺寸、旋转角度、绘制图层等细节信息，以完成感烟探测器在当前空间的放置排布，继续对下一空间重复如上步骤，直至遍历所有空间。
其中，S2步骤中图元指的是组成图形的可见基础元素，具体为直线、圆弧、圆等，该部分中具体所指也只是一部分，常规的基础元素能够制作成的各类线条结构均包括；构件指的是基础元素组成一个个有实际意义的实体，具体为楼梯、空调等，该部分构件组成的有意义实体则是通过基础元素组合搭配，形成一个个现实中的实体物件，类似于家电、建筑与管网布置等等。
其中，构件分析模块包括有构件分类模块、空间分割模块、动态排布模块：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；
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；
动态排布模块由动态排布单元构成，具体识别方法包括：获取当前空间长度、宽度、高度、用途属性等信息，确定感烟探测器的覆盖半径，根据覆盖半径和空间信息确定，需要放置感烟探测器的感烟探测器的数量和具体安装位置。
其中，构件分类模块中分类模型的获取方法如下：
A、训练数据准备：获取不同楼盘、不同画图风格的CAD图纸；
B、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；
C、模型训练：使用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。
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 (6)
1.一种CAD图纸中感烟探测器动态排布的方法，包括动态排布方法与构件分析模块，其特征在于：该CAD图纸中感烟探测器动态排布的具体操作步骤如下：
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；
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、遍历空间，进行感烟探测器的放置排布；根据国家建筑电气设计规范，通过获取到的空间信息确定感烟探测器的覆盖半径，从而确定每个空间内需要放置的感烟探测器的数量以及安装位置，并定义感烟探测器的放置尺寸、旋转角度、绘制图层等细节信息；
S6、调用CAD的打印服务，以完成图纸的自动化出图；
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。
2.根据权利要求1的一种CAD图纸中感烟探测器动态排布的方法，其特征在于，S3中具体操作又分为如下步骤：
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的一种CAD图纸中感烟探测器动态排布的方法，其特征在于，S5中具体操作分为如下步骤：
S51、遍历每个空间，获取当前空间用途属性，确定当前空间是否需要安装感烟探测器；
S52、获取当前空间长度、宽度、高度、用途属性等信息，精准确定感烟探测器的覆盖半径；
S53、通过感烟探测器的覆盖半径和空间的宽度确定，需要放置感烟探测器的排数；
S54、通过感烟探测器的覆盖半径和空间的长度确定，需要每排安装线上需要放置感烟探测器的数量；
S55、根据S52和S53的计算结果确定每个感烟探测器的具体放置位置坐标；
S56、通过计算定义感烟探测器的放置尺寸、旋转角度、绘制图层等细节信息，以完成感烟探测器在当前空间的放置排布，继续对下一空间重复如上步骤，直至遍历所有空间。
4.根据权利要求1的一种CAD图纸中感烟探测器动态排布的方法，其特征在于：S2步骤中图元指的是组成图形的可见基础元素，具体为直线、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，具体为楼梯、空调等。
5.根据权利要求1的一种CAD图纸中感烟探测器动态排布的方法，其特征在于：构件分析模块包括有构件分类模块、空间分割模块、动态排布模块：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。
6.根据权利要求5的一种CAD图纸中感烟探测器动态排布的方法，其特征在于，构件分类模块中分类模型的获取方法如下：
A、训练数据准备：获取不同楼盘、不同画图风格的CAD图纸；
B、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；
C、模型训练：使用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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111229648.2A CN113962000B (zh) | 2021-10-21 | 2021-10-21 | 一种cad图纸中感烟探测器动态排布的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111229648.2A CN113962000B (zh) | 2021-10-21 | 2021-10-21 | 一种cad图纸中感烟探测器动态排布的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113962000A true CN113962000A (zh) | 2022-01-21 |
| CN113962000B CN113962000B (zh) | 2024-04-26 |
Family
ID=79466116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111229648.2A Active CN113962000B (zh) | 2021-10-21 | 2021-10-21 | 一种cad图纸中感烟探测器动态排布的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962000B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114241509A (zh) * | 2022-02-24 | 2022-03-25 | 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 |
| CN115018393A (zh) * | 2022-08-08 | 2022-09-06 | 广东电网有限责任公司佛山供电局 | 一种配电网模型的拓扑分析方法及系统 |
| CN115098935A (zh) * | 2022-08-24 | 2022-09-23 | 合肥坤颐建筑科技合伙企业(有限合伙) | 感烟火灾探测器规划方法、装置、设备及存储介质 |
| CN116110072A (zh) * | 2023-04-12 | 2023-05-12 | 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 (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| DE102019113799A1 (de) * | 2019-05-23 | 2020-11-26 | Carl Zeiss Industrielle Messtechnik Gmbh | Messsystem zum Vermessen eines Messobjekts |
| 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 |
| CN113221356A (zh) * | 2021-05-10 | 2021-08-06 | 中国计量大学上虞高等研究院有限公司 | 复杂建筑物不规则屋顶光伏板排布系统及优化方法 |
| CN113468702A (zh) * | 2021-07-22 | 2021-10-01 | 久瓴(江苏)数字智能科技有限公司 | 管线排布方法、装置以及计算机可读存储介质 |
-
2021
- 2021-10-21 CN CN202111229648.2A patent/CN113962000B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102019113799A1 (de) * | 2019-05-23 | 2020-11-26 | Carl Zeiss Industrielle Messtechnik Gmbh | Messsystem zum Vermessen eines Messobjekts |
| 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 |
| 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 |
| CN113221356A (zh) * | 2021-05-10 | 2021-08-06 | 中国计量大学上虞高等研究院有限公司 | 复杂建筑物不规则屋顶光伏板排布系统及优化方法 |
| CN113468702A (zh) * | 2021-07-22 | 2021-10-01 | 久瓴(江苏)数字智能科技有限公司 | 管线排布方法、装置以及计算机可读存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114241509A (zh) * | 2022-02-24 | 2022-03-25 | 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 |
| 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 |
| CN115018393A (zh) * | 2022-08-08 | 2022-09-06 | 广东电网有限责任公司佛山供电局 | 一种配电网模型的拓扑分析方法及系统 |
| CN115098935A (zh) * | 2022-08-24 | 2022-09-23 | 合肥坤颐建筑科技合伙企业(有限合伙) | 感烟火灾探测器规划方法、装置、设备及存储介质 |
| CN115098935B (zh) * | 2022-08-24 | 2023-02-28 | 合肥坤颐建筑科技合伙企业(有限合伙) | 感烟火灾探测器规划方法、装置、设备及存储介质 |
| CN116110072A (zh) * | 2023-04-12 | 2023-05-12 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113962000B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962000A (zh) | 一种cad图纸中感烟探测器动态排布的方法 | |
| CN106528904B (zh) | 住宅户型图建筑结构智能识别及功能区自动规划设计方法 | |
| 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 | |
| Hong et al. | Semi-automated approach to indoor mapping for 3D as-built building information modeling | |
| Szcześniak et al. | A method for using street view imagery to auto-extract window-to-wall ratios and its relevance for urban-level daylighting and energy simulations | |
| CN106484940A (zh) | 一种家居装饰智能设计方法和系统 | |
| Hou et al. | Fusing tie points' RGB and thermal information for mapping large areas based on aerial images: A study of fusion performance under different flight configurations and experimental conditions | |
| CN114022895B (zh) | 一种对建筑专业住宅平面图中户型的精准识别方法 | |
| CN114241509B (zh) | 基于施工图的空间分割方法、系统、存储介质及设备 | |
| CN112989923A (zh) | 一种cad立面图中立面窗有无遮挡的精准判断的方法 | |
| CN114331031A (zh) | 一种建筑传统特征识别评价方法和系统 | |
| CN113887508A (zh) | 一种对建筑专业住宅平面图中公共走廊空间的中心线的精准识别方法 | |
| CN113886931A (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 | |
| CN114494719A (zh) | 一种建筑专业卧室空间进深空间的识别方法 | |
| CN116258705A (zh) | 一种基于图像处理的窗户开度检测方法 | |
| CN115544887A (zh) | 一种基于cad的室内空间数据提取与网格模型构建方法 | |
| Wang et al. | Automatic 3D thermal zones creation for building energy simulation of existing residential buildings | |
| CN114528625A (zh) | 一种楼栋间距校验方法及装置 | |
| CN114626121A (zh) | 一种暖通专业中楼栋地上部分的加压系统自动布置方法 | |
| CN113469086A (zh) | 建筑平面图中的区域划分方法、装置、设备及介质 | |
| CN114494714B (zh) | 一种对建筑专业总平面图楼栋轮廓的精准识别方法 | |
| CN114547813B (zh) | 一种暖通专业采暖干管平面图中采暖支管的自动敷设方法 | |
| CN114626167B (zh) | 一种暖通专业采暖平面图中地暖的自动敷设方法 | |
| CN114622744B (zh) | 一种暖通专业楼梯间和前室的防烟措施的自动判别方法 | |
| CN114626122B (zh) | 一种暖通专业采暖干管平面图中楼梯间散热器的自动布置方法 |
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 |
Address after: Room 2101-2105, Building 1, Haiju Center, No. 501, 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 |
|
| CP03 | Change of name, title or address |