CN114239124A - 一种建筑图纸构件识别方法、系统、存储介质及设备 - Google Patents
一种建筑图纸构件识别方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN114239124A CN114239124A CN202210183366.1A CN202210183366A CN114239124A CN 114239124 A CN114239124 A CN 114239124A CN 202210183366 A CN202210183366 A CN 202210183366A CN 114239124 A CN114239124 A CN 114239124A
- Authority
- CN
- China
- Prior art keywords
- block
- component
- information
- building drawing
- building
- 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
- 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
- G06F18/21—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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种建筑图纸构件识别方法、系统、存储介质及设备,该方法包括:接收待处理的建筑图纸,对所述建筑图纸进行解析,以获取所述建筑图纸内的块信息;根据所述块信息,获取所述建筑图纸中块的图元信息,根据所述块的图元信息计算块的最小外接矩形;根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据;基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,根据所述最小外接矩形的点坐标截取所述建筑图纸上的构件图像;通过预训练的构件识别模型对所述构件图像进行特征点识别,以输出所述建筑图纸中至少一个构件的构件类型。本发明能够解决现有技术中建筑图纸中构件识别效率较低,精准性不高的技术问题。
Description
技术领域
本发明涉及数据识别技术领域,特别涉及一种建筑图纸构件识别方法、系统、存储介质及设备。
背景技术
在以数字化信息产业为主导的经济发展时期,人工智能和大数据等技术已经广泛应用到各种实际应用场景中,并且它凭借高效、准确、快速的优势逐渐成为生活中不可或缺的一部分。
在建筑设计行业,CAD软件已经被广泛用来绘制各类专业施工所需图纸,然而构件信息的识别一般是通过人眼来完成的。由于图纸中的构件信息复杂繁多,图层相互叠加,构件之间相互关联,许多构件极其相似,仅仅依靠人眼来识别并判断复杂构件信息,不但容易导致审核时间过长,还可能会出现漏审情况,进而引发工期延误、资金浪费等问题。目前,图像识别技术也正在被逐步引入到建筑行业当中,通过利用计算机图像识别方法对图纸中的构件进行识别、分类并将其转换为计算机信号,与计算机内数据库存储的信息进行对比,最终得以确定该构件的类别并做出规则判断。
然而,现有通过人工智能技术对CAD图纸进行构件识别的相关工作少之又少,且现有的使用计算机图像识别方法对图纸中构件的种类识别效率低下,如何能够快速准确的识别图纸中的构件信息是目前研究人员面临的一项重大挑战。
发明内容
基于此,本发明的目的是提供一种建筑图纸构件识别方法、系统、存储介质及设备,旨在解决现有技术中建筑图纸中构件识别效率较低,精准性不高的技术问题。
本发明的第一方面在于提供一种建筑图纸构件识别方法,所述方法包括:
接收待处理的建筑图纸,对所述建筑图纸进行解析,以获取所述建筑图纸内的块信息;
根据所述块信息,获取所述建筑图纸中块的图元信息,根据所述块的图元信息计算块的最小外接矩形;
根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据;
基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,根据所述最小外接矩形的点坐标截取所述建筑图纸上的构件图像;
获取所述构件图像,对所述构件图像进行增强处理,以在获取所述构件图像后通过预训练的构件识别模型对所述构件图像进行特征点识别,以根据识别得到的特征点输出所述建筑图纸中至少一个构件的构件类型;
基于所述构件的构件类型,生成与所述构件相对应的实体构件,以对应生成所述实体构件的三维建筑模型,并将所述三维建筑模型按照所述构件类型区别存储于预设的数据库中。
根据上述技术方案的一方面,接收待处理的建筑图纸,对所述建筑图纸进行解析,以获取所述建筑图纸内的块信息的步骤,具体包括:
接收待处理的预设形式的建筑图纸;
对所述建筑图纸进行解析,获取所述建筑图纸内的块信息,所述块信息包括块名、块中的构件、图元以及块所在图层信息。
根据上述技术方案的一方面,根据所述块信息,获取所述建筑图纸中块的图元信息,根据所述块的图元信息计算块的最小外接矩形的步骤,具体包括:
根据所述块信息,获取所述建筑图纸中块的图元信息,其中,所述块的图元信息包括块中图元的类别、数据与颜色;
基于几何计算方法计算图元信息的最小外接矩形,将块中所有图元信息的最小外接矩形进行合并以得到块的最小外接矩形。
根据上述技术方案的一方面,根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据的步骤,具体包括:
基于解析得到的块信息,判断所述建筑图纸中是否包含块的块参照信息;
若是,则根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据。
根据上述技术方案的一方面,基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,根据所述最小外接矩形的点坐标截取所述建筑图纸上的构件图像的步骤,具体包括:
基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,其中,所述块的偏移操作包括平移、旋转与缩放;
根据所述块在偏移操作后的最小外接矩形,至少获取所述最小外接矩形的四个端点坐标;
根据所述最小外接矩形的四个端点坐标,自动截取所述建筑图纸上处于四个端点坐标以内的构件图像。
根据上述技术方案的一方面,获取所述构件图像,对所述构件图像进行增强处理,以在获取所述构件图像后通过预训练的构件识别模型对所述构件图像进行特征点识别,以根据识别得到的特征点输出所述建筑图纸中至少一个构件的构件类型的步骤中,对构件识别模型进行训练的步骤,具体包括:
获取历史建筑图纸并标注其种类,得到构件图片示例数据集;
将所述构件图片示例数据集进行灰度化处理以及翻转、截取与旋转的增强处理后,将所述构件图片示例数据集划分为训练集、验证集和测试集,以ResNet-18为骨干网络的分类模型来训练,使用交叉验证的方式来对模型的准确率进行评估;
将待测试的块构件图片数据送入训练好的ResNet-18网络模型中,得到图片的类别信息和置信度,以识别在CAD中以块的形式存在的构件。
本发明的第二方面在于提供一种建筑图纸构件识别系统,所述系统包括:
图纸接收模块,用于接收待处理的建筑图纸,对所述建筑图纸进行解析,以获取所述建筑图纸内的块信息;
第一处理模块,用于根据所述块信息,获取所述建筑图纸中块的图元信息,根据所述块的图元信息计算块的最小外接矩形;
第二处理模块,用于根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据;
第三处理模块,用于基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,根据所述最小外接矩形的点坐标截取所述建筑图纸上的构件图像;
构件类型输出模块,用于获取所述构件图像,对所述构件图像进行增强处理,以在获取所述构件图像后通过预训练的构件识别模型对所述构件图像进行特征点识别,以根据识别得到的特征点输出所述建筑图纸中至少一个构件的构件类型;
构件存储模块,用于基于所述构件的构件类型,生成与所述构件相对应的实体构件,以对应生成所述实体构件的三维建筑模型,并将所述三维建筑模型按照所述构件类型区别存储于预设的数据库中。
根据上述技术方案的一方面,所述第三处理模块具体用于:
基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,其中,所述块的偏移操作包括平移、旋转与缩放;
根据所述块在偏移操作后的最小外接矩形,至少获取所述最小外接矩形的四个端点坐标;
根据所述最小外接矩形的四个端点坐标,自动截取所述建筑图纸上处于四个端点坐标以内的构件图像。
本发明的第三方面在于提供一种存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述技术方案中所述方法的步骤。
本发明的第三方面在于提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述技术方案中所述方法的步骤。
与现有技术相比,采用本发明所示的建筑图纸构件识别方法、系统、存储介质及设备,有益效果在于:通过对建筑图纸进行解析得到建筑图纸中的块信息,从而根据块信息获取建筑图纸中的图元信息,并最终得到块的最小外接矩形,在根据块的块参照信息得到块的偏移数据后,即可根据偏移数据计算得到偏移操作后块的最小外接矩形,从而根据最小外接矩形的点坐标对建筑图纸进行截取得到构件图像,通过预训练的构件识别模型对截取得到的构件图像进行识别,即可快速得到建筑图纸中所有构件的构件类型,从而能够有效提升构件识别的精准性与识别效率,并且在识别构件后生成并存储对应的三维建筑模型,从而便于后期数据的调用。
附图说明
图1为本发明第一实施例中的建筑图纸构件识别方法的流程图;
图2为本发明第三实施例中的建筑图纸构件识别系统的结构框图;
以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,本发明的第一实施例提供了一种建筑图纸构件识别方法,所述方法包括步骤S10-S50,其中:
步骤S10,接收待处理的建筑图纸,对所述建筑图纸进行解析,以获取所述建筑图纸内的块信息;
在本实施例中,在接收到待处理的CAD格式的建筑图纸后,对建筑图纸进行解析,获取建筑图纸内的块信息。其中,建筑图纸中的块信息包括块的相关信息,包括但不限于块的块名、块中的构件、图元以及块所在图层等信息。
应当说明的是,本实施例当中所示构件识别方法,从技术路线的最基本的单元出发,其基本单元是建筑图纸中的块,所有计算都是基于建筑图纸中的块数据(或块信息),而并非现有技术中图像数据的点和线段、文 字、空间坐标,其为像素矩阵的数据,数据为离散的,而本实施例获取的块数据在送入神经网络进行分类之前为连续的矢量数据,两者技术路线有明显差异。
步骤S20,根据所述块信息,获取所述建筑图纸中块的图元信息,根据所述块的图元信息计算块的最小外接矩形;
在本实施例中,根据建筑图纸解析得到的块信息,获取建筑图纸中块的图元信息。其中,块的图元信息包括但不限于块中图元的类别、数据、颜色等,并根据几何方法计算该块图元信息的最小外接矩形,最终合并为块的最小外接矩形。
具体而言,建筑图纸中包括多个块,通过获取每个块的图元信息,并计算每个块的图元信息的最小外接矩形,综合得到所有块的最小外接矩形。
应当说明的是,相比于现有技术中对图像信息进行拆分,本实施例所示构件识别方法并非从图像层面获取信息,图像信息是一种以像素矩阵形式存储的数据,而本实施例是从建筑图纸(如DWG格式)中解析过后的相关真实图纸文件获取信息,相比较于图像层面,本实施例所提取到的数据精度达到真实情况中的毫米级别,比图像信息更高,不易失真。
示例而言,例如图像信息中的线的存储形式是像素点,而随着图像的缩放、裁剪,会导致一定的信息失真;而本实施例所获取的信息是图纸中直线的起始点、中止点、长度、粗细等真实数据,不易丢失精度。
步骤S30,根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据;
其中,块参照是块在可视模型空间中的拷贝,其中包含块在模型空间上的位置信息,平移、旋转和缩放等偏移信息都是相对于原始块的坐标,通过块参照的偏移信息得到相对于原始块的变换矩阵,计算块参照的最小外接矩形在模型空间中的绝对坐标位置。
在本实施例中,在计算得到块参照的最小外接矩形在模型空间中的绝对坐标位置后,即可得到块在模型空间内的偏移数据。
步骤S40,基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,根据所述最小外接矩形的点坐标截取所述建筑图纸上的构件图像;
在本实施例中,基于偏移数据,能够得到块在偏移操作后的最小外接矩形,其中,块的偏移操作包括平移、旋转与缩放。
具体而言,最小外接矩形为一矩形框,其通过串联若干个点坐标得到最小外接矩形。若要对最小外接矩形进行截取,至少应当获取到最小外接矩形的四个端点坐标,根据最小外接矩形的四个端点坐标进行截取,即可得到建筑图纸中四个端点坐标以内的被识别出的构件图像。
步骤S50,获取所述构件图像,对所述构件图像进行增强处理,以在获取所述构件图像后通过预训练的构件识别模型对所述构件图像进行特征点识别,以根据识别得到的特征点输出所述建筑图纸中至少一个构件的构件类型。
具体而言,在将建筑图纸中存在的多个构件的构件图像进行截取之后,首先对构件图像进行增强处理,以提升构件图像的图像质量,再通过预训练的构件识别模型对构件图像进行特征点识别,从而根据识别得到的特征点输出建筑图纸中至少一个构件的构件类型,以得到建筑图纸中所有构件的构件类型。
示例而非限定,构件图像的特征点例如为构件图像中的一锁闭机构,通过识别得到锁闭机构的特征点,能够判定该构件图像中的构件为一包含锁闭机构的构件,再结合构件图像的基本特征,即可快速判定该构件图像中的构件为门窗等。本实施例当中,通过对特征点进行识别,能够有效提升构件识别的准确性,从而快速输出构件的构件类型,便于下一步操作。
S60,基于所述构件的构件类型,生成与所述构件相对应的实体构件,以对应生成所述实体构件的三维建筑模型,并将所述三维建筑模型按照所述构件类型区别存储于预设的数据库中。
具体而言,在通过构件识别模型对构件图像进行识别得到构件的构件类型后,根据不同类型的构件,生成与构件相对应的实体构件,并通过转化得到实体构件的三维建筑模型。在该三维建筑模型中,包含构件的各项数据信息,例如长、宽、高等数据信息,从而便于后期直接对数据进行调用,能够有效提升建筑图纸中构件处理效率。
与现有技术相比,采用本实施例当中所示的建筑图纸构件识别方法,有益效果在于:通过对建筑图纸进行解析得到建筑图纸中的块信息,从而根据块信息获取建筑图纸中的图元信息,并最终得到块的最小外接矩形,在根据块的块参照信息得到块的偏移数据后,即可根据偏移数据计算得到偏移操作后块的最小外接矩形,从而根据最小外接矩形的点坐标对建筑图纸进行截取得到构件图像,通过预训练的构件识别模型对截取得到的构件图像进行识别,即可快速得到建筑图纸中所有构件的构件类型,从而能够有效提升构件识别的精准性与识别效率。
实施例二
本发明的第二实施例提供了一种建筑图纸构件识别方法,其中:
在本实施例中,接收待处理的建筑图纸,对所述建筑图纸进行解析,以获取所述建筑图纸内的块信息的步骤,具体包括:
接收待处理的预设形式的建筑图纸;
对所述建筑图纸进行解析,获取所述建筑图纸内的块信息,所述块信息包括块名、块中的构件、图元以及块所在图层信息。
在本实施例中,根据所述块信息,获取所述建筑图纸中块的图元信息,根据所述块的图元信息计算块的最小外接矩形的步骤,具体包括:
根据所述块信息,获取所述建筑图纸中块的图元信息,其中,所述块的图元信息包括块中图元的类别、数据与颜色;
基于几何计算方法计算图元信息的最小外接矩形,将块中所有图元信息的最小外接矩形进行合并以得到块的最小外接矩形。
与现有技术相比,除了点、线段、文字、空间坐标的不同,还包括但不限于图纸中构件的名称、构件的各项几何数据例如缩放比例、旋转角度、变换矩阵等,正因为如此,计算最小外接矩形的方式也有所不同,本实施例通过直接合并块中的连续的矢量数据,而不是图像的离散数据,并不会导致精度的丢失。
在此应当说明的是,采用现有技术对图像信息直接进行矩形框的合并容易导致合并错误,例如很多离的较近但不属于这个构件的点、线会合并到一起,还需要进一步判断合并之后的矩形框关系是否属于同一个构件;而本实施例从块信息出发,在块信息中包括了什么信息就使用什么信息,直接合并块信息中的相关图元信息具有很强的抗干扰能力,即使有离得较近的点、线,只要它不属于这个块,那么就不会参与合并,这样可以避免后续还需要对构件关系进行判断、进一步合并或者拆分。
在本实施例中,根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据的步骤,具体包括:
基于解析得到的块信息,判断所述建筑图纸中是否包含块的块参照信息;
若是,则根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据。
在本实施例中,基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,根据所述最小外接矩形的点坐标截取所述建筑图纸上的构件图像的步骤,具体包括:
基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,其中,所述块的偏移操作包括平移、旋转与缩放;
根据所述块在偏移操作后的最小外接矩形,至少获取所述最小外接矩形的四个端点坐标;
根据所述最小外接矩形的四个端点坐标,自动截取所述建筑图纸上处于四个端点坐标以内的构件图像。
在本实施例中,获取所述构件图像,对所述构件图像进行增强处理,以在获取所述构件图像后通过预训练的构件识别模型对所述构件图像进行特征点识别,以根据识别得到的特征点输出所述建筑图纸中至少一个构件的构件类型的步骤中,对构件识别模型进行训练的步骤,具体包括:
获取历史建筑图纸并标注其种类,得到构件图片示例数据集;
将所述构件图片示例数据集进行灰度化处理以及翻转、截取与旋转的增强处理后,将所述构件图片示例数据集划分为训练集、验证集和测试集,以ResNet-18为骨干网络的分类模型来训练,使用交叉验证的方式来对模型的准确率进行评估;
将待测试的块构件图片数据送入训练好的ResNet-18网络模型中,得到图片的类别信息和置信度,以识别在CAD中以块的形式存在的构件。
在本实施例中,基于所述构件的构件类型,生成与所述构件相对应的实体构件,以对应生成所述实体构件的三维建筑模型,并将所述三维建筑模型按照所述构件类型区别存储于预设的数据库中的步骤,具体包括:
根据所述构件的构件类型,生成与所述构件相对应的实体构件;
获取所述实体构件,通过转化得到与所述实体构件相对应的三维建筑模型;
将所述三维构件模型按照所述构件类型区别存储于预设的数据库中。
综上,本实施例所示的建筑图纸构件识别方法与现有技术相比,至少具有以下区别之处与优势:
1、由于图纸的复杂性和某些块构件的相似性,人眼较难分辨的块构件通过采用深度学习技术对图纸中的块构件信息进行智能识别和分类,能够辅助工作人员快速确定其位置和类别,实现对CAD图纸中块构件信息的精准识别和判断。
2、本实施例凭借CAD图纸的块信息的构件识别方法识别精确率较高,所耗时间较短。与传统的构件图层和形状方法相比,该方法不仅在块构件信息识别的准确率上有所保证,在识别速度以及投入成本方面更具有较大的优势,而准确、快捷及低成本的块构件识别分类为后续任务的开展打下了坚实基础。
3、本实施例在CAD图纸上进行块构件识别充分利用了CAD中图元之间的位置关系,能够对图纸块构件数据迅速、准确的分辨出来并直接给出识别结果,极大降低了人工审查过程中出现的失误,具有数字化的优势,在存档备份、自动化等方面相对人工核查归档也具备天然的优势。
实施例三
请参阅图2,本发明的第三实施例提供了一种建筑图纸构件识别系统,所述系统包括:
图纸接收模块10,用于接收待处理的建筑图纸,对所述建筑图纸进行解析,以获取所述建筑图纸内的块信息;
在本实施例中,在接收到待处理的CAD格式的建筑图纸后,对建筑图纸进行解析,获取建筑图纸内的块信息。其中,建筑图纸中的块信息包括块的相关信息,包括但不限于块的块名、块中的构件、图元以及块所在图层等信息。
应当说明的是,本实施例当中所示构件识别方法,从技术路线的最基本的单元出发,其基本单元是建筑图纸中的块,所有计算都是基于建筑图纸中的块数据(或块信息),而并非现有技术中图像数据的点和线段、文 字、空间坐标,其为像素矩阵的数据,数据为离散的,而本实施例获取的块数据在送入神经网络进行分类之前为连续的矢量数据,两者技术路线有明显差异。
第一处理模块20,用于根据所述块信息,获取所述建筑图纸中块的图元信息,根据所述块的图元信息计算块的最小外接矩形;
在本实施例中,根据建筑图纸解析得到的块信息,获取建筑图纸中块的图元信息。其中,块的图元信息包括但不限于块中图元的类别、数据、颜色等,并根据几何方法计算该块图元信息的最小外接矩形,最终合并为块的最小外接矩形。
具体而言,建筑图纸中包括多个块,通过获取每个块的图元信息,并计算每个块的图元信息的最小外接矩形,综合得到所有块的最小外接矩形。
应当说明的是,相比于现有技术中对图像信息进行拆分,本实施例所示构件识别方法并非从图像层面获取信息,图像信息是一种以像素矩阵形式存储的数据,而本实施例是从建筑图纸(如DWG格式)中解析过后的相关真实图纸文件获取信息,相比较于图像层面,本实施例所提取到的数据精度达到真实情况中的毫米级别,比图像信息更高,不易失真。
示例而言,例如图像信息中的线的存储形式是像素点,而随着图像的缩放、裁剪,会导致一定的信息失真;而本实施例所获取的信息是图纸中直线的起始点、中止点、长度、粗细等真实数据,不易丢失精度。
第二处理模块30,用于根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据;
其中,块参照是块在可视模型空间中的拷贝,其中包含块在模型空间上的位置信息,平移、旋转和缩放等偏移信息都是相对于原始块的坐标,通过块参照的偏移信息得到相对于原始块的变换矩阵,计算块参照的最小外接矩形在模型空间中的绝对坐标位置。
在本实施例中,在计算得到块参照的最小外接矩形在模型空间中的绝对坐标位置后,即可得到块在模型空间内的偏移数据。
第三处理模块40,用于基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,根据所述最小外接矩形的点坐标截取所述建筑图纸上的构件图像;
在本实施例中,基于偏移数据,能够得到块在偏移操作后的最小外接矩形,其中,块的偏移操作包括平移、旋转与缩放。
具体而言,最小外接矩形为一矩形框,其通过串联若干个点坐标得到最小外接矩形。若要对最小外接矩形进行截取,至少应当获取到最小外接矩形的四个端点坐标,根据最小外接矩形的四个端点坐标进行截取,即可得到建筑图纸中四个端点坐标以内的被识别出的构件图像。
构件类型输出模块50,用于获取所述构件图像,对所述构件图像进行增强处理,以在获取所述构件图像后通过预训练的构件识别模型对所述构件图像进行特征点识别,以根据识别得到的特征点输出所述建筑图纸中至少一个构件的构件类型。
具体而言,在将建筑图纸中存在的多个构件的构件图像进行截取之后,首先对构件图像进行增强处理,以提升构件图像的图像质量,再通过预训练的构件识别模型对构件图像进行特征点识别,从而根据识别得到的特征点输出建筑图纸中至少一个构件的构件类型,以得到建筑图纸中所有构件的构件类型。
示例而非限定,构件图像的特征点例如为构件图像中的一锁闭机构,通过识别得到锁闭机构的特征点,能够判定该构件图像中的构件为一包含锁闭机构的构件,再结合构件图像的基本特征,即可快速判定该构件图像中的构件为门窗等。本实施例当中,通过对特征点进行识别,能够有效提升构件识别的准确性,从而快速输出构件的构件类型,便于下一步操作。
构件存储模块60,用于基于所述构件的构件类型,生成与所述构件相对应的实体构件,以对应生成所述实体构件的三维建筑模型,并将所述三维建筑模型按照所述构件类型区别存储于预设的数据库中。
具体而言,在通过构件识别模型对构件图像进行识别得到构件的构件类型后,根据不同类型的构件,生成与构件相对应的实体构件,并通过转化得到实体构件的三维建筑模型。在该三维建筑模型中,包含构件的各项数据信息,例如长、宽、高等数据信息,从而便于后期直接对数据进行调用,能够有效提升建筑图纸中构件处理效率。
在本实施例中,所述第三处理模块40具体用于:
基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,其中,所述块的偏移操作包括平移、旋转与缩放;
根据所述块在偏移操作后的最小外接矩形,至少获取所述最小外接矩形的四个端点坐标;
根据所述最小外接矩形的四个端点坐标,自动截取所述建筑图纸上处于四个端点坐标以内的构件图像。
与现有技术相比,采用本实施例当中所示的建筑图纸构件识别方法,有益效果在于:通过对建筑图纸进行解析得到建筑图纸中的块信息,从而根据块信息获取建筑图纸中的图元信息,并最终得到块的最小外接矩形,在根据块的块参照信息得到块的偏移数据后,即可根据偏移数据计算得到偏移操作后块的最小外接矩形,从而根据最小外接矩形的点坐标对建筑图纸进行截取得到构件图像,通过预训练的构件识别模型对截取得到的构件图像进行识别,即可快速得到建筑图纸中所有构件的构件类型,从而能够有效提升构件识别的精准性与识别效率。
实施例四
本发明的第四实施例提供了一种存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述实施例当中所述方法的步骤。
实施例五
本发明的第五实施例提供了一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例当中所述方法的步骤。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种建筑图纸构件识别方法,其特征在于,所述方法包括:
接收待处理的建筑图纸,对所述建筑图纸进行解析,以获取所述建筑图纸内的块信息;
根据所述块信息,获取所述建筑图纸中块的图元信息,根据所述块的图元信息计算块的最小外接矩形;
根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据;
基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,根据所述最小外接矩形的点坐标截取所述建筑图纸上的构件图像;
获取所述构件图像,对所述构件图像进行增强处理,以在获取所述构件图像后通过预训练的构件识别模型对所述构件图像进行特征点识别,以根据识别得到的特征点输出所述建筑图纸中至少一个构件的构件类型;
基于所述构件的构件类型,生成与所述构件相对应的实体构件,以对应生成所述实体构件的三维建筑模型,并将所述三维建筑模型按照所述构件类型区别存储于预设的数据库中。
2.根据权利要求1所述的建筑图纸构件识别方法,其特征在于,接收待处理的建筑图纸,对所述建筑图纸进行解析,以获取所述建筑图纸内的块信息的步骤,具体包括:
接收待处理的预设形式的建筑图纸;
对所述建筑图纸进行解析,获取所述建筑图纸内的块信息,所述块信息包括块名、块中的构件、图元以及块所在图层信息。
3.根据权利要求1所述的建筑图纸构件识别方法,其特征在于,根据所述块信息,获取所述建筑图纸中块的图元信息,根据所述块的图元信息计算块的最小外接矩形的步骤,具体包括:
根据所述块信息,获取所述建筑图纸中块的图元信息,其中,所述块的图元信息包括块中图元的类别、数据与颜色;
基于几何计算方法计算图元信息的最小外接矩形,将块中所有图元信息的最小外接矩形进行合并以得到块的最小外接矩形。
4.根据权利要求1所述的建筑图纸构件识别方法,其特征在于,根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据的步骤,具体包括:
基于解析得到的块信息,判断所述建筑图纸中是否包含块的块参照信息;
若是,则根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据。
5.根据权利要求1所述的建筑图纸构件识别方法,其特征在于,基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,根据所述最小外接矩形的点坐标截取所述建筑图纸上的构件图像的步骤,具体包括:
基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,其中,所述块的偏移操作包括平移、旋转与缩放;
根据所述块在偏移操作后的最小外接矩形,至少获取所述最小外接矩形的四个端点坐标;
根据所述最小外接矩形的四个端点坐标,自动截取所述建筑图纸上处于四个端点坐标以内的构件图像。
6.根据权利要求1所述的建筑图纸构件识别方法,其特征在于,获取所述构件图像,对所述构件图像进行增强处理,以在获取所述构件图像后通过预训练的构件识别模型对所述构件图像进行特征点识别,以根据识别得到的特征点输出所述建筑图纸中至少一个构件的构件类型的步骤中,对构件识别模型进行训练的步骤,具体包括:
获取历史建筑图纸并标注其种类,得到构件图片示例数据集;
将所述构件图片示例数据集进行灰度化处理以及翻转、截取与旋转的增强处理后,将所述构件图片示例数据集划分为训练集、验证集和测试集,以ResNet-18为骨干网络的分类模型来训练,使用交叉验证的方式来对模型的准确率进行评估;
将待测试的块构件图片数据送入训练好的ResNet-18网络模型中,得到图片的类别信息和置信度,以识别在CAD中以块的形式存在的构件。
7.一种建筑图纸构件识别系统,其特征在于,所述系统包括:
图纸接收模块,用于接收待处理的建筑图纸,对所述建筑图纸进行解析,以获取所述建筑图纸内的块信息;
第一处理模块,用于根据所述块信息,获取所述建筑图纸中块的图元信息,根据所述块的图元信息计算块的最小外接矩形;
第二处理模块,用于根据所述建筑图纸中块的块参照信息,获取所述块在模型空间中的偏移数据;
第三处理模块,用于基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,根据所述最小外接矩形的点坐标截取所述建筑图纸上的构件图像;
构件类型输出模块,用于获取所述构件图像,对所述构件图像进行增强处理,以在获取所述构件图像后通过预训练的构件识别模型对所述构件图像进行特征点识别,以根据识别得到的特征点输出所述建筑图纸中至少一个构件的构件类型;
构件存储模块,用于基于所述构件的构件类型,生成与所述构件相对应的实体构件,以对应生成所述实体构件的三维建筑模型,并将所述三维建筑模型按照所述构件类型区别存储于预设的数据库中。
8.根据权利要求7所述的建筑图纸构件识别系统,其特征在于,所述第三处理模块具体用于:
基于所述偏移数据,计算所述块在偏移操作后的最小外接矩形,其中,所述块的偏移操作包括平移、旋转与缩放;
根据所述块在偏移操作后的最小外接矩形,至少获取所述最小外接矩形的四个端点坐标;
根据所述最小外接矩形的四个端点坐标,自动截取所述建筑图纸上处于四个端点坐标以内的构件图像。
9.一种存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1-6任意一项所述方法的步骤。
10.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210183366.1A CN114239124A (zh) | 2022-02-28 | 2022-02-28 | 一种建筑图纸构件识别方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210183366.1A CN114239124A (zh) | 2022-02-28 | 2022-02-28 | 一种建筑图纸构件识别方法、系统、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239124A true CN114239124A (zh) | 2022-03-25 |
Family
ID=80748296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210183366.1A Pending CN114239124A (zh) | 2022-02-28 | 2022-02-28 | 一种建筑图纸构件识别方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239124A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015648A (zh) * | 2023-12-29 | 2024-05-10 | 青矩技术股份有限公司 | 图纸信息提取方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673410A (zh) * | 2008-09-12 | 2010-03-17 | 中国科学院计算技术研究所 | 一种基于矢量建筑图纸重建三维模型的方法 |
CN105279292A (zh) * | 2014-06-30 | 2016-01-27 | 上海神机软件有限公司 | 建设工程模板图纸输出系统及方法、排模系统及方法 |
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 |
CN111832447A (zh) * | 2020-06-30 | 2020-10-27 | 万翼科技有限公司 | 建筑图纸构件识别方法、电子设备及相关产品 |
CN113052023A (zh) * | 2021-03-12 | 2021-06-29 | 深圳小库科技有限公司 | Cad图纸解析方法、装置、设备及存储介质 |
CN113128457A (zh) * | 2021-04-30 | 2021-07-16 | 杭州品茗安控信息技术股份有限公司 | 一种建筑模型的识别方法、系统及相关装置 |
CN113901550A (zh) * | 2021-09-30 | 2022-01-07 | 万翼科技有限公司 | 装配式建筑bim模型生成方法及相关设备 |
-
2022
- 2022-02-28 CN CN202210183366.1A patent/CN114239124A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673410A (zh) * | 2008-09-12 | 2010-03-17 | 中国科学院计算技术研究所 | 一种基于矢量建筑图纸重建三维模型的方法 |
CN105279292A (zh) * | 2014-06-30 | 2016-01-27 | 上海神机软件有限公司 | 建设工程模板图纸输出系统及方法、排模系统及方法 |
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 |
CN111832447A (zh) * | 2020-06-30 | 2020-10-27 | 万翼科技有限公司 | 建筑图纸构件识别方法、电子设备及相关产品 |
CN113052023A (zh) * | 2021-03-12 | 2021-06-29 | 深圳小库科技有限公司 | Cad图纸解析方法、装置、设备及存储介质 |
CN113128457A (zh) * | 2021-04-30 | 2021-07-16 | 杭州品茗安控信息技术股份有限公司 | 一种建筑模型的识别方法、系统及相关装置 |
CN113901550A (zh) * | 2021-09-30 | 2022-01-07 | 万翼科技有限公司 | 装配式建筑bim模型生成方法及相关设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015648A (zh) * | 2023-12-29 | 2024-05-10 | 青矩技术股份有限公司 | 图纸信息提取方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11417118B2 (en) | Lane line data processing method and apparatus, computer device, and storage medium | |
EP3937128A2 (en) | Image defect detection method and apparatus, electronic device, storage medium and product | |
CN108229485B (zh) | 用于测试用户界面的方法和装置 | |
WO2020151340A1 (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN112016638A (zh) | 一种钢筋簇的识别方法、装置、设备及存储介质 | |
US20210350521A1 (en) | Method for computer-implemented determination of blade-defects of a wind turbine | |
CN117274756A (zh) | 基于多维特征配准的二维图像与点云的融合方法及装置 | |
CN112149663A (zh) | 结合rpa和ai的图像文字的提取方法、装置及电子设备 | |
CN111461101A (zh) | 工服标志的识别方法、装置、设备及存储介质 | |
CN115063584A (zh) | 基于深度学习的管道蒸汽泄漏检测方法及检测系统 | |
CN115984486A (zh) | 一种融合激光雷达与深度相机的桥梁模型生成方法及装置 | |
CN113361521A (zh) | 场景图像的检测方法及其装置 | |
CN114239124A (zh) | 一种建筑图纸构件识别方法、系统、存储介质及设备 | |
CN114266901A (zh) | 文档轮廓提取模型构建方法、装置、设备及可读存储介质 | |
CN114429640A (zh) | 图纸分割方法、装置及电子设备 | |
CN115631197B (zh) | 一种图像处理方法、装置、介质、设备及系统 | |
CN115097974B (zh) | 一种bim模型智能辅助会审系统及方法 | |
CN114549429B (zh) | 基于超图结构的深度数据质量评价方法及装置 | |
CN115861922A (zh) | 一种稀疏烟火检测方法、装置、计算机设备及存储介质 | |
CN112861861B (zh) | 识别数码管文本的方法、装置及电子设备 | |
CN111414889B (zh) | 基于文字识别的财务报表识别方法及装置 | |
CN117372464A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Wickert et al. | Lessons Learned on Conducting Dwelling Detection on VHR Satellite Imagery for the Management of Humanitarian Operations | |
CN112232390A (zh) | 一种高像素大图像的识别方法和系统 | |
CN112307908B (zh) | 一种视频语义提取方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220325 |