CN114550187A - 图纸中门窗的识别方法、装置、电子设备和存储介质 - Google Patents
图纸中门窗的识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114550187A CN114550187A CN202210080535.9A CN202210080535A CN114550187A CN 114550187 A CN114550187 A CN 114550187A CN 202210080535 A CN202210080535 A CN 202210080535A CN 114550187 A CN114550187 A CN 114550187A
- Authority
- CN
- China
- Prior art keywords
- door
- window
- determining
- bounding box
- information
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请涉及一种图纸中门窗的识别方法、装置、电子设备和存储介质,应用于图纸处理技术领域,其中,方法包括:获取待识别图纸;确定所述待识别图纸中的门窗构件的包围盒和门窗类型;确定所述包围盒中属于所述门窗构件的目标图元信息;根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息。以解决现有技术中,没有对建筑图纸的细节进行识别,导致建筑对象的识别效率低的问题。
Description
技术领域
本申请涉及图纸处理技术领域,尤其涉及一种图纸中门窗的识别方法、装置、电子设备和存储介质。
背景技术
随着城市建设和计算机技术的快速发展,应用计算机完成建筑物的设计工作已经成为常用手段,并且从二维建筑图纸的设计逐渐转变为三维建筑模型的设计。
但是,现有技术在建筑图纸的识别过程中未能充分利用建筑图纸所包含的信息,识别对象过少,并且没有对建筑图纸的细节进行识别,导致建筑对象的识别效率低。
发明内容
本申请提供了一种图纸中门窗的识别方法、装置、电子设备和存储介质,用以解决现有技术中,没有对建筑图纸的细节进行识别,导致建筑对象的识别效率低的问题。
第一方面,本申请实施例提供了一种图纸中门窗的识别方法,包括:
获取待识别图纸;
确定所述待识别图纸中的门窗构件的包围盒和门窗类型;
确定所述包围盒中属于所述门窗构件的目标图元信息;
根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息。
可选的,所述确定所述包围盒中属于所述门窗构件的目标图元信息,包括:
计算所述包围盒内每个图元信息与所述包围盒的交并比;
确定所述交并比大于预设比例值的所述图元信息为所述目标图元信息。
可选的,所述门窗类型为门时,所述根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息,包括:
确定所述目标图元信息中的弧形图元,将所述弧形图元作为门弧;
确定与所述弧形图元连接的线图元;
若所述线图元能够围成一封闭多边形,确定所述封闭多边形为门板;
确定所述门弧和所述门板为所述门窗信息中的门信息。
可选的,所述确定所述待识别图纸中的门窗构件的包围盒和门窗类型,包括:
将所述待识别图纸输入预先训练的识别模型中,通过所述识别模型提取所述待识别图纸中的图形特征,基于所述图形特征确定所述门窗构件的包围盒和门窗类型。
可选的,所述识别模型的预先训练的过程,包括:
获取训练样本集合,其中,所述训练样本集合中包括至少两个训练样本以及每个所述训练样本的真实结果,所述真实结果包括所述训练样本预先标注的门窗范围和每个所述门窗范围内的门窗类型;
分别对所述训练样本集合中的每个训练样本执行以下训练过程:
将所述训练样本输入至初始神经网络模型,基于所述初始神经网络模型对所述训练样本进行特征提取,得到样本特征,根据所述样本特征得到所述训练样本的输出结果;
根据所述输出结果和所述真实结果计算计算损失函数值,根据所述损失函数值对所述初始神经网络模型中的参数进行更新,从所述训练样本集合中获取下一训练样本,重复执行所述训练过程,直至所述损失函数小于预设值,将训练后的所述初始神经网络模型作为所述识别模型。
可选的,所述确定所述待识别图纸中的门窗构件的包围盒和门窗类型之后,还包括:
获取所述门窗类型对应的预设门窗特征;
判断所述包围盒内的图元信息是否满足所述预设门窗特征;
若是,执行所述确定所述包围盒中属于所述门窗构件的目标图元信息的步骤;
若否,确定所述包围盒和所述门窗类型识别错误。
可选的,所述预设门窗特征包括矩形框的数量为第一预设数量数量和箭头的数量为第二预设数量,所述判断所述包围盒内的图元信息是否具有所述预设门窗特征,包括:
确定所述包围盒中的线图元;
根据所述线图元,确定所述包围盒内的矩形框和箭头;
确定所述矩形框的第一数量和所述箭头的第二数量;
根据所述第一数量和所述第二数量确定真实门窗类型;
判断所述第一数量与所述第一预设数量、以及第二数量与所述第二预设数量是否一致;
若是,确定所述包围盒内的图元信息满足所述预设门窗特征;
若否,确定述包围盒内的图元信息不满足所述预设门窗特征。
第二方面,本申请实施例提供了一种图纸中门窗的识别装置包括:
获取模块,用于获取待识别图纸;
第一确定模块,用于确定所述待识别图纸中的门窗构件的包围盒和门窗类型;
第二确定模块,用于确定所述包围盒中属于所述门窗构件的目标图元信息;
第三确定模块,用于根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口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图纸中门窗的识别方法。
第四方面,本申请实施例提供了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图纸中门窗的识别方法。
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该方法,通过获取待识别图纸;确定所述待识别图纸中的门窗构件的包围盒和门窗类型;确定所述包围盒中属于所述门窗构件的目标图元信息;根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息。如此,在获取到待识别图纸后,能够直接从待识别图纸中确定门窗构件的包围盒和门窗类型,从而进一步根据包围盒中的目标图元信息和门窗类型,确定门窗信息,从而使得门窗构件的识别更加方便,提高了识别效率。
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为本申请一实施例提供的图纸中门窗的识别方法的应用场景图;
图2为本申请一实施例提供的图纸中门窗的识别方法的流程图;
图3为本申请一实施例提供的图纸中门窗的识别方法的流程图;
图4为本申请另一实施例提供的图纸中门窗的识别方法的流程图;
图5为本申请一实施例提供的图纸中门窗的识别装置的结构图;
图6为本申请一实施例提供的电子设备的结构图。
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。
在对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
包围盒是一种求解离散点集最优包围空间的算法,基本思想是用体积稍大且特性简单的几何体(称为包围盒)来近似地代替复杂的几何对象。
交并比(Intersection-over-Union,IoU),目标检测中使用的一个概念,是产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率,即它们的交集与并集的比值。最理想情况是完全重叠,即比值为1。
根据本申请一实施例提供了一种图纸中门窗的识别方法。可选地,在本申请实施例中,上述图纸中门窗的识别方法可以应用于如图1所示的由终端101和服务器102所构成的硬件环境中。如图1所示,服务器102通过网络与终端101进行连接,可用于为终端或终端上安装的客户端提供服务(如视频服务、应用服务等),可在服务器上或独立于服务器设置数据库,用于为服务器102提供数据存储服务,上述网络包括但不限于:广域网、城域网或局域网,终端101并不限定于PC、手机、平板电脑等。
本申请实施例的图纸中门窗的识别方法可以由服务器102来执行,也可以由终端101来执行,还可以是由服务器102和终端101共同执行。其中,终端101执行本申请实施例的图纸中门窗的识别方法,也可以是由安装在其上的客户端来执行。
以服务器执行本申请实施例的图纸中门窗的识别方法为例,图2是根据本申请实施例的一种可选的图纸中门窗的识别方法的流程示意图,如图2所示,该方法的流程可以包括以下步骤:
本申请一实施例中提供了一种图纸中门窗的识别方法,该方法可以应用于任意一种形式的电子设备中,如终端和服务器中。如图1所示,该图纸中门窗的识别方法,包括:
步骤201、获取待识别图纸。
一些实施例中,待识别图纸可以是在设计人员设计完毕后,在需要识别建筑图纸时,上传到终端并由终端上传到的服务器的;或者,也可以是相关人员在进行识别建筑图纸时,从数据库中获取到的。其中,数据库中存储有多个待识别的建筑图纸,相关人员可以通过待识别的建筑图纸的图纸名称,选择其中一个进行识别。
示例性的,待识别的建筑图纸可以但不限于为机场、火车站、汽车站、写字楼、居民楼、医院、博物馆、旅游景区、教堂、学校、公园等等项目的图纸。
步骤202、确定所述待识别图纸中的门窗构件的包围盒和门窗类型。
一些实施例中,在获取到待识别图纸后,可以通过待识别图纸的名称、图层名称以及待识别图纸中的图元信息,确定待识别图纸中的包围盒和门窗类型。
通常在图纸设计时,图纸设计人员可能会根据实际情况,将门窗类型和属于门窗构件的图层信息或图元信息中进行标注,从而,在获取到待识别图纸后能够确定其中的门窗构件的包围盒和门窗类型。
其中,包围盒的范围可以是包括门窗构件的最小的范围。从而能够减少非门窗构件的图元的干扰。
门窗类型包括门类型和窗类型,其中,门类型可以是平开门、密闭门、电梯门、推拉门等,窗类型可以是百叶窗、普通窗等。
在另一个可选实施例中,确定所述待识别图纸中的门窗构件的包围盒和门窗类型,包括:
将所述待识别图纸输入预先训练的识别模型中,通过所述识别模型提取所述待识别图纸中的图形特征,基于所述图形特征确定所述门窗构件的包围盒和门窗类型。
一些实施例中,为便于确定包围盒和门窗类型,可以通过预先训练识别模型,通过预先训练的识别模型对待识别图纸进行识别,通过识别模型提取到待识别图纸中的图形特征后,基于图形特征确定待识别图纸中的门窗构件的包围盒和门窗类型。如此,通过训练识别模型,能够在识别门窗构件的包围盒和门窗类型的过程中,快速识别,从而提高门窗信息的识别效率。
进一步的,所述识别模型的预先训练的过程,包括:
获取训练样本集合,其中,所述训练样本集合中包括至少两个训练样本以及每个所述训练样本的真实结果,所述真实结果包括所述训练样本预先标注的门窗范围和每个所述门窗范围内的门窗类型;
分别对所述训练样本集合中的每个训练样本执行以下训练过程:
将所述训练样本输入至初始神经网络模型,基于所述初始神经网络模型对所述训练样本进行特征提取,得到样本特征,根据所述样本特征得到所述训练样本的输出结果;根据所述输出结果和所述真实结果计算计算损失函数值,根据所述损失函数值对所述初始神经网络模型中的参数进行更新,从所述训练样本集合中获取下一训练样本,重复执行所述训练过程,直至所述损失函数小于预设值,将训练后的所述初始神经网络模型作为所述识别模型。
在一个可选实施例中,确定所述待识别图纸中的门窗构件的包围盒和门窗类型之后,还包括:
获取所述门窗类型对应的预设门窗特征;判断所述包围盒内的图元信息是否满足所述预设门窗特征;若是,执行所述确定所述包围盒中属于所述门窗构件的目标图元信息的步骤;若否,确定所述包围盒和所述门窗类型识别错误。
一些实施例中,在确定包围盒和门窗类型后,可以根据门窗类型对应的预设门窗特征,判断包围盒内的图元是否满足该预设门窗特征,若不满足,确定识别的门窗类型错误,不再执行后续步骤,并重新进行识别。
其中,预设门窗特征可以构成不同类型的门窗时的图元的图形特征以及可以是图形特征的数量。
在一个可选实施例中,所述预设门窗特征包括矩形框的数量为第一预设数量数量和箭头的数量为第二预设数量,所述判断所述包围盒内的图元信息是否具有所述预设门窗特征,包括:
确定所述包围盒中的线图元;根据所述线图元,确定所述包围盒内的矩形框和箭头;确定所述矩形框的第一数量和所述箭头的第二数量;根据所述第一数量和所述第二数量确定真实门窗类型;判断所述第一数量与所述第一预设数量、以及第二数量与所述第二预设数量是否一致;若是,确定所述包围盒内的图元信息满足所述预设门窗特征;若否,确定述包围盒内的图元信息不满足所述预设门窗特征。
其中,真实门窗类型为通过识别待识别图纸确定的门窗类型。
示例性的,以确定的门窗类型为双平开门,该双平开门对应的预设门窗特征包括两个矩形框以及每个矩形框内都包括一箭头,基于确定的包围盒内的图元,先确定包围盒内的矩形框和箭头,在根据二者的数量判断是否满足上述的双平开门对应的预设门窗特征,若包围盒内的矩形框只有一个,则确定识别的包围盒和所述门窗类型识别错误。
步骤203、确定所述包围盒中属于所述门窗构件的目标图元信息。
一些实施例中,由于包围盒所在的范围中,不仅存在门窗构件的图元,还包括非门窗构件的图元(例如墙的图元),因此,在确定门窗信息时,需要先确定包围和中属于门窗构件的目标图元信息。
在一个可选实施例中,确定所述包围盒中属于所述门窗构件的目标图元信息,包括:
计算所述包围盒内每个图元信息与所述包围盒的交并比;确定所述交并比大于预设比例值的所述图元信息为所述目标图元信息。
一些实施例中,对于包围盒内的图元不仅包括门窗构件的图元还包括非门窗构件的图元,因此,可以通过计算每个图元与包围盒的交并比,确定每个图元与包围盒的交叠率,将交并比大于预设比例值的图元信息确定为门窗构件的目标图元信息。
其中,预设比例值可以根据实际情况进行设置,例如,可以设置为大于0.8的比例值。
步骤204、根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息。
一些实施例中,在确定目标图元信息和门窗类型后,便可以基于目标图元信息和门窗类型,确定每个包围盒内的门窗信息。
在一个可选实施例中,门窗类型为门时,所述根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息,包括:
确定所述目标图元信息中的弧形图元,将所述弧形图元作为门弧;确定与所述弧形图元连接的线图元;若所述线图元能够围成一封闭多边形,确定所述封闭多边形为门板;确定所述门弧和所述门板为所述门窗信息中的门信息。
一些实施例中,对于不同类型的门窗类型,其具有的图元类型不同。例如,在门窗类型为门时,通常门中包括门弧、门板,基于此,通过识别每个包围盒内目标图元信息,确定其中的弧形图元,以及通过目标图元信息中的线图元,通过判断线图元是否能够围成一四边形,确定围成的四边形为门板。通过识别到上述的门弧和门板,确定该包围盒内的门信息。
其中,判断线图元能够围成一封闭多边形时,可以针对任一线图元,判断该线图元是否与两条线图元相交,并且,所述线图元与一线图元平行,若是,确定所述线图元围成的形状为平行四边形。
具体的,参见图3,该识别方法包括:
步骤一、收集不同类型的图纸,对其中的门窗构件进行标注。
其中,标注的信息包括图纸类型(如:地上平面图、地下平面图),门类型(如:平开门、密闭门、电梯门、推拉门),窗如(:百叶窗、普通窗)。
步骤二、初始模型的选择。初始模型可以为yolov5,yolov4,cascade r-cnn等,通过对比不同模型的训练效果,选定yolov5模型。
在对模型进行训练的时候,可将具有相似性特征的多种门作为一种类型进行训练,比如,单平开门和双平开门可作为平开门类型进行统一训练。
步骤三、利用训练好的模型对图纸进行检测识别。
识别的结果包括门窗构件的包围盒和门窗类型。
步骤四、对模型检测得到的门窗结果进行校验,根据门窗构件本身的业务特征进行筛选。
具体的,可以按照以下业务特征进行校验。例如:平开门:必定含有门板跟门弧;电梯门:必定靠近电梯轿厢;推拉门:必定包括门板和箭头,具体可参照图4;百叶窗:窗体是带有很多线性样式的矩形框,而普通窗是单一的矩形框。
步骤五、得到精确的门窗构件。
计算门窗包围盒和各图元的交并比,筛选出大于预设比例的图元作为每个门窗所包含的图元信息,再根据这些图元信息识别出门的各项基本属性,比如门板、门弧、门洞、门槛线、窗洞等信息。
基于同一构思,本申请实施例中提供了一种图纸中门窗的识别装置,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:
获取模块501,用于获取待识别图纸;
第一确定模块502,用于确定所述待识别图纸中的门窗构件的包围盒和门窗类型;
第二确定模块503,用于确定所述包围盒中属于所述门窗构件的目标图元信息;
第三确定模块504,用于根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息。
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:
获取待识别图纸;
确定所述待识别图纸中的门窗构件的包围盒和门窗类型;
确定所述包围盒中属于所述门窗构件的目标图元信息;
根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息。
上述电子设备中提到的通信总线603可以时外设部件互连标准(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图纸中门窗的识别方法。
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。该计算机可以是通用计算机、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)
1.一种图纸中门窗的识别方法,其特征在于,包括:
获取待识别图纸;
确定所述待识别图纸中的门窗构件的包围盒和门窗类型;
确定所述包围盒中属于所述门窗构件的目标图元信息;
根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息。
2.根据权利要求1所述的图纸中门窗的识别方法,其特征在于,所述确定所述包围盒中属于所述门窗构件的目标图元信息,包括:
计算所述包围盒内每个图元信息与所述包围盒的交并比;
确定所述交并比大于预设比例值的所述图元信息为所述目标图元信息。
3.根据权利要求1所述的图纸中门窗的识别方法,其特征在于,所述门窗类型为门时,所述根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息,包括:
确定所述目标图元信息中的弧形图元,将所述弧形图元作为门弧;
确定与所述弧形图元连接的线图元;
若所述线图元能够围成一封闭多边形,确定所述封闭多边形为门板;
确定所述门弧和所述门板为所述门窗信息中的门信息。
4.根据权利要求1所述的图纸中门窗的识别方法,其特征在于,所述确定所述待识别图纸中的门窗构件的包围盒和门窗类型,包括:
将所述待识别图纸输入预先训练的识别模型中,通过所述识别模型提取所述待识别图纸中的图形特征,基于所述图形特征确定所述门窗构件的包围盒和门窗类型。
5.根据权利要求4所述的图纸中门窗的识别方法,其特征在于,所述识别模型的预先训练的过程,包括:
获取训练样本集合,其中,所述训练样本集合中包括至少两个训练样本以及每个所述训练样本的真实结果,所述真实结果包括所述训练样本预先标注的门窗范围和每个所述门窗范围内的门窗类型;
分别对所述训练样本集合中的每个训练样本执行以下训练过程:
将所述训练样本输入至初始神经网络模型,基于所述初始神经网络模型对所述训练样本进行特征提取,得到样本特征,根据所述样本特征得到所述训练样本的输出结果;
根据所述输出结果和所述真实结果计算计算损失函数值,根据所述损失函数值对所述初始神经网络模型中的参数进行更新,从所述训练样本集合中获取下一训练样本,重复执行所述训练过程,直至所述损失函数小于预设值,将训练后的所述初始神经网络模型作为所述识别模型。
6.根据权利要求1所述的图纸中门窗的识别方法,其特征在于,所述确定所述待识别图纸中的门窗构件的包围盒和门窗类型之后,还包括:
获取所述门窗类型对应的预设门窗特征;
判断所述包围盒内的图元信息是否满足所述预设门窗特征;
若是,执行所述确定所述包围盒中属于所述门窗构件的目标图元信息的步骤;
若否,确定所述包围盒和所述门窗类型识别错误。
7.根据权利要求6所述的图纸中门窗的识别方法,其特征在于,所述预设门窗特征包括矩形框的数量为第一预设数量数量和箭头的数量为第二预设数量,所述判断所述包围盒内的图元信息是否具有所述预设门窗特征,包括:
确定所述包围盒中的线图元;
根据所述线图元,确定所述包围盒内的矩形框和箭头;
确定所述矩形框的第一数量和所述箭头的第二数量;
根据所述第一数量和所述第二数量确定真实门窗类型;
判断所述第一数量与所述第一预设数量、以及第二数量与所述第二预设数量是否一致;
若是,确定所述包围盒内的图元信息满足所述预设门窗特征;
若否,确定述包围盒内的图元信息不满足所述预设门窗特征。
8.一种图纸中门窗的识别装置,其特征在于,包括:
获取模块,用于获取待识别图纸;
第一确定模块,用于确定所述待识别图纸中的门窗构件的包围盒和门窗类型;
第二确定模块,用于确定所述包围盒中属于所述门窗构件的目标图元信息;
第三确定模块,用于根据所述目标图元信息和所述门窗类型,确定每个所述包围盒中的门窗信息。
9.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口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任一项所述的图纸中门窗的识别方法。
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任一项所述的图纸中门窗的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210080535.9A CN114550187A (zh) | 2022-01-24 | 2022-01-24 | 图纸中门窗的识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210080535.9A CN114550187A (zh) | 2022-01-24 | 2022-01-24 | 图纸中门窗的识别方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114550187A true CN114550187A (zh) | 2022-05-27 |
Family
ID=81671935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210080535.9A Pending CN114550187A (zh) | 2022-01-24 | 2022-01-24 | 图纸中门窗的识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550187A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821627A (zh) * | 2022-06-29 | 2022-07-29 | 江西少科智能建造科技有限公司 | 户门安装图纸智能审查方法、系统、存储介质及电子设备 |
-
2022
- 2022-01-24 CN CN202210080535.9A patent/CN114550187A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821627A (zh) * | 2022-06-29 | 2022-07-29 | 江西少科智能建造科技有限公司 | 户门安装图纸智能审查方法、系统、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN111782583B (zh) | 智能审图方法及相关装置 | |
CN111008597A (zh) | Cad图纸的空间识别方法、装置、电子设备及存储介质 | |
US20110218777A1 (en) | System and method for generating a building information model | |
JP2018081548A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN111161379B (zh) | 基于深度学习的空户型特征检测的室内家居自动布局方法 | |
CN110348368B (zh) | 一种户型图的人工智能解析方法、计算机可读介质及系统 | |
CN113657202B (zh) | 构件识别方法、构建训练集方法、装置、设备及存储介质 | |
CN114648681B (zh) | 一种图像生成方法、装置、设备及介质 | |
CN112883801A (zh) | Cad配电系统图中住户配电箱系统图子图的精准识别方法 | |
CN114444168A (zh) | 建筑图纸中墙柱的识别方法、装置、电子设备和存储介质 | |
US20160085831A1 (en) | Method and apparatus for map classification and restructuring | |
CN114359590A (zh) | Nft图像作品侵权检测方法、装置、及计算机存储介质 | |
CN114550187A (zh) | 图纸中门窗的识别方法、装置、电子设备和存储介质 | |
CN111649749A (zh) | 基于bim模型的导航方法、电子设备及相关产品 | |
CN113780190B (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 | |
CN111523169A (zh) | 一种装修方案生成方法、装置、电子设备及存储介质 | |
Urbieta et al. | Generating BIM model from structural and architectural plans using Artificial Intelligence | |
CN112948928B (zh) | 基于建筑信息模型的净空高度计算方法及相关装置 | |
CN114282288A (zh) | 轴网识别方法、装置、设备及存储介质 | |
CN113779681A (zh) | 建筑模型建立方法及相关装置 | |
CN113435289A (zh) | 空间分割方法、装置、设备及存储介质 | |
CN112446777B (zh) | 一种信用评估方法、装置、设备及存储介质 | |
CN112801620B (zh) | 工程信息处理方法、装置、设备及存储介质 | |
CN114283186A (zh) | 工程图纸中对象识别方法、装置、电子设备和存储介质 |
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 |