CN114612923A - 基于目标检测的户型图墙体处理方法、系统、介质及设备 - Google Patents
基于目标检测的户型图墙体处理方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN114612923A CN114612923A CN202210117568.6A CN202210117568A CN114612923A CN 114612923 A CN114612923 A CN 114612923A CN 202210117568 A CN202210117568 A CN 202210117568A CN 114612923 A CN114612923 A CN 114612923A
- Authority
- CN
- China
- Prior art keywords
- contour
- outline
- house type
- furniture
- house
- 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
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于目标检测的户型图墙体处理方法,所述方法包括:检测户型图中家具并对所述家具所在区域进行定位;对所述家具所在区域像素RGB进行赋值处理;对户型图构件进行轮廓检测以获取户型图轮廓信息;根据筛选条件过滤所述户型图轮廓获取所述户型图墙体轮廓;填充墙体轮廓以获取标准训练户型图。通过本方法对输入深度学习模型户型图样本的墙体进行预处理,用以输入更加标准的户型图来提高图像的质量,减少干扰信息,提高模型训练样本的标准化和识别的准确率。
Description
技术领域
本发明涉及目标检测领域,特别是涉及一种基于目标检测的户型图墙体处理方法、系统、介质及设备。
背景技术
目前市面上已经提出了多种CAD平面户型图识别算法,例如基于传统图像处理和规则限制的完成墙体、门窗的自动化识别,但是由于CAD平面图存在设计不规范、人为干扰因素大的问题,识别精度不准。然而识别精度很大程度上取决于平面图的制图规范、构件混乱程度。传统算法只能处理水平和竖直的墙体,不适用真实场景复杂的户型结构。
针对传统的图像处理方法具有的问题,研发团队选择使用当下最前沿的深度学习方法来提高识别的准确率,通过分割网络以及关键点检测技术来进行墙线、组件和空间的自动识别划分,识别泛化性大大增加。
为了提高户型识别的准确率,首先需要对深度学习模型的输入户型图样本进行标准化预处理,而墙体作为户型图中最重要的构件,其处理方法直接影响图像的质量。经过墙体处理方法所得的标准化的户型图样本可以进一步地减少图像干扰信息,提高户型识别的准确率。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于目标检测的户型图墙体处理方法、系统、介质及设备,用于解决现有技术中的以上问题。
为实现上述目的及其他相关目的,本发明提供一种基于目标检测的户型图墙体处理方法,所述方法包括:检测户型图中家具并对所述家具所在区域进行定位;对所述家具所在区域像素RGB进行赋值处理;对户型图构件进行轮廓检测以获取户型图轮廓信息;根据筛选条件过滤所述户型图轮廓获取所述户型图墙体轮廓;填充墙体轮廓以获取标准训练户型图。
于本发明一实施例中,所述方法还包括:对所述户型图中数据集中的家具大小进行聚类统计;通过聚类统计获取N种不同大小的检测框,对每种尺寸框定义M种不同比例的检测框,N、M为正整数;在所述户型图中预测K个检测框并对检测框内的家具进行分类;计算两个同类检测框的IOU,若大于预设阈值则将两个框整合成一个,直到任意两个检测框之间的IOU小于预设阈值以获取最终检测框;定义所述最终检测框为家具所在区域并检测所述去检测家具所在区域周围竖直、水平的直线。
于本发明一实施例中,所述方法还包括统计获取户型图内家具所在区域外的具有相同RGB值的像素点的占比;比对获取占比最大的相同像素点的RGB值;将所述RGB值替换家具所在区域内的像素点的RGB值。
于本发明一实施例中,所述方法还包括通过cv2.findContours计算出所述户型图的轮廓并以树状图的形式保存;对所述轮廓记录轮廓下标,轮廓点的坐标以及父轮廓的下标;定义最外层父轮廓的下标为-1;循环更新所述轮廓的父轮廓,记录节点的深度,直到最新节点的父轮廓下标为-1;返回节点的深度。
于本发明一实施例中,所述方法还包括:步骤1:将所述轮廓中相邻的3个轮廓点的首尾两个轮廓点作为端点连接两点形成线段记作AB;步骤2:计算所述3个轮廓点中中间轮廓点距离线段AB的垂直距离d;步骤3:比较d与预设阈值threshold的大小,若d小于threshold,则以线段AB作为所述轮廓的近似构成线段;若d大于threshold,则将C作为端点形成线段AC和BC作为所述轮廓的近似构成线段;步骤4:重复步骤1~步骤3获取所述轮廓的近似构成线段作为所述轮廓的构成线段并记录构成所述轮廓线段端点的个数。
于本发明一实施例中,所述方法中所述筛选条件为:判断所述轮廓深度是否小于P,若否,则过滤所述轮廓;计算所述轮廓的最大内接圆半径,判断所述最大内接圆半径是否在预设范围内,所否,则过滤所述轮廓;计算获取轮廓的面积占所述户型图面积的占比,判断所述占比是否在预设范围内,若否,则过滤所述轮廓;计算所述轮廓的周长与轮廓面积比值,判断所述比值是否大于预设值,若否,则过滤所述轮廓;计算所述轮廓构成线段的端点数,判断所述端点数是否在预设范围内,若否,则过滤所述轮廓。
于本发明一实施例中,所述方法还包括:获取构成所述户型图轮廓像素点的RGB值;将所述RGB值替换所述户型图墙体轮廓内的像素点的RGB值。
为实现上述目的及其他相关目的,本发明提供基于目标检测的户型图墙体处理系统,所述系统包括:定位模块,用于检测户型图中家具并对所述家具所在区域进行定位;检测模块,用于对户型图构件进行轮廓检测以获取户型图轮廓信息;过滤模块,用于根据筛选条件过滤所述户型图轮廓获取所述户型图墙体轮廓;填充模块,用于对所述家具所在区域和所述墙体轮廓进行像素填充。
为实现上述目的及其他相关目的,本发明提供一种计算机可读存储介质,其中存储有计算机程序,所述计算机程序被处理器加载执行时,实现所述的基于目标检测的户型图墙体处理方法。
为实现上述目的及其他相关目的,本发明提供一种电子设备,包括:处理器、存储器及通信接口;其中,所述存储器用于存储计算机程序;所述处理器用于加载执行所述计算机程序,以使所述电子设备执行所述的基于目标检测的户型图墙体处理方法;所述通信接口用于实现访问装置与其他设备之间的通信。
如上所述,本发明提供的一种基于目标检测的户型图墙体处理方法,为了实现通过深度学习方法来提高户型识别的准确率的目的,通过本方法对输入深度学习模型户型图样本的墙体进行预处理,用以输入更加标准的户型图来提高图像的质量,减少干扰信息,提高模型训练样本的标准化和识别的准确率。
附图说明
图1显示为本发明一实施例中的基于目标检测的户型图墙体处理方法的流程示意图。
图2显示为本发明一实施例中的基于目标检测的户型图墙体处理方法的初始户型图示意图。
图3显示为本发明一实施例中的基于目标检测的户型图墙体处理方法的去除家具的户型图示意图。
图4显示为本发明一实施例中的基于目标检测的户型图墙体处理方法的户型图的墙体构件示意图。
图5显示为本发明一实施例中的基于目标检测的户型图墙体处理系统的模块示意图。
图6显示为本发明一实施例中的电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。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的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。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
为了解决现有技术中户型图样本制图不规范、构件混乱程度而造成的识别精度低的问题,本发明提供一种基于目标检测的户型图墙体处理方法、系统、介质及设备。
如图1所示,本实施例提供基于目标检测的户型图墙体处理方法,该方法包括如下步骤:
S11:检测户型图中家具并对所述家具所在区域进行定位。
具体地,首先通过聚类的方法对如图2所示的户型图内数据集中的家具大小进行统计,然后根据聚类统计结果获得N种不同大小的检测框,并对每种检测框设置M种不同比例,N、M根据实际聚类结果进行确定,实际应用中通过3种不同尺寸的检测框,每类检测框设置3种比例,共计9种检测框实现家具的覆盖。
进一步地,在该户型图中随机放置K个检测框并对检测框内的家具进行预测分类,K不大于L个,根据户型图大小确定,实际应用中L可以设置为1000。
进一步地,计算两个同类检测框的IOU,若大于预设阈值则将两个框整合成一个,重复该步骤直到直到任意两个检测框之间的IOU小于预设阈值以获取最终检测框,定义该最终检测框为家具所在区域。
优选地,检测家具所在区域周围竖直、水平存在的直线,将周围的直线剔除在家具所在区域之外,避免在S12中被进行像素RGB赋值处理。
S12:对所述家具所在区域像素RGB进行赋值处理。
具体地,统计获取户型图内家具所在区域外的具有相同RGB值的像素点的个数,并根据相同RGB值像素点的个数计算不同RGB值的像素点的占比,最后获取占比最大的像素RGB值。
进一步地,将该RGB值替换家具所在区域内的所有像素点的RGB值。例如白色255255255。通俗的说,即将家具所在区域填充为白色,得到如图3所示的户型图。
S13:对户型图构件进行轮廓检测以获取户型图轮廓信息。
具体地,首先通过cv2.findContours计算出该户型图的轮廓并以树状图的形式保存,其次对每个轮廓记录轮廓下标,轮廓点的坐标以及父轮廓的下标,然后将最外层父轮廓的下标定义为-1,最后通过对当前轮廓的父轮廓不断更新,同时记录节点的深度,直到最新节点的父轮廓下标为-1,此时返回节点的深度。
进一步地,通过下列步骤对轮廓进行预处理。
步骤1:将轮廓中相邻的3个轮廓点的首尾两个轮廓点作为端点连接两点形成线段记作AB;
步骤2:计算3个轮廓点中中间轮廓点C距离线段AB的垂直距离d。
步骤3:比较d与预设阈值threshold的大小,如果d小于threshold,则以线段AB作为该轮廓的近似构成线段;若d大于threshold,则将C作为端点形成线段AC和BC作为该轮廓的近似构成线段。
步骤4:重复步骤1~步骤3获取该轮廓的近似构成线段作为所述轮廓的构成线段,以及记录构成该轮廓线段端点的个数。
优选地,预设阈值threshold可以设置为0.001*最大轮廓的面积,若d小于0.001*最大轮廓的面积,过滤轮廓点C,以线段AB作为该轮廓的近似构成线段。需要说明的是0.001为应用阈值,其确定可以根据实际情况进行调整。
通过上述步骤,对多边形轮廓进行拟合,用更少的点表示轮廓信息,减少构成轮廓的点数。
S14:根据筛选条件过滤所述户型图轮廓获取所述户型图墙体轮廓。
具体地,确定墙体轮廓筛选条件,该筛选条件通过深度学习模型更新进行迭代确认。
进一步地,判断S13获取的轮廓深度是否小于P,若否,则过滤所述轮廓,例如P为4,该轮廓深度大于等于4,则判断该轮廓不为墙体轮廓,将该轮廓过滤。
进一步地,计算该轮廓的最大内接圆半径,判断该轮廓的最大内接圆半径是否在预设范围内,所否,则过滤所述轮廓。例如按照正常墙体厚度将预设范围定为墙体厚度的0.5-2倍,若最大内接圆半径不在该范围内,将该轮廓过滤。
进一步地,计算获取轮廓的面积占所述户型图面积的占比,判断该占比是否在预设范围内,若否,则过滤所述轮廓。例如按照正常户型图面积将墙体轮廓面积预设范围定为户型图面积的0.1%-3%,若墙体轮廓面积不在该范围内,将该轮廓过滤。
进一步地,计算该轮廓的周长与轮廓面积比值,判断所述比值是否大于预设值,若否,则过滤所述轮廓。例如按照正常多边形的定理,将轮廓的周长与轮廓面积比值阈值设为0.06,若比值不在该范围内,将该轮廓过滤。
进一步地,通过S13计算获取轮廓构成线段的端点数,判断端点数是否在预设范围内,若否,则过滤所述轮廓。例如,将端点数范围4-40个点,若端点数不在该范围内,将该轮廓过滤。
通过如上筛选条件获取合适的墙体轮廓以作为进行模型训练的标准户型图重要构件。
S15:填充墙体轮廓以获取标准训练户型图。
具体地,获取构成户型图轮廓像素点的RGB值,将该RGB值替换户型图墙体轮廓内的像素点的RGB值。例如黑色0 0 0。通俗的说,即将墙体轮廓内区域填充为黑色,得到如图4所示的墙体构件图。
实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。基于这样的理解,本发明还提供一种计算机程序产品,包括一个或多个计算机指令。所述计算机指令可以存储在计算机可读存储介质中。所述计算机可读存储介质可以是计算机能够存储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。
参阅图5,本实施例提供一种基于目标检测的户型图墙体处理系统50,作为一款软件搭载于电子设备中,以在运行时执行前述方法实施例所述的基于目标检测的户型图墙体处理方法。由于本系统实施例的技术原理与前述方法实施例的技术原理相似,因而不再对同样的技术细节做重复性赘述。
本实施例的基于目标检测的户型图墙体处理系统50具体包括:定位模块51、检测模块52、过滤模块53、填充模块54。定位模块51用于检测户型图中家具并对所述家具所在区域进行定位;检测模块52用于对户型图构件进行轮廓检测以获取户型图轮廓信息;过滤模块53用于根据筛选条件过滤所述户型图轮廓获取所述户型图墙体轮廓;定位模块51用于对所述家具所在区域和所述墙体轮廓进行像素填充。
本领域技术人员应当理解,图5实施例中的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个或多个物理实体上。且这些模块可以全部以软件通过处理元件调用的形式实现,也可以全部以硬件的形式实现,还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,检测模块52可以为单独设立的处理元件,也可以集成在某一个芯片中实现,此外,也可以以程序代码的形式存储于存储器中,由某一个处理元件调用并执行检测模块52的功能。其它模块的实现与之类似。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
参阅图6,本实施例提供一种电子设备,电子设备可以是便携式电脑、智能手机、平板电脑等设备。详细的,电子设备至少包括通过总线61连接的:存储器62、处理器63,通信接口64,其中,通信接口64用于用于实现数据访问装置与其他设备之间的通信其中,存储器62用于存储计算机程序,处理器63用于执行存储器62存储的计算机程序,以执行前述方法实施例中的全部或部分步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral PomponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图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。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,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。
综上所述,本发明提供的一种基于目标检测的户型图墙体处理方法、系统、介质及设备,针对真实场景复杂的户型图,对其进行结构识别、拆分、数据标注以便作为户型图样本进行训练深度学习模型,通过对复杂的户型图中的家具检测,轮廓检测,图像识别,构件检测模型进而将户型中最重要的构件之一的墙体分离出来的以及其对相对应的墙体轮廓、墙体厚度及位置进行标注,实现对户型图进行去噪,进一步地提高图像的质量,减少干扰信息,提高识别的准确率。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于目标检测的户型图墙体处理方法,其特征在于,包括:
检测户型图中家具并对所述家具所在区域进行定位;
对所述家具所在区域像素RGB进行赋值处理;
对户型图构件进行轮廓检测以获取户型图轮廓信息;
根据筛选条件过滤所述户型图轮廓获取所述户型图墙体轮廓;
填充墙体轮廓以获取标准训练户型图。
2.根据权利要求1所述的方法,其特征在于,还包括:
对所述户型图中数据集中的家具大小进行聚类统计;
通过聚类统计获取N种不同大小的检测框,对每种尺寸框定义M种不同比例的检测框,N、M为正整数;
在所述户型图中预测K个检测框并对检测框内的家具进行分类;
计算两个同类检测框的IOU,若大于预设阈值则将两个框整合成一个,直到任意两个检测框之间的IOU小于预设阈值以获取最终检测框;
定义所述最终检测框为家具所在区域并检测所述去检测家具所在区域周围竖直、水平的直线。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
统计获取户型图内家具所在区域外的具有相同RGB值的像素点的占比;
比对获取占比最大的相同像素点的RGB值;
将所述RGB值替换家具所在区域内的像素点的RGB值。
4.根据权利要求3所述的方法,其特征在于,还包括:
通过cv2.findContours计算出所述户型图的轮廓并以树状图的形式保存;
对所述轮廓记录轮廓下标,轮廓点的坐标以及父轮廓的下标;
定义最外层父轮廓的下标为-1;
循环更新所述轮廓的父轮廓,记录节点的深度,直到最新节点的父轮廓下标为-1;
返回节点的深度。
5.根据权利要求4所述的方法,其特征在于,还包括:
步骤1:将所述轮廓中相邻的3个轮廓点的首尾两个轮廓点作为端点连接两点形成线段记作AB;
步骤2:计算所述3个轮廓点中中间轮廓点距离线段AB的垂直距离d;
步骤3:比较d与预设阈值threshold的大小,若d小于threshold,则以线段AB作为所述轮廓的近似构成线段;若d大于threshold,则将C作为端点形成线段AC和BC作为所述轮廓的近似构成线段;
步骤4:重复步骤1~步骤3获取所述轮廓的近似构成线段作为所述轮廓的构成线段并记录构成所述轮廓线段端点的个数。
6.根据权利要求5所述的方法,其特征在于,所述筛选条件为:
判断所述轮廓深度是否小于P,若否,则过滤所述轮廓;
计算所述轮廓的最大内接圆半径,判断所述最大内接圆半径是否在预设范围内,所否,则过滤所述轮廓;
计算获取轮廓的面积占所述户型图面积的占比,判断所述占比是否在预设范围内,若否,则过滤所述轮廓;
计算所述轮廓的周长与轮廓面积比值,判断所述比值是否大于预设值,若否,则过滤所述轮廓;
计算所述轮廓构成线段的端点数,判断所述端点数是否在预设范围内,若否,则过滤所述轮廓。
7.根据权利要求1或6所述的方法,其特征在于,
获取构成所述户型图轮廓像素点的RGB值;
将所述RGB值替换所述户型图墙体轮廓内的像素点的RGB值。
8.一种基于目标检测的户型图墙体处理系统,其特征在于,所述系统包括:
定位模块,用于检测户型图中家具并对所述家具所在区域进行定位;
检测模块,用于对户型图构件进行轮廓检测以获取户型图轮廓信息;
过滤模块,用于根据筛选条件过滤所述户型图轮廓获取所述户型图墙体轮廓;
填充模块,用于对所述家具所在区域和所述墙体轮廓进行像素填充。
9.一种计算机可读存储介质,其中存储有计算机程序,其特征在于,所述计算机程序被处理器加载执行时,实现如权利要求1至7中任一所述的基于目标检测的户型图墙体处理方法。
10.一种电子设备,其特征在于,包括:处理器、存储器及通信接口;其中,
所述存储器用于存储计算机程序;
所述处理器用于加载执行所述计算机程序,以使所述电子设备执行如权利要求1至7中任一所述的基于目标检测的户型图墙体处理方法;
所述通信接口用于实现访问装置与其他设备之间的通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210117568.6A CN114612923A (zh) | 2022-02-08 | 2022-02-08 | 基于目标检测的户型图墙体处理方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210117568.6A CN114612923A (zh) | 2022-02-08 | 2022-02-08 | 基于目标检测的户型图墙体处理方法、系统、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612923A true CN114612923A (zh) | 2022-06-10 |
Family
ID=81858900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210117568.6A Pending CN114612923A (zh) | 2022-02-08 | 2022-02-08 | 基于目标检测的户型图墙体处理方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612923A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579051A (zh) * | 2023-04-11 | 2023-08-11 | 广州极点三维信息科技有限公司 | 一种基于户型数据增广的二维户型信息识别与提取方法 |
-
2022
- 2022-02-08 CN CN202210117568.6A patent/CN114612923A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579051A (zh) * | 2023-04-11 | 2023-08-11 | 广州极点三维信息科技有限公司 | 一种基于户型数据增广的二维户型信息识别与提取方法 |
CN116579051B (zh) * | 2023-04-11 | 2024-05-07 | 广州极点三维信息科技有限公司 | 一种基于户型数据增广的二维户型信息识别与提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10885660B2 (en) | Object detection method, device, system and storage medium | |
CN111008597B (zh) | Cad图纸的空间识别方法、装置、电子设备及存储介质 | |
CN108764358B (zh) | 一种太赫兹图像识别方法、装置、设备及可读存储介质 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN111091123A (zh) | 文本区域检测方法及设备 | |
CN108228761B (zh) | 支持区域自定义的图像检索方法和装置、设备、介质 | |
CN109934216B (zh) | 图像处理的方法、装置、计算机可读存储介质 | |
CN111340938B (zh) | 用于获得房屋布局信息的方法、网络模型训练方法及装置 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN111444976A (zh) | 目标检测方法、装置、电子设备和可读存储介质 | |
CN110807404A (zh) | 基于深度学习的表格线检测方法、装置、终端、存储介质 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN111192279B (zh) | 基于边缘检测的物体分割方法、电子终端及存储介质 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN114612923A (zh) | 基于目标检测的户型图墙体处理方法、系统、介质及设备 | |
CN117474918B (zh) | 异常检测方法和装置、电子设备以及存储介质 | |
CN115272691A (zh) | 一种钢筋绑扎状态检测模型的训练方法、识别方法及设备 | |
WO2022127333A1 (zh) | 图像分割模型的训练方法、图像分割方法、装置、设备 | |
CN114998610A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
CN113918744A (zh) | 相似图像检索方法、装置、存储介质及计算机程序产品 | |
CN111382638A (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN111507252A (zh) | 人体跌倒检测装置、方法、电子终端及存储介质 | |
CN113139540B (zh) | 背板检测方法及设备 | |
CN115374517A (zh) | 布线软件的测试方法、装置、电子设备及存储介质 |
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 |