CN114820870A - 核电流程图辅助绘制方法、装置、计算机设备和存储介质 - Google Patents
核电流程图辅助绘制方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114820870A CN114820870A CN202210513838.5A CN202210513838A CN114820870A CN 114820870 A CN114820870 A CN 114820870A CN 202210513838 A CN202210513838 A CN 202210513838A CN 114820870 A CN114820870 A CN 114820870A
- Authority
- CN
- China
- Prior art keywords
- legend
- information
- model
- nuclear power
- flow chart
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- 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
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本申请涉及信息化建设技术领域,提供一种核电流程图辅助绘制方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括:获取待转换图纸的图纸信息;将图纸信息输入预设的识别模型,并获取识别模型输出的识别结果;识别模型通过不同类型的流程样例图纸训练得到,流程样例图纸带有标记数据;根据识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。通过识别模型对待转换图纸的图纸信息进行识别,并根据识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息,实现对图纸的自动绘图转换,处理效率高。
Description
技术领域
本申请涉及信息化建设技术领域,特别是涉及一种核电流程图辅助绘制方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着科技的发展和社会的不断进步,越来越多类型的绘图工具的出现给人们的日常工作带来了极大的便利。然而,实际工作中需要将某种类型的图纸转换为另一类型的图纸。例如,目前核电流程图主要是通过人工使用专业工具将CAD图纸重新绘制为数字化图例。通过人工进行绘图转换,存在处理效率低的缺点。
发明内容
基于此,有必要针对上述问题,提供一种处理效率高的核电流程图辅助绘制方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面,本申请提供了一种核电流程图辅助绘制方法,所述方法包括:
获取待转换图纸的图纸信息;
将所述图纸信息输入预设的识别模型,并获取所述识别模型输出的识别结果;所述识别模型通过不同类型的流程样例图纸训练得到,所述流程样例图纸带有标记数据;
根据所述识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。
在其中一个实施例中,所述根据所述识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息之后,还包括:对所述待转换图纸中未匹配成功的信息进行标识。
在其中一个实施例中,所述将所述图纸信息输入预设的识别模型,并获取所述识别模型输出的识别结果之前,还包括:
获取带有标记数据的流程样例图纸,构建数据集;
根据所述数据集进行神经网络模型训练,得到识别模型。
在其中一个实施例中,所述根据所述数据集进行神经网络模型训练,得到识别模型,包括:
提取所述数据集中各流程样例图纸的特征数据,并根据所述特征数据构建深度学习模型;
根据所述数据集中各流程样例图纸的标记数据进行模型训练和数据校验,得到识别模型。
在其中一个实施例中,所述流程样例图纸包括不同清晰度、不同字体、不同线条遮挡干扰情况的样例图纸。
在其中一个实施例中,所述标记数据包括图例的区域位置及类型、文字的区域位置及内容。
第二方面,本申请还提供了一种核电流程图辅助绘制装置,所述装置包括:
信息获取模块,用于获取待转换图纸的图纸信息;
图例识别模块,用于将所述图纸信息输入预设的识别模型,并获取所述识别模型输出的识别结果;所述识别模型通过不同类型的流程样例图纸训练得到,所述流程样例图纸带有标记数据;
绘图控制模块,用于根据所述识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待转换图纸的图纸信息;
将所述图纸信息输入预设的识别模型,并获取所述识别模型输出的识别结果;所述识别模型通过不同类型的流程样例图纸训练得到,所述流程样例图纸带有标记数据;
根据所述识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待转换图纸的图纸信息;
将所述图纸信息输入预设的识别模型,并获取所述识别模型输出的识别结果;所述识别模型通过不同类型的流程样例图纸训练得到,所述流程样例图纸带有标记数据;
根据所述识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待转换图纸的图纸信息;
将所述图纸信息输入预设的识别模型,并获取所述识别模型输出的识别结果;所述识别模型通过不同类型的流程样例图纸训练得到,所述流程样例图纸带有标记数据;
根据所述识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。
上述核电流程图辅助绘制方法、装置、计算机设备、存储介质和计算机程序产品,通过识别模型对待转换图纸的图纸信息进行识别,并根据识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息,实现对图纸的自动绘图转换,处理效率高。
附图说明
图1为一实施例中核电流程图辅助绘制方法的流程图;
图2为另一实施例中核电流程图辅助绘制方法的流程图;
图3为一实施例中AI深度学习模型的训练示意图;
图4和图5为一实施例中数字图纸的图例示意图;
图6为一实施例中核电流程图的图纸示意图;
图7为一实施例中核电流程图辅助绘制装置的结构框图;
图8为一实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
人工智能技术在“图像识别”方面,已有成熟应用。“图像识别”的应用场景,与核电流程图的识别有异曲同工之处,且核电领域的流程图相对规范、图例统一、图纸对象的编码规则规范,且数量大,足以支持图像样本标记和训练。因此,如果能将人工智能技术应用在核电图纸识别和自动转换过程,将能极大提高使用人工识别图纸转换的效率,提升核电行业纸质图形文档数据的信息数字化、智能化水平。
基于此,本申请通过收集不同类型的核电流程样例图纸,对样例图纸进行人工标记,标记出期望的结果。利用带有标记数据的流程样例图纸设计深度学习模型并进行训练和学习,最后将训练好的模型部署在AI识别引擎中,供算法自动构图使用。在需要绘制流程图时新建自动绘图,从图标库中抓取图例运用AI识图进行比对并放置图面所在位置,记录对象图例的相关信息,实现核电图纸的识别和自动转换。
具体地,在一个实施例中,提供了一种核电流程图辅助绘制方法,如图1所示,该方法包括:
步骤S130:获取待转换图纸的图纸信息。具体地,在需要进行流程图绘制时,绘图人员将待转换图纸导入绘图工具,由绘图工具的AI引擎对待转换图纸进行识别,提取图纸信息。其中,待转换图纸可以是电子图片,也可以是CAD、PDF等其他格式的图纸文档。图纸信息具体可包括待转换图纸中各图例的形状、位置等信息。
步骤S140:将图纸信息输入预设的识别模型,并获取识别模型输出的识别结果。其中,识别模型通过不同类型的流程样例图纸训练得到,流程样例图纸带有标记数据。绘图人员可预先收集不同类型的流程样例图纸,并对流程样例图纸进行人工标记,例如标记图纸上图例的区域位置、类型等类容。然后结合带有标记数据的流程样例图纸设计深度学习模型并进行训练,得到识别模型后部署在AI引擎中,用作对从待转换图纸提取出的图纸信息进行识别分析,得到识别结果,例如图例的名称、位置等信息。
步骤S150:根据识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。具体地,可预先在绘图工具中保存不同类型的图例构建图标库,在识别模型得到识别结果后,AI引擎根据识别结果从绘图工具的图标库中进行图例对比,抓取所需要的图例以及图例的相关信息,然后放置在图画的相应位置。其中,图例信息具体可包括图例的省份信息和坐标信息等。
上述核电流程图辅助绘制方法,通过识别模型对待转换图纸的图纸信息进行识别,并根据识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息,实现对图纸的自动绘图转换,处理效率高。
在一个实施例中,步骤S150之后,该方法还包括:对待转换图纸中未匹配成功的信息进行标识。具体地,AI引擎在完成对图纸信息的识别匹配后,还可以将待转换图纸中未匹配成功的元素用颜色标识,将带有颜色标识的图纸显示给绘图人员,提醒绘图人员图纸中存在未匹配成功的内容,方便绘图人员根据实际情况选择完善图例库后再次自动绘图,或者选择手动继续绘图,最终完成待转换图纸的绘制。
在一个实施例中,如图2所示,步骤S140之前,该方法还包括:
步骤S110:获取带有标记数据的流程样例图纸,构建数据集。
步骤S120:根据数据集进行神经网络模型训练,得到识别模型。
其中,步骤S110和步骤S120可以是在步骤S130之前。具体地,绘图人员可预先收集不同类型的核电流程样例图纸,样例图纸尽可能多覆盖所有流程图。流程样例图纸的类型并不唯一,本实施例中,流程样例图纸包括不同清晰度、不同字体、不同线条遮挡干扰情况的样例图纸。标记数据的类型也并不唯一,本实施例中,标记数据包括图例的区域位置及类型、文字的区域位置及内容。在收集完样例图纸之后,对样例图纸进行人工标记,标记出期望的结果,如图例的区域位置及类型、文字的区域位置及内容等,得到带有标记数据的流程样例图纸,完成数据集的构建。进一步地,根据数据集中所有流程样例图纸以及携带的标记数据进行神经网络模型训练,建立识别模型以用作实际绘图时进行图纸信息的识别。
在一个实施例中,步骤S120包括:提取数据集中各流程样例图纸的特征数据,并根据特征数据构建深度学习模型;根据数据集中各流程样例图纸的标记数据进行模型训练和数据校验,得到识别模型。
具体地,流程样例图纸的特征数据可包括不同图例的符号形状等信息。首先根据样例图纸中存在的特征设计深度学习模型,然后用标记数据对深度学习模型进行训练和学习。然后,对训练结果进行数据校验,分析模型的准确率是否符合要求。如果准确率符合要求,则模型训练结束。如果因样例不够丰富导致准确率不够,则回到图纸收集操作进行图例补充;如果发现标记错误导致准确率不够,则对标记数据进行检查修改;如果发现数字图纸识别模型设计的问题,则回到设计深度学习模型训练进行修改。通过返回验证修改直至准确率符合要求后,模型训练结束。将训练好的模型部署在AI识别引擎中,供算法自动构图使用。
为便于更好地理解上述核电流程图辅助绘制方法,下面结合具体实施例进行详细解释说明。
本申请提供的AI识图辅助绘制流程图的方法,在需要绘制流程图时,首先新建自动绘图,从图标库中抓取图例运用AI识图进行比对并放置图面所在位置,记录对象图例的省份信息和坐标信息。遍历图库未完成匹配的元素用颜色标识,提醒绘图人员。绘图人员根据情况完善图例库后再次自动绘图或手动绘图。
具体地,AI识图引擎如图3所示,首先收集核电流程样例图纸,这些样例图纸尽可能多覆盖所有流程图,例如不同清晰度、不同字体、不同线条遮挡干扰情况等。对样例图纸进行人工标记,标记出期望的结果,如图例的区域位置及类型、文字的区域位置及内容等。然后根据样例图纸中存在的特征设计深度学习模型,用标记数据对深度学习模型进行训练和学习。进一步地,对训练结果进行数据校验。如果发现是因样例不够丰富导致准确率不够,则回到图纸收集操作进行图例补充;如果发现标记错误导致准确率不够,则回到样例标记步骤,对标记数据进行检查修改;如果发现数字图纸识别模型设计的问题,则回到设计深度学习模型训练进行修改。
最后,将训练好的模型部署在AI识别引擎中,供算法自动构图使用。为解决因图纸质量、复杂背景、噪声干扰、文字任意长度、颜色等干扰因素引起的算法识别准确率低的问题,需要对识别后的结果进行分析,通过丰富样例、优化模型设计、引入核电业务规则等方式提高识别准确率。图4和图5所示为数字图纸的图例示意图,图6所示为核电流程图的图纸示意图。
上述AI识图辅助绘制流程图的方法,通过人工智能学习图纸的基础信息,AI识图自动绘图,实现根据基础信息进行图纸绘制,提升图纸绘制的效率和准确性;节省图纸校验的时间成本和人工成本;降低人因失误导致的图纸信息错误。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的核电流程图辅助绘制方法的核电流程图辅助绘制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个核电流程图辅助绘制装置实施例中的具体限定可以参见上文中对于核电流程图辅助绘制方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种核电流程图辅助绘制装置,该装置包括:信息获取模块110、图例识别模块120和绘图控制模块130,其中:
信息获取模块110,用于获取待转换图纸的图纸信息。
图例识别模块120,用于将图纸信息输入预设的识别模型,并获取识别模型输出的识别结果;识别模型通过不同类型的流程样例图纸训练得到,流程样例图纸带有标记数据。
绘图控制模块130,用于根据识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。
在一个实施例中,绘图控制模块130还用于对待转换图纸中未匹配成功的信息进行标识。
在一个实施例中,该装置还包括模型训练模块,用于获取带有标记数据的流程样例图纸,构建数据集;根据数据集进行神经网络模型训练,得到识别模型。
在一个实施例中,模型训练模块提取数据集中各流程样例图纸的特征数据,并根据特征数据构建深度学习模型;根据数据集中各流程样例图纸的标记数据进行模型训练和数据校验,得到识别模型。
上述核电流程图辅助绘制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图例数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种核电流程图辅助绘制方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:获取待转换图纸的图纸信息;将图纸信息输入预设的识别模型,并获取识别模型输出的识别结果;识别模型通过不同类型的流程样例图纸训练得到,流程样例图纸带有标记数据;根据识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对待转换图纸中未匹配成功的信息进行标识。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取带有标记数据的流程样例图纸,构建数据集;根据数据集进行神经网络模型训练,得到识别模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:提取数据集中各流程样例图纸的特征数据,并根据特征数据构建深度学习模型;根据数据集中各流程样例图纸的标记数据进行模型训练和数据校验,得到识别模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取待转换图纸的图纸信息;将图纸信息输入预设的识别模型,并获取识别模型输出的识别结果;识别模型通过不同类型的流程样例图纸训练得到,流程样例图纸带有标记数据;根据识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对待转换图纸中未匹配成功的信息进行标识。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取带有标记数据的流程样例图纸,构建数据集;根据数据集进行神经网络模型训练,得到识别模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:提取数据集中各流程样例图纸的特征数据,并根据特征数据构建深度学习模型;根据数据集中各流程样例图纸的标记数据进行模型训练和数据校验,得到识别模型。
在一个实施例中,还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取待转换图纸的图纸信息;将图纸信息输入预设的识别模型,并获取识别模型输出的识别结果;识别模型通过不同类型的流程样例图纸训练得到,流程样例图纸带有标记数据;根据识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对待转换图纸中未匹配成功的信息进行标识。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取带有标记数据的流程样例图纸,构建数据集;根据数据集进行神经网络模型训练,得到识别模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:提取数据集中各流程样例图纸的特征数据,并根据特征数据构建深度学习模型;根据数据集中各流程样例图纸的标记数据进行模型训练和数据校验,得到识别模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种核电流程图辅助绘制方法,其特征在于,所述方法包括:
获取待转换图纸的图纸信息;
将所述图纸信息输入预设的识别模型,并获取所述识别模型输出的识别结果;所述识别模型通过不同类型的流程样例图纸训练得到,所述流程样例图纸带有标记数据;
根据所述识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。
2.根据权利要求1所述的核电流程图辅助绘制方法,其特征在于,所述根据所述识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息之后,还包括:对所述待转换图纸中未匹配成功的信息进行标识。
3.根据权利要求1所述的核电流程图辅助绘制方法,其特征在于,所述将所述图纸信息输入预设的识别模型,并获取所述识别模型输出的识别结果之前,还包括:
获取带有标记数据的流程样例图纸,构建数据集;
根据所述数据集进行神经网络模型训练,得到识别模型。
4.根据权利要求3所述的核电流程图辅助绘制方法,其特征在于,所述根据所述数据集进行神经网络模型训练,得到识别模型,包括:
提取所述数据集中各流程样例图纸的特征数据,并根据所述特征数据构建深度学习模型;
根据所述数据集中各流程样例图纸的标记数据进行模型训练和数据校验,得到识别模型。
5.根据权利要求3所述的核电流程图辅助绘制方法,其特征在于,所述流程样例图纸包括不同清晰度、不同字体、不同线条遮挡干扰情况的样例图纸。
6.根据权利要求3所述的核电流程图辅助绘制方法,其特征在于,所述标记数据包括图例的区域位置及类型、文字的区域位置及内容。
7.一种核电流程图辅助绘制装置,其特征在于,所述装置包括:
信息获取模块,用于获取待转换图纸的图纸信息;
图例识别模块,用于将所述图纸信息输入预设的识别模型,并获取所述识别模型输出的识别结果;所述识别模型通过不同类型的流程样例图纸训练得到,所述流程样例图纸带有标记数据;
绘图控制模块,用于根据所述识别结果从图标库中抓取图例,在图面显示抓取的图例以及相应的图例信息。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,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至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210513838.5A CN114820870A (zh) | 2022-05-12 | 2022-05-12 | 核电流程图辅助绘制方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210513838.5A CN114820870A (zh) | 2022-05-12 | 2022-05-12 | 核电流程图辅助绘制方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114820870A true CN114820870A (zh) | 2022-07-29 |
Family
ID=82514156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210513838.5A Pending CN114820870A (zh) | 2022-05-12 | 2022-05-12 | 核电流程图辅助绘制方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820870A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758578A (zh) * | 2023-08-18 | 2023-09-15 | 上海楷领科技有限公司 | 机械制图信息提取方法、装置、系统及存储介质 |
-
2022
- 2022-05-12 CN CN202210513838.5A patent/CN114820870A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758578A (zh) * | 2023-08-18 | 2023-09-15 | 上海楷领科技有限公司 | 机械制图信息提取方法、装置、系统及存储介质 |
CN116758578B (zh) * | 2023-08-18 | 2023-11-07 | 上海楷领科技有限公司 | 机械制图信息提取方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105426530B (zh) | 一种商标检索方法、装置和系统 | |
CN111095296A (zh) | 使用机器学习对字符串进行分类 | |
CN110443239A (zh) | 文字图像的识别方法及其装置 | |
CN110675940A (zh) | 病理图像标注方法、装置、计算机设备及存储介质 | |
CN115424282A (zh) | 一种非结构化文本表格识别方法和系统 | |
CN112883926B (zh) | 表格类医疗影像的识别方法及装置 | |
CN112883799A (zh) | 一种cad坡道大样图中坡道精准识别的方法 | |
CN114820870A (zh) | 核电流程图辅助绘制方法、装置、计算机设备和存储介质 | |
CN113936195A (zh) | 敏感图像识别模型的训练方法、训练装置和电子设备 | |
CN114724169A (zh) | 一种二维图纸构件的识别方法及系统 | |
CN111860487A (zh) | 基于深度神经网络的碑文标注检测识别系统 | |
CN111523382B (zh) | 一种雨量计自记纸数据采集方法 | |
CN111144160B (zh) | 全自动化裁切材料方法、装置及计算机可读存储介质 | |
CN111199050A (zh) | 一种用于对病历进行自动脱敏的系统及应用 | |
CN110110280B (zh) | 对坐标的曲线积分计算方法、装置、设备及存储介质 | |
CN110909187B (zh) | 图像存储方法、图像读取方法、图像存储器及存储介质 | |
JP3879810B2 (ja) | 読取支援装置 | |
CN112906683A (zh) | 文本标注方法、装置及设备 | |
CN114663414B (zh) | 一种基于unet卷积神经网络的岩矿识别提取系统及方法 | |
CN107679568A (zh) | 基于像素差异分析的对比系统 | |
Zhang et al. | Data extraction from DXF file and visual display | |
CN111709319A (zh) | 一种铁路工机具清点方法及装置 | |
CN117315704A (zh) | 字段识别方法、装置、计算机设备及计算机可读存储介质 | |
LaJoie et al. | Standard Operating Procedure: InVEST and Temperature Anomaly Mapping | |
CN115861815A (zh) | 基于图像分割的地理图像标注识别方法、装置和设备 |
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 |