CN114821617A - 门窗洞的识别方法、装置、设备及可读存储介质 - Google Patents
门窗洞的识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114821617A CN114821617A CN202210224725.3A CN202210224725A CN114821617A CN 114821617 A CN114821617 A CN 114821617A CN 202210224725 A CN202210224725 A CN 202210224725A CN 114821617 A CN114821617 A CN 114821617A
- Authority
- CN
- China
- Prior art keywords
- door
- primitive
- window
- primitives
- component
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及目标检测技术领域,公开了一种门窗洞的识别方法、装置、设备及可读存储介质。其中,该方法包括:获取目标墙图元对应的矢量图纸,目标墙图元中包括至少一个门窗洞构件图元;基于门窗洞的属性特征对门窗洞构件图元进行检测和分类,确定各个类型的门窗洞在矢量图纸上的位置信息;从矢量图纸中提取多个图层信息,基于各个图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于门窗洞构件图元的候选图元;基于门窗洞构件图元的特征信息以及位置信息,从候选图元中确定出目标墙图元中的目标门窗洞构件图元。通过实施本发明,实现了矢量图纸门窗洞的自动识别以及门窗洞的自动建模,无需手动建模,降低了建模难度,节省了建模时间。
Description
技术领域
本发明涉及目标检测技术领域,具体涉及一种门窗洞的识别方法、装置、设备及可读存储介质。
背景技术
建筑平面图门窗洞图纸一般为CAD矢量图纸,对于门窗洞构件图元的识别需要对CAD矢量图纸中所包含的各种信息的矢量图元进行识别,例如:门、窗、门联窗、凸窗、墙洞、门窗洞标注(名称、引线标注)以及非门窗洞相关图元等。随着信息技术的发展,目前技术人员在行算量建模时,通常使用三维模型算量软件进行建模,然而现有技术中难以自动对CAD门窗洞图纸中的门窗洞进行识别,由此需要进行手动建模,其建模难度较大,耗时较长。
发明内容
有鉴于此,本发明实施例提供了一种门窗洞的识别方法、装置、设备及可读存储介质,以解决CAD门窗洞图纸中的门窗洞难以进行识别而导致建模难度较大、耗时较长的问题。
根据第一方面,本发明实施例提供了一种门窗洞的识别方法,包括:获取目标墙图元对应的矢量图纸,所述目标墙图元中包括至少一个门窗洞构件图元;基于门窗洞的属性特征对所述门窗洞构件图元进行检测和分类,确定各个类型的门窗洞在所述矢量图纸上的位置信息;从所述矢量图纸中提取多个图层信息,基于各个所述图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于所述门窗洞构件图元的候选图元;基于所述门窗洞构件图元的特征信息以及所述位置信息,从所述候选图元中确定出所述目标墙图元中的目标门窗洞构件图元。
本发明实施例提供的门窗洞的识别方法,通过对目标墙图元对应的矢量图纸进行获取,并根据门窗洞的属性特征对矢量图纸中的门窗洞构件图元进行检测和分类,以确定出各个类型的门窗洞在矢量图纸上的位置信息,继而提取矢量图纸的图层信息,对各个图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于门窗洞构件图元的候选图元,从而根据门窗洞构件图元的特征信息以及位置信息,从候选图元中确定出目标墙图元中的目标门窗洞构件图元。由此能够自动识别矢量图纸中的门窗洞,便于根据识别到的门窗洞进行自动建模,无需手动建模,降低了建模难度,节省了建模时间,提升了建模效率。
结合第一方面,在第一方面的第一实施方式中,所述从所述矢量图纸中提取多个图层信息,基于各个所述图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于所述门窗洞构件图元的候选图元,包括:获取所述矢量图纸中的多个图元信息;提取所述多个图元信息对应的特征,得到多个图层类别对应的图层信息;识别各个图层信息中所包含的门窗洞特征;基于所述门窗洞特征从所述图层信息中识别出对应于所述门窗洞构件图元的候选图元。
本发明实施例提供的门窗洞的识别方法,通过识别各个图层中的图元特征,以便根据各个图层中的图元特征进行多路召回,得到包含门窗洞构件的多个候选图元,从而保证了门窗洞识别的全面性和准确性。
结合第一方面第一实施方式,在第一方面的第二实施方式中,所述基于所述门窗洞特征从所述图层信息中识别出对应于所述门窗洞构件图元的候选图元,包括:基于所述门窗洞特征对所述各个图层信息中的构件图元进行多路召回,得到所述门窗洞特征对应的所有构件图元;对所有构件图元进行排序,得到所述构件图元的排序结果;基于所述排序结果,从所述所有构件图元中确定出所述门窗洞构件图元对应的候选图元。
本发明实施例提供的门窗洞的识别方法,通过门窗洞特征对各个图层信息中的构件图元进行多路召回,以得到门窗洞特征对应的所有构件图元,进而对所有构件图元进行排序,根据构件图元的排序结果从所有构件图元中确定出门窗洞构件图元对应的候选图元,由此在确定出构件图元时,能够进一步的对其进行筛选,得到准确的候选图元,保证了后续门窗洞识别的准确性。
结合第一方面,在第一方面的第三实施方式中,所述基于所述门窗洞构件图元的特征信息以及所述位置信息,从所述候选图元中确定出所述目标墙图元中的目标门窗洞构件图元,包括:基于所述门窗洞构件图元的特征信息,确定所述门窗洞构件图元对应的目标类型;按照所述位置信息对所述候选图元进行分组,得到多个分组结果;从各个分组中确定出所述目标类型对应的所述目标门窗洞构件图元。
结合第一方面第三实施方式,在第一方面的第四实施方式中,所述基于所述门窗洞构件图元的特征信息,确定所述门窗洞构件图元对应的目标类型,包括:基于所述门窗洞构件图元的特征信息,确定所述门窗洞构件图元对应的多个类型及各类型概率;对所述各类型概率进行排序,得到最大类型概率;将所述最大类型概率所对应的类型确定为所述目标类型。
本发明实施例提供的门窗洞的识别方法,通过门窗洞构件图元的特征信息,确定门窗洞构件图元对应的多个类型及各类型概率,分别得到各个类型所对应的最大类型概率,将最大类型概率所对应的类型确定为目标类型,继而按照位置信息对候选图元进行分组,得到多个分组结果,从各个分组中确定出目标类型对应的目标门窗洞构件图元,由此保证了各个类型的门窗洞的识别准确性。
结合第一方面第三实施方式,在第一方面的第五实施方式中,所述从各个分组中确定出所述目标类型对应的所述目标门窗洞构件图元,包括:获取同一组中的各个目标类型对应的所述门窗洞构件图元的概率值;对所述概率值进行排序,基于所述概率值的排序结果,从所述各个分组中确定出所述目标门窗洞构件图元。
本发明实施例提供的门窗洞的识别方法,通过获取同一组中的各个目标类型对应的门窗洞构件图元的概率值,从而从各个分组中分别确定出满足当前目标类型的目标门窗洞构件图元,由此能够对候选图元进一步筛选,得到最终的目标门窗洞构件图元,进一步保证了目标门窗洞的识别准确性。
结合第一方面,在第一方面的第六实施方式中,所述基于门窗洞的属性特征对所述门窗洞构件图元进行检测和分类,确定各个类型的门窗洞在所述矢量图纸上的位置信息,包括:获取所述矢量图纸对应的位图图纸;基于预设的目标检测法对所述位图图纸中的待识别门窗洞进行检测和分类,得到门窗洞对应的类型检测概率;当所述类型检测概率超过预设概率值时,获取所述门窗洞在所述位图图纸中的位置坐标;基于所述位置坐标以及所述位图图纸与所述矢量图纸之间的坐标转换,确定所述各个类型的门窗洞在所述矢量图纸上的位置信息。
本发明实施例提供的门窗洞的识别方法,通过预设的目标检测法对矢量图纸对应的位图图纸进行待识别门窗洞的检测和分类,得到门窗洞对应的类型检测概率,在类型检测概率超过预设概率值时,确定门窗洞在位图图纸中的位置坐标,继而将其转换为矢量坐标信息,得到各个类型的门窗洞在矢量图纸上的位置信息,由此能够确定矢量图纸上所包含的各个图元以及图元位置,便于后续进行目标门窗洞的准确识别和判定。
结合第一方面或第一方面第一实施方式至第六实施方式中的任一实施方式,在第一方面的第七实施方式中,所述方法还包括:将所述目标门窗洞构件图元转换为模型数据信息。
本发明实施例提供的门窗洞的识别方法,通过将目标门窗洞构件图元转换为模型数据信息,实现了目标门窗洞构件图元的自动建模,避免了繁复的手动建模,提高了建模准确率和建模效率。
根据第二方面,本发明实施例提供了一种门窗洞的识别装置,包括:获取模块,用于获取目标墙图元对应的矢量图纸,所述目标墙图元中包括至少一个门窗洞构件图元;分类模块,用于基于所述待识别门窗洞的属性特征对所述待识别门窗洞进行检测和分类,确定各个类型的门窗洞在所述矢量图纸上的位置信息;识别模块,用于从所述矢量图纸中提取多个图层信息,基于各个所述图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于所述门窗洞构件图元的候选图元;确定模块,用于基于所述门窗洞构件图元的特征信息以及所述位置信息,从所述候选图元中确定出所述目标墙图元中的目标门窗洞构件图元。
根据第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或第一方面任一实施方式所述的门窗洞的识别方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行第一方面或第一方面任一实施方式所述的门窗洞的识别方法。
需要说明的是,本发明实施例提供的门窗洞的识别装置、电子设备以计算机可读存储介质的相应有益效果,请参见门窗洞的识别方法中相应内容的描述,在此不再赘述。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的门窗洞的识别方法的流程图;
图2是根据本发明实施例的门窗洞的识别方法的另一流程图;
图3是根据本发明实施例的门窗洞的识别方法的另一流程图;
图4是根据本发明实施例的门图元的目标框示意图;
图5是根据本发明实施例的窗图元的目标框示意图;
图6是根据本发明实施例的门联窗图元的目标框示意图;
图7是根据本发明实施例的飘窗图元的目标框示意图;
图8是根据本发明实施例的墙洞图元的目标框示意图;
图9是根据本发明实施例的门窗洞的图纸差异示意图;
图10是根据本发明实施例的墙图元的示意图;
图11是根据本发明实施例的门窗洞构件的示意图;
图12是根据本发明实施例识别算法的执行示意图;
图13是根据本发明优选实施例的校核识别结果的示意图;
图14是根据本发明实施例的门窗洞的识别装置的结构框图;
图15是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
根据本发明实施例,提供了一种门窗洞的识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种门窗洞的识别方法,可用于电子设备,如手机、平板电脑、电脑等,图1是根据本发明实施例的门窗洞的识别方法的流程图,如图1所示,该流程包括如下步骤:
S11,获取目标墙图元对应的矢量图纸,其中,目标墙图元中包括至少一个门窗洞构件图元。
矢量图纸是根据三维建筑模型的几何特性所绘制的建筑图纸。该矢量图纸可以是由点或线构成的,也可以是通过三维模型算量软件生成的,还可以是从外部存储空间导入的,此处对矢量图纸的获取方式不作限定,本领域技术人员可以根据实际需要确定。
目标墙图元为建筑模型中的墙实体,在目标墙图元上设置有一个或多个门窗洞,即目标墙图元中包括有一个或多个门窗洞构件图元。门窗洞构件图元为技术人员在创建墙图元时构建的。该门窗洞构件图元可以包括:门图元(例如一般门、斜线门等)、窗图元(例如一般窗、转角窗等)、墙洞图元(例如洞、洞+名称等)。
S12,基于门窗洞的属性特征对门窗洞构件图元进行检测和分类,确定各个类型的门窗洞在矢量图纸上的位置信息。
不同类型的门窗洞,其属性特征不同,例如宽度、厚度、离地高度等属性特征会因门窗洞类型的不同而不同。电子设备可以采用目标检测方法对其识别到的属性特征对墙图元中的门窗洞构件图元进行检测,并对门窗洞构件图元进行分类定位,得到各个类型的门窗洞在矢量图纸上的坐标信息,即门窗洞在矢量图纸上的位置。
S13,从矢量图纸中提取多个图层信息,基于各个图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于门窗洞构件图元的候选图元。
电子设备根据门窗洞的特征从矢量图纸中提取出相关图层信息,包括墙线图层、门窗洞几何图层、门窗洞标注图层等。电子设备可以依次遍历各个图层信息,从中提取相应的门窗洞特征,并根据门窗洞特征识别出各个图层信息中的门窗洞构件图元,得到多个对应于门窗洞构件图元的门窗洞实体,即对应于门窗洞构件图元的候选图元。
S14,基于门窗洞构件图元的特征信息以及位置信息,从候选图元中确定出目标墙图元中的目标门窗洞构件图元。
电子设备可以根据门窗洞构件图元的特征信息对候选图元进行分析和预测,从中筛选出概率较高的图元,继而根据图元的位置信息对筛选得到的图元进一步分组排序,从分组排序后的图元实体中确定出目标门窗洞构件图元。
本实施例提供的门窗洞的识别方法,通过对目标墙图元对应的矢量图纸进行获取,并根据门窗洞的属性特征对矢量图纸中的门窗洞构件图元进行检测和分类,以确定出各个类型的门窗洞在矢量图纸上的位置信息,继而提取矢量图纸的图层信息,对各个图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于门窗洞构件图元的候选图元,从而根据门窗洞构件图元的特征信息以及位置信息,从候选图元中确定出目标墙图元中的目标门窗洞构件图元。由此能够自动识别矢量图纸中的门窗洞,便于根据识别到的门窗洞进行自动建模,无需手动建模,降低了建模难度,节省了建模时间,提升了建模效率。
在本实施例中提供了一种门窗洞的识别方法,可用于电子设备,如手机、平板电脑、电脑等,图2是根据本发明实施例的门窗洞的识别方法的流程图,如图2所示,该流程包括如下步骤:
S21,获取目标墙图元对应的矢量图纸,其中,目标墙图元中包括至少一个门窗洞构件图元。详细说明参见上述实施例对应的相关描述,此处不再赘述。
S22,基于门窗洞的属性特征对门窗洞构件图元进行检测和分类,确定各个类型的门窗洞在矢量图纸上的位置信息。详细说明参见上述实施例对应的相关描述,此处不再赘述。
S23,从矢量图纸中提取多个图层信息,基于各个图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于门窗洞构件图元的候选图元。
具体地,上述步骤S23可以包括:
S231,获取矢量图纸中的多个图元信息。
矢量图纸中包含有多个图元,该图元信息可以包括线图元以及标注图元等,线图元可以包括墙线图元以及门窗洞线图元,标注图元可以包括尺寸图元、名称图元等。电子设备可以对矢量图纸进行识别,以提取出矢量图纸中所包含的多个图元信息。
S232,提取多个图元信息对应的特征,得到多个图层类别对应的图层信息。
电子设备在识别得到多个图元信息后,可以根据多个图元信息对应的特征,确定出门窗洞对应的标注图元、目标预测框、墙线等信息的相关图层,即各个图层类别对应的图层信息,具体的可以包括:墙线图层、门窗洞几何图层、门窗洞标注图层等。
具体地,电子设备将其识别到的图元信息按图层信息分成不同组,然后遍历所有的图层信息,从中提取出相应的图元特征,如表1所示。电子设备可以采用机器学习模型,根据墙图元线图层、门窗洞线图层、门窗洞标注图层3个类别标签对图层进行线下模型训练,得到图层预测模型,继而将线上提取到的多个图元信息对应的特征输入图层预测模型,根据该图层预测模型确定出各个图层。
表1 图元特征表
S233,识别各个图层信息中所包含的门窗洞特征。
电子设备对其得到的所有图层信息进行遍历,依次识别各个图层信息中所包含的图元特征,进而确定出满足门窗洞图元属性的门窗洞特征。
S234,基于门窗洞特征从图层信息中识别出对应于门窗洞构件图元的候选图元。
基于不同的门窗洞特征确定出不同的召回方式,根据不同的召回方式从图层信息中识别出满足门窗洞特征的多个候选图元。例如,电子设备可以根据图层推荐的门窗洞线,将门窗洞线按照预先设定的阈值聚类成多个线簇,继而搜索门窗洞的标注信息,对线簇与标注信息的组合实体进行召回,得到门窗洞构件图元对应的候选图元。
具体地,上述步骤S234可以包括:
(1)基于门窗洞特征对各个图层信息中的构件图元进行多路召回,得到门窗洞特征对应的所有构件图元。
电子设备根据不同的召回方式对各个图层信息中的构件图元进行多路并行召回,得到所有图层信息中所包含的所有构件图元。其中,多路召回包括块参照召回、天正召回、目标检测召回、名称召回以及图层召回等。
具体地,对于块参照召回,CAD矢量图纸中记录有块参照信息,门、窗、门联窗图元等均是以块参照方式存储的独立实体,电子设备可以利用该特征降低搜索门窗洞实体线簇和标注难度,达到较高精确度。具体地,电子设备可以获取CAD矢量图纸中的所有块参照实体,分析该块参照实体所对应的图层名称是否在门窗洞图层名称白名单中,若在,则召回该块参照实体;若该块参照实体对应的标注图元也在门窗洞标注白名单中,则对该标注图元一并进行召回。
具体地,对于天正召回,CAD矢量图纸,约17%门窗洞实体属于天正软件实体,且该实体完整保留了门窗洞实体的线簇和标注,能有效提升门窗洞识别的精确率,因此,在识别CAD矢量图纸时,若识别到线簇和标注属于天正软件的门窗洞实体时,则电子设备可以采用天正召回方式直接对该实体进行召回。
具体地,对于目标检测召回,以CV目标检测方式为例,由于CV目标检测方式的精确率高,泛化性好,电子设备可以将目标检测框内预测出的曲线图元和标注图元进行召回。
具体地,对于名称召回,电子设备可以根据各个图层所推荐出的门窗洞名称图元,按照预先设定的阈值搜索名称图元对应的门窗洞线图元,并将搜索到的门窗洞线图元与名称图元组成实体进行召回。
具体地,对于图层召回,电子设备可以根据各个图层推荐出的门窗洞线图元,按照预先设定的阈值进行密度聚类,形成门窗洞对应的线簇,然后搜索线簇所确定的门窗洞标注图元,对线簇与门窗洞标注图元的组合实体进行召回。
(2)对所有构件图元进行排序,得到构件图元的排序结果。
根据多路召回得到的所有图元实体进行特征提取,得到特征提取表,如表 2所示。电子设备可以将特征提取表中的特征输入预测模型中,对所有构件图元的类别进行预测概率计算,以根据计算得到的预测概率对所有构件图元进行排序,得到构件图元的排序结果。
表2 特征提取表
(3)基于排序结果,从所有构件图元中确定出门窗洞构件图元对应的候选图元。
电子设备在得到所有构件图元的预测概率后,可以根据预测概率的排序结果对置信度较低(例如预测概率小于90%)的构件图元进行过滤,保留概率置信度较高的构件图元,即门窗洞构件图元对应的候选图元。
S24,基于门窗洞构件图元的特征信息以及位置信息,从候选图元中确定出目标墙图元中的目标门窗洞构件图元。
具体地,上述步骤S24可以包括:
S241,基于门窗洞构件图元的特征信息,确定门窗洞构件图元对应的目标类型。
电子设备可以根据门窗洞构件图元的实体特征(如表2所示的特征信息) 确定门窗洞图元对应的模型标签,并采用机器学习算法对实体进行训练,得到类别预测模型。其中,模型标签可以包括5个类别标签:门、窗、门联窗、飘窗、墙洞。
将训练得到的类别预测模型设置于电子设备中,将识别到的门窗洞构件图元的实体特征输入类别预测模型,得到各个门窗洞构件图元的对应类型。
具体地,上述步骤S241可以包括:
(1)基于门窗洞构件图元的特征信息,确定门窗洞构件图元对应的多个类型及各类型概率。
电子设备可以将其识别到的门窗洞构件图元的实体特征输入至类别预测模型中,类别预测模型则可以根据输入的实体特征输出相应的类型及其对应的类型概率,即电子设备可以确定各个门窗洞构件图元的对应类型和各类型概率。
(2)对各类型概率进行排序,得到最大类型概率。
电子设备对门窗洞构件图元对应的多个类型概率进行排序,例如将多个类型概率由大到小进行排序,可以将多个类型概率由小到大进行排序,继而根据类型概率的排序结果,确定出最大的类型概率。
(3)将最大类型概率所对应的类型确定为目标类型。
电子设备在得到最大的类型概率后,将该最大类型概率对应的类型作为门窗洞构件图元的目标类型。例如,电子设备确定出门窗洞构件图元对应的多个类型及各类型概率分别为门98%、窗85%、飘窗85%、门联窗80%、墙洞70%,则可以确定门窗洞构件图元所对应的目标类型为:门。
S242,按照位置信息对候选图元进行分组,得到多个分组结果。
在得到候选图元后,获取各个候选图元在矢量图纸中的位置信息,将候选图元按照相同位置信息进行分组,得到候选图元所对应的多个分组。
S243,从各个分组中确定出目标类型对应的目标门窗洞构件图元。
由于同一个位置信息可能存在有多个重复的门窗洞构件图元,在完成候选图元的分组后,电子设备可以对各分组中的门窗洞构件图元的类型概率由高到底进行排序,继而从分组排序后的门窗洞构件图元中确定出目标类型对应的目标门窗洞构件图元。
具体地,上述步骤S243可以包括:
(1)获取同一组中的各个目标类型对应的门窗洞构件图元的概率值。
门窗洞构件图元对应的各个分组中可以包含有多个目标类型的门窗洞构件图元及其概率值。电子设备可以依次遍历各个分组,分别获取每个分组中对应于各个目标类型的门窗洞构件图元的概率值。
(2)对概率值进行排序,基于概率值的排序结果,从各个分组中确定出目标门窗洞构件图元。
电子设备对各目标类型的门窗洞构件图元的概率值进行排序,得到各个分组中门窗洞构件图元的概率值排序结果,从中确定出概率值最高的门窗洞构件图元,将该概率值最高的门窗洞构件图元确定为目标门窗洞构件图元。
本实施例提供的门窗洞的识别方法,通过识别各个图层中的图元特征,以便根据各个图层中的图元特征进行多路召回,得到包含门窗洞构件的多个候选图元,从而保证了门窗洞识别的全面性和准确性。通过门窗洞特征对各个图层信息中的构件图元进行多路召回,以得到门窗洞特征对应的所有构件图元,进而对所有构件图元进行排序,根据构件图元的排序结果从所有构件图元中确定出门窗洞构件图元对应的候选图元,由此在确定出构件图元时,能够进一步的对其进行筛选,得到准确的候选图元,保证了后续门窗洞识别的准确性。
通过门窗洞构件图元的特征信息,确定门窗洞构件图元对应的多个类型及各类型概率,分别得到各个类型所对应的最大类型概率,将最大类型概率所对应的类型确定为目标类型,继而按照位置信息对候选图元进行分组,得到多个分组结果,从各个分组中确定出目标类型对应的目标门窗洞构件图元,由此保证了各个类型的门窗洞的识别准确性。通过获取同一组中的各个目标类型对应的门窗洞构件图元的概率值,从而从各个分组中分别确定出满足当前目标类型的目标门窗洞构件图元,由此能够对候选图元进一步筛选,得到最终的目标门窗洞构件图元,进一步保证了目标门窗洞的识别准确性。
在本实施例中提供了一种门窗洞的识别方法,可用于电子设备,如手机、平板电脑、电脑等,图3是根据本发明实施例的门窗洞的识别方法的流程图,如图3所示,该流程包括如下步骤:
S31,获取目标墙图元对应的矢量图纸,其中,目标墙图元中包括至少一个门窗洞构件图元。详细说明参见上述实施例对应的相关描述,此处不再赘述。
S32,基于门窗洞的属性特征对门窗洞构件图元进行检测和分类,确定各个类型的门窗洞在矢量图纸上的位置信息。
具体地,上述步骤S32可以包括:
S321,获取矢量图纸对应的位图图纸。
电子设备将矢量图纸转换为位图图纸,具体地,电子设备可以将矢量图纸表示为矢量矩阵,采用矢量矩阵与位图矩阵之间的转换关系,将矢量矩阵转换为位图矩阵,得到位图矩阵对应的位图图纸。例如,将CAD图纸轴网区域的内容导出转换成PNG图片。
S322,基于预设的目标检测法对位图图纸中的待识别门窗洞进行检测和分类,得到门窗洞对应的类型检测概率。
在识别门窗洞图元之前,电子设备可以识别门窗洞构件、墙图元、CAD识别选项以及CAD图纸。其中,门窗洞构件包括有名称、宽度、高度、离地高度信息;墙图元包括有名称、墙厚度、墙图元中心线;CAD识别选项包括有门窗洞名称的关键信息;CAD图纸为带有矢量信息和文字信息的DWG图纸。具体地,电子设备可以将输入的信息转换成CV目标检测方法所需要的数据,将门窗洞构件中的名称提取出来整理成名称白名单,以便门窗洞图元识别到名称相同的构件名,查找该构件对应构件属性信息。针对CAD识别选项,可以根据提供的门窗洞名称配置选项,确定识别的文字是否含有这些关键字段,如果有就作为门窗洞名称标识。针对墙图元信息提取,墙在门窗洞识别起关键作用,墙的厚度值可以用来判断附近标注和线重要阈值参数,在缺少情况下需要一个默认值,该默认值所取所有墙图元厚度的平均值。CAD图纸中包含有门窗洞关键字的文字,电子设备可以计算文字的平均高度,以识别文字聚类的参数阈值。
由于门窗洞识别不同于其他构件,不同类型的门窗洞之间差异小,如图9 所示的图元,一般门图元(图9a)的几何线和描述较丰富;几何较为简单的门 (图9b)以及尺度较大的门联窗(图9c),识别难度较大;采用引线方式的墙洞(图9d),尺度跨度大,其识别难度亦较大。此处,电子设备可以采用CV 目标检测方法,将门窗洞线簇、引线、名称看作一个整体,利用CV目标检测对位图图纸区域中的门窗洞进行分类识别。例如,进行门图元识别时,将门的几何线簇和标注都框选上,如图4所示;进行窗图元识别时,将窗的几何线簇和标注都框选上,如图5所示;进行门联窗图元识别时,将门联窗的几何线簇和标注都框选上,如图6所示;进行飘窗图元识别时,将飘窗的几何线簇和标注都框选上,如图7所示;进行墙洞图元识别时,将墙洞的几何线簇、引线、标注都框选上,如图8所示。
电子设备可以将几何线和名称作为一个整体进行识别,减少了后期处理难度,同时为了避免CV目标检测方法对尺度和几何复杂度敏感度,此处可以将门窗洞划分成了11个目标检测子项,以提升整体的目标检测效果。电子设备可以利用CV目标检测算法进行像素级的目标检测分类定位门窗洞目标。当前共涉及了四个大类,11个小类,如表3所示。
表3 门窗洞类型目标检测分类标识
具体地,电子设备可以将门窗洞目标框标签分成了4个大类,11个小类,该门窗洞目标框为包含名称标尺和几何线的最小包围盒;采用CV深度学习模型对门窗洞目标框(门窗洞的BOX框)进行多轮训练,确定出最优模型作为 CV目标检测模型。在对门窗洞图元进行预测时,电子设备可以将CAD图纸转换成PNG图片(位图图纸),然后用CV目标检测模型对门窗洞图元进行预测;从CV目标检测模型中得到PNG图片坐标下的BOX框的位置、类别和概率值;将PNG图片中的BOX框的位置转换至CAD图纸中,并记录对应的类别和概率值,完成门窗洞的检测分类和定位。
S323,当类型检测概率超过预设概率值时,获取门窗洞在位图图纸中的位置坐标。
预设概率值为预先设定的用于判定门窗洞图元类型的概率,该预设概率值可以为85%,可以为90%,也可以为95%,当然还可以为其他值,此处不作具体限定。电子设备可以将类型检测概率与预设概率值进行比较,以确定类型检测概率是否超过预测概率值。当类型检测概率超过预设概率值时,确定当前门窗洞图元对应的类型,并定位当前门窗洞图元在位图图纸中的位置坐标。
S324,基于位置坐标以及位图图纸与矢量图纸之间的坐标转换,确定各个类型的门窗洞在矢量图纸上的位置信息。
电子设备通过坐标转换,将位图坐标系转换成矢量坐标系(例如将PNG坐标系转换成CAD坐标系),继而将门窗洞图元在位图图纸中的位置坐标转换成矢量图纸上的位置坐标,以真实定位出门窗洞图元在矢量图纸上的位置。
S33,从矢量图纸中提取多个图层信息,基于各个图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于门窗洞构件图元的候选图元。详细说明参见上述实施例对应的相关描述,此处不再赘述。
S34,基于门窗洞构件图元的特征信息以及位置信息,从候选图元中确定出目标墙图元中的目标门窗洞构件图元。详细说明参见上述实施例对应的相关描述,此处不再赘述。
S35,将目标门窗洞构件图元转换为模型数据信息。
电子设备将目标门窗洞构件图元的属性进行规范化处理,如去掉无效空格、字符、格式调整成模型统一格式等,继而获取目标门窗洞构件图元的位置、宽度、高度以及离地高度等属性信息。将识别到的目标门窗洞构件图元转换输出为中间模型,如将目标门窗洞构件图元的名称、属性信息、位置信息、类别等转换到中间数据模型中作为三维建模的数据信息。
本实施例提供的门窗洞的识别方法,通过预设的目标检测法对矢量图纸对应的位图图纸进行待识别门窗洞的检测和分类,得到门窗洞对应的类型检测概率,在类型检测概率超过预设概率值时,确定门窗洞在位图图纸中的位置坐标,继而将其转换为矢量坐标信息,得到各个类型的门窗洞在矢量图纸上的位置信息,由此能够确定矢量图纸上所包含的各个图元以及图元位置,便于后续进行目标门窗洞的准确识别和判定。通过将目标门窗洞构件图元转换为模型数据信息,实现了目标门窗洞构件图元的自动建模,避免了繁复的手动建模,提高了建模准确率和建模效率。
本实施例提供了一种采用上述方法实现的门窗洞识别建模,具体步骤如下:
(1)获取技术人员新建的墙图元和门窗洞构件,如图10所示的墙图元和图11所示的门窗洞构件图元;
(2)响应于用户的识别操作,执行识别算法,如图12所示。根据识别算法进一步识别出矢量图纸中的门窗洞矢量信息,并根据矢量信息创建成门窗洞图元,输出门窗洞图元的校核报告内容;
(3)模型校核修改,技术人员可以根据校核报告内容,确定校核识别结果,如图13所示。继而根据校核识别结果对门窗洞建模的错误进行查找和修改,直至完成整个门窗洞建模。
采用设计院标签对上述方法进行测试,当前测试集425张图纸,覆盖了309 家设计院,识别结果如表4所示。
表4 识别结果表
类别 | 召回率 | 精确率 | 识别+校核 |
门窗洞识别率 | 90.86% | 90.31% | 96.85% |
根据识别结果表可知,采用上述方法识别门窗洞的识别率达到了90%以上,采用门窗洞识别结合人工校核的方式,使得门窗洞的识别率达到96.85%,取得了较高的识别效果。
在本实施例中还提供了一种门窗洞的识别装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种门窗洞的识别装置,如图14所示,包括:
获取模块41,用于获取目标墙图元对应的矢量图纸,其中,目标墙图元中包括至少一个门窗洞构件图元。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
分类模块42,用于基于门窗洞的属性特征对门窗洞构件图元进行检测和分类,确定各个类型的门窗洞在矢量图纸上的位置信息。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
识别模块43,用于从矢量图纸中提取多个图层信息,基于各个图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于门窗洞构件图元的候选图元。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
确定模块44,用于基于门窗洞构件图元的特征信息以及位置信息,从候选图元中确定出目标墙图元中的目标门窗洞构件图元。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
本实施例提供的门窗洞的识别装置,通过对目标墙图元对应的矢量图纸进行获取,并根据门窗洞的属性特征对矢量图纸中的门窗洞构件图元进行检测和分类,以确定出各个类型的门窗洞在矢量图纸上的位置信息,继而提取矢量图纸的图层信息,对各个图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于门窗洞构件图元的候选图元,从而根据门窗洞构件图元的特征信息以及位置信息,从候选图元中确定出目标墙图元中的目标门窗洞构件图元。由此能够自动识别矢量图纸中的门窗洞,便于根据识别到的门窗洞进行自动建模,无需手动建模,降低了建模难度,节省了建模时间,提升了建模效率。
本实施例中的门窗洞的识别装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有图14所示的门窗洞的识别装置。
请参阅图15,图15是本发明可选实施例提供的一种电子设备的结构示意图,如图15所示,该电子设备可以包括:至少一个处理器501,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口503,存储器504,至少一个通信总线502。其中,通信总线502用于实现这些组件之间的连接通信。其中,通信接口503可以包括显示屏(Display)、键盘(Keyboard),可选通信接口503 还可以包括标准的有线接口、无线接口。存储器504可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器504可选的还可以是至少一个位于远离前述处理器501的存储装置。其中处理器501可以结合图14所描述的装置,存储器504中存储应用程序,且处理器501调用存储器504中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线502可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线502可以分为地址总线、数据总线、控制总线等。为便于表示,图15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。
其中,存储器504可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文: flash memory),硬盘(英文:harddisk drive,缩写:HDD)或固态硬盘(英文: solid-state drive,缩写:SSD);存储器504还可以包括上述种类存储器的组合。
其中,处理器501可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器501还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD 可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写: FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器504还用于存储程序指令。处理器501可以调用程序指令,实现如本申请图1至图3实施例中所示的门窗洞的识别方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的门窗洞的识别方法的处理方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写: HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (11)
1.一种门窗洞的识别方法,其特征在于,包括:
获取目标墙图元对应的矢量图纸,所述目标墙图元中包括至少一个门窗洞构件图元;
基于门窗洞的属性特征对所述门窗洞构件图元进行检测和分类,确定各个类型的门窗洞在所述矢量图纸上的位置信息;
从所述矢量图纸中提取多个图层信息,基于各个所述图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于所述门窗洞构件图元的候选图元;
基于所述门窗洞构件图元的特征信息以及所述位置信息,从所述候选图元中确定出所述目标墙图元中的目标门窗洞构件图元。
2.根据权利要求1所述的方法,其特征在于,所述从所述矢量图纸中提取多个图层信息,基于各个所述图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于所述门窗洞构件图元的候选图元,包括:
获取所述矢量图纸中的多个图元信息;
提取所述多个图元信息对应的特征,得到多个图层类别对应的图层信息;
识别各个图层信息中所包含的门窗洞特征;
基于所述门窗洞特征从所述图层信息中识别出对应于所述门窗洞构件图元的候选图元。
3.根据权利要求2所述的方法,其特征在于,所述基于所述门窗洞特征从所述图层信息中识别出对应于所述门窗洞构件图元的候选图元,包括:
基于所述门窗洞特征对所述各个图层信息中的构件图元进行多路召回,得到所述门窗洞特征对应的所有构件图元;
对所有构件图元进行排序,得到所述构件图元的排序结果;
基于所述排序结果,从所述所有构件图元中确定出所述门窗洞构件图元对应的候选图元。
4.根据权利要求1所述的方法,其特征在于,所述基于所述门窗洞构件图元的特征信息以及所述位置信息,从所述候选图元中确定出所述目标墙图元中的目标门窗洞构件图元,包括:
基于所述门窗洞构件图元的特征信息,确定所述门窗洞构件图元对应的目标类型;
按照所述位置信息对所述候选图元进行分组,得到多个分组结果;
从各个分组中确定出所述目标类型对应的所述目标门窗洞构件图元。
5.根据权利要求4所述的方法,其特征在于,所述基于所述门窗洞构件图元的特征信息,确定所述门窗洞构件图元对应的目标类型,包括:
基于所述门窗洞构件图元的特征信息,确定所述门窗洞构件图元对应的多个类型及各类型概率;
对所述各类型概率进行排序,得到最大类型概率;
将所述最大类型概率所对应的类型确定为所述目标类型。
6.根据权利要求4所述的方法,其特征在于,所述从各个分组中确定出所述目标类型对应的所述目标门窗洞构件图元,包括:
获取同一组中的各个目标类型对应的所述门窗洞构件图元的概率值;
对所述概率值进行排序,基于所述概率值的排序结果,从所述各个分组中确定出所述目标门窗洞构件图元。
7.根据权利要求1所述的方法,其特征在于,所述基于门窗洞的属性特征对所述门窗洞构件图元进行检测和分类,确定各个类型的门窗洞在所述矢量图纸上的位置信息,包括:
获取所述矢量图纸对应的位图图纸;
基于预设的目标检测法对所述位图图纸中的待识别门窗洞进行检测和分类,得到门窗洞对应的类型检测概率;
当所述类型检测概率超过预设概率值时,获取所述门窗洞在所述位图图纸中的位置坐标;
基于所述位置坐标以及所述位图图纸与所述矢量图纸之间的坐标转换,确定所述各个类型的门窗洞在所述矢量图纸上的位置信息。
8.根据权利要求1-7任一项所述的方法,其特征在于,还包括:
将所述目标门窗洞构件图元转换为模型数据信息。
9.一种门窗洞的识别装置,其特征在于,包括:
获取模块,用于获取目标墙图元对应的矢量图纸,所述目标墙图元中包括至少一个门窗洞构件图元;
分类模块,用于基于待识别门窗洞的属性特征对所述待识别门窗洞进行检测和分类,确定各个类型的门窗洞在所述矢量图纸上的位置信息;
识别模块,用于从所述矢量图纸中提取多个图层信息,基于各个所述图层信息的门窗洞特征进行门窗洞构件图元的识别,得到对应于所述门窗洞构件图元的候选图元;
确定模块,用于基于所述门窗洞构件图元的特征信息以及所述位置信息,从所述候选图元中确定出所述目标墙图元中的目标门窗洞构件图元。
10.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-8任一项所述的门窗洞的识别方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-8任一项所述的门窗洞的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210224725.3A CN114821617A (zh) | 2022-03-09 | 2022-03-09 | 门窗洞的识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210224725.3A CN114821617A (zh) | 2022-03-09 | 2022-03-09 | 门窗洞的识别方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114821617A true CN114821617A (zh) | 2022-07-29 |
Family
ID=82528433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210224725.3A Pending CN114821617A (zh) | 2022-03-09 | 2022-03-09 | 门窗洞的识别方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821617A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522465A (zh) * | 2023-07-05 | 2023-08-01 | 三一筑工科技股份有限公司 | 墙体中减重板自动布置方法、装置及电子设备 |
-
2022
- 2022-03-09 CN CN202210224725.3A patent/CN114821617A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522465A (zh) * | 2023-07-05 | 2023-08-01 | 三一筑工科技股份有限公司 | 墙体中减重板自动布置方法、装置及电子设备 |
CN116522465B (zh) * | 2023-07-05 | 2023-09-22 | 三一筑工科技股份有限公司 | 墙体中减重板自动布置方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11455805B2 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN110363182B (zh) | 基于深度学习的车道线检测方法 | |
CN111813997B (zh) | 入侵分析方法、装置、设备及存储介质 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN112861917B (zh) | 基于图像属性学习的弱监督目标检测方法 | |
CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
CN111353580B (zh) | 目标检测网络的训练方法、电子设备及存储介质 | |
CN113657202B (zh) | 构件识别方法、构建训练集方法、装置、设备及存储介质 | |
CN111368636A (zh) | 目标分类方法、装置、计算机设备和存储介质 | |
CN115909059A (zh) | 一种自然资源样本库建立方法和装置 | |
CN113033516A (zh) | 对象识别统计方法及装置、电子设备、存储介质 | |
CN112419202A (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
CN114821617A (zh) | 门窗洞的识别方法、装置、设备及可读存储介质 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN112784494B (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN108133116B (zh) | Cad户型图墙厚自动识别方法及系统 | |
CN116682130A (zh) | 图签信息的提取方法、装置、设备及可读存储介质 | |
CN116452850A (zh) | 一种基于数据挖掘和深度学习的道路积水区域识别方法 | |
US20220245782A1 (en) | Method and apparatus for classifying image of displaying base plate | |
CN112990350B (zh) | 目标检测网络训练方法及基于目标检测网络煤矸识别方法 | |
CN114818849A (zh) | 基于大数据信息的卷积神经网络和遗传算法的反窃电方法 | |
CN113378837A (zh) | 车牌遮挡识别方法、装置、电子设备和存储介质 | |
CN113392455A (zh) | 基于深度学习的户型图比例尺检测方法、装置及电子设备 | |
CN113657179A (zh) | 图像识别及建模方法、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 |