CN115393420A - 建筑图纸的空间面积计算方法及系统 - Google Patents

建筑图纸的空间面积计算方法及系统 Download PDF

Info

Publication number
CN115393420A
CN115393420A CN202211047573.0A CN202211047573A CN115393420A CN 115393420 A CN115393420 A CN 115393420A CN 202211047573 A CN202211047573 A CN 202211047573A CN 115393420 A CN115393420 A CN 115393420A
Authority
CN
China
Prior art keywords
area
wall
image
spatial
space
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
Application number
CN202211047573.0A
Other languages
English (en)
Inventor
崔淼
陈成才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Xiaoi Robot Technology Co Ltd
Original Assignee
Shanghai Xiaoi Robot Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Xiaoi Robot Technology Co Ltd filed Critical Shanghai Xiaoi Robot Technology Co Ltd
Priority to CN202211047573.0A priority Critical patent/CN115393420A/zh
Publication of CN115393420A publication Critical patent/CN115393420A/zh
Priority to PCT/CN2023/102872 priority patent/WO2024045826A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

一种建筑图纸的空间面积计算方法及系统，方法包括：在建筑图纸中提取候选图框区域；对建筑图纸的候选图框区域进行空间功能分割，得到初始图像，初始图像包括多个空间功能分割区域；对初始图像进行图像处理，使同一个空间功能分割区域的墙体依次顺连，并使墙体的内墙线和外墙线之间的区域被填充，以获得目标图像，目标图像包括同一个空间功能分割区域的墙体所对应的第一连通域，第一连通域围成封闭的空间功能区；根据空间功能区内部的第二连通域的面积，得到空间功能区的面积。本发明结合空间功能分割和图像处理，有利于在精确确定各个空间功能分割区域的位置和轮廓的情况下，更加精准地计算出空间功能面积。

Description

建筑图纸的空间面积计算方法及系统
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种建筑图纸的空间面积计算方法及系统。
背景技术
建筑平面图是建筑施工图的基本样图，用于指导建筑的顺利施工和正确施工。建筑平面空间的识别，以及建筑平面空间的面积和空间类型尺寸的计算，经常用来满足设计院在建筑、装修、景观等图纸方面的版本校验、以及户型设计等。
空间功能的面积要求通常具有特定的国家标准，例如，卧室使用面积需符合一定面积要求，不同结构厨房的面积(例如由卧室、起居室、厨房和卫生间等组成的住宅套型的厨房使用面积)不应小于3.5m2。
因此，建筑平面图的空间功能的面积计算对审图和施工是非常重要的步骤，且建筑平面图的空间功能的面积的确定，会影响审图和施工速度。但是，由于批量图纸以及不同建筑工程师的习惯不同等原因，导致大部分建筑图纸未标注每个空间功能的面积，从而难以指导建筑的顺利施工和正确施工。
发明内容
本发明实施例解决的问题是提供一种建筑图纸的空间面积计算方法及系统，提高空间功能面积的计算精度。
为解决上述问题，本发明实施例提供一种建筑图纸的空间面积计算方法，包括：在建筑图纸中提取候选图框区域，所述建筑图纸的构件包括墙体；对所述建筑图纸的候选图框区域进行空间功能分割，以实现对各个空间功能的边缘检测，得到初始图像，所述初始图像包括多个与空间功能一一对应的空间功能分割区域；对所述初始图像进行图像处理，沿所述墙体的轮廓使同一个空间功能分割区域的墙体依次顺连，并使所述墙体的内墙线和外墙线之间的区域被填充，以获得目标图像，所述目标图像包括同一个空间功能分割区域的墙体所对应的第一连通域，所述第一连通域沿所述墙体的轮廓围成封闭的空间功能区；根据所述空间功能区内部的第二连通域的面积，得到所述空间功能区的面积。
相应的，本发明实施例还提供一种建筑图纸的处理方法，采用本发明实施例所述的空间面积计算方法计算建筑图纸中空间功能区的面积。
相应的，本发明实施例还提供一种建筑图纸的空间面积计算系统，包括：图框提取模块，用于在建筑图纸中提取候选图框区域，所述建筑图纸的构件包括墙体；空间分割模块，用于对所述建筑图纸的候选图框区域进行空间功能分割，以实现对各个空间功能的边缘检测，得到初始图像，所述初始图像包括多个与空间功能一一对应的空间功能分割区域；图像处理模块，用于对所述初始图像进行图像处理，使同一个空间功能分割区域的墙体依次顺连，并使所述墙体的内墙线和外墙线之间的区域被填充，得到目标图像，所述目标图像包括同一个空间功能分割区域的墙体所对应的第一连通域，所述第一连通域沿所述墙体的轮廓围成封闭的空间功能区；计算模块，用于根据所述空间功能区内部的第二连通域的面积，得到所述空间功能区的面积。
相应地，本发明实施例还提供一种设备，包括至少一个存储器和至少一个处理器，所述存储器存储有一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现本发明实施例所述的空间面积计算方法。
相应地，本发明实施例还提供一种存储介质，所述存储介质存储有一条或多条计算机指令，所述一条或多条计算机指令用于实现本发明实施例所述的空间面积计算方法。
与现有技术相比，本发明实施例的技术方案具有以下优点：
本发明实施例提供的空间面积计算方法中，在建筑图纸中提取候选图框区域后，先对建筑图纸的候选图框区域进行空间功能分割，得到包括多个空间功能分割区域的初始图像，再对初始图像进行图像处理，沿墙体的轮廓使同一个空间功能分割区域的墙体依次顺连，并使墙体的内墙线和外墙线之间的区域被填充，使同一个空间功能分割区域的墙体位于相同的第一连通域中，并根据空间功能区内部的第二连通域的面积，得到空间功能区的面积；本发明实施例先进行空间功能分割，有利于精确确定各个空间功能分割区域的位置和轮廓，从而降低漏检的概率，同时，由于空间功能面积主要为墙体围成的区域的面积，因此，使同一个空间功能分割区域的墙体位于相同的第一连通域中，沿墙体的轮廓围成封闭的空间功能区，再计算空间功能区内部的第二连通域的面积，有利于更加精准地计算出空间功能面积，计算出空间功能面积的精度可达到98％以上。
附图说明
图1是本发明建筑图纸的空间面积计算方法一实施例的流程示意图；
图2是步骤S2中初始图像一实施例的示意图；
图3是步骤S2中各步骤一实施例的流程示意图；
图4是步骤S2中语义分割模型一实施例的结构示意图；
图5是初始图像的局部放大图；
图6是步骤S3中目标图像一实施例的示意图；
图7是本发明建筑图纸的空间面积计算系统一实施例的功能框图；
图8是图7中空间分割模块一实施例的的功能框图；
图9是本发明一实施例所提供的设备的硬件结构图。
具体实施方式
由背景技术可知，建筑图纸未标注每个空间功能(例如，阳台、卫生间、卧室、客厅、厨房等)的面积，建筑图纸难以指导建筑的顺利施工和正确施工。为了自动计算空间功能的面积，设计人工智能(AI)计算每个空间功能面积的方案是建筑行业至关重要的需求。自动计算建筑图纸中空间功能的面积，可以应用在建筑图纸的设计、审核等不同阶段。比如在设计阶段，通过自动计算空间功能的面积，可以大大提高建筑图纸的设计效率，快速标注各个空间功能的面积，同时设计师在制图过程中可以对不符合标准的设计及时进行修改；在图纸审核阶段，可以对未标注面积的不规范制图进行空间功能面积的自动计算和标注，或者对已标注面积的图纸重新计算空间功能面积以进行复核，从而提高建筑图纸的审核效率。进一步的，在计算得到空间功能面积后，还可以根据标准要求，对制图是否符合规范进行判断，设置提醒机制，以便及时发现不合规的设计部分，能够提高建筑图纸在设计、审核、施工全过程中的效率。
目前主要采用基于深度学习方法来计算空间功能面积，但由于空间功能通常只有形状特征，而没有丰富的纹理特征，仅采用深度学习分割方法或者深度学习目标检测方法进行空间功能区域检测，容易导致提取特征不明显，从而导致空间功能面积和实际计算机辅助设计(Computer Aided Design，CAD)二维建筑图纸的表达面积之间具有很大误差。
为了解决技术问题，本发明实施例提供一种建筑图纸的空间面积计算方法，先进行分割，有利于精确确定各个空间功能分割区域的位置和轮廓，从而降低漏检的概率，同时，由于空间功能面积主要为墙体围成的区域的面积，因此对初始图像进行图像处理，沿墙体的轮廓使同一个空间功能分割区域的墙体依次顺连，并使墙体的内墙线和外墙线之间的区域被填充，使同一个空间功能分割区域的墙体位于相同的第一连通域中，沿墙体的轮廓围成封闭的空间功能区，再计算空间功能区内部的第二连通域的面积，有利于更加精准地计算出空间功能面积。
需要说明的是，空间功能区是由墙体、门、窗等构件围成的封闭区域，不同的空间功能区对应不同的建筑使用功能，比如卧室、客厅、厨房、卫生间等。
参考图1，示出了本发明建筑图纸的空间面积计算方法一实施例的流程示意图。空间面积计算方法包括以下基本步骤：
步骤S1：在建筑图纸中提取候选图框区域，建筑图纸的构件包括墙体；
步骤S2：对建筑图纸的候选图框区域进行空间功能分割，以实现对各个空间功能的边缘检测，得到初始图像，初始图像包括多个与空间功能一一对应的空间功能分割区域；
步骤S3：对初始图像进行图像处理，沿墙体的轮廓使同一个空间功能分割区域的墙体依次顺连，并使墙体的内墙线和外墙线之间的区域被填充，以获得目标图像，目标图像包括同一个空间功能分割区域的墙体所对应的第一连通域，第一连通域沿墙体的轮廓围成封闭的空间功能区；
步骤S4：根据空间功能区内部的第二连通域的面积，得到空间功能区的面积。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参考图1，执行步骤S1，在待测的建筑图纸(图未示)中提取候选图框区域(图未示)，建筑图纸的构件包括墙体。
待测的建筑图纸为需要进行空间功能面积计算的建筑平面图。本实施例中，建筑图纸为CAD建筑图纸，用于反映建筑物的平面形状、功能需要、平面布局及其平面的构成关系。作为一种示例，建筑图纸为住宅的建筑图纸。
建筑图纸具有构件。其中，构件是构成建筑物的各个要素(也即图元)，例如，墙体、窗户、门、楼面、房梁等。本实施例中，建筑图纸的构件包括墙体。具体地，建筑图纸的构件还包括嵌于墙体中的门和窗。
本实施例中，建筑图纸具有图框(drawing frame)。可以理解的是，建筑图纸为包括多个图框的建筑工程图纸，图框是指建筑工程图纸中限定绘图区域的线框，一个图框中通常包含一张图纸。例如，对于住宅的建筑图纸，一个图框表示一个单元楼中同一楼层的住宅的图纸。
候选图框区域为建筑图纸中待截取的其中一个图框所在的区域，也即待审核的图框。需要说明的是，建筑图纸通常包括多个图框，因此，在对建筑图纸进行审核之前，先提取候选图框区域，以便基于人工智能的方式实现建筑图纸的审核，例如，便于后续有针对性地对该候选图框区域进行空间功能分割，进而有针对性地对需要审核的图框中的空间功能面积进行计算。
本实施例中，在待测的建筑图纸中提取候选图框区域的步骤包括：获取待提取的候选图框的属性信息，属性信息包括文字属性信息和图层属性信息中的一种或多种，属性信息与待提取的候选图框在建筑图纸中的位置具有映射关系；根据属性信息以及映射关系，确定待提取的候选图框在建筑图纸中的区域，作为候选图框区域。
CAD建筑图纸的解析图像分辨率较大，若采用深度学习的方式来进行图框识别，由于网络的感受野较小，在提取分辨率较大的图像时，容易出现特征信息丢失、小目标图框漏检的问题，因此，本实施例根据候选图框的属性信息、以及该属性信息与位置的映射关系，确定待提取的候选图框在建筑图纸中的区域，有利于避免因图像分辨率过高而导致漏检的问题，且能够精准定位候选图框区域的位置，从而提高图框识别的效果。具体地，相较于采用深度学习的方式进行图框识别，本实施例有利于将图框识别的效果提升10％。此外，根据候选图框的属性信息、以及该属性信息与位置的映射关系，确定待提取的候选图框在建筑图纸中的区域，还有利于提高提取候选图框区域的速度。作为一种示例，候选图框在建筑图纸中的位置为候选图框在建筑图纸中的坐标。
本实施例中，属性信息包括文字属性信息和图层属性信息中的一种或多种。在建筑图纸中，图框通常具有图层命名等图层属性信息，且图框通常具有建筑单位关键字等文字属性信息，因此，可以利用图框的属性信息进行图框识别。
结合参考图2，图2是步骤S2中初始图像一实施例的示意图，执行步骤S2，对建筑图纸的候选图框区域进行空间功能分割，以实现对各个空间功能的边缘检测，得到初始图像100，初始图像100包括多个与空间功能一一对应的空间功能分割区域100a。
通过进行空间功能分割，能够实现对各个空间功能(例如，阳台、卫生间、卧室、客厅、厨房等)的边缘检测，从而能够对不同类型的空间功能进行初步的分割，获得多个空间功能分割区域100a，例如，房间区域、客厅区域等。
本实施例中，对建筑图纸的候选图框区域进行空间功能分割后，能够获得各构件的边缘轮廓。例如，如图2所示，初始图像100中具有墙体110的边缘轮廓、门120的边缘轮廓、以及窗130的边缘轮廓；其中，门120可以包括平开门和推拉门中的一种或两种。
先进行空间功能分割，有利于较为精确地初步确定各个空间功能分割区域100a的位置和轮廓，从而降低漏检的概率，进而为后续的图像处理提供质量较好的初始图像100。对建筑图纸的候选图框区域进行空间功能分割，使得初始图像100为通过原图(即待测的建筑图纸)获得的，从而提高了初始图像100的分辨率，进而有利于提高后续的图像处理的效果。此外，本实施例中，空间功能分割是基于深度学习方法进行的，因此还有利于提高审图效率和施工速度。在一个具体实施例中，采用语义分割模型，对建筑图纸的候选图框区域进行空间功能分割。
结合参考图3，图3是步骤S2中各步骤一实施例的流程示意图。对建筑图纸的候选图框区域进行空间功能分割的步骤包括：执行步骤S21，从建筑图纸中截取候选图框区域的图像作为待处理图像(图未示)。
对建筑图纸进行截取，得到候选图框区域对应的待处理图像，以便后续仅对待处理图像进行处理，从而减少数据计算量；而且，对建筑图纸进行截取，使得待处理图像的格式满足：能够基于算法对待处理图像进行一系列的操作。
还需要说明的是，待处理图像从原图(即待测的建筑图纸)中截取获得，从而提高了待处理图像的分辨率，进而有利于提高后续的图像特征质量。
执行步骤S22，在待处理图像中提取多通道图像基础特征。
多通道图像基础特征为低维度的图像特征，低维度的图像特征包含较少的无关特征和冗余特征，有利于提高对各个空间功能进行划分的精确性，且有利于减少细节信息(例如，较细的线条)的丢失，从而为后续进一步提取更高维度的图像特征做准备，相应有利于后续对各个空间功能进行精确划分。此外，通过提取不同通道的图像基础特征，有利于使得提取到的图像基础特征能够更好地表征不同空间功能的区域。
具体地，在待处理图像中提取多通道图像基础特征的步骤包括：将待处理图像输入至骨干网络中，获取经过骨干网络的多个网络块(block)后的输出结果，得到不同第二通道数的图像基础特征；其中，骨干网络包括多个串联的网络块，每个网络块用于输出特定第二通道数的图像基础特征。
通过采用骨干网络，能够提取待处理图像中多通道的基础特征。本实施例中，骨干网络包括具有可变形卷积的残差网络。通过采用残差网络，有利于降低提取特征过程中出现过拟合现象的概率。而且，残差网络具有可变形卷积，有利于增大网络的感受野(receptive field)，从而降低部分特征漏检的概率，其中，感受野指的是卷积神经网络每一层输出的特征图(feature map)上的像素点在输入图像上映射的区域大小。具体地，骨干网络包括多个串联的网络块，因此，每一个网络块中均具有可变形卷积。结合参考图4，图4是步骤S2中语义分割模型一实施例的结构示意图，本实施例中，骨干网络为ShuffleNetV2网络。本实施例中，骨干网络包括多个串联的网络块，例如，以骨干网络为ShuffleNetV2网络为例，多个串联的网络块包括第一网络块(Shuffle_block1)、第二网络块(Shuffle_block2)、第三网络块(Shuffle_block3)、第四网络块(Shuffle_block4)、第五网络块(Shuffle_block5)和第六网络块(Shuffle_block6)。
需要说明的是，将待处理图像输入至骨干网络后，各网络块提取的特征逐渐丰富，但相应也容易产生冗余特征，从而容易出现过拟合的问题，例如，误将沙发作为独立的空间功能；如果选择过于靠近骨干网络的输入端的网络块的输出结果作为不同第二通道数的图像基础特征，则又容易导致部分特征的丢失，从而容易降低将各个不同类型的空间功能进行分割的效果(例如，无法分割出卧室的区域)。为此，本实施例中，获取骨干网络的第五网络块(也即Shuffle_block5)的输出结果，作为不同第二通道数的图像基础特征，从而获得多通道图像基础特征。
执行步骤S23，对多通道图像基础特征进行不同第一通道数的空洞卷积操作，得到多尺度下的空间区域特征，空间区域特征的感受野大于多通道图像基础特征的感受野。
通过进行空洞卷积操作，有利于在进一步增大网络的感受野的同时，减少信息丢失和分辨率的损失，且还有利于降低计算量。而且，设置不同的第一通道数，从而能够得到不同尺度下的空间区域特征。
需要说明的是，增大第一通道数，有利于提高对多通道图像基础特征进行升维的效果，相应有利于提取多通道图像基础特征中的高维度特征，但如果第一通道数过大，也容易导致网络模型的体积过大，相应容易降低空洞卷积操作的速度，不利于提高建筑图纸的检测速度。为此，本实施例中，第一通道数分别为8、64、128和256，通过选用这四种第一通道数，有利于在对多通道图像基础特征进行升维时获得较佳的升维效果，同时提高对建筑图纸的检测速度。
本实施例中，对多通道图像基础特征进行不同第一通道数的空洞卷积操作的步骤中，每一个第一通道数的空洞卷积操作采用多个不同空洞率(dilation rate)的卷积层，空洞率为8～16中的任意偶数。设置不同的空洞率，能够获得不同的感受野，从而提高获取多尺度的空间区域特征的效果。需要说明的是，空洞率不宜过小，否则容易增大漏检的概率。为此，空洞率为8～16中的任意偶数。例如，每一个第一通道数的空洞卷积操作采用的空洞率分别为8、12和16。
本实施例中，进行空洞卷积操作的步骤中，任意一种或两种第一通道数的空洞卷积操作的卷积核尺寸为1*1。在空洞卷积操作中，任意一种或两种第一通道数的空洞卷积操作的卷积核尺寸为1*1，有利于去除冗余特征，从而提高对各个空间功能进行划分的精确性，而且，仅选取其中一种或两种第一通道数的空洞卷积操作的卷积核尺寸为1*1，尺寸为1*1的卷积核数量不会过多，从而避免过度降维的问题。作为一种示例，第一通道数为8的空洞卷积操作的卷积核尺寸为1*1，其余空洞卷积操作的卷积核尺寸为3*3。
对多通道图像基础特征进行不同第一通道数的空洞卷积操作后，将多通道图像基础特征和空间区域特征进行特征融合之前，对建筑图纸的候选图框区域进行空间功能分割的步骤还包括：执行步骤S24，分别对多尺度下的各个空间区域特征进行上采样处理，用于增加各个空间区域特征中的高维度特征。
通过进行上采样处理，以增加多尺度下的空间区域特征中的高维度特征，从而获得更多的图像语义信息。
而且，对每一种第一通道数的空洞卷积操作后的空间区域特征分别进行上采样处理，则在进行上采样处理时，能够针对每一种第一通道数的空洞卷积操作后的空间区域特征设置一一对应并相匹配的维度比例，以便在后续进行特征融合时实现维度的统一。
此外，与采用其他实现维度的统一的方式相比，本实施例采用对每一种第一通道数的空洞卷积操作后的空间区域特征分别进行上采样处理的方式，还有利于使得网络的模型体积较小。
执行步骤S25，将多通道图像基础特征、以及上采样处理后的空间区域特征进行特征融合(concat)，得到融合图像特征。
不同尺度的图像特征所包含的细节信息不同，通过进行特征融合，从而将不同尺度的特征信息融合在一起，得到多通道的融合图像特征，这有利于提高对各个空间功能的边缘检测的效果，进而提高对各个空间功能进行划分的精确性。
具体地，将多通道图像基础特征和空间区域特征进行特征融合的步骤包括：将多通道图像基础特征和空间区域特征输入至融合网络中，得到初始融合特征；对初始融合特征依次进行上采样处理和降维处理，得到融合图像特征，所述上采样处理包括2倍上采样或4倍上采样。
通过对初始融合特征依次进行上采样处理，进一步基于初始融合特征，提取空间功能分割区域的边界的抽象特征信息。
本实施例中，所述上采样处理包括2倍上采样或4倍上采样。采用2倍上采样或4倍上采样，使得该上采样处理所采用的卷积核较小，有利于更好地提取空间功能分割区域的边界；而且，该上采样处理的倍数为偶数，这有利于使得采样速度更快、采集的信息更全面；此外，该上采样处理的倍数不会过大，从而在数据处理时减少占据的内存。
通过进行降维处理，有利于去除冗余信息，进而减少计算量、提高分割速度，相应提高计算速度。
具体地，对上采样处理后的初始融合特征进行降维处理的步骤包括：采用具有第三通道数、且卷积核尺寸为1*1的卷积核对上采样处理后的初始融合特征进行卷积处理。
本实施例中，第三通道数大于或等于128。第三通道数不会过小，从而在去除冗余信息的同时，降低第一通道数的空间区域特征缺失的概率。作为一种示例，第三通道数为128或256。
执行步骤S26，根据融合图像特征，获得多个空间功能分割区域100a。
具体地，对融合图像特征进行图框空间语义分割，得到待处理图像的语义分割结果，从而获得多个空间功能分割区域。
继续参考图1，并结合参考图5和图6，图5是初始图像的局部放大图，图6是步骤S3中目标图像一实施例的示意图，执行步骤S3，对初始图像100进行图像处理，沿墙体110(如图2所示)的轮廓使同一个空间功能分割区域100a的墙体110依次顺连，并使墙体110的内墙线110b(如图2所示)和外墙线110a(如图2所示)之间的区域被填充，以获得目标图像300，目标图像300包括同一个空间功能分割区域100a的墙体110所对应的第一连通域310，第一连通域310沿墙体110的轮廓围成封闭的空间功能区320。
进行空间功能分割有利于精确确定各个空间功能分割区域100a的位置和轮廓，从而降低漏检的概率，同时，由于空间功能面积主要是墙体110围成的区域的面积，因此，沿墙体110的轮廓使同一个空间功能分割区域100a的墙体110位于相同的第一连通域310中，也就是说，对于空间功能分割区域100a的任何一侧，墙体110所在的第一连通域310的边界为直线，第一连通域310沿墙体110的轮廓围成封闭的空间功能区320，因此，在计算空间功能区320内部的第二连通域(未标示)的面积后，即可精准地计算出空间功能面积。
本实施例中，对初始图像100进行图像处理的步骤包括：对初始图像进行灰度处理，得到二值图，在二值图中，墙体110的内墙线110b和外墙线110a对应的像素点具有相同的属性值。
进行灰度处理，以获得仅具有两种属性值的二值图，且在二值图中，各个空间功能的边缘轮廓对应的像素点，能够与剩余区域的像素点相区分，墙体110的内墙线110b和外墙线110a对应的像素点具有相同的属性值，而且还便于后续对进行连通域处理，使同一个空间功能分割区域100a的墙体110对应的像素点均位于同一个第一连通域310中。
在二值图中，墙体110的内墙线110b和外墙线110a对应的像素点具有相同的属性值，因此，墙体110的内墙线110b和外墙线110a对应的像素点的颜色相同。作为一种示例，以属性值为灰度值为例，则二值图中的像素点的属性值分别为255和0，属性值为255的像素点为白色像素点，属性值为0的像素点为黑色像素点。在其他实施例中，二值图中的像素点的属性值也可以分别用“0”和“1”表示，属性值为“0”的像素点为黑色像素点，属性值为“1”的像素点为白色像素点。
需要说明的是，本实施例中，各构件轮廓的颜色示意情况仅是为了便于图示，在实际空间面积计算过程中，可以将各构件轮廓的颜色设置为白色，其余部分的颜色设置为黑色。
本实施例中，对初始图像100进行图像处理的步骤还包括：在二值图中对各个空间功能分割区域100a的墙体110进行连通域处理，获得目标图像300，连通域处理用于使同一个空间功能分割区域100a的墙体110对应的像素点均位于同一个第一连通域310中。需要说明的是，在二值图中，连通域(Connected Component)，指的是图像中具有相同属性值(例如，灰度值)且位置相邻的像素点连成的区域。
二值图中的像素点的属性值的种类为两种，且墙体110的内墙线110b和外墙线110a对应的像素点具有相同的属性值，因此，通过进行连通域处理，能够沿墙体110的轮廓，使内墙线110b依次顺连、外墙线110a依次顺连，并使墙体110的内墙线110b和外墙线110a之间的区域被填充，从而避免将内墙线110b和外墙线110a之间的区域面积作为空间功能面积的一部分，也避免在内墙线110b之间或外墙线110a之间的断开位置处的面积作为空间功能面积的一部分，进而提高了空间功能面积的计算精度。而且，二值图中的像素点的属性值的种类为两种，也易于实现连通域处理。
本实施例中，在二值图中对各个空间功能分割区域100a的墙体110进行连通域处理的步骤包括：在二值图中对建筑图纸的墙体110进行识别，得到墙体110的位置；对墙体110进行识别后，对各空间功能分割区域100a分别进行第一连通域处理；其中，第一连通域处理包括：对墙体110的内墙线110b和外墙线110a之间的像素点进行第一属性值转换，使第一属性值转换后的像素点属性值，与内墙线110b、外墙线110a的像素点属性值均相同。
具体地，由于墙体110在建筑图纸中有承重墙属性，因此通过获取承重墙颜色，即可获取墙体110的位置。
如图5所示，作为一种示例，对墙体110的内墙线110b和外墙线110a之间的像素点进行第一属性值转换的步骤包括：采用尺寸与待进行第一属性值转换的墙体110的长度L和宽度W相同的卷积核，对墙体110所在的区域进行膨胀处理。针对每一部分墙体110，采用尺寸与待进行第一属性值转换的墙体的长度L和宽度W相同的卷积核，有利于确保该部分墙体110的内墙线110b和外墙线110a之间的像素点均能实现第一属性值转换，从而提高内墙线110b和外墙线110a之间的区域被填充的效果，且有利于提高第一属性值转换的速度。
需要说明的是，如图5所示，每一个空间功能的元素主要包括墙体110、门120和窗130，墙体110的内墙线110b在门120和窗130的位置处断开，墙体110的外墙线110a也在门120和窗130的位置处断开，因此，为了精准计算空间功能的面积，需对墙体110在门120和窗130的位置处进行补齐，从而沿墙体110的轮廓使同一个空间功能分割区域100a的墙体110依次顺连。
为此，空间面积计算方法还包括：在二值图中对建筑图纸的墙体进行识别后，在二值图中识别出嵌于墙体中的门和窗，以获得门120和窗130的位置；对门120和窗130进行识别后，对空间功能分割区域100a分别进行第二连通域处理和第三连通域处理。
本实施例中，对初始图像进行灰度处理以获得二值图后，采用目标检测算法在该二值图中识别门120和窗130。例如，目标检测算法可以采用YOLOv5网络。
其中，如图5所示，第二连通域处理包括：根据门120的开启方向，确定相对应的门线125的延伸方向作为第一方向；确定与门120相邻的墙体110所对应的内墙线110b和外墙线110a在第一方向上的第一端点116；根据第一端点116的位置获得由第一端点116围成的第一矩形区117，第一矩形区117沿第一方向连接门120两侧的墙体110；对第一矩形区117的像素点进行第二属性值转换，使第一属性值转换后的像素点属性值与内墙线110b、外墙线110a的像素点属性值相同。
需要说明的是，在建筑图纸中，门线125用于表示门120在闭合状态下的基准线，因此对于嵌有门120的墙体110，门120和内墙线110b、外墙线110a的延伸方向均相同，因此，通过确定相对应的门线125的延伸方向，便于确定门120所在的墙体110的补齐方向。
在建筑图纸中，同一个墙体110的内墙线110b和外墙线110a是两条平行线，因此，确定与门120相邻的墙体110所对应的内墙线110b和外墙线110a在第一方向上的第一端点116，根据第一端点116确定第一矩形区117，第一端点116为第一矩形区117的顶点，并使第一属性值转换后的像素点属性值与内墙线110b、外墙线110a的像素点属性值相同，从而能够通过对第一矩形区117的像素点进行第二属性值转换的方式，将墙体110在门120所在的位置补齐，这相当于沿第一方向对墙体110进行了延伸，而且，在第二属性值转换后，在门120所在的位置处，内墙线110b和外墙线110a之间的区域被填满。
同理，如图5所示，第三连通域处理包括：确定窗130的边界线131的延伸方向作为第二方向；确定与窗130相邻的墙体110所对应的内墙线110b和外墙线110a在第二方向上的第二端点132；根据第二端点132的位置获得由第二端点132围成的第二矩形区133，第二矩形区133沿第二方向连接窗130两侧的墙体110；对第二矩形区133的像素点进行第三属性值转换，使第三属性值转换后的像素点属性值与内墙线110b、外墙线110a的像素点属性值相同。
通过对第二矩形区133的像素点进行第三属性值转换，将墙体110在窗130所在的位置补齐，这相当于沿第二方向对墙体110进行了延伸，而且，在第三属性值转换后，在窗130所在的位置处，内墙线110b和外墙线110a之间的区域被填满。
需要说明的是，本实施例中，通过空间功能之间的逻辑关系，识别墙体110的内墙线110b和外墙线110a。
具体地，进行空间功能分割，获得多个与空间功能一一对应的空间功能分割区域100a后，对于任一空间功能分割区域100a，剩余空间功能分割区域100a为外部区域，因此识别任一空间功能分割区域100对应的墙体110的内墙线110b和外墙线110a的步骤包括：根据与当前待识别的空间功能分割区域100相邻的外部区域，确定该空间功能分割区域100的墙体110的外墙线110a，外墙线110a暴露于相邻的外部区域，墙体110的剩余边界线相应为内墙线110b。
对于任一当前待识别的空间功能分割区域100，其墙体110朝向外部区域的边界线为外墙线110a，也就是说，外墙线110a对应其中一个外部区域，因此确定外部区域的位置，即可确定暴露于该外部区域的墙体110的外墙线110a。
还需要说明的是，通过空间功能之间的逻辑关系，还能够识别窗130的外窗边界线(未标示)和内窗边界线(未标示)。具体地，空间功能分割区域100a包括户外区域，户外区域即为单元楼的室外区域，则识别窗130的外窗边界线和内窗边界线的步骤包括：确定暴露于户外区域的外墙线110a；根据暴露于户外区域的外墙线110a，确定窗130的外窗边界线，外窗边界线与外墙线110a相连，窗130的剩余边界线相应为内窗边界线。
住宅的部分墙体110暴露于户外，因此，外墙线110a对应的一个区域是户外区域，而窗130嵌于墙体110内，因此外窗边界线与外墙线110a相连，相应的，识别出外墙线110a和外窗边界线后，通过排除法，即可确定内墙线110b和内窗边界线。
继续参考图1，执行步骤S4，根据空间功能区320内部的第二连通域的面积，得到空间功能区的面积。
通过前述的图像处理，同一个空间功能分割区域100a的墙体110均位于同一个第一连通域310中，第一连通域310沿墙体110的轮廓围成封闭的空间功能区320，空间功能区320则为能够与第一连通域310相区分的第二连通域。
具体地，对目标图像300进行连通域检测，在空间功能区320内部提取第二连通域后，计算第二连通域的面积，得到空间功能区320的面积。
本发明实施例还提供一种建筑图纸的处理方法，采用上述建筑图纸的空间面积计算方法计算建筑图纸中空间功能区的面积。在实际应用中，建筑图纸的处理包括建筑图纸的设计、建筑图纸的审核、建筑图纸的检测中的至少一种。
图7是本发明建筑图纸的空间面积计算系统一实施例的功能框图。结合参考图2、图4至图6，空间面积计算系统包括：图框提取模块10，用于在建筑图纸中提取候选图框区域，建筑图纸的构件包括墙体；空间分割模块20，用于对建筑图纸的候选图框区域进行空间功能分割，以实现对各个空间功能的边缘检测，得到初始图像100，初始图像100包括多个与空间功能一一对应的空间功能分割区域100a；图像处理模块30，用于对初始图像100进行图像处理，使同一个空间功能分割区域100a的墙体110依次顺连，并使墙体110的内墙线110b和外墙线110a之间的区域被填充，得到目标图像300，目标图像300包括同一个空间功能分割区域100a的墙体110所对应的第一连通域310，第一连通域310沿墙体110的轮廓围成封闭的空间功能区320；计算模块40，用于根据空间功能区320内部的第二连通域的面积，得到空间功能区320的面积。
本发明实施例提供的空间面积计算系统中，先进行空间功能分割，有利于精确确定各个空间功能分割区域100a的位置和轮廓，从而降低漏检的概率，同时，由于空间功能面积主要为墙体110围成的区域的面积，因此，使同一个空间功能分割区域100a的墙体110位于相同的第一连通域310中，沿墙体110的轮廓围成封闭的空间功能区320，再计算空间功能区320内部的第二连通域的面积，有利于更加精准地计算出空间功能面积。
本实施例中，建筑图纸为CAD建筑图纸。作为一种示例，建筑图纸为住宅的建筑图纸。建筑图纸具有构件。其中，构件是构成建筑物的各个要素(也即图元)，例如，墙体、窗户、门、楼面、房梁等。本实施例中，建筑图纸的构件包括墙体110，还包括嵌于墙体110中的门120和窗130。
本实施例中，建筑图纸具有图框，候选图框区域为建筑图纸中待截取的其中一个图框所在的区域，也即待审核的图框。先提取候选图框区域，以便基于人工智能的方式实现建筑图纸的审核，例如，便于后续有针对性地对该候选图框区域进行空间功能分割，进而有针对性地对需要审核的图框中的空间功能面积进行计算。
本实施例中，图框提取模块10包括：属性信息获取单元，用于获取待提取的候选图框的属性信息，包括文字属性信息和图层属性信息中的一种或多种，属性信息与待提取的候选图框在建筑图纸中的位置具有映射关系；候选图框区域确定单元，用于根据属性信息以及映射关系，确定待提取的候选图框在建筑图纸中的区域，作为候选图框区域。
根据候选图框的属性信息、以及该属性信息与位置的映射关系，确定待提取的候选图框在建筑图纸中的区域，有利于避免因图像分辨率过高而导致漏检的问题，且能够精准定位候选图框区域的位置，从而提高图框识别的效果。此外还有利于提高提取候选图框区域的速度。作为一种示例，候选图框在建筑图纸中的位置为候选图框在建筑图纸中的坐标。
空间分割模块20用于对建筑图纸的候选图框区域进行空间功能分割，通过进行空间功能分割，能够实现对各个空间功能(例如，阳台、卫生间、卧室、客厅、厨房等)的边缘检测，从而能够对不同类型的空间功能进行初步的分割，获得多个空间功能分割区域100a，例如，房间区域、客厅区域等。
本实施例中，对建筑图纸的候选图框区域进行空间功能分割后，能够获得各构件的边缘轮廓。例如，如图2所示，初始图像100中具有墙体110的边缘轮廓、门120的边缘轮廓、以及窗130的边缘轮廓。
需要说明的是，先进行空间功能分割，有利于较为精确地初步确定各个空间功能分割区域100a的位置和轮廓，从而降低漏检的概率，进而为后续的图像处理提供质量较好的初始图像100。还需要说明的是，对建筑图纸的候选图框区域进行空间功能分割，使得初始图像100为通过原图(即待测的建筑图纸)获得的，从而提高了初始图像100的分辨率，进而有利于提高后续的图像处理的效果。此外，本实施例的空间功能分割是基于深度学习方法进行的，因此还有利于提高审图效率和施工速度。
在一个具体实施例中，空间分割模块20采用语义分割模型进行空间功能分割。结合参考图8，图8是空间分割模块20一实施例的的功能框图。
空间分割模块20包括：图像截取单元21，用于从建筑图纸中截取候选图框区域的图像作为待处理图像(图未示)。对建筑图纸进行截取，得到候选图框区域对应的待处理图像，以便后续仅对待处理图像进行处理，从而减少数据计算量；而且，对建筑图纸进行截取，使得待处理图像的格式满足：能够基于算法对待处理图像进行一系列的操作。
需要说明的是，待处理图像从原图(即待测的建筑图纸)中截取获得，从而提高了待处理图像的分辨率，进而有利于提高后续的图像特征质量。
空间分割模块20还包括：特征提取单元22，用于在待处理图像中提取多通道图像基础特征。多通道图像基础特征为低维度的图像特征，低维度的图像特征包含较少的无关特征和冗余特征，有利于提高对各个空间功能进行划分的精确性，且有利于减少细节信息(例如，较细的线条)的丢失，从而为后续进一步提取更高维度的图像特征做准备，相应有利于后续对各个空间功能进行精确划分。此外，通过提取不同通道的图像基础特征，有利于使得提取到的图像基础特征能够更好地表征不同空间功能的区域。
具体地，特征提取单元22用于将待处理图像输入至骨干网络中，获取经过骨干网络的多个网络块(block)后的输出结果，得到不同第二通道数的图像基础特征；其中，骨干网络包括多个串联的网络块，每个网络块用于输出特定第二通道数的图像基础特征。
本实施例中，骨干网络包括具有可变形卷积的残差网络，有利于降低提取特征过程中出现过拟合现象的概率。而且，残差网络具有可变形卷积，有利于增大网络的感受野，从而降低部分特征漏检的概率。具体地，骨干网络包括多个串联的网络块，因此，每一个网络块中均具有可变形卷积。
结合参考图4，图4是语义分割模型一实施例的结构示意图，本实施例中，骨干网络为ShuffleNetV2网络。骨干网络包括多个串联的网络块，例如，以骨干网络为ShuffleNetV2网络为例，多个串联的网络块包括第一网络块(Shuffle_block1)、第二网络块(Shuffle_block2)、第三网络块(Shuffle_block3)、第四网络块(Shuffle_block4)、第五网络块(Shuffle_block5)和第六网络块(Shuffle_block6)。
需要说明的是，将待处理图像输入至骨干网络后，各网络块提取的特征逐渐丰富，但相应也容易产生冗余特征，从而容易出现过拟合的问题，例如，误将沙发作为独立的空间功能；如果选择过于靠近骨干网络的输入端的网络块的输出结果作为不同第二通道数的图像基础特征，则又容易导致部分特征的丢失，从而容易降低将各个不同类型的空间功能进行分割的效果(例如，无法分割出卧室的区域)。为此，本实施例中，特征提取单元22获取骨干网络的第五网络块(也即Shuffle_block5)的输出结果，作为不同第二通道数的图像基础特征，从而获得多通道图像基础特征。
空间分割模块20还包括：空洞卷积操作单元23，用于对多通道图像基础特征进行不同第一通道数的空洞卷积操作，得到多尺度下的空间区域特征，空间区域特征的感受野大于多通道图像基础特征的感受野。通过空洞卷积操作，有利于在进一步增大网络的感受野的同时，减少信息丢失和分辨率的损失，且还有利于降低计算量。而且设置不同的第一通道数，能够得到不同尺度下的空间区域特征。
需要说明的是，增大第一通道数，有利于提高对多通道图像基础特征进行升维的效果，相应有利于提取多通道图像基础特征中的高维度特征，但如果第一通道数过大，也容易导致网络模型的体积过大，相应容易降低空洞卷积操作的速度，不利于提高建筑图纸的检测速度。为此，本实施例中，第一通道数分别为8、64、128和256，通过选用这四种第一通道数，有利于在对多通道图像基础特征进行升维时获得较佳的升维效果，同时提高对建筑图纸的检测速度。
本实施例中，每一个第一通道数的空洞卷积操作采用多个不同空洞率的卷积层，空洞率为8～16中的任意偶数。设置不同的空洞率，能够获得不同的感受野，从而提高获取多尺度的空间区域特征的效果。需要说明的是，空洞率不宜过小，否则容易增大漏检的概率，为此，空洞率为8～16中的任意偶数。例如，每一个第一通道数的空洞卷积操作采用的空洞率分别为8、12和16。
本实施例中，在空洞卷积操作中，任意一种或两种第一通道数的空洞卷积操作的卷积核尺寸为1*1，这有利于去除冗余特征，从而提高对各个空间功能进行划分的精确性，而且仅选取其中一种或两种第一通道数的空洞卷积操作的卷积核尺寸为1*1，从而避免过度降维的问题。作为一种示例，第一通道数为8的空洞卷积操作的卷积核尺寸为1*1，其余空洞卷积操作的卷积核尺寸为3*3。
空间分割模块20还包括：上采样处理单元24，设置于空洞卷积操作单元23和特征融合单元25之间，上采样处理单元24用于分别对多尺度下的各个空间区域特征进行上采样处理，以增加各个空间区域特征中的高维度特征。
通过上采样处理，以增加多尺度下的空间区域特征中的高维度特征，从而获得更多的图像语义信息。
而且，对每一种第一通道数的空洞卷积操作后的空间区域特征分别进行上采样处理，则在进行上采样处理时，能够针对每一种第一通道数的空洞卷积操作后的空间区域特征设置一一对应并相匹配的维度比例，以便在后续进行特征融合时实现维度的统一。
此外，与采用其他实现维度的统一的方式相比，本实施例采用对每一种第一通道数的空洞卷积操作后的空间区域特征分别进行上采样处理的方式，还有利于使得网络的模型体积较小。
空间分割模块20还包括：特征融合单元25，用于将多通道图像基础特征、以及上采样处理后的空间区域特征进行特征融合，得到融合图像特征。不同尺度的图像特征所包含的细节信息不同，通过进行特征融合，从而将不同尺度的特征信息融合在一起，得到多通道的融合图像特征，这有利于提高对各个空间功能的边缘检测的效果，进而提高对各个空间功能进行划分的精确性。
具体地，特征融合单元25包括：融合子单元，用于将多通道图像基础特征和空间区域特征输入至融合网络中，得到初始融合特征；处理子单元，用于对初始融合特征依次进行上采样处理和降维处理，得到融合图像特征，所述上采样处理包括2倍上采样或4倍上采样。
通过对初始融合特征依次进行上采样处理，进一步基于初始融合特征，提取空间功能分割区域的边界的抽象特征信息。
本实施例中，所述上采样处理包括2倍上采样或4倍上采样。采用2倍上采样或4倍上采样，使得该上采样处理所采用的卷积核较小，有利于更好地提取空间功能分割区域的边界；而且，该上采样处理的倍数为偶数，这有利于使得采样速度更快、采集的信息更全面；此外，该上采样处理的倍数不会过大，从而在数据处理时减少占据的内存。
通过进行降维处理，有利于去除冗余信息，进而减少计算量、提高分割速度，相应提高计算速度。
具体地，处理子单元在进行降维处理时，采用具有第三通道数、且卷积核尺寸为1*1的卷积核进行卷积处理。
本实施例中，第三通道数大于或等于128。第三通道数不会过小，从而在去除冗余信息的同时，降低第一通道数的空间区域特征缺失的概率。作为一种示例，第三通道数为128或256。
空间分割模块20还包括：空间功能分割区域获取单元26，用于根据融合图像特征，获得多个空间功能分割区域100a。具体地，空间功能分割区域获取单元26对融合图像特征进行图框空间语义分割，得到待处理图像的语义分割结果，从而获得多个空间功能分割区域。
空间分割模块20进行空间功能分割，有利于精确确定各个空间功能分割区域100a的位置和轮廓，从而降低漏检的概率，同时，由于空间功能面积主要是墙体110围成的区域的面积，因此，沿墙体110的轮廓使同一个空间功能分割区域100a的墙体110位于相同的第一连通域310中，也就是说，对于空间功能分割区域100a的任何一侧，墙体110所在的第一连通域310的边界为直线，第一连通域310沿墙体110的轮廓围成封闭的空间功能区320，因此，在计算空间功能区320内部的第二连通域(未标示)的面积后，即可精准地计算出空间功能面积。
结合参考图5和图6，图5是初始图像的局部放大图，图6是目标图像一实施例的示意图。本实施例中，图像处理模块30包括：二值化处理单元，用于对初始图像100进行灰度处理，得到二值图，在二值图中，墙体110的内墙线110b和外墙线110a对应的像素点具有相同的属性值。
进行灰度处理，以获得仅具有两种属性值的二值图，且在二值图中，各个空间功能的边缘轮廓对应的像素点，能够与剩余区域的像素点相区分，墙体110的内墙线110b和外墙线110a对应的像素点具有相同的属性值，而且还便于后续对进行连通域处理，使同一个空间功能分割区域100a的墙体110对应的像素点均位于同一个第一连通域310中。
在二值图中，墙体110的内墙线110b和外墙线110a对应的像素点具有相同的属性值，因此，墙体110的内墙线110b和外墙线110a对应的像素点的颜色相同。
本实施例中，图像处理模块30还包括：连通域处理单元，用于在二值图中对各个空间功能分割区域100a的墙体110进行连通域处理，获得目标图像300，连通域处理用于使同一个空间功能分割区域100a的墙体110对应的像素点均位于同一个第一连通域310中。
二值图中的像素点的属性值的种类为两种，且墙体110的内墙线110b和外墙线110a对应的像素点具有相同的属性值，因此，通过进行连通域处理，能够沿墙体110的轮廓，使内墙线110b依次顺连、外墙线110a依次顺连，并使墙体110的内墙线110b和外墙线110a之间的区域被填充，从而避免将内墙线110b和外墙线110a之间的区域面积作为空间功能面积的一部分，也避免在内墙线110b之间或外墙线110a之间的断开位置处的面积作为空间功能面积的一部分，进而提高了空间功能面积的计算精度。而且，二值图中的像素点的属性值的种类为两种，也易于实现连通域处理。
本实施例中，连通域处理单元包括第一连通域处理单元。
具体地，第一连通域处理单元包括：第一识别子单元，用于在二值图中对建筑图纸的墙体110进行识别，得到墙体110的位置；第一连通域处理子单元，用于对墙体110进行识别后，对各空间功能分割区域100a分别进行第一连通域处理；其中，第一连通域处理包括：对墙体110的内墙线110b和外墙线110a之间的像素点进行第一属性值转换，使第一属性值转换后的像素点属性值，与内墙线110b、外墙线110a的像素点属性值均相同。
具体地，由于墙体110在建筑图纸中有承重墙属性，因此通过获取承重墙颜色，即可获取墙体110的位置。
如图5所示，作为一种示例，第一连通域处理子单元采用尺寸与待进行第一属性值转换的墙体110的长度L和宽度W相同的卷积核，对墙体110所在的区域进行膨胀处理。采用尺寸与待进行第一属性值转换的墙体110的长度L和宽度W相同的卷积核，有利于确保该部分墙体110的内墙线110b和外墙线110a之间的像素点均能实现第一属性值转换，从而提高内墙线110b和外墙线110a之间的区域被填充的效果，且有利于提高第一属性值转换的速度。
需要说明的是，如图5所示，每一个空间功能的元素(也即构件)主要包括墙体110、门120和窗130，墙体110的内墙线110b在门120和窗130的位置处断开，墙体110的外墙线110a也在门120和窗130的位置处断开，因此为了精准计算空间功能的面积，需对墙体110在门120和窗130的位置处进行补齐，沿墙体110的轮廓使同一个空间功能分割区域100a的墙体110依次顺连。
为此，本实施例中，连通域处理单元还包括第二连通域处理单元。
具体地，第二连通域处理单元包括：第二识别子单元，用于在二值图中对建筑图纸的墙体进行识别后，在二值图中识别出嵌于墙体中的门和窗，以获得门120和窗130的位置；第二连通域处理子单元，用于在对门120进行识别后，对空间功能分割区域100a进行第二连通域处理；第三连通域处理子单元，用于在对窗130进行识别后，对空间功能分割区域100a进行第三连通域处理。
本实施例中，第二识别子单元采用目标检测算法在该二值图中识别门120和窗130。例如，目标检测算法可以采用YOLOv5网络。
其中，如图5所示，第二连通域处理包括：根据门120的开启方向，确定相对应的门线125的延伸方向作为第一方向；确定与门120相邻的墙体110所对应的内墙线110b和外墙线110a在第一方向上的第一端点116；根据第一端点116的位置获得由第一端点116围成的第一矩形区117，第一矩形区117沿第一方向连接门120两侧的墙体110；对第一矩形区117的像素点进行第二属性值转换，使第一属性值转换后的像素点属性值与内墙线110b、外墙线110a的像素点属性值相同。
需要说明的是，在建筑图纸中，门线125用于表示门120在闭合状态下的基准线，因此对于嵌有门120的墙体110，门120和内墙线110b、外墙线110a的延伸方向均相同，因此，通过确定相对应的门线125的延伸方向，便于确定门120所在的墙体110的补齐方向。
在建筑图纸中，同一个墙体110的内墙线110b和外墙线110a是两条平行线，因此，确定与门120相邻的墙体110所对应的内墙线110b和外墙线110a在第一方向上的第一端点116，根据第一端点116确定第一矩形区117，第一端点116为第一矩形区117的顶点，并使第一属性值转换后的像素点属性值与内墙线110b、外墙线110a的像素点属性值相同，从而能够通过对第一矩形区117的像素点进行第二属性值转换的方式，将墙体110在门120所在的位置补齐，这相当于沿第一方向对墙体110进行了延伸，而且，在第二属性值转换后，在门120所在的位置处，内墙线110b和外墙线110a之间的区域被填满。
同理，如图5所示，第三连通域处理包括：确定窗130的边界线131的延伸方向作为第二方向；确定与窗130相邻的墙体110所对应的内墙线110b和外墙线110a在第二方向上的第二端点132；根据第二端点132的位置获得由第二端点132围成的第二矩形区133，第二矩形区133沿第二方向连接窗130两侧的墙体110；对第二矩形区133的像素点进行第三属性值转换，使第三属性值转换后的像素点属性值与内墙线110b、外墙线110a的像素点属性值相同。
通过对第二矩形区133的像素点进行第三属性值转换，将墙体110在窗130所在的位置补齐，这相当于沿第二方向对墙体110进行了延伸，而且，在第三属性值转换后，在窗130所在的位置处，内墙线110b和外墙线110a之间的区域被填满。
本实施例中，第二识别子单元通过空间功能之间的逻辑关系，识别墙体110的内墙线110b和外墙线110a。具体地，对于任一空间功能分割区域100a，剩余空间功能分割区域100a为外部区域，因此，第二识别子单元根据与当前待识别的空间功能分割区域100相邻的外部区域，确定该空间功能分割区域100的墙体110的外墙线110a，外墙线110a暴露于相邻的外部区域，并将墙体110的剩余边界线确定为内墙线110b。
对于任一当前待识别的空间功能分割区域100，其墙体110朝向外部区域的边界线为外墙线110a，也就是说，外墙线110a对应其中一个外部区域，因此确定外部区域的位置，即可确定暴露于该外部区域的墙体110的外墙线110a。
本实施例中，第二识别子单元通过空间功能之间的逻辑关系，还能够识别窗130的外窗边界线(未标示)和内窗边界线(未标示)。
具体地，空间功能分割区域100a包括户外区域，户外区域即为单元楼的室外区域，第二识别子单元确定暴露于户外区域的外墙线110a，并根据暴露于户外区域的外墙线110a，确定与暴露于户外区域的外墙线110a相连的窗130的边界线作为外窗边界线，，将窗130的剩余边界线确定为内窗边界线。住宅的部分墙体110暴露于户外，因此外墙线110a对应的一个区域是户外区域，而窗130嵌于墙体110内，外窗边界线与外墙线110a相连，相应的，识别出外墙线110a和外窗边界线后，通过排除法即可确定内墙线110b和内窗边界线。
通过图像处理模块30，使同一个空间功能分割区域100a的墙体110均位于同一个第一连通域310中，第一连通域310沿墙体110的轮廓围成封闭的空间功能区320，空间功能区320则为能够与第一连通域310相区分的第二连通域。具体地，计算模块40对目标图像300进行连通域检测，在空间功能区320内部提取第二连通域后，计算第二连通域的面积，得到空间功能区320的面积。
本发明实施例还提供一种设备，该设备可以通过装载程序形式的上述建筑图纸的空间面积计算方法，以实现本发明实施例提供的建筑图纸的空间面积计算方法。
结合参考图9，示出了本发明一实施例所提供的设备的硬件结构图。本实施例设备包括：至少一个处理器01、至少一个通信接口02、至少一个存储器03和至少一个通信总线04。
本实施例中，处理器01、通信接口02、存储器03和通信总线04的数量均为至少一个，且处理器01、通信接口02以及存储器03通过通信总线04完成相互间的通信。
通信接口02可以为用于进行网络通信的通信模块的接口，例如为GSM模块的接口。
处理器01可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本实施例建筑图纸的空间面积计算方法的一个或多个集成电路。
存储器03可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
其中，存储器03存储有一条或多条计算机指令，一条或多条计算机指令被处理器01执行以实现本发明实施例提供的建筑图纸的空间面积计算方法。
需要说明的是，上述的实现终端设备还可以包括与本发明实施例公开内容可能并不是必需的其他器件(未示出)；鉴于这些其他器件对于理解本发明实施例公开内容可能并不是必需，本发明实施例对此不进行逐一介绍。
本发明实施例还提供一种存储介质，存储介质存储有一条或多条计算机指令，一条或多条计算机指令用于实现本发明实施例提供的建筑图纸的空间面积计算方法。
本发明实施例提供的建筑图纸的空间面积计算方法中，在建筑图纸中提取候选图框区域后，先对建筑图纸的候选图框区域进行空间功能分割，得到包括多个空间功能分割区域的初始图像，再对初始图像进行图像处理，沿墙体的轮廓使同一个空间功能分割区域的墙体依次顺连，并使墙体的内墙线和外墙线之间的区域被填充，使同一个空间功能分割区域的墙体位于相同的第一连通域中，并根据空间功能区内部的第二连通域的面积，得到空间功能区的面积；本发明实施例先进行空间功能分割，有利于精确确定各个空间功能分割区域的位置和轮廓，从而降低漏检的概率，同时，由于空间功能面积主要为墙体围成的区域的面积，因此，使同一个空间功能分割区域的墙体位于相同的第一连通域中，沿墙体的轮廓围成封闭的空间功能区，再计算空间功能区内部的第二连通域的面积，有利于更加精准地计算出空间功能面积。
上述本发明的实施方式是本发明的元件和特征的组合。除非另外提及，否则元件或特征可被视为选择性的。各个元件或特征可在不与其它元件或特征组合的情况下实践。另外，本发明的实施方式可通过组合部分元件和/或特征来构造。本发明的实施方式中所描述的操作顺序可重新排列。任一实施方式的一些构造可被包括在另一实施方式中，并且可用另一实施方式的对应构造代替。对于本领域技术人员而言明显的是，所附权利要求中彼此没有明确引用关系的权利要求可组合成本发明的实施方式，或者可在提交本申请之后的修改中作为新的权利要求包括。
本发明的实施方式可通过例如硬件、固件、软件或其组合的各种手段来实现。在硬件配置方式中，根据本发明示例性实施方式的方法可通过一个或更多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器等来实现。
在固件或软件配置方式中，本发明的实施方式可以模块、过程、功能等形式实现。软件代码可存储在存储器单元中并由处理器执行。存储器单元位于处理器的内部或外部，并可经由各种己知手段向处理器发送数据以及从处理器接收数据。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域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，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是符合与本文所公开的原理和新颖特点相一致的最宽的范围。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (15)

1.一种建筑图纸的空间面积计算方法，其特征在于，包括：
在建筑图纸中提取候选图框区域，所述建筑图纸的构件包括墙体；
对所述建筑图纸的候选图框区域进行空间功能分割，以实现对各个空间功能的边缘检测，得到初始图像，所述初始图像包括多个与空间功能一一对应的空间功能分割区域；
对所述初始图像进行图像处理，沿所述墙体的轮廓使同一个空间功能分割区域的墙体依次顺连，并使所述墙体的内墙线和外墙线之间的区域被填充，以获得目标图像，所述目标图像包括同一个空间功能分割区域的墙体所对应的第一连通域，所述第一连通域沿所述墙体的轮廓围成封闭的空间功能区；
根据所述空间功能区内部的第二连通域的面积，得到所述空间功能区的面积。
2.如权利要求1所述的空间面积计算方法，其特征在于，在建筑图纸中提取候选图框区域的步骤包括：获取待提取的候选图框的属性信息，所述属性信息包括文字属性信息和图层属性信息中的一种或多种，所述属性信息与待提取的候选图框在所述建筑图纸中的位置具有映射关系；
根据所述属性信息以及所述映射关系，确定所述待提取的候选图框在所述建筑图纸中的区域，作为候选图框区域。
3.如权利要求1所述的空间面积计算方法，其特征在于，对所述建筑图纸的候选图框区域进行空间功能分割的步骤包括：
从所述建筑图纸中截取所述候选图框区域作为待处理图像；
在所述待处理图像中提取多通道图像基础特征；
对所述多通道图像基础特征进行不同第一通道数的空洞卷积操作，得到多尺度下的空间区域特征，所述空间区域特征的感受野大于所述多通道图像基础特征的感受野；
将所述多通道图像基础特征和空间区域特征进行特征融合，得到融合图像特征；
根据所述融合图像特征，获得多个空间功能分割区域。
4.如权利要求3所述的空间面积计算方法，其特征在于，在所述待处理图像中提取多通道图像基础特征的步骤包括：将所述待处理图像输入至骨干网络中，获取经过所述骨干网络的多个网络块后的输出结果，得到不同第二通道数的图像基础特征；其中，所述骨干网络包括多个串联的网络块，每个所述网络块用于输出特定第二通道数的图像基础特征。
5.如权利要求4所述的空间面积计算方法，其特征在于，对所述多通道图像基础特征进行不同第一通道数的空洞卷积操作的步骤中，每一个第一通道数的空洞卷积操作采用多个不同空洞率的卷积层，所述空洞率为8～16中的任意偶数。
6.如权利要求4所述的空间面积计算方法，其特征在于，对所述多通道图像基础特征进行不同第一通道数的空洞卷积操作后，将所述多通道图像基础特征和空间区域特征进行特征融合之前，对所述建筑图纸的候选图框区域进行空间功能分割的步骤还包括：分别对多尺度下的各个空间区域特征进行上采样处理，用于增加各个空间区域特征中的高维度特征。
7.如权利要求4所述的空间面积计算方法，其特征在于，将所述多通道图像基础特征和空间区域特征进行特征融合的步骤包括：将所述多通道图像基础特征和空间区域特征输入至融合网络中，得到初始融合特征；
对所述初始融合特征依次进行上采样处理和降维处理，得到融合图像特征，所述上采样处理包括2倍上采样或4倍上采样。
8.如权利要求1所述的空间面积计算方法，其特征在于，对所述初始图像进行图像处理的步骤包括：对所述初始图像进行灰度处理，得到二值图，在所述二值图中，所述墙体的内墙线和外墙线对应的像素点具有相同的属性值；
在所述二值图中对各个空间功能分割区域的墙体进行连通域处理，获得目标图像，所述连通域处理用于使同一个空间功能分割区域的墙体对应的像素点均位于同一个第一连通域中。
9.如权利要求8所述的空间面积计算方法，其特征在于，在所述二值图中对各个空间功能分割区域的墙体进行连通域处理的步骤包括：在所述二值图中对所述建筑图纸的墙体进行识别，得到所述墙体的位置；
对所述墙体进行识别后，对所述空间功能分割区域分别进行第一连通域处理；其中，
所述第一连通域处理包括：对所述墙体的内墙线和外墙线之间的像素点进行第一属性值转换，使所述第一属性值转换后的像素点属性值与所述内墙线、外墙线的像素点属性值相同。
10.如权利要求9所述的空间面积计算方法，其特征在于，对所述墙体的内墙线和外墙线之间的像素点进行第一属性值转换的步骤包括：采用尺寸与待进行第一属性值转换的墙体的长度和宽度相同的卷积核，对所述墙体所在的区域进行膨胀处理。
11.如权利要求9所述的空间面积计算方法，其特征在于，所述空间面积计算方法还包括：在所述二值图中对所述建筑图纸的墙体进行识别后，在所述二值图中识别出嵌于所述墙体中的门和窗，以获得所述门和窗的位置；
对所述门和窗进行识别后，对所述空间功能分割区域分别进行第二连通域处理和第三连通域处理；其中，
所述第二连通域处理包括：根据所述门的开启方向，确定相对应的门线的延伸方向作为第一方向；确定与所述门相邻的墙体所对应的内墙线和外墙线在所述第一方向上的第一端点；根据所述第一端点的位置获得由所述第一端点围成的第一矩形区，所述第一矩形区沿所述第一方向连接所述门两侧的墙体；对所述第一矩形区的像素点进行第二属性值转换，使所述第一属性值转换后的像素点属性值与所述内墙线、外墙线的像素点属性值相同；
所述第三连通域处理包括：确定窗的边界线的延伸方向作为第二方向；确定与所述窗相邻的墙体所对应的内墙线和外墙线在所述第二方向上的第二端点；根据所述第二端点的位置获得由所述第二端点围成的第二矩形区，所述第二矩形区沿所述第二方向连接所述窗两侧的墙体；对所述第二矩形区的像素点进行第三属性值转换，使所述第三属性值转换后的像素点属性值与所述内墙线、外墙线的像素点属性值相同。
12.一种建筑图纸的处理方法，其特征在于，采用如权利要求1至11任一所述的空间面积计算方法计算建筑图纸中空间功能区的面积。
13.一种建筑图纸的空间面积计算系统，其特征在于，包括：
图框提取模块，用于在建筑图纸中提取候选图框区域，所述建筑图纸的构件包括墙体；
空间分割模块，用于对所述建筑图纸的候选图框区域进行空间功能分割，以实现对各个空间功能的边缘检测，得到初始图像，所述初始图像包括多个与空间功能一一对应的空间功能分割区域；
图像处理模块，用于对所述初始图像进行图像处理，使同一个空间功能分割区域的墙体依次顺连，并使所述墙体的内墙线和外墙线之间的区域被填充，得到目标图像，所述目标图像包括同一个空间功能分割区域的墙体所对应的第一连通域，所述第一连通域沿所述墙体的轮廓围成封闭的空间功能区；
计算模块，用于根据所述空间功能区内部的第二连通域的面积，得到所述空间功能区的面积。
14.一种设备，其特征在于，包括至少一个存储器和至少一个处理器，所述存储器存储有一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1至11任一项所述的空间面积计算方法。
15.一种存储介质，其特征在于，所述存储介质存储有一条或多条计算机指令，所述一条或多条计算机指令用于实现如权利要求1至11任一项所述的空间面积计算方法。
CN202211047573.0A 2022-08-29 2022-08-29 建筑图纸的空间面积计算方法及系统 Pending CN115393420A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211047573.0A CN115393420A (zh) 2022-08-29 2022-08-29 建筑图纸的空间面积计算方法及系统
PCT/CN2023/102872 WO2024045826A1 (zh) 2022-08-29 2023-06-27 建筑图纸的空间面积计算方法及系统、建筑图纸的处理方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211047573.0A CN115393420A (zh) 2022-08-29 2022-08-29 建筑图纸的空间面积计算方法及系统

Publications (1)

Publication Number Publication Date
CN115393420A true CN115393420A (zh) 2022-11-25

Family

ID=84124489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211047573.0A Pending CN115393420A (zh) 2022-08-29 2022-08-29 建筑图纸的空间面积计算方法及系统

Country Status (2)

Country Link
CN (1) CN115393420A (zh)
WO (1) WO2024045826A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024045826A1 (zh) * 2022-08-29 2024-03-07 上海智臻智能网络科技股份有限公司 建筑图纸的空间面积计算方法及系统、建筑图纸的处理方法、设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097564B (zh) * 2019-04-04 2023-06-16 平安科技（深圳）有限公司 基于多模型融合的图像标注方法、装置、计算机设备及存储介质
CN111008597B (zh) * 2019-12-05 2023-03-24 万翼科技有限公司 Cad图纸的空间识别方法、装置、电子设备及存储介质
CN111815602B (zh) * 2020-07-06 2022-10-11 清华大学 基于深度学习和形态学的建筑pdf图纸墙体识别装置和方法
US20220148327A1 (en) * 2020-11-10 2022-05-12 Autodesk, Inc. Machine learning techniques for extracting floorplan elements from architectural drawings
CN115393420A (zh) * 2022-08-29 2022-11-25 上海智臻智能网络科技股份有限公司 建筑图纸的空间面积计算方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024045826A1 (zh) * 2022-08-29 2024-03-07 上海智臻智能网络科技股份有限公司 建筑图纸的空间面积计算方法及系统、建筑图纸的处理方法、设备和存储介质

Also Published As

Publication number Publication date
WO2024045826A1 (zh) 2024-03-07

Similar Documents

Publication Publication Date Title
CN107506761B (zh) 基于显著性学习卷积神经网络的脑部图像分割方法及系统
US10395147B2 (en) Method and apparatus for improved segmentation and recognition of images
CN108805134B (zh) 一种主动脉夹层分割模型的构建方法及应用
CN110059697B (zh) 一种基于深度学习的肺结节自动分割方法
CN110675370A (zh) 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法
EP3989160A1 (en) Pathological section image processing method, apparatus, system, and storage medium
CN112085714B (zh) 一种肺结节检测方法、模型训练方法、装置、设备及介质
CN104484886B (zh) 一种mr图像的分割方法及装置
CN110909615B (zh) 基于多尺度输入混合感知神经网络的目标检测方法
CN114925416B (zh) 一种基于数据转换的建筑结构生成方法及装置
CN113706487A (zh) 基于自监督特征小样本学习的多器官分割方法
CN111178392B (zh) 基于深度神经网络的航空发动机孔探图像损伤分割方法
CN115393420A (zh) 建筑图纸的空间面积计算方法及系统
NO20150725A1 (en) Method for processing and image
CN111192320B (zh) 一种位置信息确定方法、装置、设备和存储介质
CN110728666B (zh) 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统
CN114494215A (zh) 基于Transformer的甲状腺结节检测方法
CN110838094B (zh) 病理切片染色风格转换方法和电子设备
KR102535054B1 (ko) 패치기반의 딥러닝 알고리즘을 통한 실내도면 이미지에서의 실내공간정보 자동추출방법 및 그 장치
CN111626358A (zh) 一种基于bim图片识别的隧道围岩分级方法
CN107833631A (zh) 一种医学影像计算机辅助分析方法
CN112364708A (zh) 基于知识蒸馏与对抗学习的多模态人体动作识别方法
US20230115927A1 (en) Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection
CN113763315B (zh) 玻片图像的信息获取方法、装置、设备及介质
CN114693693A (zh) 一种基于卷积神经网络的胎儿胼胝体超声图像分割方法

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