CN116189220A - 建筑构件检测识别方法、装置、计算机设备及存储介质 - Google Patents
建筑构件检测识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116189220A CN116189220A CN202310154755.6A CN202310154755A CN116189220A CN 116189220 A CN116189220 A CN 116189220A CN 202310154755 A CN202310154755 A CN 202310154755A CN 116189220 A CN116189220 A CN 116189220A
- Authority
- CN
- China
- Prior art keywords
- building
- vector
- tested
- bitmap image
- detected
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及建筑构件检测识别方法、装置、计算机设备及存储介质。该方法包括首先对待测矢量图纸进行子图细分类,确定待测矢量平面图,然后针对待测矢量平面图,以房间为对象进行分割,得到每个房间的矢量图;进一步分别针对每个房间的矢量图,进行放大处理至设定视窗大小,使得该房间内的建筑构件得以清晰示意;进而将该视窗内的房间矢量图导出至设定尺寸大小的图纸上,使导出的位图图像上小目标构件的图像特征得以更清晰的体现,避免小目标构件特征信息容易丢失,导致漏检或无法检测识别的问题,有利于提高小目标构件的识别准确率。
Description
技术领域
本申请涉及图纸信息识别处理领域,尤其是涉及建筑构件检测识别方法、装置、计算机设备及存储介质。
背景技术
工程施工领域中,建筑图纸设计完成后并不是直接用于建筑施工,需要将建筑图纸报送相关的审核部门进行审查,以审查设计图纸是否满足建筑行业相关规范要点或者其他有关要求,只有通过审查的建筑图纸才会用于生产施工。
图纸的审查可以分为人工审查和计算机自动审查,或者两者相结合的方式。相对于人工审图,计算机自动审图效率更高,可极大地降低审图人员的工作强度,因此目前更加倾向于自动审图。相关审图机构或部门对于高效、准确、无遗漏地自动审图技术具有较高的市场需求。
目前在建筑构件检测识别过程中,容易存在漏检问题,尤其是针对小目标建筑构件。目前针对待检矢量图纸,为了能够利用图像识别算法对图纸进行自动检测,通常会将待测矢量图纸全局导出转换为位图图像,然后针对位图图像进行处理并利用相应的检测识别算法,例如神经网络模型对建筑构件进行检测识别,由于模型感受野有限,而全局导出图纸尺寸较大,很容易导致建筑物内的小目标构件特征丢失或者模糊,因此当前的检测识别算法很容易造成对小目标构件的漏检或者无法准确检测的问题,影响构件类型检测识别的准确性。
发明内容
为了解决当前主流检测算法针对小目标构件容易漏检或准确性不高的问题,本申请提供了建筑构件检测识别方法、装置、计算机设备及存储介质。
第一方面,本申请提供的建筑构件检测识别方法,采用如下的技术方案:
一种建筑构件检测识别方法,包括:
获取待测矢量图纸,对所述待测矢量图纸按照图纸名称进行细分类,识别获取待测矢量平面图;
对所述待测矢量平面图进行房间分割,得到各个房间的矢量图;
针对所述各个房间的矢量图分别进行放大至设定视窗大小;
按照设定图纸导出尺寸,导出当前待测房间的位图图像;
从所述当前待测房间的位图图像中截取待测建筑构件的位图图像;
提取所述待测矢量图纸中所绘建筑构件的图例信息,所述图例信息包括所绘建筑构件的位图图像以及构件类型;
基于所述待测建筑构件的位图图像与各所述所绘建筑构件的图例信息,对所述待测建筑构件进行检测识别,得到构件类型。
通过采用上述技术方案,首先对待测矢量图纸进行子图识别细分类,确定待测矢量平面图,然后针对待测矢量平面图,以房间为对象进行分割,得到每个房间的矢量图;进一步分别针对每个房间的矢量图,进行放大处理至设定视窗大小,使得该房间内的建筑构件得以清晰示意;进而将该视窗内的房间矢量图导出至设定尺寸大小的图纸上,使导出的位图图像上小目标构件的图像特征得以更清晰的体现,避免小目标构件特征信息容易丢失导致漏检或无法检测识别的问题,有利于提高小目标构件的识别准确率。
可选的,在所述得到各个房间的矢量图之后,且在所述导出当前待测房间的位图图像之前,还包括:
识别所述当前待测房间所围合的封闭区域内是否存在几何图元,若存在,则判断存在待测建筑构件,此时触发执行所述导出当前待测房间的位图图像的步骤。
通过采用上述技术方案,通过检测识别每个房间内是否存在几何图元,来判断是否存在待测建筑构件,以此确定是否需要导出该房间的位图图像,对于不存在几何图元的房间,则不必导出其位图图像,提高检测效率。
可选的,所述从所述当前待测房间的位图图像中截取待测建筑构件的位图图像包括:提取所述当前待测房间中各所述几何图元的像素位置信息;根据各所述几何图元的像素位置信息,判断各所述几何图元之间是否存在位置关联关系;将存在位置关联关系的几何图元组合作为一个待测建筑构件;并对该待测建筑构件所在的位图图像进行截取。
通过采用上述技术方案,根据待测建筑构件所包含的几何图元之间的位置关系,可以实现一个房间中多个待测建筑构件的分割识别,从而准确截取出包含该待测建筑构件的位图图像。
可选的,所述判断各所述几何图元之间是否存在位置关联关系包括:
若判断几何图元a与几何图元b之间存在重合像素点或相邻像素点时,则确定所述几何图元a与所述几何图元b存在位置关联关系;
若判断所述几何图元a与所述几何图元b属于包围或被包围的位置关系时,则确定所述几何图元a与所述几何图元b存在位置关联关系;
若判断所述几何图元a与所述几何图元b均存在位置关联关系的几何图元c时,则确定几何图元a与所述几何图元b存在位置关联关系。
通过采用上述技术方案,可以实现对相关几何图元的组合,以达到建筑构件分割识别的目的。
可选的,所述基于所述待测建筑构件的位图图像与各所述所绘建筑构件的图例信息,对所述待测建筑构件进行检测识别包括:
计算所述待测建筑构件的位图图像与各所述所绘建筑构件的位图图像之间的第一相似度;选取相似度值最大的所绘建筑构件作为目标建筑构件;根据该目标建筑构件的构件类型,确定所述待测建筑构件的构件类型。
通过采用上述技术方案,通过提取待测矢量图纸中的图例信息,可作为待测建筑构件检测识别的参考模板,基于建筑构件的位图图像相似度,可检测得到待测建筑构件的构件类型。
可选的,所述计算所述待测建筑构件的位图图像与各所述所绘建筑构件的位图图像之间的第一相似度包括:
利用预设网络模型计算所述待测建筑构件的位图图像对应的第一特征向量,以及所述所绘建筑构件的位图图像对应的第二特征向量;计算所述第一特征向量与所述第二特征向量之间的第二相似度;将所述第二相似度作为所述第一相似度。
通过采用上述技术方案,利用图像特征向量相似度计算,可以更好地体现待测建筑构件与所绘建筑构件在更深层特征信息维度上的相似度,相对于经典目标检测算法,具有更高的检测精度。
可选的,所述预设网络模型包括由依次连接的若干设定大小的卷积核和一个正则化层构成;利用各所述卷积核对输入的位图图像进行卷积处理,提取图像抽象特征;利用所述正则化层对卷积处理结果进行归一化,得到与输入的位图图像对应的特征向量。
通过采用上述技术方案,相对于经典目标检测算法(例如几何形状相似但颜色不同的两种建筑构件,可能会被识别为相同建筑构件),该模型具有更好的泛化能力和鲁棒性。
第二方面,本申请提供的建筑构件检测识别装置,采用如下的技术方案:
一种建筑构件检测识别装置,包括:
预处理模块,用于获取待测矢量图纸,对所述待测矢量图纸按照图纸名称进行细分类,识别获取待测矢量平面图;
分割模块,用于对所述待测矢量平面图进行房间分割,得到各个房间的矢量图;
放大模块,用于针对所述各个房间的矢量图分别进行放大至设定视窗大小;
图像导出模块,用于按照设定图纸导出尺寸,导出当前待测房间的位图图像;
图像截取模块,用于从所述当前待测房间的位图图像中截取待测建筑构件的位图图像;
图例信息提取模块,用于提取所述待测矢量图纸中所绘建筑构件的图例信息,所述图例信息包括所绘建筑构件的位图图像以及构件类型;
检测识别模块,用于基于所述待测建筑构件的位图图像与各所述所绘建筑构件的图例信息,对所述待测建筑构件进行检测识别,得到构件类型。
第三方面,本申请提供的计算机设备,采用如下的技术方案:
一种计算机设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述建筑构件检测识别方法。
第四方面,本申请提供的计算机可读存储介质,采用如下的技术方案:
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程序;所述计算机程序被处理器执行时实现上述建筑构件检测识别方法。
通过采用上述技术方案,提供了建筑构件检测识别方法的计算机程序的载体。
综上所述,本申请包括以下至少有益技术效果:
1.避免了小目标构件特征信息容易丢失导致漏检或无法检测识别的问题,有利于提高小目标构件的识别准确率。
2.利用图像特征向量相似度计算,可以更好地体现待测建筑构件与所绘建筑构件在更深层特征信息维度上的相似度,相对于经典目标检测算法,具有更好地检测精度。
附图说明
图1是本申请实施例中建筑构件检测识别方法的流程框图;
图2是本申请实施例中房间矢量图放大示意图;
图3是本申请实施例中待测建筑构件的几何图元关联组合示意图;
图4是本申请实施例中待测建筑构件分割识别示意图;
图5是本申请实施例中图纸图例信息示意图;
图6是本申请实施例中预设网络模型结构框图;
图7是本申请实施例中建筑构件检测识别装置的结构框图;
图8是本申请实施例中计算机设备的结构框图。
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,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例公开建筑构件检测识别方法。
参考图1,一种建筑构件检测识别方法,包括以下步骤:
S101、获取待测矢量图纸,对待测矢量图纸按照图纸名称进行细分类,识别获取待测矢量平面图。
应当理解的是,矢量图也叫面向对象绘图,是用数学方式描述的曲线及曲线围成的色块制作的图形,在计算机内部中表示成一系列的数值而不是像素点,这些值决定了图形如何在屏幕上。每一个图形、每一个字母都是一个对象,每个对象都决定其外形的路径,一个对象与别的对象相互隔离,因此可以自由地改变对象的位置、形状、大小和颜色。同时,由于这种保存图形信息的办法与分辨率无关,因此无论放大或缩小多少,都有一样平滑的边缘,一样的视觉细节和清晰度。例如CAD格式的图纸就是一种矢量图。本申请实施例中,针对需要进行构件检测识别的CAD图像,称之为待测矢量图纸。
与矢量图相对的是位图,位图也叫像素图,由像素或点的网格组成,如果将这类图形放大到一定的程度,就会发现它是由一个个小方格(即一个像素点)组成的,位图的大小和质量取决于图像中像素点的多少。
通常一副完整的建筑矢量图纸,由于包含整个建筑项目各个维度的图纸信息,例如总图、详图、各层平面图、立面图、剖面图以及会签栏、标题栏、图例说明等信息,因此尺寸是非常大的,例如可能达到数万乘数万,甚至数十万乘数十万的分辨率。在导出为位图图像时,由于受到导出图纸尺寸大小的限制,无法无损导出这么大分辨率的位图图像,因此当前采用全局导出位图图像进行构件检测的方案,很容易导致导出的建筑构件特征信息丢失的问题,从而出现漏检或者无法检测出构件类型或者影响构件检测准确性的问题。
对此,本方案首先针对待测矢量图纸进行细分类,得到每一栋建筑的矢量平面图或者每个单元的矢量平面图。例如,整个建筑项目可能包含多栋建筑,针对每栋建筑的各视图均有相应的图纸名称标注,例如“5#楼首层平面图”、“2#楼标准层平面图”、“1#楼**方向的立面图”等;通过图纸名称识别可对待测矢量图纸进行细分类,得到若干子图。
本实施例主要获取矢量平面图,因为通常小目标构件更多在平面图中示意,因此主要获取矢量平面图进行构件检测识别。当然,在本申请可选实施例中,还可获取其他子图作为待测子图,以对该待测子图中存在的建筑构件进行检测识别。
需要说明的是,在本申请实施例中,小目标构件指的是除板、墙、梁、柱、门、窗等之外,且主要布设于房间内的建筑构件,通常相对尺寸较小。例如沙发、马桶、面盆、淋浴、床、椅子、桌子、热水器、燃气灶、消火栓、地漏、空调外机等构件。
S102、对待测矢量平面图进行房间分割,得到各个房间的矢量图。
在确定待测矢量平面图之后,根据门、墙、窗等构件围合组成的区域即为房间区域,实现对房间的分割,得到每个房间的矢量图。房间分割的方式还可采用采用任意实现方式,例如语义分割、实例分割等,以分割出房间轮廓,具体过程在此不再赘述。
S103、针对各个房间的矢量图分别进行放大至设定视窗大小。
针对每个房间的矢量图进行放大至设定视窗大小,其中设定视窗大小可根据实际需求灵活设置,但应尽可能对该房间的矢量图进行放大,只要不溢出显示区域即可,这样会使得矢量图信息得以更清楚的展示。
参考图2,例如当前界面的最大显示区域为P*W,当前该房间的矢量图显示区域为1/2P*1/2W,也即视窗大小为25%,此时房间内的小目标构件可能存在显示不清楚的问题,通过对该房间的矢量图进行放大,继续参考图2,此时该房间的矢量图显示区域放大至4/5P*4/5W,使其视窗大小达到64%(即设定视窗大小),可使房间内的小目标构件图元特征更清楚,在进行导出处理时,可以更好的保留其图元特征信息。
视窗大小指的是显示器所显示窗口大小,例如完全填充满整个显示区域,则视窗大小为100%;同理,若缩放至整个显示区域的一半,则视窗大小为50%;当视窗大小超过100%时,则显示信息会溢出,导致显示不全。
S104、按照设定图纸导出尺寸,导出当前待测房间的位图图像。
在将房间矢量图放大至设定视窗大小之后,此时房间内的小目标构件的特征信息可以清楚地保留,此时按照设定图纸导出尺寸,将该房间的图元特征信息导出为位图图像保存,以用于后续地检测识别。
其中设定图纸导出尺寸可以根据实际需求进行灵活设置,系统也可提供预设尺寸供用户选择,无论是自主设置导出尺寸,还是选取预设好的导出尺寸,均应保证导出的位图图像的线条粗细合适,图元特征清晰明了,这样才有利于保证后续图像检测识别的准确性以及避免漏检问题。本申请实施例中,通过将房间的矢量图放大至设定视窗大小,根据实际导出效果,确定满足需求的图纸导出尺寸,作为该设定图纸导出尺寸,从而保证导出的位图图像的线条粗细合适,图元特征清晰明了。
当用户自主设置导出尺寸时,系统可检测该自主设置的导出尺寸是否在限定尺寸范围内,若不再限定尺寸范围内,可提示用户重新设置,直至满足限定尺寸范围,从而保证用户自主设置的导出尺寸也可以清楚导出位图图像。
在本申请可选实施例中,位图图像格式例如为JPG格式。
在本申请可选实施例中,为了提高对待测矢量图纸中小目标构件的检测识别效率,针对不需要进行检测识别的房间进行剔除处理。具体的,识别当前待测房间所围合的封闭区域内是否存在几何图元,若不存在,也即待测房间所围合的封闭区域内为空白区域,不存在线条图形;若存在,则判断存在待测建筑构件,此时触发执行导出当前待测房间的位图图像的步骤。
应当理解的是,点,线,圆弧,样条曲线等均可称为几何图元,也可称为几何线条或者几何形状。
S105、从当前待测房间的位图图像中截取待测建筑构件的位图图像。
待测房间通常为可闭合的图形,在闭合区域内提取目标图像,可采用现有任意方式,实现对待测建筑构件的位图图像的提取。
在本申请可选实施例中,提取当前待测房间中各几何图元的像素位置信息;根据各几何图元的像素位置信息,判断各几何图元之间是否存在位置关联关系;将存在位置关联关系的几何图元组合作为一个待测建筑构件;并对该待测建筑构件所在的位图图像进行截取。
具体的,若判断几何图元a与几何图元b之间存在重合像素点或相邻像素点时,则确定几何图元a与几何图元b存在位置关联关系。
若判断几何图元a与几何图元b属于包围或被包围的位置关系时,则确定几何图元a与几何图元b存在位置关联关系。
若判断几何图元a与几何图元b均存在位置关联关系的几何图元c时,则确定几何图元a与几何图元b存在位置关联关系。
参考图3,几何图元c为一个圆“O”,几何图元b为一条线段“/”,几何图元a为一条线段“\”;几何图元b与几何图元a相交,存在重合像素点,构成几何图形“×”,因此几何图元b与几何图元a存在位置关联关系。
继续参考图3,几何图元b位于几何图元c所在圆内,属于包围与被包围的关系,因此几何图元b与几何图元c存在位置关联关系。
同理,几何图元a也位于几何图元c所在圆内,属于包围与被包围的关系,因此几何图元a与几何图元c也存在位置关联关系。几何图元b与几何图元a均存在位置关联关系的相同几何图元c,因此即使在未确定几何图元b与几何图元a存在重合像素点的情况下,也可直接判断几何图元b与几何图元a存在位置关联关系,提高处理效率。三者可组合构成一个待测建筑构件。
参考图4,待测建筑构件41与待测建筑构件42所包含的几何图元,既不存在重合(或相交)像素点,也不存在相邻像素点,还不存在包围或被包围的关系,因此待测建筑构件41与待测建筑构件42属于两个独立的建筑构件,采用上述检测算法可以实现建筑构件的有效分割。
S106、提取待测矢量图纸中所绘建筑构件的图例信息;图例信息包括所绘建筑构件的位图图像以及构件类型,参考图5。
所绘建筑构件的位图图像可采用上述步骤S103-S105类似的方式,对待测矢量图纸进行图例框检测提取,然后放大至相应视窗大小,并对该图例框进行导出,得到图例框的位图图像;针对图例框位图图像进行图像检测所绘建筑构件的图例信息,提取所绘建筑构件的位图图像;其中构件类型通过文字识别OCR可以提取得到,然后将所绘建筑构件的位图图像与构件类型进行关联存储。
在本申请的可选实施例中,图例信息的提取可采用现有任意方式,在此不再赘述。
S107、基于待测建筑构件的位图图像与各所绘建筑构件的图例信息,对待测建筑构件进行检测识别,得到构件类型。
在本申请的可选实施例中,计算待测建筑构件的位图图像与各所绘建筑构件的位图图像之间的第一相似度;选取相似度值最大的所绘建筑构件作为目标建筑构件;根据该目标建筑构件的构件类型,确定待测建筑构件的构件类型。
其中,计算待测建筑构件的位图图像与各所绘建筑构件的位图图像之间的相似度,本方案没有采用经典灰度值的模板匹配、相关性的模板匹配、SIFT算法等常规检测算法,而是通过计算各自特征向量之间的相似度进行检测,这是因为在实验过程发现小目标构件有其他线条遮挡,边缘细节匹配效果不是太理想,导致与图例图像匹配错误率高,利用图像特征向量相似度计算,可以更好地体现待测建筑构件与所绘建筑构件在更深层特征信息维度上的相似度,包括但不限于位图旋转角度、尺寸大小、颜色信息、几何结构等深层特征,相对于经典目标检测算法,具有更高的检测精度。
具体的,利用预设网络模型计算待测建筑构件的位图图像对应的第一特征向量,以及所绘建筑构件的位图图像对应的第二特征向量;计算第一特征向量与第二特征向量之间的第二相似度;将第二相似度作为待测建筑构件的位图图像与所绘建筑构件的位图图像之间的相似度。
假设,第一特征向量为(x1,x2,x3,x4,x5),第二特征向量为(xi1,xi2,xi3,xi4,xi5),可通过如下方式计算两者之间的相似度:
应当理解的是,在本申请可选实施例中,还可以采用现有其他任意方式计算两者之间的相似度,在此不再赘述。
参考图6,预设网络模型包括由依次连接的若干设定大小的卷积核和一个正则化层构成;利用各卷积核对输入的位图图像进行卷积处理,提取图像抽象特征;利用正则化层对卷积处理结果进行归一化,得到与输入的位图图像对应的特征向量。
在本申请的可选实施例中,卷积核的层数与卷积核大小根据输入图像尺寸灵活确定。例如卷积核层数设置为6-10层,卷积核大小为3*3。正则化层可采用BN(BatchNormalization)或Ridge回归,组成特征提取器,输出特征向量。本发明选择卷积网络把待测建筑构件和图例图像分别进行卷积操作得到特征向量,使得抽象特征得以有效抽取和强化,再进行向量相似度比较,从而在图例图像中找到旋转角度、尺寸大小、颜色信息、几何结构等最相似的图例,从而确定待测建筑构件的构件类型。
本方案通过输入待测矢量图纸,对待测矢量图纸进行细分类、房间分割、放大和位图导出等处理,使得可更好地保留小目标构建的图元特征信息,避免漏检问题;同时直接检测输出得到小目标构件的构件类型,实现端到端的检测识别,更加实用且高效。
基于同一设计构思,本实施例还公开建筑构件检测识别装置。
参考图7,一种建筑构件检测识别装置,包括:
预处理模块71,用于获取待测矢量图纸,对所述待测矢量图纸按照图纸名称进行细分类,识别获取待测矢量平面图;
分割模块72,用于对待测矢量平面图进行房间分割,得到各个房间的矢量图。
放大模块73,用于针对各个房间的矢量图分别进行放大至设定视窗大小。
图像导出模块74,用于按照设定图纸导出尺寸,导出当前待测房间的位图图像。
图像截取模块75,用于从当前待测房间的位图图像中截取待测建筑构件的位图图像。
图例信息提取模块76,用于提取待测矢量图纸中所绘建筑构件的图例信息,其中图例信息包括所绘建筑构件的位图图像以及构件类型。
检测识别模块77,用于基于待测建筑构件的位图图像与各所绘建筑构件的图例信息,对待测建筑构件进行检测识别,得到构件类型。
上述实施例提供的方法中的各种变化方式和具体实例同样适用于本实施例的建筑构件检测识别装置,通过前述对建筑构件检测识别方法的详细描述,本领域技术人员可以清楚的知道本实施例中的建筑构件检测识别装置的实施方法,为了说明书的简洁,在此不再详述。
为了更好地执行上述方法的程序,本申请实施例还提供一种计算机设备,如图8所示,计算机设备包括处理器81和存储器82。
计算机设备可以以各种形式来实施,包括手机、平板电脑、掌上电脑、笔记本电脑和台式计算机等设备。
其中,存储器82可用于存储指令、程序、代码、代码集或指令集。存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令,以及用于实现上述实施例提供的建筑构件检测识别方法的指令等;存储数据区可存储上述实施例提供的建筑构件检测识别方法中涉及到的数据等。
处理器81可以包括一个或者多个处理核心。处理器通过运行或执行存储在存储器内的指令、程序、代码集或指令集,调用存储在存储器内的数据,执行本申请的各种功能和处理数据。处理器可以为特定用途集成电路(Application Specific IntegratedCircuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable LogicDevice,PLD)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器和微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
本申请实施例提供一种计算机可读存储介质,例如包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。该计算机可读存储介质存储有能够被处理器加载并执行上述实施例的建筑构件检测识别方法的计算机程序。
以上所述,以上实施例仅用以对本申请的技术方案进行了详细介绍,但以上实施例的说明只是用于帮助理解本申请的方法及其核心思想,不应理解为对本申请的限制。本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种建筑构件检测识别方法,其特征在于,所述建筑构件检测识别方法包括:
获取待测矢量图纸,对所述待测矢量图纸按照图纸名称进行细分类,识别获取待测矢量平面图;
对所述待测矢量平面图进行房间分割,得到各个房间的矢量图;
针对所述各个房间的矢量图分别进行放大至设定视窗大小;
按照设定图纸导出尺寸,导出当前待测房间的位图图像;
从所述当前待测房间的位图图像中截取待测建筑构件的位图图像;
提取所述待测矢量图纸中所绘建筑构件的图例信息,所述图例信息包括所绘建筑构件的位图图像以及构件类型;
基于所述待测建筑构件的位图图像与各所述所绘建筑构件的图例信息,对所述待测建筑构件进行检测识别,得到构件类型。
2.根据权利要求1所述的建筑构件检测识别方法,其特征在于,在所述得到各个房间的矢量图之后,且在所述导出当前待测房间的位图图像之前,还包括:
识别所述当前待测房间所围合的封闭区域内是否存在几何图元,若存在,则判断存在待测建筑构件,此时触发执行所述导出当前待测房间的位图图像的步骤。
3.根据权利要求2述的建筑构件检测识别方法,其特征在于,所述从所述当前待测房间的位图图像中截取待测建筑构件的位图图像包括:
提取所述当前待测房间中各所述几何图元的像素位置信息;根据各所述几何图元的像素位置信息,判断各所述几何图元之间是否存在位置关联关系;将存在位置关联关系的几何图元组合作为一个待测建筑构件;并对该待测建筑构件所在的位图图像进行截取。
4.根据权利要求3所述的建筑构件检测识别方法,其特征在于,所述判断各所述几何图元之间是否存在位置关联关系包括:
若判断几何图元a与几何图元b之间存在重合像素点或相邻像素点时,则确定所述几何图元a与所述几何图元b存在位置关联关系;
若判断所述几何图元a与所述几何图元b属于包围或被包围的位置关系时,则确定所述几何图元a与所述几何图元b存在位置关联关系;
若判断所述几何图元a与所述几何图元b均存在位置关联关系的几何图元c时,则确定几何图元a与所述几何图元b存在位置关联关系。
5.根据权利要求1-4任一项所述的建筑构件检测识别方法,其特征在于,所述基于所述待测建筑构件的位图图像与各所述所绘建筑构件的图例信息,对所述待测建筑构件进行检测识别包括:
计算所述待测建筑构件的位图图像与各所述所绘建筑构件的位图图像之间的第一相似度;选取相似度值最大的所绘建筑构件作为目标建筑构件;根据该目标建筑构件的构件类型,确定所述待测建筑构件的构件类型。
6.根据权利要求5所述的建筑构件检测识别方法,其特征在于,所述计算所述待测建筑构件的位图图像与各所述所绘建筑构件的位图图像之间的第一相似度包括:
利用预设网络模型计算所述待测建筑构件的位图图像对应的第一特征向量,以及所述所绘建筑构件的位图图像对应的第二特征向量;计算所述第一特征向量与所述第二特征向量之间的第二相似度;将所述第二相似度作为所述第一相似度。
7.根据权利要求6所述的建筑构件检测识别方法,其特征在于,所述预设网络模型包括由依次连接的若干设定大小的卷积核和一个正则化层构成;利用各所述卷积核对输入的位图图像进行卷积处理,提取图像抽象特征;利用所述正则化层对卷积处理结果进行归一化,得到与输入的位图图像对应的特征向量。
8.一种建筑构件检测识别装置,其特征在于,包括:
预处理模块,用于获取待测矢量图纸,对所述待测矢量图纸按照图纸名称进行细分类,识别获取待测矢量平面图;
分割模块,用于对所述待测矢量平面图进行房间分割,得到各个房间的矢量图;
放大模块,用于针对所述各个房间的矢量图分别进行放大至设定视窗大小;
图像导出模块,用于按照设定图纸导出尺寸,导出当前待测房间的位图图像;
图像截取模块,用于从所述当前待测房间的位图图像中截取待测建筑构件的位图图像;
图例信息提取模块,用于提取所述待测矢量图纸中所绘建筑构件的图例信息,所述图例信息包括所绘建筑构件的位图图像以及构件类型;
检测识别模块,用于基于所述待测建筑构件的位图图像与各所述所绘建筑构件的图例信息,对所述待测建筑构件进行检测识别,得到构件类型。
9.一种计算机设备,其特征在于,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的建筑构件检测识别方法。
10.一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程序;所述计算机程序被处理器执行时实现如权利要求1-7任意一项所述的建筑构件检测识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154755.6A CN116189220A (zh) | 2023-02-22 | 2023-02-22 | 建筑构件检测识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310154755.6A CN116189220A (zh) | 2023-02-22 | 2023-02-22 | 建筑构件检测识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116189220A true CN116189220A (zh) | 2023-05-30 |
Family
ID=86434199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310154755.6A Pending CN116189220A (zh) | 2023-02-22 | 2023-02-22 | 建筑构件检测识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116189220A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117889789A (zh) * | 2024-03-15 | 2024-04-16 | 浙江建投数字技术有限公司 | 一种建筑墙面平整度检测方法和系统 |
-
2023
- 2023-02-22 CN CN202310154755.6A patent/CN116189220A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117889789A (zh) * | 2024-03-15 | 2024-04-16 | 浙江建投数字技术有限公司 | 一种建筑墙面平整度检测方法和系统 |
CN117889789B (zh) * | 2024-03-15 | 2024-06-04 | 浙江建投数字技术有限公司 | 一种建筑墙面平整度检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | An end‐to‐end steel strip surface defects recognition system based on convolutional neural networks | |
Shi et al. | Automatic road crack detection using random structured forests | |
VijayaLakshmi et al. | Kernel-based PSO and FRVM: An automatic plant leaf type detection using texture, shape, and color features | |
US9367766B2 (en) | Text line detection in images | |
RU2680765C1 (ru) | Автоматизированное определение и обрезка неоднозначного контура документа на изображении | |
JP4528309B2 (ja) | オブジェクト検出方法、オブジェクト検出装置、およびオブジェクト検出プログラム | |
US20060029257A1 (en) | Apparatus for determining a surface condition of an object | |
CN109409190A (zh) | 基于梯度直方图和Canny边缘检测器的行人检测方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
CN114612469B (zh) | 产品缺陷检测方法、装置、设备及可读存储介质 | |
Lu et al. | Saliency modeling from image histograms | |
Laga et al. | Image-based plant stornata phenotyping | |
Vanetti et al. | Gas meter reading from real world images using a multi-net system | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
Xu et al. | 3D point cloud plane segmentation method based on RANSAC and support vector machine | |
CN116189220A (zh) | 建筑构件检测识别方法、装置、计算机设备及存储介质 | |
Zhang et al. | Hypergraph optimization for salient region detection based on foreground and background queries | |
Košcevic et al. | Automatic visual reading of meters using deep learning | |
Gimenez et al. | Unsupervised edge map scoring: A statistical complexity approach | |
Zeng et al. | Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding | |
Kumar et al. | An efficient algorithm for text localization and extraction in complex video text images | |
Matsushita et al. | A probabilistic intensity similarity measure based on noise distributions | |
Yu et al. | A novel algorithm in buildings/shadow detection based on Harris detector | |
EP3137895A1 (en) | Method and apparatus for processing block to be processed of urine sediment image |
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 |