CN116912861B - 一种手绘几何图形的识别方法、计算机设备和存储介质 - Google Patents
一种手绘几何图形的识别方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116912861B CN116912861B CN202310913705.1A CN202310913705A CN116912861B CN 116912861 B CN116912861 B CN 116912861B CN 202310913705 A CN202310913705 A CN 202310913705A CN 116912861 B CN116912861 B CN 116912861B
- Authority
- CN
- China
- Prior art keywords
- geometric
- hand
- drawn
- points
- layer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 229910003460 diamond Inorganic materials 0.000 claims description 3
- 239000010432 diamond Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 claims 14
- 239000002355 dual-layer Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 3
- 238000010422 painting Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V30/10—Character recognition
- G06V30/32—Digital ink
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种手绘几何图形的识别方法、计算机设备和存储介质,步骤S1的设置,能够通过减少冗余的点来简化图形,手绘识别更加简单。步骤S2的设置,以便于根据手绘几何图形的点序列进行初步识别和判断,得到手绘图形的基本几何信息。步骤S3的设置,以便于根据手绘几何图形的不同特征进行进一步识别,以判断出具体的几何图形的类型。步骤S4的设置,以便于能够保持一定模糊度,针对不同典型几何留出适当的误差容忍度;同时能够在容忍范围可以进行更多可能精度的调整,不需要很多图形来训练,精度优化更简单。步骤S5的设置,利用神经网络识别椭圆和圆,以便于进一步提高识别效率,保证几何图形的识别效果。
Description
技术领域
本发明涉及一种手绘几何图形的识别方法、计算机设备和存储介质。
背景技术
手绘图即为草图,手绘几何图形识别就是将人们随意手绘出来的几何图形进行识别并判断手绘图形是常见几何图形的哪一种。如今手绘几何图形的识别方法主要有:统计类方法、模糊类方法、几何方法以及神经网络类方法。
目前,在神经网络类方法中,如BP神经网络识别几何图形的做法,其需要大量绘制一些需要识别的目标几何图形,然后通过训练BP神经网络再识别。但是,采用这种方式需要了解比较复杂的前沿AI知识,对操作人员要求较高。另外,这种方式还需要大量的绘制几何图形来训练,识别步骤较为复杂,而且后期对该识别方法的精确调优比较难。
发明内容
本实发明克服了上述技术的不足,提供了一种手绘几何图形的识别方法、计算机设备和存储介质。
为实现上述目的,本发明采用了下列技术方案:
本发明实施例第一方面公开了一种手绘几何图形的识别方法,包括以下步骤:
步骤S1:对手绘几何图形进行采样,利用抽稀算法来减少手绘几何图形的冗余点;
步骤S2:对步骤S1处理后的点序列进行判断,当作为一个近似多边形时,计算其几何信息;其中,几何信息至少包括每条边的长度、点的数目;
步骤S3:当步骤S2判断为近似多边形时,将手绘几何图形的典型几何特征提取出来,将典型几何特征与目标几何图形进行对比,以识别属于哪一类图形;其中,所述典型几何特征至少包括:边的平行,边间角度,凸性;
步骤S4:对典型几何特征的数据进行小范围容忍,来限定不同典型几何特征的数据的容忍范围;判断典型几何特征的数据是否在容忍范围内,若匹配某一特征的容忍范围则匹配几何图形具有该几何特征,若否则不匹配;结合多个匹配的几何特征与目标几何图形进行对比来判断所属几何图形的类型;
步骤S5:对于识别为圆和椭圆的手绘几何图形,通过双层BP神经网络来进行识别,根据识别结果输出目标圆和目标椭圆。
作为另一种可选的实施方式,步骤S3所述“将典型几何特征与目标几何图形进行对比,以识别属于哪一类图形”的包括以下步骤:
S31:对识别为三个点的几何图形,若三个点都不重合,首先判断为三角形;再根据其边间角度和边长,进一步判断为不同类型的三角形;
S32:对识别为四个点的几何图形,首先判断为矩形或者平行四边形或者梯形或者菱形;再根据已知几何信息和两组对边的角度是否接近180度以及四个角的余弦值,进一步判断为不同类型的四边形;
S33:对识别为六个或以上点,检测其凸性,判断为普通多边形还是椭圆或者圆;若检测为椭圆或者圆,则根据此手绘几何图形的OBB来确定是椭圆还是圆。
作为另一种可选的实施方式,步骤S5所述的“对于识别为圆和椭圆的手绘几何图形,通过双层BP神经网络来进行识别,根据识别结果输出目标圆和目标椭圆”包括:
步骤S51:构建训练神经网络模型,神经网络模型包括用于分别识别椭圆和圆的两层BP神经网络,每层BP神经网络至少包括一个输入层,一个隐藏层和一个输出层。其中输入层是50*50,表示图形的宽高;隐藏层是28*28,表示图形的神经节点;输出层节点是1,表示是目标图形的概率;层与层之间为全连接;
步骤S52:将目标图形的训练位图转换为灰度数据,保存为csv数据;对整个训练图形样本数据集做统一训练,更新准确率直至满足目标准确率;
步骤S53:对椭圆和圆分别用各自的双层数据识别;若网络输出层的值大于设定的概率值则可识别为给定类型,则输出对应圆和椭圆。
作为另一种可选的实施方式,步骤S52还包括:
对每一轮的训练,都去前向计算得到结果,然后反馈结果,根据网络的偏导更新隐藏层两侧的网络权重值。
作为另一种可选的实施方式,所述抽稀算法采用Ramer-Douglas-Peucker算法。
本发明实施例第二方面公开了一种计算机设备,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上述手绘几何图形的识别方法的步骤。
本发明实施例第三方面公开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上述手绘几何图形的识别方法的步骤。
与现有技术相比,本发明实施例具有以下有益效果:
1、在本发明步骤S1的设置,能够通过减少冗余的点来简化图形,手绘识别更加简单。步骤S2的设置,以便于根据手绘几何图形的点序列进行初步识别和判断,并得到手绘图形的基本几何信息,保证识别准确性。步骤S3的设置,以便于根据手绘几何图形的不同特征进行进一步识别,以判断出具体的几何图形的类型,完成手绘几何图形的识别。步骤S4的设置,一方面以便于能够保持一定模糊度,针对不同典型几何留出适当的误差容忍度,能够在保证几何图形识别的同时满足手绘的不准确性;另一方面以便于能够在容忍范围可以进行更多可能精度的调整,不需要很多图形来训练,精度优化更简单。步骤S5的设置,利用神经网络识别椭圆和圆,以便于进一步提高识别效率,保证几何图形的识别效果,能够对不同图形采取不同的方式进行识别。
2、本发明通过步骤S51至步骤S53的设置,能够将较难识别的椭圆或圆通过BP神经网络来识别,能够提高识别准确率。而且通过分别建立两个不同的BP神经网络层来分别识别,以便于对圆和椭圆来分别进行调整,数据优化更加简单。而且与现有的复杂的神经网络不同,本发明的BP神经网络的通过简单的双层BP神经网络即可实现;同时BP算法在反向传播中对误差进行计算,有效地减少了训练的时间。同时步骤S52位图的灰度处理,能够减少图形识别的处理信息,提高神经网络的识别效率;同时经过灰度处理的训练位图可以直接输入至BP神经网络直接处理,降低训练复杂程度,进一步提高识别效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明实施例一公开的一种手绘几何图形的识别方法的流程示意图;
图2是本发明实施例二公开的一种计算机设备的结构示意图。
具体实施方式
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,所描述的实施例仅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,本领域普通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。
需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种手绘几何图形的识别方法,能够在简化识别的构建过程和提高识别效率,同时有利于后期对该识别方法的进行精确调优。
实施例一
请参阅图1,图1是本发明实施例公开的一种手绘几何图形的识别方法的流程示意图。如图1所示,该手绘几何图形的识别方法包括以下步骤:
步骤S1:对手绘几何图形进行采样,使用抽稀算法Ramer-Douglas-Peucker来减少手绘几何图形的采样点数量,得到能够保持大致几何图形形状的有效点数量。如此,能够通过减少冗余的点来简化图形,从而得到较少数量的有效点。
步骤S2:对步骤S1处理后的点序列进行判断为直线还是近似多边形,计算其边序列,并计算每条边的长度,提取粗略的几何信息,如点的数目,边长。
步骤S3:当步骤S2判断为近似多边形时,将手绘几何图形的典型几何特征提取出来,将典型几何特征与目标几何图形进行对比,以识别属于哪一类图形。其中,所述典型几何特征至少包括:边的平行,边间角度,凸性,边的平行即边与边之间的平行度,边间角度即相邻两边之间的角度,凸性是指曲线/边的凹或凸的程度。
步骤S4:对典型几何特征的数据进行小范围容忍,即将上述典型几何特征的数据做一个范围取值来匹配,来限定不同典型几何特征的数据的容忍范围,在设定的容忍范围内的认定为匹配,之外的不匹配。不同典型几何特征度使用不同的容忍范围。例如,直角为90度,可以把这个角度参数在一定范围内,82-96度之间都认为是90度。如此,能够保持一定模糊度,满足手绘的不准确性,满足手绘的粗略情况做大致的形状;同时以便于能够在容忍范围可以进行更多可能精度的调整,也不需要很多图形来训练。同时,可比较准确的计算其边角的大致状况,且有不同方法来评估其准确度,留出适当的误差容忍度。具体实施时,由于考虑到不同用户手绘的差异性和手绘图形的不准确性,可以利用不同用户绘制的不同几何图形来进行测试,并通过多次测试的数据来确定容忍度或者容忍范围的最佳取值,同时可以通过及时调整容忍范围来提高识别效率。此外,范围的调整可以根据绘制该几何图形的难易程度和测试数据来结合判断,如很难画出这类特别的图案,可以调大容忍范围;如果太容易或走样验证,则可以调小容忍范围。
步骤S5:对于识别为圆和椭圆的手绘几何图形,通过双层BP神经网络来进行识别,根据识别结果输出目标圆和目标椭圆。
如上所述,步骤S1的设置,能够通过减少冗余的点来简化图形,手绘识别更加简单。步骤S2的设置,以便于根据手绘几何图形的点序列进行初步识别和判断,并得到手绘图形的基本几何信息,保证识别准确性。步骤S3的设置,以便于根据手绘几何图形的不同特征进行进一步识别,以判断出具体的几何图形的类型,完成手绘几何图形的识别。步骤S4的设置,一方面以便于能够保持一定模糊度,针对不同典型几何留出适当的误差容忍度,能够在保证几何图形识别的同时满足手绘的不准确性;另一方面以便于能够在容忍范围可以进行更多可能精度的调整,不需要很多图形来训练,精度优化更简单。步骤S5的设置,是由于手绘图形的椭圆和圆的绘制点容易导致存在不凸的部分影响判断和识别,尤其是起点和终点附近的点;而利用神经网络识别椭圆和圆,以便于进一步提高识别效率,保证几何图形的识别效果,能够对不同图形采取不同的方式进行识别。
作为一种可选的实施方式,在本发明实施例中,步骤S3所述“将典型几何特征与目标几何图形进行对比,以识别属于哪一类图形”的包括以下步骤:
S31:对识别为三个点的几何图形,若三个点都不重合,首先判断为三角形;再根据其边间角度和边长,进一步判断为不同类型的三角形。如普通三角形、等腰三角形、等边三角形、直角三角形;对于等腰三角形或者等边三角形,利用边特征做出判断。对于直角三角形,利用角特征做出判断。
S32:对识别为四个点的几何图形,判断为矩形或者平行四边形或者梯形。判断两组对边的角度是否接近180度,若两组都接近,则判断为矩形或者平行四边形;若只有一组接近,则判断为梯形。判断四个角的余弦值,若余玄值都接近0,则大致可判断为矩形,否则为平行四边形。若在识别四条边边长相等的基础上进一步识别为平行四边形,则判断该手绘图形为菱形。
S33:对识别为六个或以上点,检测其凸性,判断为普通多边形还是椭圆或者圆,上述所说的普通多边形为六边形、七边形等多边形。若检测为椭圆或者圆,则进一步寻找此手绘几何图形的OBB,大致找出其长短轴来确定是椭圆还是圆。所述OBB是指包围一线条或图案的最小矩形。
如上所述,通过步骤SS1至步骤SS3的设置,能够根据不同的情况来识别为不同的几何图形,以便于提高识别效率。
作为一种可选的实施方式,在本发明实施例中,步骤S5所述的“对于识别为圆和椭圆的手绘几何图形,通过双层BP神经网络来进行识别,根据识别结果输出目标圆和目标椭圆”包括:
步骤S51:构建训练神经网络模型,神经网络模型包括用于分别识别椭圆和圆的两层BP神经网络,每层BP神经网络至少包括一个输入层,一个隐藏层和一个输出层。其中输入层是50*50,表示图形的宽高;隐藏层是28*28,表示图形的神经节点;输出层节点是1,表示是目标图形的概率。另外,输入与隐藏层之间和隐藏层与输出层的连接都是全连接。
步骤S52:将目标图形的训练位图转换为灰度数据,保存为csv数据。对整个训练图形样本数据,都做统一训练,更新准确率,如果没有满足目标准确率,则继续来循环此过程,直到准确率达到给定目标。
对每一轮的训练,都去前向计算得到结果,然后反馈结果,根据网络的偏导更新隐藏层两侧的网络权重值。
步骤S53:对椭圆和圆分别用各自的双层数据识别。若网络输出层的值如果大于0.5则可认为识别为给定类型,输出目标圆和目标椭圆。
如上所述,本发明通过步骤S51至步骤S53的设置,能够将较难识别的椭圆或圆通过BP神经网络来识别,能够提高识别准确率。而且通过分别建立两个不同的BP神经网络层来分别识别,以便于对圆和椭圆来分别进行调整,数据优化更加简单。而且与现有的复杂的神经网络不同,本发明的BP神经网络的通过简单的双层BP神经网络即可实现;同时BP算法在反向传播中对误差进行计算,有效地减少了训练的时间。同时步骤S52位图的灰度处理,能够减少图形识别的处理信息,提高神经网络的识别效率;同时经过灰度处理的训练位图可以直接输入至BP神经网络直接处理,降低训练复杂程度,进一步提高识别效率。
实施例二
一种计算机设备,包括存储器(100)和处理器(200),所述存储器(100)存储有计算机程序,所述处理器(200)执行所述计算机程序时实现上述手绘几何图形的识别方法的步骤。
实施例三
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上述手绘几何图形的识别方法的步骤。
以上对本发明实施例公开的一种手绘几何图形的识别方法、计算机设备和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种手绘几何图形的识别方法,其特征在于,包括以下步骤:
步骤S1:对手绘几何图形进行采样,利用抽稀算法来减少手绘几何图形的冗余点;
步骤S2:对步骤S1处理后的点序列进行判断,当作为一个近似多边形时,计算其几何信息;其中,几何信息至少包括每条边的长度、点的数目;
步骤S3:当步骤S2判断为近似多边形时,将手绘几何图形的典型几何特征提取出来,将典型几何特征与目标几何图形进行对比,以识别属于哪一类图形;其中,所述典型几何特征至少包括:边的平行,边间角度,凸性;
步骤S4:对典型几何特征的数据进行小范围容忍,来限定不同典型几何特征的数据的容忍范围;判断典型几何特征的数据是否在容忍范围内,若匹配某一特征的容忍范围则匹配几何图形具有该几何特征,若否则不匹配;结合多个匹配的几何特征与目标几何图形进行对比来判断所属几何图形的类型;
步骤S5:对于识别为圆和椭圆的手绘几何图形,通过双层BP神经网络来进行识别,根据识别结果输出目标圆和目标椭圆;
其中,步骤S3所述“将典型几何特征与目标几何图形进行对比,以识别属于哪一类图形”的包括以下步骤:
S31:对识别为三个点的几何图形,若三个点都不重合,首先判断为三角形;再根据其边间角度和边长,进一步判断为不同类型的三角形;
S32:对识别为四个点的几何图形,首先判断为矩形或者平行四边形或者梯形或者菱形;再根据已知几何信息和两组对边的角度是否接近180度以及四个角的余弦值,进一步判断为不同类型的四边形;
S33:对识别为六个或以上点,检测其凸性,判断为普通多边形还是椭圆或者圆;若检测为椭圆或者圆,则根据此手绘几何图形的OBB来确定是椭圆还是圆。
2.根据权利要求1所述的手绘几何图形的识别方法,其特征在于,步骤S5所述的“对于识别为圆和椭圆的手绘几何图形,通过双层BP神经网络来进行识别”包括:
步骤S51:构建训练神经网络模型,神经网络模型包括用于分别识别椭圆和圆的两层BP神经网络,每层BP神经网络至少包括一个输入层,一个隐藏层和一个输出层;其中输入层是50*50,表示图形的宽高;隐藏层是28*28,表示图形的神经节点;输出层节点是1,表示是目标图形的概率;层与层之间为全连接;
步骤S52:将目标图形的训练位图转换为灰度数据,保存为csv数据;对整个训练图形样本数据集做统一训练,更新准确率直至满足目标准确率;
步骤S53:对椭圆和圆分别用各自的双层数据识别;若网络输出层的值大于设定的概率值则可识别为给定类型,则输出对应圆和椭圆。
3.根据权利要求2所述的手绘几何图形的识别方法,其特征在于,步骤S52还包括:
对每一轮的训练,都去前向计算得到结果,然后反馈结果,根据网络的偏导更新隐藏层两侧的网络权重值。
4.根据权利要求1-3任一项所述的手绘几何图形的识别方法,其特征在于,所述抽稀算法采用Ramer-Doug las-Peucker算法。
5.一种计算机设备,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4中任一项所述方法的步骤。
6.一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4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913705.1A CN116912861B (zh) | 2023-07-24 | 2023-07-24 | 一种手绘几何图形的识别方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913705.1A CN116912861B (zh) | 2023-07-24 | 2023-07-24 | 一种手绘几何图形的识别方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912861A CN116912861A (zh) | 2023-10-20 |
CN116912861B true CN116912861B (zh) | 2024-06-14 |
Family
ID=88366509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310913705.1A Active CN116912861B (zh) | 2023-07-24 | 2023-07-24 | 一种手绘几何图形的识别方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912861B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740823B (zh) * | 2016-02-01 | 2019-03-29 | 北京高科中天技术股份有限公司 | 基于深度卷积神经网络的动态手势轨迹识别方法 |
US10402448B2 (en) * | 2017-06-28 | 2019-09-03 | Google Llc | Image retrieval with deep local feature descriptors and attention-based keypoint descriptors |
CN107590497A (zh) * | 2017-09-20 | 2018-01-16 | 重庆邮电大学 | 基于深度卷积神经网络的脱机手写汉字识别方法 |
CN110942107B (zh) * | 2019-12-16 | 2023-05-19 | 上海大学 | 基于零件工程图像的复合磨削加工特征自动识别方法 |
US11947491B2 (en) * | 2020-12-22 | 2024-04-02 | Paperless Parts, Inc. | Apparatus and methods for geometric searching |
CN114138165B (zh) * | 2021-10-22 | 2024-04-16 | 锐捷网络股份有限公司 | 图形识别方法、装置、设备和存储介质 |
CN115330971B (zh) * | 2022-10-13 | 2023-01-13 | 数云科际(深圳)技术有限公司 | 一种面向渲染性能优化的几何模型轻量化方法 |
-
2023
- 2023-07-24 CN CN202310913705.1A patent/CN116912861B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于可伸缩矢量图形的手绘几何图形结构分析方法;刘东明等;《计算机应用》;20161231;第36卷(第4期);1163-1166+1172 * |
Also Published As
Publication number | Publication date |
---|---|
CN116912861A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
EP2589026B1 (en) | Method and apparatus for detecting repetitive structures in 3d mesh models | |
WO2022021726A1 (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN114626470B (zh) | 基于多类型几何特征算子的飞机蒙皮关键特征检测方法 | |
CN103729846B (zh) | 基于不规则三角网的LiDAR点云数据边缘检测方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN113487722B (zh) | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 | |
CN114994061A (zh) | 一种基于机器视觉的钢轨智能化检测方法及系统 | |
CN114419007A (zh) | 多策略融合深度学习网络模型的缺陷类型识别方法及系统 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN109766905B (zh) | 基于自组织特征映射网络的目标分群方法 | |
CN110533603A (zh) | 一种基于熵与卷积神经网络的点云降噪方法 | |
CN107578448B (zh) | 基于cnn的无标定曲面所包含拼接曲面个数识别方法 | |
CN112613126A (zh) | 一种应用于飞行器外形的壁面距离计算方法及装置 | |
CN116912861B (zh) | 一种手绘几何图形的识别方法、计算机设备和存储介质 | |
CN109753634B (zh) | 基于历史数据稳态值的动态系统增益估计方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN114419140A (zh) | 一种轨道激光测量装置光斑中心的定位算法 | |
CN111239715B (zh) | 一种联合灰色关联和神经网络的指纹定位方法 | |
CN109583513B (zh) | 一种相似帧的检测方法、系统、装置及可读存储介质 | |
CN111738878A (zh) | 一种桥梁应力检测系统 | |
CN116258972A (zh) | 一种基于深度学习的岩质高陡边坡结构面提取方法 | |
CN116401501A (zh) | 疏浚作业泄漏量预测方法、装置、电子设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |