CN117558022A - 电气设备图纸智能识别统计方法、装置、设备及存储介质 - Google Patents
电气设备图纸智能识别统计方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117558022A CN117558022A CN202311795153.5A CN202311795153A CN117558022A CN 117558022 A CN117558022 A CN 117558022A CN 202311795153 A CN202311795153 A CN 202311795153A CN 117558022 A CN117558022 A CN 117558022A
- Authority
- CN
- China
- Prior art keywords
- information
- model
- electrical equipment
- statistics
- enrichment region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004590 computer program Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000001934 delay Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method 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
- G06V30/40—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
- G06V10/70—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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of 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
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
本申请涉及电气设备图纸智能识别统计技术领域,尤其涉及一种电气设备图纸智能识别统计方法、装置、设备及存储介质,方法包括:对获取的第一图纸去噪得到第二图纸;基于元件符号特征库对第二图纸进行相似性识别得到第二图纸中元件的元件名称;识别元件的位置得到元件位置,基于元件名称与元件位置得到元件信息;基于元件信息对元件进行位置聚类得到第一元件富集区;基于电气设备结构特征库对比第一元件富集区,得到第二元件富集区;统计第二元件富集区得到电气设备统计信息,统计与第二元件富集区对应的元件信息得到元件统计信息,基于电气设备统计信息与元件统计信息生成图纸统计信息;本申请便于解决CAD图纸统计失误和统计延误的问题。
Description
技术领域
本申请涉及电气设备图纸智能识别统计技术领域,尤其涉及一种电气设备图纸智能识别统计方法、装置、设备及存储介质。
背景技术
建筑中设置有多种电气设备,如配电箱、弱电箱等,电气设备是建筑中不可或缺的组成部分,且电气设备由电气设备厂商生产、提供;电气设备厂商在生产电气设备前,需要统计每种电气设备的数量、每种电气设备中的元件型号、每种元件型号的元件数量等,从而用于电气设备的造价预算。
目前,进行电气设备造价预算的统计工作时,一般是人工从电气设备CAD图纸中人眼查找并统计每种电气设备的数量、每种电气设备中的元件型号、每种元件型号的元件数量等信息,得到相应的统计信息后,再手动将统计信息填写至电气设备统计报表中。
但是,电气设备CAD图纸所涉及的电气设备的数量众多,且每种电气设备中的元件数量也众多,从而导致人工查找统计的工作量巨大,进而导致人工查找统计CAD图纸时容易出现统计失误和统计延误的问题。
发明内容
为了便于解决人工查找统计CAD图纸时容易出现的统计失误和统计延误的问题,本申请实施例提供一种电气设备图纸智能识别统计方法、装置、设备及存储介质。
第一方面,本申请实施例提供一种电气设备图纸智能识别统计方法,包括:
对获取的第一图纸去噪得到第二图纸;
基于预设的元件符号特征库对所述第二图纸进行相似性识别得到所述第二图纸中元件的元件名称;识别所述元件的位置得到元件位置,基于所述元件名称与所述元件位置得到元件信息;
基于所述元件信息对所述元件进行位置聚类得到第一元件富集区;基于预设的电气设备结构特征库对比所述第一元件富集区,得到第二元件富集区;
统计所述第二元件富集区得到电气设备统计信息,统计与所述第二元件富集区对应的所述元件信息得到元件统计信息,基于所述电气设备统计信息与所述元件统计信息生成图纸统计信息。
第二方面,本申请实施例提供一种电气设备图纸智能识别统计装置,包括:
获取去噪模块,用于对获取的第一图纸去噪得到第二图纸;
信息识别模块,用于基于预设的元件符号特征库对所述第二图纸进行相似性识别得到所述第二图纸中元件的元件名称;识别所述元件的位置得到元件位置,基于所述元件名称与所述元件位置得到元件信息;
富集区确定模块,用于基于所述元件信息对所述元件进行位置聚类得到第一元件富集区;基于预设的电气设备结构特征库对比所述第一元件富集区,得到第二元件富集区;
信息统计模块,用于统计所述第二元件富集区得到电气设备统计信息,统计与所述第二元件富集区对应的所述元件信息得到元件统计信息,基于所述电气设备统计信息与所述元件统计信息生成图纸统计信息。
第三方面,本申请实施例提供了一种计算机设备,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,处理器执行该计算机程序时实现上述的方法中的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的方法中的步骤。
第五方面,本申请实施例还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一方法实施例中的步骤。
上述电气设备图纸智能识别统计方法、装置、设备及存储介质的实施例,先对去噪后第二图纸进行相似性识别,从而得到第二图纸中每个元件的元件信息,然后再根据元件信息对元件进行聚类,从而得到可能同属于一个电气设备的第一元件富集区,然后再根据电气设备结构特征库判断第一元件富集区是否符合电气设备的结构,从而到第二元件富集区,第二元件富集区对应于一个电气设备,每个元件信息对应一个元件;最后对第二元件富集区与元件信息进行统计得到相应的图纸统计信息,此过程实现了对CAD图纸的自动识别与统计,有助于解决人工查找统计CAD图纸时容易出现的统计失误和统计延误的问题。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请一个实施例中电气设备图纸智能识别统计方法的应用环境图;
图2为本申请实施例一中提供的一种电气设备图纸智能识别统计方法流程图;
图3为本申请一个实施例中提供的一种元件富集区示意图;
图4为本申请一个实施例中提供的一种电气设备结构特征库示意图;
图5为本申请一个实施例中提供的一种设备参数信息示意图;
图6为本申请实施例二中提供的一种电气设备图纸智能识别统计方法流程图;
图7为本申请实施例三中提供的一种电气设备图纸智能识别统计方法流程图;
图8为本申请一个实施例中用于体现元件符号与型号文字之间位置关系的示意图;
图9为本申请实施例四中提供的一种电气设备图纸智能识别统计装置的结构框图;
图10为本申请实施例五中提供的一种电气设备图纸智能识别统计装置的结构框图;
图11为本申请实施例六中提供的一种电气设备图纸智能识别统计装置的结构框图;
图12为本申请一个实施例中提供的一种计算机设备的结构示意图;
图13为本申请一个实施例中提供的一种计算机可读存储介质的内部结构图。
具体实施方式
为了使本公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本公开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公开,并不用于限定本公开。
需要说明的是,本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,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、装置、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。
在本文中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
为解决上述问题,本公开实施例提供了一种电气设备图纸智能识别统计方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
实施例一
图2为本申请实施例一提供的一种电气设备图纸智能识别统计方法流程图,参考图2,该方法可以由执行该种方法的装置来执行,该装置可以由软件和/或硬件的方式实现,该方法包括:
S110、对获取的第一图纸去噪得到第二图纸。
需要说明的是,为了便于提升对CAD图纸中电气设备与元件的统计正确率与统计效率,本实施例中,在计算机中预设有对CAD图纸进行智能识别与统计的图纸智能识别统计系统;还需说明的是,CAD图纸中可能出现图块重叠、多余废图块产生以及坐标系错误的现象,也即初始输入至图纸智能识别统计系统的CAD图纸存在一定程度的噪声;其中,图纸智能识别统计系统用于去除CAD图纸中的噪声。
将初始未输入至图纸智能识别统计系统中的CAD图纸记为第一图纸,为了去除第一图纸中的噪声,在实施中,将第一图纸输入至图纸智能识别统计系统,图纸智能识别统计系统对第一图纸进行去噪处理,具体的,去噪处理也即分解第一图纸中的重叠图块、清除第一图纸中的多余废图块、对错误的坐标系进行校正;且将经过去噪处理的第一图纸记为第二图纸。
S120、基于预设的元件符号特征库对第二图纸进行相似性识别得到第二图纸中元件的元件名称;识别元件的位置得到元件位置,基于元件名称与元件位置得到元件信息。
需要说明的是,图纸智能识别统计系统中预设有通过图元神经网络训练出的元件图形特征模型,元件图形特征模型中设有元件符号特征库,元件符号特征库中提前存储有若干种元件(如,双电源转换开关、电流互感器等)的元件名称、常见画法、基本图形(元件符合)、每种基本图形所包括的图元以及每种图元的数量,其中,图元包括直线以及斜线等中的一种或多种。每种电气设备包括多种元件,元件图形特征模型用于将第二图纸中的每个元件与元件符号特征库进行相似比识别,从而从元件符号特征库对比出与每个元件相似度最高的一个元件,然后获取该元件的元件名称。
在实施中,将第二图纸输入至图纸智能识别统计系统,从而通过图纸智能识别统计系统先识别出第二图纸中的每个元件,然后通过元件图形特征模型将识别出的元件与元件符号特征库进行比对,然后输出元件符号特征库与该元件相似度最高的元件的元件名称;进一步的,图纸智能识别统计系统再识别出该元件在第二图纸中的坐标位置,记为元件位置;然后,综合元件的元件名称与元件位置得到与该元件对应的元件信息。
S130、基于元件信息对元件进行位置聚类得到第一元件富集区;基于预设的电气设备结构特征库对比第一元件富集区,得到第二元件富集区。
需要说明的是,从元件位置上看,同属于同一个电气设备的元件的元件位置处于第二图纸上的同一区域;故,为了识别出第二图纸上的各个电气设备,本实施例采用位置聚类的方式,将同属于同一个电气设备的元件的元件位置划归于同一区域,每个区域中的元件集合表征一个电气设备,也即每个区域对应的一个电气设备。
在实施中,获取第二图纸中每个元件的元件信息,并从元件信息中获取元件位置,然后对元件位置进行位置聚类,从而生成与第二图纸上每个电气设备一一对应的区域,如图3所示,将每个区域(框选区域)记为第一元件富集区;图3中共示出3个与3个电气设备一一对应的第一元件富集区。
需要说明的是,CAD图纸的左下角常常设有图纸说明框,图纸说明框中涉及不同元件的元件名称以及元件符号等信息,在对元件进行位置聚类从而生成第一元件富集区的过程中,因为图纸说明框所在的区域范围也有聚集的元件,故图纸说明框有可能也会被位置聚类,并生成对应的第一元件富集区,但是,基于图纸说明框生成的第一元件富集区不对应第二图纸上的电气设备,为此需要从生成的若干第一元件富集区中排除与图纸说明框对应的第一元件富集区。
还需说明的是,图纸智能识别统计系统中预设有电气设备图形特征识别模型,电气设备图形特征识别模型中预设有电气设备结构特征库,参照图4,电气设备结构特征库中设有多种电气设备结构:电气设备图示例1-4;其中,电气设备图形特征识别模型用于比对第一元件富集区与电气设备结构特征库,从而判断第一元件富集区中元件之间的结构是否满足电气设备结构特征库中的一种电气设备结构,若是,则说明该第一元件富集区对应第二图纸上的一个电气设备;否则,说明该第一元件富集区对应的是第二图纸上的图纸说明框。
在实施中,生成第一元件富集区后,进一步的,通过电气设备图形特征识别模型处第一元件富集区,然后判断第一元件富集区中元件之间的结构是否满足电气设备结构特征库中的至少一种电气设备结构,若是,则将对应的第一元件富集区记为第二元件富集区,其中,第二元件富集区对应的是第二图纸上的电气设备,且第二元件富集区的外围围有一圈区域分隔标记(方框),用于将不同的第二元件富集区区分开来。
S140、统计第二元件富集区得到电气设备统计信息,统计与第二元件富集区对应的元件信息得到元件统计信息,基于电气设备统计信息与元件统计信息生成图纸统计信息。
在实施中,图纸智能识别统计系统对第二元件富集区对应的电气设备进行识别,从而确定第二元件富集区对应的电气设备的电气设备名称,然后对第二图纸上生成的第二元件富集区的数量进行统计得到电气设备数量,如此得到第二图纸上每个电气设备的电气设备名称与电气设备数量,综合每个电气设备的电气设备名称与电气设备数量得到电气设备统计信息;同时,还统计每个第二元件富集区中每种元件的元件名称与元件数量,从而得到与每个电气设备对应的元件统计信息;进一步的,综合电气设备统计信息与元件统计信息生成图纸统计信息,然后以报表的形式输出并展示图纸统计信息。
需要说明的是,先对去噪后第二图纸进行相似性识别,从而得到第二图纸中每个元件的元件信息,然后再根据元件信息对元件进行聚类,从而得到可能同属于一个电气设备的第一元件富集区,然后再根据电气设备结构特征库判断第一元件富集区是否符合电气设备的结构,从而到第二元件富集区,第二元件富集区对应于一个电气设备,最后对第二元件富集区与元件信息进行统计得到图纸统计信息;如此便于解决人工查找统计CAD图纸时容易出现的统计失误和统计延误的问题。
图2为一个实施例中电气设备图纸智能识别统计方法的流程示意图。应该理解的是,虽然图2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;并且图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,基于元件信息对元件进行位置聚类得到第一元件富集区,包括:
S121、获取第二图纸对应的元件信息中的元件位置。
需要说明的是,第二图纸在图纸智能识别统计系统中有其对应的图纸坐标系,第二图纸上的每个元件在图纸坐标系中有其对应的坐标,也即元件位置;图纸智能识别统计系统用于识别第二图纸上每个元件的元件位置。
在实施中,生成第二图纸后,进一步的,图纸智能识别统计系统对第二图纸上每个元件的坐标进行识别,从而得到第二图纸上每个元件的元件位置。
S122、基于每两个元件位置之间的距离得到距离矩阵,基于预设的位置聚类模型处理距离矩阵得到第一元件富集区。
需要说明的是,图纸智能识别统计系统中预设有位置聚类模型,位置聚类模型用于对基于元件位置生成的距离矩阵进行处理,从而生成相应的第一元件富集区。
在实施中,生成第二图纸上每个元件的元件位置后,进一步的,计算每两个元件的元件位置之间的距离,然后综合得到的所有的距离并生成相应的距离矩阵;然后,将距离矩阵输入至预设的位置聚类模型中进行处理,从而得到第一元件富集区。
在一个实施例中,统计第二元件富集区得到电气设备统计信息,包括:
S141、基于预设的自然语义处理模型处理第二元件富集区,得到设备参数信息和/或设备数量描述信息。
需要说明的是,如图3所示,每个第二元件富集区的底部一般设有对第二元件富集区对应的电气设备的文字说明内容;此外,图纸智能识别统计系统中预设有自然语义处理模型,自然语义处理模型用于对第二元件富集区中的文字说明内容进行自然语义处理,从而生成相应的设备参数信息和/或设备数量描述信息;其中,参照图5,示例性的,设备参数信息包括设备编号、设备名称、设备尺寸、安装位置、安装方式、设备型号材质;设备数量描述信息用于描述第二图纸中与当前的第二元件富集区对应的电气设备的数量,具体的,一种示例性的设备数量描述信息为“AL1配电箱共5台”。
在实施中,完成第二图纸上第二元件富集区的识别后,进一步的,通过预设的自然语义处理模型对每个第二元件富集区进行语义识别,从而识别出与每个第二元件富集区一一对应的设备参数信息和/或设备数量描述信息。
S142、解析设备参数信息和/或设备数量描述信息得到电气设备统计信息。
在实施中,识别出设备参数信息和/或设备数量描述信息后,进一步的,对设备参数信息和/或设备数量描述信息进行解析,从而得到与当前的第二元件富集区对应的电气设备的数量,依次类推统计每个第二元件富集区对应的电气设备的数量,从而得到电气设备统计信息。
示例性的,在能够识别出设备数量描述信息的情况下,优先采用对设备数量描述信息进行自然语义解析的方式,从而得出对应的电气设备的数量,以统计当前的第二元件富集区对应的电气设备的数量;如,解析出的设备数量描述信息为“AL1配电箱共5台”则解析出该AL1配电箱(电气设备的一种)的数量为5台;在未识别出设备数量描述信息的情况下,则从识别出的设备参数信息中获取设备编号,然后采用对设备编号进行自然语义解析的方式,从而得出对应的电气设备的数量,以统计当前的第二元件富集区对应的电气设备的数量;如,识别出的设备编号为“2~5#AW1配电箱”,则通过自然语义解析关键词“2~5”,由于“2~5”供涉及2、3、4、5在内的4个数字,故,将解析出对应的AW1配电箱(电气设备的一种)的数量为4台;在实施中,通过上述两种方式中的至少一种统计出第二图纸上每种电器设备的数量,得到相应的电气设备统计信息。
实施例二
图6为本申请实施例二提供的一种电气设备图纸智能识别统计方法流程图,参考图6,该方法可以由执行该种方法的装置来执行,该装置可以由软件和/或硬件的方式实现,该方法包括:
S210、对获取的第一图纸去噪得到第二图纸。
S220、基于预设的元件符号特征库对第二图纸进行相似性识别得到第二图纸中元件的元件名称;识别元件的位置得到元件位置,基于元件名称与元件位置得到元件信息。
S230、基于元件信息对元件进行位置聚类得到第一元件富集区;基于预设的电气设备结构特征库对比第一元件富集区,得到第二元件富集区。
需要说明的是,S210-S230步骤同S110-S130步骤,此处不再赘述。
S240、从第二元件富集区中获取与元件对应的元件符号与元件描述文字。
需要说明的是,在本实施例中,还需将第二元件富集区中的每个元件的元件型号统计在最终生成的图纸统计信息中;第二图纸中的元件不仅会标注对应的元件符号,还会在元件符号附近设置对应的元件描述文字;通过元件符号和元件描述文字均可确定出对应的元件型号,但是若元件符号附近的元件描述文字是用于描述另一个元件的,则通过元件符号和元件描述文字各自确定出的元件型号是不同的。
在实施中,以第二元件富集区中的一个元件为例,先获取该元件的元件符号,以及该元件符号附近的元件描述文字。
S250、基于元件符号特征库比对元件符号得到对应的第一元件型号;基于预设的元件型号字典库比对元件描述文字得到对应的第二元件型号。
需要说明的,上文提及的元件符号特征库中还设有与每种元件对应的元件型号(图中未示出),通过获取的元件符号与上文提及的元件符号特征库进行比对,可以确定与该元件符号对应的元件型号;还需说明的是,图纸智能识别统计系统中还设有元件型号字典库,通过将获取的元件描述文字与元件型号字典库进行比对可以生成与该元件描述文字对应的元件型号。
在实施中,获取到元件符号后,进一步的,将元件符号与元件符号特征库进行比对,从而得到与该元件符号对应的元件型号,记为第一元件型号;同时,还将获取到的元件描述文字与元件型号字典库进行比对,从而得到与元件描述文字对应的元件型号,记为第二元件型号。
S260、判断第一元件型号与第二元件型号是否一致,若是,则将第一元件型号添加至对应的元件信息中。
在实施中,生成与某一元件对应的第一元件型号与第二元件型号后,进一步的,判断第一元件型号与第二元件型号是否一致,若一致,则说明元件符号与元件描述文字对应的是相同的元件型号,也即确定了对应元件的元件型号为第一元件型号(或第二元件型号);若不一致,则说明元件描述文字可能是用来描述其他元件的元件型号,此时以第一元件型号作为该元件的元件型号;得到第一元件型号后,进一步的,第一元件型号添加到与对应元件对应的元件信息中,则此时元件信息包括与元件对应的元件名称、元件位置以及第一元件型号。
S270、统计第二元件富集区得到电气设备统计信息,统计与第二元件富集区对应的元件信息得到元件统计信息,基于电气设备统计信息与元件统计信息生成图纸统计信息。
需要说明的是,S270步骤同S140步骤,此处不再赘述。
图6为一个实施例中电气设备图纸智能识别统计方法的流程示意图。应该理解的是,虽然图6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;并且图6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例三
图7为本申请实施例三提供的一种电气设备图纸智能识别统计方法流程图,参考图7,该方法可以由执行该种方法的装置来执行,该装置可以由软件和/或硬件的方式实现,该方法包括:
S310、对获取的第一图纸去噪得到第二图纸。
S320、基于预设的元件符号特征库对第二图纸进行相似性识别得到第二图纸中元件的元件名称;识别元件的位置得到元件位置,基于元件名称与元件位置得到元件信息。
S330、基于元件信息对元件进行位置聚类得到第一元件富集区;基于预设的电气设备结构特征库对比第一元件富集区,得到第二元件富集区。
需要说明的是,S310-S330步骤同S110-S130步骤,此处不再赘述。
S340、获取第二元件富集区中元件预设距离范围内的型号文字,计算型号文字与元件之间的距离得到第一距离。
需要说明的是,第二元件富集区中相邻的元件之间的距离一般较近,如图8所示,每个元件的附近设有与该元件对应的型号文字,具体的,型号文字内容为对应元件的元件型号,在本实施例中,需要将元件型号加入到元件信息中,以便于后续得出所需的图纸统计信息;有时,型号文字的长度过长时,会将原本一行的型号文字截断为两行显示;如图8所示,第一行型号文字与第二行型号文字均与第一个元件对应,第一行型号文字与第二行型号文字原本为一行,但因长度过长而显示为两行;第三行型号文字与第二个元件对应,其长度没有过长,从而单行显示;其中,第一行型号文字与第二行型号文字相对于第三行型号文字更靠近其对应的第一个元件。
在实施中,以第二元件富集区中的一个元件为例,先获取该元件周围预设距离范围内的所有行型号文字,然后计算每行型号文字与该元件之间的距离,记为第一距离;示例性的,以图8中的第一个元件为例,先获取第一个元件周围一定距离范围内的所有行型号文字,也即第一行型号文字、第二行型号文字以及第三行型号文字;然后计算第一行型号文字与第一个元件之间的第一距离、第二行型号文字与第一个元件之间的第一距离、第三行型号文字与第一个元件之间的第一距离。
S350、获取小于预设距离阈值的第一距离得到第二距离,判断第二距离的数量是否大于预设的数量阈值。
在实施中,图纸智能识别统计系统中设有预设距离阈值,计算出不同行型号文字与第一个元件之间的第一距离后,进一步的,筛选出第一距离小于预设距离阈值的第一距离,并记为第二距离;需要说明的是,与第二距离对应的型号文字同属于第一个元件;确定出第二距离后,进一步的,判断第二距离的数量是否大于预设的数量阈值,具体的,在本实施例中,数量阈值具体为1。
S360、若否,将第二距离对应的型号文字作为元件的元件型号。
在实施中,若判断出第二距离的数量不大于1,则说明第二距离的数量只有一个,也即说明与该第二距离对应的型号文字只有一组,未发生截断;此时,将与该第二距离对应的型号文字作为第一个元件的元件型号。
S370、若是,判断每个第二距离对应的型号文字在预设的元件型号字典库是否对应同一个元件型号;若是,组合型号文字作为元件的元件型号。
在实施中,若判断出第二距离的数量大于1,则说明与第一个元件对应的型号文字发生截断,至少包括两行型号文字;以图8所示为例,假设与第一个元件对应的第二距离的数量为2,也即第一个元件对应的型号文字可能截断为第一行型号文字与第二行型号文字;为了进一步判断第一行型号文字与第二行型号文字是否均对应同一个元件型号,以判断第一行型号文字与第二行型号文字是否各是第一个元件的元件型号的一部分;在实施中,分别将第一行型号文字与第二行型号文字与预设的元件型号字典库进行比对,然后判断第一行型号文字与第二行型号文字是否均对应同一个元件型号,若是,则说明第一行型号文字与第二行型号文字是第一个元件的元件型号的两部分;然后组合第一行型号文字与第二行型号文字得到第一个元件的元件型号。
S380、将元件型号添加至对应的元件信息中。
在实施中,按照S370步骤得到第二元件富集区中每个元件的元件型号后,进一步的,将对应的元件型号加入到与对应元件的元件信息中。
S390、统计第二元件富集区得到电气设备统计信息,统计与第二元件富集区对应的元件信息得到元件统计信息,基于电气设备统计信息与元件统计信息生成图纸统计信息。
需要说明的是,S390步骤同S140步骤,此处不再赘述。
图7为一个实施例中电气设备图纸智能识别统计方法的流程示意图。应该理解的是,虽然图7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;并且图7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,组合型号文字作为元件的元件型号,包括:
S371、判断型号文字的文字属性得到判断结果,文字属性包括型号文字起始部分与元件参数。
需要说明的是,若元件的型号文字发生截断形成多行型号文字,则每行文字有其对应的文字属性;在本实施例中,文字属性包括型号文字起始部分与元件参数;其中,若一行型号文字对应的文字属性是文字起始部分,则表征对应的一行型号文字为对应元件型号的起始部分;若一行型号文字对应的文字属性是元件参数,则表征对应的一行型号文字为对应元件型号起始部分的后续部分。若元件的型号文字发生截断形成多行型号文字,则会截断为一个型号文字起始部分,如图8所示的“BM-50L/2P 20A”,以及至少一个元件参数,如图8所示的“30mA 0.1S”;图纸智能识别统计系统还用于判断每行型号文字是型号文字起始部分还是为元件参数。
在实施中,判断出元件的型号文字发生截断,则通过图纸智能识别统计系统对与同一个元件对应的若干行型号文字进行判断,从而确定出每行型号文字是型号文字起始部分还是为元件参数,得到相应的判断结果。
S372、基于判断结果组合型号文字得到元件的元件型号。
在实施中,若判断结果为判断出某行型号文字为型号文字起始部分,则将该行型号文字作为后续组合出的型号文字的第一部分;若判断结果为判断出某行型号文字为元件参数,则将该行型号文字组合在型号文字起始部分的后面,从而结合型号文字起始部分共同组合为对应元件的元件型号。
实施例四
基于同样的发明构思,本公开实施例还提供了一种用于实现上述实施例一所涉及的电气设备图纸智能识别统计方法的电气设备图纸智能识别统计装置。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电气设备图纸智能识别统计装置实施例中的具体限定可以参见上文中对于电气设备图纸智能识别统计方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种电气设备图纸智能识别统计装置,包括:
获取去噪模块410,用于对获取的第一图纸去噪得到第二图纸;
信息识别模块420,用于基于预设的元件符号特征库对第二图纸进行相似性识别得到第二图纸中元件的元件名称;识别元件的位置得到元件位置,基于元件名称与元件位置得到元件信息;
富集区确定模块430,用于基于元件信息对元件进行位置聚类得到第一元件富集区;基于预设的电气设备结构特征库对比第一元件富集区,得到第二元件富集区;
信息统计模块440,用于统计第二元件富集区得到电气设备统计信息,统计与第二元件富集区对应的元件信息得到元件统计信息,基于电气设备统计信息与元件统计信息生成图纸统计信息。
实施例五
基于同样的发明构思,本公开实施例还提供了一种用于实现上述实施例二所涉及的电气设备图纸智能识别统计方法的电气设备图纸智能识别统计装置。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电气设备图纸智能识别统计装置实施例中的具体限定可以参见上文中对于电气设备图纸智能识别统计方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种电气设备图纸智能识别统计装置,包括:
获取去噪模块510,用于对获取的第一图纸去噪得到第二图纸;
信息识别模块520,用于基于预设的元件符号特征库对第二图纸进行相似性识别得到第二图纸中元件的元件名称;识别元件的位置得到元件位置,基于元件名称与元件位置得到元件信息;
富集区确定模块530,用于基于元件信息对元件进行位置聚类得到第一元件富集区;基于预设的电气设备结构特征库对比第一元件富集区,得到第二元件富集区;
符文获取模块540,用于从第二元件富集区中获取与元件对应的元件符号与元件描述文字;
对比模块550,用于基于元件符号特征库比对元件符号得到对应的第一元件型号;基于预设的元件型号字典库比对元件描述文字得到对应的第二元件型号;
判断模块560,用于判断第一元件型号与第二元件型号是否一致,若是,则将第一元件型号添加至对应的元件信息中;
信息统计模块570,用于统计第二元件富集区得到电气设备统计信息,统计与第二元件富集区对应的元件信息得到元件统计信息,基于电气设备统计信息与元件统计信息生成图纸统计信息。
实施例六
基于同样的发明构思,本公开实施例还提供了一种用于实现上述实施例三所涉及的电气设备图纸智能识别统计方法的电气设备图纸智能识别统计装置。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电气设备图纸智能识别统计装置实施例中的具体限定可以参见上文中对于电气设备图纸智能识别统计方法的限定,在此不再赘述。
在一个实施例中,如图11所示,提供了一种电气设备图纸智能识别统计装置,包括:
获取去噪模块610,用于对获取的第一图纸去噪得到第二图纸;
信息识别模块620,用于基于预设的元件符号特征库对第二图纸进行相似性识别得到第二图纸中元件的元件名称;识别元件的位置得到元件位置,基于元件名称与元件位置得到元件信息;
富集区确定模块630,用于基于元件信息对元件进行位置聚类得到第一元件富集区;基于预设的电气设备结构特征库对比第一元件富集区,得到第二元件富集区;
距离计算模块640,用于获取第二元件富集区中元件预设距离范围内的型号文字,计算型号文字与元件之间的距离得到第一距离;
距离判断模块650,用于获取小于预设距离阈值的第一距离得到第二距离,判断第二距离的数量是否大于预设的数量阈值;
第一型号确定模块660,用于若否,将第二距离对应的型号文字作为元件的元件型号;
第二型号确定模块670,用于若是,判断每个第二距离对应的型号文字在预设的元件型号字典库是否对应同一个元件型号;若是,组合型号文字作为元件的元件型号;
型号添加模块680,用于将元件型号添加至对应的元件信息中;
信息统计模块690,用于统计第二元件富集区得到电气设备统计信息,统计与第二元件富集区对应的元件信息得到元件统计信息,基于电气设备统计信息与元件统计信息生成图纸统计信息。
上述电气设备图纸智能识别统计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12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电气设备图纸智能识别统计方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开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,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,如图13所示,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,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上述各方法实施例中的步骤。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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,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,本公开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。本公开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。本公开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。
以上实施例仅表达了本公开的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本公开专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开构思的前提下,还可以做出若干变形和改进,这些都属于本公开的保护范围。因此,本公开的保护范围应以所附权利要求为准。
Claims (10)
1.一种电气设备图纸智能识别统计方法,其特征在于,包括:
对获取的第一图纸去噪得到第二图纸;
基于预设的元件符号特征库对所述第二图纸进行相似性识别得到所述第二图纸中元件的元件名称;识别所述元件的位置得到元件位置,基于所述元件名称与所述元件位置得到元件信息;
基于所述元件信息对所述元件进行位置聚类得到第一元件富集区;基于预设的电气设备结构特征库对比所述第一元件富集区,得到第二元件富集区;
统计所述第二元件富集区得到电气设备统计信息,统计与所述第二元件富集区对应的所述元件信息得到元件统计信息,基于所述电气设备统计信息与所述元件统计信息生成图纸统计信息。
2.根据权利要求1所述的一种方法,其特征在于,所述基于所述元件信息对所述元件进行位置聚类得到第一元件富集区,包括:
获取所述第二图纸对应的所述元件信息中的元件位置;
基于每两个所述元件位置之间的距离得到距离矩阵,基于预设的位置聚类模型处理所述距离矩阵得到所述第一元件富集区。
3.根据权利要求1所述的一种方法,其特征在于,所述统计所述第二元件富集区得到电气设备统计信息,包括:
基于预设的自然语义处理模型处理所述第二元件富集区,得到设备参数信息和/或设备数量描述信息;
解析所述设备参数信息和/或设备数量描述信息得到所述电气设备统计信息。
4.根据权利要求1所述的一种方法,其特征在于,所述得到第二元件富集区后的步骤,还包括:
从所述第二元件富集区中获取与所述元件对应的元件符号与元件描述文字;
基于所述元件符号特征库比对所述元件符号得到对应的第一元件型号;基于预设的元件型号字典库比对所述元件描述文字得到对应的第二元件型号;
判断所述第一元件型号与所述第二元件型号是否一致,若是,则将所述第一元件型号添加至对应的元件信息中。
5.根据权利要求1所述的一种方法,其特征在于,所述得到第二元件富集区后的步骤,还包括:
获取所述第二元件富集区中所述元件预设距离范围内的型号文字,计算所述型号文字与所述元件之间的距离得到第一距离;
获取小于预设距离阈值的所述第一距离得到第二距离,判断所述第二距离的数量是否大于预设的数量阈值;
若否,将所述第二距离对应的型号文字作为所述元件的元件型号;
若是,判断每个所述第二距离对应的型号文字在预设的元件型号字典库是否对应同一个元件型号;若是,组合所述型号文字作为所述元件的元件型号;
将所述元件型号添加至对应的元件信息中。
6.根据权利要求5所述的一种方法,其特征在于,所述组合所述型号文字作为所述元件的元件型号,包括:
判断所述型号文字的文字属性得到判断结果,所述文字属性包括型号文字起始部分与元件参数;
基于所述判断结果组合所述型号文字得到所述元件的元件型号。
7.一种电气设备图纸智能识别统计装置,其特征在于,所述装置包括:
获取去噪模块,用于对获取的第一图纸去噪得到第二图纸;
信息识别模块,用于基于预设的元件符号特征库对所述第二图纸进行相似性识别得到所述第二图纸中元件的元件名称;识别所述元件的位置得到元件位置,基于所述元件名称与所述元件位置得到元件信息;
富集区确定模块,用于基于所述元件信息对所述元件进行位置聚类得到第一元件富集区;基于预设的电气设备结构特征库对比所述第一元件富集区,得到第二元件富集区;
信息统计模块,用于统计所述第二元件富集区得到电气设备统计信息,统计与所述第二元件富集区对应的所述元件信息得到元件统计信息,基于所述电气设备统计信息与所述元件统计信息生成图纸统计信息。
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 |
---|---|---|---|
CN202311795153.5A CN117558022A (zh) | 2023-12-25 | 2023-12-25 | 电气设备图纸智能识别统计方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311795153.5A CN117558022A (zh) | 2023-12-25 | 2023-12-25 | 电气设备图纸智能识别统计方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117558022A true CN117558022A (zh) | 2024-02-13 |
Family
ID=89814807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311795153.5A Pending CN117558022A (zh) | 2023-12-25 | 2023-12-25 | 电气设备图纸智能识别统计方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117558022A (zh) |
-
2023
- 2023-12-25 CN CN202311795153.5A patent/CN117558022A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334805B (zh) | 检测文档阅读顺序的方法和装置 | |
CN110263311B (zh) | 一种网络页面的生成方法及设备 | |
CN109697468B (zh) | 样本图像的标注方法、装置及存储介质 | |
WO2018003153A1 (ja) | 認識装置及び認識方法 | |
CN113032580B (zh) | 关联档案推荐方法、系统及电子设备 | |
US11841839B1 (en) | Preprocessing and imputing method for structural data | |
CN113283355A (zh) | 一种表格图像的识别方法、装置、计算机设备及存储介质 | |
WO2021129121A1 (zh) | 表格识别方法和装置、计算机可读存储介质 | |
CN113239818B (zh) | 基于分割和图卷积神经网络的表格跨模态信息提取方法 | |
US10699112B1 (en) | Identification of key segments in document images | |
CN110264311B (zh) | 一种基于深度学习的商业推广信息精准推荐方法及系统 | |
CN104317850A (zh) | 数据处理方法和装置 | |
CN114241499A (zh) | 表格图片识别方法、装置、设备和可读存储介质 | |
US9639587B2 (en) | Social network analyzer | |
CN114207598A (zh) | 电子表单表转换 | |
CN111444368B (zh) | 构建用户画像的方法、装置、计算机设备及存储介质 | |
CN116610304B (zh) | 页面代码生成方法、装置、设备和存储介质 | |
CN116719822A (zh) | 一种海量结构化数据的存储方法及系统 | |
CN117558022A (zh) | 电气设备图纸智能识别统计方法、装置、设备及存储介质 | |
CN116795995A (zh) | 知识图谱构建方法、装置、计算机设备和存储介质 | |
CN115578736A (zh) | 证件信息提取方法、装置、存储介质及设备 | |
CN113298822B (zh) | 点云数据的选取方法及选取装置、设备、存储介质 | |
CN114692573A (zh) | 文本结构化处理方法、装置、计算机设备、介质和产品 | |
CN113254455A (zh) | 数据库的动态配置方法、装置、计算机设备及存储介质 | |
CN113742116A (zh) | 一种异常定位方法及装置、设备、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 |