CN117953532B - 轨道交通施工图人工智能审查方法及系统 - Google Patents
轨道交通施工图人工智能审查方法及系统 Download PDFInfo
- Publication number
- CN117953532B CN117953532B CN202410156701.8A CN202410156701A CN117953532B CN 117953532 B CN117953532 B CN 117953532B CN 202410156701 A CN202410156701 A CN 202410156701A CN 117953532 B CN117953532 B CN 117953532B
- Authority
- CN
- China
- Prior art keywords
- entity
- checked
- knowledge graph
- contradiction
- relation information
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000010586 diagram Methods 0.000 title claims description 17
- 238000007689 inspection Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000003058 natural language processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000000547 structure data 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了轨道交通施工图人工智能审查方法，包括：S1：建立轨道交通施工知识图谱；S2：获取待审查施工图，识别所述待审查施工图，得到所述审查施工图中包含的实体关系信息；S3：获取待审查计算书，识别所述待审查计算书的语义，得到所述待审查计算书中包含的实体关系信息；S4：将S2和S3得到的实体关系信息与所述知识图谱进行比对，根据比对结果生成审查报告。本发明还提供了审查系统。本发明的方法及系统统一了审查标准，提升了审查质量，克服了人工审查的局限性。
Description
技术领域
本发明涉及人工智能、轨道施工相关技术领域。更具体地说，本发明涉及一种轨道交通施工图人工智能审查方法。
背景技术
目前，轨道交通施工图审查延续传统的老旧的模式(送审纸质版或电子版文件进行审查并出具报告，审查及复审环节完全依赖人工)，流程繁琐，这种审查方式智能化程度很低。而且，行业还存在如下问题：a)设计图纸质量不高；设计经验的积累需要丰富的设计经历及长期工作的沉淀，尤其年轻工程设计人员普遍设计经验缺乏，在设计工作中极易造成对工程设计质量的把握不足；由于项目工期紧张，方案频繁变动，常导致重复性、低级性错误频发。b)校核标准不统一；各设计院内部质量体系执行因人而异，有的人严有的人松；由于项目工期紧张，即便同一个人，也可能时严时松，难以全面地起到核对、校审及把关作用。c)人工审图具有局限性；由于审图机构的审查人员工作强度大易疲劳，加上图中部分审查内容重复性较高，会导致漏审；同样审查标准，不同审查人的尺度和把握不同，标准执行因人而异；设计文件中相同内容，不同审查人会视为不同性质错误，有些错误甚至视而不见，不同审查人的底线不同；审查人在逐项审查图纸内容时，按规范内容逐项查找问题并将不同图纸同类内容进行比对，将计算结果进行复核计算等，大量的琐碎繁杂的工作导致审查效率较低。d)专家经验分散；很多专家具有丰富的设计经验和现场解决复杂问题的经历，工作多年沉淀下来的宝贵阅历只存在于专家个人脑中，现今只能依靠师傅带徒弟的方式进行言传身教，传承较难；且专家用语言传达的信息可能会出现误解。因此，有必要设计一种能够一定程度克服上述缺陷的技术方案。
发明内容
本发明的一个目的是提供一种轨道交通施工图人工智能审查方法及系统，该方法及系统统一了审查标准，提升了审查质量，克服了人工审查的局限性。
为了实现本发明的这些目的和其它优点，根据本发明的一个方面，本发明提供了轨道交通施工图人工智能审查方法，包括：S1：建立轨道交通施工知识图谱；S2：获取待审查施工图，识别所述待审查施工图，得到所述审查施工图中包含的实体关系信息；S3：获取待审查计算书，识别所述待审查计算书的语义，得到所述待审查计算书中包含的实体关系信息；S4：将S2和S3得到的实体关系信息与所述知识图谱进行比对，根据比对结果生成审查报告。
进一步地，所述知识图谱包括实体及实体间关系，所述知识图谱根据规范标准文件、地方工程习惯做法、专家审查思路建立。
进一步地，所述知识图谱通过对规范标准文件、地方工程习惯做法、专家审查思路利用自然语言处理方法提取实体名称、实体间关系和实体属性，然后进行知识融合得到。
进一步地，在所述知识图谱建立后，随机采样实体及实体间关系，利用规范标准文件、地方工程习惯做法、专家审查思路进行验证。
进一步地，所述S2包括：提取所述待审查施工图中包含的图元，将从属于同一结构的图元聚集在一起，并与待识别结构数据集进行比对，根据比对结果，确定所述待审查施工图包含的实体图形，根据所述待审查施工图中实体图形的关系，确定对应的实体关系信息。
进一步地，所述S3包括：基于深度神经网络的中文分词模型对所述待审查计算书文本进行分词，根据分词结果识别所述待审查计算书中语句的语义，根据语义确定所述待审查计算书中的实体关系信息。
进一步地，所述S4包括：将S2和S3得到的实体关系信息转换为知识图谱的Cypher查询语言，利用Cypher查询语言查询所述知识图谱，并判断实体关系信息是否满足所述知识图谱中的实体间关系。
根据本发明的另一个方面，还提供了轨道交通施工图人工智能审查系统，包括：知识模块，用于建立轨道交通施工知识图谱；施工图识别模块，用于获取待审查施工图，识别所述待审查施工图，得到所述审查施工图中包含的实体关系信息；计算书识别模块，用于获取待审查计算书，识别所述待审查计算书的语义，得到所述待审查计算书中包含的实体关系信息；报告生成模块，用于将得到的实体关系信息与所述知识图谱进行比对，根据比对结果生成审查报告。
本发明至少包括以下有益效果：
本发明建立轨道交通施工知识图谱，识别待审查施工图，识别待审查计算书的语义，得到待审查施工图和待审查计算书中包含的实体关系信息，将得到的实体关系信息与知识图谱进行比对，根据比对结果生成审查报告；本发明能够统一审查标准，建全质量体系，将审查过程规范化、流程化、定量化，可以延续专家沉淀多年的设计经验，传承专家积累多年的各类疑难杂症解决方法，可以帮审查人员明确安全底线，还可以提高审查人员的审查水平，减少审查人主观判断和失误，也减轻了审查人员工作强度和疲劳感，提升了审查人员工作幸福感，可以迅速提取有用信息进行比对，提高了审查效率。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本申请一个实施例的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
如图1所示，本申请的实施例提供了轨道交通施工图人工智能审查方法，包括：
S1：建立轨道交通施工知识图谱；知识图谱是基于相关的规范标准文件、地方工程习惯做法、专家审查思路和思维导图，通过自然语言处理等技术，结合专业术语词典，将非结构化的文本数据转化为结构化实体和实体之间的关系；实体为轨道交通施工过程中使用的构件，如混凝土灌注桩、箍筋、钢筋保护层、钢筋网、挡土构件、支护结构、桩锚体系等；实体之间的关系为尺寸、数量、距离、施工要求等；
S2：获取待审查施工图，识别所述待审查施工图，得到所述审查施工图中包含的实体关系信息；施工图包括1)总说明、2)总平面图、3)平面图、4)剖面图、5)配筋图、6)围护结构详图及大样图(内支撑、腰梁、锚索、土钉、格构柱、连系梁)、7)施工步序图、8)监控量测图、9)风险源措施图；可选地，根据各实体的特征，利用图像识别技术识别出各实体，进而得到实体关系信息；
S3：获取待审查计算书，识别所述待审查计算书的语义，得到所述待审查计算书中包含的实体关系信息；计算书包括设计依据、结构安全等级、载荷取值、载荷计算等内容；可选地，利用智能语义识别技术，提取计算书的内容，进而得到所述待审查计算书中包含的实体关系信息；
S4：将S2和S3得到的实体关系信息与所述知识图谱进行比对，根据比对结果生成审查报告；也就是说，按照知识图谱从施工图和计算书中识别出的实体关系信息进行审查，输出结果形成审查报告，标注相应错误呈现在用户面前；可选地，首先将S2和S3得到的实体关系信息进行比对，判断是否存在矛盾关系信息，若存在，则根据矛盾关系在待审查施工图中定位矛盾区域，在计算书中定位矛盾内容，对矛盾区域执行图像识别，对矛盾内容执行语义识别，分别获得实体关系信息，并再次比对，若仍存在矛盾，则不与知识图谱比对，直接作为一个错误放入审查报告；
可以看出，本实施例能够利用知识图谱统一审查标准，建全质量体系，将审查过程规范化、流程化、定量化，可以延续专家沉淀多年的设计经验，传承专家积累多年的各类疑难杂症解决方法，可以帮审查人员明确安全底线，还可以提高审查人员的审查水平，通过实体关系的识别，减少审查人主观判断和失误，也减轻了审查人员工作强度和疲劳感，提升了审查人员工作幸福感，可以迅速提取有用信息进行比对，提高了审查效率。
在另一个实施例中，所述知识图谱包括实体及实体间关系，所述知识图谱根据规范标准文件、地方工程习惯做法、专家审查思路建立；可选地，所述知识图谱通过对规范标准文件、地方工程习惯做法、专家审查思路利用自然语言处理方法提取实体名称、实体间关系和实体属性，然后进行知识融合得到；可选地，在所述知识图谱建立后，随机采样实体及实体间关系，利用规范标准文件、地方工程习惯做法、专家审查思路进行验证；可选地，规范性标准文件可以是《轨道交通工程施工图设计文件技术审查要点》(2019年12月)，制定详细的审核内容及规则判断标准，便于机器读取、识别、变成机器语言，成果以思维导图形式体现；规范标准文件、地方工程习惯做法还包括1)《地铁设计规范》(GB 50157-2013)、2)《建筑地基基础工程施工质量验收规范》(GB 50202-2018)、3)《建筑结构荷载规范》(GB 50009-2012)、4)《混凝土结构设计规范》(GB 50010-2010)(2015年版)、5)《建筑地基基础设计规范》(GB 50007-2011)、6)《钢结构设计标准》(GB 50017-2017)、7)《建筑基坑支护技术规程》(JGJ 120-2012)、8)《北京地区建筑地基基础勘察设计规范》(DB J11-501-2009)、9)《建筑基坑支护技术规程》(DB 11/489-2016)北京市地方标准等；
一种可行的实现方式是，分为四个步骤构建知识图谱：一、数据获取，我们这的数据主要来源于设计规范、例如《地铁设计规范》、《建筑结构荷载规范》等，这些规范中结构化、半结构化和非结构化的数据都有；二、信息抽取，目的是从数据中提取关键的信息，例如实体名称、实体间的关系、实体的属性等等，本项目拟结合自然语言处理中的BERT框架和规则来提取这些信息；三、知识融合，主要是进行指代消解和实体消岐，即去除知识图谱中重复的名词，本项目尝试基于实体特征利用分类或聚类的方法消除实体歧义和进行指代消解；四、知识加工，主要是对知识图谱的质量进行评估，可以对图谱中的三元组进行随机采样，并与规范中对应的规则进行验证。
在另一个实施例中，所述S2包括：提取所述待审查施工图中包含的图元，将从属于同一结构的图元聚集在一起，并与待识别结构数据集进行比对，根据比对结果，确定所述待审查施工图包含的实体图形，根据所述待审查施工图中实体图形的关系，确定对应的实体关系信息；优选地，解析CAD图形文件格式，精准提取基础图元信息，在提取到图元信息之后，图元信息依据图元类型存储到不同的类结构里，不同类型的图元有不同的表示，例如线类图元采用坐标表示，要对图形进行识别，首先需要进行聚类，将从属于同一大类结构的图元聚集在一起，然后再将图纸中聚类后的图元信息与待识别结构数据集进行比对，计算相识度，判断是否满足该类图形结构，从而完成实体图形识别，进而确定对应的实体关系信息。
在另一个实施例中，所述S3包括：基于深度神经网络的中文分词模型对所述待审查计算书文本进行分词，根据分词结果识别所述待审查计算书中语句的语义，根据语义确定所述待审查计算书中的实体关系信息；优选地，包括a)版本格式归一，利用自然语言处理NLP对计算书进行文本分析理解，从而提取相关信息；用NLP分析理解之前，要设计出一套通用算法，通用算法需要统一不同计算书版本格式，本申请以docx作为技术书标准格式；如果输入doc格式技术书，要通过对doc文档进行解码，再编码为docx标准格式文档；如果输入PDF格式技术书，通过OCR技术实现docx标准格式文档转换。b)自然语言处理NLP；格式统一之后，采用基于深度神经网络的中文分词模型实现分词，如：“采用明挖法施工”，经过分词得到：采用、明挖法、施工三个分词；由于计算机无法直接理解人类语言，需要对人类语言进行编码，将每个单词映射为计算机文本向量空间的一个向量，通过向量之间的距离，可以衡量不同单词之间的相似度，从而确定是否是同一单词；借助专家经验，预先梳理需要审查的条目，构成待审查条目(思维导图)；抽象出条目对应计算书中，具有区分度的一个或多个关键词，构建关键词词典，在实际提取时，从计算书中提取文档的排版结构，借助结构信息筛选可能的区域，再结合关键词定位。
在另一个实施例中，所述S4包括：将S2和S3得到的实体关系信息转换为知识图谱的Cypher查询语言，利用Cypher查询语言查询所述知识图谱，并判断实体关系信息是否满足所述知识图谱中的实体间关系；具体地，可以包括a)信息提取，即提取图纸中的图元及对应的参数，文字实体等。这里我们综合利用计算机视觉中的目标检测算法例如Faster-RCNN,YOLO,SSD等来对图元进行检测，利用自然语言处理中的命名实体识别、句法分析、正则表达式等方法提取图纸中的实体和关系；b)将实体和关系转换为知识图谱的Cypher查询语言；c)利用Cypher语言查询知识图谱中对应的规则；d)基于规则判断实体间的关系是否满足要求，在进行规则判断时，如果是文字逻辑判断的话，通过正则表达式判断描述的真实性，如果是实体关系判断的话，通过数值运算、分类等方法判断实体间关系的真实性；例如，“3.支护形式审查开始...错误1，第二～四道支撑支锚vertical的水平间距3600.00超过了最大值3500.00的要求！错误2，第二～四道支撑支锚slanting的水平间距3550.00超过了最大值3500.00的要求！错误3，第二～四道支撑支锚slanting的水平间距3550.00超过了最大值3500.00的要求！3.3支护形式审查完毕。”。
本申请的实施例还提供了轨道交通施工图人工智能审查系统，包括：
知识模块，用于建立轨道交通施工知识图谱；知识图谱是基于相关的规范标准文件、地方工程习惯做法、专家审查思路和思维导图，通过自然语言处理等技术，结合专业术语词典，将非结构化的文本数据转化为结构化实体和实体之间的关系；实体为轨道交通施工过程中使用的构件，如混凝土灌注桩、箍筋、钢筋保护层、钢筋网、挡土构件、支护结构、桩锚体系等；实体之间的关系为尺寸、数量、距离、施工要求等；
施工图识别模块，用于获取待审查施工图，识别所述待审查施工图，得到所述审查施工图中包含的实体关系信息；施工图包括1)总说明、2)总平面图、3)平面图、4)剖面图、5)配筋图、6)围护结构详图及大样图(内支撑、腰梁、锚索、土钉、格构柱、连系梁)、7)施工步序图、8)监控量测图、9)风险源措施图；可选地，根据各实体的特征，利用图像识别技术识别出各实体，进而得到实体关系信息；
计算书识别模块，用于获取待审查计算书，识别所述待审查计算书的语义，得到所述待审查计算书中包含的实体关系信息；计算书包括设计依据、结构安全等级、载荷取值、载荷计算等内容；可选地，利用智能语义识别技术，提取计算书的内容，进而得到所述待审查计算书中包含的实体关系信息；
报告生成模块，用于将得到的实体关系信息与所述知识图谱进行比对，根据比对结果生成审查报告；也就是说，按照知识图谱从施工图和计算书中识别出的实体关系信息进行审查，输出结果形成审查报告，标注相应错误呈现在用户面前；
本实施例的各模块可以通过计算机程序实现，组成的审查系统能够利用知识图谱统一审查标准，建全质量体系，将审查过程规范化、流程化、定量化，可以延续专家沉淀多年的设计经验，传承专家积累多年的各类疑难杂症解决方法，可以帮审查人员明确安全底线，还可以提高审查人员的审查水平，通过实体关系的识别，减少审查人主观判断和失误，也减轻了审查人员工作强度和疲劳感，提升了审查人员工作幸福感，可以迅速提取有用信息进行比对，提高了审查效率。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明轨道交通施工图人工智能审查方法及系统的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (3)
1.轨道交通施工图人工智能审查方法，其特征在于，包括：
S1：建立轨道交通施工知识图谱；
S2：获取待审查施工图，识别所述待审查施工图，得到所述待审查施工图中包含的实体关系信息；
S3：获取待审查计算书，识别所述待审查计算书的语义，得到所述待审查计算书中包含的实体关系信息；
S4：将S2和S3得到的实体关系信息与所述知识图谱进行比对，根据比对结果生成审查报告；将S2和S3得到的实体关系信息进行比对，判断是否存在矛盾关系信息，若存在，则根据矛盾关系在待审查施工图中定位矛盾区域，在计算书中定位矛盾内容，对矛盾区域执行图像识别，对矛盾内容执行语义识别，分别获得实体关系信息，并再次比对，若仍存在矛盾，则不与知识图谱比对，直接作为一个错误放入审查报告；
所述知识图谱包括实体及实体间关系，所述知识图谱根据轨道交通相关规范标准文件、地方工程习惯做法、专家审查思路建立；
所述知识图谱通过对规范标准文件、地方工程习惯做法、专家审查思路利用自然语言处理方法提取实体名称、实体间关系和实体属性，然后进行知识融合得到；
在所述知识图谱建立后，随机采样实体及实体间关系，利用规范标准文件、地方工程习惯做法、专家审查思路进行验证；
所述S2包括：提取所述待审查施工图中包含的图元，将从属于同一结构的图元聚集在一起，并与待识别结构数据集进行比对，根据比对结果，确定所述待审查施工图包含的实体图形，根据所述待审查施工图中实体图形的关系，确定对应的实体关系信息；
所述S3包括：基于深度神经网络的中文分词模型对所述待审查计算书文本进行分词，根据分词结果识别所述待审查计算书中语句的语义，根据语义确定所述待审查计算书中的实体关系信息。
2.如权利要求1所述的轨道交通施工图人工智能审查方法，其特征在于，所述S4包括：将S2和S3得到的实体关系信息转换为知识图谱的Cypher查询语言，利用Cypher查询语言查询所述知识图谱，并判断实体关系信息是否满足所述知识图谱中的实体间关系。
3.轨道交通施工图人工智能审查系统，其特征在于，包括：
知识模块，用于建立轨道交通施工知识图谱；
施工图识别模块，用于获取待审查施工图，识别所述待审查施工图，得到所述待审查施工图中包含的实体关系信息；
计算书识别模块，用于获取待审查计算书，识别所述待审查计算书的语义，得到所述待审查计算书中包含的实体关系信息；
报告生成模块，用于将得到的实体关系信息与所述知识图谱进行比对，根据比对结果生成审查报告；将施工图识别模块和计算书识别模块得到的实体关系信息进行比对，判断是否存在矛盾关系信息，若存在，则根据矛盾关系在待审查施工图中定位矛盾区域，在计算书中定位矛盾内容，对矛盾区域执行图像识别，对矛盾内容执行语义识别，分别获得实体关系信息，并再次比对，若仍存在矛盾，则不与知识图谱比对，直接作为一个错误放入审查报告；
所述知识图谱包括实体及实体间关系，所述知识图谱根据轨道交通相关规范标准文件、地方工程习惯做法、专家审查思路建立；
所述知识图谱通过对规范标准文件、地方工程习惯做法、专家审查思路利用自然语言处理方法提取实体名称、实体间关系和实体属性，然后进行知识融合得到；
在所述知识图谱建立后，随机采样实体及实体间关系，利用规范标准文件、地方工程习惯做法、专家审查思路进行验证；
所述施工图识别模块提取所述待审查施工图中包含的图元，将从属于同一结构的图元聚集在一起，并与待识别结构数据集进行比对，根据比对结果，确定所述待审查施工图包含的实体图形，根据所述待审查施工图中实体图形的关系，确定对应的实体关系信息；
所述计算书识别模块基于深度神经网络的中文分词模型对所述待审查计算书文本进行分词，根据分词结果识别所述待审查计算书中语句的语义，根据语义确定所述待审查计算书中的实体关系信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410156701.8A CN117953532B (zh) | 2024-02-04 | 2024-02-04 | 轨道交通施工图人工智能审查方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410156701.8A CN117953532B (zh) | 2024-02-04 | 2024-02-04 | 轨道交通施工图人工智能审查方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117953532A CN117953532A (zh) | 2024-04-30 |
| CN117953532B true CN117953532B (zh) | 2024-09-10 |
Family
ID=90798141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410156701.8A Active CN117953532B (zh) | 2024-02-04 | 2024-02-04 | 轨道交通施工图人工智能审查方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117953532B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115905553A (zh) * | 2022-10-14 | 2023-04-04 | 淮阴工学院 | 面向施工图审查规范知识抽取与知识图谱构建方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563173A (zh) * | 2020-05-09 | 2020-08-21 | 北京中科院软件中心有限公司 | 一种基于制造领域的知识图谱构建方法及系统 |
| CN114880468B (zh) * | 2022-04-21 | 2024-07-16 | 淮阴工学院 | 基于BiLSTM与知识图谱的建筑规范审查方法与系统 |
| CN115759037A (zh) * | 2022-11-22 | 2023-03-07 | 中国建筑第八工程局有限公司 | 建筑施工方案智能审核框架及审核方法 |
| CN115809854A (zh) * | 2022-11-22 | 2023-03-17 | 中国建筑第八工程局有限公司 | 施工方案计算书的智能化审核方法及系统 |
| CN115982329A (zh) * | 2022-12-27 | 2023-04-18 | 中交第二航务工程局有限公司 | 一种工程施工方案编制依据的智能生成方法及系统 |
| CN117436519A (zh) * | 2023-10-27 | 2024-01-23 | 同济大学建筑设计研究院(集团)有限公司 | 一种支持知识图谱的建筑工程数据库构建方法 |
-
2024
- 2024-02-04 CN CN202410156701.8A patent/CN117953532B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115905553A (zh) * | 2022-10-14 | 2023-04-04 | 淮阴工学院 | 面向施工图审查规范知识抽取与知识图谱构建方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117953532A (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | A system for understanding imaged infographics and its applications | |
| CN111783394B (zh) | 事件抽取模型的训练方法、事件抽取方法和系统及设备 | |
| Blumenstock | Size matters: word count as a measure of quality on wikipedia | |
| CN110598000A (zh) | 一种基于深度学习模型的关系抽取及知识图谱构建方法 | |
| CN106599041A (zh) | 基于大数据平台的文本处理及检索系统 | |
| CN113191148B (zh) | 一种基于半监督学习和聚类的轨道交通实体识别方法 | |
| CN103150381B (zh) | 一种高精度汉语谓词识别方法 | |
| US11755677B2 (en) | Data mining method, data mining apparatus, electronic device and storage medium | |
| CN113987199A (zh) | 一种规范自动解译的bim智能审图方法、系统和介质 | |
| Rane et al. | Chartreader: Automatic parsing of bar-plots | |
| CN117574898A (zh) | 基于电网设备的领域知识图谱更新方法及系统 | |
| CN114841658A (zh) | 一种基于分类的专项施工方案强制性条文合规性审查方法 | |
| Chen et al. | Converting natural language policy article into MBSE model | |
| CN113111645A (zh) | 一种媒体文本相似性检测方法 | |
| CN117953532B (zh) | 轨道交通施工图人工智能审查方法及系统 | |
| CN113361252A (zh) | 基于多模态特征和情感词典的文本抑郁倾向检测系统 | |
| Pogorilyy et al. | Assessment of Text Coherence by Constructing the Graph of Semantic, Lexical, and Grammatical Consistancy of Phrases of Sentences | |
| WO2024020701A1 (en) | System and method for automated file reporting | |
| CN115828888A (zh) | 一种针对多种网络日志进行语义解析及结构化的方法 | |
| Lai et al. | An unsupervised approach to discover media frames | |
| CN115221868A (zh) | 一种需求条目分割方法 | |
| Rovella et al. | Analysis, evaluation and comparison of knowledge extraction tools in the Environmental and Health domain. A holistic approach | |
| CN116756324B (zh) | 基于庭审音频的关联度挖掘方法、装置、设备及存储介质 | |
| CN115687632B (zh) | 一种刑事量刑情节分解分析的方法和系统 | |
| CN109597879A (zh) | 一种基于“引文关系”数据的业务行为关系抽取方法及装置 |
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 |