JP6983636B2 - 図面機械学習支援システム、図面機械学習システム、図面構造化システム、及び図面機械学習支援プログラム - Google Patents
図面機械学習支援システム、図面機械学習システム、図面構造化システム、及び図面機械学習支援プログラム Download PDFInfo
- Publication number
- JP6983636B2 JP6983636B2 JP2017228558A JP2017228558A JP6983636B2 JP 6983636 B2 JP6983636 B2 JP 6983636B2 JP 2017228558 A JP2017228558 A JP 2017228558A JP 2017228558 A JP2017228558 A JP 2017228558A JP 6983636 B2 JP6983636 B2 JP 6983636B2
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- data
- structural element
- structured
- piece
- 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
Images
Description
以下、これらの紙又は電子画像を「未構造化図面」と呼ぶ。
械学習支援システム、図面機械学習システム、図面構造化システム、及び図面機械学習支援プログラムが提供される。
図1は、第1実施形態に係る図面機械学習システム10(以下、単に「学習システム10」という)の概略構成図である。
これら支援システム20及び深層学習部30については、後に詳述する。
ここにいう画像11とは、図面に描かれた配線や回路構造要素、表、又は文字等の構造要素12(図3)が全てドット(ピクセル)の集合体で表現されたラスタ表現形式の画像のことである。そこで、以下、この画像11のことを適宜ラスタ画像11という。
これらいずれも、図面に描写される記号、配線又は部品等の図形の関係性情報又は属性情報(まとめて「構造情報14」という)が含まれていないので、上述した未構造化図面である。
なお、未構造化図面には、最終的に生成される図面データ(構造化図面13(図3))と比較して、付与された構造情報14が不十分な図面データも含まれる。
構造化図面13は、構造要素12及びこの構造要素12に付与された構造情報14を含むベクタ形式の画面データである。
構造要素12とは、配線、回路、表又は文字等の有形形状が特定の関数で規定された線で表現される、いわゆるベクタ表現で記述されたデータであって、構造情報14を有する要素を指す。
支援システム20は、正解データ生成部21と、図面片生成部23と、を備える。
ただし、構造化の際に復元が不要であることが予めわかっている構造要素12又は構造情報14は、条件の設定により抽出対象から適宜除外してもよい。
図4は、構造化図面13A(13)を模式的に表現したものであって、分割態様の一例を示す模式図である。図4中のα〜ωは、いずれも面積又は長さを有する構造要素12を表す。
第1実施形態では、重複部分する構造要素δ,ε,κに優先順位をつけて、優先順位の低い例えば構造要素δを分断する。
つまり、構造要素εを学習するための図面片22と、構造要素κを学習するための図面片22と、を優先的に生成する。
ニューラルネットワーク31とは、人工ニューロンがシナプス(ノード)の結合により形成したネットワークを数学的に表現したモデルのことである。ニューラルネットワーク31は、シミュレーションによって脳機能の特性を表現する。
ニューラルネットワーク31においては、図5に示されるように、入力を受け付けて出力を算出するユニット(ノード)の層が、複数積層されて互いに結合している。ユニットの出力は、総入力に対して、重みやバイアスを有する活性化関数の関数値として表現される。
次に、学習制御部32が、生成された正解データを取得して出力層34に入力する(S12)。
そして、図面片生成部23は、取得した位置座標及び形状に基づいて、構造化図面13Aを分割して図面片22を生成する(S14)。第1実施形態では、前述のように、構造要素12の位置座標等の情報に基づいて、1つの図面片22にできるだけ1つの構造要素12の全体が含まれるように分割する。
そして、ニューラルネットワーク31は、学習制御部32の制御のもとで、図面片22と正解データとの相関関係を分析して構造化を学習する(S16,END)。
例えば、支援システム20及び深層学習部30は、CPU、GPU(graphics processing units)等のプロセッサ、ROM(Read Only Memory)、RAM(Random Access Memory)、或いはHDD(Hard Disk Drive)等の記憶装置、を具備するコンピュータとして構成することができる。
また、このようなソフトウェア処理に換えて、ASIC(Application Specific Integration Circuit)やFPGA(Field-Programmable Gate Array)等のハードウェアで実現することもできる。
つまり、第1実施形態に係る支援システム20によれば、未構造化図面を自動で構造化する際の構造化の精度を向上させることができる。
図7は、第2実施形態における構造化図面13B(13)の分割態様を説明する模式図である。
一方、構造要素12の重なり合い又は構造情報14どうしの関連付けが多い場合、例えば関連度合いの小さい構造要素12は切り離すなどの所定の除外条件を設けることが望ましい。
図8は、第3実施形態に係る構造化システム50の概略構成図である。
また、図9は、第3実施形態における構造化図面13C(13)の分割態様を説明する模式図である。
また、図10は、第3実施形態の変形例における構造化図面13D(13)の分割態様を説明する模式図である。
第3実施形態に係る支援システム20は、図8に示されるように、図面片生成部23Aに、分割数決定部24を備える。
そして、第3実施形態では、図面片生成部23Aが、構造化図面13Cを定形の縦メッシュ46a及び横メッシュ46bを設定して、このメッシュ46(46a,46b)に沿って構造化図面13Cを分割する。
図11は、第4実施形態に係る学習システム10の概略構成図である。
また、図12は、第4実施形態における構造化図面13Eの分割態様を説明する模式図である。
例えば、図12に示されるように、長い辺を有する構造要素α,κを部分的に含む図面片22が再結合されて、それぞれ再結合された全体が一つの教師データになる。
図13は、第5実施形態に係る図面構造化システム50(以下、単に「構造化システム50」という)の概略構成図である。
このような構成によって、構造化システム50は、学習済みニューラルネットワーク36を用いてラスタ画像11のデータ構造化をする。
このように、図面片22ごと又は着目範囲ごとに、有形形状に対応する構造要素12及び構造情報14が付与される。このような図面片22ごと又は着目範囲ごとに付与された構造要素12及び構造情報14を、構造化データ片56という。
図14は、第6実施形態に係る構造化システム50の概略構成図である。
また、図16は、第6実施形態におけるマーカー66の引き継ぎ態様を説明する図である。
分割線42上に付加されたマーカー66は、図16に示されるように、ラスタ画像11の分割によって分かれた2以上の画像片53の境界部分に、2以上に分かれて付加されることになる。
つまり、2以上の構造化データ片56に分断して含まれている構造要素12を、同様に分断されて含まれるマーカー66が一つになるように、結合して一つの構造要素12にする。
図17は、第7実施形態に係る学習機能付き構造化システム100(以下、単に「学習機能付きシステム100」という)の概略構成図である。
さらに、学習機能付きシステム100は、フィードバック部67を備える。
一方、基準データ又は正解条件のうち修正後のデータは、正解データとして出力層34に入力される。
なお、フィードバックによる再学習は、誤変換又は不整合の発生の都度行われてもよいし、一定量が蓄積された際又は一定時間経過後にまとめて行ってもよい。
これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、組み合わせを行うことができる。
これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
Claims (12)
- 未構造化図面に含まれる特定の有形形状を認識して前記有形形状に構造要素およびこの構造要素に付随する構造情報を付与することを図面片と正解データとの組を教師データに用いてニューラルネットワークに機械学習させるための図面機械学習支援システムにおいて、
構造化図面中の前記構造要素及びこの構造要素に付随する前記構造情報を抽出して前記図面片に含まれる有形形状に紐づけるための正解データを生成する正解データ生成部と、
前記構造化図面の一部を切り出して複数の前記図面片を生成する図面片生成部と、を備え、
特定の構造要素と他の構造要素との間にデータの関連付けがある場合に、
前記図面片は、前記特定の構造要素及び前記他の構造要素の両方を含むように抽出されることを特徴とする図面機械学習支援システム。 - 前記図面片のそれぞれは、抽出された前記構造要素を少なくとも1つ以上含む請求項1に記載の図面機械学習支援システム。
- 線又は面で表現される特定の構造要素が他の構造要素と少なくとも一部重なり合う場合に、
前記図面片は、前記特定の構造要素及び前記他の構造要素の両方を含むように抽出される請求項1又は請求項2に記載の図面機械学習支援システム。 - 前記図面片生成部は、前記構造化図面における前記構造要素の配置関係に基づいて前記構造化図面の分割数を決定する請求項1から請求項3のいずれか1項に記載の図面機械学習支援システム。
- 前記正解データ生成部は、前記図面片から前記構造要素を抽出して前記正解データを生成し、
前記図面片生成部は、前記構造要素が複数の前記図面片に分断されて含まれる場合に前記複数の前記図面片を再結合する請求項1から請求項4のいずれか1項に記載の図面機械学習支援システム。 - 前記図面片生成部は、前記構造要素として抽出されなかった図形を含む前記図面片を前記認識対象にする請求項1から請求項5のいずれか1項に記載の図面機械学習支援システム。
- 請求項1から請求項6のいずれか1項に記載の図面機械学習支援システムと、
前記図面機械学習支援システムで生成した前記正解データ及び前記図面片に基づいて前記図面片のデータ構造化を学習する機械学習部と、を備える図面機械学習システム。 - 未構造化図面に含まれる特定の有形形状を認識して前記有形形状に構造要素およびこの構造要素に付随する構造情報を付与することを図面片と正解データとの組を教師データに用いてニューラルネットワークに機械学習させるための図面機械学習支援システムにおいて、
構造化図面中の前記構造要素及びこの構造要素に付随する前記構造情報を抽出して前記図面片に含まれる有形形状に紐づけるための正解データを生成する正解データ生成部と、
前記構造化図面の一部を切り出して複数の前記図面片を生成する図面片生成部と、を備える図面機械学習支援システムと、
構造化図面中の構造要素及びこの構造要素に付随する構造情報を抽出して機械学習の正解データを生成する正解データ生成部と、
前記構造化図面の一部を抽出して前記機械学習の認識対象として用いられる複数の図面片を生成する図面片生成部と、を備える図面機械学習システムと、
前記図面機械学習支援システムで生成した前記正解データ及び前記図面片に基づいて前記図面片のデータ構造化を学習する機械学習部と、を備える図面機械学習システムによって前記データ構造化を学習したニューラルネットワークを用いて画像中の有形形状の前記データ構造化をする構造化部と、
前記有形形状から前記データ構造化によって置換された構造化データ片の結合をして結合図面データを生成する結合部と、を備える図面構造化システム。 - 前記構造要素の夫々についての正誤を判定可能な基準データを保持する基準データ保持部と、
前記構造化データ片に含まれる前記構造要素の誤変換を前記基準データに基づいて修正する誤変換修正部と、を備える請求項8に記載の図面構造化システム。 - 前記誤変換が発生した前記画像片又は前記画像、及び前記基準データを教師データとして前記機械学習部で学習させるフィードバック部を備える請求項9に記載の図面構造化システム。
- 隣り合う前記画像片の境界部分に自己特定情報が付与されたマーカーを付加するマーカー付加部と、
前記結合の際に前記マーカーを照合させるマーカー照合部と、を備える請求項8から請求項10のいずれか1項に記載の図面構造化システム。 - 未構造化図面に含まれる特定の有形形状を認識して前記有形形状に構造要素およびこの構造要素に付随する構造情報を付与することを図面片と正解データとの組を教師データに用いてニューラルネットワークに機械学習させるための図面機械学習支援プログラムにおいて、
コンピュータに、構造化図面中の構造要素を抽出して前記図面片に含まれる有形形状に紐づけるための正解データを生成するステップ、
特定の構造要素と他の構造要素との間にデータの関連付けがある場合に、前記図面片は、前記特定の構造要素及び前記他の構造要素の両方を含むように前記構造化図面の一部を切り出して前記機械学習の認識対象として用いられる複数の図面片を生成するステップ、を実行させることを特徴とする図面機械学習支援プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017228558A JP6983636B2 (ja) | 2017-11-29 | 2017-11-29 | 図面機械学習支援システム、図面機械学習システム、図面構造化システム、及び図面機械学習支援プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017228558A JP6983636B2 (ja) | 2017-11-29 | 2017-11-29 | 図面機械学習支援システム、図面機械学習システム、図面構造化システム、及び図面機械学習支援プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019101514A JP2019101514A (ja) | 2019-06-24 |
JP6983636B2 true JP6983636B2 (ja) | 2021-12-17 |
Family
ID=66976930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017228558A Active JP6983636B2 (ja) | 2017-11-29 | 2017-11-29 | 図面機械学習支援システム、図面機械学習システム、図面構造化システム、及び図面機械学習支援プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6983636B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7206407B2 (ja) * | 2019-09-26 | 2023-01-17 | 日立Astemo株式会社 | 内燃機関の制御装置 |
KR102151733B1 (ko) * | 2019-10-22 | 2020-09-03 | 김병복 | 하이테크제조업 운영에 따른 변경점 발생 시 공정안전관리 도면의 변경점 반영 자동화 방법 |
JP7358015B2 (ja) | 2019-11-18 | 2023-10-10 | 日東工業株式会社 | 高圧受電設備、分電盤、配電盤若しくは制御盤の作図に用いられる作図システム |
JP2022057270A (ja) * | 2020-09-30 | 2022-04-11 | エイリーズ ホールディングスプレリミテッド | 人工知能(ai)を用いた間取り図自動作成(トレース)システム |
JP7451373B2 (ja) | 2020-10-12 | 2024-03-18 | 株式会社東芝 | 図面構造化システムおよび図面構造化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0498378A (ja) * | 1990-08-10 | 1992-03-31 | Fujitsu Ltd | 図形分類を行うニューラルネットワーク |
US10800455B2 (en) * | 2015-12-17 | 2020-10-13 | Ford Global Technologies, Llc | Vehicle turn signal detection |
US10373019B2 (en) * | 2016-01-13 | 2019-08-06 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
-
2017
- 2017-11-29 JP JP2017228558A patent/JP6983636B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019101514A (ja) | 2019-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6983636B2 (ja) | 図面機械学習支援システム、図面機械学習システム、図面構造化システム、及び図面機械学習支援プログラム | |
CN109376681B (zh) | 一种多人姿态估计方法及系统 | |
KR102220174B1 (ko) | 머신러닝 학습 데이터 증강장치 및 증강방법 | |
CN106570453B (zh) | 用于行人检测的方法、装置和系统 | |
US11455502B2 (en) | Learning device, classification device, learning method, classification method, learning program, and classification program | |
JP6960722B2 (ja) | 生成装置、生成方法、及び生成プログラム | |
CN111062451B (zh) | 一种基于文本引导图模型的图像描述生成方法 | |
JP6612486B1 (ja) | 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム | |
de las Heras et al. | Wall patch-based segmentation in architectural floorplans | |
KR101888647B1 (ko) | 이미지 분류 장치 및 방법 | |
CN111652266A (zh) | 用户界面组件的识别方法、装置、电子设备和存储介质 | |
CN113342489A (zh) | 任务处理方法及装置、电子设备和存储介质 | |
CN103927533B (zh) | 一种针对早期专利文档扫描件中图文信息的智能处理方法 | |
CN110458221A (zh) | 基于在线注意力累积的挖掘目标物体区域的方法 | |
CN117036552A (zh) | 一种基于扩散模型的动画序列帧生成方法及系统 | |
Braun et al. | Design of a spectral–spatial pattern recognition framework for risk assessments using Landsat data—a case study in Chile | |
CN102870090A (zh) | 过程实体图 | |
WO2021235247A1 (ja) | 学習装置、生成方法、推論装置、推論方法、およびプログラム | |
CN114387608A (zh) | 一种联合卷积与图神经网络的表格结构识别方法 | |
Posada et al. | Labor, Automation, and Human–Machine Communication | |
CN114821188A (zh) | 图像处理方法、场景图生成模型的训练方法以及电子设备 | |
CN114332561A (zh) | 超分辨率模型的训练方法、装置、设备及介质 | |
CN113554655A (zh) | 基于多特征增强的光学遥感图像分割方法及装置 | |
Anthony et al. | An SVM multiclassifier approach to land cover mapping | |
WO2021079441A1 (ja) | 検出方法、検出プログラム及び検出装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200225 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210319 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210406 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210526 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211026 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211124 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6983636 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |