CN111210442A - 图纸图像定位与校对方法、装置及电子设备 - Google Patents
图纸图像定位与校对方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111210442A CN111210442A CN202010002108.XA CN202010002108A CN111210442A CN 111210442 A CN111210442 A CN 111210442A CN 202010002108 A CN202010002108 A CN 202010002108A CN 111210442 A CN111210442 A CN 111210442A
- Authority
- CN
- China
- Prior art keywords
- sub
- drawing image
- image
- point set
- transformation matrix
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/755—Deformable models or variational models, e.g. snakes or active contours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种图纸图像定位与校对方法、装置及电子设备。所述方法包括:利用图像分割的深度学习模型计算得到第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心;根据第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心采用ransac算法计算得到第一图纸图像与第二图纸图像之间的变换矩阵;及通过变换矩阵将第一图纸图像与第二图纸图像进行对齐,再将对齐后的第一图纸图像及第二图纸图像进行相减运算获得第一图纸图像及第二图纸图像之间的差异项。本发明根据基于深度学习模型得到两张图纸图像的变换矩阵进行图纸间的定位与校对,提高了图纸图像间定位与校对的效率,避免人工校对效率低下集校对遗漏的风险的问题。
Description
技术领域
本发明涉及图像领域,具体涉及一种图纸图像定位与校对方法、装置及电子设备。
背景技术
在房地产行业,修改和校对图纸是比较频繁的事情。由于建筑图纸的篇幅较大,内容非常多,标注线密集,所以在人工校对的过程中,需要耗费很多精力在图纸每个区域去查找差异项,而当图纸较多,工程师状态不佳时,漏检的情况发生的概率被大大提高。另外,如果利用未校对完全的图纸去建设楼盘,得到和原规划不一样的效果,造成出图方和建筑方的纠纷,拖慢整个楼盘的建设进度。总的来说,人工校对效率低下,校对遗漏的风险较高,耗费大量的人力和财力。此外,现有技术中大多数是基于角点信息进行图纸校对,然而,由于图纸纹理信息比较少,使得角点的匹配准确率较低,对齐的效果比较差,另外,基于角点信息进行图纸校对方法容易陷入局部最优解,因而迭代计算效果也较差。
发明内容
鉴于以上内容,有必要提出一种图纸图像定位与校对方法、装置及电子设备以解决上述存在的技术问题。
本申请的第一方面提供一种图纸图像定位与校对方法,所述方法包括:
利用图像分割的深度学习模型计算得到第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心;
根据所述第一图纸图像的目标元素的质心及所述第二图纸图像的目标元素的质心采用ransac算法计算得到所述第一图纸图像与所述第二图纸图像之间的变换矩阵;及
通过所述变换矩阵将所述第一图纸图像与所述第二图纸图像进行对齐,再将对齐后的所述第一图纸图像及所述第二图纸图像进行相减运算获得所述第一图纸图像及所述第二图纸图像之间的差异项。
优选地,所述第一图纸图像与所述第二图纸图像为建筑图纸图像,所述目标元素为剪力墙,所述利用图像分割的深度学习模型计算得到第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心包括:
将所述第一图纸图像输入所述图像分割的深度学习模型得到第一剪力墙图像,及将所述第二图纸图像输入所述图像分割的深度学习模型得到第二剪力墙图像;
通过所述第一剪力墙图像的图像矩计算得到所述第一图纸图像中的剪力墙的质心,及通过所述第二剪力墙图像的图像矩计算得到所述第二图纸图像中的剪力墙的质心;及
由所述第一剪力墙图像中的所有剪力墙的质心构成第一点集,及由所述第二剪力墙图像中的所有剪力墙的质心构成第二点集。
优选地,所述将所述第一图纸图像输入所述图像分割的深度学习模型得到第一剪力墙图像包括:
将所述第一图纸图像中的剪力墙作为所述第一图纸图像的分割目标;
根据所述第一图纸图像中的剪力墙对所述第一图纸图像进行手工分割标定,获得第一分割标签;
将所述第一图纸图像和所述第一分割标签输入到深度学习神经网络中进行训练,获得所述图像分割的深度学习模型,其中,所述图像分割的深度学习模型包括依次连接的编码层、解码层和卷积层;及
将所述第一图纸图像输入到所述图像分割的深度学习模型中进行分割,获得的分割图像为第一剪力墙图像。
优选地,所述通过所述第一剪力墙图像的图像矩计算得到所述第一图纸图像中的剪力墙的质心包括:
通过公式
计算得到所述第一图纸图像的质心,其中,V(i,j)为所述第一剪力墙图像在像素点(i,j)上的灰度值,i为所述第一剪力墙图像在像素坐标系的横坐标值,j为所述第一剪力墙图像在像素坐标系的纵坐标值,x1为所述第一剪力墙图像中的剪力墙的质心的横坐标值,y1为所述第一剪力墙图像中的剪力墙的质心的纵坐标值。
优选地,所述根据所述第一图纸图像的目标元素的质心及所述第二图纸图像的目标元素的质心采用ransac算法计算得到所述第一图纸图像与所述第二图纸图像之间的变换矩阵包括:
将所述第一点集分成四个子点集,及将所述第二点集分成四个子点集,其中所述第一点集的每一子点集与所述第二点集的一个子点集相对应,其中,所述第一点集的四个子点集分别为第一子点集、第二子点集、第三子点集及第四子点集,所述第二点集的四个子点集分别为第五子点集、第六子点集、第七子点集及第八子点集;
依次根据所述第一点集的每一子点集与其对应的所述第二点集的子点集利用ransac算法求得四个子变换矩阵及每个子变换矩阵的权系数;及
根据所述四个子变换矩阵及每个变换矩阵的权系数计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵。
优选地,所述依次根据所述第一点集的每一子点集与其对应的第二点集的子点集利用ransac算法求得四个子变换矩阵及每个子变换矩阵的权系数包括:
a)计算当前迭代次数下的所述第一子点集与所述第五子点集之间的第一子变换矩阵,并将第一子变换矩阵作为所述变换矩阵;
b)根据公式Bpre=A1·H1计算得到当前迭代次数下所述第一子点集映射到所述第二图纸图像上的位置的点的集合,获得第一目标点集,其中Bpre为第一目标点集,A1为第一子点集,H1为第一子变换矩阵;
c)对于所述第一目标点集中的每一点,依次求出所述第五子点集中距离该点最近的点、该点与所述最近的点之间的距离,并定义该点与所述最近的点之间的距离为该点的距离,若该点的距离小于预设距离阈值,则保留第一目标点集中的该点,否则,将该点从所述第一目标点集中删除并从所述第五子点集中随机找一点加入到第一目标点集中,并累加所述第一目标点集中的所有点的距离得到前迭代次数下的距离和;
d)如果当前迭代次数下的距离和小于前一迭代次数下的距离和,则调小所述预设距离阈值,否则增大所述预设距离阈值,调整后的所述预设距离阈值用于下一次迭代;
e)重复步骤(a)-(d)求得所述第一目标点集中的所有点所对应的距离和,直到达到指定迭代次数或当前迭代次数下的距离和小于指定值,并将所述第一目标点集中所有点的距离和作为第一子变换矩阵的距离和;
f)利用步骤(a)-(e)分别计算得到第二子点集与第六子点集之间的第二子变换矩阵的距离和、第三子点集与第七子点集之间的第三子变换矩阵的距离和、第四子点集与第八子点集之间的第四子变换矩阵的距离和,并根据公式α1=1-Dall1/max(Dall1,Dall2,Dall3,Dall4)计算出所述第一子变换矩阵的权系数,根据公式α2=1-Dall2/max(Dall1,Dall2,Dall3,Dall4)计算出所述第二子变换矩阵的权系数,根据公式α3=1-Dall3/max(Dall1,Dall2,Dall3,Dall4)计算出所述第三子变换矩阵的权系数,根据公式α3=1-Dall4/max(Dall1,Dall2,Dall3,Dall4)计算出所述第四子变换矩阵的权系数。
优选地,所述根据所述四个子变换矩阵及每个变换矩阵的权系数计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵包括:
根据公式H=α1·H1+α2·H2+α3·H3+α4·H4计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵,其中,H1、H2、H3及H4分别为所述第一子变换矩阵、所述第二子变换矩阵、所述第三子变换矩阵及所述第四子变换矩阵,所述α1为所述第一子变换矩阵的权系数,α2为所述第二子变换矩阵的权系数,α3为所述第三子变换矩阵的权系数,α4为所述第四子变换矩阵的权系数;集
将所述变换矩阵代入步骤(a)中,并重复步骤(a)-(f),直到达到指定迭代次数或当前迭代次数下所有子变换矩阵的距离和小于指定值。
优选地,所述方法还包括:
本申请的第二方面提供一种图纸图像定位与校对装置,所述装置包括:
质心确定模块,用于利用图像分割的深度学习模型计算得到第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心;
变换矩阵计算模块,用于根据所述第一图纸图像的目标元素的质心及所述第二图纸图像的目标元素的质心采用ransac算法计算得到所述第一图纸图像与所述第二图纸图像之间的变换矩阵;及
校对模块,用于通过所述变换矩阵将所述第一图纸图像与所述第二图纸图像进行对齐,再将对齐后的所述第一图纸图像及所述第二图纸图像进行相减运算获得所述第一图纸图像及所述第二图纸图像之间的差异项。
本申请的第三方面提供一种电子设备,所述电子设备包括处理器与存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现上述图纸图像定位与校对方法。
本案根据图像分割的深度学习模型计算得到两张图纸图像的目标元素的质心,及根据两张图纸图像的目质心采用ransac算法计算得到两张图纸图像之间的变换矩阵,并基于两张图纸图像的变换矩阵进行图纸间的定位与校对,提高了图纸图像间定位与校对的效率,避免人工校对效率低下、校对遗漏的风险、及大量的人力和财力的耗费的问题。同时,本案在求解两张图纸之间的变换矩阵时采用多任务迭代求解方法并动态调节ransac算法中的预设距离阈值的范围,从而避免在变换矩阵的求解过程中陷入局部最优解,造成迭代计算效果差的问题。
附图说明
图1为本发明一实施方式中图纸图像定位与校对方法的流程图。
图2为本发明一实施方式中图纸图像定位与校对装置的结构图。
图3为本发明一实施方式中电子设备的示意图。
主要元件符号说明
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
优选地,本发明图纸图像定位与校对方法应用在一个或者多个电子设备中。所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是桌上型计算机、笔记本电脑、平板电脑及云端服务器等计算设备。所述设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例1
图1是本发明一实施方式中图纸图像定位与校对方法的流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
参阅图1所示,所述图纸图像定位与校对方法具体包括以下步骤:
步骤S1,利用图像分割的深度学习模型计算得到第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心。
本实施方式中,所述第一图纸图像与所述第二图纸图像均为建筑图纸图像,所述目标元素为剪力墙。所述利用图像分割的深度学习模型计算得到第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心包括:
(S11)将所述第一图纸图像输入所述图像分割的深度学习模型得到第一剪力墙图像,及将所述第二图纸图像输入所述图像分割的深度学习模型得到第二剪力墙图像;
(S12)通过所述第一剪力墙图像的图像矩计算得到所述第一图纸图像中的剪力墙的质心,及通过所述第二剪力墙图像的图像矩计算得到所述第二图纸图像中的剪力墙的质心;及
(S13)由所述第一剪力墙图像中的所有剪力墙的质心构成第一点集,及由所述第二剪力墙图像中的所有剪力墙的质心构成第二点集。
本实施方式中,所述将所述第一图纸图像输入所述图像分割的深度学习模型得到第一剪力墙图像包括:将所述第一图纸图像中的剪力墙作为所述第一图纸图像的分割目标;根据所述第一图纸图像中的剪力墙对所述第一图纸图像进行手工分割标定,获得第一分割标签;将所述第一图纸图像和所述第一分割标签输入到深度学习神经网络中进行训练,获得所述图像分割的深度学习模型,其中,所述图像分割的深度学习模型包括依次连接的编码层、解码层和卷积层;及将所述第一图纸图像输入到所述图像分割的深度学习模型中进行分割,获得的分割图像为第一剪力墙图像。
本实施方式中,所述将所述第二图纸图像输入所述图像分割的深度学习模型得到第二剪力墙图像包括:将所述第二图纸图像中的剪力墙作为所述第二图纸图像的分割目标;根据所述第二图纸图像中的剪力墙对所述第二图纸图像进行手工分割标定,获得第二分割标签;将所述第二图纸图像和所述第二分割标签输入到深度学习神经网络中进行训练,获得所述图像分割的深度学习模型;及将所述第二图纸图像输入到所述图像分割的深度学习模型中进行分割,获得的分割图像为第二剪力墙图像。
本实施方式中,所述图像矩为1阶矩。所述通过所述第一剪力墙图像的图像矩计算得到所述第一图纸图像中的剪力墙的质心包括:通过如下公式(1)计算得到所述第一图纸图像的质心。
其中,V(i,j)为所述第一剪力墙图像在像素点(i,j)上的灰度值,i为所述第一剪力墙图像在像素坐标系的横坐标值,j为所述第一剪力墙图像在像素坐标系的纵坐标值,x1为所述第一剪力墙图像中的剪力墙的质心的横坐标值,y1为所述第一剪力墙图像中的剪力墙的质心的纵坐标值。
本实施方式中,所述通过所述第二剪力墙图像的图像矩计算得到所述第二图纸图像中的剪力墙的质心包括:通过如下公式(2)计算得到所述第一图纸图像的质心。
其中,U(i,j)为所述第二剪力墙图像在像素点(i,j)上的灰度值,i为所述第二剪力墙图像在像素坐标系的横坐标值,j为所述第二剪力墙图像在像素坐标系的纵坐标值,x2为所述第二剪力墙图像中的剪力墙的质心的横坐标值,y2为所述第二剪力墙图像中的剪力墙的质心的纵坐标值。
步骤S2,根据所述第一图纸图像的目标元素的质心及所述第二图纸图像的目标元素的质心采用ransac算法计算得到所述第一图纸图像与所述第二图纸图像之间的变换矩阵。
本实施方式中,所述根据所述第一图纸图像的目标元素的质心及所述第二图纸图像的目标元素的质心采用ransac算法计算得到所述第一图纸图像与所述第二图纸图像之间的变换矩阵包括:
(S21)将第一点集分成四个子点集,及将第二点集分成四个子点集,其中所述第一点集的每一子点集与第二点集的一个子点集相对应;
(S22)依次根据所述第一点集的每一子点集与其对应的第二点集的子点集利用ransac算法求得四个子变换矩阵及每个子变换矩阵的权系数;及
(S23)根据所述四个子变换矩阵及每个变换矩阵的权系数计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵。
在具体实施方式中,所述将第一点集分成四个子点集,及将第二点集分成四个子点集,其中所述第一点集的每一子点集与第二点集的一个子点集相对应包括:将第一点集随机分成第一子点集、第二子点集、第三子点集及第四子点集,及将第二点集随机分成4份,分别为第五子点集、第六子点集、第七子点集及第八子点集,其中,所述第一点集中每一子点集的数量和所述第二点集中的子点集的数量相同,其中,第一子点集与第五子点集对应,第二子点集与第六子点集对应,第三子点集与第七子点集对应;第四子点集与第八子点集对应。
本实施方式中,所述依次根据所述第一点集的每一子点集与其对应的第二点集的子点集利用ransac算法求得四个子变换矩阵及每个子变换矩阵的权系数包括:
a)计算当前迭代次数下的第一子点集与第五子点集之间的第一子变换矩阵,并将第一子变换矩阵作为所述变换矩阵;
b)根据公式Bpre=A1·H1计算得到当前迭代次数下第一子点集映射到第二图纸图像上的位置的点的集合,获得第一目标点集,其中Bpre为第一目标点集,A1为第一子点集,H1为第一子变换矩阵;
c)对于第一目标点集中的每一点,依次求出第五子点集中距离该点最近的点、该点与所述最近的点之间的距离,并定义该点与所述最近的点之间的距离为该点的距离,若该点的距离小于预设距离阈值,则保留第一目标点集中的该点,否则,将该点从第一目标点集中删除并从第五子点集中随机找一点加入到第一目标点集中,并累加第一目标点集中的所有点的距离得到前迭代次数下的距离和;
d)如果当前迭代次数下的距离和小于前一迭代次数下的距离和,则调小预设距离阈值,否则增大预设距离阈值,调整后的预设距离阈值用于下一次迭代,其中根据公式调整预设距离阈值,其中,Dall为当前迭代次数下的距离和,Dall_last为前一迭代次数下的距离和,Dthesh为预设距离阈值;
e)重复步骤(a)-(d)求得第一目标点集中的所有点所对应的距离和,直到达到指定迭代次数或当前迭代次数下的距离和小于指定值,并将第一目标点集中所有点的距离和作为第一子变换矩阵的距离和;
f)利用步骤(a)-(e)分别计算得到第二子点集与第六子点集之间的第二子变换矩阵的距离和、第三子点集与第七子点集之间的第三子变换矩阵的距离和、第四子点集与第八子点集之间的第四子变换矩阵的距离和,并根据公式α1=1-Dall1/max(Dall1,Dall2,Dall3,Dall4)计算出第一子变换矩阵的权系数,根据公式α2=1-Dall2/max(Dall1,Dall2,Dall3,Dall4)计算出第二子变换矩阵的权系数,根据公式α3=1-Dall3/max(Dall1,Dall2,Dall3,Dall4)计算出第三子变换矩阵的权系数,根据公式α3=1-Dall4/max(Dall1,Dall2,Dall3,Dall4)计算出第四子变换矩阵的权系数。
本实施方式中,所述根据所述四个子变换矩阵及每个变换矩阵的权系数计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵包括:根据公式H=α1·H1+α2·H2+α3·H3+α4·H4计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵,其中,H1、H2、H3及H4分别为第一子变换矩阵、第二子变换矩阵、第三子变换矩阵及第四子变换矩阵,所述α1为第一子变换矩阵的权系数,α2为第二子变换矩阵的权系数,α3为第三子变换矩阵的权系数,α4为第四子变换矩阵的权系数;将所述变换矩阵代入步骤(a)中,并重复步骤(a)-(f),直到达到指定迭代次数或当前迭代次数下所有子变换矩阵的距离和小于指定值。
步骤S3,通过所述变换矩阵将所述第一图纸图像与所述第二图纸图像进行对齐,再将对齐后的所述第一图纸图像及所述第二图纸图像进行相减运算获得所述第一图纸图像及所述第二图纸图像之间的差异项。
本实施方式中,所述方法还包括:显示对齐后的所述第一图纸图像及所述第二图纸图像,以及所述第一图纸图像及所述第二图纸图像之间的差异项。
本案根据图像分割的深度学习模型计算得到两张图纸图像的目标元素的质心,及根据两张图纸图像的目质心采用ransac算法计算得到两张图纸图像之间的变换矩阵,并基于两张图纸图像的变换矩阵进行图纸间的定位与校对,提高了图纸图像间定位与校对的效率,避免人工校对效率低下、校对遗漏的风险、及大量的人力和财力的耗费的问题。同时,本案在求解两张图纸之间的变换矩阵时采用多任务迭代求解方法并动态调节ransac算法中的预设距离阈值的范围,从而避免在变换矩阵的求解过程中陷入局部最优解,造成迭代计算效果差的问题。
实施例2
图2为本发明一实施方式中图纸图像定位与校对装置30的结构图。
在一些实施例中,所述图纸图像定位与校对装置30运行于电子设备中。所述图纸图像定位与校对装置30可以包括多个由程序代码段所组成的功能模块。所述图纸图像定位与校对装置30中的各个程序段的程序代码可以存储于存储器中,并由至少一个处理器所执行,以执行图纸图像定位与校对功能。
本实施例中,所述图纸图像定位与校对装置30根据其所执行的功能,可以被划分为多个功能模块。参阅图2所示,所述图纸图像定位与校对装置30可以包括质心确定模块301、变换矩阵计算模块302、校对模块303及显示模块304。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。所述在一些实施例中,关于各模块的功能将在后续的实施例中详述。
所述质心确定模块301利用图像分割的深度学习模型计算得到第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心。
本实施方式中,所述第一图纸图像与所述第二图纸图像均为建筑图纸图像,所述目标元素为剪力墙。所述质心确定模块301利用图像分割的深度学习模型计算得到第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心包括:
(S11)将所述第一图纸图像输入所述图像分割的深度学习模型得到第一剪力墙图像,及将所述第二图纸图像输入所述图像分割的深度学习模型得到第二剪力墙图像;
(S12)通过所述第一剪力墙图像的图像矩计算得到所述第一图纸图像中的剪力墙的质心,及通过所述第二剪力墙图像的图像矩计算得到所述第二图纸图像中的剪力墙的质心;及
(S13)由所述第一剪力墙图像中的所有剪力墙的质心构成第一点集,及由所述第二剪力墙图像中的所有剪力墙的质心构成第二点集。
本实施方式中,所述将所述第一图纸图像输入所述图像分割的深度学习模型得到第一剪力墙图像包括:将所述第一图纸图像中的剪力墙作为所述第一图纸图像的分割目标;根据所述第一图纸图像中的剪力墙对所述第一图纸图像进行手工分割标定,获得第一分割标签;将所述第一图纸图像和所述第一分割标签输入到深度学习神经网络中进行训练,获得所述图像分割的深度学习模型,其中,所述图像分割的深度学习模型包括依次连接的编码层、解码层和卷积层;及将所述第一图纸图像输入到所述图像分割的深度学习模型中进行分割,获得的分割图像为第一剪力墙图像。
本实施方式中,所述将所述第二图纸图像输入所述图像分割的深度学习模型得到第二剪力墙图像包括:将所述第二图纸图像中的剪力墙作为所述第二图纸图像的分割目标;根据所述第二图纸图像中的剪力墙对所述第二图纸图像进行手工分割标定,获得第二分割标签;将所述第二图纸图像和所述第二分割标签输入到深度学习神经网络中进行训练,获得所述图像分割的深度学习模型;及将所述第二图纸图像输入到所述图像分割的深度学习模型中进行分割,获得的分割图像为第二剪力墙图像。
本实施方式中,所述图像矩为1阶矩。所述通过所述第一剪力墙图像的图像矩计算得到所述第一图纸图像中的剪力墙的质心包括:通过如下公式(1)计算得到所述第一图纸图像的质心。
其中,V(i,j)为所述第一剪力墙图像在像素点(i,j)上的灰度值,i为所述第一剪力墙图像在像素坐标系的横坐标值,j为所述第一剪力墙图像在像素坐标系的纵坐标值,x1为所述第一剪力墙图像中的剪力墙的质心的横坐标值,y1为所述第一剪力墙图像中的剪力墙的质心的纵坐标值。
本实施方式中,所述通过所述第二剪力墙图像的图像矩计算得到所述第二图纸图像中的剪力墙的质心包括:通过如下公式(2)计算得到所述第一图纸图像的质心。
其中,U(i,j)为所述第二剪力墙图像在像素点(i,j)上的灰度值,i为所述第二剪力墙图像在像素坐标系的横坐标值,j为所述第二剪力墙图像在像素坐标系的纵坐标值,x2为所述第二剪力墙图像中的剪力墙的质心的横坐标值,y2为所述第二剪力墙图像中的剪力墙的质心的纵坐标值。
所述变换矩阵计算模块302根据所述第一图纸图像的目标元素的质心及所述第二图纸图像的目标元素的质心采用ransac算法计算得到所述第一图纸图像与所述第二图纸图像之间的变换矩阵。
本实施方式中,所述变换矩阵计算模块302根据所述第一图纸图像的目标元素的质心及所述第二图纸图像的目标元素的质心采用ransac算法计算得到所述第一图纸图像与所述第二图纸图像之间的变换矩阵包括:
(S21)将第一点集分成四个子点集,及将第二点集分成四个子点集,其中所述第一点集的每一子点集与第二点集的一个子点集相对应;
(S22)依次根据所述第一点集的每一子点集与其对应的第二点集的子点集利用ransac算法求得四个子变换矩阵及每个子变换矩阵的权系数;及
(S23)根据所述四个子变换矩阵及每个变换矩阵的权系数计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵。
在具体实施方式中,所述将第一点集分成四个子点集,及将第二点集分成四个子点集,其中所述第一点集的每一子点集与第二点集的一个子点集相对应包括:将第一点集随机分成第一子点集、第二子点集、第三子点集及第四子点集,及将第二点集随机分成4份,分别为第五子点集、第六子点集、第七子点集及第八子点集,其中,所述第一点集中每一子点集的数量和所述第二点集中的子点集的数量相同,其中,第一子点集与第五子点集对应,第二子点集与第六子点集对应,第三子点集与第七子点集对应;第四子点集与第八子点集对应。
本实施方式中,所述依次根据所述第一点集的每一子点集与其对应的第二点集的子点集利用ransac算法求得四个子变换矩阵及每个子变换矩阵的权系数包括:
a)计算当前迭代次数下的第一子点集与第五子点集之间的第一子变换矩阵,并将第一子变换矩阵作为所述变换矩阵;
b)根据公式Bpre=A1·H1计算得到当前迭代次数下第一子点集映射到第二图纸图像上的位置的点的集合,获得第一目标点集,其中Bpre为第一目标点集,A1为第一子点集,H1为第一子变换矩阵;
c)对于第一目标点集中的每一点,依次求出第五子点集中距离该点最近的点、该点与所述最近的点之间的距离,并定义该点与所述最近的点之间的距离为该点的距离,若该点的距离小于预设距离阈值,则保留第一目标点集中的该点,否则,将该点从第一目标点集中删除并从第五子点集中随机找一点加入到第一目标点集中,并累加第一目标点集中的所有点的距离得到前迭代次数下的距离和;
d)如果当前迭代次数下的距离和小于前一迭代次数下的距离和,则调小预设距离阈值,否则增大预设距离阈值,调整后的预设距离阈值用于下一次迭代,其中根据公式调整预设距离阈值,其中,Dall为当前迭代次数下的距离和,Dall_last为前一迭代次数下的距离和,Dthesh为预设距离阈值;
e)重复步骤(a)-(d)求得第一目标点集中的所有点所对应的距离和,直到达到指定迭代次数或当前迭代次数下的距离和小于指定值,并将第一目标点集中所有点的距离和作为第一子变换矩阵的距离和;
f)利用步骤(a)-(e)分别计算得到第二子点集与第六子点集之间的第二子变换矩阵的距离和、第三子点集与第七子点集之间的第三子变换矩阵的距离和、第四子点集与第八子点集之间的第四子变换矩阵的距离和,并根据公式α1=1-Dall1/max(Dall1,Dall2,Dall3,Dall4)计算出第一子变换矩阵的权系数,根据公式α2=1-Dall2/max(Dall1,Dall2,Dall3,Dall4)计算出第二子变换矩阵的权系数,根据公式α3=1-Dall3/max(Dall1,Dall2,Dall3,Dall4)计算出第三子变换矩阵的权系数,根据公式α3=1-Dall4/max(Dall1,Dall2,Dall3,Dall4)计算出第四子变换矩阵的权系数。
本实施方式中,所述根据所述四个子变换矩阵及每个变换矩阵的权系数计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵包括:根据公式H=α1·H1+α2·H2+α3·H3+α4·H4计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵,其中,H1、H2、H3及H4分别为第一子变换矩阵、第二子变换矩阵、第三子变换矩阵及第四子变换矩阵,所述α1为第一子变换矩阵的权系数,α2为第二子变换矩阵的权系数,α3为第三子变换矩阵的权系数,α4为第四子变换矩阵的权系数;将所述变换矩阵代入步骤(a)中,并重复步骤(a)-(f),直到达到指定迭代次数或当前迭代次数下所有子变换矩阵的距离和小于指定值。
所述校对模块303通过所述变换矩阵将所述第一图纸图像与所述第二图纸图像进行对齐,再将对齐后的所述第一图纸图像及所述第二图纸图像进行相减运算获得所述第一图纸图像及所述第二图纸图像之间的差异项。
本实施方式中,所述显示模块304用于显示对齐后的所述第一图纸图像及所述第二图纸图像,以及所述第一图纸图像及所述第二图纸图像之间的差异项。
本案根据图像分割的深度学习模型计算得到两张图纸图像的目标元素的质心,及根据两张图纸图像的目质心采用ransac算法计算得到两张图纸图像之间的变换矩阵,并基于两张图纸图像的变换矩阵进行图纸间的定位与校对,提高了图纸图像间定位与校对的效率,避免人工校对效率低下、校对遗漏的风险、及大量的人力和财力的耗费的问题。同时,本案在求解两张图纸之间的变换矩阵时采用多任务迭代求解方法并动态调节ransac算法中的预设距离阈值的范围,从而避免在变换矩阵的求解过程中陷入局部最优解,造成迭代计算效果差的问题。
实施例3
图3为本发明一实施方式中电子设备6的示意图。
所述电子设备6包括存储器61、处理器62以及存储在所述存储器61中并可在所述处理器62上运行的计算机程序63。所述处理器62执行所述计算机程序63时实现上述图纸图像定位与校对方法实施例中的步骤,例如图1所示的步骤S1~S3。或者,所述处理器62执行所述计算机程序63时实现上述图纸图像定位与校对装置实施例中各模块/单元的功能,例如图2中的模块301~304。
示例性的,所述计算机程序63可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器62执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序63在所述电子设备6中的执行过程。例如,所述计算机程序63可以被分割成图2中的质心确定模块301、变换矩阵计算模块302、校对模块303及显示模块304,各模块具体功能参见实施例2。
本实施方式中所述电子设备6可以为服务器、计算机等设备。本领域技术人员可以理解,所述示意图仅仅是电子设备6的示例,并不构成对电子设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备6还可以包括输入输出设备、网络接入设备、总线等。
所称处理器62可以是中央处理模块(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器62也可以是任何常规的处理器等,所述处理器62是所述电子设备6的控制中心,利用各种接口和线路连接整个电子设备6的各个部分。
所述存储器61可用于存储所述计算机程序63和/或模块/单元,所述处理器62通过运行或执行存储在所述存储器61内的计算机程序和/或模块/单元,以及调用存储在存储器61内的数据,实现所述电子设备6的各种功能。所述存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备6的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述电子设备6集成的模块/单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中,应该理解到,所揭露的电子设备和方法,可以通过其它的方式实现。例如,以上所描述的电子设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
另外,在本发明各个实施例中的各功能模块可以集成在相同处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在相同模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他模块或步骤,单数不排除复数。电子设备权利要求中陈述的多个模块或电子设备也可以由同一个模块或电子设备通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种图纸图像定位与校对方法,其特征在于,所述方法包括:
利用图像分割的深度学习模型计算得到第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心;
根据所述第一图纸图像的目标元素的质心及所述第二图纸图像的目标元素的质心采用ransac算法计算得到所述第一图纸图像与所述第二图纸图像之间的变换矩阵;及
通过所述变换矩阵将所述第一图纸图像与所述第二图纸图像进行对齐,再将对齐后的所述第一图纸图像及所述第二图纸图像进行相减运算获得所述第一图纸图像及所述第二图纸图像之间的差异项。
2.如权利要求1所述的图纸图像定位与校对方法,其特征在于,所述第一图纸图像与所述第二图纸图像为建筑图纸图像,所述目标元素为剪力墙,所述利用图像分割的深度学习模型计算得到第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心包括:
将所述第一图纸图像输入所述图像分割的深度学习模型得到第一剪力墙图像,及将所述第二图纸图像输入所述图像分割的深度学习模型得到第二剪力墙图像;
通过所述第一剪力墙图像的图像矩计算得到所述第一图纸图像中的剪力墙的质心,及通过所述第二剪力墙图像的图像矩计算得到所述第二图纸图像中的剪力墙的质心;及
由所述第一剪力墙图像中的所有剪力墙的质心构成第一点集,及由所述第二剪力墙图像中的所有剪力墙的质心构成第二点集。
3.如权利要求2所述的图纸图像定位与校对方法,其特征在于,所述将所述第一图纸图像输入所述图像分割的深度学习模型得到第一剪力墙图像包括:
将所述第一图纸图像中的剪力墙作为所述第一图纸图像的分割目标;
根据所述第一图纸图像中的剪力墙对所述第一图纸图像进行手工分割标定,获得第一分割标签;
将所述第一图纸图像和所述第一分割标签输入到深度学习神经网络中进行训练,获得所述图像分割的深度学习模型,其中,所述图像分割的深度学习模型包括依次连接的编码层、解码层和卷积层;及
将所述第一图纸图像输入到所述图像分割的深度学习模型中进行分割,获得的分割图像为第一剪力墙图像。
5.如权利要求2所述的图纸图像定位与校对方法,其特征在于,所述根据所述第一图纸图像的目标元素的质心及所述第二图纸图像的目标元素的质心采用ransac算法计算得到所述第一图纸图像与所述第二图纸图像之间的变换矩阵包括:
将所述第一点集分成四个子点集,及将所述第二点集分成四个子点集,其中所述第一点集的每一子点集与所述第二点集的一个子点集相对应,其中,所述第一点集的四个子点集分别为第一子点集、第二子点集、第三子点集及第四子点集,所述第二点集的四个子点集分别为第五子点集、第六子点集、第七子点集及第八子点集;
依次根据所述第一点集的每一子点集与其对应的所述第二点集的子点集利用ransac算法求得四个子变换矩阵及每个子变换矩阵的权系数;及
根据所述四个子变换矩阵及每个变换矩阵的权系数计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵。
6.如权利要求5所述的图纸图像定位与校对方法,其特征在于,所述依次根据所述第一点集的每一子点集与其对应的第二点集的子点集利用ransac算法求得四个子变换矩阵及每个子变换矩阵的权系数包括:
a)计算当前迭代次数下的所述第一子点集与所述第五子点集之间的第一子变换矩阵,并将第一子变换矩阵作为所述变换矩阵;
b)根据公式Bpre=A1·H1计算得到当前迭代次数下所述第一子点集映射到所述第二图纸图像上的位置的点的集合,获得第一目标点集,其中Bpre为第一目标点集,A1为第一子点集,H1为第一子变换矩阵;
c)对于所述第一目标点集中的每一点,依次求出所述第五子点集中距离该点最近的点、该点与所述最近的点之间的距离,并定义该点与所述最近的点之间的距离为该点的距离,若该点的距离小于预设距离阈值,则保留第一目标点集中的该点,否则,将该点从所述第一目标点集中删除并从所述第五子点集中随机找一点加入到第一目标点集中,并累加所述第一目标点集中的所有点的距离得到前迭代次数下的距离和;
d)如果当前迭代次数下的距离和小于前一迭代次数下的距离和,则调小所述预设距离阈值,否则增大所述预设距离阈值,调整后的所述预设距离阈值用于下一次迭代;
e)重复步骤(a)-(d)求得所述第一目标点集中的所有点所对应的距离和,直到达到指定迭代次数或当前迭代次数下的距离和小于指定值,并将所述第一目标点集中所有点的距离和作为第一子变换矩阵的距离和;
f)利用步骤(a)-(e)分别计算得到第二子点集与第六子点集之间的第二子变换矩阵的距离和、第三子点集与第七子点集之间的第三子变换矩阵的距离和、第四子点集与第八子点集之间的第四子变换矩阵的距离和,并根据公式α1=1-Dall1/max(Dall1,Dall2,Dall3,Dall4)计算出所述第一子变换矩阵的权系数,根据公式α2=1-Dall2/max(Dall1,Dall2,Dall3,Dall4)计算出所述第二子变换矩阵的权系数,根据公式α3=1-Dall3/max(Dall1,Dall2,Dall3,Dall4)计算出所述第三子变换矩阵的权系数,根据公式α3=1-Dall4/max(Dall1,Dall2,Dall3,Dall4)计算出所述第四子变换矩阵的权系数。
7.如权利要求6所述的图纸图像定位与校对方法,其特征在于,所述根据所述四个子变换矩阵及每个变换矩阵的权系数计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵包括:
根据公式H=α1·H1+α2·H2+α3·H3+α4·H4计算得到述第一图纸图像与所述第二图纸图像之间的变换矩阵,其中,H1、H2、H3及H4分别为所述第一子变换矩阵、所述第二子变换矩阵、所述第三子变换矩阵及所述第四子变换矩阵,所述α1为所述第一子变换矩阵的权系数,α2为所述第二子变换矩阵的权系数,α3为所述第三子变换矩阵的权系数,α4为所述第四子变换矩阵的权系数;集
将所述变换矩阵代入步骤(a)中,并重复步骤(a)-(f),直到达到指定迭代次数或当前迭代次数下所有子变换矩阵的距离和小于指定值。
9.一种图纸图像定位与校对装置,其特征在于,所述装置包括:
质心确定模块,用于利用图像分割的深度学习模型计算得到第一图纸图像的目标元素的质心及第二图纸图像的目标元素的质心;
变换矩阵计算模块,用于根据所述第一图纸图像的目标元素的质心及所述第二图纸图像的目标元素的质心采用ransac算法计算得到所述第一图纸图像与所述第二图纸图像之间的变换矩阵;及
校对模块,用于通过所述变换矩阵将所述第一图纸图像与所述第二图纸图像进行对齐,再将对齐后的所述第一图纸图像及所述第二图纸图像进行相减运算获得所述第一图纸图像及所述第二图纸图像之间的差异项。
10.一种电子设备,其特征在于,所述电子设备包括处理器与存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1-8中任一项所述图纸图像定位与校对方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002108.XA CN111210442B (zh) | 2020-01-02 | 2020-01-02 | 图纸图像定位与校对方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002108.XA CN111210442B (zh) | 2020-01-02 | 2020-01-02 | 图纸图像定位与校对方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111210442A true CN111210442A (zh) | 2020-05-29 |
CN111210442B CN111210442B (zh) | 2023-02-03 |
Family
ID=70787183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010002108.XA Active CN111210442B (zh) | 2020-01-02 | 2020-01-02 | 图纸图像定位与校对方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210442B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932491A (zh) * | 2020-06-23 | 2020-11-13 | 联宝(合肥)电子科技有限公司 | 一种部件检测方法、装置及存储介质 |
CN114727064A (zh) * | 2022-04-02 | 2022-07-08 | 清华大学 | 施工安全宏观监控***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9811906B1 (en) * | 2016-07-15 | 2017-11-07 | Siemens Healthcare Gmbh | Method and data processing unit for segmenting an object in a medical image |
CN108460552A (zh) * | 2018-01-26 | 2018-08-28 | 中国地质大学(武汉) | 一种基于机器视觉和plc的钢材仓储控制*** |
CN108615236A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种图像处理方法及电子设备 |
-
2020
- 2020-01-02 CN CN202010002108.XA patent/CN111210442B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9811906B1 (en) * | 2016-07-15 | 2017-11-07 | Siemens Healthcare Gmbh | Method and data processing unit for segmenting an object in a medical image |
CN108460552A (zh) * | 2018-01-26 | 2018-08-28 | 中国地质大学(武汉) | 一种基于机器视觉和plc的钢材仓储控制*** |
CN108615236A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种图像处理方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
LE VANBANG等: "深度图像手势分割及HOG-SVM手势识别方法研究", 《计算机应用与软件》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932491A (zh) * | 2020-06-23 | 2020-11-13 | 联宝(合肥)电子科技有限公司 | 一种部件检测方法、装置及存储介质 |
CN111932491B (zh) * | 2020-06-23 | 2022-02-08 | 联宝(合肥)电子科技有限公司 | 一种部件检测方法、装置及存储介质 |
CN114727064A (zh) * | 2022-04-02 | 2022-07-08 | 清华大学 | 施工安全宏观监控***及方法 |
CN114727064B (zh) * | 2022-04-02 | 2022-11-25 | 清华大学 | 施工安全宏观监控***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111210442B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832468B (zh) | 基于生物识别的手势识别方法、装置、计算机设备及介质 | |
CN108399386A (zh) | 饼图中的信息提取方法及装置 | |
US8725734B2 (en) | Sorting multiple records of data using ranges of key values | |
CN111210442B (zh) | 图纸图像定位与校对方法、装置及电子设备 | |
CN112257578A (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
CN112906865B (zh) | 神经网络架构搜索方法、装置、电子设备及存储介质 | |
CN114943673A (zh) | 瑕疵图像生成方法、装置、电子设备及存储介质 | |
CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
CN114821140A (zh) | 基于曼哈顿距离的图像聚类方法、终端设备及存储介质 | |
CN115035017A (zh) | 细胞密度分群方法、装置、电子设备及存储介质 | |
CN107729944B (zh) | 一种低俗图片的识别方法、装置、服务器及存储介质 | |
CN114187598B (zh) | 手写数字识别方法、设备及计算机可读存储介质 | |
CN113791425A (zh) | 雷达p显界面生成方法、装置、计算机设备及存储介质 | |
CN112381458A (zh) | 项目评审方法、项目评审装置、设备及存储介质 | |
CN111815748A (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
US12002272B2 (en) | Method and device for classifing densities of cells, electronic device using method, and storage medium | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN114694159A (zh) | 一种工程图bom识别方法、装置、电子设备和存储介质 | |
CN114881913A (zh) | 图像瑕疵检测方法、装置、电子设备及存储介质 | |
CN113361511A (zh) | 修正模型的建立方法、装置、设备及计算机可读存储介质 | |
CN113468972A (zh) | 用于复杂场景手写识别的手写轨迹切分方法及计算机产品 | |
CN113139490A (zh) | 一种图像特征匹配方法、装置、计算机设备及存储介质 | |
CN113553884A (zh) | 手势识别方法、终端设备及计算机可读存储介质 | |
CN113516738A (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
CN111178630A (zh) | 一种负荷预测方法及装置 |
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 |