CN111815602A - 基于深度学习和形态学的建筑pdf图纸墙体识别装置和方法 - Google Patents
基于深度学习和形态学的建筑pdf图纸墙体识别装置和方法 Download PDFInfo
- Publication number
- CN111815602A CN111815602A CN202010641627.0A CN202010641627A CN111815602A CN 111815602 A CN111815602 A CN 111815602A CN 202010641627 A CN202010641627 A CN 202010641627A CN 111815602 A CN111815602 A CN 111815602A
- Authority
- CN
- China
- Prior art keywords
- wall
- information
- module
- recognition
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims description 36
- 238000001914 filtration Methods 0.000 claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 6
- 238000005260 corrosion Methods 0.000 claims description 18
- 230000007797 corrosion Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 abstract description 2
- 238000002360 preparation method Methods 0.000 abstract description 2
- 230000002776 aggregation Effects 0.000 description 8
- 238000004220 aggregation Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习和图像形态学的建筑PDF图纸墙体的识别装置,包括:PDF图纸转换模块,图纸墙体预识别模块,图纸信息过滤模块,图纸墙体精确识别模,PDF图纸转换模块为墙体预识别模型提供符合格式的数据源;图纸墙体预识别模块用于实现墙体预识别功能,图纸墙体预识别模块以PDF图纸转换模块输出的图纸分割块为输入,获得图纸墙***置分布概率图;图纸信息过滤模块实现了原图纸中噪声信息过滤,为图纸墙体精确识别进行数据准备,图纸墙体精确识别模块以初步噪声过滤后的图纸为输入,实现图纸中墙***置的精确识别。该建筑PDF图纸墙体识别装置,打通了图像类图纸与结构化电子图纸之间的数据壁垒,为后续的众多BIM应用提供了数据基础。
Description
技术领域
本发明涉及非结构化图纸数据信息提取,应用于图纸自动审查、图纸重构等领域,尤其涉及一种基于深度学习和形态学的建筑PDF图纸墙体识别装置和方法。
背景技术
建筑图纸是建筑建造施工过程中的重要指导依据,其中包含了建筑的结构设计、管线布局信息、消防***部署等众多来自不同建筑领域的建筑信息。大型建筑图纸的单层导出图像分辨率通常在20K*20K左右,其中包括轴网、辅助线、实心墙体、空心墙体、标签、引线以及门窗等建筑领域相关构件。
在以AutoCAD为代表的图纸绘制软件出现前,早期建筑图纸绘制工作往往通过手工完成,近些年来,随着CAD技术的普遍应用,电子制图已经逐渐替代了传统的纸质绘图,并积累了大量的图纸数据。
BIM(Building Information Modeling),建筑信息建模是一种实现建筑信息集成的技术。建筑信息建模技术可以整合建筑在多个维度、多个领域的信息,并应用在建筑的设计、施工、运行、维护等多个生命周期。
在与BIM数据有关的应用研究中,图纸自动识别技术一直是研究的重点,也是从图纸数据过渡到BIM数据应用的基础。图纸中的待识别对象可分为聚合类对象与非聚合类对象,聚合类对象包括门、烟感报警器、消防栓等符号类对象。这类对象的构成基本元素会聚集地出现在图纸中一个较小的范围内,聚合类对象包围盒内的无关信息量极少,可以用包围盒近似表达聚合类对象的空间位置信息。非聚合类对象包括墙体、管线等对象,这类对象无法采用包围盒描述位置信息。在非聚合类对象中,墙体识别是建筑的空间结构布局表示的关键,也是图纸自动识别中的难点,图纸内墙体对象的自动识别对建筑图纸的规范审查具有重大意义。
然而,目前大量存在的PDF、JPG等格式的电子图纸均属于图像类非结构化数据,其中对象的基本组成元素为点、直线、弧线等基本几何元素的像素表示,目前尚没有针对此类大型建筑图纸墙体识别的有效方法。
首先,墙体的尺度与原图纸的尺度比例波动幅度较大,导致一般的目标检测方法难以用于墙体识别。
其次,墙体的结构往往不固定,且规模可变范围较大,难以准确描述。在实际图纸中,表示墙体的线条在纹理层次上与图纸背景相似度较高,难以通过纹理特征区分。
在图纸墙体识别任务上,传统的图像形态学方法与基于深度学习的识别模型在建筑户型图墙体识别上都取得了不错的效果,但是两者都难以拓展到内容更加复杂的建筑图纸上,主要原因有以下几点:
(1)组成墙体对象的基本元素在图纸内的空间跨度过大。墙体对象在特定方向上与整张图纸的尺度比例在1:100与1:2之间。过大的尺度占比与剧烈的尺度抖动导致一般的目标检测方法在墙体检测任务上失效。
(2)墙体对象的结构不固定。墙体对象的结构、规模变化范围较大,难以精确描述。
(3)非聚合类对象与图纸的背景相似度高。墙体与图纸的轴网、辅助线等背景信息的边界并不清晰,需要借助更高层次的语义信息进行区分。
(4)基于形态学的户型图墙体识别方法主要作用于内容较单一、信息密度较低的户型图图纸。建筑图纸中的信息密度远高于户型图,过多的噪声叠加使分辨能力较弱的形态学方法失效。
(5)基于深度学习的户型图墙体识别方法通过先识别墙体结构连接点再规划重构的方式实现户型图内的墙体识别工作,而建筑图纸的分辨率远高于户型图图纸,这导致深度模型无法直接处理整张图纸,这会导致墙体结构关键点识别模型的准确率大幅降低,进而影响后续的识别流程。
发明内容
为了解决上述技术问题,本发明将基于深度学习的墙体识别模型与基于图像形态学的墙体识别算法相结合,提出一种针对大型复杂建筑PDF图纸的墙体识别方法,并基于此方法实现一种图纸墙体自动识别装置。
本发明提供了一种基于深度学习和图像形态学的建筑PDF图纸墙体的识别装置,包括:PDF图纸转换模块,图纸墙体预识别模块,图纸信息过滤模块,图纸墙体精确识别模,其特征在于:
PDF图纸转换模块为墙体预识别模型提供符合格式的数据源;
图纸墙体预识别模块用于实现墙体预识别功能,图纸墙体预识别模块以PDF图纸转换模块输出的图纸分割块为输入,获得图纸墙***置分布概率图;
图纸信息过滤模块实现了原图纸中噪声信息过滤,为图纸墙体精确识别进行数据准备,其中噪声信息定义为图纸中非墙体结构内的像素信息;
图纸信息过滤模块对原图纸中的前景信息进行提取,以图纸墙***置分布概率图为指导生成信息屏蔽掩码,依照信息屏蔽掩码对原图纸中提取到的前景信息进行过滤,得到初步噪声过滤结果;
图纸墙体精确识别模块以初步噪声过滤后的图纸为输入,实现图纸中墙***置的精确识别。
进一步地,PDF图纸转换模块按照给定的分辨率,将待识别PDF图纸转换为高清像素图纸,保留图纸中的细节信息;将高清图纸图像转化为二值图,对二值图进行中心内容提取,得到图纸主体部分。
进一步地,图纸墙体预识别模块以图像分割模型为基础,结合关键点识别技术中以热力图为训练目标的监督方法,得到墙体预识别模型;
在训练过程中对输入数据与目标数据进行双边抖动,提高墙体预识别模型对于墙体边界处的敏感度;在使用过程中对于图纸分割块的每一张输入图像,给出其中墙***置分布分的概率图,墙***置分布概率图为与输入图像等大的单通道图像,其中每一个元素的值表示原图纸中对应位置像素属于墙体结构的概率;
将多个图纸分割块的处理结果进行拼接,得到整张图纸的墙***置分布概率图。
进一步地,图纸墙体精确识别模块能够实现墙体闭合,将图纸中具有多种表示方式的墙体全部转化为实心墙体,通过估算图纸中全部墙体的平均宽度得到腐蚀运算迭代次数,并取墙体宽度上限记为I进行运算,得到墙体闭合结果,I为迭代次数;
图纸墙体精确识别模块能够实现过腐蚀还原,在墙体闭合的同时,腐蚀预算导致墙体体积向四周扩张,因此以I为迭代次数进行膨胀运算,抵消墙体扩张的副作用;
图纸墙体精确识别模块能够实现游离线过滤,在经历以上操作后没有形成闭合的线条即为游离线,游离线不属于墙体的一部分,因此通过迭代次数为I的膨胀运算对此类信息进行消去;
图纸墙体精确识别模块能够实现过膨胀还原,膨胀运算在消除游离线的同时削减了墙体厚度,因此通过I次腐蚀运算抵消膨胀运算副作用。
本发明还提供了一种基于深度学习和图像形态学的建筑PDF图纸墙体的识别装置的识别方法,具体包括以下步骤:
步骤1、用户在前端界面上传待识别PDF图纸或PDF图纸导出的JPG、PNG格式图纸,并开始墙体识别流程;
步骤2、PDF图纸转换模块开启图纸预处理任务,将输入数据转化为图像类数据,若输入数据为PDF图纸,则对图纸进行PDF到JPG图像转换;
步骤3、图纸墙体预识别模块对输入图纸进行二值化转,以确保输入数据的数值准确性;
步骤4、图纸墙体预识别模块对二值化图像进行中心裁剪,过滤图像***的无信息背景部分,以减轻后续模型的计算量;
步骤5、图纸墙体预识别模块按照冗余切割方式对输入图纸进行图像分割,得到包含一部分图纸语义信息的多张待处理图像块;
步骤6、图纸墙体预识别模块对图纸分割块进行信息增强与下采样,信息增强操作的目的是防止在下采样过程出现图纸信息丢失的现象,下采样操作获得分辨率适中的图纸分割块;
步骤7、图纸墙体预识别模型逐个处理图纸分割块,生成墙***置分布概率图,并将结果进行拼接;
步骤8、图纸信息过滤模块根据墙***置分布概率图与预设截断阈值,生成墙体信息屏蔽掩码;
步骤9、图纸信息过滤模块以墙体信息屏蔽掩码为依据,对二值化后的图纸进行初步噪声过滤,即只保留原图纸中掩码标志的原始信息,过滤其余的图纸内信息;
步骤10、图纸墙体精确识别模以初步噪声过滤结果为基础,以单向滤波核执行腐蚀运算,进行墙体闭合操作,并对过腐蚀部分通过膨胀运算进行还原;
步骤11、图纸墙体精确识别模以单向滤波核进行膨胀运算,消除游离线,并对过膨胀部分通过腐蚀运算进行还原;
步骤12、图纸墙体精确识别模通过轮过计算与阈值筛选,对识别结果中的干扰项进行过滤;
步骤13、墙体识别结果与原图纸进行叠加现实,传输回前端界面,并提供数据导出接口。
本发明的效益在于:
(1)本发明提出了建筑PDF图纸墙体识别方法,可以识别出非结构化图纸数据中建筑墙体的位置信息,并且与原图纸保持高度一致性,将图像类图纸内的信息转化为可用的结构化信息。
(2)本发明实现了建筑PDF图纸墙体识别装置,可提供数据转换、墙体概率分布图生成、图纸信息过滤、墙体精确识别等一系列功能,打通了图像类图纸与结构化电子图纸之间的数据壁垒,为后续的众多BIM应用提供了数据基础。
附图说明
图1为本发明所述的图纸墙体识别模块流程图。
具体实施方式
以下结合附图1将对本装置的实施方式进行进一步详细描述。
如图1所示,该实施例提供了一种基于深度学习和图像形态学的建筑PDF图纸墙体的识别装置,其实现了大型非结构化图像类图纸中的墙体识别与提取功能,该装置包括:PDF图纸转换模块,图纸墙体预识别模块,图纸信息过滤模块,图纸墙体精确识别模,通过基于深度学习的图像分割技术与关键点检测相关方法,对图纸内的墙体进行预识别,再以识别结果此为基础,结合原始图纸,通过图像形态学方法识别图纸中的墙体结构,其中:
PDF图纸转换模块为墙体预识别模型提供符合格式的数据源。
PDF图纸转换模块按照给定的分辨率,将待识别PDF图纸转换为高清像素图纸,保留图纸中的细节信息;将高清图纸图像转化为二值图,对二值图进行中心内容提取,得到图纸主体部分;将图纸主体部分分割为多张待处理图像块,对待处理图像块进行图像增强,保证图像块结构信息的完整性;通过下采样得到具有一定语义信息且分辨率适中的图纸分割块。
将图纸主体部分分割为多张待处理图像块,对待处理图像块进行图像增强,保证图像块结构信息的完整性;通过下采样得到具有一定语义信息且分辨率适中的图纸分割块。
图纸墙体预识别模块用于实现墙体预识别功能,图纸墙体预识别模块以PDF图纸转换模块输出的图纸分割块为输入,获得图纸墙***置分布概率图。
图纸墙体预识别模块以图像分割模型为基础,结合关键点识别技术中以热力图为训练目标的监督方法,得到墙体预识别模型;在训练过程中对输入数据与目标数据进行双边抖动,提高模型对于墙体边界处的敏感度;在使用过程中对于每一张输入图像,给出其中墙***置分布分的概率图,墙***置分布概率图为与输入图像等大的单通道图像,其中每一个元素的值表示原图纸中对应位置像素属于墙体结构的概率;将多个图纸分割块的输出结果进行拼接,得到整张图纸的墙***置分布概率图。
图纸信息过滤模块实现了原图纸中噪声信息过滤,为图纸墙体精确识别进行数据准备,其中噪声信息定义为图纸中非墙体结构内的像素信息。
图纸信息过滤模块对原图纸中的前景信息进行提取,以图纸墙***置分布概率图为指导生成信息屏蔽掩码,依照掩码对原图纸中提取到的前景信息进行过滤,得到初步噪声过滤结果。
图纸墙体精确识别模块以初步噪声过滤后的图纸为输入,实现了图纸中墙***置的精确识别,识别结果具有较好的连续性与整洁性。其中连续性指识别结果中墙体的连通性与原图所绘制的联通关系保持较高一致性,整洁性指墙体识别结果边缘部分平滑、误识别现象较少与离群噪声点较少。
图纸墙体精确识别模块能够实现墙体闭合,将图纸中具有多种表示方式的墙体全部转化为实心墙体,通过估算墙体宽度的到腐蚀运算迭代次数,并取其上限记为I进行运算,得到墙体闭合结果;
图纸墙体精确识别模块能够实现过腐蚀还原,在墙体闭合的同时,腐蚀预算导致墙体体积向四周扩张,因此以I为迭代次数进行膨胀运算,抵消墙体扩张的副作用;
图纸墙体精确识别模块能够实现游离线过滤,在经历以上操作后没有形成闭合的线条即为游离线,其不属于墙体的一部分,因此通过迭代次数为I的膨胀运算对此类信息进行消去;
图纸墙体精确识别模块能够实现过膨胀还原,膨胀运算在消除游离线的同时削减了墙体厚度,因此同样通过I次腐蚀运算抵消其副作用;干扰项过滤,通过轮廓计算得到识别及过中所有的联通区域,并根据阈值过滤明显不属于墙体的噪声点。
该实施例还提供了一种基于深度学习和图像形态学的建筑PDF图纸墙体的识别装置的识别方法,具体包括以下步骤:
步骤1、用户在前端界面上传待识别PDF图纸或其导出的JPG、PNG格式图纸,并开始墙体识别流程;
步骤2、PDF图纸转换模块开启图纸预处理任务,将输入数据转化为图像类数据,若输入数据为PDF图纸,则以resolution=600对其进行PDF到JPG图像转换;
步骤3、对输入图纸进行二值化转,以确保输入数据的数值准确性;
步骤4、对二值化图像进行中心裁剪,过滤图像***的无信息背景部分,以减轻后续模型的计算量;
步骤5、按照冗余切割方式对输入图纸进行图像分割,得到包含一部分图纸语义信息的图纸块;
步骤6、对分割后的图纸块进行信息增强与下采样,信息增强操作的目的是防止在下采样过程出现图纸信息丢失的现象,下采样操作获得分辨率适中的图纸分割块;
步骤7、图纸墙体预识别模型逐个处理图纸分割块,生成墙***置分布概率图,并将结果进行拼接;
步骤8、图纸信息过滤模块根据墙***置分布概率图与预设截断阈值,生成墙体信息屏蔽掩码;
步骤9、以墙体信息屏蔽掩码为依据,对二值化后的图纸进行初步噪声过滤,即只保留原图纸中信息屏蔽掩码标志的原始信息,过滤其余的图纸内信息;
步骤10、以初步噪声过滤结果为基础,以单向滤波核执行腐蚀运算,进行墙体闭合操作,并对过腐蚀部分通过膨胀运算进行还原;
步骤11、以单向滤波核进行膨胀运算,消除游离线,并对过膨胀部分通过腐蚀运算进行还原;
步骤12、通过轮过计算与阈值筛选,对识别结果中的干扰项进行过滤;
步骤13、墙体识别结果与原图纸进行叠加现实,传输回前端界面,并提供数据导出接口。
尽管参考附图详地公开了本申请,但应理解的是,这些描述仅仅是示例性的,并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定,并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
Claims (5)
1.一种基于深度学习和图像形态学的建筑PDF图纸墙体的识别装置,包括:PDF图纸转换模块,图纸墙体预识别模块,图纸信息过滤模块,图纸墙体精确识别模,其特征在于:
PDF图纸转换模块为墙体预识别模型提供符合格式的数据源;
图纸墙体预识别模块用于实现墙体预识别功能,图纸墙体预识别模块以PDF图纸转换模块输出的图纸分割块为输入,获得图纸墙***置分布概率图;
图纸信息过滤模块实现了原图纸中噪声信息过滤,为图纸墙体精确识别进行数据准备,其中噪声信息定义为图纸中非墙体结构内的像素信息;
图纸信息过滤模块对原图纸中的前景信息进行提取,以图纸墙***置分布概率图为指导生成信息屏蔽掩码,依照信息屏蔽掩码对原图纸中提取到的前景信息进行过滤,得到初步噪声过滤结果;
图纸墙体精确识别模块以初步噪声过滤后的图纸为输入,实现图纸中墙***置的精确识别。
2.根据权利要求1所述的基于深度学习和图像形态学的建筑PDF图纸墙体的识别装置,其特征在于:
PDF图纸转换模块按照给定的分辨率,将待识别PDF图纸转换为高清像素图纸,保留图纸中的细节信息;将高清图纸图像转化为二值图,对二值图进行中心内容提取,得到图纸主体部分。
3.根据权利要求1所述的基于深度学习和图像形态学的建筑PDF图纸墙体的识别装置,其特征在于:
图纸墙体预识别模块以图像分割模型为基础,结合关键点识别技术中以热力图为训练目标的监督方法,得到墙体预识别模型;
在训练过程中对输入数据与目标数据进行双边抖动,提高墙体预识别模型对于墙体边界处的敏感度;在使用过程中对于图纸分割块的每一张输入图像,给出其中墙***置分布分的概率图,墙***置分布概率图为与输入图像等大的单通道图像,其中每一个元素的值表示原图纸中对应位置像素属于墙体结构的概率;将多个图纸分割块的处理结果进行拼接,得到整张图纸的墙***置分布概率图。
4.根据权利要求1所述的基于深度学***均宽度得到腐蚀运算迭代次数,并取墙体宽度上限记为I进行运算,得到墙体闭合结果,I为迭代次数;
图纸墙体精确识别模块能够实现过腐蚀还原,在墙体闭合的同时,腐蚀预算导致墙体体积向四周扩张,因此以I为迭代次数进行膨胀运算,抵消墙体扩张的副作用;
图纸墙体精确识别模块能够实现游离线过滤,在经历以上操作后没有形成闭合的线条即为游离线,游离线不属于墙体的一部分,因此通过迭代次数为I的膨胀运算对此类信息进行消去;
图纸墙体精确识别模块能够实现过膨胀还原,膨胀运算在消除游离线的同时削减了墙体厚度,因此通过I次腐蚀运算抵消膨胀运算副作用。
5.一种基于深度学习和图像形态学的建筑PDF图纸墙体的识别装置的识别方法,具体包括以下步骤:
步骤1、用户在前端界面上传待识别PDF图纸或PDF图纸导出的JPG、PNG格式图纸,并开始墙体识别流程;
步骤2、PDF图纸转换模块开启图纸预处理任务,将输入数据转化为图像类数据,若输入数据为PDF图纸,则对图纸进行PDF到JPG图像转换;
步骤3、图纸墙体预识别模块对输入图纸进行二值化转,以确保输入数据的数值准确性;
步骤4、图纸墙体预识别模块对二值化图像进行中心裁剪,过滤图像***的无信息背景部分,以减轻后续模型的计算量。
步骤5、图纸墙体预识别模块按照冗余切割方式对输入图纸进行图像分割,得到包含一部分图纸语义信息的多张待处理图像块;
步骤6、图纸墙体预识别模块对图纸分割块进行信息增强与下采样,信息增强操作的目的是防止在下采样过程出现图纸信息丢失的现象,下采样操作获得分辨率适中的图纸分割块;
步骤7、图纸墙体预识别模型逐个处理图纸分割块,生成墙***置分布概率图,并将结果进行拼接;
步骤8、图纸信息过滤模块根据墙***置分布概率图与预设截断阈值,生成墙体信息屏蔽掩码;
步骤9、图纸信息过滤模块以墙体信息屏蔽掩码为依据,对二值化后的图纸进行初步噪声过滤,即只保留原图纸中掩码标志的原始信息,过滤其余的图纸内信息;
步骤10、图纸墙体精确识别模以初步噪声过滤结果为基础,以单向滤波核执行腐蚀运算,进行墙体闭合操作,并对过腐蚀部分通过膨胀运算进行还原;
步骤11、图纸墙体精确识别模以单向滤波核进行膨胀运算,消除游离线,并对过膨胀部分通过腐蚀运算进行还原;
步骤12、图纸墙体精确识别模通过轮过计算与阈值筛选,对识别结果中的干扰项进行过滤;
步骤13、墙体识别结果与原图纸进行叠加现实,传输回前端界面,并提供数据导出接口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641627.0A CN111815602B (zh) | 2020-07-06 | 2020-07-06 | 基于深度学习和形态学的建筑pdf图纸墙体识别装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641627.0A CN111815602B (zh) | 2020-07-06 | 2020-07-06 | 基于深度学习和形态学的建筑pdf图纸墙体识别装置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815602A true CN111815602A (zh) | 2020-10-23 |
CN111815602B CN111815602B (zh) | 2022-10-11 |
Family
ID=72842989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010641627.0A Active CN111815602B (zh) | 2020-07-06 | 2020-07-06 | 基于深度学习和形态学的建筑pdf图纸墙体识别装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815602B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712592A (zh) * | 2021-03-26 | 2021-04-27 | 泰瑞数创科技(北京)有限公司 | 建筑物三维模型语义化方法 |
CN113239438A (zh) * | 2021-05-20 | 2021-08-10 | 中机中联工程有限公司 | 一种在bim模型中的快速排布点位方法 |
CN113469086A (zh) * | 2021-07-09 | 2021-10-01 | 上海智臻智能网络科技股份有限公司 | 建筑平面图中的区域划分方法、装置、设备及介质 |
CN113469087A (zh) * | 2021-07-09 | 2021-10-01 | 上海智臻智能网络科技股份有限公司 | 建筑图纸中的图框检测方法、装置、设备及介质 |
CN113780190A (zh) * | 2021-09-14 | 2021-12-10 | 万翼科技有限公司 | 空间轮廓识别及空间检测模型构建方法、设备及存储介质 |
CN113947529A (zh) * | 2021-10-14 | 2022-01-18 | 万翼科技有限公司 | 图像增强方法、模型训练方法、构件识别方法及相关设备 |
CN114517544A (zh) * | 2022-04-21 | 2022-05-20 | 江苏拓信建筑科技有限公司 | 基于数据处理的被动式夹芯墙制作方法及装置 |
CN114663904A (zh) * | 2022-04-02 | 2022-06-24 | 成都卫士通信息产业股份有限公司 | 一种pdf文档布局检测方法、装置、设备及介质 |
CN115393583A (zh) * | 2022-07-21 | 2022-11-25 | 泰瑞数创科技(北京)股份有限公司 | 对墙体进行人工智能语义分割的方法 |
WO2024045826A1 (zh) * | 2022-08-29 | 2024-03-07 | 上海智臻智能网络科技股份有限公司 | 建筑图纸的空间面积计算方法及***、建筑图纸的处理方法、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971098A (zh) * | 2014-05-19 | 2014-08-06 | 北京明兰网络科技有限公司 | 户型图中墙体的识别方法及户型图长度比例自动校正方法 |
WO2016050083A1 (zh) * | 2014-09-29 | 2016-04-07 | 苏州四方万象信息科技有限公司 | 将建筑物二维图像转换为三维结构的方法 |
CN108763813A (zh) * | 2018-06-08 | 2018-11-06 | 杭州群核信息技术有限公司 | 一种基于深度学习识别临摹图中墙体的方法和装置 |
CN108804815A (zh) * | 2018-06-08 | 2018-11-13 | 杭州群核信息技术有限公司 | 一种基于深度学习辅助识别cad中墙体的方法和装置 |
-
2020
- 2020-07-06 CN CN202010641627.0A patent/CN111815602B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971098A (zh) * | 2014-05-19 | 2014-08-06 | 北京明兰网络科技有限公司 | 户型图中墙体的识别方法及户型图长度比例自动校正方法 |
WO2016050083A1 (zh) * | 2014-09-29 | 2016-04-07 | 苏州四方万象信息科技有限公司 | 将建筑物二维图像转换为三维结构的方法 |
CN108763813A (zh) * | 2018-06-08 | 2018-11-06 | 杭州群核信息技术有限公司 | 一种基于深度学习识别临摹图中墙体的方法和装置 |
CN108804815A (zh) * | 2018-06-08 | 2018-11-13 | 杭州群核信息技术有限公司 | 一种基于深度学习辅助识别cad中墙体的方法和装置 |
Non-Patent Citations (4)
Title |
---|
ZHILIANG ZENG, ETC.: "Deep Floor Plan Recognition Using a Multi-Task Network With Room-Boundary-Guided Attention", 《2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
姜泓列: "施工图设计阶段BIM模型的工程算量问题研究", 《山东工业技术》 * |
李伟青: "建筑构件智能识别方法研究", 《浙江大学学报(理学版)》 * |
马焜阳等: "利用Faster R-CNN自动识别建筑平面图功能构件的方法", 《测绘科学技术学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712592A (zh) * | 2021-03-26 | 2021-04-27 | 泰瑞数创科技(北京)有限公司 | 建筑物三维模型语义化方法 |
CN113239438A (zh) * | 2021-05-20 | 2021-08-10 | 中机中联工程有限公司 | 一种在bim模型中的快速排布点位方法 |
CN113469086A (zh) * | 2021-07-09 | 2021-10-01 | 上海智臻智能网络科技股份有限公司 | 建筑平面图中的区域划分方法、装置、设备及介质 |
CN113469087A (zh) * | 2021-07-09 | 2021-10-01 | 上海智臻智能网络科技股份有限公司 | 建筑图纸中的图框检测方法、装置、设备及介质 |
CN113469086B (zh) * | 2021-07-09 | 2023-06-06 | 上海智臻智能网络科技股份有限公司 | 建筑平面图中的区域划分方法、装置、设备及介质 |
CN113469087B (zh) * | 2021-07-09 | 2023-05-16 | 上海智臻智能网络科技股份有限公司 | 建筑图纸中的图框检测方法、装置、设备及介质 |
CN113780190A (zh) * | 2021-09-14 | 2021-12-10 | 万翼科技有限公司 | 空间轮廓识别及空间检测模型构建方法、设备及存储介质 |
CN113947529B (zh) * | 2021-10-14 | 2023-01-10 | 万翼科技有限公司 | 图像增强方法、模型训练方法、构件识别方法及相关设备 |
CN113947529A (zh) * | 2021-10-14 | 2022-01-18 | 万翼科技有限公司 | 图像增强方法、模型训练方法、构件识别方法及相关设备 |
CN114663904A (zh) * | 2022-04-02 | 2022-06-24 | 成都卫士通信息产业股份有限公司 | 一种pdf文档布局检测方法、装置、设备及介质 |
CN114517544A (zh) * | 2022-04-21 | 2022-05-20 | 江苏拓信建筑科技有限公司 | 基于数据处理的被动式夹芯墙制作方法及装置 |
CN114517544B (zh) * | 2022-04-21 | 2022-08-23 | 江苏拓信建筑科技有限公司 | 基于数据处理的被动式夹芯墙制作方法及装置 |
CN115393583A (zh) * | 2022-07-21 | 2022-11-25 | 泰瑞数创科技(北京)股份有限公司 | 对墙体进行人工智能语义分割的方法 |
CN115393583B (zh) * | 2022-07-21 | 2023-09-29 | 泰瑞数创科技(北京)股份有限公司 | 对墙体进行人工智能语义分割的方法 |
WO2024045826A1 (zh) * | 2022-08-29 | 2024-03-07 | 上海智臻智能网络科技股份有限公司 | 建筑图纸的空间面积计算方法及***、建筑图纸的处理方法、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111815602B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815602B (zh) | 基于深度学习和形态学的建筑pdf图纸墙体识别装置和方法 | |
CN111898507B (zh) | 一种预测无标签遥感影像地表覆盖类别的深度学习方法 | |
CN110287849B (zh) | 一种适用于树莓派的轻量化深度网络图像目标检测方法 | |
CN110322495B (zh) | 一种基于弱监督深度学习的场景文本分割方法 | |
CN112966684A (zh) | 一种注意力机制下的协同学习文字识别方法 | |
CN112861575A (zh) | 一种行人结构化方法、装置、设备和存储介质 | |
CN112287832A (zh) | 一种基于高分辨率遥感影像的城镇违法建筑物检测方法 | |
CN112183203A (zh) | 一种基于多尺度像素特征融合的实时交通标志检测方法 | |
CN115311463B (zh) | 类别引导多尺度解耦的海洋遥感图像文本检索方法及*** | |
CN109299303B (zh) | 基于可变形卷积与深度网络的手绘草图检索方法 | |
Lee | Recognizing hand-drawn electrical circuit symbols with attributed graph matching | |
CN116797787B (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
CN113469294B (zh) | 一种rpa机器人中图标检测方法及其*** | |
CN115424017B (zh) | 一种建筑物内外轮廓分割方法、装置及存储介质 | |
Ortega et al. | Generating 3D city models from open LiDAR point clouds: Advancing towards smart city applications | |
CN112884758A (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及*** | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN114882494B (zh) | 一种基于多模态注意力驱动的三维点云特征提取方法 | |
CN114283343B (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN113888505A (zh) | 一种基于语义分割的自然场景文本检测方法 | |
CN117671480A (zh) | 基于视觉大模型的滑坡自动识别方法、***和计算机设备 | |
CN117152630A (zh) | 一种基于深度学习的光学遥感图像变化检测方法 | |
CN113408651B (zh) | 基于局部判别性增强的无监督三维物体分类方法 | |
Li et al. | Multi-Scale Fusion Siamese Network Based on Three-Branch Attention Mechanism for High-Resolution Remote Sensing Image Change Detection | |
CN114627183A (zh) | 一种激光点云3d目标检测方法 |
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 |