CN113537026A - 建筑平面图中的图元检测方法、装置、设备及介质 - Google Patents
建筑平面图中的图元检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113537026A CN113537026A CN202110775938.0A CN202110775938A CN113537026A CN 113537026 A CN113537026 A CN 113537026A CN 202110775938 A CN202110775938 A CN 202110775938A CN 113537026 A CN113537026 A CN 113537026A
- Authority
- CN
- China
- Prior art keywords
- channel
- image features
- primitive
- fusion
- basic image
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种建筑平面图中的图元检测方法、装置、设备及介质。该方法包括:在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征;采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征;根据多通道的融合图像特征得到多个分割图;采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果。在上述技术方案中,基于人工智能算法对建筑平面图中提取的特征进行处理,获取图元识别结果,实现了对建筑平面图中的图元的精准检测,避免了由于遮挡或干扰导致的漏检和误检的问题。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种建筑平面图中的图元检测方法、装置、设备及介质。
背景技术
随着人工智能技术的快速发展,人工智能技术已经被广泛应用于金融服务、医疗影像、测序诊断、机器视觉、工业检测等多种应场景中。
目前,关于建筑行业,尤其是关于建筑图纸的审核,审核信息量多,例如,建筑平面图中的构件(即图元)是否完整标识了平面的总尺寸、开间或进深尺寸,构件的各项指标(如面积、长度及周长等)是否是按照规范要求或者规划条件计算的。然而在对建筑平面图进行分析时,由于建筑平面图中构件背景的多样性、其他构件的遮挡、辅助线和文字的干扰等原因,常常会对建筑平面图中的构件检测产生影响,导致漏检和误检的问题。因此,如何基于人工智能算法实现对建筑平面图中的图元的精准检测,避免由于遮挡或干扰导致的漏检和误检的问题是亟待解决的问题。
发明内容
本发明实施例提供一种建筑平面图中的图元检测方法、装置、设备及介质,以基于人工智能算法实现对建筑平面图中的图元的精准检测,避免由于遮挡或干扰导致的漏检和误检的问题。
第一方面,本发明实施例提供了一种建筑平面图中的图元检测方法,包括:
在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征;
采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征;
根据所述多通道的融合图像特征,得到多个分割图,不同分割图中包括的图元对应不同的内核尺度;
采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果。
第二方面,本发明实施例还提供了一种建筑平面图中的图元检测装置,包括:
多通道基础图像特征提取模块,用于在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征;
多通道的融合图像特征生成模块,用于采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征;
分割图生成模块,用于根据所述多通道的融合图像特征,得到多个分割图,不同分割图中包括的图元对应不同的内核尺度;
图元识别结果获取模块,用于采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任意实施例所述的建筑平面图中的图元检测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所述的建筑平面图中的图元检测方法。
本发明实施例提供的技术方案中,在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征,采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后进行特征融合,得到多通道的融合图像特征,然后根据多通道的融合图像特征得到多个分割图,再采用渐进式扩展算法将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果,通过人工智能算法对在建筑平面图中提取到的特征进行处理,能够有效地提高图元的检测效果,得到精确度高的图元识别结果,实现了对建筑平面图中的图元的精准检测,避免了由于遮挡或干扰导致的漏检和误检的问题。
附图说明
图1是本发明实施例一中的一种建筑平面图中的图元检测方法的流程示意图;
图2a是本发明实施例二中的一种建筑平面图中的图元检测方法的流程示意图;
图2b是本发明实施例二中的一种用于获取建筑平面图的图元识别结果的模型结构示意图;
图3是本发明实施例三中的一种建筑平面图中的图元检测装置的结构示意图;
图4是本发明实施例四中的一种计算机设备的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本发明实施例一提供的一种建筑平面图中的图元检测方法的流程图,本发明实施例可适用于对建筑平面图中的图元进行精准检测的情况,该方法可以由本发明实施例提供的建筑平面图中的图元检测装置来执行,该装置可采用软件和/或硬件的方式实现,并一般可集成在计算机设备中。
如图1所示,本实施例提供的一种建筑平面图中的图元检测方法,具体包括:
S110、在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征。
待识别的建筑平面图,指的是要进行图元检测的建筑平面图。其中,图元,指的是绘图界面中的图形数据,在本发明实施例中,图元是指建筑平面图中的构件,也就是构成建筑物的各个要素,如楼面、墙体、房梁等。
多通道基础图像特征,指的是在建筑平面图中提取出的多维尺度下的图像特征。
为了使提取的图像特征能够更好地表征建筑平面图的不同区域,因此可以提取建筑平面图中的多个尺度下的多通道基础图像特征。对于图像分辨率高(即低维尺度)的多通道基础图像特征,具有丰富的细节信息以及较小的感受野,适合对小目标进行检测;而对于图像分辨率低(即高维尺度)的多通道基础图像特征,具有较高的图像语义信息以及较大的感受野,适合对大目标进行检测。其中,感受野(Receptive Field),指的是卷积神经网络每一层输出的图像特征上的像素点在输入图片上映射的区域大小,在本发明实施例中,感受野是指多通道基础图像特征在建筑平面图中上映射的区域大小,也就是多通道基础图像特征上的每一个点对应建筑平面图上的区域。
需要说明的是,在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征之前,可以采用现有技术中的任一种目标检测算法,如YOLO-v3(You Only Look Once-version3)算法或SSD(Single Shot MultiBox Detector)算法等,对标准建筑图纸进行检测,获取待识别的建筑平面图,本发明实施例对此不做具体限定。其中,标准建筑图纸,指的是包含多个图框(如与建筑平面图对应的小图框、建筑设计说明图框等辅助图框)的建筑工程图纸。
S120、采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征。
空洞卷积(Atrous Convolution)算法,也即膨胀卷积算法(或扩张卷积算法),是在标准的卷积核中注入空洞,用于增加感受野并降低计算量。
多通道的融合图像特征,指的是将多个尺度下的多通道基础图像特征进行融合后得到的图像特征,能够表征建筑平面图中的多维尺度特征。
由于低维尺度下图像特征的特征分辨率较高,包含更多的细节信息,而高维尺度下图像特征的特征分辨率较低,对细节感知能力较差,因此为了使提取的特征能够更好地表征建筑平面图,可以将不同尺度下的多通道基础图像特征进行融合。在进行特征融合之前,可以采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野,获取多尺度下的多通道基础图像特征与建筑平面图的上下文信息,然后利用空洞卷积算法处理后的多通道基础图像特征进行特征融合,将不同尺度的特征信息融合在一起,得到多通道的融合图像特征,进而能够得到建筑平面图中的图元在多尺度下的特征信息,尤其是被辅助线或文字等干扰遮挡住的图元的特征信息,提高了建筑平面图的图元检测性能。
S130、根据多通道的融合图像特征,得到多个分割图,不同分割图中包括的图元对应不同的内核尺度。
分割图,指的是将多通道的融合图像特征进行分割后得到的多个特征图。
内核尺度,指的是各分割图对应的多通道的融合图像特征的分割尺度。其中,最大的内核尺度对应的分割图即为多通道的融合图像特征。
为了能够对交叉重叠的图元进行检测,需要准确地检测出各图元的边缘信息,因此,可以在检测前,可以将多通道的融合图像特征按照不同的内核尺度,分割成多个分割图,分割得到的多个分割图与多通道的融合图像特征具有相同的形状和中心点,但在尺度上逐渐增加,以基于渐进式扩展算法对各分割图中的图元进行合并。
S140、采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果。
渐进式扩展(Progressive Scale Expansion,PSE)算法,指的是一种基于分割的文本检测算法,能够对邻近的文本区域进行检测,在本发明实施例中,采用渐进式扩展算法,能够对建筑平面图中任意形状的图元进行定位,并有效地区分相邻或部分重叠的图元的边界。
内核比例,指的是各分割图中的图元对应于多通道的融合图像特征的收缩比例。
图元区域,指的是合并各分割图中的图元后,得到的与最大内核尺度的分割图大小一致的区域,也就是建筑平面图中各图元所在区域。
图元识别结果,指的是图元检测结果,例如,建筑平面图中的各图元对应的区域范围及各图元区域在建筑平面图中的位置信息等。
采用渐进式扩展算法,合并各分割图中不同内核比例的图元,得到至少一个完整的图元区域,能够有效地对各图元的边界进行检测,区分邻近的图元区域,避免了由于遮挡、干扰或图元分布密集原因导致的漏检和误检的问题,并且采用渐进式扩展算法能够对图元区域进行定位,获取该图元区域在建筑平面图中的位置信息。
作为一种可选的实施方式,根据多通道融合图像特征,得到多个分割图,可以包括:将多通道融合图像特征进行通道融合,得到目标融合图像;将目标融合图像输入至图像分割模型中,并通过图像分割模型输出多个分割图,其中,每个分割图中包括设定内核尺度的全部图元的掩码图;
采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,可以包括:采用广度优先法,按照内核比例由小到大的顺序,依次合并各分割图中包括的各图元,得到至少一个图元区域。
通道融合,用于对多通道融合图像特征进行融合,并得到具有相同通道数(指的是卷积核的数量)的图像特征,也即得到目标融合图像。示例性的,可以使用设定通道数的1*1卷积核对多通道融合图像特征进行通道融合,得到目标融合图像。
图像分割模型,用于对输入的目标融合图像进行图像分割,并输出分割后得到的多个分割图。
掩码图,指的是多通道的融合图像特征中的不同图元在某个确定尺度(即设定内核尺度)下的分割结果,在该掩码图中,图元所在位置的像素点一般为黑色,非图元所在位置的像素点一般为白色。
广度优先法(Breadth First Search,BFS),指的是一种盲目搜寻法,检查图像中的所有节点直至搜寻到结果,在本发明实施例中,广度优先法用于合并各分割图中不同内核比例的图元,直至得到至少一个图元区域。
将多通道融合图像特征进行通道融合,得到具有相同通道数的目标融合图像,并输入至图像分割模型中获得多个分割图,然后采用广度优先法,从最小内核比例的分割图开始,依次向较大内核比例的分割图中合并,以扩展分割图的区域,直至扩展到最大内核比例的分割图,也就是说,逐渐扩展小内核比例的各分割图中的图元,直至覆盖最大内核比例的各分割图中的图元,得到至少一个图元区域。通过多个分割图将图元检测区域从小逐渐扩展至最大,并获得完整的图元区域,对任意形状的图元都具有鲁棒性,可以快速准确地分离出接近甚至部分重叠的图元边界。
本发明实施例提供的技术方案,在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征,采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后进行特征融合,得到多通道的融合图像特征,然后根据多通道的融合图像特征得到多个分割图,再采用渐进式扩展算法将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果,通过人工智能算法对在建筑平面图中提取到的特征进行处理,能够有效地提高图元的检测效果,得到精确度高的图元识别结果,实现了对建筑平面图中的图元的精准检测,避免了由于遮挡或干扰导致的漏检和误检的问题。
在本实施例的一个可选的实施方式中,在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征之前,还可以包括:
采用形态学算法对标准建筑图纸进行预识别,并根据预识别结果,在标准建筑图纸中截取得到至少一个备选图框检测区域,标准建筑图纸中包括至少一个图像尺寸小于或等于预设标准识别尺寸的小图框;针对每个备选图框检测区域,执行下述各图框检测处理操作:在备选图框检测区域中,提取出多通道的基础图像特征;在保持基础图像特征不缺失的基础上,在各基础图像特征中提取得到多通道的高维度图像特征,并增强各高维度图像特征的图像特征质量;在保持高维度图像特征不缺失的基础上,将多通道的高维度图像特征进行特征融合,得到多通道的融合图像特征;根据多通道的融合图像特征,获取备选图框检测区域的图框识别结果,并将识别出的各图框作为待识别的建筑平面图。
形态学算法,指的是一种通过一定形态的结构元素度量和提取图像中的对应形状,以达到对图像进行分析和识别的算法。在本发明实施例中,形态学算法用于获取标准建筑图纸的图框信息。
预识别结果,指的是采用形态学算法在标准建筑图纸中识别出的至少一个图像尺寸小于或等于预设标准识别尺寸的小图框。其中,预设标准识别尺寸,指的是预先设定的一个可以通过形态学算法识别出的图框的最大尺寸。
备选图框检测区域,指的是在标准建筑图纸中截取的区域。
图像特征质量,用于衡量图像特征能够表征备选图框检测区域的程度。
图框识别结果,指的是对备选图框检测区域进行图框检测后得到的结果。
在标准建筑图纸中可能包括多个图框,例如,对于住宅项目的标准建筑图纸,其中可能包括图像目录、建筑设计说明等图框,因此,在对建筑平面图进行图元检测之前,还需要智能检测出标准建筑图纸中的待识别的建筑平面图,具体为:首先采用形态学算法对标准建筑图纸进行预识别,得到至少一个小于或等于预设标准识别尺寸的小图框,然后根据识别得到的小图框,在标准建筑图纸中截取至少一个备选图框检测区域,并对该区域进行图框检测,以确定该图框是否为待识别的建筑平面图。
其中,备选图框检测区域的图框检测,具体为:首先可以采用不同通道数的卷积核对备选图框检测区域进行卷积处理,提取出多通道的基础图像特征,其次在各基础图像特征中提取得到多通道的高维度图像特征并进行图像特征质量的增强,然后将多通道的高维度图像特征进行特征融合得到多通道的融合图像特征,最后根据多通道的融合图像特征获取备选图框检测区域的图框识别结果,并将识别出的各图框作为待识别的建筑平面图。
这样设置的好处在于,采用形态学算法可以在标准建筑图纸中识别出至少一个小图框,避免直接将图像分辨率非常高的标准建筑图纸输入至检测模型中,造成检测模型无法正确识别的问题,降低输入至检测模型中的图像的分辨率;然后根据识别得到的小图框,在标准建筑图纸中截取至少一个备选图框检测区域,并对备选图框检测区域进行智能检测,从而确定待识别的建筑平面图,无需专业人员进行人工图纸审核,提高了标准建筑图纸中待识别的建筑平面图的查找速度,实现了自动化图纸审核及图框信息查找。
在上述各实施例的基础上,采用形态学算法对标准建筑图纸进行预识别,并根据预识别结果,在标准建筑图纸中截取得到至少一个备选图框检测区域,可以包括:
对所述标准建筑图纸进行二值化处理,得到二值化图像;对所述二值化图像进行腐蚀和/或膨胀处理,以平滑二值化图像中的物体边界;对处理后的二值化图像进行边缘点检测,得到多个边缘点,并根据检测到的各边缘点进行连通域检测,获取检测到的各连通域在二值化图像中的位置坐标范围;根据各所述位置坐标范围,在标准建筑图纸中截取得到与各连通域分别对应的备选图框检测区域。
在上述各实施例的基础上,在备选图框检测区域中,提取出多通道的基础图像特征,可以包括:
将所述备选图框检测区域输入至轻量级网络中,并对所述轻量级网络的多个瓶颈层的输出结果输入至路径聚合网络,得到多通道的基础图像特征;
其中,不同瓶颈层用于输出不同尺度的基础图像特征。
在上述各实施例的基础上,在保持基础图像特征不缺失的基础上,在各基础图像特征中提取得到多通道的高维度图像特征,可以包括:
将所述多通道的基础图像特征输入至空间金字塔池化网络中,通过空间金字塔池化网络在多尺度的多通道的基础图像特征中,提取得到标准尺度的多通道的高维度图像特征。
在上述各实施例的基础上,增强各高维度图像特征的图像特征质量,可以包括:
将所述多通道的高维度图像特征输入至亚像素卷积网络中,通过亚像素卷积网络将各低分辨率的高维图像特征分别***到高分辨率特征谱中,以增强各高维度图像特征的特征质量。
在上述各实施例的基础上,在保持高维度图像特征不缺失的基础上,将多通道的高维度图像特征进行特征融合,得到多通道的融合图像特征,可以包括:
使用设定数量的1*1的卷积核对所述多通道的高维度图像特征进行卷积处理,得到多通道的融合图像特征。
在上述各实施例的基础上,根据多通道的融合图像特征,获取备选图框检测区域的图框识别结果,可以包括:
将所述多通道的融合图像特征分别输入至分类网络和定位网络中,并通过分类网络输出的分类结果,以及定位网络输出的定位结果,在所述备选图框检测区域中标识出图框所在的区域位置坐标。
在上述各实施例的基础上,针对每个备选图框检测区域,执行各图框检测处理操作,具体可以包括:
将每个备选图框检测区域分别输入至预先训练的图框识别模型中,获取所述图框识别模型针对每个备选图框检测区域输出的图框识别结果;
其中,所述图框识别模型中具体包括:轻量级网络、路径聚合网络、空间金字塔池化网络、亚像素卷积网络、1*1的卷积核、分类网络以及定位网络;
所述图框识别模型在训练时使用的训练样本包括:预先标注有每一户建筑平面图所在图框位置的标准建筑图纸。
实施例二
图2a是本发明实施例二提供的一种建筑平面图中的图元检测方法的流程图。本实施例在上述实施例的基础上进行具体化,其中,可以将在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征,具体为:
将建筑平面图输入至残差网络中,并获取残差网络的多个残差块的输出结果,作为多个尺度下的多通道基础图像特征;
其中,每个残差块用于输出设定尺度下的多通道基础图像特征。
进一步的,在采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野之前,还可以包括:
将各尺度下的多通道基础图像特征分别进行上采样处理,以增加多通道基础图像特征中的高维度特征。
如图2a所示,本实施例提供的一种建筑平面图中的图元检测方法,具体包括:
S210、将建筑平面图输入至残差网络中,并获取残差网络的多个残差块的输出结果,作为多个尺度下的多通道基础图像特征。
残差网络(Residual Network,ResNet),用于提取建筑平面图中的多尺度的图像特征。
残差块(ResBlock),指的是残差网络中的基本结构单元,每个残差块用于输出设定尺度下的多通道基础图像特征。
可以理解的是,一个残差网络中可以设置多个残差块,不同的残差块可以输出不同尺度下的图像特征。在残差网络中输入建筑平面图,可以分别输出不同设定尺度下的图像特征,故可以得到多个不同尺度下的多通道基础图像特征。
S220、将各尺度下的多通道基础图像特征分别进行上采样处理,以增加多通道基础图像特征中的高维度特征。
其中,上采样,用于增加高维度特征信息,聚合多通道基础图像特征中的图像语义信息。
示例性的,可以将各尺度下的多通道基础图像特征依次通过预设通道数的1*1的卷积核进行卷积处理后,进行2倍上采样处理,以在保证多通道基础图像特征不缺失的基础上,增加多通道基础图像特征中的高维度特征,使多通道基础图像特征中能够包含与图像语义相关的特征,进而提高建筑平面图中的图元检测效果。
S230、采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征。
可选的,采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野,可以包括:获取与各尺度的多通道基础图像特征分别对应的空洞卷积比率;将每个空洞卷积比率的卷积核与匹配的多通道基础图像特征分别进行卷积运算,以增加各尺度下的多通道基础图像特征的感受野。
其中,空洞卷积比率,即膨胀率(或扩张率),指的是卷积核的点的间隔数量,用于表示感受野增加的大小。对于较小的空洞卷积比率,感受野较小,有利于对小目标进行检测;对于较大的空洞卷积比率,感受野较大,有利于对大目标进行检测。例如,空洞卷积比率为1,表示卷积核的点之间相邻,相当于一般卷积;空洞卷积比率不为1,以空洞卷积比率为2为例,表示卷积核的点之间间隔一个像素,即空洞卷积比率为2的空洞卷积的3*3卷积核与一般卷积的5*5卷积核具有相同的感受野。
为了能够增加各尺度下的多通道基础图像特征的感受野,使感受野能够无盲区地覆盖整个多通道基础图像特征所对应的区域,因此可以获取与各尺度的多通道基础图像特征分别对应的空洞卷积比率,将每个空洞卷积比率的卷积核与匹配的多通道基础图像特征分别进行卷积运算。
可选的,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征,可以包括:将各尺度下的多通道基础图像特征共同输入至合并网络中,得到第一通道数的融合图像特征;使用设定通道数的1*1的卷积核对第一通道数的融合图像特征进行卷积处理,得到第二通道数的融合图像特征。
合并网络,指的是一个用于特征融合的网络层。
第一通道数的融合图像特征,指的是将多尺度下的多通道基础图像特征进行融合后得到的图像特征。
第二通道数的融合图像特征,指的是在保证第一通道数的融合图像特征不缺失的基础上,对第一通道数的融合图像特征进行信息整合后的具有特定维度的图像特征。
由于低维尺度下图像特征的特征分辨率较高,包含更多的细节信息,而高维尺度下图像特征的特征分辨率较低,对细节感知能力较差,因此,在本发明实施例中,为了使提取的特征能够更好地描述建筑平面图中的图元,可以融合不同尺度下的多通道基础图像特征,改善边缘检测效果,进而提高建筑平面图的图元检测性能;并且可以对第一通道数的融合图像特征进行卷积处理,保留低维尺度或高维尺度下的图像特征,示例性的,对第一通道数的融合图像特征进行设定通道数为256及卷积核为1*1的卷积处理,得到第二通道数的融合图像特征,不仅能够保留设定尺度下的图像特征,还可以避免第一通道数的融合图像特征的缺失。
S240、根据多通道的融合图像特征,得到多个分割图,不同分割图中包括的图元对应不同的内核尺度。
S250、采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果。
作为一种具体的实施方式,图2b提供了一种用于获取建筑平面图的图元识别结果的模型结构示意图。首先,将待识别的建筑平面图输入至残差网络中,由于残差网络ResNet中的第一残差块ResBlock1、第二残差块ResBlock2、第四残差块ResBlock4以及第六残差块ResBlock6的输出结果分别为输入的建筑平面图的分辨率的1/4、1/8、1/16以及1/32,因此可以获取这四个残差块的输出结果,作为四个尺度下的多通道基础图像特征;其次,分别采用通道数为16、32、125及256的1*1卷积核对四个尺度下的多通道基础图像特征进行卷积处理,并将卷积处理后得到的多通道基础图像特征分别进行2倍上采样处理,在保证多通道基础图像特征不缺失的基础上,增加多通道基础图像特征中的高维度特征;然后,采用一个1*1标准卷积以及三个空洞卷积比率分别为6、12和18的3*3卷积核,与匹配的多通道基础图像特征分别进行卷积运算,在保证多通道基础图像特征不缺失的基础上,增加各尺度下的多通道基础图像特征的感受野,获取多尺度信息,并将各尺度下的多通道基础图像特征共同输入至合并网络Comcat中,得到第一通道数的融合图像特征,使用设定通道数为256的1*1的卷积核对第一通道数的融合图像特征进行卷积处理,在保证第一通道数的融合图像特征不缺失的基础上,得到第二通道数的融合图像特征;最后,根据多通道的融合图像特征,得到多个分割图,并采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并输出与图元区域对应的图元识别结果。
本实施例未尽详细解释之处请参见前述实施例,在此不再赘述。
上述技术方案,将建筑平面图输入至残差网络中,将多个残差块的输出结果作为多个尺度下的多通道基础图像特征,将各尺度下的多通道基础图像特征分别进行上采样处理,然后采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后进行特征融合,得到多通道的融合图像特征,有效地增加了特征中的高维度特征,获取了更多的特征细节信息,提高了特征分辨率以及图元的检测精确度;并且采用渐进式扩展算法对多通道的融合图像特征的分割图进行合并处理,得到至少一个图元区域,获取与图元区域对应的图元识别结果,能够有效地分离出接近或相交的图元的边界像素值,实现了对建筑平面图中的图元的精准检测,避免了由于遮挡或干扰导致的漏检和误检的问题。
实施例三
图3是本发明实施例三提供的一种建筑平面图中的图元检测装置的结构示意图,本发明实施例可适用于对建筑平面图中的图元进行精准检测的情况,该装置可采用软件和/或硬件的方式实现,并一般可集成在计算机设备中。
如图3所示,该建筑平面图中的图元检测装置具体包括:多通道基础图像特征提取模块310、多通道的融合图像特征生成模块320、分割图生成模块330及图元识别结果获取模块340。其中,
多通道基础图像特征提取模块310,用于在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征;
多通道的融合图像特征生成模块320,用于采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征;
分割图生成模块330,用于根据所述多通道的融合图像特征,得到多个分割图,不同分割图中包括的图元对应不同的内核尺度;
图元识别结果获取模块340,用于采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果。
本发明实施例提供的技术方案,在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征,采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后进行特征融合,得到多通道的融合图像特征,然后根据多通道的融合图像特征得到多个分割图,再采用渐进式扩展算法将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果,通过人工智能算法对在建筑平面图中提取到的特征进行处理,能够有效地提高图元的检测效果,得到精确度高的图元识别结果,实现了对建筑平面图中的图元的精准检测,避免了由于遮挡或干扰导致的漏检和误检的问题。
可选的,多通道基础图像特征提取模块310,具体用于将所述建筑平面图输入至残差网络中,并获取所述残差网络的多个残差块的输出结果,作为所述多个尺度下的多通道基础图像特征;其中,每个残差块用于输出设定尺度下的多通道基础图像特征。
可选的,上述装置还包括:上采样处理模块,其中,上采样处理模块,用于在采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野之前,将各尺度下的多通道基础图像特征分别进行上采样处理,以增加多通道基础图像特征中的高维度特征。
可选的,多通道的融合图像特征生成模块320,具体用于获取与各尺度的多通道基础图像特征分别对应的空洞卷积比率;将每个空洞卷积比率的卷积核与匹配的多通道基础图像特征分别进行卷积运算,以增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征。
可选的,多通道的融合图像特征生成模块320,具体用于采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征共同输入至合并网络中,得到第一通道数的融合图像特征;使用设定通道数的1*1的卷积核对所述第一通道数的融合图像特征进行卷积处理,得到第二通道数的融合图像特征。
可选的,分割图生成模块330,具体用于将所述多通道融合图像特征进行通道融合,得到目标融合图像;将所述目标融合图像输入至图像分割模型中,并通过所述图像分割模型输出多个分割图,其中,每个分割图中包括设定内核尺度的全部图元的掩码图;
图元识别结果获取模块340,具体用于采用广度优先法,按照内核比例由小到大的顺序,依次合并各分割图中包括的各图元,得到至少一个图元区域,并获取与图元区域对应的图元识别结果。
可选的,上述装置还包括:建筑图纸中的图框检测模块,其中,建筑图纸中的图框检测模块,用于在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征之前,采用形态学算法对标准建筑图纸进行预识别,并根据预识别结果,在标准建筑图纸中截取得到至少一个备选图框检测区域,所述标准建筑图纸中包括至少一个图像尺寸小于或等于预设标准识别尺寸的小图框;
针对每个备选图框检测区域,执行下述各图框检测处理操作:在备选图框检测区域中,提取出多通道的基础图像特征;在保持基础图像特征不缺失的基础上,在各基础图像特征中提取得到多通道的高维度图像特征,并增强各高维度图像特征的图像特征质量;在保持高维度图像特征不缺失的基础上,将多通道的高维度图像特征进行特征融合,得到多通道的融合图像特征;根据多通道的融合图像特征,获取备选图框检测区域的图框识别结果,并将识别出的各图框作为待识别的建筑平面图。
上述建筑平面图中的图元检测装置可执行本发明任意实施例所提供的建筑平面图中的图元检测方法,具备执行建筑平面图中的图元检测方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的硬件结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。***存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如***存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图4中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种建筑平面图中的图元检测方法。也即,所述处理单元执行所述程序时实现:
在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征;
采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征;
根据所述多通道的融合图像特征,得到多个分割图,不同分割图中包括的图元对应不同的内核尺度;
采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果。
实施例五
本发明实施例五提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的一种建筑平面图中的图元检测方法:也即,该程序被处理器执行时实现:
在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征;
采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征;
根据所述多通道的融合图像特征,得到多个分割图,不同分割图中包括的图元对应不同的内核尺度;
采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言(诸如Java、Smalltalk、C++),还包括常规的过程式程序设计语言(诸如“C”语言或类似的程序设计语言)。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN)),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种建筑平面图中的图元检测方法,其特征在于,包括:
在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征;
采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征;
根据所述多通道的融合图像特征,得到多个分割图,不同分割图中包括的图元对应不同的内核尺度;
采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果。
2.根据权利要求1所述的方法,其特征在于,在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征,包括:
将所述建筑平面图输入至残差网络中,并获取所述残差网络的多个残差块的输出结果,作为所述多个尺度下的多通道基础图像特征;
其中,每个残差块用于输出设定尺度下的多通道基础图像特征。
3.根据权利要求1所述的方法,其特征在于,在采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野之前,还包括:
将各尺度下的多通道基础图像特征分别进行上采样处理,以增加多通道基础图像特征中的高维度特征。
4.根据权利要求1所述的方法,其特征在于,采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野,包括:
获取与各尺度的多通道基础图像特征分别对应的空洞卷积比率;
将每个空洞卷积比率的卷积核与匹配的多通道基础图像特征分别进行卷积运算,以增加各尺度下的多通道基础图像特征的感受野。
5.根据权利要求1所述的方法,其特征在于,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征,包括:
将各尺度下的多通道基础图像特征共同输入至合并网络中,得到第一通道数的融合图像特征;
使用设定通道数的1*1的卷积核对所述第一通道数的融合图像特征进行卷积处理,得到第二通道数的融合图像特征。
6.根据权利要求1所述的方法,其特征在于,根据所述多通道融合图像特征,得到多个分割图,包括:
将所述多通道融合图像特征进行通道融合,得到目标融合图像;
将所述目标融合图像输入至图像分割模型中,并通过所述图像分割模型输出多个分割图,其中,每个分割图中包括设定内核尺度的全部图元的掩码图;
采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,包括:
采用广度优先法,按照内核比例由小到大的顺序,依次合并各分割图中包括的各图元,得到至少一个图元区域。
7.根据权利要求1-6任一项所述的方法,其特征在于,在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征之前,还包括:
采用形态学算法对标准建筑图纸进行预识别,并根据预识别结果,在标准建筑图纸中截取得到至少一个备选图框检测区域,所述标准建筑图纸中包括至少一个图像尺寸小于或等于预设标准识别尺寸的小图框;
针对每个备选图框检测区域,执行下述各图框检测处理操作:
在备选图框检测区域中,提取出多通道的基础图像特征;
在保持基础图像特征不缺失的基础上,在各基础图像特征中提取得到多通道的高维度图像特征,并增强各高维度图像特征的图像特征质量;
在保持高维度图像特征不缺失的基础上,将多通道的高维度图像特征进行特征融合,得到多通道的融合图像特征;
根据多通道的融合图像特征,获取备选图框检测区域的图框识别结果,并将识别出的各图框作为待识别的建筑平面图。
8.一种建筑平面图中的图元检测装置,其特征在于,包括:
多通道基础图像特征提取模块,用于在待识别的建筑平面图中提取多个尺度下的多通道基础图像特征;
多通道的融合图像特征生成模块,用于采用空洞卷积算法,增加各尺度下的多通道基础图像特征的感受野后,将各尺度下的多通道基础图像特征进行特征融合,得到多通道的融合图像特征;
分割图生成模块,用于根据所述多通道的融合图像特征,得到多个分割图,不同分割图中包括的图元对应不同的内核尺度;
图元识别结果获取模块,用于采用渐进式扩展算法,将各分割图中不同内核比例的图元进行合并处理,得到至少一个图元区域,并获取与图元区域对应的图元识别结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法。
10.一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,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110775938.0A CN113537026B (zh) | 2021-07-09 | 2021-07-09 | 建筑平面图中的图元检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110775938.0A CN113537026B (zh) | 2021-07-09 | 2021-07-09 | 建筑平面图中的图元检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537026A true CN113537026A (zh) | 2021-10-22 |
CN113537026B CN113537026B (zh) | 2023-05-23 |
Family
ID=78098143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110775938.0A Active CN113537026B (zh) | 2021-07-09 | 2021-07-09 | 建筑平面图中的图元检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537026B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989616A (zh) * | 2021-10-26 | 2022-01-28 | 北京锐安科技有限公司 | 一种目标检测方法、装置、设备和存储介质 |
CN114299531A (zh) * | 2021-12-28 | 2022-04-08 | 上海都市建筑设计有限公司 | 最短安全疏散距离的计算方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993710A (zh) * | 2019-03-20 | 2019-07-09 | 西北工业大学 | 一种基于生成对抗网络的水下图像去噪方法 |
CN110782462A (zh) * | 2019-10-30 | 2020-02-11 | 浙江科技学院 | 一种基于双流特征融合的语义分割方法 |
CN110909809A (zh) * | 2019-11-27 | 2020-03-24 | 上海智臻智能网络科技股份有限公司 | 基于深度学习的卡证图像识别方法 |
CN110909650A (zh) * | 2019-11-15 | 2020-03-24 | 清华大学 | 基于领域知识和目标检测的cad图纸识别方法和装置 |
CN110991303A (zh) * | 2019-11-27 | 2020-04-10 | 上海智臻智能网络科技股份有限公司 | 一种图像中文本定位方法、装置及电子设备 |
CN111126175A (zh) * | 2019-12-05 | 2020-05-08 | 厦门大象东方科技有限公司 | 一种基于深度卷积神经网络的面部图像识别算法 |
CN112686097A (zh) * | 2020-12-10 | 2021-04-20 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
CN112733950A (zh) * | 2021-01-18 | 2021-04-30 | 湖北工业大学 | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 |
CN112819096A (zh) * | 2021-02-26 | 2021-05-18 | 西北大学 | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 |
-
2021
- 2021-07-09 CN CN202110775938.0A patent/CN113537026B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993710A (zh) * | 2019-03-20 | 2019-07-09 | 西北工业大学 | 一种基于生成对抗网络的水下图像去噪方法 |
CN110782462A (zh) * | 2019-10-30 | 2020-02-11 | 浙江科技学院 | 一种基于双流特征融合的语义分割方法 |
CN110909650A (zh) * | 2019-11-15 | 2020-03-24 | 清华大学 | 基于领域知识和目标检测的cad图纸识别方法和装置 |
CN110909809A (zh) * | 2019-11-27 | 2020-03-24 | 上海智臻智能网络科技股份有限公司 | 基于深度学习的卡证图像识别方法 |
CN110991303A (zh) * | 2019-11-27 | 2020-04-10 | 上海智臻智能网络科技股份有限公司 | 一种图像中文本定位方法、装置及电子设备 |
CN111126175A (zh) * | 2019-12-05 | 2020-05-08 | 厦门大象东方科技有限公司 | 一种基于深度卷积神经网络的面部图像识别算法 |
CN112686097A (zh) * | 2020-12-10 | 2021-04-20 | 天津中科智能识别产业技术研究院有限公司 | 一种人体图像关键点姿态估计方法 |
CN112733950A (zh) * | 2021-01-18 | 2021-04-30 | 湖北工业大学 | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 |
CN112819096A (zh) * | 2021-02-26 | 2021-05-18 | 西北大学 | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 |
Non-Patent Citations (1)
Title |
---|
XIANG LI等: "Shape Robust Text Detection with Progressive Scale Expansion Network", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989616A (zh) * | 2021-10-26 | 2022-01-28 | 北京锐安科技有限公司 | 一种目标检测方法、装置、设备和存储介质 |
CN114299531A (zh) * | 2021-12-28 | 2022-04-08 | 上海都市建筑设计有限公司 | 最短安全疏散距离的计算方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113537026B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084292B (zh) | 基于DenseNet和多尺度特征融合的目标检测方法 | |
CN111524106A (zh) | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 | |
CN111028246A (zh) | 一种医学图像分割方法、装置、存储介质及电子设备 | |
CN113920309B (zh) | 图像检测方法、装置、医学图像处理设备及存储介质 | |
CN113537026B (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
CN113012200B (zh) | 一种运动物体的定位方法、装置、电子设备及存储介质 | |
CN114359383A (zh) | 一种图像定位方法、装置、设备以及存储介质 | |
CN111444807A (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
CN110910334A (zh) | 一种实例分割方法、图像处理设备及计算机可读存储介质 | |
CN115100469A (zh) | 一种基于分割算法的目标属性识别方法、训练方法和装置 | |
CN111369524A (zh) | 结节识别模型训练方法、结节识别方法及装置 | |
CN114004972A (zh) | 一种图像语义分割方法、装置、设备和存储介质 | |
EP3611695A1 (en) | Generating annotation data of tissue images | |
CN113096080A (zh) | 图像分析方法及*** | |
CN111815748A (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
CN113469086B (zh) | 建筑平面图中的区域划分方法、装置、设备及介质 | |
CN115984712A (zh) | 基于多尺度特征的遥感图像小目标检测方法及*** | |
CN113469087B (zh) | 建筑图纸中的图框检测方法、装置、设备及介质 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN110135382A (zh) | 一种人体检测方法和装置 | |
CN113901903A (zh) | 道路识别方法和装置 | |
CN114140612A (zh) | 电力设备隐患检测方法、装置、设备及存储介质 | |
CN113205092A (zh) | 文本检测方法、装置、设备及存储介质 | |
CN111753625B (zh) | 一种行人检测方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |