CN113971813B - 一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法 - Google Patents
一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法 Download PDFInfo
- Publication number
- CN113971813B CN113971813B CN202111238995.1A CN202111238995A CN113971813B CN 113971813 B CN113971813 B CN 113971813B CN 202111238995 A CN202111238995 A CN 202111238995A CN 113971813 B CN113971813 B CN 113971813B
- Authority
- CN
- China
- Prior art keywords
- primitives
- long
- parking space
- parking spaces
- passenger car
- 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 68
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000010586 diagram Methods 0.000 title abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 4
- 210000005036 nerve Anatomy 0.000 abstract 1
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于CAD图纸识别和计算机视觉技术技术领域，且公开了一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法，包括如下步骤：S1、首先需要对CAD图纸进行解析获取图纸中的图元、图层等基础信息；S2、然后根据步骤S1中获取的基础信息，将CAD图纸中的内容打印在一张图片上；S3、从步骤S2获取的图片上抠出停车位的小图，并进行人工标记；S4、利用步骤S3中获取的标记小图训练MobileNet V1深度卷积神经分类网络模型。本发明可以精准稳定的获取总平面施工图和地下车库施工图中所有的乘用车停车位和商用车停车位，从而为总平面施工图和地下车库施工图中乘用车停车位和商用车停车位的规则审查提供了很好的条件。
Description
技术领域
本发明属于CAD图纸识别和计算机视觉技术技术领域，具体是一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法。
背景技术
CAD施工图是通过AutoCAD等设计软件将工程项目的总体布局，建筑物的外部形状、内部布置、结构构造、内外装修、材料作法以及设备、施工等制作的图样，CAD施工图具有图纸齐全、表达准确、要求具体的特点，是进行工程施工、编制施工图预算和施工组织设计的依据，也是进行技术管理的重要技术文件，在施工之前需要对施工图纸进行仔细的审查才能进入施工阶段，目的是保障施工的顺利进行，并且可以避免因图纸有误对完成施工后的使用阶段产生的影响，CAD施工图中的建筑总平面图主要表示整个建筑基地的总体布局，具体表达新建房屋的位置、朝向以及周围环境(原有建筑、交通道路、绿化、地形等)基本情况的图样，总图中用一条粗虚线来表示用地红线，所有新建拟建房屋不得超出此红线并满足消防、日照等规范，总图中的建筑密度、容积率、绿地率、建筑占地、停车位、道路布置等应满足设计规范和当地规划局提供的设计要点，CAD施工图中的地下车库图主要表示整个建筑基地的地下布局，具体表达停车位、柱子、防火门等基本情况的图样。
由于现有的CAD施工图的审查均是采用人工进行审查，这是一项耗时耗力的重复性工作，从而导致审查人员容易漏审，随着人工智能的广泛应用，一些由人工完成的工作可以用人工智能来完成，人工智能是可以对CAD施工图中的停车位规范进行审查的，需要借助计算机视觉对施工图中的停车位精准的识别。
为了解决上述问题，本申请提出了一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法。
发明内容
本发明的目的是针对以上问题，本发明提供了一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法，具有泛化性能好且准确率高的优点。
为实现上述目的，本发明提供如下技术方案：一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法，包括如下步骤：
S1、首先需要对CAD图纸进行解析获取图纸中的图元、图层等基础信息；
S2、然后根据步骤S1中获取的基础信息，将CAD图纸中的内容打印在一张图片上；
S3、从步骤S2获取的图片上抠出停车位的小图，并进行人工标记；
S4、利用步骤S3中获取的标记小图训练MobileNet V1深度卷积神经分类网络模型；
S5、根据步骤S1中获取的图元的图层信息，从中筛选出大概率是构成停车位的图元；
S6、根据乘用车停车位的经验尺寸，从步骤S5筛选出的所有直线图元中获取很可能是乘用车停车位的短边构成图元和长边构成图元；
S7、根据商用车停车位的经验尺寸，从步骤S5筛选出的所有直线图元中获取很可能是商用车停车位的短边构成图元和长边构成图元；
S8、根据步骤S6获取的乘用车停车位短边候选图元，从步骤S6获取的乘用车停车位长边候选图元中找到与其垂直、端点相连的第一条长边直线图元；
S9、然后根据步骤S6获取的乘用车停车位短边候选图元信息；
S10、根据步骤S7获取的商用车停车位短边候选图元，从步骤S7获取的商用车停车位长边候选图元中找到与其垂直、端点相连的第一条长边直线图元；
S11、然后根据步骤S7获取的商用车停车位短边候选图元信息；
S12、根据步骤S8和步骤S9中获取的两条乘用车停车位长边直线图元信息；
S13、根据步骤S10和步骤S11中获取的两条商用车停车位长边直线图元信息；
S14、利用步骤S12中获取的两条乘用车停车位短边直线图元和两条乘用车停车位长边直线图元，合并成一个乘用车停车位，获取其外接矩形框；
S15、利用步骤S13中获取的两条商用车停车位短边直线图元和两条商用车停车位长边直线图元，合并成一个商用车停车位，获取其外接矩形框；
S16、将步骤S12中获取的两条乘用车停车位构成短边直线图元从步骤S6中获取乘用车停车位短边候选图元中删除，将步骤S12中获取的两条乘用车停车位构成长边直线图元从步骤S6中获取乘用车停车位长边候选图元中删除；
S17、将步骤S13中获取的两条商用车停车位构成短边直线图元从步骤S7中获取商用车停车位短边候选图元中删除，将步骤S13中获取的两条商用车停车位构成长边直线图元从步骤S7中获取商用车停车位长边候选图元中删除；
S18、利用步骤S16中获取的剩余乘用车停车位短边候选图元和长边候选图元，进入步骤S8，继续匹配乘用车停车位，直到剩余乘用车停车位短边候选图元和长边候选图元数量为零；
S19、利用步骤S17中获取的剩余商用车停车位短边候选图元和长边候选图元，进入步骤S8，继续匹配商用车停车位，直到剩余商用车停车位短边候选图元和长边候选图元数量为零；
S20、根据步骤S18中获取的所有乘用车停车位外接矩形框，从图纸打印出来的完整图片上抠出乘用车停车位小图；
S21、根据步骤S19中获取的所有商用车停车位外接矩形框，从图纸打印出来的完整图片上抠出商用车停车位小图；
S22、将步骤S20中获取的乘用车停车位小图和步骤S21中获取的商用车停车位小图输入步骤S4中获取的MobileNet V1深度卷积神经网络，获取每个小图的分类结果。
作为本发明的一种优选技术方案，S9中的图元信息指的是从步骤6获取的乘用车停车位长边候选图元中找到与其垂直、端点相连、且与步骤8获取的长边不同且长度相同的第二条长边直线图元，通过所显示出来的图元信息，可判断是否是乘用车停车位。
作为本发明的一种优选技术方案，S11中的图元信息指的是从步骤7获取的商用车停车位长边候选图元中找到与其垂直、端点相连、且与步骤10获取的长边不同且长度相同的第二条长边直线图元，通过所显示出来的图元信息，可判断是否是商用车停车位。
作为本发明的一种优选技术方案，S12中的图元信息指的是从步骤6中获取乘用车停车位短边候选图元中搜索到该乘用车停车位的第二条短边直线图元，利用此种规则可轻易找出乘用车停车位，方便了审查工作，使得审查工作更加的便捷。
作为本发明的一种优选技术方案，S13中的图元信息指的是从步骤7中获取商用车停车位短边候选图元中搜索到该商用车停车位的第二条短边直线图元，利用此种规则可轻易找出商用车停车位，方便了审查工作，使得审查工作更加的便捷。
与现有技术相比，本发明的有益效果如下：
1、本发明可以精准稳定的获取总平面施工图和地下车库施工图中所有的乘用车停车位和商用车停车位，从而为总平面施工图和地下车库施工图中乘用车停车位和商用车停车位的规则审查提供了很好的条件。
附图说明
图1为本发明结构停车位识别流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。
如图1所示，本发明提供一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法，包括如下步骤：
S1、首先需要对CAD图纸进行解析获取图纸中的图元、图层等基础信息；
S2、然后根据步骤S1中获取的基础信息，将CAD图纸中的内容打印在一张图片上；
S3、从步骤S2获取的图片上抠出停车位的小图，并进行人工标记；
S4、利用步骤S3中获取的标记小图训练MobileNet V1深度卷积神经分类网络模型；
S5、根据步骤S1中获取的图元的图层信息，从中筛选出大概率是构成停车位的图元；
S6、根据乘用车停车位的经验尺寸，从步骤S5筛选出的所有直线图元中获取很可能是乘用车停车位的短边构成图元和长边构成图元；
S7、根据商用车停车位的经验尺寸，从步骤S5筛选出的所有直线图元中获取很可能是商用车停车位的短边构成图元和长边构成图元；
S8、根据步骤S6获取的乘用车停车位短边候选图元，从步骤S6获取的乘用车停车位长边候选图元中找到与其垂直、端点相连的第一条长边直线图元；
S9、然后根据步骤S6获取的乘用车停车位短边候选图元信息；
S10、根据步骤S7获取的商用车停车位短边候选图元，从步骤S7获取的商用车停车位长边候选图元中找到与其垂直、端点相连的第一条长边直线图元；
S11、然后根据步骤S7获取的商用车停车位短边候选图元信息；
S12、根据步骤S8和步骤S9中获取的两条乘用车停车位长边直线图元信息；
S13、根据步骤S10和步骤S11中获取的两条商用车停车位长边直线图元信息；
S14、利用步骤S12中获取的两条乘用车停车位短边直线图元和两条乘用车停车位长边直线图元，合并成一个乘用车停车位，获取其外接矩形框；
S15、利用步骤S13中获取的两条商用车停车位短边直线图元和两条商用车停车位长边直线图元，合并成一个商用车停车位，获取其外接矩形框；
S16、将步骤S12中获取的两条乘用车停车位构成短边直线图元从步骤S6中获取乘用车停车位短边候选图元中删除，将步骤S12中获取的两条乘用车停车位构成长边直线图元从步骤S6中获取乘用车停车位长边候选图元中删除；
S17、将步骤S13中获取的两条商用车停车位构成短边直线图元从步骤S7中获取商用车停车位短边候选图元中删除，将步骤S13中获取的两条商用车停车位构成长边直线图元从步骤S7中获取商用车停车位长边候选图元中删除；
S18、利用步骤S16中获取的剩余乘用车停车位短边候选图元和长边候选图元，进入步骤S8，继续匹配乘用车停车位，直到剩余乘用车停车位短边候选图元和长边候选图元数量为零；
S19、利用步骤S17中获取的剩余商用车停车位短边候选图元和长边候选图元，进入步骤S8，继续匹配商用车停车位，直到剩余商用车停车位短边候选图元和长边候选图元数量为零；
S20、根据步骤S18中获取的所有乘用车停车位外接矩形框，从图纸打印出来的完整图片上抠出乘用车停车位小图；
S21、根据步骤S19中获取的所有商用车停车位外接矩形框，从图纸打印出来的完整图片上抠出商用车停车位小图；
S22、将步骤S20中获取的乘用车停车位小图和步骤S21中获取的商用车停车位小图输入步骤S4中获取的MobileNet V1深度卷积神经网络，获取每个小图的分类结果。
其中，S9中的图元信息指的是从步骤6获取的乘用车停车位长边候选图元中找到与其垂直、端点相连、且与步骤8获取的长边不同且长度相同的第二条长边直线图元，通过所显示出来的图元信息，可判断是否是乘用车停车位。
其中，S11中的图元信息指的是从步骤7获取的商用车停车位长边候选图元中找到与其垂直、端点相连、且与步骤10获取的长边不同且长度相同的第二条长边直线图元，通过所显示出来的图元信息，可判断是否是商用车停车位。
其中，S12中的图元信息指的是从步骤6中获取乘用车停车位短边候选图元中搜索到该乘用车停车位的第二条短边直线图元，利用此种规则可轻易找出乘用车停车位，方便了审查工作，使得审查工作更加的便捷。
其中，S13中的图元信息指的是从步骤7中获取商用车停车位短边候选图元中搜索到该商用车停车位的第二条短边直线图元，利用此种规则可轻易找出商用车停车位，方便了审查工作，使得审查工作更加的便捷。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法，其特征在于，包括如下步骤：
S1、首先需要对CAD图纸进行解析获取图纸中的图元、图层基础信息；
S2、然后根据步骤S1中获取的基础信息，将CAD图纸中的内容打印在一张图片上；
S3、从步骤S2获取的图片上抠出停车位的小图，并进行人工标记；
S4、利用步骤S3中获取的标记小图训练MobileNet V1深度卷积神经分类网络模型；
S5、根据步骤S1中获取的图元的图层信息，从中筛选出大概率是构成停车位的图元；
S6、根据乘用车停车位的经验尺寸，从步骤S5筛选出的所有直线图元中获取很可能是乘用车停车位的短边构成图元和长边构成图元；
S7、根据商用车停车位的经验尺寸，从步骤S5筛选出的所有直线图元中获取很可能是商用车停车位的短边构成图元和长边构成图元；
S8、根据步骤S6获取的乘用车停车位短边候选图元，从步骤S6获取的乘用车停车位长边候选图元中找到与其垂直、端点相连的第一条长边直线图元；
S9、然后根据步骤S6获取的乘用车停车位短边候选图元信息；
S10、根据步骤S7获取的商用车停车位短边候选图元，从步骤S7获取的商用车停车位长边候选图元中找到与其垂直、端点相连的第一条长边直线图元；
S11、然后根据步骤S7获取的商用车停车位短边候选图元信息；
S12、根据步骤S8和步骤S9中获取的两条乘用车停车位长边直线图元信息；
S13、根据步骤S10和步骤S11中获取的两条商用车停车位长边直线图元信息；
S14、利用步骤S12中获取的两条乘用车停车位短边直线图元和两条乘用车停车位长边直线图元，合并成一个乘用车停车位，获取其外接矩形框；
S15、利用步骤S13中获取的两条商用车停车位短边直线图元和两条商用车停车位长边直线图元，合并成一个商用车停车位，获取其外接矩形框；
S16、将步骤S12中获取的两条乘用车停车位构成短边直线图元从步骤S6中获取乘用车停车位短边候选图元中删除，将步骤S12中获取的两条乘用车停车位构成长边直线图元从步骤S6中获取乘用车停车位长边候选图元中删除；
S17、将步骤S13中获取的两条商用车停车位构成短边直线图元从步骤S7中获取商用车停车位短边候选图元中删除，将步骤S13中获取的两条商用车停车位构成长边直线图元从步骤S7中获取商用车停车位长边候选图元中删除；
S18、利用步骤S16中获取的剩余乘用车停车位短边候选图元和长边候选图元，进入步骤S8，继续匹配乘用车停车位，直到剩余乘用车停车位短边候选图元和长边候选图元数量为零；
S19、利用步骤S17中获取的剩余商用车停车位短边候选图元和长边候选图元，进入步骤S8，继续匹配商用车停车位，直到剩余商用车停车位短边候选图元和长边候选图元数量为零；
S20、根据步骤S18中获取的所有乘用车停车位外接矩形框，从图纸打印出来的完整图片上抠出乘用车停车位小图；
S21、根据步骤S19中获取的所有商用车停车位外接矩形框，从图纸打印出来的完整图片上抠出商用车停车位小图；
S22、将步骤S20中获取的乘用车停车位小图和步骤S21中获取的商用车停车位小图输入步骤S4中获取的MobileNet V1深度卷积神经网络，获取每个小图的分类结果。
2.根据权利要求1所述的一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法，其特征在于：S9中的图元信息指的是从步骤6获取的乘用车停车位长边候选图元中找到与其垂直、端点相连、且与步骤8获取的长边不同且长度相同的第二条长边直线图元。
3.根据权利要求1所述的一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法，其特征在于：S11中的图元信息指的是从步骤7获取的商用车停车位长边候选图元中找到与其垂直、端点相连、且与步骤10获取的长边不同且长度相同的第二条长边直线图元。
4.根据权利要求1所述的一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法，其特征在于：S12中的图元信息指的是从步骤6中获取乘用车停车位短边候选图元中搜索到该乘用车停车位的第二条短边直线图元。
5.根据权利要求1所述的一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法，其特征在于：S13中的图元信息指的是从步骤7中获取商用车停车位短边候选图元中搜索到该商用车停车位的第二条短边直线图元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111238995.1A CN113971813B (zh) | 2021-10-25 | 2021-10-25 | 一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111238995.1A CN113971813B (zh) | 2021-10-25 | 2021-10-25 | 一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113971813A CN113971813A (zh) | 2022-01-25 |
| CN113971813B true CN113971813B (zh) | 2024-05-24 |
Family
ID=79588278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111238995.1A Active CN113971813B (zh) | 2021-10-25 | 2021-10-25 | 一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113971813B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116110072B (zh) * | 2023-04-12 | 2023-08-15 | 江西少科智能建造科技有限公司 | 一种cad图纸解析方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517223A (zh) * | 2019-07-11 | 2019-11-29 | 万翼科技有限公司 | 图纸审查方法、装置、计算机设备和存储介质 |
| CN112883799A (zh) * | 2021-01-20 | 2021-06-01 | 上海品览智造科技有限公司 | 一种cad坡道大样图中坡道精准识别的方法 |
-
2021
- 2021-10-25 CN CN202111238995.1A patent/CN113971813B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517223A (zh) * | 2019-07-11 | 2019-11-29 | 万翼科技有限公司 | 图纸审查方法、装置、计算机设备和存储介质 |
| CN112883799A (zh) * | 2021-01-20 | 2021-06-01 | 上海品览智造科技有限公司 | 一种cad坡道大样图中坡道精准识别的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 建筑平面图纸理解中关于符号识别的新方法;贾哲明, 付永刚, 戴国忠;计算机工程与应用;20040501(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113971813A (zh) | 2022-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | Faster region convolutional neural network for automated pavement distress detection | |
| CN109448370B (zh) | 一种基于车辆轨迹数据的交通控制子区划分方法 | |
| CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
| CN111145157B (zh) | 基于高分辨率遥感影像的路网数据自动化质量检查方法 | |
| Dhanani et al. | From the axial line to the walked line: Evaluating the utility of commercial and user-generated street network datasets in space syntax analysis | |
| CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
| CN111814596B (zh) | 一种遥感影像与出租车轨迹融合的自动城市功能分区方法 | |
| CN110688958A (zh) | 基于GoogLeNet神经网络的交叉路口识别方法 | |
| CN113971813B (zh) | 一种对建筑专业总平面施工图和地下车库施工图中停车位的精准识别方法 | |
| CN111242223B (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
| Tsai et al. | Horizontal roadway curvature computation algorithm using vision technology | |
| CN108537169A (zh) | 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法 | |
| CN114661744B (zh) | 一种基于深度学习的地形数据库更新方法及*** | |
| CN115170479A (zh) | 一种沥青路面修补病害自动提取方法 | |
| CN113420109B (zh) | 一种街道界面渗透率的测量方法、计算机及存储介质 | |
| CN113538385B (zh) | 基于深度学习的隧道表观病害类型及等级判别方法 | |
| CN111047696A (zh) | 一种三维空间规划放线的方法 | |
| CN111639672B (zh) | 一种基于多数投票的深度学习城市功能区分类方法 | |
| CN110929739B (zh) | 一种自动化的不透水面范围遥感迭代提取方法 | |
| CN117197085A (zh) | 基于改进YOLOv8网络的公路快检图像路面病害检测方法 | |
| CN115309846B (zh) | 一种基于平行系数的道路网结构识别方法 | |
| CN117078651A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN115170783A (zh) | 一种使用街景图像的快速公路路面裂缝检测方法 | |
| CN115761782A (zh) | 一种道路工程图纸标题栏信息提取方法 | |
| CN115497036A (zh) | 一种内涝积水深度计算方法、***及可读存储介质 |
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 |