CN114357545A - 用于布置施工图标注位置的方法和产品 - Google Patents
用于布置施工图标注位置的方法和产品 Download PDFInfo
- Publication number
- CN114357545A CN114357545A CN202111539649.7A CN202111539649A CN114357545A CN 114357545 A CN114357545 A CN 114357545A CN 202111539649 A CN202111539649 A CN 202111539649A CN 114357545 A CN114357545 A CN 114357545A
- Authority
- CN
- China
- Prior art keywords
- movement
- neural network
- label
- annotation
- labels
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000009471 action Effects 0.000 claims abstract description 71
- 238000003062 neural network model Methods 0.000 claims description 49
- 230000002787 reinforcement Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 abstract description 3
- 230000003245 working effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Landscapes
- User Interface Of Digital Computer (AREA)
Abstract
本公开的实施例涉及用于布置施工图标注位置的计算机实现的方法和产品。该方法包括根据施工图上的多个标注以及与多个标注分别相关联的构件,从施工图中截取多个区域,其中多个区域中的每个区域对应于多个标注中的相应的至少一个标注以及与一个标注相关联的构件;确定每个区域包括的多个标注特征,多个标注特征中的一个标注特征包括标注的位置和大小以及与标注相关联的构件的位置和大小;根据每个区域以及每个区域包括的多个标注特征,确定要从多个标注中选择的一个标注,并且生成选择的标注的移动动作;以及根据移动动作布置选择的标注在施工图上的位置。本公开的方法能够实现自动地对施工图标注位置进行合理布置,这不仅对施工图进行标注的工作效率大大提升,工作效果也能符合行业中惯用的布置规则。
Description
技术领域
本公开的各实施例涉及计算机辅助设计领域,更具体地,涉及用于布置施工图标注位置的计算机实现的方法、装置、设备、介质和程序产品。
背景技术
在针对项目(例如,建筑工程项目)的计算机辅助设计中,由于项目的复杂性,需要对大量的构件进行标注。标注是施工图的重要组成部分,包含了大量的信息,包括尺寸、型号等。目前图纸标注的布置(例如,合理排布使得多个标注之间不要互相遮挡或覆盖)大多由人工手动完成,效率低,工程量大。因此,存在能够自动地对施工图标注位置进行合理布置的方案的需要。
发明内容
本公开的实施例提供了一种用于布置施工图标注位置的计算机实现的方法、装置、设备、介质和程序产品。
在本公开的第一方面中,提供了用于布置施工图标注位置的计算机实现的方法。该方法包括:根据施工图上的多个标注以及与多个标注分别相关联的构件,从施工图中截取多个区域,其中多个区域中的每个区域对应于多个标注中的相应的至少一个标注以及与一个标注相关联的构件;确定每个区域包括的多个标注特征,多个标注特征中的一个标注特征包括标注的位置和大小以及与标注相关联的构件的位置和大小;根据每个区域以及每个区域包括的多个标注特征,确定要从多个标注中选择的一个标注,并且生成选择的标注的移动动作;以及根据移动动作布置选择的标注在施工图上的位置。
在本公开的第二方面中,提供了一种用于布置施工图标注位置的装置。该装置包括:裁剪模块,被配置为根据施工图上的多个标注以及与多个标注分别相关联的构件,从施工图中截取多个区域,其中多个区域中的每个区域对应于多个标注中的相应的至少一个标注以及与一个标注相关联的构件;标注选择模块,被配置为确定每个区域包括的多个标注特征,多个标注特征中的一个标注特征包括标注的位置和大小以及与标注相关联的构件的位置和大小;以及标注移动模块,被配置为根据每个区域以及每个区域包括的多个标注特征,确定要从多个标注中选择的一个标注,并且生成选择的标注的移动动作;以及根据移动动作布置选择的标注在施工图上的位置。
在本公开的第三方面中,提供了一种电子设备。该电子设备包括:存储器和处理器;其中存储器用于存储一条或多条计算机指令,其中一条或多条计算机指令被处理器执行以实现根据第一方面所述的方法。
在本公开的第四方面中,提供了一种计算机可读存储介质。该计算机可读存储介质上存储有一条或多条计算机指令,其中一条或多条计算机指令被处理器执行以实现根据第一方面所述的方法。
在本公开的第五方面中,提供了一种计算机程序产品。该计算机程序产品包括一条或多条计算机指令,其中一条或多条计算机指令被处理器执行以实现根据第一方面所述的方法。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识要求保护的主题的关键特征或主要特征,也无意限制要求保护的主题的范围。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素,其中:
图1示出了根据本公开的某些实施例的使用用于布置施工图标注位置的计算机实现的方法的示例环境的示意图;
图2示出了根据本公开的某些实施例的具有遮挡或重叠的多个标注的示意图;
图3示出了根据本公开的某些实施例的用于布置施工图标注位置的计算机实现的方法的流程图;
图4示出了根据本公开的某些实施例的检测重叠标注的示意图;
图5示出了根据本公开的某些实施例的用于布置施工图标注位置的计算机实现的方法的流程图;
图6示出了根据本公开的某些实施例的用于布置施工图标注位置的装置的框图;
图7示出了根据本公开的某些实施例的用于布置施工图标注位置的装置的框图;以及
图8示出了其中可以实现本公开的一个或多个实施例的计算***的框图。
在所有附图中,相同或相似参考数字表示相同或相似元素。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公
开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在本文中使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”。其他术语的相关定义将在下文描述中给出。
发明人注意到,目前施工图标注的布置(例如,合理排布使得多个标注之间不要互相遮挡或覆盖)大多由人工手动完成,存在效率低,工程量大等缺点。
发明人还注意到,标注的位置极具个性化,例如针对某些新手绘制的标注,虽然可能施工图之间的标注没有互相遮挡或重叠的问题,但是既缺乏美感,又不符合行业中惯用的布置规则,这时如果专家再进行修改,也会耗费大量的时间和精力,从而又导致成本提升和效率降低。
为了至少部分地解决上述缺点中的一些缺点,本公开的实施例提供了一种用于布置施工图标注位置的计算机实现的方法。该方法包括:根据施工图上的多个标注以及与多个标注分别相关联的构件,从施工图中截取多个区域,其中多个区域中的每个区域对应于多个标注中的相应的至少一个标注以及与一个标注相关联的构件;确定每个区域包括的多个标注特征,多个标注特征中的一个标注特征包括标注的位置和大小以及与标注相关联的构件的位置和大小;根据每个区域以及每个区域包括的多个标注特征,确定要从多个标注中选择的一个标注,并且生成选择的标注的移动动作;以及根据移动动作布置选择的标注在施工图上的位置。
因此,本公开的方法能够实现自动地对施工图标注位置进行合理布置,使得多个标注之间不存在遮挡或覆盖的问题。并且能够基于预先设定的规则或专家的评价,提供具有美感和符合行业惯用规则的标注位置。这样,不仅对施工图进行标注的工作效率大大提升,工作效果也能满足行业的普遍预期。因此,本公开的在工作原理和机制上都显著不同于任何已知方法。
在下文描述中,某些实施例将参考建筑物的施工图来讨论,例如,学校、医院等。但是应当理解,这仅仅是为了使本领域普通技术人员更好地理解本公开实施例的原理和思想,而无意以任何方式限制本公开的范围。
图1示出了根据本公开的某些实施例的使用用于布置施工图标注位置的计算机实现的方法的示例环境的示意图。
如图1所示,在执行主体101(例如,计算机***、服务器等)处,获取(例如,接收)施工图的计算机化的表示,例如,建筑信息模型BIM施工图,这些BIM数据的示例包括,诸如模型图素、临时图素、带图形模型数据、非图形参数数据、其他形式结果数据(文本、图片、XML等)。其中,标注可以基于这些数据,反映施工图中的相应构件的尺寸、型号等。
在一些实施例中,这些数据可以来自终端设备102、103、104中的一个或多个终端设备。以下将结合图3来描述本公开提出的方法。应当理解,图1中所示的示例环境100仅是示意性的,而无意于限制本公开的范围。示例环境100中还可以包括各种附加的设备、装置和/或模块。而且,图1中所示的模块也仅是示意性的,而无意于限制本公开的范围。在某些实施例中,某些模块可以集成到一个物理实体上,或者进一步拆分成更多模块。
图2示出了根据本公开的某些实施例的具有遮挡或重叠的多个标注的示意图。如图所示,当多个标注之间具有重叠时(例如,区域201),无法知晓标注的准确内容,不符合图纸的绘制规范。在一些情况下,即使标注之间没有重叠,但是标注的布置位置杂乱,不符合美观、整齐的需求。
图3示出了根据本公开的某些实施例的用于布置施工图标注位置的计算机实现的方法的流程图。
为了便于表述,将以建筑物作为示例来描述方法300所实现的用于布置施工图标注位置的计算机实现的方法的过程。但是正如上文所述,这仅仅是示例性的,无意以任何方式限制本公开的范围。本文描述的方法300的实施例同样能够用于其他任何适当工程的用于布置施工图标注位置的计算机实现的方法的过程。
如图3所示,在框302处,根据施工图上的多个标注以及与多个标注分别相关联的构件,从施工图中截取多个区域,其中多个区域中的每个区域对应于多个标注中的相应的至少一个标注以及与一个标注相关联的构件。仅作为示例,如果施工图中包括10个构件,每个构件都对应一个标注,则该构件和该构件对应的标注可以被分割为一个区域,该施工图总共可以分割为10个区域。其中,每个区域的形状可以是长方形、正方形等,本公开对此不做限制。没有标注的地方(即,与标注不相关的部分)则可以被丢弃,这样可以简化问题,节省计算资源的开销。
在框304处,确定每个区域包括的多个标注特征,多个标注特征中的一个标注特征包括标注的位置和大小以及与标注相关联的构件的位置和大小。仅作为示例,在区域的形状是长方形或正方形的情况时,可以以坐标的形式表示区域的边的定位。例如,区域的四个顶点的坐标可以被表示为(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4),则可以根据几何关系确定该区域的中心的坐标,以及该区域的面积或范围。
在框306处,根据每个区域以及每个区域包括的多个标注特征,确定要从多个标注中选择的一个标注,并且生成选择的标注的移动动作。在一些实施例中,可以使用图像检测或识别技术检标识标注是否有重叠,并且得到关于重叠的指示。在一些实施例中,该指示还可以包括构件、标注以及构件与标注之间的相关关系。
图4示出了根据本公开的某些实施例的检测重叠标注的示意图。如图所示,图像(例如,分割后的多个区域)被输入CNN(卷积神经网络)图像编码器,每一个标注特征编码器MLP(多层感知机)提取标注的特征,通过PointerNet网络归一化得到下一步选择标注的概率。根据得到的概率,选择需要被移动的标注。MLP与CNN是可以经过预训练的,预训练的数据可以是经过人工处理的带有标签的训练数据集合。
下面返回至图3,在一些实施例中,可以使用第一神经网络模型生成标注特征,所得到的标注特征可以是施工图的隐空间表达。例如,第一神经网络模型可以是卷积神经网络,而标注特征则是经由卷积神经网络得到的编码向量。由于卷积核可以被配置(例如,训练)为能够提取标注的特性,所以可以对施工图中与标注相关的部分进行提取与编码,产生标注特征,在本文中,该标注特征又可以被称为施工图环境状态。该概念“环境状态”引用了强化学习中的相关概念,即将“施工图”视为“环境”。与此相对应的,将“标注”视为“智能体(agent)”。将标注的布置效果视为“奖励”,从而将布置问题转变为求解如何通过多个智能体的移动,使得环境奖励最大化。
在框308处,根据移动动作布置选择的标注在施工图上的位置。
在一些实施例中,其中移动动作可以确定包括指示选择的标注向上移动、向下移动、向左移动、向右移动、或翻转移动中的至少一个移动动作,以及与移动动作相对应的移动的距离。例如,针对某一分割后的区域,存在标注的文字之间互相重叠的情况,则移动动作的一个示例可以是指示将其中一个标注的文字向右移动的移动动作。又如,移动动作的又一示例可以是指示将其中一个标注的文字向左移动的移动动作。可以理解,这些指示包括移动的距离。
在一些实施例中,其中移动动作还可以确定包括指示选择的标注结束移动的指示。仅作为示例,如果针对某一标注来说,该标注无需移动或者经过移动后已经达到了预期的位置,则此时移动动作可以包括指示标注结束移动的指示。
在一些实施例中,可以使用第二神经网络模型确定移动动作,其中第一神经网络模型不同于第二神经网络模型。仅作为示例,第二神经网络模型可以是PointerNet网络。
图5示出了根据本公开的某些实施例的用于布置施工图标注位置的计算机实现的方法500的流程图。
如图5所示,框502、框504、框506和框508与图3中的框302、框304、框306和框308的功能一一对应。为了简洁起见,关于框502、框504、框506和框508的描述将参考针对框302、框304、框306和框308的描述。此外,方法500还可以包括框510。在一些实施例中,在框510处,可以根据移动动作生成与选择的标注相对应的引线,并且根据移动动作与选择的标注生成新的施工图。
在一些实施例中,方法500还可以包括框512。在框512处,可以使用强化学习算法训练第二神经网络模型,使用强化学习算法训练第二神经网络模型,其中强化学习算法基于预先确定的规则或评价计算针对第二神经网络模型的质量得分,质量得分指示第二神经网络模型对移动动作的布置的效果,评价包括将所述移动动作输入第三神经网络输出质量得分,其中第三神经网络由预先确定的标签集训练得到。在一些实施例中,关于逆向强化学习算法与策略梯度算法的处理方法,可以参考Chelsea Finn等人的论文Guided CostLearning:Deep Inverse Optimal Control via Policy Optimization,ComputerScience,2015,28,其全部内容通过引用并入本文。
在一些实施例中,即使受限于施工图空间的制约,无法完全将标注排开,本公开的方法也可以给出基于实际空间的最佳的布置安排,从而给予技术人员相应的参考,减少人工的工作量。
在一些实施例中,还包括框514。在框514处,其中评价包括将移动动作输入第三神经网络输出质量得分,其中第三神经网络由预先确定的标签集训练得到。
通过实现方法300或方法500,可以实现自动地对施工图标注位置进行合理布置,使得多个标注之间不存在遮挡或覆盖的问题。并且能够基于预先设定的规则,提供具有美感和符合行业惯用规则的标注位置。这样,不仅对施工图进行标注的工作效率大大提升,工作效果也能满足行业的普遍预期。同时,避免了人工设置规则的不便,使得布置标注的结果与人工结果相似。并且,能够在有限的空间内布置标注,提高标注空间的利用率。由于可以学习既有图纸的风格,使用已有图纸对模型进行预训练,充分学习已有的先验知识,进一步提升了布置标注的美感。此外,基于实际空间的最佳的布置安排,从而给予技术人员相应的参考,减少人工的工作量。
图6示出了根据本公开的某些实施例的用于布置施工图标注位置的装置600的框图。
裁剪模块602,被配置为根据施工图上的多个标注以及与多个标注分别相关联的构件,从施工图中截取多个区域,其中多个区域中的每个区域对应于多个标注中的相应的至少一个标注以及与一个标注相关联的构件。
标注选择模块604,被配置为确定每个区域包括的多个标注特征,多个标注特征中的一个标注特征包括标注的位置和大小以及与标注相关联的构件的位置和大小。
标注移动模块606,被配置为根据每个区域以及每个区域包括的多个标注特征,确定要从多个标注中选择的一个标注,并且生成选择的标注的移动动作;以及根据移动动作布置选择的标注在施工图上的位置。
在一些实施例中,其中移动动作可以确定包括指示选择的标注向上移动、向下移动、向左移动、向右移动、或翻转移动中的至少一个移动动作,以及与移动动作相对应的移动的距离。
在一些实施例中,其中移动动作还可以确定包括指示选择的标注结束移动的指示。
在一些实施例中,其中标注选择模块604还可以被配置为使用第一神经网络模型生成标注特征,并且布置确定模块还被配置为使用第二神经网络模型确定移动动作,其中第一神经网络模型不同于第二神经网络模型。
在一些实施例中,布置确定模块606还被配置为根据移动动作生成与选择的标注相对应的引线,并且根据移动动作与选择的标注生成新的施工图。
图7示出了根据本公开的某些实施例的用于布置施工图标注位置的装置700的框图。
如图7所示,裁剪模块702、标注选择模块704和布置确定模块706与图6中的裁剪模块602、标注选择模块604和布置确定模块606的功能一一对应。为了简洁起见,本公开在此不再赘述。此外,在一些实施例中,装置700还可以包括施工图更新模块708,被配置为根据移动动作生成与选择的标注相对应的引线,并且基于引线生成新的施工图。
在一些实施例中,该装置还可以包括训练模块710,被配置为被配置为其中使用强化学习算法训练第二神经网络模型,其中强化学习算法基于预先确定的规则或评价计算针对第二神经网络模型的质量得分,质量得分指示第二神经网络模型对移动动作的布置的效果。
在一些实施例中,训练模块710还可以被配置为:其中评价包括将移动动作输入第三神经网络输出质量得分,其中第三神经网络由预先确定的标签集训练得到。
关于装置600和装置700的具体实现过程,可以参考关于方法300和方法500的描述,本公开在此不再赘述。可以理解,通过本公开的装置600和装置700,可以实现与方法300和方法500相同的技术效果,从而可以达到如上述的用于布置施工图标注位置的计算机实现的方法300和方法500一样的至少一个优点。
图8示出了其中可以实现本公开的一个或多个实施例的计算***800的框图。图3所示的方法300和图5所示的方法500可以由计算***800实现。图8示出的计算***800仅是示例,其不应当构成对本文所描述的实现的使用的功能和范围的限制。
如图8所示,计算***800是通用计算设备的形式。计算***800的组件可以包括但不限于一个或多个处理器或处理单元800,存储器820,一个或多个输入设备830,一个或多个输出设备840,存储装置850,和一个或多个通信单元860。处理单元800可以是实际或虚拟处理器并且能够根据存储器820中存储的持续来执行各种处理。在多处理***中,多处理单元执行计算机可执行指令,以增加处理能力。
计算***800通常包括多个计算机可读介质。这样的介质可以是计算***800可访问的任何可以获得的介质,包括但不限于易失性和非易失性介质、可拆卸和不可拆卸介质。存储器820可以是易失性存储器(例如寄存器、高速缓存、随机访问存储器(RAM))、非易失性存储器(例如,只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪存)或它们的某种组合。存储装置850可以是可拆卸或不可拆卸,并且可以包括机器可读介质,诸如闪存驱动、磁盘或者任何其他介质,其可以能够用于存储信息并且可以在计算***800内被访问。
计算***800可以进一步包括另外的可拆卸/不可拆卸、易失性/非易失性计算机***存储介质。尽管未在图8中示出,可以提供用于从可拆卸、非易失性磁盘(例如“软盘”)进行读取或写入的磁盘驱动和用于从可拆卸、非易失性光盘进行读取或写入的光盘驱动。在这些情况中,每个驱动可以由一个或多个数据介质接口被连接至总线18。存储器820可以包括至少一个程序产品,具有(例如至少一个)程序模块集合,这些程序模块被配置为执行本文所描述的各种实施例的功能。
具有一个或多个执行模块824的集合的程序/实用程序工具822可以被存储在例如存储器820中。执行模块824可以包括但不限于操作***、一个或多个应用程序、其他程序模块和操作数据。这些示例中的每个示例或特定组合可以包括联网环境的实现。执行模块824通常执行本文所描述的主题的实施例的功能和/或方法,例如方法300和/或方法500。
输入单元830可以是一个或多个各种输入设备。例如,输入单元839可以包括用户设备、诸如鼠标、键盘、追踪球等。通信单元860实现在通信介质上向另外的计算实体进行通信。附加地,计算***800的组件的功能可以以单个计算集群或多个计算机器来实现,这些计算机器能够通过通信连接来通信。因此,计算***800可以使用与一个或多个其他服务器、网络个人计算机(PC)或者另一个一般网络节点的逻辑连接来在联网环境中进行操作。例如但不限于,通信介质包括有线或无线联网技术。
计算***800还可以根据需要与一个或多个外部设备(未示出)进行通信,外部设备诸如存储设备、显示设备等等,与一个或多个使得用户与计算***800交互的设备进行通信,或者与使得计算***800与一个或多个其他计算设备通信的任何设备(例如,网卡、调制解调器等)进行通信。这样的通信可以经由输入/输出(I/O)接口(未示出)来执行。
本文中所描述的功能可以至少部分地由一个或多个硬件逻辑组件来执行。例如但不限于,可以使用的硬件逻辑组件的示意性类型包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑器件(CPLD)等。
用于实施本文所描述的主题的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开内容的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本文所描述的主题的范围的限制。在单独的实现的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
以下列出了本公开的一些示例实现。
在本公开的第一方面中,提供了一种用于布置施工图标注位置的计算机实现的方法。该方法包括:根据施工图上的多个标注,将施工图分割为多个区域,其中多个区域中的每个区域对应于多个标注中的相应的至少一个标注;确定每个区域的大小和中心;基于多个区域来生成标注特征,其中标注特征指示多个标注的重叠;根据每个区域的大小和中心以及标注特征,确定多个标注中的选择的标注的移动动作,移动动作布置选择的标注在施工图上的位置。
在某些实施例中,其中移动动作确定包括指示选择的标注向上移动、向下移动、向左移动、向右移动、或翻转移动中的至少一个移动动作,以及与移动动作相对应的移动的距离。
在某些实施例中,其中移动动作还确定包括指示选择的标注结束移动的指示。
在某些实施例中,其中使用第一神经网络模型生成标注特征,并且使用第二神经网络模型确定移动动作,其中第一神经网络模型不同于第二神经网络模型。
在某些实施例中,该方法还包括:根据移动动作生成与选择的标注相对应的引线,并且基于引线生成新的施工图。
在某些实施例中,该方法还包括:使用强化学习算法训练第二神经网络模型,其中强化学习算法基于预先确定的规则或评价计算针对第二神经网络模型的质量得分,质量得分指示第二神经网络模型对移动动作的布置的效果。
在某些实施例中,该方法还包括:使用逆向强化学习算法与策略梯度算法训练第二神经网络模型,使得质量得分收敛到最小值,以与最小值相对应的参数作为训练完成的第二神经网络模型的参数。
在第二方面的某些实施例中,提供了一种用于布置施工图标注位置的装置。该装置包括:分割模块,被配置为根据施工图上的多个标注,将施工图分割为多个区域,其中多个区域中的每个区域对应于多个标注中的相应的至少一个标注,并且确定每个区域的大小和中心;标注特征生成模块,被配置为基于多个区域来生成标注特征,其中标注特征指示多个标注的重叠;以及布置确定模块,被配置为根据每个区域的大小和中心以及标注特征,确定多个标注中的选择的标注的移动动作,移动动作布置选择的标注在施工图上的位置。
在某些实施例中,其中移动动作确定包括指示选择的标注向上移动、向下移动、向左移动、向右移动、或翻转移动中的至少一个移动动作,以及与移动动作相对应的移动的距离。
在某些实施例中,其中移动动作还确定包括指示选择的标注结束移动的指示。
在某些实施例中,其中标注特征生成模块还被配置为使用第一神经网络模型生成标注特征,并且布置确定模块还被配置为使用第二神经网络模型确定移动动作,其中第一神经网络模型不同于第二神经网络模型。
在某些实施例中,该装置还包括:施工图更新模块,被配置为根据移动动作生成与选择的标注相对应的引线,并且基于引线生成新的施工图。
在某些实施例中,该装置还包括:训练模块,被配置为使用强化学习算法训练第二神经网络模型,其中强化学习算法基于预先确定的规则或评价计算针对第二神经网络模型的质量得分,质量得分指示第二神经网络模型对移动动作的布置的效果。
在某些实施例中,训练模块还被配置为:使用逆向强化学习算法与策略梯度算法训练第二神经网络模型,使得质量得分收敛到最小值,以与最小值相对应的参数作为训练完成的第二神经网络模型的参数。
在第三方面的实施例中,提供了一种电子设备。该电子设备包括:存储器和处理器;其中存储器用于存储一条或多条计算机指令,其中一条或多条计算机指令被处理器执行以实现根据第一方面所述的方法。
在第四方面的实施例中,提供了一种计算机可读存储介质。该计算机可读存储介质上存储有一条或多条计算机指令,其中一条或多条计算机指令被处理器执行以实现根据第一方面所述的方法。
在第五方面的实施例中,提供了一种计算机程序产品。该计算机程序产品包括一条或多条计算机指令,其中一条或多条计算机指令在被处理器执行时,实现根据第一方面所述的方法。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本公开,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (17)
1.一种用于布置施工图标注位置的计算机实现的方法,包括:
根据施工图上的多个标注以及与所述多个标注分别相关联的构件,从所述施工图中截取多个区域,其中所述多个区域中的每个区域对应于所述多个标注中的相应的至少一个标注以及与所述一个标注相关联的构件;
确定所述每个区域包括的多个标注特征,所述多个标注特征中的一个标注特征包括所述标注的位置和大小以及与所述标注相关联的构件的位置和大小;
根据所述每个区域以及所述每个区域包括的多个标注特征,确定要从所述多个标注中选择的一个标注,并且生成所述选择的标注的移动动作;以及
根据所述移动动作布置所述选择的标注在所述施工图上的位置。
2.根据权利要求1所述的方法,其中所述移动动作确定包括指示所述选择的标注向上移动、向下移动、向左移动、向右移动、或翻转移动中的至少一个移动动作,以及与所述移动动作相对应的移动的距离。
3.根据权利要求2所述的方法,其中所述移动动作还确定包括指示所述选择的标注结束移动的指示。
4.根据权利要求1所述的方法,其中使用第一神经网络模型生成所述选择标注,并且使用第二神经网络模型确定所述移动动作,其中所述第一神经网络模型不同于所述第二神经网络模型。
5.根据权利要求1所述的方法,根据所述移动动作生成与所述选择的标注相对应的引线,并且根据所述移动动作与所述选择的标注生成新的施工图。
6.根据权利要求5所述的方法,其中使用强化学习算法训练所述第二神经网络模型,其中所述强化学习算法基于预先确定的规则或评价计算针对所述第二神经网络模型的质量得分,所述质量得分指示所述第二神经网络模型对所述移动动作的布置的效果。
7.根据权利要求6所述的方法,其中所述评价包括将所述移动动作输入第三神经网络输出质量得分,其中所述第三神经网络由预先确定的标签集训练得到。
8.一种用于布置施工图标注位置的装置,包括:
裁剪模块,被配置为根据施工图上的多个标注以及与所述多个标注分别相关联的构件,从所述施工图中截取多个区域,其中所述多个区域中的每个区域对应于所述多个标注中的相应的至少一个标注以及与所述一个标注相关联的构件;
标注选择模块,被配置为确定所述每个区域包括的多个标注特征,所述多个标注特征中的一个标注特征包括所述标注的位置和大小以及与所述标注相关联的构件的位置和大小;以及
标注移动模块,被配置为根据所述每个区域以及所述每个区域包括的多个标注特征,确定要从所述多个标注中选择的一个标注,并且生成所述选择的标注的移动动作;以及
根据所述移动动作布置所述选择的标注在所述施工图上的位置。
9.根据权利要求8所述的装置,其中所述移动动作确定包括指示所述选择的标注向上移动、向下移动、向左移动、向右移动、或翻转移动中的至少一个移动动作,以及与所述移动动作相对应的移动的距离。
10.根据权利要求9所述的装置,其中所述移动动作还确定包括指示所述选择的标注结束移动的指示。
11.根据权利要求8所述的装置,其中所述标注特征选择模块还被配置为使用第一神经网络模型生成所述标注特征,并且所述布置确定模块还被配置为使用第二神经网络模型确定所述移动动作,其中所述第一神经网络模型不同于所述第二神经网络模型。
12.根据权利要求8所述的装置,还包括:
施工图更新模块,被配置为根据所述移动动作生成与所述选择的标注相对应的引线,并且根据所述移动动作与所述选择的标注生成新的施工图。
13.根据权利要求8所述的装置,还包括:
训练模块,被配置为其中使用强化学习算法训练所述第二神经网络模型,其中所述强化学习算法基于预先确定的规则或评价计算针对所述第二神经网络模型的质量得分,所述质量得分指示所述第二神经网络模型对所述移动动作的布置的效果。
14.根据权利要求13所述的装置,所述训练模块还被配置为:
其中所述评价包括将所述移动动作输入第三神经网络输出质量得分,其中所述第三神经网络由预先确定的标签集训练得到。
15.一种电子设备,包括:
存储器和处理器;
其中所述存储器用于存储一条或多条计算机指令,其中所述一条或多条计算机指令被所述处理器执行以实现根据权利要求1至7中任一项所述的方法。
16.一种计算机可读存储介质,其上存储有一条或多条计算机指令,其中所述一条或多条计算机指令被处理器执行以实现根据权利要求1至7中任一项所述的方法。
17.一种计算机程序产品,包括一条或多条计算机指令,其中所述一条或多条计算机指令被处理器执行以实现根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111539649.7A CN114357545A (zh) | 2021-12-15 | 2021-12-15 | 用于布置施工图标注位置的方法和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111539649.7A CN114357545A (zh) | 2021-12-15 | 2021-12-15 | 用于布置施工图标注位置的方法和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114357545A true CN114357545A (zh) | 2022-04-15 |
Family
ID=81098998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111539649.7A Pending CN114357545A (zh) | 2021-12-15 | 2021-12-15 | 用于布置施工图标注位置的方法和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357545A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781013A (zh) * | 2022-05-17 | 2022-07-22 | 佛山市玖章智能科技有限公司 | 一种实现设计图纸中标注字符避让排布的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143925A (zh) * | 2019-12-18 | 2020-05-12 | 万翼科技有限公司 | 图纸标注方法及相关产品 |
CN111832447A (zh) * | 2020-06-30 | 2020-10-27 | 万翼科技有限公司 | 建筑图纸构件识别方法、电子设备及相关产品 |
CN111914612A (zh) * | 2020-05-21 | 2020-11-10 | 淮阴工学院 | 一种基于改进的卷积神经网络的施工图图元自适应识别方法 |
CN112581476A (zh) * | 2020-12-08 | 2021-03-30 | 北京构力科技有限公司 | 在建筑设计中使用的图纸分割的方法和电子设备 |
CN112800517A (zh) * | 2021-01-25 | 2021-05-14 | 深圳市华阳国际工程设计股份有限公司 | 梁配筋图的标注方法、处理装置及计算机可读存储介质 |
-
2021
- 2021-12-15 CN CN202111539649.7A patent/CN114357545A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143925A (zh) * | 2019-12-18 | 2020-05-12 | 万翼科技有限公司 | 图纸标注方法及相关产品 |
CN111914612A (zh) * | 2020-05-21 | 2020-11-10 | 淮阴工学院 | 一种基于改进的卷积神经网络的施工图图元自适应识别方法 |
CN111832447A (zh) * | 2020-06-30 | 2020-10-27 | 万翼科技有限公司 | 建筑图纸构件识别方法、电子设备及相关产品 |
CN112581476A (zh) * | 2020-12-08 | 2021-03-30 | 北京构力科技有限公司 | 在建筑设计中使用的图纸分割的方法和电子设备 |
CN112800517A (zh) * | 2021-01-25 | 2021-05-14 | 深圳市华阳国际工程设计股份有限公司 | 梁配筋图的标注方法、处理装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
侯文龙;邓雪原;: "基于IFC标准的楼层平面尺寸标注自动生成方法研究", 图学学报, no. 06, 15 December 2019 (2019-12-15), pages 1116 - 1122 * |
王雪巍;盛步云;张云;刘远志;: "建筑铝模板安装施工图自动标注方法研究", 图学学报, no. 06, 15 December 2019 (2019-12-15), pages 1130 - 1136 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781013A (zh) * | 2022-05-17 | 2022-07-22 | 佛山市玖章智能科技有限公司 | 一种实现设计图纸中标注字符避让排布的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | ASSD: Attentive single shot multibox detector | |
CN106097353B (zh) | 基于多层次局部区域融合的物体分割方法及装置、计算设备 | |
US9349076B1 (en) | Template-based target object detection in an image | |
Wu et al. | Mobilevisfixer: Tailoring web visualizations for mobile phones leveraging an explainable reinforcement learning framework | |
US11615567B2 (en) | Image segmentation using text embedding | |
US8893073B2 (en) | Displaying a congestion indicator for a channel in a circuit design layout | |
US11600091B2 (en) | Performing electronic document segmentation using deep neural networks | |
CN113095995B (zh) | 网页水印添加方法、装置、电子设备及存储介质 | |
CN113094770B (zh) | 图纸生成方法、装置、计算机设备和存储介质 | |
CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
Lee | Real-time manufacturing modeling and simulation framework using augmented reality and stochastic network analysis | |
JP7192143B2 (ja) | オンライン学習を利用した物体追跡のための方法およびシステム | |
CN111310254B (zh) | Cad图例的识别方法、装置、存储介质、电子设备 | |
CN112070202B (zh) | 一种融合图的生成方法、生成装置和计算机可读存储介质 | |
CN114357545A (zh) | 用于布置施工图标注位置的方法和产品 | |
CN109871743B (zh) | 文本数据的定位方法及装置、存储介质、终端 | |
CN117058421A (zh) | 基于多头模型的图像检测关键点方法、***、平台及介质 | |
CN113641284B (zh) | 电子地图的区域标绘方法、装置、电子设备及存储介质 | |
CN109308703B (zh) | 利用结构化的用户点击点对解剖结构智能描轮廓 | |
Fickenscher et al. | DSL-based acceleration of automotive environment perception and mapping algorithms for embedded CPUs, GPUs, and FPGAs | |
CN112837426A (zh) | 人体信息展示方法、装置、设备及计算机可读存储介质 | |
CN114895836B (zh) | 基于智能全流程数据触摸屏触控方法、装置及电子设备 | |
CN114241506B (zh) | 标识和提取pdf建筑图纸内容的方法和装置 | |
KR102305228B1 (ko) | 객체 경계정보의 추출방법 및 장치 | |
US20220221981A1 (en) | Apparatus and method for adaptation of personalized interface |
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 |