图纸图像定位与校对方法、装置及电子设备制造方法及图纸

本发明专利技术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。本发明专利技术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。

Methods, devices and electronic equipment for drawing image positioning and proofreading

【技术实现步骤摘要】
图纸图像定位与校对方法、装置及电子设备
本专利技术涉及图像领域，具体涉及一种图纸图像定位与校对方法、装置及电子设备。
技术介绍
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。
技术实现思路
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为所述第二子变换本文档来自技高网...

【技术保护点】
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：/n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；/n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/n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。/n

【技术特征摘要】
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。


4.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。


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...

【专利技术属性】
技术研发人员：黄深能，胡浩，利啟东，张超，黄聿，杨超龙，
申请(专利权)人：广东博智林机器人有限公司，
类型：发明
国别省市：广东;44