一种工程图纸的图像识别方法、系统及相关装置制造方法及图纸

本申请提供一种工程图纸的图像识别方法，包括：获取工程图纸数据；对所述工程图纸数据进行预处理，得到图像数据；将所述图像数据输入训练模型，得到图像识别结果；其中，所述训练模型为包含多边形训练模型、双平行线训练模型和门窗训练模型的混合模型。本申请通过对工程图纸数据预处理后直接输入训练模型进行识别，无需人工识别，尤其对于画法复杂门窗构建，可以准确的分析识别，提高了对于工程图纸的识别精确度。同时借助于训练模型进行图像识别，可以通过对训练模型进行优化以保证识别精度，解决了当前图纸识别软件难以更新的问题。本申请还提供一种工程图纸的图像识别系统、计算机可读存储介质和电子设备，具有上述有益效果。

【技术实现步骤摘要】
一种工程图纸的图像识别方法、系统及相关装置
本申请涉及工业制造领域，特别涉及一种工程图纸的图像识别方法、系统及相关装置。
技术介绍
当前针对于建筑工程图纸的识别过程中，利用传统的图像识别方法可以识别建筑图纸中的简单构件，例如柱状构件、梁墙构件等，但针对于复杂的门窗框构件很难利用图像识别方法识别，其识别误差大，存在图纸数据的识别误差，不利于对建筑图纸的识别应用。
技术实现思路
本申请的目的是提供一种工程图纸的图像识别方法、图像识别系统、计算机可读存储介质和电子设备，能够借助于训练模型快速有效识别工程图纸。为解决上述技术问题，本申请提供一种工程图纸的图像识别方法，具体技术方案如下：获取工程图纸数据；对所述工程图纸数据进行预处理，得到图像数据；将所述图像数据输入训练模型，得到图像识别结果；其中，所述训练模型为包含多边形训练模型、双平行线训练模型和门窗训练模型的混合模型。可选的，将所述图像数据输入训练模型之前，还包括：训练所述多边形训练模型；训练所述双平行线训练模型；训练所述门窗训练模型；在全连接层整合所述多边形训练模型、所述双平行线训练模型和所述门窗训练模型，得到所述训练模型。可选的，训练所述多边形训练模型包括：确定卷积大小为5×5像素、输出特征图深度为1和滑动步长为1；在全连接层中按照多边形的类型进行分类；所述类型包括定点数据、内角角度特征和输出形状；输入柱形构件数据并采用平均池化进行训练，得到多边形训练模型。可选的，训练所述双平行线训练模型包括：确定卷积大小为5×5像素、输出特征图深度为1和滑动步长为3；在全连接层中按照双平行线的间距分类；输入梁墙边线数据并采用最大池化进行训练，得到双平行线训练模型。可选的，训练所述门窗训练模型包括：确定卷积大小为3×3像素、输出特征图深度为1和滑动步长为1；在全连接层中按照弧线特征进行分类；输入门窗数据并采用平均池化进行训练，得到门窗训练模型。可选的，在全连接层整合所述多边形训练模型、所述双平行线训练模型和所述门窗训练模型，得到所述训练模型之前，还包括：为所述多边形训练模型、所述双平行线训练模型和所述门窗训练模型配置各自的分类准确率；在所述多边形训练模型、所述双平行线训练模型和所述门窗训练模型配置各自的分类准确率均达标后，执行在全连接层整合所述多边形训练模型、所述双平行线训练模型和所述门窗训练模型，得到所述训练模型的步骤。可选的，对所述工程图纸数据进行预处理，得到图像数据包括：利用预设放缩因子对所述工程图纸数据进行缩放，得到第一图像数据；对所述第一图像数据进行颜色过滤，得到第二图像数据；对所述第二图像数据进行图像形态学操作，得到所述优化图像数据；所述图像形态学操作包括二值化操作和开运算操作。本申请还提供一种工程图纸的图像识别系统，包括：图纸获取模块，用于获取工程图纸数据；预处理模块，用于对所述工程图纸数据进行预处理，得到图像数据；模型识别模块，用于将所述图像数据输入训练模型，得到图像识别结果；其中，所述训练模型为包含多边形训练模型、双平行线训练模型和门窗训练模型的混合模型。本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。本申请还提供一种电子设备，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上所述的方法的步骤。本申请提供一种工程图纸的图像识别方法，包括：获取工程图纸数据；对所述工程图纸数据进行预处理，得到图像数据；将所述图像数据输入训练模型，得到图像识别结果；其中，所述训练模型为包含多边形训练模型、双平行线训练模型和门窗训练模型的混合模型。本申请通过对工程图纸数据预处理后直接输入训练模型进行识别，无需人工识别，尤其对于画法复杂门窗构建，可以准确的分析识别，提高了对于工程图纸中复杂建筑构件的识别精确度。同时借助于训练模型进行图像识别，可以通过对训练模型进行优化以保证识别精度，同时也解决了当前图纸识别软件难以更新的问题。本申请还提供一种工程图纸的图像识别系统、计算机可读存储介质和电子设备，具有上述有益效果，此处不再赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本申请实施例所提供的工程图纸的图像识别方法的流程图；图2为本申请实施例所提供的工程图纸的图像识别系统结构示意图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。请参考图1，图1为本申请实施例所提供的工程图纸的图像识别方法的流程图，该方法包括：S101：获取工程图纸数据；S102：对所述工程图纸数据进行预处理，得到图像数据；本步骤旨在对工程图纸数据进行预处理，从而得到图像格式的图像数据。由于工程图纸可能并非为图片格式，因此在执行预处理过程中利用图层区分工程图纸数据中的几何信息。在此对于如何执行预处理不作具体限定，本实施例在此提供本步骤的一种优选执行方式，其过程包括：利用预设放缩因子对工程图纸数据进行缩放，得到第一图像数据；对第一图像数据进行颜色过滤，得到第二图像数据；对第二图像数据进行图像形态学操作，得到优化图像数据；图像形态学操作包括二值化操作和开运算操作。在此对于预设放缩因子不作具体限定，缩放的目的是减少需要处理的数据量，但需要注意的是，在缩放过程中应注意不对工程图纸数据的精确度造成影响，即在不影响工程图纸数据的精确度的前提下进行缩放。此后，还可以对工程图纸数据进行光栅化处理，从而得到工程图纸数据对应的图像格式文件。具体的，需要将工程图纸数据中的图像坐标转化为像素坐标，从而实现将图纸光栅化图片。S103：将所述图像数据输入训练模型，得到图像识别结果；本步骤需要工程图纸数据对应的图像数据输入至训练模型，从而得到对应的图像识别结果。该训练模型为包含多边形训练模型、双平行线训练模型和门窗训练模型的混合模型。即可以利用多边形训练模型识别多边形，利用双平行线训练模型识别双平行线，利用门窗训练模型识别图像数据中的门窗。但需要注意的是，多边形训练模型、双平行线训练模型和门窗训练模型的模型训练之间并不存在既定的训练顺序，本实施例仅要求训练模型中包本文档来自技高网...

【技术保护点】
1.一种工程图纸的图像识别方法，其特征在于，包括：/n获取工程图纸数据；/n对所述工程图纸数据进行预处理，得到图像数据；/n将所述图像数据输入训练模型，得到图像识别结果；其中，所述训练模型为包含多边形训练模型、双平行线训练模型和门窗训练模型的混合模型。/n

【技术特征摘要】
1.一种工程图纸的图像识别方法，其特征在于，包括：
获取工程图纸数据；
对所述工程图纸数据进行预处理，得到图像数据；
将所述图像数据输入训练模型，得到图像识别结果；其中，所述训练模型为包含多边形训练模型、双平行线训练模型和门窗训练模型的混合模型。


2.根据权利要求1所述的图像识别方法，其特征在于，将所述图像数据输入训练模型之前，还包括：
训练所述多边形训练模型；
训练所述双平行线训练模型；
训练所述门窗训练模型；
在全连接层整合所述多边形训练模型、所述双平行线训练模型和所述门窗训练模型，得到所述训练模型。


3.根据权利要求2所述的图像识别方法，其特征在于，训练所述多边形训练模型包括：
确定卷积大小为5×5像素、输出特征图深度为1和滑动步长为1；
在全连接层中按照多边形的类型进行分类；所述类型包括定点数据、内角角度特征和输出形状；
输入柱形构件数据并采用平均池化进行训练，得到多边形训练模型。


4.根据权利要求2所述的图像识别方法，其特征在于，训练所述双平行线训练模型包括：
确定卷积大小为5×5像素、输出特征图深度为1和滑动步长为3；
在全连接层中按照双平行线的间距分类；
输入梁墙边线数据并采用最大池化进行训练，得到双平行线训练模型。


5.根据权利要求2所述的图像识别方法，其特征在于，训练所述门窗训练模型包括：
确定卷积大小为3×3像素、输出特征图深度为1和滑动步长为1；
在全连接层中按照弧线特征进行分类；
输入门窗数据并采用平均池化进行训练，得到门窗训练模型。


6.根据权利要求2所述的...

【专利技术属性】
技术研发人员：何楠，戴闻刚，王能锋，
申请(专利权)人：杭州品茗安控信息技术股份有限公司，
类型：发明
国别省市：浙江;33