本申请涉及一种图纸建筑构件自动识别方法、装置、设备及存储介质，该方法包括获取待识别建筑构件的平面图像，以及立面图像和/或剖面图像，将平面图像，以及立面图像和/或剖面图像，作为输入；利用预设分类检测模型，自动分类检测输出得到待识别建筑构件的构件类型。通过结合待识别建筑构件在平面图、剖面图、立面图不同视角所展示出的不同特征，采用预设分类检测模型自动识别建筑构件的构件类型，可使得预设分类检测模型获取到更多有用的分类识别信息，从而可提高建筑构件类型的分类识别准确性。性。性。
【技术实现步骤摘要】
图纸建筑构件自动识别方法、装置、设备及存储介质
[0001]本申请涉及图纸信息识别处理领域，尤其是涉及图纸建筑构件自动识别方法、装置、设备及存储介质。
技术介绍
[0002]工程施工领域中，建筑图纸设计完成后并不是直接用于建筑施工，需要将建筑图纸报送相关的审核部门进行审查，以审查设计图纸是否满足建筑行业相关规范要点或者其他有关要求，只有通过审查的建筑图纸才会用于生产施工。
[0003]图纸的审查可以分为人工审查和计算机自动审查，或者两者相结合的方式。相对于人工审图，计算机自动审图效率更高，可极大地降低审图人员的工作强度，因此目前更加倾向于自动审图。相关审图机构或部门对于高效、准确、无遗漏地自动审图技术具有较高的市场需求。
[0004]审图主要通过对建筑图纸中设计的建筑构件进行分析识别，以判断是否符合建筑设计的规范或要求的过程，不同的建筑构件具有不同的建筑设计规范或要求，因此对建筑图纸中的建筑构件进行准确的检测分类，是实现准确审图的关键。尤其是对于建筑平面图中几何形状比较相似的建筑构件，对于目前的自动审图技术是比较容易出错的，无法准确识别出构件类型。例如存在将连廊识别为窗户，将窗户识别为栏杆等情况，造成图纸信息解析结果与表达不一致，从而影响审图的准确性。
技术实现思路
[0005]为了改善当前对图纸建筑构件识别准确性差的问题，本申请提供了图纸建筑构件自动识别方法、装置、设备及存储介质。
[0006]第一方面，本申请提供的图纸建筑构件自动识别方法，采用如下的技术方案：一种图纸建筑构件自动识别方法，包括：获取待识别建筑构件的平面图像，以及立面图像和/或剖面图像；所述平面图像包括所述待识别建筑构件在所属建筑平面图中对应截取的图像；所述立面图像包括所述待识别建筑构件在所属建筑立面图中对应截取的图像；所述剖面图像包括所述待识别建筑构件在所属建筑剖面图中对应截取的图像；将所述平面图像，以及所述立面图像和/或所述剖面图像，作为输入；利用预设分类检测模型，自动分类检测输出得到所述待识别建筑构件的构件类型。
[0007]通过采用上述技术方案，通过结合待识别建筑构件在平面图、剖面图、立面图不同视角所展示出的不同特征，采用预设分类检测模型自动识别建筑构件的构件类型，可使得预设分类检测模型获取到更多有用的分类识别信息，从而可提高建筑构件类型的分类识别准确性。
[0008]可选的，所述预设分类检测模型包括依次连接的卷积神经网络、编码器、序列机制模块和解码器。
[0009]通过采用上述技术方案，首先利用卷积神经网络提取待识别建筑构件图像的几何形状、线条以及颜色等特征信息，通过编码器丰富特征维度，然后利用序列机制模块对多维特征信息进行整合排序，最后通过解码器实现相似匹配和分类识别输出；提高了建筑构件类型检测识别准确性。
[0010]可选的，所述卷积神经网络由4至10个卷积核conv依次串联构成；所述编码器由3至5个可变卷积核DCN（(Deformable Convolution Network）依次串联构成；所述序列机制模块包括循环神经网络RNN（Recurrent Neural Networks）、长短期记忆网络LSTM（Long Short
‑
Term Memory Networks）、transformer神经网络中的一种；所述解码器由卷积层conv1*1、激活层RELU和全连接层FC依次串联构成。
[0011]通过采用上述技术方案，基于实测数据测试得到的测试结果表明，预设分类检测模型对于建筑构件检测识别的准确性可达100%。
[0012]可选的，所述获取待识别建筑构件的平面图像，以及立面图像和/或剖面图像包括：获取所述待识别建筑构件的平面图像，确定所述平面图像在所述所属建筑平面图中的位置信息；在所述所属建筑立面图中确定与所述位置信息对应的第一图纸区域，截取所述第一图纸区域作为所述待识别建筑构件的立面图像；和/或，在所述所属建筑剖面图中确定与所述位置信息对应的第二图纸区域，截取所述第二图纸区域作为所述待识别建筑构件的剖面图像。
[0013]通过采用上述技术方案，可准确映射获取得到待识别建筑构件的平面图像位置相对应的立面图像和/或剖面图像，进而可结合待识别建筑构件的立面图像和/或剖面图像，作为预设分类检测模型的输入，提高分类检测识别准确性。
[0014]可选的，所述确定所述平面图像在所述所属建筑平面图中的位置信息包括：获取所述平面图像在所述所属建筑平面图中对应的目标轴线轴号，建立所述平面图像的轴网坐标；获取所述所属建筑平面图的楼层信息；基于所述轴网坐标和所述楼层信息，得到所述平面图像在所述所属建筑平面图中的位置信息。
[0015]通过采用上述技术方案，可唯一且准确确定待识别建筑构件的位置信息，从而可以准确提取在建筑立面图、建筑剖面图中的图像。
[0016]可选的，所述获取所述平面图像在所述所属建筑平面图中对应的目标轴线轴号包括：在所述所属建筑平面图中，获取与所述平面图像的轮廓左右两侧相邻的两条纵向轴线，以及与所述平面图像的轮廓上下两侧相邻的两条横向轴线；将所述横向轴线的轴号，以及所述纵向轴线的轴号，作为所述目标轴线轴号；所述获取所述所属建筑平面图的楼层信息包括：通过OCR（optical character recognition，文字识别）识别提取所述所属建筑平面图的图名，基于所述图名确定楼层信息。
[0017]通过采用上述技术方案，以相邻的4条轴线的轴号，建立待识别建筑构件的轴网坐
标，同时通过OCR提取楼层信息，得到待识别建筑构件的相对标高，从而可在立面图和剖面图进行准确映射提取待识别建筑构件的立面图像和剖面图像。
[0018]可选的，所述在所述所属建筑立面图中确定与所述位置信息对应的第一图纸区域包括：在所述建筑立面图中确定与所述轴网坐标关联的第一轴线；根据所述楼层信息确定目标楼层；在所述目标楼层中确定所述第一轴线所限制的图纸区域，作为所述第一图纸区域；所述在所述所属建筑剖面图中确定与所述位置信息对应的第二图纸区域包括：在所述建筑剖面图中确定与所述轴网坐标关联的第二轴线；根据所述楼层信息确定目标楼层；在所述目标楼层中确定所述第二轴线所限制的图纸区域，作为所述第二图纸区域。
[0019]通过采用上述技术方案，实现了待识别建筑构件的立面图像和剖面图像的映射提取。
[0020]第二方面，本申请提供的图纸建筑构件自动识别装置，采用如下的技术方案：一种图纸建筑构件自动识别装置，包括：获取模块，用于获取待识别建筑构件的平面图像，以及立面图像和/或剖面图像；所述平面图像包括所述待识别建筑构件在所属建筑平面图中对应截取的图像；所述立面图像包括所述待识别建筑构件在所属建筑立面图中对应截取的图像；所述剖面图像包括所述待识别建筑构件在所属建筑剖面图中对应截取的图像；预设分类检测模型，用于以所述平面图像，以及所述立面图像和/或所述剖面图像作为输入，自动分类检测输出得到所述待识别建筑构件的构件类型。
[0021]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图纸建筑构件自动识别方法，其特征在于，所述图纸建筑构件自动识别方法包括：获取待识别建筑构件的平面图像，以及立面图像和/或剖面图像；所述平面图像包括所述待识别建筑构件在所属建筑平面图中对应截取的图像；所述立面图像包括所述待识别建筑构件在所属建筑立面图中对应截取的图像；所述剖面图像包括所述待识别建筑构件在所属建筑剖面图中对应截取的图像；将所述平面图像，以及所述立面图像和/或所述剖面图像，作为输入；利用预设分类检测模型，自动分类检测输出得到所述待识别建筑构件的构件类型。2.根据权利要求1所述的图纸建筑构件自动识别方法，其特征在于，所述预设分类检测模型包括依次连接的卷积神经网络、编码器、序列机制模块和解码器。3.根据权利要求2所述的图纸建筑构件自动识别方法，其特征在于，所述卷积神经网络由4至10个卷积核conv依次串联构成；所述编码器由3至5个可变卷积核DCN依次串联构成；所述序列机制模块包括循环神经网络RNN、长短期记忆网络LSTM、transformer神经网络中的一种；所述解码器由卷积层conv1*1、激活层RELU和全连接层FC依次串联构成。4.根据权利要求1至3任一项所述的图纸建筑构件自动识别方法，其特征在于，所述获取待识别建筑构件的平面图像，以及立面图像和/或剖面图像包括：获取所述待识别建筑构件的平面图像，确定所述平面图像在所述所属建筑平面图中的位置信息；在所述所属建筑立面图中确定与所述位置信息对应的第一图纸区域，截取所述第一图纸区域作为所述待识别建筑构件的立面图像；和/或，在所述所属建筑剖面图中确定与所述位置信息对应的第二图纸区域，截取所述第二图纸区域作为所述待识别建筑构件的剖面图像。5.根据权利要求4所述的图纸建筑构件自动识别方法，其特征在于，所述确定所述平面图像在所述所属建筑平面图中的位置信息包括：获取所述平面图像在所述所属建筑平面图中对应的目标轴线轴号，建立所述平面图像的轴网坐标；获取所述所属建筑平面图的楼层信息；基于所述轴网坐标和所述楼层信息，得到所述平面图像在所述所属建筑平面图中的位置信息。6.根据权利要求5所述的图纸建筑构...
【专利技术属性】
技术研发人员：邹军利，
申请(专利权)人：上海帮图信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。