【技术实现步骤摘要】
本专利技术涉及错误识别，尤其涉及智能尺规绘图错误识别系统。
技术介绍
1、错误识别
主要关注于通过自动化方法检测和纠正在数据处理、图像生成、语音识别，或者其他技术应用中发生的错误，广泛应用于计算机视觉、机器学习、制造业质量控制和医学图像处理等，错误识别系统利用算法来分析输入数据的准确性，通过模式识别来识别潜在的错误或异常，其关键在于提高自动化过程的准确性和效率，减少人为介入，从而提升操作的稳定性和可靠性。
2、其中，智能尺规绘图错误识别系统是一种应用错误识别技术的自动化系统，专门用于在绘图过程中检测和纠正错误，其主要用途是在工程设计、建筑制图、机械制造以及教育领域中提供更高的绘图精确性，通过自动识别尺寸错误、对称性错误或几何不精确性，该系统帮助用户减少重复工作，提高生产效率，并确保绘图结果的高质量。
3、现有技术缺乏实时数据处理和高级图像处理的能力，在复杂和快速变化的设计需求面前，限制了处理的灵活性和即时性，导致处理延迟和准确度不足，尤其是在需要高度图像精细化的应用场景中表现不佳，现有技术多依赖于预定义的错误模式，对新出现的错误类型适应性不强，限制了其在新环境或未知错误场景下的有效性，导致绘图效率降低，增加了绘制成本。
技术实现思路
1、本专利技术的目的是解决现有技术中存在的缺点，而提出的智能尺规绘图错误识别系统。
2、为了实现上述目的，本专利技术采用了如下技术方案：智能尺规绘图错误识别系统，所述系统包括：
3、几何误差分析模块
4、实时几何调整模块基于所述基线几何配置，利用在线学习机制，实时接收新的设计图纸错误数据，计算当前几何误差频率和类型，比较前后数据变化，进行参数再配置，并持续优化误差识别过程，得到动态几何参数；
5、几何特征增强模块基于所述动态几何参数，应用生成对抗网络，优化图像清晰度和边缘细节，输入特征至调优流程中，优化几何误差识别的准确性，得到几何特征识别信息；
6、误差校正评估模块基于所述几何特征识别信息，分析识别的几何误差类型和频率，对比设计标准和历史数据，对误差严重性进行判断，并利用判断结果调整设计参数，生成几何校正结果。
7、本专利技术改进有，所述误差频率和错误类型分布统计的计算步骤具体为：
8、基于尺规绘图数据，提取几何错误信息，计算多类错误的出现次数，采用公式：
9、
10、生成每类错误的总次数结果，其中，表示第类错误的总次数，表示第类错误的事件数，是迭代变量；
11、基于所述每类错误的总次数结果，计算错误类型频率，采用公式：
12、
13、得到加权错误频率结果，其中，是加权后的第类错误的频率，是第类错误的总次数，是错误类别的总数；
14、基于所述加权错误频率结果，计算频率的加权平均值和加权标准差，采用公式：
15、
16、和
17、
18、得到分布统计结果，其中，是加权错误频率的平均值，是加权错误频率的标准差，是加权后的第类错误的频率，是错误类别的总数。
19、本专利技术改进有，所述基线几何配置的获取步骤具体为：
20、基于所述误差分布数据，确定几何误差的关键类型，采用公式：
21、
22、得到选定的误差类型，其中，是初始参数设置，是错误类型的基础频率，是与错误类型关联的权重，是错误类型的发生次数，是对发生次数的对数变换；
23、基于所述选定的误差类型，调整几何配置参数，优化误差的发生概率，采用公式：
24、
25、得到优化后的几何配置参数，其中，是初始参数设置，是时间依赖的学习率，是损失函数对于参数的梯度，是误差减少量，是参数调整幅度。
26、本专利技术改进有，所述当前几何误差频率和类型的计算步骤具体为：
27、基于所述基线几何配置，实时接收新的设计图纸错误数据，分类错误类型，计算实时更新的出现次数，采用累积计数法：
28、
29、得到实时错误类型计数，其中，是时间点的目标错误类型的累积出现次数，是时间点的错误计数，是在时间点收到的新数据集，为指示函数，表示若数据属于错误类型，则为1，否则为0；
30、基于所述实时错误类型计数，计算每种错误的实时频率，结合错误数据的时间关联性，使用加权公式：
31、
32、得到实时错误类型频率，其中，是时间点的错误类型的实时频率，是新数据的权重因子，是时间窗口内的总数据点数，是时间点的目标错误类型的累积出现次数；
33、整合所述实时错误类型频率和实时错误类型计数，使用公式：
34、
35、得到当前几何误差频率和类型，其中，是包括错误类型实时频率的向量，表示对应错误类型在时间点的频率。
36、本专利技术改进有，所述动态几何参数的获取步骤具体为：
37、根据实时分析数据，识别几何误差的当前数据变化，进行参数调整判断，采用公式：
38、
39、得到几何参数的提议调整量，其中，是调整敏感度参数，是当前监控的误差趋势，是目标误差趋势；
40、基于所述几何参数的提议调整量，计算新的几何参数，采用公式：
41、
42、得到调整后的几何参数，获得动态几何参数，其中，是当前使用的几何参数，是几何参数的提议调整量。
43、本专利技术改进有，所述图像清晰度和边缘细节的优化步骤具体为：
44、基于所述动态几何参数，分析当前图像数据，确定基线清晰度和边缘细节，对图像进行初步处理，采用公式：
45、
46、得到增强的图像对比度，其中，是原始图像对比度，是调整系数，用于控制对比度调整强度，是基于几何参数计算的调整因子；
47、基于所述增强的图像对比度，应用生成对抗网络细化图像边缘，优化细节可见度，采用公式：
48、
49、得到优化后的边缘细节，其中，是原始边缘细节，是gan模型参数，是边缘优化参数。
50、本专利技术改进有，所述几何特征识别信息的获取步骤具体为：
51、采用边缘检测算法对几何图像进行分析，提取关键几何特征，采用公式：
52、
53、得到边缘强度，其中，和是水平和垂直方向的像素梯度，是梯度增强因子；
54、基于所述边缘强度，对提取的特征进行分类，识别几何错误类型，采用公式：
55、
56、得到几何形状的分类概率，是权重矩阵，是偏置项，是激活函数，用于输出概率，是边缘强度。
57、本专利技术改进有，所述几何校正结果的获取步骤具体为：
58、基于所述几何特征本文档来自技高网...
【技术保护点】
1.智能尺规绘图错误识别系统，其特征在于，所述系统包括：
2.根据权利要求1所述的智能尺规绘图错误识别系统，其特征在于，所述误差频率和错误类型分布统计的计算步骤具体为：
3.根据权利要求1所述的智能尺规绘图错误识别系统，其特征在于，所述基线几何配置的获取步骤具体为：
4.根据权利要求1所述的智能尺规绘图错误识别系统，其特征在于，所述当前几何误差频率和类型的计算步骤具体为：
5.根据权利要求1所述的智能尺规绘图错误识别系统，其特征在于，所述动态几何参数的获取步骤具体为：
6.根据权利要求1所述的智能尺规绘图错误识别系统，其特征在于，所述图像清晰度和边缘细节的优化步骤具体为：
7.根据权利要求1所述的智能尺规绘图错误识别系统，其特征在于，所述几何特征识别信息的获取步骤具体为：
8.根据权利要求1所述的智能尺规绘图错误识别系统，其特征在于，所述几何校正结果的获取步骤具体为：
【技术特征摘要】
1.智能尺规绘图错误识别系统，其特征在于，所述系统包括：
2.根据权利要求1所述的智能尺规绘图错误识别系统，其特征在于，所述误差频率和错误类型分布统计的计算步骤具体为：
3.根据权利要求1所述的智能尺规绘图错误识别系统，其特征在于，所述基线几何配置的获取步骤具体为：
4.根据权利要求1所述的智能尺规绘图错误识别系统，其特征在于，所述当前几何误差频率和类型的计算步骤具体为：
5.根据...
【专利技术属性】
技术研发人员：陈清奎，张亚松，邵辉笙，肖龙飞，
申请(专利权)人：济南科明数码技术股份有限公司，
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。