工程图纸识别与智能化光栅矢量编辑系统

该文描述了工程图纸矢量化、识别的处理与实现过程，对当前矢量化中存在的问题进行了分析研究。提出智能化光栅矢量化的方法，采用自动和交互搜索的方法实现光栅信息的提取、编辑和矢量化，并结合知识引导的联想修正技术使识别的准确性有了明显提高。文中结合建筑结构图的自动识别和计算进行了研究。

神经网络技术在工程图纸识别中的应用

提出一种应用神经网络技术识别工程图纸扫描图象中图形符号的方法，这种神经网络分类器不仅使识别系统具有自适应性、可拓展性等特点，而且可适应工程图中符号处于粘连、相交、退化等复杂情况下的识别，对目前工程图识别中的最困难问题提出了一个有效的解决方法。

基于径向基概率神经网络的工程图纸图形符号识别

基于径向基概率神经网络,提出一种扫描工程图纸图像分割后的图形符号识别方法.针对已分割的扫描工程图纸图形符号图像,首先进行二值化处理,然后对二值图形符号图像进行Hu不变矩特征提取,再使用一种新型的径向基概率神经网络进行分类,从而实现图像识别.为加快径向基概率神经网络的收敛速度,采用递归最小二乘算法进行训练.实验结果表明,径向基概率神经网络在识别性能与速度等方面非常适合于工程图纸的图形符号识别.

一种工程图纸类文档识别分类的技术研究

针对工程图纸识别分类准确度不高的问题,采用了卷积神经网络对电气类图纸、机械类工程图纸和文字类3种图像进行高精度的分类。在小规模数据集和有限计算能力应用场景下,首先采用数据增强技术通过旋转变换、随机裁剪、增加噪声来扩大图像的数据集,然后搭建反向神经网络与卷积神经网络分别进行训练,最后根据两种分类器预测图像标签进行识别分类.对比实验结果表明,反向神经网络模型迭代训练后准确度达到75%,卷积神经网络模型迭代训练后准确率达到98%,模型交叉熵损失量分布在0.001,深度卷积神经网络比浅层反向神经网络具有良好的分类准确性。

基于深度学习的P&ID图纸智能识别

在石油化工领域,图纸数字化是一种重要的技术趋势。P&ID工程图纸是一种常用的工艺流程图,包含了成套设备、管道、自控仪表等大量信息。探讨了如何构建一套基于人工智能的P&ID图纸智能识别方法,通过计算机视觉技术智能识别并提取图纸信息,包括图例符号、文字、线条和表格等,同时可以根据管线连接关系进行关联,以分析管线连通性。该方法可大幅提高图纸识别和分析效率,实现P&ID图纸的数字化转换、存储和管理。

工程图纸骨架识别的模板设计

文章依轮廓象素点是否可被剥离,结合工程图纸的特点,设计了一个简明直观的骨架识别模板,并在软件实现的基础上获得了交叉点畸变较小的拓扑骨架。

工程扫描图象的直线整体识别算法

利用工程图纸的整体形状特性，提出了对扫描图象的直线整体识别算法，该算法对图象线条轮廓上的关键点进行了精确记录，并对它们进行了分析和处理。该算法不必单独处理线的交叉问题，但交叉点处的效果明显。它的基本思想是：首先检测原图象线宽，然后依据原图象线条的不同线宽，把原图象转化为一些由梯形块组成的条块图。

人工智能技术在施工图审查业务中的研究与应用

习近平总书记倡导推进互联网、大数据、人工智能同实体经济深度融合,国家正大力支持人工智能产业发展,加强人工智能等新一代信息技术在建筑领域中的融合应用。随着深度学习在视觉领域的成功应用,本文将基于特征学习的人工智能技术引入施工图审查业务中,充分挖掘建筑工程图纸的特点,通过使用深度学习、计算机视觉算法技术和大量图纸数据训练的方式进行相关智能审查技术开发,搭建了一个可以自动、智能审图的系统,以期有效保障行业的整体设计质量。

基于动态跟踪步长的直线快速矢量化算法

工程图纸扫描识别一直是模式识别中的难点问题。为了克服细化算法逐像素处理的局部特性,已提出了一些非细化算法。这些算法在不同程度上突破了细化算法在像素层次做局部操作的局限,力图抓住图像的宏观特征进行整体识别,但在处理小线素、曲线图像方面有较大局限性。文章采用动态扫描的概念,不对图像编码,利用随机稀疏扫描抽取跟踪头,利用跟踪头信息指导后续跟踪。跟踪时采用动态调节步长,得到了更精确的、完备的低级矢量化结果,为后续矢量处理提供了良好的基础。文章提出的算法可适用于各种不同工程图纸的处理,地理信息数据的提取。