一种基于人工神经网络二维图形元素转矢量图形元素的方法

技术领域

本发明涉及机器视觉、自然语言处理以及工程绘图软件二次开发领域，尤其涉及一种基于人工神经网络二维图形元素转矢量图形元素的方法。

背景技术

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它主要研究能够实现人与机器之间用自然语言进行有效通信的各种理论和方法。对于自然语言处理技术，传统的机器学习算法如SVM、LR等，对文本信息映射到高纬度空间进行处理，大部分应用在文本分类、情感分析等任务。近年来，一些非线性模型尤其是人工神经网络模型在自然语言处理领域中取得了极大的成功。

机器视觉是人工智能技术中的一个快速发展的分支，是利用机器代替人眼对图像进行分析和处理的技术。目前，机器视觉技术在图像识别、分类、检测、定位、测量等方面取得了重大的成果。

人工神经网络是一种仿生运算模型，由大量的运算节点（或者称之为神经元）之间相互联结构成。随着近年来人工神经网络研究工作的不断深入，人工神经网络技术已经取得了很大的进展，在模式识别、智能机器人、自动控制、数据预测、生物、医学、经济等领域取得较为突出的成果。与传统机器学习算法不同，人工神经网络需要大量标注数据，而且模型的准确度和泛化能力很大程度受标注数据的质量影响，这就意味着人工神经网络模型在数据处理上会消耗更多的成本。

ObjectARX是一种新型的工程绘图应用程序二次开发工具，被广泛运用于AutoCAD、中望CAD、浩辰CAD等二次开发。她以C++为变成语言，采用先进的面向对象的贬称原理，提供可与AutoCAD等绘图软件直接交互的开发环境，能使用户更加方便快捷地对其进行二次开发。

目前现有技术对用户的制图能力要求高；自动化程度低，过度依赖用户手动操作；大部分依靠人工操作，效率低；需要雇佣大量人手，用人成本高；由于人工的差异，导致出图质量参差不齐；大量重复性操作，对用户造成一定精神压力。

因此，有必要提供一种基于人工神经网络二维图形元素转矢量图形元素的方法解决上述技术问题。

发明内容

本发明提供一种基于人工神经网络二维图形元素转矢量图形元素的方法，解决了目前现有技术对用户的制图能力要求高；自动化程度低，过度依赖用户手动操作；大部分依靠人工操作，效率低；需要雇佣大量人手，用人成本高；由于人工的差异，导致出图质量参差不齐；大量重复性操作，对用户造成一定精神压力的问题。

为解决上述技术问题，本发明提供的基于人工神经网络二维图形元素转矢量图形元素的方法，包括以下步骤：

S1：图像训练数据自动生成模块；

S2：数字化信息提取模块；

S3：数字化图纸转化模块；

所述S1中包括S11、S12、S13、S14、S15、S16、S17、S18和S19；

所述S11为使用绘图软件二次开发技术搭建数字化设计平台并与用户绘图软件链接，建立模型仓库，用以存储用户制作的矢量图模型，图框以及对应的文字信息；

S12为用户通过数字化设计平台将各种图形元素，图框，文字元素等录入到图形元素模块库中；

S13为训练数据自动生成程序根据自动提取图形元素模块库里面存储的图框，图形元素，文字元素，并根据用户作图规范生成一张全新的图纸，并将图形元素生成的位置、种类等信息进行相应的处理，生成对应的标注文件；

S14为训练数据存入训练数据库；

S15为使用人工神经网络技术搭建目标检测模型。

优选的，所述S16为利用训练数据库中的图像及标注数据，对图形元素检测模型进行训练；所述S17为利用训练数据库中的文字信息，对文字识别模型、NLP命名体识别分类模型进行训练；所述S18为将训练得到的最优模型以及模型属性存入人工智能模型库中；所述S19为模型库定时更新，并自动循环所述S13-S18得到更新的AI模型。

优选的，所述S2中包括S21、S22、S23、S24、S24、S25、S26、S27和S28，所述S21为搭建并训练基于人工神经网络的文字检测模型，用于检测图像中文字信息；所述S22为搭建并训练基于人工神经网络的文本识别模型，用于对文字检测模型处理后的文字信息转为文本信息；所述S23为搭建12层transformer层的BERT模型，加载训练好的BERT预训练模型，再搭建多层人工神经网络层并以CRF层作为输出层，用以将文本信息中的用户命名体提取；所述S24为搭建12层transformer层的BERT模型，加载训练好的BERT预训练模型，再搭建多层人工神经网络层并使用Softmax函数作为输出层激活函数，用以对命名体信息分类整合。

优选的，所述S25为利用训练数据库中的文字信息对上述模型进行训练；所述S26为数字化信息提取模块判断图纸是否为矢量图，若是，则程序直接提取图中的文字信息，若不是，程序则将图通过文字检测模型以及文本识别模型提取文本信息；所述S27为将文本信息通过S23和S24得到的NLP命名体识别、分类模型进行处理；所述S28为数字化信息整合系统将根据图纸中图形元素的信息以及S27得到的文本信息进行分析整合，将属于该图形元素的文本信息录入到该图形元素的属性信息中。

优选的，所述S3中包括S31、S32、S33、S34、S35、S35、S36、S37和S38，所述S31为从非数字化图纸库中读取图纸；所述S32为新建一张空白图纸，并在图纸中根据S31读取到的图纸，从图框库中选择对应的图框并生成到新建空白图纸中；所述S33为图纸导入到数字化信息提取模块进行图形元素属性信息提取；所述S34为图纸导入图形元素检测模型中进行图形元素检测识别分类，并判断置信度是否符合预设值，若符合进行S35，若不符合则进行S36。

优选的，所述S35为联合图形元素模块库，根据图形元素检测模型生成的识别分类信息，位置信息，从图形元素模块库提取对应的图形元素模块并生成在S32新建图纸相应位置中，然后进行S37；所述S36为将图形元素封装成新图形模块录入图形元素模块库中，等待工程师进行建模录入以及补充相关属性信息，用以图形元素检测模型迭代更新，图纸也保存至非数字化图纸库中的未检测图纸库中等待后续检测模型更新后再进行检测；所述S37为通过数字化信息整合系统将数字化信息提取模块中提取到的图形元素属性信息与S35中得到的矢量图进行整合匹配，完善矢量图中图形元素的数字化信息，生成完整的数字化矢量图纸；所述S38为将生成的数字化矢量图纸保存到数字化图纸库中。

与相关技术相比较，本发明提供的基于人工神经网络二维图形元素转矢量图形元素的方法具有如下有益效果：

本发明提供一种基于人工神经网络二维图形元素转矢量图形元素的方法，本发明实现机器自动将现有图纸通过人工智能技术转化为数字化矢量图纸，取代了人工作图，大大降低了对高技术制图人员的需求，减少用人成本，通过深度学习模型的使用，高难度的转化工作由机器完成，用户只需要简单的计算机操作即可，降低对用户的技术能力要求；本方法使用计算机处理代替人手操作，大大节约处理时间，提高作业效率，使用先进的人工神经网络技术，保证图纸转化的质量及稳定性，同时模型自动更新迭代，提高转化的准确度；一般的监督学习需要用户手动收集大量学习数据并进行标注，本方法相较于一般监督学习而言，只需要用户手动一次性录入矢量图形元素，完善模块库，程序便会自动生成提供机器学习用的训练数据并自动标注，大大减少了前期的数据准备以及人力成本。

附图说明

图1为本发明提供的基于人工神经网络二维图形元素转矢量图形元素的方法的训练数据自动生成流程图；

图2为本发明提供的基于人工神经网络二维图形元素转矢量图形元素的方法的数字化图纸转化流程图。

具体实施方式

下面结合附图和实施方式对本发明作进一步说明。

请结合参阅图1和图2，其中，图1为本发明提供的基于人工神经网络二维图形元素转矢量图形元素的方法的训练数据自动生成流程图；图2为本发明提供的基于人工神经网络二维图形元素转矢量图形元素的方法的数字化图纸转化流程图。基于人工神经网络二维图形元素转矢量图形元素的方法，包括以下步骤：

S1：图像训练数据自动生成模块；

S2：数字化信息提取模块；

S3：数字化图纸转化模块；

所述S1中包括S11、S12、S13、S14、S15、S16、S17、S18和S19；

所述S11为使用绘图软件二次开发技术搭建数字化设计平台并与用户绘图软件链接，建立模型仓库，用以存储用户制作的矢量图模型，图框以及对应的文字信息（模型类别、属性）；

S12为用户通过数字化设计平台将各种图形元素，图框，文字元素等录入到图形元素模块库中；

S13为训练数据自动生成程序根据自动提取图形元素模块库里面存储的图框，图形元素，文字元素，并根据用户作图规范生成一张全新的图纸，并将图形元素生成的位置、种类等信息进行相应的处理，生成对应的标注文件；

S14为训练数据存入训练数据库；

S15为使用人工神经网络技术搭建目标检测模型。

所述S16为利用训练数据库中的图像及标注数据，对图形元素检测模型（人工神经网络目标检测模型）进行训练；所述S17为利用训练数据库中的文字信息，对文字识别模型、NLP命名体识别分类模型进行训练；所述S18为将训练得到的最优模型以及模型属性存入人工智能模型库中；所述S19为模型库定时更新，并自动循环所述S13-S18得到更新的AI模型。

所述S2中包括S21、S22、S23、S24、S24、S25、S26、S27和S28，所述S21为搭建并训练基于人工神经网络的文字检测模型，用于检测图像（非矢量图）中文字信息；所述S22为搭建并训练基于人工神经网络的文本识别模型，用于对文字检测模型处理后的文字信息转为文本信息；所述S23为搭建12层transformer层的BERT模型，加载训练好的BERT预训练模型，再搭建多层人工神经网络层并以CRF层作为输出层，用以将文本信息中的用户命名体提取；所述S24为搭建12层transformer层的BERT模型，加载训练好的BERT预训练模型，再搭建多层人工神经网络层并使用Softmax函数作为输出层激活函数，用以对命名体信息分类整合。

所述S25为利用训练数据库中的文字信息对上述模型进行训练；所述S26为数字化信息提取模块判断图纸是否为矢量图，若是，则程序直接提取图中的文字信息，若不是，程序则将图通过文字检测模型以及文本识别模型提取文本信息；所述S27为将文本信息通过S23和S24得到的NLP命名体识别、分类模型进行处理；所述S28为数字化信息整合系统将根据图纸中图形元素的信息以及S27得到的文本信息进行分析整合，将属于该图形元素的文本信息录入到该图形元素的属性信息中。

所述S3中包括S31、S32、S33、S34、S35、S35、S36、S37和S38，所述S31为从非数字化图纸库（用户提供）中读取图纸；所述S32为新建一张空白图纸，并在图纸中根据S31读取到的图纸，从图框库中选择对应的图框并生成到新建空白图纸中；所述S33为图纸导入到数字化信息提取模块进行图形元素属性信息提取；所述S34为图纸导入图形元素检测模型中进行图形元素检测识别分类，并判断置信度是否符合预设值，若符合进行S35，若不符合则进行S36。

所述S35为联合图形元素模块库（用户录入），根据图形元素检测模型生成的识别分类信息，位置信息，从图形元素模块库提取对应的图形元素模块并生成在S32新建图纸相应位置中，然后进行S37；所述S36为将图形元素封装成新图形模块录入图形元素模块库中，等待工程师进行建模录入以及补充相关属性信息，用以图形元素检测模型迭代更新，图纸也保存至非数字化图纸库中的未检测图纸库中等待后续检测模型更新后再进行检测；所述S37为通过数字化信息整合系统将数字化信息提取模块中提取到的图形元素属性信息与S35中得到的矢量图进行整合匹配，完善矢量图中图形元素的数字化信息，生成完整的数字化矢量图纸；所述S38为将生成的数字化矢量图纸保存到数字化图纸库中；使用目前先进的人工神经网络模型建立目标检测模型，对现有图纸中的各种图形元素进行识别分类定位，在新图纸中生成相应的数字化矢量图形元素，并通过NLP技术解析旧图纸中的信息，将相关信息补充道数字化矢量图形元素属性中；本发明同时使用绘图软件二次开发技术，可以根据用户模块库自动生成供人工神经网络模型训练用的训练数据（图像数据以及标注数据），省去大量图像收集以及标注工作。

与相关技术相比较，本发明提供的基于人工神经网络二维图形元素转矢量图形元素的方法具有如下有益效果：

本发明实现机器自动将现有图纸通过人工智能技术转化为数字化矢量图纸，取代了人工作图，大大降低了对高技术制图人员的需求，减少用人成本，通过深度学习模型的使用，高难度的转化工作由机器完成，用户只需要简单的计算机操作即可，降低对用户的技术能力要求；本方法使用计算机处理代替人手操作，大大节约处理时间，提高作业效率，使用先进的人工神经网络技术，保证图纸转化的质量及稳定性，同时模型自动更新迭代，提高转化的准确度；一般的监督学习需要用户手动收集大量学习数据并进行标注，本方法相较于一般监督学习而言，只需要用户手动一次性录入矢量图形元素，完善模块库，程序便会自动生成提供机器学习用的训练数据并自动标注，大大减少了前期的数据准备以及人力成本。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。