一种基于建筑平面图的消防传感器及报警设备的识别方法

技术领域

本发明涉及图像识别领域，特别是涉及一种基于建筑平面图的消防传感器及报警设备的识别方法。

背景技术

根据消防监督检查规定，有关部门应当依法做好对火灾高危单位消防工作的监督管理。目前，为了进行审核和监督，消防机构通常需要按时更新建筑设计平面图的CAD图纸，需要人工到现场测量对建筑单位中重要的消防传感器及报警设备进行定期的检查以及确认，包括：各类传感器以及报警器的数量以及位置等。在现有的评估方法中，在完成建筑各类传感器以及报警器等相关设施的检查、尺寸度量以及位置确认之后，消防安全评估机构根据依法对该单位的消防检查结果进行记录，往往通过人工的方式，阅读检查报告结果和CAD图纸，统计数据并进行得分计算，完成对消防传感器及报警设备的识别检查与位置数量确认，这样一来工作效率较低，原因在于：对于建筑单位的一层建筑平面而言，通常存在多个传感器以及报警器；对于面积非常大且消防传感器及报警设备数量多的建筑而言，定期反复检查与测量，导致工作量巨大，需要花费巨大的人力对诸多的设施进行实地测量以及记录。除此之外，检查与测量的结果以及相关信息的反馈还需要通过电子政务系统进行网上登记，发布给对应的建筑单位用于改进提升。现阶段所有这些工作内容都要依靠人工处理的方式来实现，在相关单位实际工作中效率很低且所需要的人工成本很高。因此需要一种能够智能识别建筑平面图中的防传感器及报警设备的方法

发明内容

本发明的目的是解决现有技术的不足，提供一种基于建筑平面图的消防传感器及报警设备的识别方法，能够智能识别消防和报警设备，使用方便。

一种基于建筑平面图的消防传感器及报警设备的识别方法，包括如下步骤：

步骤一：将建筑平面CAD图纸导出得到图片格式的建筑平面图；

步骤二：划分建筑平面图的RGB识别范围；

步骤三：根据获得的RGB识别范围，在建筑平面图中划分获取消防传感器及报警设备的区域，获得各区域图像的掩模图；

步骤四：对步骤三中获得的掩模图进行去噪处理，并进行连通图分析，获得各区域图像的连通图；将连通图与原始的建筑平面图进行比对，得到连通图在原始的建筑平面图中的初步识别结果；其中原始的建筑平面图表示步骤一中得到的建筑平面图；

步骤五：将步骤四获得的每张区域连通图与模板图样根据质量感知法进行匹配，选出匹配度最高的模板图样，作为该区域掩模图的识别结果。

进一步的，所述步骤一之前，需要对建筑平面CAD图纸进行预处理，预处理包括将CAD图纸中的消防传感器及报警设备用色彩进行突出标记，消防传感器及报警设备包括光电感烟探测器、编码手动报警按钮、消火栓按钮、火警电话分机、火警扬声器箱、声光报警器。

进一步的，所述步骤二中划分建筑平面图的RGB识别范围，包括如下步骤：步骤21：通过绘图软件的取色器工具对JPG图片上每个像素点进行采色，读取每个像素点的RGB值；

步骤22：统计并记录RGB采样结果；

步骤23：根据采样结果数据，挑选RGB最值，划分RGB识别范围。

进一步的，所述步骤三中对于带有颜色标记的建筑平面图，消防传感器及报警设备区域的掩模图的获取步骤如下：

步骤31：初始化生成一张与建筑平面图大小尺寸相同的全零矩阵，作为消防传感器及报警设备对应颜色的掩模；掩模大小为N×M×3，其中N,M表示建筑平面图的长和宽，3表示RGB三个通道；

步骤32：通过RGB图像矩阵读取建筑平面图中每个像素点的RGB值；

步骤33：将获得的RGB值与消防传感器及报警设备的RGB识别范围进行比较；如果该像素点RGB值在RGB识别范围内，则在掩模中将相应位置的0标记为该RGB值；否则，保持为0；直至完成建筑平面图中每个像素点的RGB值的比较，结束本步骤。

进一步的，所述步骤四中的去噪采用膨胀与腐蚀技术；腐蚀技术用于去除掩模图中线条边缘的毛刺部分；膨胀技术用于对线条边缘空缺部分进行填充；膨胀与腐蚀技术的计算如下所示：

dilate(x1，y1)＝max

erode(x2，y2)＝min

其中，dilate(x1，y1)表示对原图像中位置为(x1，y1)的像素点进行膨胀；I(x1+x1′，y1+y1′)表示原图像在(x1+x1′，y1+y1′)绝对坐标位置处的RGB值；kernel1表示用于膨胀的窗口矩阵，其中(x1′，y1′)为kernel1矩阵内的一个相对坐标；erode(x2，y2)表示对原图像中坐标为(x2，y2)的像素点进行腐蚀；I(x2+x2′，y2+y2′)表示原图像在(x2+x2′，y2+y2′)绝对坐标位置处的RGB值；kernel2表示用于腐蚀的窗口矩阵，其中(x2′，y2′)为kernel2矩阵内的一个相对坐标。

进一步的，所述连通图分析，首先完成连通图划分；连通图划分需要判断完成去噪后的掩模图像的有色像素点两两之间的距离，有色像素点表示RGB值不为0的像素点；两像素点之间的距离计算如下式所示：

其中d(A，B)表示A，B两点之间的欧式距离，其中A的坐标表示为(x

对于掩模图中的某个有色像素点C，当存在另一个有色像素点P的距离不超过del_area时，则认为像素点C和像素点P属于同一个连通图G，其中del_area为设定的距离阈值上限；定义μ(C)用来判断点C是否可以并入连通图G；如果值为1，C可以被并入连通图G，否则，则不可以并入；其中μ(C)的表达式如下所示：

其中del_area的值小于相邻的消防传感器及报警设备的最小间距。

进一步的，所述连通图分析，其次需要对完成划分的连通图区域进行筛选；

其中对连通图区域的筛选首先从完成连通图划分的掩模图中获得连通图区域以及每个区域的外接边框及外接边框的相关信息，相关信息包括位置信息和尺寸信息；随后根据外接边框的相关信息对外接边框进行筛选，包括如下步骤：

步骤41：获得每个连通图区域的外接边框的相关信息；

步骤42：将获得的外接边框的相关信息与设定的消防传感器及报警设备的模板图样的尺寸上下限进行比较；将不符合设定的消防传感器及报警设备尺寸上下限范围的外接边框相关信息以及对应的连通图区域去除；

步骤43：将步骤42筛选得到连通图与原始的建筑平面图进行对比，得到各连通图区域在原始的建筑平面图中的位置信息，得到所有消防传感器及报警设备的初步识别结果。

进一步的，所述步骤五中基于质量感知法匹配图片包括如下步骤：

步骤51：将获得的N个可能出现消防传感器及报警设备的连通图区域的集合记为S，其中第i个连通图区域s

步骤52：对于任意一个步骤51得到的连通图区域s

进一步的，所述步骤52中，QATM算法首先需要在图片区域中提取特征图，其中基于卷积神经网络从s和t中取得的特征图用矩阵表示，分别记为f

其中

根据与模板图样匹配的任务目标，对于给定的任意一个patch s，使用式(6)所示的似然函数来寻找与之匹配的patch t：

其中α表示超参数；

基于式(6)和式(7)得到patch s和patch t之间的匹配质量Quality(s，t)：

对于每个patch s，通过式(9)计算出该patch s与模板图样t

在连通图区域s

认为该连通图区域s

本发明的有益效果为：

本发明通过将建筑平面CAD图纸进行转换获得图片格式的建筑平面图；随后在图片格式的建筑平面图上完成对具备标记颜色的消防传感器和报警设备进行提取和比对识别，省去人工提取校对的流程，节约人力和时间；

在提取消防传感器和报警设备的过程中进行去噪和连通图处理，减少噪声的干扰，保证连通图筛选的结果正确；

通过在连通图区域的图片上选取滑动窗r，并滑动滑动窗r，使同一连通图区域上的不同的消防传感器和报警设备都能够得到有效识别。

附图说明

图1为本发明实施例一的建筑平面图示意图；

图2为本发明实施例一的模板图样示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

实施例一：

一种基于建筑平面图的消防传感器及报警设备的识别方法，包括如下步骤：

步骤一：将建筑平面CAD图纸导出得到图片格式的建筑平面图；

步骤二：划分建筑平面图的RGB识别范围；

步骤三：根据获得的RGB识别范围，在建筑平面图中划分获取消防传感器及报警设备的区域，获得各区域图像的掩模图；其中消防传感器及报警设备包括光电感烟探测器、编码手动报警按钮、消火栓按钮、火警电话分机、火警扬声器箱、声光报警器等；

步骤四：对步骤三中获得的掩模图进行去噪处理，并进行连通图分析，获得各区域图像的连通图；将连通图与原始的建筑平面图进行比对，得到连通图在原始的建筑平面图中的初步识别结果；其中原始的建筑平面图表示步骤一中得到的建筑平面图；

步骤五：将步骤四获得的每张区域连通图与模板图样根据质量感知法进行匹配，选出匹配度最高的模板图样，作为该区域掩模图的识别结果。

如图1所示，其中图1为黑白图，实际操作时为带有设定色彩标记的图片。所述步骤一之前，需要对建筑平面CAD图纸进行预处理。预处理包括将CAD图纸中的消防传感器及报警设备用色彩进行突出标记；在本例中将光电感烟探测器、编码手动报警按钮、消火栓按钮、火警电话分机、火警扬声器箱、声光报警器等消防传感器及报警设备都用蓝色进行标记。其中CAD图纸中的消防传感器及报警设备都用设定的符号进行标识。需要说明的是在建筑平面CAD图纸中还设置有比例尺，比例尺用于实现不同比例的图纸之间的统一。

步骤一中得到图片格式的建筑平面图包括如下步骤：

步骤11：CAD图纸导出PDF文件；

步骤12：PDF文件导出标准图片。

所述步骤11中通过CAD图纸导出PDF文件通常是通过AutoCAD软件，具体包括如下步骤：

步骤111：在AutoCAD软件中打开图纸；

步骤112：打开软件上方工具栏中的“绘图”功能；

步骤113：设置打印图片的参数；其中将“打印机”选项设置为“DWG To PDF.pc3”，“打印范围”选项设置为“窗口”，“打印样式”选项设置为“acad.ctb”；

步骤114：完成打印范围的框选；在本例中以图纸左上角为起点，右下角为终点，框选整个图纸区域；

步骤115：保持“纸张大小”选项为默认值，选择打印方向并输出PDF文件。

所述步骤12中的标准图片在本例中为JPG或者JPEG文件，通过PDF文件导出标准图片包括如下步骤：

步骤121：通过Adobe Acrobat打开PDF格式文件；

步骤122：选择Adobe Acrobat软件菜单栏中的“文件”->“导出到”->“内嵌式PostScript”，得到EPS格式矢量图；

步骤123：通过Adobe Photoshop打开步骤122中得到的EPS格式文件；

步骤124：选择Adobe Photoshop软件菜单栏中的“文件”->“导出”->“导出为”，弹出设置框；在设置框中设置“格式”为“JPG”，“品质”为“100％”，“图像大小”的宽度和高度分别设置为4764像素以及3367像素，“重新采样”选项设置为“保留细节”；

步骤125：完成设置框的设置，导出JPG图片。

需要说明的是在一些其他实施方式中也可以其他的方式完成CAD文件导出JPG图片的操作，比如截图等。

所述步骤二中划分建筑平面图的RGB识别范围，包括如下步骤：

步骤21：通过绘图软件的取色器工具对JPG图片上每个像素点进行采色，读取每个像素点的RGB值；其中绘图软件包括Windows的画图工具、Photoshop；

步骤22：统计并记录RGB采样结果；

步骤23：根据采样结果数据，挑选RGB最值，划分RGB识别范围。

所述步骤21中，在像素点的RGB值采集时，首先判断每个消防传感器及报警设备在建筑平面图中的区域范围；随后对区域范围内标有预先设定颜色的像素点进行采样，得到RGB采样结果。需要说明的是预先设定颜色指对CAD图纸进行预处理时设定的颜色。在本例中对预先设定颜色的像素点进行人工采样。

需要说明的是划分建筑平面图的RGB范围的步骤只有在开机或重启后识别第一张JPG图片时，或者收到了操作人员输入的重新划分RGB范围指令时会执行。在处理多张建筑平面CAD图纸获得的JPG图片时，通常也只需要进行一次建筑平面图的RGB范围划分。

所述步骤三中对于带有颜色标记的建筑平面图，消防传感器及报警设备区域的掩模图的获取步骤如下：

步骤31：初始化生成一张与建筑平面图大小尺寸相同的全零矩阵，作为消防传感器及报警设备对应颜色的掩模；掩模大小为N×M×3，其中N,M表示建筑平面图的长和宽，3表示RGB三个通道；

步骤32：使用OpenCV库中的函数cvtColor()，模式设定为COLOR_BGR2RGB；通过RGB图像矩阵读取建筑平面图中每个像素点的RGB值；

步骤33：将获得的RGB值与消防传感器及报警设备的RGB识别范围进行比较；如果该像素点RGB值在RGB识别范围内，则在掩模中将相应位置的0标记为该RGB值；否则，保持为0；直至完成建筑平面图中每个像素点的RGB值的比较，结束本步骤。

通过上述消防传感器及报警设备区域的获取步骤，对建筑平面图完成初步的颜色过滤，取得建筑平面图中所有消防传感器及报警设备可能出现的区域。

所述步骤四中需要基于步骤三获得的消防传感器及报警设备的设置区域的图像完成去噪和连通图分析，实现进一步优化。其中在步骤三得到的掩模图中除了消防传感器及报警设备的设置区域存在带有对应颜色的像素点，其余像素点均为0值，显示为黑色。

所述去噪采用膨胀与腐蚀技术，其中腐蚀技术用于去除掩模图中线条边缘的毛刺部分；膨胀技术用于对线条边缘空缺部分进行填充；在本例中，先对图像进行膨胀操作，然后再进行腐蚀，从而确保图像在去除噪声的同时，保证了图像中消防传感器及报警设备的边缘平滑；在一些其他实施方式中也可以先进行腐蚀后进行膨胀。膨胀与腐蚀技术的计算如下所示：

dilate(x1，y1)＝max

erode(x2，y2)＝min

其中，dilate(x1，y1)表示对原图像中位置为(x1，y1)的像素点进行膨胀；I(x1+x1′，y1+y1′)表示原图像在(x1+x1′，y1+y1′)绝对坐标位置处的RGB值；kernel1表示用于膨胀的窗口矩阵，其中(x1′，y1′)为kernel1矩阵内的一个相对坐标；erode(x2，y2)表示对原图像中坐标为(x2，y2)的像素点进行腐蚀；I(x2+x2′，y2+y2′)表示原图像在(x2+x2′，y2+y2′)绝对坐标位置处的RGB值；kernel2表示用于腐蚀的窗口矩阵，其中(x2′，y2′)为kernel2矩阵内的一个相对坐标。通过式(1)能够以坐标(x1，y1)为中心，在大小和kernel1矩阵相同的区域内找出RGB最大值，并把该RGB值赋予到区域内的其他像素点，完成膨胀；通过式(2)能够以坐标(x2，y2)为中心，在大小和kernel2矩阵相同的区域内找出RGB最小值，并把该RGB值赋予到区域内的其他像素点，完成腐蚀。

所述连通图分析，首先完成连通图划分。所述连通图划分需要判断完成去噪后的掩模图像的有色像素点两两之间的距离，有色像素表示RGB值不为0的像素点。其中两像素点之间的距离计算如下式所示：

其中d(A，B)表示A，B两点之间的欧式距离，其中A的坐标表示为(x

对于掩模图中的某个有色像素点C，当存在另一个有色像素点P的距离不超过del_area时，则认为像素点C和像素点P属于同一个连通图G，其中del_area为设定的距离阈值上限。为了完成连通图分析，定义μ(C)用来判断点C是否可以并入连通图G；如果值为1，C可以被并入连通图G，否则，则不可以并入。μ(C)的数学表达式如下式所示：

其中del_area的值小于相邻的消防传感器及报警设备的最小间距，目的是使掩模图中的连通图能够被准确区分；在准确区分的基础上为了能够尽快完成运算，在本例中设置del_area为10个像素点长度。

所述连通图分析还需要对完成划分的连通图区域进行筛选。其中对连通图区域的筛选首先通过Python程序语言中的OpenCV库中的函数connectedComponentsWithStats()从完成连通图划分的掩模图中获得连通图区域以及每个区域的外接边框Boundingbox及外接边框的相关信息，相关信息包括位置信息和尺寸信息；随后根据外接边框的相关信息对Boundingbox进行筛选，包括如下步骤：

步骤41：获得每个连通图区域的Boundingbox的相关信息；

步骤42：将获得的Boundingbox的相关信息与设定的消防传感器及报警设备的模板图样的尺寸上下限进行比较；将不符合设定的消防传感器及报警设备尺寸上下限范围的Boundingbox相关信息以及对应的连通图区域去除；

步骤43：将步骤42筛选得到连通图与原始的建筑平面图进行对比，得到各连通图区域在原始的建筑平面图中的位置信息，得到所有消防传感器及报警设备的初步识别结果。

其中在步骤42中，由于噪声点的Boundingbox很小，因此噪声点的连通图的面积很小，其尺寸不在设定的模板图样的尺寸上下限范围内，因此噪声点不会作为连通图区域与模板进行匹配，进而实现筛选。

如图2所示的模板图样，所述步骤五中基于质量感知法匹配图片包括如下步骤：

步骤51：将获得的N个可能出现消防传感器及报警设备的连通图区域的集合记为S，其中第i个连通图区域s

步骤52：对于任意一个步骤51得到的连通图区域s

所述步骤52中，在本例中在连通图区域上从左上角向右下角滑动，需要说明的是在一个连通图区域中可能存在多个种类的消防传感器及报警设备，因为实际设置的过程中可能会将多种消防传感器和报警设备放在一起。所述QATM算法首先需要在图片区域中提取特征图，其中基于卷积神经网络从s和t中取得的特征图用矩阵表示，分别记为f

其中

根据与模板图样匹配的任务目标，对于给定的任意一个patch s，使用式(6)所示的似然函数来寻找与之匹配的patch t：

其中α表示超参数，在本例中为设定值25；

其中

对于每个patch s，通过式(9)计算出该patch s与模板图样t

因此，在连通图区域s

因此认为该连通图区域s

在本例中滑动窗r的大小与最大的模板图样的大小一致，保证滑动窗r在连通图区域上滑动的过程中获得的patch s能够包括完整的消防传感器及报警设备。

在实施的过程中，通过对建筑平面CAD图纸进行转换获得图片格式的建筑平面图；随后在图片格式的建筑平面图上完成对具备标记颜色的消防传感器及报警设备进行提取，并分别显示，能够省去人工提取校对的流程，节约人力和时间；同时在提取消防设施区域的过程中进行去噪和连通图处理，减少干扰，保证最后筛选得出的Boundingbox的相关信息能够准确，保证在建筑平面图中突出显示的区域准确；最后将筛选得到的连通图与模板图样进行匹配，根据匹配值判断连通图区域的消防传感器及报警设备的种类。其中选用滑动窗r，并且滑动窗r的大小与最大的模板图样的大小一致，保证滑动窗r滑动的过程中能够完整显示消防传感器及报警设备。

以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。