预制混凝土构件详图智能模型匹配方法及相关装置与流程

1.本发明涉及人工智能领域，尤其涉及一种预制混凝土构件详图智能模型匹配方法及相关装置。


背景技术：

2.随着计算机技术的高速发展，计算机技术在很多的行业里面有着越来越重要的地位，如装配式建筑等领域都享受到了计算机技术带来的便利。装配式建筑行业已经普遍使用bim进行工程实践，这使传统的产品设计方法与生产模式发生了深刻的变化，为社会的经济发展带来了巨大的经济效益。然而，随着工厂及施工方用到的预制混凝土构件详图的越积越多，装配式建筑设计领域需要一种能够准确提取预制混凝土构件详图的方法，以便于工厂快速完成报价、设计、以及生产过程的构件详细材料统计，进而提升工厂的生产效率。
3.现有技术是通过使用鼠标、键盘等交互来抓取图纸上的数据库数据；在通过循环遍历的方式来查找里面详细信息；进一步提取结果信息反馈给用户。因此现有技术的过程不仅繁琐，而且准确率较低。


技术实现要素：

4.本发明提供了一种预制混凝土构件详图智能模型匹配方法及相关装置，用于提高预制混凝土构件详图的识别速度和准确率。
5.本发明第一方面提供了一种预制混凝土构件详图智能模型匹配方法，所述预制混凝土构件详图智能模型匹配方法包括：获取多个带有标签的训练图像，并将所述训练图像输入预置的文本检测网络进行深度学习网络训练，得到混凝土构件信息解析模型；上传待处理的预制混凝土构件详图，并对所述预制混凝土构件详图进行图像转换，得到目标图像；将所述目标图像输入所述混凝土构件信息解析模型，并通过所述混凝土构件信息解析模型对所述目标图像进行图像分类，得到图像分类结果；根据所述图像分类结果并通过所述混凝土构件信息解析模型对所述目标图像进行智能模型匹配，得到模型匹配结果；对所述模型匹配结果进行信息整合并生成所述预制混凝土构件详图对应的构件信息列表。
6.可选的，在本发明第一方面的第一种实现方式中，所述将所述目标图像输入所述混凝土构件信息解析模型，并通过所述混凝土构件信息解析模型对所述目标图像进行图像分类，得到图像分类结果，包括：将所述目标图像输入所述混凝土构件信息解析模型；通过所述混凝土构件信息解析模型对所述目标图像进行图像信息识别，得到图像信息识别结果；根据所述图像信息识别结果判断所述目标图像中是否存在构件信息；若存在，则确定所述图像分类结果为所述目标图像存在构件信息；若不存在，则确定所述图像分类结果为所述目标图像不存在构件信息。
7.可选的，在本发明第一方面的第二种实现方式中，所述根据所述图像分类结果并通过所述混凝土构件信息解析模型对所述目标图像进行智能模型匹配，得到模型匹配结果，包括：当所述图像分类结果为所述目标图像存在构件信息时，通过所述混凝土构件信息
解析模型对所述目标图像进行智能模型匹配，其中，所述混凝土构件信息解析模型包括：卷积神经网络、循环神经网络、区域选取网络和输出层；通过所述卷积神经网络对所述目标图像进行特征提取，得到特征图像数据；将所述特征图像数据输入所述循环神经网络进行特征编码处理，得到特征编码数据；将所述特征编码数据输入所述区域选取网络进行区域选取，得到目标矩形框；将所述目标矩形框输入所述输出层进行信息匹配，得到模型匹配结果。
8.可选的，在本发明第一方面的第三种实现方式中，所述通过所述卷积神经网络对所述目标图像进行特征提取，得到特征图像数据，包括：调用预置激活函数，并通过所述卷积神经网络对所述目标图像进行图像特征运算，得到初始图像特征；对所述初始图像特征进行位置编码，得到特征图像数据。
9.可选的，在本发明第一方面的第四种实现方式中，所述将所述特征图像数据输入所述循环神经网络进行特征编码处理，得到特征编码数据，包括：对所述特征图像数据进行数据维度转换，得到目标图像数据；将所述目标图像数据输入所述循环神经网络，其中，所述循环神经网络为双向循环神经网络；通过所述双向循环神经网络对所述目标图像数据进行特征编码，得到特征编码数据。
10.可选的，在本发明第一方面的第五种实现方式中，所述将所述特征编码数据输入所述区域选取网络进行区域选取，得到目标矩形框，包括：将所述特征编码数据输入所述区域选取网络进行区域选取，得到多个初始检测框；基于预置的正向寻找策略生成正向寻找结果，并基于预置的反向寻找策略生成反向寻找结果；根据所述正向寻找结果和所述反向寻找结果确定候选文本框；计算所述候选文本框的最小二乘法线性回归，得到计算结果；根据所述计算结果生成目标矩形框。
11.可选的，在本发明第一方面的第六种实现方式中，所述根据所述计算结果生成目标矩形框，包括：根据所述计算结果确定每段文字的文字走向；计算所述候选文本框的平均高度，并根据所述平均高度和所述文字走向生成候选区域；调用预置的补偿函数对所述候选区域进行损失补偿，生成目标矩形框。
12.本发明第二方面提供了一种预制混凝土构件详图智能模型匹配装置，所述预制混凝土构件详图智能模型匹配装置包括：获取模块，用于获取多个带有标签的训练图像，并将所述训练图像输入预置的文本检测网络进行深度学习网络训练，得到混凝土构件信息解析模型；转换模块，用于上传待处理的预制混凝土构件详图，并对所述预制混凝土构件详图进行图像转换，得到目标图像；分类模块，用于将所述目标图像输入所述混凝土构件信息解析模型，并通过所述混凝土构件信息解析模型对所述目标图像进行图像分类，得到图像分类结果；分析模块，用于根据所述图像分类结果并通过所述混凝土构件信息解析模型对所述目标图像进行智能模型匹配，得到模型匹配结果；生成模块，用于对所述模型匹配结果进行信息整合并生成所述预制混凝土构件详图对应的构件信息列表。
13.可选的，在本发明第二方面的第一种实现方式中，所述分类模块具体用于：将所述目标图像输入所述混凝土构件信息解析模型；通过所述混凝土构件信息解析模型对所述目标图像进行图像信息识别，得到图像信息识别结果；根据所述图像信息识别结果判断所述目标图像中是否存在构件信息；若存在，则确定所述图像分类结果为所述目标图像存在构件信息；若不存在，则确定所述图像分类结果为所述目标图像不存在构件信息。
14.可选的，在本发明第二方面的第二种实现方式中，所述分析模块还包括：匹配单元，用于当所述图像分类结果为所述目标图像存在构件信息时，通过所述混凝土构件信息解析模型对所述目标图像进行智能模型匹配，其中，所述混凝土构件信息解析模型包括：卷积神经网络、循环神经网络、区域选取网络和输出层；提取单元，用于通过所述卷积神经网络对所述目标图像进行特征提取，得到特征图像数据；编码单元，用于将所述特征图像数据输入所述循环神经网络进行特征编码处理，得到特征编码数据；选取单元，用于将所述特征编码数据输入所述区域选取网络进行区域选取，得到目标矩形框；输出单元，用于将所述目标矩形框输入所述输出层进行信息匹配，得到模型匹配结果。
15.可选的，在本发明第二方面的第三种实现方式中，所述提取单元具体用于：调用预置激活函数，并通过所述卷积神经网络对所述目标图像进行图像特征运算，得到初始图像特征；对所述初始图像特征进行位置编码，得到特征图像数据。
16.可选的，在本发明第二方面的第四种实现方式中，所述编码单元具体用于：对所述特征图像数据进行数据维度转换，得到目标图像数据；将所述目标图像数据输入所述循环神经网络，其中，所述循环神经网络为双向循环神经网络；通过所述双向循环神经网络对所述目标图像数据进行特征编码，得到特征编码数据。
17.可选的，在本发明第二方面的第五种实现方式中，所述选取单元还包括：输入子单元，用于将所述特征编码数据输入所述区域选取网络进行区域选取，得到多个初始检测框；处理子单元，用于基于预置的正向寻找策略生成正向寻找结果，并基于预置的反向寻找策略生成反向寻找结果；根据所述正向寻找结果和所述反向寻找结果确定候选文本框；计算所述候选文本框的最小二乘法线性回归，得到计算结果；生成子单元，用于根据所述计算结果生成目标矩形框。
18.可选的，在本发明第二方面的第六种实现方式中，所述生成子单元具体用于：根据所述计算结果确定每段文字的文字走向；计算所述候选文本框的平均高度，并根据所述平均高度和所述文字走向生成候选区域；调用预置的补偿函数对所述候选区域进行损失补偿，生成目标矩形框。
19.本发明第三方面提供了一种预制混凝土构件详图智能模型匹配设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述预制混凝土构件详图智能模型匹配设备执行上述的预制混凝土构件详图智能模型匹配方法。
20.本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的预制混凝土构件详图智能模型匹配方法。
21.本发明提供的技术方案中，通过对大量预制混凝土构件详图进行分类，利用训练好的预制混凝土构件自动匹配详图中的各种类型模型及模型中所需的构件信息及混泥土信息，根据上述匹配的信息，计算并汇总好生成对应的构件信息列表。本发明通过智能模型匹配的方法对预制混凝土构件详图进行转换、处理及分析，在非常大程度上减少了人力耗损，并且利用人工智能模型有效的提高了预制混凝土构件详图的识别率和准确率。
附图说明
22.图1为本发明实施例中预制混凝土构件详图智能模型匹配方法的一个实施例示意图；图2为本发明实施例中预制混凝土构件详图智能模型匹配方法的另一个实施例示意图；图3为本发明实施例中预制混凝土构件详图智能模型匹配装置的一个实施例示意图；图4为本发明实施例中预制混凝土构件详图智能模型匹配装置的另一个实施例示意图；图5为本发明实施例中预制混凝土构件详图智能模型匹配设备的一个实施例示意图。
具体实施方式
23.本发明实施例提供了一种预制混凝土构件详图智能模型匹配方法及相关装置，用于提高预制混凝土构件详图的识别速度和准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
24.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中预制混凝土构件详图智能模型匹配方法的一个实施例包括：101、获取多个带有标签的训练图像，并将训练图像输入预置的文本检测网络进行深度学习网络训练，得到混凝土构件信息解析模型；可以理解的是，本发明的执行主体可以为预制混凝土构件详图智能模型匹配装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
25.具体的，获取带有标签的训练图像，其中，训练图像用于描述训练图像中的内容，对训练图像进行解析，获取训练图像中的特征信息，其中，该特征信息包括标签信息、属性信息以及关系信息中的至少一种，将训练图像输入初始模型的主干网络，并将特征信息输入初始模型的检测头，对初始模型进行训练，获得混凝土构件信息解析模型。本技术实施例通过解析训练图像的特征信息作为模型的检测头的输入，以实现在模型训练过程中对关键信息进行监督，可以提升模型训练的可控性和准确性。
26.102、上传待处理的预制混凝土构件详图，并对预制混凝土构件详图进行图像转换，得到目标图像；具体的，服务器利用基于深度解析检测网络ctpn对图片内容进行识别，从候选详图中找出含有总模型，布筋模型，吊钉模型等类型图纸，同时服务器利用打有带标签的图像对神经网络模型进行训练，使模型能充分学习每种模型的图片特征点，最终服务器上传待
处理的预制混凝土构件详图，将待处理的预制混凝土构件详图，分别输入至图像转换网络中，训练图像转换网络，得到多个初始图像转换模型，初始图像转换模型用于将低分辨率图像转换为高分辨率图像，对多个高分辨率图像进行融合，生成目标图像。
27.103、将目标图像输入混凝土构件信息解析模型，并通过混凝土构件信息解析模型对目标图像进行图像分类，得到图像分类结果；具体的，基于预设风格对目标图像进行风格迁移处理，得到生成图像，对生成图像进行变换处理，得到变换图像，将图像样本输入初始图像分类模型，得到图像样本中的各图像对应的分类结果，图像样本包括目标图像和变换图像，初始图像分类模型中的子模型用于对目标图像进行分类识别以得到对应的分类结果子模型用于对变换图像进行分类识别以得到对应的分类结果。具体的，服务器是基于利用训练好的深度解析检测网络ctpn模型对待分类的图片进行检测，将含有指定模型的图纸进行归一化，对图片进行自动分类和管理。
28.104、根据图像分类结果并通过混凝土构件信息解析模型对目标图像进行智能模型匹配，得到模型匹配结果；具体的，首先对上传的目标图像转化成png格式，然后进行混凝土构件信息解析模型特征提取，在混凝土构件信息解析模型中使用指数线性单元激活函数，一点需要特别注意，在混凝土构件信息解析模型最后一层中加入位置编码，进而使用混凝土构件信息解析模型对目标图像进行特征提取之后，得到的数据维度为图像数据通道格式，将数据维度进行转换，在高度方向上使用双向rnn编码，之所以使用高度方向上进行双向rnn操作是因为输入的图像是一种长条形图片，在高度方向进行rnn是为了找到各个模型方向上的构件信息文本，进而通过该构件信息文本获取对应的钢筋模型匹配结果。
29.105、对模型匹配结果进行信息整合并生成预制混凝土构件详图对应的构件信息列表。
30.具体的，提取多个关联模型匹配结果，并从对应预设单元功能信息与多个关联模型匹配结果的对应关系中，获取多个当前预设单元功能分别对应的多个当前关联模型匹配结果组，将多个当前关联模型匹配结果组以组为单位进行整合，并生成预制混凝土构件详图对应的构件信息列表。
31.本发明实施例中，通过对大量预制混凝土构件详图进行分类，利用训练好的预制混凝土构件自动匹配详图中的各种类型模型及模型中所需的构件信息及混泥土信息，根据上述匹配的信息，计算并汇总好生成对应的构件信息列表。本发明通过智能模型匹配的方法对预制混凝土构件详图进行转换、处理及分析，在非常大程度上减少了人力耗损，并且利用人工智能模型有效的提高了预制混凝土构件详图的识别率和准确率。
32.请参阅图2，本发明实施例中预制混凝土构件详图智能模型匹配方法的另一个实施例包括：201、获取多个带有标签的训练图像，并将训练图像输入预置的文本检测网络进行深度学习网络训练，得到混凝土构件信息解析模型；具体的，在本实施例中，步骤201的具体实施方式与上述步骤101类似，此处不再赘述。
33.202、上传待处理的预制混凝土构件详图，并对预制混凝土构件详图进行图像转
换，得到目标图像；具体的，在本实施例中，步骤202的具体实施方式与上述步骤101类似，此处不再赘述。
34.203、将目标图像输入混凝土构件信息解析模型，并通过混凝土构件信息解析模型对目标图像进行图像分类，得到图像分类结果；具体的，将目标图像输入混凝土构件信息解析模型；通过混凝土构件信息解析模型对目标图像进行图像信息识别，得到图像信息识别结果；根据图像信息识别结果判断目标图像中是否存在构件信息；若存在，则确定图像分类结果为目标图像存在构件信息；若不存在，则确定图像分类结果为目标图像不存在构件信息。
35.需要说明的是，服务器进行混凝土构件信息解析模型特征提取，在混凝土构件信息解析模型中使用指数线性单元激活函数，需要特别注意的是，在后续实施过程中，需要在混凝土构件信息解析模型最后一层中加入位置编码，以便于对上述目标图像进行图像信息识别，此处，服务器根据上述混凝土构件信息解析模型对目标图像进行图像信息识别，得到图像信息识别结果，在图像信息识别结果中包含有对应的标识，进而服务器根据该标识与预置的标识库进行比对识别，判断目标图像中是否存在构件信息。
36.204、当图像分类结果为目标图像存在构件信息时，通过混凝土构件信息解析模型对目标图像进行智能模型匹配，其中，混凝土构件信息解析模型包括：卷积神经网络、循环神经网络、区域选取网络和输出层；具体的，图片中包含很多不同模型及其对应的模型所需构件的混凝土及构件文字信息，构建维度为b
ꢀ×ꢀwꢀ×ꢀhꢀ×ꢀ
c（批次batchsize
×
宽
×
高
×
通道数）区域的卷积神经网络模型提匹配出模型及构件信息，利用监督学习方法，学习每个图像中的像素信息，对于新的图像，做到准确高效的匹配模型与构件信息。接着使用混凝土构件信息解析模型对图像进行特征提取之后，得到的数据维度为图像数据通道格式，将数据维度进行转换，在高度方向上使用双向rnn编码，之所以使用高度方向上进行双向rnn操作是因为输入的图像是一种长条形图片，在高度方向进行rnn是为了找到各个模型方向上的构件信息文本，进而根据构件文本信息，通过混凝土构件信息解析模型对目标图像进行智能模型匹配，确定最终的模型结果。
37.205、通过卷积神经网络对目标图像进行特征提取，得到特征图像数据；具体的，调用预置激活函数，并通过卷积神经网络对目标图像进行图像特征运算，得到初始图像特征；对初始图像特征进行位置编码，得到特征图像数据。
38.其中，服务器通过卷积神经网络将目标图像分成小的连通区域，然后采集连通区域中各像素点的梯度的或边缘的方向直方图，最后把这些直方图组合起来就可以构成特征描述器，进而通过该特征描述器及卷积神经网络对目标图像进行图像特征运算，得到初始图像特征，对初始图像特征进行位置编码，得到特征图像数据。
39.206、将特征图像数据输入循环神经网络进行特征编码处理，得到特征编码数据；具体的，对特征图像数据进行数据维度转换，得到目标图像数据；将目标图像数据输入循环神经网络，其中，循环神经网络为双向循环神经网络；通过双向循环神经网络对目标图像数据进行特征编码，得到特征编码数据。
40.其中，服务器基于预先设置坐标与维度的关系结构，关系结构中包括所有维度，每
个维度中包括该维度的多个类别，预先设置待转换的特征图像数据的类型信息，根据获取的类型信息，将类型信息添加到关系结构中，计算出由关系结构中的每个维度中所有类别组成的组合，根据每个类别对应的坐标，获取每个组合对应的坐标，根据每个组合对应的坐标得到目标图像数据，并将该图像数据输入循环神经网络，通过双向循环神经网络对目标图像数据进行特征编码，得到特征编码数据。
41.207、将特征编码数据输入区域选取网络进行区域选取，得到目标矩形框；具体的，将特征编码数据输入区域选取网络进行区域选取，得到多个初始检测框；基于预置的正向寻找策略生成正向寻找结果，并基于预置的反向寻找策略生成反向寻找结果；根据正向寻找结果和反向寻找结果确定候选文本框；计算候选文本框的最小二乘法线性回归，得到计算结果；根据计算结果生成目标矩形框。
42.具体的，首先是正向寻找，沿水平正方向，寻找水平距离小于50的候选框，从候选框中，挑出与竖直方向iou》0.7的框，挑出符合预设条件中分类得分最大的，再反向寻找，沿水平负方向，寻找和水平距离小于50的候选框，从候选框中，挑出与竖直方向iou》0.7的框，挑出符合条件2中分类得分最大的结果其中，最后对比二者，如果前者大于等于后者，则说明这是一个最长连接，反之则说明这不是一个最长的连接，也就是这个连接包含在另外一个更长的连接中，进而服务器遍历graph来确定文本检测框，同时计算候选文本框的最小二乘法线性回归，得到计算结果；根据计算结果生成目标矩形框。
43.可选的，根据计算结果确定每段文字的文字走向；计算候选文本框的平均高度，并根据平均高度和文字走向生成候选区域；调用预置的补偿函数对候选区域进行损失补偿，生成目标矩形框。
44.其中，服务器首先设置一条直线l使得所有中心到这条直线的距离最小的线性回归函数，也就是最小二乘法线性回归，进而服务器生成最终符合文字倾斜角度和区域的框，同时生成文字检测文本框，首先求每段文字检测文本框的平均高度，并以此和拟合出的文字中的直线做上下平移，来生成候选区域，需要说明的是，由于生成的框的上下边都是拟合出的直线的平行线，左右边则是由上下边生成的垂线生成的平行四边形，根据框上下边斜度来对左右两条边做出斜度变化的补偿，来确定最终的矩形框。损失函数如下：（5）其中，分类得分损失：具体损失函数为交叉熵损失,参数为以下：假设所有的anchor的集合为a，则i表示集合a中的第i个anchor，而si则表示第i个anchor的分类得分，分别为0和1，0表示是非文本框，而1表示是文本框。而ns表示归一化因子，是a中的anchor个数之和。
45.边框回归损失：，具体损失函数为smooth_l1：假设a中的anchor跟groundtruth的iou大于0.5的anchor集合为b，则j表示b中的第j个anchor，vj表示的是边框回归值。而lv使用的是smooth_l1进行计算损失。nv是归一化因子，是b中的anchor个数之和。λ1∞是多任务平衡系数，一般取值为1。
46.边界框得分损失：，具体损失函数为smooth_l1：
假设边界anchor的集合为c，则o表示c中的第o个anchor，则ok表示c中的第k个anchor的得分，而lo使用smooth_l1进行计算损失。no表示归一化因子，而λ2是多任务平衡系数，一般取值为2。
47.smooth_l1损失函数：假设输入为x，则当|x|《1时，输出0.5x2其他情况，输出|x|-0.5优点：当|x|《1时，smooth_l1的梯度为x，所以即使x的值很小，也能有梯度；而当|x|≥1时，smooth_l1的梯度为
±
1，此时不易发生梯度爆炸。
48.且smooth_l1对离群点和异常值不敏感。
49.208、将目标矩形框输入输出层进行信息匹配，得到模型匹配结果；209、对模型匹配结果进行信息整合并生成预制混凝土构件详图对应的构件信息列表。
50.具体的，通过接收到的模型匹配结果区分各个信息的处理需求，该处理需求可以是信息整合，进而采用相应的信息调度策略，将信息添加到与模型匹配结果对应的信息队列中，这可以满足不同信息的紧急情况需求，针对每个信息队列，可以将信息队列中的信息整合至相应的数据库进行关联，最后，实现个各个模型的智能匹配构件信息文本及混凝土使用文本，最后将识别到的构件信息及用量，通过公式计算统计导出构件信息列表的形式展示和导出。
51.本发明实施例中，通过对大量预制混凝土构件详图进行分类，利用训练好的预制混凝土构件自动匹配详图中的各种类型模型及模型中所需的构件信息及混泥土信息，根据上述匹配的信息，计算并汇总好生成对应的构件信息列表。本发明通过智能模型匹配的方法对预制混凝土构件详图进行转换、处理及分析，在非常大程度上减少了人力耗损，并且利用人工智能模型有效的提高了预制混凝土构件详图的识别率和准确率。
52.上面对本发明实施例中预制混凝土构件详图智能模型匹配方法进行了描述，下面对本发明实施例中预制混凝土构件详图智能模型匹配装置进行描述，请参阅图3，本发明实施例中预制混凝土构件详图智能模型匹配装置一个实施例包括：获取模块301，用于获取多个带有标签的训练图像，并将所述训练图像输入预置的文本检测网络进行深度学习网络训练，得到混凝土构件信息解析模型；转换模块302，用于上传待处理的预制混凝土构件详图，并对所述预制混凝土构件详图进行图像转换，得到目标图像；分类模块303，用于将所述目标图像输入所述混凝土构件信息解析模型，并通过所述混凝土构件信息解析模型对所述目标图像进行图像分类，得到图像分类结果；分析模块304，用于根据所述图像分类结果并通过所述混凝土构件信息解析模型对所述目标图像进行智能模型匹配，得到模型匹配结果；生成模块305，用于对所述模型匹配结果进行信息整合并生成所述预制混凝土构件详图对应的构件信息列表。
53.本发明实施例中，通过对大量预制混凝土构件详图进行分类，利用训练好的预制
混凝土构件自动匹配详图中的各种类型模型及模型中所需的构件信息及混泥土信息，根据上述匹配的信息，计算并汇总好生成对应的构件信息列表。本发明通过智能模型匹配的方法对预制混凝土构件详图进行转换、处理及分析，在非常大程度上减少了人力耗损，并且利用人工智能模型有效的提高了预制混凝土构件详图的识别率和准确率。
54.请参阅图4，本发明实施例中预制混凝土构件详图智能模型匹配装置另一个实施例包括：获取模块301，用于获取多个带有标签的训练图像，并将所述训练图像输入预置的文本检测网络进行深度学习网络训练，得到混凝土构件信息解析模型；转换模块302，用于上传待处理的预制混凝土构件详图，并对所述预制混凝土构件详图进行图像转换，得到目标图像；分类模块303，用于将所述目标图像输入所述混凝土构件信息解析模型，并通过所述混凝土构件信息解析模型对所述目标图像进行图像分类，得到图像分类结果；分析模块304，用于根据所述图像分类结果并通过所述混凝土构件信息解析模型对所述目标图像进行智能模型匹配，得到模型匹配结果；生成模块305，用于对所述模型匹配结果进行信息整合并生成所述预制混凝土构件详图对应的构件信息列表。
55.可选的，所述分类模块303具体用于：将所述目标图像输入所述混凝土构件信息解析模型；通过所述混凝土构件信息解析模型对所述目标图像进行图像信息识别，得到图像信息识别结果；根据所述图像信息识别结果判断所述目标图像中是否存在构件信息；若存在，则确定所述图像分类结果为所述目标图像存在构件信息；若不存在，则确定所述图像分类结果为所述目标图像不存在构件信息。
56.可选的，所述分析模块304还包括：匹配单元3041，用于当所述图像分类结果为所述目标图像存在构件信息时，通过所述混凝土构件信息解析模型对所述目标图像进行智能模型匹配，其中，所述混凝土构件信息解析模型包括：卷积神经网络、循环神经网络、区域选取网络和输出层；提取单元3042，用于通过所述卷积神经网络对所述目标图像进行特征提取，得到特征图像数据；编码单元3043，用于将所述特征图像数据输入所述循环神经网络进行特征编码处理，得到特征编码数据；选取单元3044，用于将所述特征编码数据输入所述区域选取网络进行区域选取，得到目标矩形框；输出单元3045，用于将所述目标矩形框输入所述输出层进行信息匹配，得到模型匹配结果。
57.可选的，所述提取单元3042具体用于：调用预置激活函数，并通过所述卷积神经网络对所述目标图像进行图像特征运算，得到初始图像特征；对所述初始图像特征进行位置编码，得到特征图像数据。
58.可选的，所述编码单元3043具体用于：对所述特征图像数据进行数据维度转换，得到目标图像数据；将所述目标图像数
据输入所述循环神经网络，其中，所述循环神经网络为双向循环神经网络；通过所述双向循环神经网络对所述目标图像数据进行特征编码，得到特征编码数据。
59.可选的，所述选取单元3044还包括：输入子单元，用于将所述特征编码数据输入所述区域选取网络进行区域选取，得到多个初始检测框；处理子单元，用于基于预置的正向寻找策略生成正向寻找结果，并基于预置的反向寻找策略生成反向寻找结果；根据所述正向寻找结果和所述反向寻找结果确定候选文本框；计算所述候选文本框的最小二乘法线性回归，得到计算结果；生成子单元，用于根据所述计算结果生成目标矩形框。
60.可选的，所述生成子单元具体用于：根据所述计算结果确定每段文字的文字走向；计算所述候选文本框的平均高度，并根据所述平均高度和所述文字走向生成候选区域；调用预置的补偿函数对所述候选区域进行损失补偿，生成目标矩形框。
61.本发明实施例中，通过对大量预制混凝土构件详图进行分类，利用训练好的预制混凝土构件自动匹配详图中的各种类型模型及模型中所需的构件信息及混泥土信息，根据上述匹配的信息，计算并汇总好生成对应的构件信息列表。本发明通过智能模型匹配的方法对预制混凝土构件详图进行转换、处理及分析，在非常大程度上减少了人力耗损，并且利用人工智能模型有效的提高了预制混凝土构件详图的识别率和准确率。
62.上面图3和图4从模块化功能实体的角度对本发明实施例中的预制混凝土构件详图智能模型匹配装置进行详细描述，下面从硬件处理的角度对本发明实施例中预制混凝土构件详图智能模型匹配设备进行详细描述。
63.图5是本发明实施例提供的一种预制混凝土构件详图智能模型匹配设备的结构示意图，该预制混凝土构件详图智能模型匹配设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，cpu）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对预制混凝土构件详图智能模型匹配设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在预制混凝土构件详图智能模型匹配设备500上执行存储介质530中的一系列指令操作。
64.预制混凝土构件详图智能模型匹配设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图5示出的预制混凝土构件详图智能模型匹配设备结构并不构成对预制混凝土构件详图智能模型匹配设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
65.本发明还提供一种预制混凝土构件详图智能模型匹配设备，所述预制混凝土构件详图智能模型匹配设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述预制混凝土构件详图智能模型匹配方法的步骤。
66.本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述预制混凝土构件详图智能模型匹配方法的步骤。
67.进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
68.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
69.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
70.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-only memory， rom）、随机存取存储器（random access memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
71.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。