一种二维图纸的图元信息匹配方法、系统、设备及介质与流程

本发明涉及图纸处理，具体涉及一种二维图纸的图元信息匹配方法、系统、设备及介质。

背景技术：

1、bim翻模是将二维cad平面图纸转化为三维bim模型的过程，实现建筑设计和施工过程中的数据整合，确保各个设计和施工阶段之间的无缝衔接，从而帮助建筑设计和施工团队更加准确和高效地进行建筑设计和施工；通过bim翻模，可以搭建一个可供设计、施工、运营使用的模型，实现碰撞检查、算量计价、虚拟现实等一系列目标，因此，二维图纸中图元和对应的图元信息匹配准确性是影响翻模准确性最重要的影响因素之一。

2、目前bim模型多数采用市面上的翻模软件进行翻模，但其翻模的准确率交底，主要原因在于在cad二维图纸中表达一个三维的信息(高度)，需要用额外的标注信息进行补充表达，这样就需要标注信息创建的很标准，计算机才能准确的识别，但是目前图纸中图元的文字信息标注方式并不是标准化的，远远无法达到能够翻模使用的标准程度，图元和图元对应的文字信息匹配较为困难，一般采用人工匹配的方式，不仅费时费力，还导致翻模准确率不高。

3、因此，本发明旨在提供一种二维图纸的图元信息匹配方法、系统、设备及介质，以解决上述提到的相关问题。

技术实现思路

1、本发明所要解决的技术问题是现有技术中由于二维图纸中图元文字信息标注不标准，难以将图元和图元对应的文字信息进行匹配，从而造成对翻模准确性的影响，目的在于提供一种二维图纸的图元信息匹配方法、系统、设备及介质，通过采用由图元和与图元对应的文字信息匹配得到的图元信息组合构成的样本数据集，对两个神经网络模型组合构建的初始图元信息匹配模型进行训练，得到一个能够完成图元和图元信息准确匹配的图元信息匹配模型，基于该图元信息匹配模型能够将标注不规范不标准的二维图纸中的图元和图元对应的文字信息进行自动准确匹配和快速组合，从而提高翻模的准确率，减少人力的浪费。

2、本发明通过下述技术方案实现：

3、一种二维图纸的图元信息匹配方法，方法包括：

4、基于待标注的二维图纸构建样本数据集，其中，样本数据集中包括由图元和与图元对应的文字信息匹配得到的图元信息组合；

5、构建初始图元信息匹配模型，其中初始图元信息匹配模型包括用于准确识别图元对应的文字信息的第一神经网络模型，以及用于组合图元和图元对应的文字信息的第二神经网络模型；

6、利用样本数据集对初始图元信息匹配模型进行训练，得到能够完成图元和对应的图元信息匹配的图元信息匹配模型；

7、将待标注的二维图纸输入到图元信息匹配模型中，输出包含图元信息匹配完成的图元信息组合的二维图纸。

8、进一步地，在将待标注的二维图纸输入到图元信息匹配模型中，输出图元信息匹配完成的二维图纸之后，还包括：

9、对输出的图元信息匹配完成的二维图纸进行错误匹配检测，得到二维图纸中图元信息匹配错误的错误偏差集，错误偏差集内包括至少一个错误图元信息组合；

10、对至少一个错误图元信息组合进行错误修正，得到修正后的至少一个图元信息组合；

11、基于修正后的至少一个图元信息组合对图元信息匹配模型进行迭代优化训练，直至得到最优的图元信息匹配模型。

12、进一步地，基于修正后的至少一个图元信息组合对图元信息匹配模型进行迭代优化训练，直至得到最优的图元信息匹配模型，具体为：

13、基于信息错误或匹配错误的错误类型，对错误偏差集内至少一个错误图元信息组合进行分类，得到信息错误集和匹配错误集，其中，信息错误集内包括至少一个第一错误图元信息组合，匹配错误集内包括至少一个第二错误图元信息组合；

14、基于对至少一个第一错误图元信息组合进行错误修正，得到修正后的至少一个第一错误图元信息组合，基于对至少一个第二错误图元信息组合进行错误修正，得到修正后的至少一个第二错误图元信息组合；

15、基于修正后的至少一个第一图元信息组合对第一神经网络模型进行迭代优化训练，直至得到最优的第一神经网络模型；

16、基于修正后的至少一个第二图元信息组合对第二神经网络模型进行迭代优化训练，直至得到最优的第二神经网络模型。

17、进一步地，在将待标注的二维图纸输入到图元信息匹配模型中，输出图元信息匹配完成的二维图纸之后，还包括：

18、分别设置用于表征第一神经网络模型和第二神经网络模型，在图元信息匹配模型中的优先级的第一模型权重和第二模型权重；

19、对输出的图元信息匹配完成的二维图纸进行错误匹配检测，得到二维图纸中图元信息匹配错误的错误偏差集，错误偏差集内包括至少一个错误图元信息组合；

20、基于信息错误或匹配错误的错误类型，对错误偏差集内至少一个错误图元信息组合进行分类，得到信息错误集和匹配错误集；

21、利用比较信息错误集和匹配错误集分别在错误偏差集内的占比值，对第一模型权重和第二模型权重进行交叉调控。

22、进一步地，利用比较信息错误集和匹配错误集分别在错误偏差集内的占比值，对第一模型权重和第二模型权重进行交叉调控，具体为：

23、在信息错误集在错误偏差集内的占比值大于匹配错误集在错误偏差集内的占比值时，增大第二模型权重；

24、在匹配错误集在错误偏差集内的占比值大于信息错误集在错误偏差集内的占比值时，增大第一模型权重。

25、进一步地，信息错误包括文字错误、符号错误和格式错误；匹配错误包括图元与文字信息不对应。

26、本发明还提供一种二维图纸的图元信息匹配系统，系统包括：

27、数据集构建模块，用于基于待标注的二维图纸构建样本数据集，其中，样本数据集中包括由图元和与图元对应的文字信息匹配得到的图元信息组合；

28、模型构建模块，用于构建初始图元信息匹配模型，其中初始图元信息匹配模型包括用于准确识别图元对应的文字信息的第一神经网络模型，以及用于组合图元和图元对应的文字信息的第二神经网络模型；

29、模型训练模块，用于利用样本数据集对初始图元信息匹配模型进行训练，得到能够完成图元和对应的图元信息匹配的图元信息匹配模型；

30、图元信息匹配模块，用于将待标注的二维图纸输入到图元信息匹配模型中，输出包含图元信息匹配完成的图元信息组合的二维图纸。

31、进一步地，在将待标注的二维图纸输入到图元信息匹配模型中，输出图元信息匹配完成的二维图纸之后，还包括：

32、错误匹配检测模块，用于对输出的图元信息匹配完成的二维图纸进行错误匹配检测，得到二维图纸中图元信息匹配错误的错误偏差集，错误偏差集内包括至少一个错误图元信息组合；

33、错误修正模块，用于对至少一个错误图元信息组合进行错误修正，得到修正后的至少一个图元信息组合；

34、模型优化模块，用于将修正后的至少一个图元信息组合加入到样本数据集中对图元信息匹配模型进行迭代优化训练，直至得到最优的图元信息匹配模型。

35、本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的方法的步骤。

36、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述中任意一项所述的方法的步骤。

37、本发明与现有技术相比，具有如下的优点和有益效果：

38、在本发明中，通过采用由图元和与图元对应的文字信息匹配得到的图元信息组合构成的样本数据集，对两个神经网络模型组合构建的初始图元信息匹配模型进行训练，得到一个能够完成图元和图元信息准确匹配的图元信息匹配模型，基于该图元信息匹配模型能够将标注不规范不标准的二维图纸中的图元和图元对应的文字信息进行自动准确匹配和快速组合，从而提高翻模的准确率，减少人力的浪费。

39、在本发明中，通过在翻模过程中因错误图元信息组合产生的错误信号，能够在人员对图纸进行调整的过程中，同时对图元信息匹配模型进行迭代学习优化，从而进一步增加图元信息匹配模型的匹配准确性，以及增大对错误信息的处理能力。