基于深度学习的CAD图纸检索方法及技术与流程

基于深度学习的cad图纸检索方法及技术
技术领域
1.本发明涉及cad图纸检索技术领域，具体为基于深度学习的cad图纸检索方法及技术。


背景技术：

2.凭借强大的图形处理能力与简洁的实操性，计算机辅助设计(cad)技术已经被广泛应用于建筑工程、化工设计等各个领域，作为cad技术的核心组成部分，cad图纸也越来越多的成为工程开发、产品设计的重要组成部分，面对种类繁多，需求巨大的cad图纸数据，如何快速、精准的查找到满足用户特定需求的设计图纸，日渐成为各领域研发和创新面临的重大问题和挑战。
3.目前基于文本的cad图纸检索，是从图纸中提取可概括其内容的关键文本信息，如设计人设计内容关键词等,命名为图纸名称或建立相应的关联表，以其来查询图纸，但这种检索方式受严格的命名标准限制，不同制作单位和制作人如不能很好地遵守该标准，将直接导致检索效率和正确率的下降；
4.目前基于内容的cad图纸检索，是根据图纸信息中的图形的几何信息以及不同部件之间空间关系对图纸进行检索，首先提取出图纸的几何特征信息及其空间关系信息，作为其特征信息保存至固定特征库中，在用户设计新的图纸时，提交草图至系统并经系统自动对比、筛选出相似的图纸，这种检索方式，更多是从设计者的角度，考虑已有图纸的可复用性，复杂程度高，分析算法较为复杂；
5.在实际应用中，除了图纸的设计者，还有很多非专业的使用者根据业务需求进行图纸的检索，因此，需要
‑‑
种便捷、高效的cad图纸检索方法，可同时给图纸设计者、使用者提供一个快速检索cad图纸的途径。


技术实现要素：

6.(一)解决的技术问题
7.针对现有技术的不足，本发明提供了基于深度学习的cad图纸检索方法及技术，具备cad图纸检索简单方便等优点。
8.(二)技术方案
9.本发明解决上述技术问题的技术方案如下：基于深度学习的cad图纸检索方法及技术，包括：
10.步骤一：建立检索系统，检索系统可访问本地文件管理系统；
11.步骤二：建立本地文件管理系统，通过爬虫插件对检索网站上的cad图纸和pdf格式的cad图纸资料进行爬取；
12.步骤三：对cad图纸和pdf格式的cad图纸进行归纳，使得不同领域的cad图纸和pdf格式的cad图纸归纳到不同的资源库中，并且对这些资源库建立标签；
13.步骤四：建立cad图例库，根据图例库的内容建立相关标签；
14.步骤五：构建bp神经网络模型，通过训练集训练bp神经网络模型；
15.步骤六：将测试集带入训练后的bp神经网络模型中，预测应变相关数据，进行失效评价。
16.本发明的有益效果是：
17.该基于深度学习的cad图纸检索方法及技术，通过利用爬虫软件在线上建立专用数据库，并且根据其所述领域不同建立独立资源库，通过建立图例库使得在检索过程中，通过图例库的标签可以将检索范围缩短到一个较小的范围，这个范围更加精细，并且该检索方式是利用图例库进行检索的，因此精准性更强，通过ocr技术对cad图纸和pdf格式的cad图纸中的文字进行识别，因此在检索时可以更进一步的提高准确度，通过图例库和图纸文字相互配合检索，从而能够根据使用者的要求进行精准检索，并且通过bp神经网络模型能够记录使用者的检索习惯，在长期学习后能够使得检索更加精准，更加符合使用者的要求。
18.在上述技术方案的基础上，本发明还可以做如下改进。
19.进一步，所述检索系统可通过图纸对比以及文字的方式进行检索，通过选择标签可限定检索范围，缩小检索范围。
20.进一步，所述cad图纸和pdf格式的cad图纸归纳过程中，通过对cad图纸和pdf格式的cad图纸内容和来源进行识别，进行分类并建立标签，于此同时利用ocr技术对图纸当中的文字进行识别，并建立索引。
21.进一步，所述cad图纸和pdf格式的cad图纸分类标签包括但不限于：建筑施工图、室内装修图、机械图纸。
22.进一步，所述通过爬虫插件爬取网络cad图例，并且可以通过人工进行补充cad图例，建立cad图例库并建立标签。
23.进一步，所述在构建的bp神经网络模型中，设置隐含层为1，步长为0.001。
24.进一步，所述构建bp神经网络模型中，通过如下方法确定隐含层神经元数；
25.确定隐含层神经元区间；
26.取隐含层神经元区间内的所有神经元数，带入bp神经网络模型中，进行计算，得到预测均方误差；
27.取预测均方误差最小的神经元数作为隐含层神经元数。
28.进一步，所述隐含层神经元区间通过如下公司确定；
[0029][0030]
j为隐含层神经元数；
[0031]
i为输入层神经元数；
[0032]
k为输出层神经元数；
[0033]
α为常数；
[0034]
当α＝0时j为最小值，当α＝10是为最大值。
附图说明
[0035]
图1为本发明结构框架示意图；
[0036]
图2为本发明部分cad图例库示意图；
[0037]
图3为本发明部分cad图例库示意图；
[0038]
图4为本发明部分cad图例库示意图。
具体实施方式
[0039]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
实施例中：
[0041]
参阅图1，给出基于深度学习的cad图纸检索方法及技术，本发明通过爬虫插件对网络上的cad文件进行收集并归纳，归纳后的cad文件根据其来源和用处进行分类并建立标签，其中包括但不限于：机械、建筑施工、室内装修等；
[0042]
通过标签对检索范围进行缩小，增加检索的准确性；
[0043]
通过人工和对检索网站上的cad图纸和pdf格式的cad图纸进行爬取，建立cad图例库，不同的领域中的cad图例是完全不同的，其中机械中的图例库更多的是机械结构，其中包括但不限于：电机、电池组等等一系列相关设备；
[0044]
室内设计中的图例库其中包括但不限于：柜子、油烟机等一系列家具；
[0045]
通过图例库，对检索的文件缩小范围，如：需要检索机械结构中带有电机的文件，检索电机，电机是机械标签中的一部分，那么检索模块会优先检索带有机械标签的cad图纸和pdf格式的cad图纸库，缩小检索范围后，再缩小至图纸中存在图例库中电机结构的cad文件，从而达到精准检索的目的；
[0046]
通过ocr技术对cad图纸和pdf格式的cad图纸当中的文字进行识别，并且建立索引，当使用者对需要的cad文件进行检索时，根据索引可缩小检索范围，并且跟分类标签和图例库两者相互结合进行综合检索，从而使得检索更加精准和方便；
[0047]
并且通过bp神经网络模型对该检索方式进行学习，当使用者长时间进行检索后，根据检索内容和使用习惯，建立优先检索内容和文档，使得该系统可以根据使用者的不同习惯和检索领域进行精准检索，增加了使用者使用的便利性；
[0048]
说明书附图图2、图3以及图4仅为部分cad图例库示意图，此处仅为了方便理解，并不能代表所有的cad图例库示意图。
[0049]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0050]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。