一种构件类别识别方法、装置、电子设备及存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及图像识别技术领域，尤其涉及一种构件类别识别方法、装置、电子设备及存储介质。背景技术：2.建筑图纸的构件识别是对建筑图纸中构成建筑的基本组合物体进行检测和标定的过程，它是机器理解建筑图纸的具体含义，是对建筑图纸进行语义理解的重要基础，由于属于不同类别的构件可能具有相似的图像特征，因此在识别具有相似的图像特征的两类构件时，容易造成误判。3.现有构件识别方法主要分为四类，一种直接使用检测模型，例如yolo模型，这种端到端方法未考虑到线条形构件的特点，对画法比较复杂且干扰线段比较多的构件识别率低；第二种方法使用检测加分类识别构件，检测模型主要提高构件召回率，分类模型主要用于识别检测到的构件类别，分类模型使用类似vgg（visual geometry group network）的分类模型，然而这类模型同检测模型一样，在线条形图形上识别率低；第三种采用矢量图像识别构件，该方法考虑到了线条形构件特点，但是需要提前获取矢量数据，然而从cad图纸或图像中准确获取矢量数据成本很高；第四种采用解析cad图纸得到构件图元，之后采用图形图像方法识别构件，由于同一类构件画法多样，该方法泛化能力不强。技术实现要素：4.为了解决cad图像识别中对构件的类别识别率低的技术问题，本技术提供了一种构件类别识别方法、装置、电子设备及存储介质。5.第一方面，本技术提供了一种构件类别识别方法，所述方法包括：获取m个待分类构件中的目标分类构件；m大于或等于二；根据所述目标分类构件和预设的类别识别模型，得到所述目标分类构件的n个第一预识别结果，以及每个所述第一预识别结果对应的置信度；n大于或等于一；在所述m个待分类构件中，获取与所述目标分类构件满足预设条件的至少一个第一分类构件；所述预设条件包括：所述目标分类构件与所述第一分类构件的距离小于第一阈值；获取所述第一分类构件的y个第二预识别结果，以及，分别获取每个所述第一预识别结果与每个所述第二预识别结果的相关性概率值；y大于或等于一；根据所述置信度和所述相关性概率值计算得到所述目标分类构件的n个计算结果；任一所述计算结果为任一所述第一预识别结果对应的置信度与所述第一预识别结果对应的每个所述相关性概率值的乘积之和；确定所述n个计算结果中的最大值，将所述最大值对应的所述第一预识别结果作为所述目标分类构件的类别；可选地，根据所述目标分类构件和预设的类别识别模型，得到所述目标分类构件的n个预识别结果之前，所述方法还包括获取所述类别识别模型；其中，所述类别识别模型的训练过程包括：获取构件对应的图像数据和标签数据；根据所述图像数据和所述标签数据，对所述类别识别模型进行训练；所述类别识别模型用于识别所述构件的类别；可选地，获取构件对应的图像数据，包括：获取所述构件对应的画法图形块；提取所述画法图形块包括的笔画，获取所述笔画的最大外接矩形；将所述最大外接矩形包括的图形作为所述构件对应的图像数据；可选地，获取所述笔画的最大外接矩形之后，所述方法还包括：获取预设的图像尺寸规格；将所述最大外接矩形按照所述图像尺寸规格进行缩放，得到调整后的矩形；将所述调整后的矩形作为所述最大外接矩形包括的图形；可选地，将所述最大外接矩形按照所述图像尺寸规格进行缩放，得到调整后的矩形之后，所述方法还包括：获取所述矩形各个像素点的像素值，以及获取灰度阈值；根据所述像素值和所述灰度阈值，对所述矩形进行二值化，得到所述构件的二值图；所述像素值大于所述灰度阈值的部分作为所述二值图的前景；根据轮廓提取函数，得到所述二值图的前景的每个点的像素坐标，形成坐标集合；将所述矩形的原始图像和所述二值图进行对比，提取与所述二值图的前景对应的所述矩形的区域中每个坐标点的颜色信息，形成颜色集合；根据仿射变换函数对所述二值图按预设规则进行旋转和缩放变换，得到变换矩阵；根据所述变换矩阵、所述坐标集合和所述颜色集合，得到目标图像；将所述目标图像作为所述构件对应的图像数据；可选地，所述分别获取每个所述第一预识别结果与每个所述第二预识别结果的相关性概率值中，对于其中任意一个所述相关性概率值的获取过程包括：获取所述第一预识别结果与所述第二预识别结果的概率值；获取二维高斯函数，所述二维高斯函数用于表征所述目标分类构件与所述第一分类构件的距离，所述二维高斯函数的高斯函数值与所述距离负相关；将所述高斯函数值与所述概率值相乘作为所述第一预识别结果与所述第二预识别结果之间的相关性概率值；可选地，任一所述置信度大于第二阈值；所述第二阈值大于零，且小于一；任一所述相关性概率值大于或等于零，且小于或等于一。6.第二方面，本技术提供了一种构件类别识别装置，所述装置包括：第一获取模块，用于获取m个待分类构件中的目标分类构件；m大于或等于二；确定模块，用于根据所述目标分类构件和预设的类别识别模型，得到所述目标分类构件的n个第一预识别结果，以及每个所述第一预识别结果对应的置信度；n大于或等于一；第二获取模块，用于在所述m个待分类构件中，获取与所述目标分类构件满足预设条件的至少一个第一分类构件；所述预设条件包括：所述目标分类构件与所述第一分类构件的距离小于第一阈值；第三获取模块，用于获取所述第一分类构件的y个第二预识别结果，以及，分别获取每个所述第一预识别结果与每个所述第二预识别结果的相关性概率值；y大于或等于一；计算模块，用于根据所述置信度和所述相关性概率值计算得到所述目标分类构件的n个计算结果；任一所述计算结果为任一所述第一预识别结果对应的置信度与所述第一预识别结果对应的每个所述相关性概率值的乘积之和；识别模块，用于确定所述n个计算结果中的最大值，将所述最大值对应的所述第一预识别结果作为所述目标分类构件的类别。7.第三方面，本技术提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例所述的构件类别识别方法的步骤。8.第四方面，本技术提供了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如第一方面任一项实施例所述的构件类别识别方法的步骤。9.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：本技术实施例提供的该方法，获取m个待分类构件中的目标分类构件；m大于或等于二；根据目标分类构件和预设的类别识别模型，得到目标分类构件的n个第一预识别结果，以及每个第一预识别结果对应的置信度；n大于或等于一；在m个待分类构件中，获取与目标分类构件距离小于第一阈值的至少一个第一分类构件；获取第一分类构件的y个第二预识别结果，以及，分别获取每个第一预识别结果与每个第二预识别结果的相关性概率值；y大于或等于一；根据置信度和相关性概率值计算得到目标分类构件的n个计算结果；任一计算结果为任一第一预识别结果对应的置信度与第一预识别结果对应的每个相关性概率值的乘积之和；从n个计算结果中确定计算结果最大值，将最大值对应的第一预识别结果作为目标分类构件的类别。该方法在对目标分类构件进行分类时，结合与目标分类构件距离小于第一阈值的第一分类构件和目标分类构件之间存在的相关性概率，根据n个第一预识别结果与y个第二预识别结果之间分别对应的相关性概率值、n个第一预识别结果的置信度得到每一种第一预识别结果的计算结果，确定数值最大的计算结果对应的第一预识别结果作为目标分类构件的类别，可提高cad图像识别中对构件的类别识别率。附图说明10.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。11.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。12.图1为本技术一个实施例提供的一种构件类别识别方法的系统架构图；图2为本技术一个实施例提供的一种构件类别识别方法的流程示意图；图3为本技术一个实施例提供的一种构件类别识别方法中训练用图像数据的获取流程示意图；图4为本技术一个实施例提供的一种构件类别识别装置的结构示意图；图5为本技术一个实施例提供的一种电子设备的结构示意图。具体实施方式13.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。14.本技术第一实施例提供了一种构件类别识别方法，该方法可以应用于如图1所示的系统架构，该系统架构中至少包括终端101和服务器102，该终端101和服务器102之间建立通信连接，可通过有线或无线的网络连接，具体通信传输协议不作限制。15.该方法可应用于该系统架构中的终端101或者服务器102，其中，终端101可以是台式电脑、平板电脑、笔记本、超级计算机等设备，服务器102可以是本地服务器，也可以是云端服务器，或者也可以是服务器集群。16.需要说明的是，图1所示的网络系统架构仅仅是一种示例，还可以包括如路由器、交换机等更多的组成部分。17.基于图1所示的系统架构，以下结合相关附图对本技术实施例提出的构件类别识别方法进行详细阐述，图2为本技术实施例提供的一种构件类别识别方法的流程示意图，如图2所示，方法包括：步骤201，获取m个待分类构件中的目标分类构件，m大于或等于二。18.在识别目标分类构件时，需要结合目标分类构件周围一定范围内的其他待分类构件，因此需要包括至少两个待分类构件，从待分类构件中，确定一个目标分类构件。19.步骤202，根据目标分类构件和预设的类别识别模型，得到目标分类构件的n个第一预识别结果，以及每个第一预识别结果对应的置信度，n大于或等于一。20.根据目标分类构件和预设的类别识别模型可以得到目标分类构件的多个第一预识别结果，可以从多个第一预识别结果中选择置信度大于第二阈值的n个第一预识别结果，其中，第二阈值大于零，且小于一。21.步骤203，在m个待分类构件中，获取与目标分类构件满足预设条件的至少一个第一分类构件，预设条件包括：目标分类构件与第一分类构件的距离小于第一阈值。22.满足预设条件的第一分类构件可以是一个，也可以是多个。23.步骤204，获取第一分类构件的y个第二预识别结果，以及，分别获取每个第一预识别结果与每个第二预识别结果的相关性概率值，y大于或等于一。24.其中，任一相关性概率值大于或等于零，且小于或等于一。举例说明，若n为3，y为2，满足预设条件的第一分类构件为一个，则目标分类构件包括三种可能的类别（比如包括类别1、类别2和类别3），第一分类构件包括两种可能的类别（比如包括类别a和类别b），此时，需要获取类别1与类别a的相关性概率值，类别1与类别b的相关性概率值，类别2与类别a的相关性概率值，类别2与类别b的相关性概率值，类别3与类别a的相关性概率值，类别3与类别b的相关性概率值，即，一共最多可能包括n×y个相关性概率值，此处即为6个相关性概率值。25.需要说明的是，相关性概率值可以是预先设置的表征各个构件之间的关联度的一个值，相关性概率值的范围在[0,1]，比如，电梯轿厢构件必然会在最近位置有个电梯门，因此电梯轿厢构件和电梯门构件之间的相关性概率值为1，然而电梯轿厢旁边有个平开门概率是随机的，因此该相关性概率值可以为0.5。[0026]一个实施例中，分别获取每个第一预识别结果与每个第二预识别结果的相关性概率值中，对于其中任意一个相关性概率值的获取过程包括：获取第一预识别结果与第二预识别结果的概率值，获取二维高斯函数，二维高斯函数用于表征目标分类构件与第一分类构件的距离，二维高斯函数的高斯函数值与距离负相关，将高斯函数值与概率值相乘作为第一预识别结果与第二预识别结果之间的相关性概率值。[0027]本实施例中，二维高斯函数的方差可以作为目标分类构件与第一分类构件的距离，在该距离小于第一阈值才计算相关性概率值。[0028]其中，第一预识别结果与第二预识别结果之间的概率值可以是预设的，两个构件之间的相关性概率值不仅与两个构件预识别的类别之间的概率值有关，还与两个构件之间的距离相关，可以更准确的将构件之间的距离作为构件类别识别时的参考，提高构件类别的识别率。[0029]步骤205，根据置信度和相关性概率值计算得到目标分类构件的n个计算结果，任一计算结果为任一第一预识别结果对应的置信度与第一预识别结果对应的每个相关性概率值的乘积之和。[0030]仍以目标分类构件包括三个类别即类别1、类别2和类别3，第一分类构件包括类别a和类别b进行举例说明，目标分类构件的每个可能的类别对应一个计算结果，假如类别1的置信度为0.9，类别2的置信度为0.85，类别3的置信度为0.8，类别1对应的计算结果为=0.9*（类别1与类别a的相关性概率值）+0.9*（类别1与类别b的相关性概率值），同理，可分别计算出类别2和类别3对应的计算结果。[0031]需要说明的是，此处的计算结果也可称为路径概率值。[0032]步骤206，确定n个计算结果中的最大值，将最大值对应的第一预识别结果作为目标分类构件的类别。[0033]在类别1、类别2和类别3分别对应的三个计算结果中，确定最大值，将最大值对应的类别作为目标分类构件的类别，由于结合了目标分类构件距离小于第一阈值的第一分类构件和目标分类构件之间存在的相关性概率值，可提高cad图像识别中对构件的类别识别率。[0034]一个实施例中，根据目标分类构件和预设的类别识别模型，得到目标分类构件的n个预识别结果之前，方法还包括获取类别识别模型。[0035]其中，类别识别模型的训练过程包括：获取构件对应的图像数据和标签数据，根据图像数据和标签数据，对类别识别模型进行训练，类别识别模型用于识别构件的类别。[0036]cad构件是由一系列线条笔画组成，与一般rgb图像相比纹理信息很少，同时一种构件可能存在多种绘制样式，并且不同构件可能存在相同绘制样式，这给cad图纸识别带来了一定的挑战。本实施例中，将构件识别看作一类特殊的文字符号识别，因为构件和文字一样也是由线条组成，具有相似的线条特征。[0037]类别识别模型包括卷积递归神经网络（convolutional recurrent neural network，简称crnn）模型，crnn模型为现有文字识别经典模型，该模型的网络结构会将输入图像根据一定宽度进行切片，提取笔画并组合笔画切片特征，这样能更加细致的处理线条形图像特征提取问题，提高线条形图像识别率，由于建筑图纸中cad图像里的构件一般都由一系列线条笔画组成，因此，该类别模型也就提高了构件的类别识别率。与以往该模型训练不同点在于，本技术在该crnn模型中使用的输入是单个构件图像块，标签为单标签。这样设计主要用于crnn模型能尽可能多的预测出多个类别，提高类别召回率，之后通过识别后处理步骤，也就是通过目标分类构件与周围一定范围内的其他构件之间的相关性概率值，再结合预测的该类别的置信度，从预测的多个类别种得到目标分类构件最终的准确类别。[0038]一个实施例中，获取构件对应的图像数据，包括：获取构件对应的画法图形块，提取画法图形块包括的笔画，获取笔画的最大外接矩形，将最大外接矩形包括的图形作为构件对应的图像数据。[0039]构件对应的画法图形块指由笔画组成的该构件的图形，或者，该画法图形块可以理解为构件的具体形式。本实施例在该模型中使用的输入是单个构件的画法图形块，相应地，标签为单个构件对应的单标签。这样设计主要用于模型能进可能多的预测出多个类别，提高类别召回率，之后通过识别后处理得到最终准确构件类别。[0040]一个实施例中，获取笔画的最大外接矩形之后，方法还包括：获取预设的图像尺寸规格，将最大外接矩形按照图像尺寸规格进行缩放，得到调整后的矩形，将调整后的矩形作为最大外接矩形包括的图形。[0041]本实施例中，在对最大外接矩形进行缩放时，可以根据最大外接矩形的长边或者短边为基准进行缩放，比如，若预设的图像尺寸规格的像素值大小为280*46，则可以将长边缩放至280，此时，若等比例缩放的短边若小于或等于46，则调整完成，若短边大于46，则进一步的将短边缩放至46，同时，适应性的调整长边，以此来保证调整后的矩形的尺寸不大于预设的图像尺寸规格。[0042]一个实施例中，将最大外接矩形按照图像尺寸规格进行缩放，得到调整后的矩形之后，如图3，方法还包括：步骤301，获取矩形各个像素点的像素值，以及获取灰度阈值；步骤302，根据像素值和灰度阈值，对矩形进行二值化，得到构件的二值图，像素值大于灰度阈值的部分作为二值图的前景；步骤303，根据轮廓提取函数，得到二值图的前景的每个点的像素坐标，形成坐标集合；步骤304，将矩形的原始图像和二值图进行对比，提取与二值图的前景对应的矩形的区域中每个坐标点的颜色信息，形成颜色集合；步骤305，根据仿射变换函数对二值图按预设规则进行旋转和缩放变换，得到变换矩阵；步骤306，根据变换矩阵、坐标集合和颜色集合，得到目标图像，将目标图像作为构件对应的图像数据。[0043]本实施例中，灰度阈值可以设置为5，将像素值大于5的赋值为255，其它赋值为0，得到构件的二值图，即像素值大于5的作为二值图的前景，提取二值图前景对应的每个点的像素坐标，形成坐标集合，提取二值图前景对应的矩形的区域中每个坐标点的颜色信息，形成颜色集合，由于构件在cad图中的角度不同，可根据仿射变换函数对二值图进行旋转和缩放变换，得到构件最大投影面积的二值图，旋转和缩放的关系作为变换矩阵，根据变换矩阵和坐标集合可以得到二值图的变换后的坐标集合，根据变换后的坐标集合和颜色集合可以得到目标图像，将目标图像作为构件的图像数据。[0044]需要说明的是，根据构件的图像数据可以对类别识别模型进行训练，以使其更好的对待识别的目标分类构件的类别进行识别分类，提高目标分类构件的识别率。[0045]一个实施例中，只涉及对得到的构件如何识别出具体类别。构件类别识别算法流程分为三部分，训练数据准备，模型训练，识别结果后处理三部分。[0046]第一部分，训练数据准备。[0047]由于构件存在多种形状，比如有矩形、长方形、三角形和圆形等，并且一种画法构件的标签不是该构件本身，因此为了便于模型训练，需要将构件数据转换为统一数据格式。[0048]针对训练图像部分。本实施例对得到的构件画法图形块根据笔画获取最大外接矩形，将该矩形包括的图形作为需要训练的图像数据。由于构件本身有大有小，需要对所有构件根据短边统一缩放到一定的尺寸大小，比如280*46大小，然而构件笔画线条在缩放过程中容易断裂失真，所以本实施例以灰度阈值为5将像素值大于5的赋值为255，其它赋值为0，得到构件的二值图，通过opencv轮廓提取函数可以得到二值图前景的每个点像素坐标，进而得到整个轮廓的坐标集合，同时将二值图像与原始rgb图像比对，提取对应坐标位置的rgb值信息，和坐标集合存储在一起，该坐标集合描述了整个构件的整体形状以及颜色信息；使用opencv仿射变换函数对二值图像进行旋转，缩放变换，得到变换矩阵；使用该变换矩阵将得到的像素坐标集合中的每个坐标映射到新的坐标位置，得到新的坐标集合，该坐标集合描述了变换后的二值图像形状，将对应坐标位置赋值之前保存的rgb颜色值信息得到训练需要的rgb图像。[0049]针对训练数据对应标签部分。构件标签采用该构件真实类别名称，例如百叶窗，编号为1，电梯门，编号为2，其它构件依次类推。编号用于后续模型训练用的标签，比如标签1代表百叶窗，标签2代表电梯门等。[0050]需要说明的是，在对构件进行缩放过程中，为保证构件不变形，长宽均按照相同比例进行缩放，以缩放后构件的尺寸小于或等于280*46为宜，当然，本实施例中将构件缩放至280*46仅为举例说明，实际不限于此，应当理解，灰度阈值设置为5也为举例说明，还可以根据需要设置为其他数值，本技术实施例不作限制。[0051]第二部分，模型训练。[0052]crnn模型为现有文字识别经典模型，该模型的网络结构会将输入图像根据一定宽度进行切片，提取笔画并组合笔画切片特征，这样能更加细致的处理线条形图像特征提取问题，提高线条形图像识别率。与以往该模型训练不同点在于，本实施例在该模型中使用的输入是单个构件图像块，标签为单标签。这样设计主要用于模型能进可能多的预测出多个类别，提高类别召回率，之后通过识别后处理得到最终准确构件类别。[0053]第三部分，识别结果后处理。[0054]本实施例截取crnn模型输出预测结果置信度大于0.8的识别结果，这样得到的结果存在多个，并且多个结果之间具有一定的相似度，由于构件画法多样性以及不同种构件存在相同画法，导致模型处理这种问题时识别比较困难。因此，本实施例在后处理过程中，为了得到构件图像块对应的准确类别，在模型识别基础上通过参考目标分类构件周围其他构件的类别来解决上述问题以进一步提高构件识别率，具体方法如下：计算相关性概率值。根据以往标注过数据统计每种构件的先验知识，即一种构件与其它类型构件相关性概率，值范围在[0,1]，本实施例中，该值主要集中于0和1附近。例如电梯轿厢构件必然会在最近位置有个电梯门，因此电梯轿厢和电梯门之间的相关性概率值为1，然而电梯轿厢旁边有个平开门概率是随机的，因此该概率值为0.5。这些概率值需要根据图纸数据进行统计。然而又因为随着构件之间距离的增加，这种构件之间的相关性强度会降低，因此本实施例在概率值基础上又增加了二维高斯函数，函数均值为当前构件x和y坐标，方差可以根据需要设置，比如可以设置为224，这意味着本实施例在以当前构件为中心，半径为224的这个图像范围内做后处理，将高斯函数值与概率值相乘作为两个构件之间的相关性概率值。[0055]计算路径概率值。对于一种目标分类构件，模型会根据置信度阈值输出该目标分类构件可能的类别和对应置信度，同时在以该目标分类构件为中心，半径为224像素的范围内其它构件也会得到相应的多个类别和对应置信度。为了根据这些信息得到目标分类构件最终类别，本实施例计算目标分类构件得到的可能类别与半径为224范围内其它构件的路径概率值，将能得到该值最大的类别作为目标分类构件的最终类别。其中，路径概率值指上述实施例中的计算结果。[0056]其中，路径概率值计算具体过程如下：假如待处理的目标分类构件经过crnn模型识别后得到的类别识别结果包括三个，分别为类别1、类别2和类别3。其中，类别1的置信度为置信度1，类别2的置信度为置信度2，类别3的置信度为置信度3，置信度1、置信度2和置信度3均大于0.8。类别1分别与半径为224像素范围内其他构件计算路径概率值，即类别1的置信度1乘以其它构件的相关性概率值，其路径概率值为所有这些值之和。类别2和类别3类似。根据类别1、类别2和类别3分别计算路径概率值，将路径概率值中最高值对应的类别作为目标分类构件的最终类别。[0057]需要说明的是，本实施例中，截取crnn模型输出预测结果置信度大于0.8的识别结果仅为举例说明，此处的0.8也可以根据需要设置为其他数值，不作限制，应当理解，构建二维高斯函数时，方差设置为224也仅为举例说明，本技术实施例对此不作限制。[0058]基于同一技术构思，本技术第二实施例提供了一种构件类别识别装置，如图4，所述装置包括：第一获取模块401，用于获取m个待分类构件中的目标分类构件；m大于或等于二；确定模块402，用于根据所述目标分类构件和预设的类别识别模型，得到所述目标分类构件的n个第一预识别结果，以及每个所述第一预识别结果对应的置信度；n大于或等于一；第二获取模块403，用于在所述m个待分类构件中，获取与所述目标分类构件满足预设条件的至少一个第一分类构件；所述预设条件包括：所述目标分类构件与所述第一分类构件的距离小于第一阈值；第三获取模块404，用于获取所述第一分类构件的y个第二预识别结果，以及，分别获取每个所述第一预识别结果与每个所述第二预识别结果的相关性概率值；y大于或等于一；计算模块405，用于根据所述置信度和所述相关性概率值计算得到所述目标分类构件的n个计算结果；任一所述计算结果为任一所述第一预识别结果对应的置信度与所述第一预识别结果对应的每个所述相关性概率值的乘积之和；识别模块406，用于确定所述n个计算结果中的最大值，将所述最大值对应的所述第一预识别结果作为所述目标分类构件的类别。[0059]本实施例中，该装置在对目标分类构件进行分类时，结合与目标分类构件距离小于第一阈值的第一分类构件和目标分类构件之间存在的相关性概率，根据n个第一预识别结果与y个第二预识别结果之间分别对应的相关性概率值、n个第一预识别结果的置信度得到每一种第一预识别结果的计算结果，确定数值最大的计算结果对应的第一预识别结果作为目标分类构件的类别，可提高cad图像识别中对构件的类别识别率。[0060]如图5所示，本技术第三实施例提供了一种电子设备，包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信，存储器113，用于存放计算机程序；在一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的构件类别识别方法，包括：获取m个待分类构件中的目标分类构件；m大于或等于二；根据所述目标分类构件和预设的类别识别模型，得到所述目标分类构件的n个第一预识别结果，以及每个所述第一预识别结果对应的置信度；n大于或等于一；在所述m个待分类构件中，获取与所述目标分类构件满足预设条件的至少一个第一分类构件；所述预设条件包括：所述目标分类构件与所述第一分类构件的距离小于第一阈值；获取所述第一分类构件的y个第二预识别结果，以及，分别获取每个所述第一预识别结果与每个所述第二预识别结果的相关性概率值；y大于或等于一；根据所述置信度和所述相关性概率值计算得到所述目标分类构件的n个计算结果；任一所述计算结果为任一所述第一预识别结果对应的置信度与所述第一预识别结果对应的每个所述相关性概率值的乘积之和；确定所述n个计算结果中的最大值，将所述最大值对应的所述第一预识别结果作为所述目标分类构件的类别。[0061]上述终端提到的通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。[0062]通信接口用于上述终端与其他设备之间的通信。[0063]存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。[0064]上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。[0065]本技术第四实施例还提供了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如前述任意一个方法实施例提供的构件类别识别方法的步骤。[0066]在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（dsl））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质（例如固态硬盘solid state disk (ssd)）等。[0067]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。[0068]应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。在描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本技术的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。[0069]以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!