申请/专利权人:南京邮电大学
申请日:2023-12-20
公开(公告)日:2024-04-30
公开(公告)号:CN117953531A
主分类号:G06V30/422
分类号:G06V30/422;G06V30/148;G06V30/19
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.17#实质审查的生效;2024.04.30#公开
摘要:本发明公开了一种基于深度学习的机械图纸形位公差识别方法,该方法包括如下步骤:步骤1:通过深度神经网络中的目标检测算法,对机械图纸中的形位公差标注框进行识别并定位,得到公差标注框的相对位置信息;步骤2:基于步骤1中定位的特征位置,截取公差标注框图像,通过深度神经网络中图像分割算法对公差标注框的结构进行识别,分离各单元格;步骤3:根据步骤2中获取的标注框结构,通过深度神经网络中的字符识别算法识别并提取每个单元格中的字符信息。本发明通过将基于深度学习的图像识别技术应用于机械图纸中形位公差识别,实现自动化识别图纸生成检测计划,通过自行标注的形位公差标注框专用训练数据集进行迁移学习,提高了目标检测精度。
主权项:1.一种基于深度学习的机械图纸形位公差识别方法,其特征在于,包括如下步骤:步骤1:通过深度神经网络中的目标检测算法,对机械图纸中的形位公差标注框进行识别并定位,得到公差标注框的相对位置信息;步骤2:基于上述步骤1中定位的特征位置,截取公差标注框图像,通过深度神经网络中图像分割算法对公差标注框的结构进行识别,分离各单元格;步骤3:根据上述步骤2中获取的标注框结构,通过深度神经网络中的字符识别算法识别并提取每个单元格中的字符信息。
全文数据:
权利要求:
百度查询: 南京邮电大学 一种基于深度学习的机械图纸形位公差识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。