本公开的实施例涉及计算机实现的零件尺寸自动标注方法及装置。该方法包括：读取待标注零件图；基于待标注零件图确定待标注零件的多个关键点；基于多个关键点利用第一神经网络模型获得待标注零件的多个候选标注点；基于多个候选标注点，利用第二神经网络模型获得待标注零件的多个匹配标注点对；基于多个匹配标注点对，在待标注零件图中，对相关的待标注零件的尺寸进行标注，获得标注后的零件图；以及基于多个匹配标注点对，构建标注关系图并且利用标注关系图检查标注后的零件图，获得检查结果。通过使用这种方法，可以通过机器学习方式自动完成零件标注中标注点的选择和匹配，实现零件线性尺寸自动标注。零件线性尺寸自动标注。零件线性尺寸自动标注。
【技术实现步骤摘要】
基于关键点匹配的零件尺寸自动标注方法及装置
[0001]本公开的实施例主要涉及零件尺寸标注领域。并且更具体地，涉及基于关键点匹配的零件尺寸自动标注方法及装置。
技术介绍
[0002]在土建领域和机械设计领域中存在大量零件图纸尺寸标注的功能需求。目前，零件尺寸的自动标注主要通过模板匹配的方法，将现有零件与零件库中的零件模板一一比对(例如，现有零件为工字形截面，而零件库中已有对应的工字形截面标注方式，可以直接套用)，确定零件的标注方法，在部分零件设计软件中使用零件库中的固有零部件建模可以更方便地实现自动标注。但是由于目前异形零件越来越多，而异形零件没有统一的形状，难以在零件库中找到对应的零件模板，全部加入到零件库中会造成零件库的臃肿，降低检索效率，影响使用。
技术实现思路
[0003]本公开的实施例提供了一种基于关键点匹配的零件尺寸自动标注方法、装置、电子设备和计算机可读存储介质。
[0004]在本公开的第一方面中，提供了一种计算机实现的零件尺寸自动标注方法。该方法包括：读取待标注零件图；基于待标注零件图确定待标注零件的多个关键点；基于多个关键点利用第一神经网络模型获得待标注零件的多个候选标注点；基于多个候选标注点利用第二神经网络模型获得待标注零件的多个匹配标注点对；基于多个匹配标注点对，在待标注零件图中，对相关的待标注零件的尺寸进行标注，获得标注后的零件图；基于多个匹配标注点对，构建标注关系图并且利用标注关系图检查标注后的零件图，获得检查结果。
[0005]在本公开的第二方面中，提供了一种零件尺寸自动标注装置，包括：输入模块，被配置为读取待标注零件图；关键点确定模块，被配置为基于待标注零件图确定待标注零件的多个关键点；候选标注点获取模块，被配置为基于多个关键点利用第一神经网络模型获得待标注零件的多个候选标注点；匹配标注点获取模块，被配置为基于多个候选标注点利用第二神经网络模型获得待标注零件的多个匹配标注点对；标注模块，被配置为在待标注零件图中，对相关的待标注零件的尺寸进行标注，获得标注后的零件图；以及检查模块，被配置为基于多个匹配标注点对，构建标注关系图并且利用标注关系图检查标注后的零件图，获得检查结果。
[0006]在本公开的第三方面中，提供了一种电子设备。该电子设备包括：存储器和处理器；其中存储器用于存储一条或多条计算机指令，其中一条或多条计算机指令被处理器执行以实现根据第一方面的方法。
[0007]在本公开的第四方面中，提供了一种计算机可读存储介质。该计算机可读存储介质上存储有一条或多条计算机指令，其中一条或多条计算机指令被处理器执行以实现根据第一方面的方法。
[0008]在本公开的第五方面中，提供了一种计算机程序产品。该计算机程序产品包括一条或多条计算机指令，其中一条或多条计算机指令被处理器执行以实现根据第一方面的方法。
[0009]提供
技术实现思路
部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。
技术实现思路
部分无意标识要求保护的主题的关键特征或主要特征，也无意限制要求保护的主题的范围。
附图说明
[0010]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，其中：
[0011]图1示出了根据本公开的实施例的示例性环境100的示意图；
[0012]图2示出了根据本公开的实施例的示例性零件尺寸自动标注方法200的流程图；
[0013]图3示出了根据本公开的实施例的示例性零件尺寸自动标注装置300的框图；
[0014]图4示出了根据本公开的实施例的示例性待标注零件图；
[0015]图5示出了根据本公开的实施例的示例性标注后的零件图；以及
[0016]图6示出了其中可以实现本公开的一个或多个实施例的计算系统600的框图。
具体实施方式
[0017]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0018]在本文中使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”。其他术语的相关定义将在下文描述中给出。
[0019]专利技术人注意到，现有的零件尺寸自动标注主要通过模板匹配的方法，将现有零件与零件库中的零件模板一一比对(例如现有零件为工字形截面，而零件库中已有对应的工字形截面标注方式，可以直接套用)，确定零件的标注方法。虽然在部分零件设计软件中使用零件库中的固有零部件建模可以更方便地实现自动标注，但是由于目前异形零件越来越多，而异形零件没有统一的形状，难以在零件库中找到对应的零件模板，全部加入到零件库中会造成零件库的臃肿，降低检索效率，影响使用。
[0020]为了至少部分地解决上述问题中的一些问题。本公开的实施例提供了一种基于关键点匹配的零件尺寸自动标注方法。在本公开的实施例中，首先获得待标注零件的零件图，并将零件图中与标注可能相关的所有关键点提取出来，关键点即标注中可能的端点。接着利用相应神经网络模型从所有关键点中提取可能为零件标注点的关键点，获得候选标注点的集合。然后将这些候选标注点两两配对，并且利用另外相应的神经网络模型来确定与待标注零件图相匹配的标注点对。匹配标注点对是指在尺寸标注中尺寸界线所指向的点的组合。通过匹配标注点对可以引出标注的尺寸线和标注文字。最后基于匹配的标注点利用现有技术完成整个零件的标注。例如，在AutoCAD中可以基于匹配标注点对自动地进行线性尺
寸标注，即完成上述的引出尺寸线和标注文字等步骤。本公开还可以在标注后通过生成标注点的关系图来检验零件标注的结果。
[0021]通过上述技术方案，该方法结合深度学习模型并且基于零件的关键点自动判断和匹配零件的标注点，实现了零件标注中标注点选择和匹配的自动化的问题，尤其适合异形零件的自动标注。并且该方法在自动生成标注的基础上，提供了结果检验方法，保证了结果的正确性。
[0022]图1示出了根据本公开的实施例的示例性环境100的示意图。
[0023]在计算设备处，例如，图1的计算设备120，读取未标注零件图，例如，图1未标注零件图110。在一些实施例中，可以基于零件的三维模型通过本领域的现有技术生成具有待标注零件形状的二维零件图。
[0024]计算设备120首先获取零件图中的关键点，例如，在关键点获取模块中执行，然后利用第一神经网络模型确定关键点中的候选标注点，例如，在候选标注点获取模块中执行。计算设备120接着将标注点两两配对，并且利用第二神经网络模型确定与零件所要添加的标注相匹配的标注本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种计算机实现的零件尺寸自动标注方法，包括：读取待标注零件图；基于所述待标注零件图确定待标注零件的多个关键点；基于所述多个关键点利用第一神经网络模型获得所述待标注零件的多个候选标注点；基于所述多个候选标注点利用第二神经网络模型获得所述待标注零件的多个匹配标注点对；基于所述多个匹配标注点对，在所述待标注零件图中，对相关的所述待标注零件的尺寸进行标注，获得标注后的零件图；以及基于所述多个匹配标注点对，构建标注关系图并且利用所述标注关系图检查所述标注后的零件图，获得检查结果。2.根据权利要求1所述的方法，其中利用第一神经网络模型获得所述待标注零件的多个候选标注点包括：读取已标注的样本零件图；基于所述样本零件图确定所述样本零件图的多个关键点；基于所述多个关键点和所述样本零件图构建训练数据集；构建所述第一神经网络模型，并且利用所述训练数据集训练所述第一神经网络模型，获得训练后的第一神经网络模型，其中所述第一神经网络模型是多分类神经网络模型；以及利用所述训练后的第一神经网络模型获得所述待标注零件的多个候选标注点。3.根据权利要求1所述的方法，其中利用第二神经网络模型获得所述待标注零件的多个匹配标注点对包括：读取已标注的样本零件图；基于所述样本零件图确定所述样本零件图的多个标注点；基于所述多个标注点和所述样本零件图构建训练数据集；构建所述第二神经网络模型，并且利用所述训练数据集训练所述第二神经网络模型，获得训练后的第二神经网络模型，其中所述第二神经网络模型是多分类神经网络模型；以及利用所述训练后的第二神经网络模型获得所述待标注零件的多个匹配标注点对。4.根据权利要求1所述的方法，其中所述标注关系图包括水平配对关系图和竖直配对关系图。5.根据权利要求1所述的方法，其中利用所述标注关系图检查所述标注后的零件图包括：当所述标注关系图中存在环形关系时，生成标注冗余结果；当所述标注关系图中存在孤立点时，生成漏匹配结果；以及基于所述标注关系图，生成所述匹配标注点对中每个标注点的推断坐标，当所述推断坐标与所述标注点的实际坐标不一致时，生成标注尺寸异常结果。6.根据权利要求1所述的方法，其中所述关键点包括线段端点、线段中点、弧线端点，弧线中心点、椭圆的焦点、多边形、圆形的几何中心点以及线的交点。7.根据权利要求3所述的方法，其中所述数据集包括不配对数据集、水平标注配对数据
集、竖向标注配对数据集以及水平竖向同时配对数据集。8.一种零件尺寸自动标注装置，包括：输入模块，被配置为读取待标注零件图；关键点确定模块，被配置为基于所述待标注零件图确定待标注零件的多个关键点；候选标注点获取模块，被配置为基于所述多个关键点利用第一神经网络模型获得所述待标注零件的多个候选标注点；匹配标注点获取模块，被配置为基于所述多个候选标注点利用第二神经网络模型获得所述待标注零件的多个匹配标注点对；标注模块，被配置为在所述待标注零件图中，对相关的所述待标注零件的尺寸进行标注，获得标注后的零件图；...
【专利技术属性】
技术研发人员：马恩成，夏绪勇，张晓龙，赵玉栋，吴自成，李伯犀，
申请(专利权)人：北京构力科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。