CN119418359A 基于深度学习的图框信息智能识别方法、系统及存储介质 （深圳市华阳国际城市科技有限公司）

本发明公开了基于深度学习的图框信息智每一个所述目标图框范围中的图签标题栏单元别和解析DWG文件中的图形和文本信息，能够快2基于图形识别算法识别每一个所述目标图框范围中的图签标题栏单元格，以及基于获取经过初步过滤的图框范围中的文字特征与图形特征，其基于所述文字特征与所述图形特征，确定符合条件的图框范围，得3.根据权利要求1所述的基于深度学习的图框信息智能识别方法，其特征在于，所述基于所述训练集对yolov8模型进行训练，并设置超参数，基于所述超参数控制所述4.根据权利要求3所述的基于深度学习的图框信息智能识别方法，其特征在于，所述所述在线增强是指在模型训练过程中模型会实时进行数据增强操确定所述文本包围盒所对应的置信度信息，所述置信度信息与对所述图签标题栏单元格进行评价，筛选出置信度信息超过阈值按照优先单元格内，然后邻接单元格的原则，对图签标题单元格内的文本进3基于所述图签值与图签标题单元格内的文本之间的匹配程度，确若不存在置信度信息超过阈值的图签标题栏单元格，则使用Qwen_VL多模态模型对图习的图框信息智能识别程序时，实现如权利要求1_7任一项所述的基于深度学习的图框信4[0008]基于所述图签标题栏单元格与文本包围盒，确定所述目标图框范围中的图签信映的是所述图框范围中的文本对象，所述图形特征反映的是所述图框范围中的表格与内5始的训练集转化为包含多种增强版本的扩充数据集，并将扩充数据集保存到磁盘或内存[0026]基于所述图签值与图签标题单元格内的文本之间的匹配[0028]若不存在置信度信息超过阈值的图签标题栏单元格，则使用Qwen_VL多模态模型6[0036]图1本发明实施例提供的基于深度学习的图框信息智能识别方法的具体实施方式[0037]图2为本发明实施例提供的基于深度学习的图框信息智能识别方法中得到目标图[0038]图3为本发明实施例提供的基于深度学习的图框信息智能识别方法中确定目标图[0039]图4为本发明实施例提供的基于深度学习的图框信息智能识别方法中图签识别整7[0044]为了解决上述问题，本实施例提供一种基于深度学习的8文字特征反映的是所述图框范围中的文本对象，通过光学字符识别(OCR)技术分析图框内法来检测图框内是否存在表格结构或内嵌的子图框，所述图形识别算法包括但不限于前批次的训练。经过上述训练完成后得到所述yolov8预测模型，最终基于得到的所述9对照组时，会以集合的形式建立，如工程名称的表达包括但不限于：工程名称Project符串构成公共子串，其置信度就要降低；此维度的置信度贡献为Confidence+＝(len/度贡献为O＝noMatchLen/tagFactorLen；O>＝0.4999:Confidence_＝10*noMatchLen；noMatchLen；O<0.1999:Confidence+＝3*len，其中noMatchLen为未匹配字符数，E，其中A的置信度为95B为88C为75D为60E为45根据置信度信息来确定哪选出置信度信息超过阈值的至多三个图签标题栏单元格，例如上述的图签标题栏单元格A和B；若不存在置信度信息超过阈值的图签标题栏单元格，则使用Qwen_VL多模态模型对图签标题栏单元格中的文本进行预测。然后，若存在置信度信息超过阈值的图签标题栏单元使后者置信度略低，也会被合并到图签标题栏单元格A的信息中，此时图签标题栏单元格A签标题单元格内的文本之间的匹配程度，确定最终图签值，并确定所述最终图签值对应的图签标题单元格，得到所述图签信息，若至多三个图签标题栏单元格内的文本与图签值的匹配程度都大于阈值，则取最高者作为最终图签值；若至多三个图签标题栏单元格内的文本与图签值的匹配程度都小于阈值，则取置信度最高的图签标题栏单元格中的文本作为最图签标题栏单元格中的文本进行预测的预测值作为最终图签值。例如，匹配阈值设为0.8，最终的图签值，这一过程确保了图签信息的准确性，同时也提供了对图纸内容的结构化理述超参数控制所述yolov8模型在训练的过程中降低分类的关注，增加对图签边界框的关[0085]本实施例的基于深度学习的图框信息智能识别系统中各个模块的工作原理与上[0086]基于上述实施例，本发明还提供了一种终端，所述终端的原理框图可以如图6所框信息智能识别方法实施例中的各个步骤。或者，一个或多个处理器100执行计算机程序[0087]在一个实施例中，所称处理器100可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM以对前述各实施例所记载的技术方案进行修改，或者对