基于多阶段深度学习的CAD图纸智能匹配方法及系统与流程

本发明涉及图像比对领域，尤其涉及基于多阶段深度学习的cad图纸智能匹配方法及系统。

背景技术：

1、在工业制造、建筑设计、电子电路设计等多个领域，cad(计算机辅助设计)技术已经成为不可或缺的工具。cad文件用于设计、绘图、分析、仿真和制造等环节，确保从设计概念到实际产品的精确呈现。然而，随着工程项目的复杂性增加，cad文件之间的版本管理、版本比对和设计一致性验证成为一项关键任务。尤其是在涉及多个设计团队或跨领域协作时，cad文件的比对和审查变得更加复杂且至关重要。

2、传统的cad图纸比对和审查方法主要依赖于手工操作或简单的几何对比。手工审查通常需要经验丰富的工程师或设计师进行，这种方法不仅效率低下，而且极易出现漏检或误判的情况。几何对比方法虽然引入了计算机辅助，但多局限于基本的形状相似度计算，难以应对复杂的cad图纸变化。这些方法在处理大规模、多版本、多源的cad文件时显得力不从心，难以满足现代工业和工程的需求。

3、近年来，随着计算机视觉技术的发展，基于图像处理的自动化cad图纸比对方法逐渐受到关注。这些方法利用图像处理算法、特征提取技术和机器学习模型，对不同版本的cad图纸进行比对，以实现自动化和智能化cad图像审图。然而，这些方法在实际应用中仍然存在以下显著的不足：

4、1.单阶段图像匹配的局限性：现有的图像匹配方法多采用单阶段模型，通常只考虑图像的全局特征或局部特征。这种方法在面对复杂cad图纸时容易受到形变、尺度变化、旋转等因素的影响，导致匹配精度不足。此外，单阶段方法难以处理cad图纸中不同目标的细粒度特征，尤其是在多目标、多类别的场景下。

5、2.处理超大尺寸图像的挑战：cad图纸往往具有超高分辨率和超大尺寸，现有的图像处理算法和模型难以直接应用。在大尺寸图像的目标检测中，传统的全局检测方法无法有效兼顾精度和效率，而单纯的局部检测方法(如滑窗检测)在拼合和全局处理时，容易引入冗余检测和漏检问题，进一步影响检测和匹配的准确性。

6、3.多类别不平衡问题：在cad图纸中，不同类别的目标通常具有高度不均衡的分布。例如，在一个复杂的电子电路设计图纸中，某些元件(如电容、电阻)的出现频率远高于其他元件。现有的图像处理和机器学习方法难以在样本类别分布严重不均衡的情况下，维持较高的匹配和分类精度。

7、4.缺乏细粒度特征匹配能力：cad图纸中包含大量细节信息，如线条粗细、标注位置、字体风格等，现有方法往往仅关注几何特征或形状特征，缺乏对这些细节的有效处理能力。因此，无法在细节差异较大的场景下准确判断图纸的一致性。

8、5.处理异构数据的能力不足：在实际工程应用中，cad文件的格式多样，既有矢量格式(如dwg、dxf)，也有图像格式(如png、jpg)，甚至还包括pdf等文档格式。现有技术通常只能处理其中一种或几种格式，缺乏对多种格式的统一处理能力，影响了自动化审图系统的适用性。

9、此外，目前的技术方案多为工具化产品，难以实现从数据处理、检测到匹配和分析的全流程自动化，智能化程度有限，限制了端到端的智能化审图。特别是在跨领域应用时，现有技术无法满足多样化和个性化的需求。

技术实现思路

1、本发明的目的在于克服现有技术中存在的技术问题，提供了基于多阶段深度学习的cad图纸智能匹配方法及系统，实现对任意不同格式的两幅或多幅cad图像的智能匹配和判断。

2、本发明的目的是通过以下技术方案来实现的：

3、第一方面，提供一种基于多阶段深度学习的cad图纸智能匹配方法，包括以下步骤：

4、s1、加载和预处理cad图纸，并通过数据增强和样本平衡技术构建三元组数据集；

5、s2、构建目标检测模型和目标匹配模型，并利用三元组数据集对目标检测模型和目标匹配模型进行训练；其中，所述目标检测模型采用yolov5模型，并结合滑窗检测和非极大值抑制技术对cad图纸进行检测；所述目标匹配模型采用双头网络结构；

6、s3、利用训练好的目标检测模型和目标匹配模型对待识别的cad图纸进行匹配。

7、在一些实施例中，所述步骤s1中数据增强包括随机旋转、平移、缩放、裁剪以及颜色抖动。

8、在一些实施例中，所述步骤s1中样本平衡技术，包括：

9、通过合成少数类过采样技术和随机欠采样技术对数据进行平衡。

10、在一些实施例中，所述步骤s2中对目标检测模型进行训练，包括：

11、滑窗检测：将超大尺寸的cad图像分割为多个小窗，每个小窗以合适尺寸输入yolov5模型进行检测；

12、局部非极大值抑制与全局非极大值抑制：首先在每个滑窗内进行局部非极大值抑制，抑制窗口内的冗余检测；然后在全局范围内合并所有滑窗的检测结果，并进行全局非极大值抑制，去除重叠目标。

13、在一些实施例中，所述步骤s2中对目标匹配模型进行训练，包括：

14、使用多种损失函数组合进行匹配。

15、优选地，所述多种损失函数包括三元组损失、arcface损失、ntxent损失、类别敏感交叉熵损失、知识蒸馏损失、byol自监督学习损失以及网络参数l2正则化损失。

16、在一些实施例中，所述步骤s3具体包括：

17、使用余弦距离和f1范数进行匹配判断。

18、第二方面，提供一种基于多阶段深度学习的cad图纸智能匹配系统，包括：

19、数据集构建模块，用于加载和预处理cad图纸，并通过数据增强和样本平衡技术构建三元组数据集；

20、模型构建模块，用于构建目标检测模型和目标匹配模型，并利用三元组数据集对目标检测模型和目标匹配模型进行训练；其中，所述目标检测模型采用yolov5模型，并结合滑窗检测和非极大值抑制技术对cad图纸进行检测；所述目标匹配模型采用双头网络结构；

21、cad匹配模块，用于利用训练好的目标检测模型和目标匹配模型对待识别的cad图纸进行匹配。

22、第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现任意一项所述的cad图纸智能匹配方法。

23、第四方面，提供一种cad图纸智能匹配设备，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行任意一项所述的cad图纸智能匹配方法。

24、需要进一步说明的是，上述各选项对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。

25、与现有技术相比，本发明有益效果是：

26、(1)本发明通过创新性地结合滑窗检测与全局nms、双头网络架构、多损失函数组合，以及高效的推理和匹配判断，解决了现有技术在cad图像审图匹配中的多个难题，为实际工业和工程应用提供了一种高效、智能的解决方案。

27、(2)多阶段检测与匹配机制：通过滑窗检测、局部nms与全局nms的结合，解决了超大尺寸cad图像的处理难题，实现了高精度的目标检测与匹配，避免了传统方法中的冗余检测与漏检问题。

28、(3)双头网络结构的高效匹配：本发明采用双头网络结构，将位置匹配与类别匹配独立处理，使得类别信息不会干扰位置匹配，同时利用类别信息辅助匹配决策，提升了系统的匹配精度和鲁棒性。

29、(4)多损失函数的组合优化：通过多种损失函数(如三元组损失、自监督学习损失、蒸馏损失、arcface损失等)的组合使用，全面提升模型的特征表达能力、匹配精度和分类性能，特别是在处理复杂样本和类别不平衡时表现尤为出色。

30、(5)高效的知识蒸馏与模型轻量化：通过知识蒸馏技术，将教师网络的高性能特征传递给学生网络，实现了模型的轻量化设计，使得系统能够在资源受限的环境中依然保持高效的推理性能。

31、(6)f1范数指导的最优匹配判断：本发明采用f1范数计算最优匹配阈值，确保匹配结果的准确性和稳定性，特别是在召回率与准确率之间取得了良好的平衡。

32、(7)通用性与扩展性：系统支持多种数据格式(如pdf、图像、矢量图)的处理，适应多源异构数据的需求，具有良好的通用性与扩展性，适用于多种工业和工程应用场景。