[发明专利]检测方法、检测系统、设备和存储介质

权利要求书

1.一种检测方法，其特征在于，包括：

获取待测建筑图纸，所述待测建筑图纸具有图框；

对所述待测建筑图纸进行图框检测，获得具有所述图框的图框检测图像；

对所述待测建筑图纸中与所述图框检测图像相对应的区域进行第一空间分割，获得多个空间区域图像；

对所述空间区域图像进行目标检测，获得符合建筑构件类别的第一目标图像，所述第一目标图像中具有目标建筑构件；

利用所述第一目标图像，对所述目标建筑构件进行尺寸检测，获得所述目标建筑构件的尺寸；

根据所述目标建筑构件的尺寸对所述待测建筑图纸进行第一评估，判断所述目标建筑构件的尺寸是否符合尺寸规格。

2.如权利要求1所述的检测方法，其特征在于，对所述空间区域图像进行目标检测的步骤中，所述建筑构件类别为楼梯区域，所述目标建筑构件为楼梯；

对所述目标建筑构件进行尺寸检测的步骤中，所述目标建筑构件的尺寸为所述楼梯的净宽；

所述检测方法还包括：对所述待测建筑图纸中与所述第一目标图像相对应的区域进行第二空间分割，获得具有楼梯井的第二目标图像；

利用所述第二目标图像，对所述楼梯井进行尺寸检测，获得所述楼梯井的净宽；

根据所述楼梯井的净宽对所述待测建筑图纸进行第二评估，判断所述楼梯井的净宽是否符合尺寸规格。

3.如权利要求1或2所述的检测方法，其特征在于，对所述待测建筑图纸进行图框检测的步骤包括：对所述待测建筑图纸进行第一卷积神经网络处理，获得所述图框内部的基本特征，作为第一特征图；

在所述第一卷积神经网络处理后，对所述第一特征图进行第二卷积神经网络处理，获得所述图框内部的细节特征，所述第二卷积神经网络处理比所述第一卷积神经网络处理的层次浅；

对所述待测建筑图纸进行第三卷积神经网络处理，获得所述图框的边缘特征。

4.如权利要求3所述的检测方法，其特征在于，所述第一卷积神经网络处理采用的网络为MobilenetV3网络或EfficientNetV2网络，所述第二卷积神经网络处理采用的网络为PANet网络，所述第三卷积神经网络处理采用的网络为SPPNet网络。

5.如权利要求1或2所述的检测方法，其特征在于，采用实例分割模型对所述待测建筑图纸中与所述图框检测图像相对应的区域进行第一空间分割，所述第一空间分割的步骤包括：利用残差网络提取所述图框检测图像的空间特征，作为第二特征图；

对所述第二特征图添加空间注意力导向掩膜；

对所述第二特征图添加空间注意力导向掩膜后，对所述第二特征图进行第四卷积神经网络处理，提取所述第二特征图的空间边界特征，获得多个边界框；

进行所述第四卷积神经网络处理后，利用非极大值抑制算法，去除冗余的边界框，保留剩余的边界框作为目标边界框。

6.如权利要求5所述的检测方法，其特征在于，所述第四卷积神经网络处理采用的网络为特征金字塔网络。

7.如权利要求1所述的检测方法，其特征在于，对所述空间区域图像进行目标检测的步骤包括：对所述空间区域图像进行第五卷积神经网络处理，获得所述空间区域图像的基本特征，作为第三特征图；

对所述第三特征图进行上采样融合处理，获得第四特征图；

进行所述上采样融合处理后，采用空洞卷积网络对所述第四特征图进行卷积操作，获得第五特征图，所述第五特征图的感受野大于所述第四特征图的感受野；

对所述第三特征图、第四特征图和第五特征图进行融合处理，获得第六特征图；

进行所述融合处理后，对所述第六特征图进行第六卷积神经网络处理，获得所述第六特征图的细节特征，所述第六卷积神经网络处理比所述第五卷积神经网络处理的层次浅。

8.如权利要求7所述的检测方法，其特征在于，所述第五卷积神经网络处理采用的网络包括EfficientNetV2网络或MobilenetV3网络，所述上采样融合处理采用的网络包括FPN网络，所述第六卷积神经网络处理采用的网络包括SPPNet网络。