DOI: 10.18413/2518-1092-2024-9-3-0-6

ПОДХОД К ВЕКТОРИЗАЦИИ ЧЕРТЕЖЕЙ КОНСТРУКТОРСКОЙ ДОКУМЕНТАЦИИ НА БУМАЖНОМ НОСИТЕЛЕ

Олег Олегович Басов
Олег Дмитриевич Демин
Дмитрий Александрович Носков

В работе предложен решение задачи векторизации и машинной интерпретации чертежей конструкторской документации на бумажном носителе, обеспечивающей возможность автоматизации переноса изображений изделий, элементов деталей и сборочных единиц в CAD-системы. Предложен ряд нейросетевых архитектур для обнаружения и распознавания основных элементов чертежа (рамки, основной надписи, спецификации, видов, проекций и разрезов), надписей, размерных и выносных линий, а также примитивов, непосредственно описывающих изделие. Для иерархической и взаимоувязанной векторизации предложен механизм семантической сегментации чертежей на основе графовой нейронной сети. Приведены результаты реализации основных этапов решения задачи векторизации конструкторских чертежей.

Ключевые слова: конструкторская документация, чертёж, изделие, векторизация, графовая нейронная сеть, глубокое обучение с подкреплением.

Количество просмотров: 137 (смотреть статистику)

Количество скачиваний: 324

Полный текст (PDF)К списку статей

Информация для цитирования:

Басов О.О., Демин О.Д., Носков Д.А. Подход к векторизации чертежей конструкторской документации на бумажном носителе // Научный результат. Информационные технологии. – Т.9, №3, 2024. – С. 55-62. DOI: 10.18413/2518-1092-2024-9-3-0-6

Комментарии
Список литературы

Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.

Liu C., Wu J., Kohli P., Furukawa Y. Raster-to-vector: revisiting floorplan transformation. Proceedings of the IEEE International Conference on Computer Vision. 2017: 2195–2203. DOI: 10.1109/ICCV.2017.241.
Ellis K., Ritchie D., Solar-Lezama A., Tenenbaum J. Learning to infer graphics programs from hand-drawn images. Advances in neural information processing systems. 2018: 6059–6068.
Guo Y., Zhang Z., Han C., Hu W.B., Li C., Wong T.T. Deep line drawing vectorization via line subdivision and topology reconstruction. Comput. Graph. Forum 38, 2019: 81–90. DOI: 10.1111/cgf.13818.
Gao J., Tang C., Ganapathi-Subramanian V., Huang J., Su H., Guibas L.J. Deepspline: Data-driven reconstruction of parametric curves and surfaces. 2019. arXiv preprint arXiv:1901.03781.
Ha D., Eck D. A neural representation of sketch drawings. 2018. URL: https://openreview.net/pdf?id=Hy6GHpkCW.
Zhou T., Fang C., Wang Z., Yang J., Kim B., Chen Z., Brandt J., Terzopoulos D. Learning to doodle with stroke demonstrations and deep q-networks. BMVC. 2018: 13.
Kaiyrbekov K., Sezgin M. Stroke-based sketched symbol reconstruction and segmentation. 2019. arXiv preprint arXiv:1901.03427.
Zheng N., Jiang Y., Huang D. Strokenet: A neural painting environment. ICLR (Poster) 2019.
Ribeiro L.S.F., Bui T., Collomosse J., Ponti M., Sketchformer: Transformer-based representation for sketched structure. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2020: 14 153–14 162.
Lopes R.G., Ha D., Eck D., Shlens J. A learned representation for scalable vector graphics. Proceedings of the IEEE/CVF International Conference on Computer Vision (CVPR). 2019: 7930–7939.
Carlier A., Danelljan M., Alahi A., Timofte R. Deepsvg: A hierarchical generative network for vector graphics animation. Advances in Neural Information Processing Systems. 2020, vol. 33: 16 351–16 361.
Azadi S., Fisher M., Kim V.G., Wang Z., Shechtman E., Darrell T. Multi-content gan for few-shot font style transfer. Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR). 2018: 7564–7573.
Gao Y., Guo Y., Lian Z., Tang Y., Xiao J. Artistic glyph image synthesis via one-stage few-shot learning. ACM Transactions on Graphics (TOG). 2019, vol. 38, no. 6: 1–12.
Li T.-M., Lukáč M., Gharbi M., Ragan-Kelley J. Differentiable vector graphics rasterization for editing and learning. ACM Transactions on Graphics (TOG). 2020, vol. 39, no. 6: pp. 1–15.
Hao S., Xuefeng L., Jianwei N., Jiahe C., Ji W., Xinghao W., Nana W. MARVEL: Raster Gray-level Manga Vectorization via Primitive-wise Deep Reinforcement Learning. IEEE Transactions on Circuits and Systems for Video Technology. 2023: 2677–2693. DOI: 10.1109/TCSVT.2023.3309786.

Все журналы

Отправить статью

Научный результат. Информационные технологии включен в научную базу РИНЦ (лицензионный договор № 765-12/2014 от 08.12.2014).

Журнал включен в перечень рецензируемых научных изданий, рекомендуемых ВАК

Журнал индексируется следующими научными базами и платформами

Научный результат. Научный результат. Информационные технологии (ISSN 2518-1092)

The journal materials and website are licensed under Creative Commons «Attribution» 4.0 International.

Учредитель: федеральное государственное автономное образовательное учреждение высшего образования «Белгородский государственный национальный исследовательский университет» (НИУ «БелГУ»). Адрес: 308015, Белгородская область, г. Белгород, ул. Победы, 85.

Издатель: федеральное государственное автономное образовательное учреждение высшего образования «Белгородский государственный национальный исследовательский университет» (НИУ «БелГУ»). Адрес: 308015, Белгородская область, г. Белгород, ул. Победы, 85.

Редакция: главный редактор Черноморец Андрей Алексеевич, e-mail: RR_IT@bsuedu.ru, тел.: +7 (4722) 30-13-92.

Зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор)

Свидетельство о регистрации СМИ

Информационное письмо (русс. яз)

Остались вопросы?
Можете написать нам:

✉ Ответственный cекретарь

✉ Администратор сайта

✉ Контент менеджер