Адаптивная модель предобработки изображений при классификации чертежей строительных металлоконструкций

Постоянный рост рынка инженерных услуг и наличие значительного объема архивной бумажной документации актуализируют задачу перевода технических чертежей и спецификаций к ним в цифровой формат. Анализ состояния исследований демонстрирует активное применение распознающих и генеративных моделей для извлечения ключевых характеристик чертежей, что упрощает их интеграцию в системы компьютерного моделирования. Для повышения эффективности нейросетевых моделей применяется предобработка изображения, однако ввиду особенностей структуры и возможных источников чертежей, подобный подход несет с собой риск потери информации или искажения данных. Авторами предлагается адаптивная модель предобработки, ориентированная на системы классификации чертежей строительных металлоконструкций. Данная модель включает в себя операции масштабирования, фильтрации шумов, бинаризации и восстановления цвета информативных пикселей, где каждая операция применяется в зависимости от значения критериев, определяющих необходимость ее вызова. В рамках исследований определяются алгоритмы и методы, подходящие для реализации вышеописанных операций: метод интерполяции Ланцоша, взвешенный медианный фильтр с переключением и метод бинаризации Вольфа. Авторами предлагается набор критериев оценки эффективности предобработки при классификации чертежей строительных металлоконструкций. Ряд проведенных экспериментов показывает, что разработанная адаптивная модель предобработки дает больший прирост точности классификации по сравнению со стандартной предобработкой на основе таких же алгоритмов или полным ее отсутствием. Делаются выводы о возможности дальнейшего внедрения модели в системы классификации и распознавания деталей чертежей строительных металлоконструкций.

1. Lu T., Yang H., Yang R., et al. Automatic analysis and integration of architectural drawings. International Journal of Document Analysis and Recognition. 2007;9(1):31–47. https://doi.org/10.1007/s10032-006-0029-6

2. Zhang L.Y., Zhu J.Y., Zhu Q.Y. A New System for Automatic Understanding Engineering Drawings. CIRP Annals. 1992;41(1):477–479. https://doi.org/10.1016/S0007-8506(07)61248-7

3. Fan N. Application of CAD Combined with Computer Image Processing Technology in Mechanical Drawing. In: Application of Intelligent Systems in Multi-modal Information Analytics: Proceedings of the 2020 International Conference on Multi-model Information Analytics (MMIA2020): Volume 2, 05–06 March 2020, Changzhou, China. Cham: Springer; 2021. P. 319–324. https://doi.org/10.1007/978-3-030-51556-0_46

4. Bai Y.B., Xu X.W. Object Boundary Encoding – A New Vectorisation Algorithm for Engineering Drawings. Computers in Industry. 2001;46(1):65–74. https://doi.org/10.1016/S0166-3615(01)00115-4

5. Lin H.-Y., Lin Ch.-Y., Lin Ch.-J., et al. A Study of Digital Image Enlargement and Enhancement. Mathematical Problems in Engineering. 2014;2014:825169. https://doi.org/10.1155/2014/825169

6. Keys R. Cubic Convolution Interpolation for Digital Image Processing. IEEE Transactions on Acoustics, Speech, and Signal Processing. 1981;29(6):1153–1160. https://doi.org/10.1109/TASSP.1981.1163711

7. Zhu Y., Dai Y., Han K., et al. An Efficient Bicubic Interpolation Implementation for Real-Time Image Processing Using Hybrid Computing. Journal of Real-Time Image Processing. 2022;19(6):1211–1223. https://doi.org/10.1007/s11554-022-01254-8

8. Chunshi L., Yu L., Yimin Zh. Study of B-Spline Interpolation, Correction and Inverse Algorithm. In: Advances in Automation and Robotics: Selected papers from the 2011 International Conference on Automation and Robotics (ICAR 2011): Volume 2, 01–02 December 2011, Dubai, UAE. Berlin, Heidelberg: Springer; 2012. P. 215–221. https://doi.org/10.1007/978-3-642-25646-2_30

9. Simon H.D. The Lanczos Algorithm with Partial Reorthogonalization. Mathematics of Computation. 1984;42(165):115–142. https://doi.org/10.2307/2007563

10. Boyat A.K., Joshi B.K. A Review Paper: Noise Models in Digital Image Processing. Signal & Image Processing: An International Journal. 2015;6(2):63–75. https://doi.org/10.5121/sipij.2015.6206

11. Fatemi M., Amindavar H., Ritcey J.A. Noise reduction via harmonic estimation in Gaussian and non-Gaussian environments. Signal Processing. 2010;90(5):1554–1561. https://doi.org/10.1016/j.sigpro.2009.11.002

12. Haralick R.M., Sternberg S.R., Zhuang X. Image Analysis Using Mathematical Morphology. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1987;PAMI-9(4):532–550. https://doi.org/10.1109/TPAMI.1987.4767941

13. Sun M. Comparison of Processing Results of Median Filter and Mean Filter on Gaussian Noise. Applied and Computational Engineering. 2023;5(1):779–785. https://doi.org/10.54254/2755-2721/5/20230702

14. Vo G.D., Park Ch. Robust Regression for Image Binarization under Heavy Noise and Nonuniform Background. Pattern Recognition. 2018;81(4):224–239. https://doi.org/10.1016/j.patcog.2018.04.005

15. Otsu N. A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics. 1979;9(1):62–66. https://doi.org/10.1109/TSMC.1979.4310076

16. Kapur J.N., Sahoo P.K., Wong A.K.C. A New Method for Gray-Level Picture Thresholding Using the Entropy of the Histogram. Computer Vision, Graphics, and Image Processing. 1985;29(3):273–285. https://doi.org/10.1016/0734-189X(85)90125-2

17. Sauvola J.J., Pietikäinen M. Adaptive Document Image Binarization. Pattern Recognition. 2000;33(2):225–236. https://doi.org/10.1016/S0031-3203(99)00055-2

18. Wolf C., Jolion J.-M. Extraction and recognition of artificial text in multimedia documents. Formal Pattern Analysis & Applications. 2004;6(4):309–326. https://doi.org/10.1007/s10044-003-0197-7