技术特征：
1.基于深度学习的cad图纸检索方法及技术，其特征在于，包括：步骤一：建立检索系统，检索系统可访问本地文件管理系统；步骤二：建立本地文件管理系统，通过爬虫插件对检索网站上的cad图纸和pdf格式的cad图纸资料进行爬取；步骤三：对cad图纸和pdf格式的cad图纸进行归纳，使得不同领域的cad图纸和pdf格式的cad图纸归纳到不同的资源库中，并且对这些资源库建立标签；步骤四：建立cad图例库，根据图例库的内容建立相关标签；步骤五：构建bp神经网络模型，通过训练集训练bp神经网络模型；步骤六：将测试集带入训练后的bp神经网络模型中，预测应变相关数据，进行失效评价。2.根据权利要求1所述的基于深度学习的cad图纸检索方法及技术，其特征在于：所述检索系统可通过图纸对比以及文字的方式进行检索，通过选择标签可限定检索范围，缩小检索范围。3.根据权利要求1所述的基于深度学习的cad图纸检索方法及技术，其特征在于：所述cad图纸和pdf格式的cad图纸归纳过程中，通过对cad图纸和pdf格式的cad图纸内容和来源进行识别，进行分类并建立标签，于此同时利用ocr技术对图纸当中的文字进行识别，并建立索引。4.根据权利要求1所述的基于深度学习的cad图纸检索方法及技术，其特征在于：所述cad图纸和pdf格式的cad图纸分类标签包括但不限于：建筑施工图、室内装修图、机械图纸。5.根据权利要求1所述的基于深度学习的cad图纸检索方法及技术，其特征在于：所述通过爬虫插件爬取网络cad图例，并且可以通过人工进行补充cad图例，建立cad图例库并建立标签。6.根据权利要求1所述的基于深度学习的cad图纸检索方法及技术，其特征在于：所述在构建的bp神经网络模型中，设置隐含层为1，步长为0.001。7.根据权利要求1所述的基于深度学习的cad图纸检索方法及技术，其特征在于：所述构建bp神经网络模型中，通过如下方法确定隐含层神经元数；确定隐含层神经元区间；取隐含层神经元区间内的所有神经元数，带入bp神经网络模型中，进行计算，得到预测均方误差；取预测均方误差最小的神经元数作为隐含层神经元数。8.根据权利要求1所述的基于深度学习的cad图纸检索方法及技术，其特征在于：所述隐含层神经元区间通过如下公司确定；j为隐含层神经元数；i为输入层神经元数；k为输出层神经元数；α为常数；当α＝0时j为最小值，当α＝10是为最大值。
技术总结
本发明涉及CAD图纸检索技术领域，且公开了基于深度学习的CAD图纸检索方法及技术，包括：建立检索系统；建立本地文件管理系统；对CAD图纸进行归纳，建立标签；建立CAD图例库，建立相关标签；构建BP神经网络模型；将测试集带入训练后的BP神经网络模型中，预测应变相关数据。该基于深度学习的CAD图纸检索方法及技术，通过利用爬虫软件在线上建立专用数据库，并且根据其所述领域不同建立独立资源库，通过建立图例库使得在检索过程中，通过图例库的标签可以将检索范围缩短到一个较小的范围，这个范围更加精细，并且该检索方式是利用图例库进行检索的，因此精准性更强，通过OCR技术对图纸文字进行识别，在检索时可以更进一步的提高准确度。度。度。
技术研发人员：刘勇昊 孙宁 俞亮
受保护的技术使用者：湖北华中电力科技开发有限责任公司
技术研发日：2022.11.18
技术公布日：2023/3/31