(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210352817.X (22)申请日 2022.04.06 (65)同一申请的已公布的文献号 申请公布号 CN 114429638 A (43)申请公布日 2022.05.03 (73)专利权人 四川省大 数据中心 地址 610000 四川省成 都市高新区天府一 街535号两江国际A栋 (72)发明人 顾红松　赵启斌　唐为之　匡先辉　 鲍超　 (74)专利代理 机构 成都正德明志知识产权代理 有限公司 513 60 专利代理师 张小娟 (51)Int.Cl. G06V 30/416(2022.01) G06V 30/422(2022.01) G06V 10/56(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 111210104 A,2020.0 5.29CN 114118842 A,202 2.03.01 CN 109614869 A,2019.04.12 CN 109558938 A,2019.04.02 CN 109117890 A,2019.01.01 CN 109409381 A,2019.0 3.01 US 20210425 64 A1,2021.02.1 1 US 2020086879 A1,2020.0 3.19 Hongdou Yao 等.Paral lel Structure Deep Neural Netw ork Using CNN and RN N with an A ttention Mechanism for Breast Cancer Histo logy Image Classificati on. 《cancers》 .2019, 刘慧婷.基 于CNN与LSTM的网络融合的行为 识别研究. 《中国优秀博硕士学位 论文全文数据 库(硕士)信息科技 辑》 .2022,(第03期), 高亚琪 等.图像 语义特征的探索及其对分 类的影响研究. 《情 报科学》 .2021,第39卷(第10 期), 刘立 等.一种工程图纸类文档识别分类的 技术研究. 《电子设计 工程》 .2020,第28卷(第12 期), 江姣.常用基础类型施工图审查过程数字化 的研究. 《中国优秀博硕士学位 论文全文数据库 (硕士)工程科技 Ⅱ辑》 .2015,(第04期), 审查员 陈琪蒙 (54)发明名称 一种施工图审查管理系统 (57)摘要 本发明公开了一种施工图审查管 理系统， 包 括： 施工图纸上传子系统、 施工图纸形式审查子 系统、 施工图纸分类子系统、 数据库子系统和审 查分配子系统； 施工图纸上传子系统用于上传施 工图纸； 所述施工图纸形式审查子系统用于对上 传的施工图纸进行形式审查； 所述施工图纸分类 子系统用于分类通过形式审查的施工图纸， 并将 分类后的施工图纸存储进数据库子系统； 所述审 查分配子系统用于对数据库子系统中存储的施工图纸进行分配； 本发明解决了现有施工图联合 审查系统缺少对施工图的形式审查环节， 且未对 施工图进行分类存 储的问题。 权利要求书3页 说明书6页 附图2页 CN 114429638 B 2022.07.08 CN 114429638 B 1.一种施工 图审查管理系统， 其特征在于， 包括： 施工 图纸上传子系统、 施工 图纸形式 审查子系统、 施工图纸分类子系统、 数据库子系统和审查分配子系统； 所述施工图纸上传子系统用于上传施工图纸； 所述施工图纸形式审查子系统用于对上 传的施工图纸进行形式审查； 所述施工图纸分类子系统用于分类通过形式审查的施工图 纸， 并将分类后的施工图纸存储进数据库子系统； 所述审查分配子系统用于对数据库子系 统中存储的施工图纸进行分配； 所述施工图纸分类子系统包括： 卷积神经网络特征提取模块、 LSTM特征提取模块、 融合 模块和全连接模块； 所述卷积神经网络特征提取模块的输入端和LSTM特征提取模块的输入端作为施工图 纸分类子系统的输入端； 所述卷积神经网络特征提取模块的输出端和LSTM特征提取模块的 输出端均与融合模块的输入端连接； 所述融合模块的输出端与全连接模块的输入端连接； 所述全连接模块的输出端作为施工图纸分类子系统的输出端； 所述卷积神经网络特征提取模块包括： 第一卷积特征提取网络、 第二卷积特征提取网 络和第三卷积特 征提取网络； 所述第一卷积特征提取网络、 第 二卷积特征提取网络和第 三卷积特征提取网络的三个 卷积特征提取网络中所采用的卷积层的卷积核的大小均不同； 所述第一卷积特征提取网络中所采用的卷积层的卷积核大小为3*3； 所述第二卷积特 征提取网络中所采用的卷积层的卷积核大小为5*5； 所述第三卷积特征提取网络中所采用 的卷积层的卷积核大小为7*7； 第一卷积特征提取网络包括： 卷积层1 ‑1a、 池化层1 ‑1、 卷积层1 ‑2a、 池化层1 ‑2、 卷积层 1‑3、 整体加权平均池化层1 ‑31和整体显著性聚合加权池化层1 ‑32； 所述第二卷积特征提取网络包括： 卷积层2 ‑1a、 池化层2 ‑1、 卷积层2 ‑2a、 池化层2 ‑2、 卷 积层2‑3、 整体加权平均池化层2 ‑31和整体显著性聚合加权池化层2 ‑32； 所述第三卷积特征提取网络包括： 卷积层3 ‑1a、 池化层3 ‑1、 卷积层3 ‑2a、 池化层3 ‑2、 卷 积层3‑3、 整体加权平均池化层3 ‑31和整体显著性聚合加权池化层3 ‑32； 所述卷积层1 ‑1a的输入端分别与卷积层2 ‑1a的输入端和卷积层3 ‑1a的输入端连接， 其 输出端与池化层1 ‑1的输入端连接； 所述池化层1 ‑1的输出端分别与卷积层1 ‑2a的输入端、 池化层2‑1的输出端、 卷积层2 ‑2a的输入端、 池化层3 ‑1的输出端和卷积层3 ‑2a的输入端连 接； 所述卷积层2 ‑1a的输出端与池化层2 ‑1的输入端 连接； 所述卷积层3 ‑1a的输出端与池化 层3‑1的输入端连接； 所述卷积层1 ‑2a的输出端与池化层1 ‑2的输入端连接； 所述卷积层2 ‑ 2a的输出端与池化层2 ‑2的输入端 连接； 所述卷积层3 ‑2a的输出端与池化层3 ‑2的输入端 连 接； 所述池化层3 ‑2的输出端分别与池化层2 ‑2的输出端、 池化层1 ‑2的输出端、 卷积层1 ‑3的 输入端、 卷积层2 ‑3的输入端和卷积层3 ‑3的输入端 连接； 所述卷积层1 ‑3的输出端分别与整 体加权平均池化层1 ‑31的输入端和整体显著性聚合加权池化层1 ‑32的输入端 连接； 所述卷 积层2‑3的输出端分别与整体加权平均池化层2 ‑31的输入端和整体显著 性聚合加权池化层 2‑32的输入端连接； 所述卷积层3 ‑3的输出端分别与整体加 权平均池化层3 ‑31的输入端和 整体显著性聚合加权池化层3 ‑32的输入端连接； 所述整体加权平均池化层1 ‑31的输出端、 整体显著性聚合加权池化层1 ‑32 的输出端、 整体加权平均池化层2 ‑31的输出端、 整体显著性聚合加 权池化层2 ‑32的输出端、 整体加 权权　利　要　求　书 1/3 页 2 CN 114429638 B 2平均池化层3 ‑31的输出端和整体显著性聚合加 权池化层3 ‑32的输出端作为卷积神经网络 特征提取模块的输出端； 所述卷积神经网络特 征提取模块的训练过程 为： A1、 采集施工图纸上的文字数据， 得到训练数据集； A2、 采用训练数据集分别对第一卷积特征提取网络、 第二卷积特征提取网络和第三卷 积特征提取网络进行单独训练， 得到训练完成的第一卷积特征提取网络、 第二卷积特征提 取网络和第三卷积特 征提取网络； 步骤A2中的训练方法为： B1、 初始化卷积特 征提取网络的权 重和偏置； B2、 将训练数据集输入卷积特 征提取网络中， 得到卷积特 征提取网络的输出； B3、 根据卷积特 征提取网络的输出， 计算损失函数； B4、 判断损失函数是否小于预设值， 若是， 则卷积特征提取网络训练完成， 若否， 则跳转 至步骤B5； B5、 根据损失函数， 对卷积特 征提取网络的权 重和偏置进行 更新， 并跳转至步骤B2； 步骤B5中对卷积特 征提取网络的权 重和偏置进行 更新的公式为： 其中， Wt+1为第t+1次迭代的卷积特征提取网络的权重， bt+1为第t+1次迭代的卷积特征 提取网络的偏置， α 、 β 为调节因子， J为损失函 数， 为损失函数对 权重求偏导， 为损失函 数对偏置求偏导； LSTM特征提取模块的LSTM单 元中神经 元细胞的公式： ft＝σ [Wf·(ht‑1， xt， Ct‑1)+bf] it＝σ [Wi·(ht‑1， xt， Ct‑1)+bi] 其中， ft为t时刻遗忘门的激活向量值， bf为遗忘门的偏置项， Wf为遗忘门的权重项， xt为 t时刻施工图纸上的文字向量， ht‑1为t‑1时刻神经元细胞的输出， Ct‑1为t‑1时刻神经元细胞 状态， σ 为激活函数， it为t时刻输入门的激活向量值， Wi为输入门的权重项， bi为输入门的偏 置项， 为t时刻更新状态门的激活向量值， Wc为更新状态门的权重项， bc为更新状态门的 偏置项，