买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学院自动化研究所申请的专利手绘流程图的识别方法、电子设备、介质及计算机产品获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119516554B 。

龙图腾网通过国家知识产权局官网在2026-05-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411309944.7，技术领域涉及：G06V30/18；该发明授权手绘流程图的识别方法、电子设备、介质及计算机产品是由张燕明;王浩喆;殷飞;张恒设计研发完成，并于2024-09-19向国家知识产权局提交的专利申请。

本手绘流程图的识别方法、电子设备、介质及计算机产品在说明书摘要公布了：一种手绘流程图的识别方法、电子设备、介质及计算机产品，其中方法包括：获取手绘流程图中笔画对应的笔画特征；将所述笔画特征输入图神经网络模型，获取所述图神经网络模型输出的所述手绘流程图中笔画的预测类别，以及由所述笔画特征聚类得到的符号特征，其中，所述图神经网络模型由样本笔画特征训练得到；基于所述手绘流程图中笔画的预测类别，确定所述符号特征的类别。实施本发明提供的技术方案，可以提高对手绘流程图中符号的识别精度，有效解决了现有技术中手绘流程图识别困难的问题。

本发明授权手绘流程图的识别方法、电子设备、介质及计算机产品在权利要求书中公布了：1.一种手绘流程图的识别方法，其特征在于，包括： 获取手绘流程图中笔画对应的笔画特征； 将所述笔画特征输入图神经网络模型，获取所述图神经网络模型输出的所述手绘流程图中笔画的预测类别，以及由所述笔画特征聚类得到的符号特征，其中，所述图神经网络模型由样本笔画特征训练得到； 基于所述手绘流程图中笔画的预测类别，确定所述符号特征的类别； 所述获取手绘流程图中笔画对应的笔画特征，包括： 获取手绘流程图中的笔画； 获取所述笔画的几何特征，所述几何特征用于表征所述笔画的位置信息；几何特征指的是描述手绘流程图中单个笔画的空间属性和形状特征的数字化表示；对每个笔画进行预处理，将每个笔画转化为一个包含3维向量的序列，这一处理方法是通过计算轨迹点坐标的一阶差分来实现的，转化后的序列可表示为： ； 式中，,,分别表示相邻轨迹点在x和y坐标方向上的变化量，m是笔画s的长度，表示笔的状态，表示笔画在该点落下，否则；基于循环神经网络的特征提取网络提取几何特征；该网络由多个双向RNN层堆叠而成，每一层都同时包含正向和反向的RNN单元；正向单元处理时间序列的正向信息，而反向单元则摄取反向的信息，使得模型能够更全面地理解笔画轨迹序列数据的上下文信息；在经过所有RNN层的处理后，来自最终RNN层的输出向量将被送入一个全局最大池化层，经过池化层的结果将传递到一个全连接层进行进一步的特征压缩和整合，得到几何特征； 获取所述笔画之间的边特征，所述边特征用于表征所述笔画之间的时空关系；边特征用于表征笔画之间的时空关系，为图神经网络提供上下文信息； 通过等间隔插值方法将笔画的轨迹点重新采样，使得它们具有相同的长度；然后，计算两个笔画之间采样点坐标的差值并进行拼接，得到位置嵌入PE，位置嵌入表示为：； 笔画的相对顺序是用时间嵌入TE来描述：； 式中，是控制时间邻居重要性的时间因子，是因子的数量，是拼接运算符； 边特征是位置嵌入和时间嵌入的拼接，表示为： ；将所述笔画对应的几何特征以及边特征作为笔画特征； 所述图神经网络模型包括节点分类分支和节点聚类分支，所述节点聚类分支包括消息传递神经网络和均值漂移聚类层，所述图神经网络模型的训练过程包括： 将样本笔画特征输入所述节点分类分支，获取所述节点分类分支输出的所述样本笔画特征对应的样本预测类别； 将所述样本笔画特征输入至所述消息传递神经网络，获取所述消息传递神经网络输出的样本高维特征，所述样本高维特征用于表征样本笔画特征之间的形状位置关系； 将所述样本高维特征输入至所述均值漂移聚类层，获取所述均值漂移聚类层输出的样本符号特征，其中，所述均值漂移聚类层用于对所述样本高维特征进行聚类； 获取所述样本预测类别的第一差异值，获取所述样本符号特征的第二差异值； 基于所述第一差异值和所述第二差异值，调整所述图神经网络模型的参数；其中，第二差异值为第三差异值和第四差异值之和；第二差异值通过以下方式确定： ； 式中，表示符号c的中心嵌入向量，即符号c内所有笔画嵌入的平均值，表示笔画i的嵌入向量，表示符号c中的笔画集合，包含所有属于符号c的笔画i，表示符号c中笔画的数量； ； 式中，表示类内紧凑损失，衡量同一符号内笔画嵌入和符号中心嵌入之间的距离，表示L2范数的平方，表示符号的中心嵌入与笔画嵌入之间的距离，C表示手绘流程图的数量，表示符号中笔画的数量； ； 式中，表示类间分离损失，衡量不同符号间的中心嵌入和之间的距离，表示预定义的类间距离阈值，确保不同符号中心嵌入之间有足够的分离，[x]+表示Hinge函数； 正则化函数： ； 式中，表示第四差异值，表示正则化项的权重超参数，用于控制正则化项的强度，表示符号c的中心嵌入的L2范数平方，用于限制嵌入向量的大小； 式中，是总损失，是第一差异值，是第三差异值，是均值漂移聚类层的总迭代次数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学院自动化研究所，其通讯地址为：100190 北京市海淀区中关村东路95号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。