基于深度学习建筑专业住宅平面图空间内构件的识别方法

摘要

本发明公开了基于深度学习建筑专业住宅平面图空间内构件的识别方法，涉及图片识别技术领域。本发明包括如下步骤：S1、获得住宅平面图；S2、解析获取图元；S3、图元进行合并；S4、进行空间分割；S5、获得所有代表空间名称的文本；S6、扣除所需要的每个空间小图；S7、将属于同一空间类型的小图放入一个数据集；S8、特定构件做标注；S9、小图输入至卷积神经网络模型；S10、将训练好的检测模型部署至具体项目中；S11、将图层分类方式和目标检测方式相结合，分别给予各自的权重。本发明解决了CAD建筑设计图纸中构件的精准识别问题；减少了构件识别对图层的过度依赖；为后续规范设计以及构件的规则审查奠定了更好的基础。

说明书

技术领域

本发明属于图片识别技术领域，特别是涉及基于深度学习建筑专业住宅平面图空间内构件的识别方法。

背景技术

现有的建筑专业住宅平面图空间内构件的识别，主要是基于构件图元所在的图层。比如洗手池构件所在的图层可能是：‘LVTRY’,‘洁具等，但由于设计不规范，一些构件所在的图层并不能准确的表征构件的种类，所以仅仅通过图层进行构件识别的方式有一定的弊端，包括：1、通过图纸中的文本来识别住宅平面图空间，严重依赖于图纸设计规范；2、建筑设计图中的构件种类繁多，无法通过图层来精确识别；3、住宅平面图中的构件跟空间的依赖程度很大，比如设计图中床构件一定是在卧室内。因此针对以上问题提供一种基于深度学习建筑专业住宅平面图空间内构件的识别方法具有重要意义。

发明内容

本发明提供了基于深度学习建筑专业住宅平面图空间内构件的识别方法，解决了以上问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明的基于深度学习建筑专业住宅平面图空间内构件的识别方法，包括如下步骤：

S1、获得一定数量的住宅平面图；

S2、对住宅平面图图纸进行解析获取一系列图元；

S3、对获得的图元进行合并；

S4、通过获取的轮廓可以获取到所有的封闭空间，进行空间分割；

S5、根据正则匹配方法，获得所有代表空间名称的文本；

S6、利用opence做掩膜扣除所需要的每个空间小图；

S7、整理每张图抠出来的属于相同空间的小图，将属于同一空间类型的小图放入一个数据集；

S8、手动对每张小图里面的特定构件做标注；

S9、将标注好的属于同一空间的小图输入至卷积神经网络模型，这对某一个特定的空间训练处效果良好的检测模型，该模型可以快速高效的检测到特定空间中所具有的构件；

S10、将训练好的检测模型部署至具体项目中；

S11、前期由于数据量原因，模型效率不够高，可以将图层分类方式和目标检测方式相结合，分别给予各自的权重，根据具体效果，调增权重大小。

进一步地，所述S1中的住宅平面图的数量约为二百张。

进一步地，所述S2中的图元指的组成图形的可见基础元素，所对应的就是绘图界面中可以看见的实体，包括直线、圆弧、圆，所述图元构成一个实际意义的构件，包括楼梯、空调。

进一步地，所述S3中具体构件合并方式是：将每个图层的所有图元画至全黑的底图上，通过图像像素相交以及一些特殊模式的匹配，将属于每个构件的图元进行合并，最后获得每个构件的bbox。

进一步地，所述S4中空间分割的方式为：首先将所有的墙柱图层画至全黑底图上，然后用合并好的门窗构件找到安装门窗的短墙，然后连接短墙线，从而封闭所有的空间，然后用图像处理的方式找到每个小空间，然后为每个小空间匹配空间文本，从而得到每个空间及其名称。

进一步地，所述S5中代表空间名称的文本包括客厅、卫生间、阳台等。

进一步地，所述S8中进行特定构件做标注的构件包括客厅内标注出沙发、电视，卫生间内标出洗手池马桶，卧室标注出床构件等。

进一步地，所述S9中的卷积神经网络模型采用轻量级检测模型Retinanet。

本发明相对于现有技术包括有以下有益效果：

本发明运用深度神经网络模型解决了CAD建筑设计图纸中构件的精准识别问题；减少了构件识别对图层的过度依赖；为后续规范设计以及构件的规则审查奠定了更好的基础。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的基于深度学习建筑专业住宅平面图空间内构件的识别方法的步骤图；

图2为本发明具体实施例中S3步骤门窗构件合并得到门窗bbox的示例图；

图3为本发明具体实施例中S4步骤扣出门窗构件小图进行分类辅助空间分割的示例图；

图4为本发明具体实施例中S4步骤空间分割得到空间轮廓的示例；

图5为本发明具体实施例中S6步骤利用opence做掩膜扣除所需要的每个空间小图的示例；

图6为本发明具体实施例S9步骤进行目标检测获得精确构件的示例。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明的目的是：提出一种基于深度学习的建筑专业住宅平面图空间内的构件识别方法，可以更精确的找到住宅平面图中的各种构件，方便后面对构件进行的智能审查。本发明解决其技术问题所采取的技术方案是：

请参阅图1-6所示，本发明的基于深度学习建筑专业住宅平面图空间内构件的识别方法，包括如下步骤：

前期训练模型阶段：

S1、获得一定数量的住宅平面图；

S2、对住宅平面图图纸进行解析获取一系列图元；

S3、对获得的图元进行合并；

S4、通过获取的轮廓可以获取到所有的封闭空间，进行空间分割；

S5、根据正则匹配方法，获得所有代表空间名称的文本；

其中，正则表达式是对字符串操作的一种逻辑公式，就是用事先定义好的一些特定字符、及这些特定字符的组合，组成一个“规则字符串”，这个“规则字符串”用来表达对字符串的一种过滤逻辑。

正则表达式的大致匹配过程是：1.依次拿出表达式和文本中的字符比较；2.如果每一个字符都能匹配，则匹配成功；一旦有匹配不成功的字符则匹配失败；3.如果表达式中有量词或边界，这个过程会稍微有一些不同。Python的re模块(Regular Expression正则表达式)提供各种正则表达式的匹配操作；

S6、利用opence做掩膜扣除所需要的每个空间小图；

S7、整理每张图抠出来的属于相同空间的小图，将属于同一空间类型的小图放入一个数据集；

S8、手动对每张小图里面的特定构件做标注；

S9、将标注好的属于同一空间的小图输入至卷积神经网络模型，这对某一个特定的空间训练处效果良好的检测模型，该模型可以快速高效的检测到特定空间中所具有的构件；

将模型部署至具体项目中：

S10、将训练好的检测模型部署至具体项目中；

S11、前期由于数据量原因，模型效率不够高，可以将图层分类方式和目标检测方式相结合，分别给予各自的权重，根据具体效果，调增权重大小。

其中，S1中的住宅平面图的数量约为二百张。

其中，根据权利要求1所述的基于深度学习建筑专业住宅平面图空间内构件的识别方法，其特征在于S2中的图元指的组成图形的可见基础元素，所对应的就是绘图界面中可以看见的实体，包括直线、圆弧、圆，所述图元构成一个实际意义的构件，包括楼梯、空调。

其中，S3中具体构件合并方式是：将每个图层的所有图元画至全黑的底图上，通过图像像素相交以及一些特殊模式的匹配，将属于每个构件的图元进行合并，最后获得每个构件的bbox。

其中，S4中空间分割的方式为：首先将所有的墙柱图层画至全黑底图上，然后用合并好的门窗构件找到安装门窗的短墙，然后连接短墙线，从而封闭所有的空间，然后用图像处理的方式找到每个小空间，然后为每个小空间匹配空间文本，从而得到每个空间及其名称。

其中，根据权利要求1所述的基于深度学习建筑专业住宅平面图空间内构件的识别方法，其特征在于，所述S5中代表空间名称的文本包括客厅、卫生间、阳台等。

其中，S8中进行特定构件做标注的构件包括客厅内标注出沙发、电视，卫生间内标出洗手池马桶，卧室标注出床构件等。

其中，S9中的卷积神经网络模型采用轻量级检测模型Retinanet。

有益效果：

本发明运用深度神经网络模型解决了CAD建筑设计图纸中构件的精准识别问题；减少了构件识别对图层的过度依赖；为后续规范设计以及构件的规则审查奠定了更好的基础。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。