CN110704653A - 一种bim模型中以图搜索构件的方法及图文搜索系统 - Google Patents
一种bim模型中以图搜索构件的方法及图文搜索系统 Download PDFInfo
- Publication number
- CN110704653A CN110704653A CN201910848636.4A CN201910848636A CN110704653A CN 110704653 A CN110704653 A CN 110704653A CN 201910848636 A CN201910848636 A CN 201910848636A CN 110704653 A CN110704653 A CN 110704653A
- Authority
- CN
- China
- Prior art keywords
- searched
- graph
- model
- neural network
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003062 neural network model Methods 0.000 claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims description 76
- 238000002372 labelling Methods 0.000 claims description 48
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 102100033591 Calponin-2 Human genes 0.000 description 2
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明的BIM模型中以图搜索构件方法及图文搜索系统,该BIM模型中以图搜索构件的方法,按照如下步骤进行:步骤一,建立数据集;步骤二,利用数据集训练神经网络模型;步骤三,输入待搜索图,利用训练后的神经网络模型对输入的待搜索图进行构件类别的识别;步骤四,根据步骤四识别出的构件类别,从BIM模型中搜索出同类别的所有构件。本发明可以实现过文本属性、二维投影图、三维模型这几种检索方式对建筑构件进行自动检索,检索效率高。
Description
技术领域
本发明涉及建筑信息技术领域,特别涉及一种BIM模型中以图搜索构件方法以及基于BIM模型的图文搜索系统。
背景技术
建筑信息模型(Building Information Modeling,BIM)技术是一种应用于工程设计、建造、管理的数据化工具,通过对建筑的数据化、信息化模型整合,在项目策划、运行和维护的全生命周期过程中进行共享和传递,使工程技术人员对各种建筑信息做出正确理解和高效应对,为设计团队以及包括建筑、运营单位在内的各方建设主体提供协同工作的基础,在提高生产效率、节约成本和缩短工期方面发挥重要作用。
BIM的核心是通过建立虚拟的建筑工程三维模型,利用数字化技术,为这个模型提供完整的、与实际情况一致的建筑工程信息库。 BIM模型由众多不同类型的构件组成,如墙梁板柱及众多的管线、设备等。在目前的BIM软件中可以通过构件自带的名称、参数这些文本属性对构件进行查询定位,或者通过对视图进行平移、旋转、缩放这些人工操作通过视图功能在模型中浏览查找。因此,在实际检索过程中,若通过文本查找,则需要预先知道这些构件的准确文本属性才可以通过文本查找,如果文本属性存在缺失、不规范和不正确的情况都将导致检索准确率受到限制。若通过现有的视图查找,如果查找对象是大型建筑,由于大型建筑的BIM模型中构件种类多、数量大,并且每个构件的查找都要人工进行平移、旋转、缩放等操作且需通过视图功能在模型中浏览查找,则视图查找势必耗费大量的人工精力,而且查找效率极低。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种BIM 模型中以图搜索构件的方法及基于BIM模型的图文搜索系统。
本发明提供的BIM模型中以图搜索构件的方法,其特征在于,按照如下步骤进行:步骤一,建立数据集;步骤二,利用数据集训练神经网络模型;步骤三,输入待搜索图,利用训练后的神经网络模型对输入的待搜索图进行构件类别的识别;步骤四,根据步骤四识别出的构件类别,从BIM模型中搜索出同类别的所有构件。
在本发明提供的BIM模型中以图搜索构件的方法中,还具有这样的特征:其中,步骤一中数据集为二维投影图数据集,二维投影图数据集的建立过程为:遍历样本BIM模型中的构件,对所有构件均进行X轴、Y轴、Z轴投影,将得到的投影图按构件自带的类别属性自动标注类别,将自动标注类别后的投影图作为二维投影图数据集;步骤二中神经网络模型为基于多视图的卷积神经网络模型;步骤三输入的待搜索图为至少二个不同方向的二维投影图或三维模型。
在本发明提供的BIM模型中以图搜索构件的方法中,还具有这样的特征:其中,当步骤三中输入的待搜索图为至少二个不同方向的二维投影图时,对待搜索图进行构件类别的识别过程为:将待搜索图输入到训练后的基于多视图的卷积神经网络模型中进行计算,得到待搜索的对应预定义类别的概率,以概率最高的预定义类别作为待搜索图的构件类别。
在本发明提供的BIM模型中以图搜索构件的方法中,还具有这样的特征:其中,当步骤三中输入的待搜索图为三维模型时,对待搜索图进行构件类别的识别过程为:将先将待搜索图进行X轴、Y轴、 Z轴方向投影得到投影图,再将待搜索图得到的投影图输入训练后的基于多视图的卷积神经网络模型中进行计算,得到待搜索图对应预定义类别的概率,以概率最高的预定义类别作为待搜索图的构件类别。
在本发明提供的BIM模型中以图搜索构件的方法中,还具有这样的特征:步骤一中数据集为三维面片数据集,三维面片数据集的建立过程为:遍历样本BIM模型中的构件,获取构件的表面信息并将构件的各个表面转换为三角面,将得到的三角面按构件自带的类别属性自动标注类别,将自动标注类别后的三角面作为三维面片数据集;步骤二中神经网络模型为基于三角面片的深度神经网络模型;步骤三输入的待搜索图为三维模型,对该三维模型进行构件类别的识别的过程为:获取该三维模型的表面信息并将各个表面转换为三角面输入到训练后的基于三角面片的深度神经网络模型中,得到待搜索图对应预定义类别的概率,以概率最高的预定义类别作为待搜索图的构件类别。
本发明还提供一种的基于BIM模型的图文搜索系统,其特征在于,包括:第一输入模块,用于输入样本BIM模型;第一存储模块,用于存储输入的样本BIM模型;文本属性获取及自动标注模块,用于获取样本BIM模型中所有构件的自带的属性名称和属性值,并将所得属性名称和属性值按构件自带的类别属性自动标注类别;二维投影图获取及自动标注模块,用于对样本BIM模型中所有构件进行X 轴、Y轴、Z轴投影以获得投影图,并将所得投影图按构件自带的类别属性自动标注类别;第二存储模块,用于存储文本属性数据集、二维投影图数据集;第一控制存储模块,用于将自动标注类别后的属性名称和属性值存储作为文本属性数据集、将自动标注类别后的投影图存储作为二维投影图数据集;第三存储模块,存储有初始的第一神经网络模型;训练模块,用于获取二维投影图数据集来训练初始的第一神经网络模型,得到训练后的第一神经网络模型;第四存储模块,存储训练后的第一神经网络模型;第二控制存储模块,用于将训练后的第一神经网络模型存储在第四存储模块中;文本属性搜索输入模块,用于输入文本属性形式的待搜索数据;二维投影图搜索输入模块,用于输入属于二维投影图的待搜索数据;三维模型搜索输入模块,用于输入属于三维模型的待搜索数据;投影模块,获取三维模型搜索输入模块的待搜索数据,对待搜索数据进行X轴、Y轴、Z轴方向投影以获得投影图;类别识别模块,当待搜索数据属于文本属性时,通过将搜索数据与本属性数据集中的属性名称和属性值进行匹配,得出待搜索数据的构件类别;当待搜索数据属于二维投影图或三维模型时,通过将待搜索数据输入训练后的第一神经网络模型,得出待搜索数据的构件类别;搜索显示模块,根据类别识别模块识别得到的构件类别,从样本BIM模型中搜索出同类别的所有构件并显示。
在本发明提供上述基于BIM模型的图文搜索系统中,还具有这样的特征:其中,第一神经网络模型为基于多视图的卷积神经网络模型。
本发明还提供一种基于BIM模型的图文搜索系统,其特征在于,包括:第一输入模块,用于输入样本BIM模型;第一存储模块,用于存储输入的样本BIM模型;文本属性获取及自动标注模块,用于获取样本BIM模型中所有构件的自带的属性名称和属性值,并将所得属性名称和属性值按构件自带的类别属性自动标注类别;二维投影图获取及自动标注模块,用于对样本BIM模型中所有构件进行X轴、 Y轴、Z轴投影以获得投影图,并将所得投影图按构件自带的类别属性自动标注类别;三角面片获取及自动标注模块,用于获取样本BIM 模型中所有构件的表面信息并将构件的各个表面转换为三角面,并将所得三角面按构件自带的类别属性自动标注类别;第二存储模块,用于存储文本属性数据集、二维投影图数据集、三维面片数据集;第一控制存储模块,用于将自动标注类别后的属性名称和属性值存储作为文本属性数据集、将自动标注类别后的投影图存储作为二维投影图数据集、将自动标注类别后的三角面存储作为三维面片数据集;第三存储模块,存储有初始的第一神经网络模型、初始的第二神经网络模型;训练模块,用于获取二维投影图数据集来训练初始的第一神经网络模型,获取三维面片数据集来训练初始的第二神经网络模型;第四存储模块,存储训练后的第一神经网络模型、训练后的第二神经网络模型;第二控制存储模块,用于将训练后的第一神经网络模型、训练后的第二神经网络模型存储在第四存储模块中;文本属性搜索输入模块,用于输入文本属性形式的待搜索数据;二维投影图搜索输入模块,用于输入属于二维投影图的待搜索数据;三维模型搜索输入模块,用于输入属于三维模型的待搜索数据;三角面转换模块,获取三维模型搜索输入模块的待搜索数据,对待搜索数据转换进行三角面转换;类别识别模块,当待搜索数据属于文本属性时,通过将搜索数据与本属性数据集中的属性名称和属性值进行匹配,得出待搜索数据的构件类别;当待搜索数据属于二维投影图时,通过将待搜索数据输入训练后的第一神经网络模型,得出待搜索数据的构件类别;当待搜索数据属于属于三维模型时,通过将待搜索数据输入训练后的第二神经网络模型,得出待搜索数据的构件类别;搜索显示模块,根据类别识别模块识别得到的构件类别,从样本BIM模型中搜索出同类别的所有构件并显示。
在本发明提供上述基于BIM模型的图文搜索系统中,还具有这样的特征:其中,第一神经网络模型为基于多视图的卷积神经网络模型;第二神经网络模型为基于三角面片的深度神经网络模型。
本发明的有益效果:
本发明的BIM模型中以图搜索构件方法以及基于BIM模型的图文搜索系统中,通过对预先的三维模型多视图投影的训练以及基于三维模型的训练,实现了BIM模型中三维构件的智能分类,可以实现通过文本属性、二维投影图、三维模型这几种检索方式对建筑构件进行检索。该系统智能化程度高,尤其在三维模型检索过程中,免去了繁杂的人工操作,提高了检索效率。
附图说明
图1是本发明的BIM模型中以图搜索构件的方法的流程简图;
图2是本发明的实施例1中基于BIM模型的图文搜索系统的框图;
图3是基于多视图的神经网络模型;
图4是基于二维图像分类的CNN模型;
图5是基于三角面片的深度神经网络模型;
图6是采用本发明的实施例1的基于BIM模型的图文搜索系统以文本属性在BIM模型中搜索构件时的界面示意图;
图7是采用本发明的实施例1的基于BIM模型的图文搜索系统以二维投影图在BIM模型中搜索构件时的界面示意图;
图8是采用本发明的实施例1的基于BIM模型的图文搜索系统以三维模型在BIM模型中搜索构件时的界面示意图;
图9是本发明的实施例2中基于BIM模型的图文搜索系统的框图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明的一种BIM模型中以图搜索构件方法以及基于BIM模型的图文搜索系统作具体阐述。
<实施例1>
如图2所示,本实施例提供一种基于BIM模型的图文搜索系统1 包括:第一输入模块101、第一存储模块102、文本属性获取及自动标注模块103、二维投影图获取及自动标注模块104、三角面片获取及自动标注模块105、第四存储模块106、第二存储模块107、第一控制存储模块108、第三存储模块109、训练模块110、第二控制存储模块111、文本属性搜索输入模块112、二维投影图搜索输入模块 113、三维模型搜索输入模块114、三角面转换模块115、类别识别模块116、搜索显示模块117。
第一输入模块101用于输入样本BIM模型,建筑软件开发公司可以在其多年积累的BIM模型数据库中选择有代表性的模型作为样本模型输入。
第一存储模块102用于存储经由第一输入模块101输入的样本 BIM模型。
文本属性获取及自动标注模块103用于采集获取样本BIM模型中所有构件的属性名称和属性值。该模块运行时,调用BIM软件,遍历样本BIM模型中的构件,通过运行BIM软件采集获取每个构件的自带的属性名称和属性值,并将所得属性名称和属性值按构件自带的类别属性自动标注类别。
二维投影图获取及自动标注模块104用于对样本BIM模型中所有构件进行X轴、Y轴、Z轴投影以获得投影图。该模块运行时,调用Revit软件,遍历样本BIM模型中所有构件,通过运行Revit软件进行样本BIM模型中所有构件在不同方向投影图的生成,并对投影图按构件自带的类别属性自动标注类别。其具体过程为:使用Revit 中剖面视图相关API,设置视图剖面框参数,包括剖面框原点、剖面框法向、剖面框Min和Max属性值,通过剖面框生成剖面视图。变换剖面框法向及相应的Min和Max属性值,可得到构件在不同方向的投影图。然后对投影图按构件类型进行标注。
三角面片获取及自动标注模块105用于将样本BIM模型中所有构件转换为三角面。该模块运行时,调用Revit软件,遍历样本BIM 模型中所有构件,通过运行Revit软件将样本BIM模型中所有构件的各个表面转换为三角面。其具体过程为:1)获取构件的几何实体Solid;2)获取实体的表面列表;3)对每一个面,进行三角面化,即通过Revit中Face的Triangulate(*)函数得到Mesh对象;4)遍历 Mesh对象,取得其中的三角形列表;5)对每个三角形,依次取得其三个顶点;6)输出各顶点的三维坐标,并按构件的类型对输出的三角面进行标注。
第二存储模块107用于存储文本属性数据集、二维投影图数据集、三维面片数据集。
第一控制存储模块108用于将自动标注类别后的属性名称和属性值存储作为文本属性数据集、将自动标注类别后的投影图存储作为二维投影图数据集、将自动标注类别后的三角面存储作为三维面片数据集。
第三存储模块109存储有初始的第一神经网络模型、初始的第二神经网络模型。
训练模块110用于从第二存储模块107中获取二维投影图数据集来训练初始的第一神经网络模型,获取三维面片数据集来训练初始的第二神经网络模型。
第一神经网络模型为基于多视图的卷积神经网络模型。基于多视图的卷积神经网络模型如图3所示,将样本BIM模型中构件三维模型生成的不同方向的二维投影图(在图3中以某个构件的前视图、侧视图、俯视图为例),输入到卷积神经网络CNN1中得到对应的视图特征,再将得到的视图特征通过view pooling层进行融合后输入到卷积神经网络CNN2中,该CNN2是基于二维图像(二维投影图)分类的CNN模型,该网络模型主要包括:输入层、卷积层、激活层、池化层和全连接层,该基于二维图像分类的CNN模型如图4所示,在该CNN模型经过如图4所示的运算,最后得出该三维模型对应不同预定义类别的概率。在整个训练过程中,通过大量的样本数据进行多轮次的训练,自动调整卷积神经网络网络中的权重,不断降低识别的类别与预标注的类别之间的偏离值,直至训练后的基于多视图的卷积神经网络模型趋于稳定。
第二神经网络模型为基于三角面片的深度神经网络模型。基于多视图的卷积神经网络模型如图5所示,将样本BIM模型中构件三维模型生成表面三角面片后,将各三角形三个顶点的XYZ坐标输入网络,经过两次空间变换网络(STN)进行三角面片的位姿信息学习,与第一神经网络模型原理类似,将得到的结果与预标注的类别进行比较,通过大量数据的多轮次的训练,自动调整深度神经网络网络中的权重,不断降低识别的类别与预标注的类别之间的偏离值,直至训练后的基于三角面片的深度神经网络模型趋于稳定。
第四存储模块106用于存储训练后的第一神经网络模型、训练后的第二神经网络模型。
第二控制存储模块111用于将训练后的第一神经网络模型、训练后的第二神经网络模型存储在第四存储模块中。
文本属性搜索输入模块112具有文本属性搜索输入界面,用于用户输入属于文本属性的待搜索数据。文本属性可以是属性名称,或者是属性值,或者是两者兼具,如图6所示,文本属性搜索输入界面具有属性名称输入栏和属性值输入栏。
二维投影图搜索输入模块113具有二维投影图输入(上传)界面,用于用户输入属于二维投影图的待搜索数据。为保证检索效果更准确,本实施例中二维投影图输入界面具有2至6个投影图上传位置,需要至少上传2个投影图,图7示意了上传2个投影图搜索构件的情况。
三维模型搜索输入模块114具有三维模型输入(上传)界面,用于用户输入属于三维模型的待搜索数据。图8示意了三维模型搜索输入界面。
三角面转换模块115获取三维模型搜索输入模块114的待搜索数据,调用Revit软件运行上述三角面转换程序,将该三维模型的表面信息将各表面转换为三角面。
类别识别模块116用于根据不同类型的待搜索数据,运行不同的类别识别过程,具体为:
当待搜索数据属于文本属性时,通过将搜索数据与所述本属性数据集中的属性名称和属性值进行匹配,得出所述待搜索数据的构件类别。
当待搜索数据属于二维投影图时,通过将待搜索数据输入训练后的第一神经网络模型,得出所述待搜索数据的构件类别。该过程即将待搜索数据输入训练后的基于多视图的卷积神经网络模型中进行计算,得到待搜索图对应预定义类别的概率,以概率最高的预定义类别作为待搜索图的构件类别。
当待搜索数据属于属于三维模型时,通过将待搜索数据输入训练后的第二神经网络模型,得出所述待搜索数据的构件类别。该过程即获取三角面转换模块115得到三角面,再将三角面输入到训练后的基于三角面片的深度神经网络模型中,得到待搜索数据对应预定义类别的概率,以概率最高的预定义类别作为待搜索图的构件类别。
搜索显示模块117根据类别识别模块116识别得到的构件类别,基于构件类别与样本BIM模型中构件的关联性,从样本BIM模型中搜索出同类别的所有构件在显示界面中显示。
如下,本实施例中的基于BIM模型的图文搜索系统1可以实现以图(二维投影、三维模型)搜索构件,以及以文(文本属性)搜索构件。
①一种BIM模型中以文本属性搜索构件方法,通过上述的基于BIM模型的图文搜索系统1运行计算机程序而实现,具体步骤如下:
步骤一,建立文本属性数据集:
将现有的具有代表性的多个BIM模型作为建立数据集的样本 BIM模型,通过第一输入模块101将这些样本BIM模型输入(上传)。输入后的样本BIM模型存储在第一存储模块102中。文本属性获取及自动标注模块103采集获取样本BIM模型中所有构件的属性名称和属性值并按构件自带的类别属性自动标注其类别。然后,第一控制存储模块108将自动标注类别后的属性名称和属性值存储到第二存储模块107中作为文本属性数据集。
步骤二:输入待搜索的文本属性进行检索:
用户通过文本属性搜索输入模块112输入需要搜索的文本属性,文本属性可以是属性名称,或者是属性值,或者是两者兼具。比如图 6中示意了一种同时输入了属性名称—“双扇平开木门M-6”和属性值—“2100×2400”的情况。之后,类别识别模块116将待搜索文本属性与第二存储模块107中本属性数据集中的属性名称和属性值进行匹配,识别得出该文本属性所属的构件类别。然后,搜索显示模块117 根据类别识别模块116识别得到的构件类别,从样本BIM模型中搜索出同类别的构件在显示界面中显示(比如图6中界面右侧所示模型)。
②如图1所示,一种BIM模型中以二维投影图(图像)搜索构件方法,通过上述的基于BIM模型的图文搜索系统1运行计算机程序而实现,具体步骤如下:
步骤一,建立二维投影图数据集:
采用现有的具有代表性的多个BIM模型作为建立数据集的样本 BIM模型,建筑软件开发公司可通过第一输入模块101将这些样本 BIM模型输入(上传)。输入后的样本BIM模型存储在第一存储模块102中。二维投影图获取及自动标注模块104对样本BIM模型中所有构件进行X轴、Y轴、Z轴投影以获得投影图并进行自动标注类别。然后,第一控制存储模块108将自动标注类别后的投影图存储到第二存储模块107中作为二维投影图数据集。
步骤二,构建基于多视图的卷积神经网络模型,利用二维投影图数据集训练神经网络模型:
训练模块110从第二存储模块107中获取二维投影图数据集来训练初始的第一神经网络模型。完成训练后,第二控制存储模块111控制训练后的第二神经网络模型存储在第四存储模块106中。
步骤三,输入待搜索的二维投影图,利用训练后的神经网络模型对输入的二维投影图进行构件类别的识别:
用户通过二维投影图搜索输入模块113输入(上传)待搜索的二维投影图,图7示意了上传2个投影图搜索构件的情况。之后,类别识别模块116运行相应的运算程序得出待搜索的二维投影图对应所属的类别。
步骤四,根据步骤四识别出的构件类别,从BIM模型中搜索出同类别的所有构件:
搜索显示模块117根据类别识别模块116识别得到的构件类别,从样本BIM模型中搜索出同类别的构件在显示界面中显示(如图7 所示)。
③如图1所示,一种BIM模型中以三维模型(图形)搜索构件方法,通过上述的基于BIM模型的图文搜索系统1运行计算机程序而实现,具体步骤如下:
步骤一,建立三维面片数据集:
采用现有的具有代表性的多个BIM模型作为建立数据集的样本 BIM模型,建筑软件开发公司可通过第一输入模块101将这些样本 BIM模型输入(上传)。输入后的样本BIM模型存储在第一存储模块102中。三角面片获取及自动标注模块105将样本BIM模型中所有构件转换为三角面并进行自动标注类别。然后,第一控制存储模块 108将自动标注类别后的三角面存储到第二存储模块107中作为三维面片数据集。
步骤二,基于三角面片的深度神经网络模型,利用三维面片数据集训练神经网络模型:
训练模块110从第二存储模块107中获取三维面片数据集来训练初始的第二神经网络模型。完成训练后,第二控制存储模块111控制训练后的第二神经网络模型存储在第四存储模块106中。
步骤三,输入待搜索的三维模型,利用训练后的神经网络模型对输入的待搜索的三维模型进行构件类别的识别:
用户通过三维模型搜索输入模块114输入(上传)待搜索三维模型,图8示意了上传模型搜索构件的情况。之后,三角面转换模块 115获取三维模型搜索输入模块114的待搜索三维模型,将其转换为三角面。然后,类别识别模块116运行相应的运算程序得出待搜索的三维模型对应所属的类别。
步骤四,根据步骤四识别出的构件类别,从BIM模型中搜索出同类别的所有构件:
搜索显示模块117根据类别识别模块116识别得到的构件类别,从样本BIM模型中搜索出同类别的构件在显示界面中显示(如图8 所示)。
<实施例2>
本实施例提供一种基于BIM模型的图文搜索系统2。在本实施例中,与实施例的相同之在附图中采用相同的标记,并且在文字描述中省略相同的阐述。
如图9所示,本实施例的基于BIM模型的图文搜索系统2包括:第一输入模块101、第一存储模块102、文本属性获取及自动标注模块103、二维投影图获取及自动标注模块104、第四存储模块106’、第二存储模块107’、第一控制存储模块108’、第三存储模块109’、训练模块110’、第二控制存储模块111’、文本属性搜索输入模块112、二维投影图搜索输入模块113、三维模型搜索输入模块114、投影模块118、类别识别模块116’、搜索显示模块117’。
本实施例与实施例1的不同之处在于:
本实施例的基于BIM模型的图文搜索系统2中三维模型的检索是通过将其转换为二维投影图进行检索的。不同于实施例1中的基于 BIM模型的图文搜索系统1通过将获取三维模型的表面信息转换为三角面进行检索。
在本实施例的基于BIM模型的图文搜索系统2中,没有设置有三角面片获取及自动标注模块以及三角面转换模块,但设置有投影模块118。
第二存储模块107’仅存储文本属性数据集、二维投影图数据集。
第一控制存储模块108’仅将自动标注类别后的属性名称和属性值存储作为文本属性数据集、将自动标注类别后的投影图存储作为二维投影图数据集。
第三存储模块109’仅存储有初始的第一神经网络模型。该第一神经网络模型为基于多视图的卷积神经网络模型,该基于多视图的卷积神经网络模型与实施例1中相似,此处不再赘述。
训练模块110’仅用于从第二存储模块107中获取二维投影图数据集来训练初始的第一神经网络模型。
第四存储模块106’仅用于存储存储训练后的第一神经网络模型。
第二控制存储模块111’仅用于将训练后的第一神经网络模型存储至第四存储模块106’中。
投影模块118用于获取三维模型搜索输入模块114的待搜索数据,对待搜索数据进行X轴、Y轴、Z轴方向投影以获得投影图。
类别识别模块116’用于根据不同类型的待搜索数据,运行不同的类别识别过程,具体为:
当待搜索数据属于文本属性时,通过将待搜索数据与本属性数据集中的属性名称和属性值进行匹配,识别得出待搜索数据的构件类别。
当待搜索数据属于二维投影图时,通过将待搜索数据输入训练后的第一神经网络模型,得出所述待搜索数据的构件类别。该过程即将待搜索数据输入训练后的基于多视图的卷积神经网络模型中进行计算,得到待搜索图对应预定义类别的概率,以概率最高的预定义类别作为待搜索图的构件类别。
当待搜索数据属于三维模型时,首先待搜索数据经由投影模块 118获得投影图,再通过类别识别模块116’,将投影图输入到训练后的基于多视图的卷积神经网络模型进行计算,得到待搜索图对应预定义类别的概率,以概率最高的预定义类别作为待搜索图的构件类别。
如下,本实施例中的基于BIM模型的图文搜索系统2可以实现以图(二维投影、三维模型)搜索构件,以及以文(文本属性)搜索构件。
①一种BIM模型中以文本属性搜索构件方法,通过上述的基于BIM模型的图文搜索系统2运行计算机程序而实现,该方法的具体步骤与实施例1中BIM模型中以文本属性搜索构件方法的过程相同,此处不再赘述。
②一种BIM模型中以二维投影图(图像)搜索构件方法,通过上述的基于BIM模型的图文搜索系统2运行计算机程序而实现,该方法的具体步骤与实施例1中BIM模型中以文本属性搜索构件方法的过程相同,此处不再赘述。
③一种BIM模型中以三维模型(图形)搜索构件方法,通过上述的基于BIM模型的图文搜索系统2运行计算机程序而实现,具体步骤如下:
步骤一,建立二维投影图数据集:
采用现有的具有代表性的多个BIM模型作为建立数据集的样本 BIM模型,建筑软件开发公司可通过第一输入模块101将这些样本 BIM模型输入(上传)。输入后的样本BIM模型存储在第一存储模块102中。二维投影图获取及自动标注模块104对样本BIM模型中所有构件进行X轴、Y轴、Z轴投影以获得投影图并进行自动标注类别。然后,第一控制存储模块108’将自动标注类别后的投影图存储到第二存储模块107’中作为二维投影图数据集。
步骤二,构建基于多视图的卷积神经网络模型,利用二维投影图数据集训练神经网络模型:
训练模块110’从第二存储模块107’中获取二维投影图数据集来训练初始的第一神经网络模型。第二控制存储模块111’将训练后的第一神经网络模型存储在第四存储模块106’中。
步骤三,输入待搜索的三维模型,利用训练后的神经网络模型对输入的待搜索的三维模型进行构件类别的识别:
用户通过三维模型搜索输入模块114输入(上传)待搜索三维模型。之后,投影模块118用于获取三维模型搜索输入模块114的待搜索数据,对待搜索数据进行X轴、Y轴、Z轴方向投影以获得投影图。然后,类别识别模块116’运行相应的运算程序得出待搜索的三维模型对应所属的类别。
步骤四,根据步骤四识别出的构件类别,从BIM模型中搜索出同类别的所有构件:
搜索显示模块117根据类别识别模块116’识别得到的构件类别,从样本BIM模型中搜索出同类别的构件在显示界面中显示。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (9)
1.一种BIM模型中以图搜索构件的方法,其特征在于,按照如下步骤进行:
步骤一,建立数据集;
步骤二,利用所述数据集训练神经网络模型;
步骤三,输入待搜索图,利用训练后的神经网络模型对输入的待搜索图进行构件类别的识别;
步骤四,根据步骤四识别出的构件类别,从BIM模型中搜索出同类别的所有构件。
2.如权利要求1所述的BIM模型中以图搜索构件的方法,其特征在于:
其中,步骤一中所述数据集为二维投影图数据集,所述二维投影图数据集的建立过程为:遍历样本BIM模型中的构件,对所有构件均进行X轴、Y轴、Z轴投影,将得到的投影图按构件自带的类别属性自动标注类别,将自动标注类别后的投影图作为所述二维投影图数据集;
步骤二中所述神经网络模型为基于多视图的卷积神经网络模型;
步骤三输入的所述待搜索图为至少二个不同方向的二维投影图或三维模型。
3.如权利要求2所述的BIM模型中以图搜索构件的方法,其特征在于:
其中,当步骤三中输入的所述待搜索图为至少二个不同方向的二维投影图时,对所述待搜索图进行构件类别的识别过程为:将所述待搜索图输入到训练后的基于多视图的卷积神经网络模型中进行计算,得到所述待搜索的对应预定义类别的概率,以概率最高的所述预定义类别作为所述待搜索图的构件类别。
4.如权利要求2所述的BIM模型中以图搜索构件的方法,其特征在于:
其中,当步骤三中输入的所述待搜索图为三维模型时,对所述待搜索图进行构件类别的识别过程为:将先将所述待搜索图进行X轴、Y轴、Z轴方向投影得到投影图,再将所述待搜索图得到的投影图输入训练后的所述基于多视图的卷积神经网络模型中进行计算,得到所述待搜索图对应预定义类别的概率,以概率最高的所述预定义类别作为所述待搜索图的构件类别。
5.如权利要求1所述的BIM模型中以图搜索构件的方法,其特征在于:
其中,步骤一中所述数据集为三维面片数据集,所述三维面片数据集的建立过程为:遍历样本BIM模型中的构件,获取构件的表面信息并将构件的各个表面转换为三角面,将得到的三角面按构件自带的类别属性自动标注类别,将自动标注类别后的三角面作为所述三维面片数据集;
步骤二中所述神经网络模型为基于三角面片的深度神经网络模型;
步骤三输入的所述待搜索图为三维模型,对该三维模型进行构件类别的识别的过程为:获取该三维模型的表面信息并将各个表面转换为三角面输入到训练后的所述基于三角面片的深度神经网络模型中,得到所述待搜索图对应预定义类别的概率,以概率最高的所述预定义类别作为所述待搜索图的构件类别。
6.一种基于BIM模型的图文搜索系统,其特征在于,包括:
第一输入模块,用于输入样本BIM模型;
第一存储模块,用于存储输入的所述样本BIM模型;
文本属性获取及自动标注模块,用于获取所述样本BIM模型中所有构件的自带的属性名称和属性值,并将所得属性名称和属性值按构件自带的类别属性自动标注类别;
二维投影图获取及自动标注模块,用于对所述样本BIM模型中所有构件进行X轴、Y轴、Z轴投影以获得投影图,并将所得投影图按构件自带的类别属性自动标注类别;
第二存储模块,用于存储文本属性数据集、二维投影图数据集;
第一控制存储模块,用于将自动标注类别后的属性名称和属性值存储作为文本属性数据集、将自动标注类别后的投影图存储作为二维投影图数据集;
第三存储模块,存储有初始的第一神经网络模型;
训练模块,用于获取所述二维投影图数据集来训练所述初始的第一神经网络模型,得到训练后的第一神经网络模型;
第四存储模块,存储训练后的第一神经网络模型;
第二控制存储模块,用于将训练后的第一神经网络模型存储在所述第四存储模块中;
文本属性搜索输入模块,用于输入文本属性形式的待搜索数据;
二维投影图搜索输入模块,用于输入属于二维投影图的待搜索数据;
三维模型搜索输入模块,用于输入属于三维模型的待搜索数据;
投影模块,获取所述三维模型搜索输入模块的待搜索数据,对所述待搜索数据进行X轴、Y轴、Z轴方向投影以获得投影图;
类别识别模块,当待搜索数据属于文本属性时,通过将搜索数据与所述本属性数据集中的属性名称和属性值进行匹配,得出所述待搜索数据的构件类别;当待搜索数据属于二维投影图或三维模型时,通过将待搜索数据输入训练后的第一神经网络模型,得出所述待搜索数据的构件类别;
搜索显示模块,根据所述类别识别模块识别得到的构件类别,从所述样本BIM模型中搜索出同类别的所有构件并显示。
7.如权利要求6所述的基于BIM模型的图文搜索系统,其特征在于:
其中,所述第一神经网络模型为基于多视图的卷积神经网络模型。
8.一种基于BIM模型的图文搜索系统,其特征在于,包括:
第一输入模块,用于输入样本BIM模型;
第一存储模块,用于存储输入的所述样本BIM模型;
文本属性获取及自动标注模块,用于获取所述样本BIM模型中所有构件的自带的属性名称和属性值,并将所得属性名称和属性值按构件自带的类别属性自动标注类别;
二维投影图获取及自动标注模块,用于对所述样本BIM模型中所有构件进行X轴、Y轴、Z轴投影以获得投影图,并将所得投影图按构件自带的类别属性自动标注类别;
三角面片获取及自动标注模块,用于获取所述样本BIM模型中所有构件的表面信息并将构件的各个表面转换为三角面,并将所得三角面按构件自带的类别属性自动标注类别;
第二存储模块,用于存储文本属性数据集、二维投影图数据集、三维面片数据集;
第一控制存储模块,用于将自动标注类别后的属性名称和属性值存储作为文本属性数据集、将自动标注类别后的投影图存储作为二维投影图数据集、将自动标注类别后的三角面存储作为三维面片数据集;
第三存储模块,存储有初始的第一神经网络模型、初始的第二神经网络模型;
训练模块,用于获取所述二维投影图数据集来训练所述初始的第一神经网络模型,获取所述三维面片数据集来训练所述初始的第二神经网络模型;
第四存储模块,存储训练后的第一神经网络模型、训练后的第二神经网络模型;
第二控制存储模块,用于将训练后的第一神经网络模型、训练后的第二神经网络模型存储在所述第四存储模块中;
文本属性搜索输入模块,用于输入文本属性形式的待搜索数据;
二维投影图搜索输入模块,用于输入属于二维投影图的待搜索数据;
三维模型搜索输入模块,用于输入属于三维模型的待搜索数据;
三角面转换模块,获取所述三维模型搜索输入模块的待搜索数据,对所述待搜索数据转换进行三角面转换;
类别识别模块,当待搜索数据属于文本属性时,通过将搜索数据与所述本属性数据集中的属性名称和属性值进行匹配,得出所述待搜索数据的构件类别;当待搜索数据属于二维投影图时,通过将待搜索数据输入训练后的第一神经网络模型,得出所述待搜索数据的构件类别;当待搜索数据属于属于三维模型时,通过将待搜索数据输入训练后的第二神经网络模型,得出所述待搜索数据的构件类别;
搜索显示模块,根据所述类别识别模块识别得到的构件类别,从所述样本BIM模型中搜索出同类别的所有构件并显示。
9.如权利要求8所述的基于BIM模型的图文搜索系统,其特征在于:
其中,所述第一神经网络模型为基于多视图的卷积神经网络模型;
所述第二神经网络模型为基于三角面片的深度神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848636.4A CN110704653A (zh) | 2019-09-09 | 2019-09-09 | 一种bim模型中以图搜索构件的方法及图文搜索系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848636.4A CN110704653A (zh) | 2019-09-09 | 2019-09-09 | 一种bim模型中以图搜索构件的方法及图文搜索系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110704653A true CN110704653A (zh) | 2020-01-17 |
Family
ID=69195044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910848636.4A Pending CN110704653A (zh) | 2019-09-09 | 2019-09-09 | 一种bim模型中以图搜索构件的方法及图文搜索系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110704653A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949722A (zh) * | 2020-07-06 | 2020-11-17 | 中煤科工重庆设计研究院(集团)有限公司 | 一种基于Revit的BIM模型轻量化方法及系统 |
CN112488135A (zh) * | 2020-12-28 | 2021-03-12 | 深圳供电局有限公司 | 一种变电站bim三维图像特征的分类方法 |
CN112651373A (zh) * | 2021-01-04 | 2021-04-13 | 广联达科技股份有限公司 | 一种建筑图纸文本信息的识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004748A (zh) * | 2006-10-27 | 2007-07-25 | 北京航空航天大学 | 基于二维草图的三维模型检索方法 |
CN102955848A (zh) * | 2012-10-29 | 2013-03-06 | 北京工商大学 | 一种基于语义的三维模型检索系统和方法 |
CN106528826A (zh) * | 2016-11-18 | 2017-03-22 | 广东技术师范学院 | 一种基于深度学习的多视图外观专利图像检索方法 |
CN106529569A (zh) * | 2016-10-11 | 2017-03-22 | 北京航空航天大学 | 基于深度学习的三维模型三角面特征学习分类方法及装置 |
CN107194559A (zh) * | 2017-05-12 | 2017-09-22 | 杭州电子科技大学 | 一种基于三维卷积神经网络的工作流识别方法 |
CN109472319A (zh) * | 2018-11-28 | 2019-03-15 | 佛山科学技术学院 | 一种三维模型分类方法以及检索方法 |
US20190147221A1 (en) * | 2017-11-15 | 2019-05-16 | Qualcomm Technologies Inc. | Pose estimation and model retrieval for objects in images |
CN110019914A (zh) * | 2018-07-18 | 2019-07-16 | 王斌 | 一种支持三维场景交互的三维模型数据库检索方法 |
-
2019
- 2019-09-09 CN CN201910848636.4A patent/CN110704653A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004748A (zh) * | 2006-10-27 | 2007-07-25 | 北京航空航天大学 | 基于二维草图的三维模型检索方法 |
CN102955848A (zh) * | 2012-10-29 | 2013-03-06 | 北京工商大学 | 一种基于语义的三维模型检索系统和方法 |
CN106529569A (zh) * | 2016-10-11 | 2017-03-22 | 北京航空航天大学 | 基于深度学习的三维模型三角面特征学习分类方法及装置 |
CN106528826A (zh) * | 2016-11-18 | 2017-03-22 | 广东技术师范学院 | 一种基于深度学习的多视图外观专利图像检索方法 |
CN107194559A (zh) * | 2017-05-12 | 2017-09-22 | 杭州电子科技大学 | 一种基于三维卷积神经网络的工作流识别方法 |
US20190147221A1 (en) * | 2017-11-15 | 2019-05-16 | Qualcomm Technologies Inc. | Pose estimation and model retrieval for objects in images |
CN110019914A (zh) * | 2018-07-18 | 2019-07-16 | 王斌 | 一种支持三维场景交互的三维模型数据库检索方法 |
CN109472319A (zh) * | 2018-11-28 | 2019-03-15 | 佛山科学技术学院 | 一种三维模型分类方法以及检索方法 |
Non-Patent Citations (2)
Title |
---|
HANG SU等: "Multi-view Convolutional Neural Networks for 3D Shape Recognition" * |
孟祥增等: "基于属性表征和信息测度的图像检索", 《山东师范大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949722A (zh) * | 2020-07-06 | 2020-11-17 | 中煤科工重庆设计研究院(集团)有限公司 | 一种基于Revit的BIM模型轻量化方法及系统 |
CN112488135A (zh) * | 2020-12-28 | 2021-03-12 | 深圳供电局有限公司 | 一种变电站bim三维图像特征的分类方法 |
CN112651373A (zh) * | 2021-01-04 | 2021-04-13 | 广联达科技股份有限公司 | 一种建筑图纸文本信息的识别方法及装置 |
CN112651373B (zh) * | 2021-01-04 | 2024-02-09 | 广联达科技股份有限公司 | 一种建筑图纸文本信息的识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704653A (zh) | 一种bim模型中以图搜索构件的方法及图文搜索系统 | |
CN115293751B (zh) | 一种轨道交通bim模型数据的处理方法、系统及设备 | |
CN109214068A (zh) | 基于bim的底层装配式建筑信息提取方法 | |
CN104573231A (zh) | 基于bim的智慧楼宇系统和方法 | |
CN110704929A (zh) | 基于bim+gis与案例推理的绿色建筑辅助优化系统 | |
CN110489749B (zh) | 一种智能办公自动化系统的业务流程优化方法 | |
CN115713161A (zh) | 一种基于bim技术的建筑信息管理系统 | |
CN109885904A (zh) | 基于bim的多维模审施工协同平台 | |
CN115936546A (zh) | 基于数字孪生的装配式建筑绿色施工管理方法及装置 | |
CN112148820B (zh) | 一种基于深度学习的水下地形数据识别和服务方法及系统 | |
CN108509198B (zh) | 一种基于中性bom的产品电子图册构建方法 | |
CN112990844A (zh) | 一种基于bim的施工方法及管理系统 | |
CN109447466B (zh) | 一种基于配电网通信网络建设的全过程可视化管控系统 | |
CN116862454B (zh) | 一种室内建筑设计管理方法及系统 | |
CN111784192A (zh) | 一种基于动态演化的工业园区应急预案可执行化系统 | |
CN115470557B (zh) | 一种基于bim的智能建筑设计方法及系统 | |
CN111401789A (zh) | 一种基于bim的建筑施工智能监管系统 | |
CN103247087A (zh) | 城市配网图形化智能防误操作系统及其方法 | |
CN114170377A (zh) | 一种基于bim的历史建筑特色构件族库构建方法及系统 | |
CN112051996A (zh) | 一种基于开发平台元素统一命名字典的建模方法及装置 | |
Lyu et al. | Design and implementation of railway green performance basic data collection system | |
CN114820936B (zh) | 一种波形腹板钢—砼组合梁桥三维设计及自动绘图系统 | |
CN117422426B (zh) | 基于水运工程bim模型的信息优化方法及系统 | |
Wan et al. | Application of “BIM+” Architecture Based on Cloud Technology in Intelligent Management of Rail Transit | |
CN114971255B (zh) | 一种参数性能自动检测系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |