CN111476138B - 建筑图纸构件识别模型构建方法、识别方法及相关设备 - Google Patents

Abstract

本申请实施例公开了一种建筑图纸构件识别模型构建方法、识别方法及相关设备，该建筑图纸构件识别模型构建方法通过将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；然后对样本建筑图纸进行分解、旋转、平移等一系列的处理，得到训练用的第一目标图纸集；将第一目标图纸集输入轻量级卷积神经网络，通过轻量级卷积神经网络的轻量卷积层和池化层提取到第一目标图纸集中的第一目标图纸的局部高层特征，基于局部高层特征识别样本建筑图纸中的构件；经过预设数量次的循环训练，轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型。本申请实施例有利于提高建筑图纸构件识别的效率。

Description

建筑图纸构件识别模型构建方法、识别方法及相关设备

技术领域

本申请涉及图像识别技术领域，尤其涉及一种建筑图纸构件识别模型构建方法、识别方法及相关设备。

背景技术

随着人工智能的发展，计算机视觉技术被广泛应用于图像处理、图像识别、视频语义理解等场景中，例如：识别建筑图纸中的构件就是其应用之一。建筑图纸构件识别是对建筑图纸中构成建筑的基本组合物体进行检测和标定的过程，它是机器理解建筑图纸的具体含义，对建筑图纸进行语义理解的重要基础，在建筑图纸智能审查中发挥着重要的作用。目前，针对通用建筑图纸中的构件识别，大多采用浅层特征和传统的分类器(例如：HOG特征和SVM分类器)，为了提取建筑图纸中的深层特征，深度学习被应用到建筑图纸构件识别中，然而，实际应用中采用的卷积神经网络参数较多、网络模型非常大，加之建筑图纸中构件数量往往较大，导致识别效率较低。

发明内容

为解决上述问题，本申请提供了一种建筑图纸构件识别模型构建方法、建筑图纸构件识别方法及相关设备，有利于提高对建筑图纸中的构件进行识别的效率。

本申请实施例第一方面提供了一种建筑图纸构件识别模型构建方法，该方法包括：

响应用户输入的模型构建指令，将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；

从数据库中获取样本建筑图纸，对所述样本建筑图纸进行分解、旋转、平移一系列的处理，得到训练用的第一目标图纸集；

将所述第一目标图纸集输入所述轻量级卷积神经网络，通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征，基于所述局部高层特征识别所述样本建筑图纸中的构件；

经过预设数量次的循环训练，所述轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型。

结合第一方面，在一种可能的实施方式中，所述对所述样本建筑图纸进行分解、旋转、平移一系列的处理，得到训练用的第一目标图纸集的步骤，包括：

以单个构件为单位将含有n个构件的所述样本建筑图纸分解为n张第二目标图纸，得到第二目标图纸集；

对所述第二目标图纸集进行旋转和平移以扩增训练数据，得到所述第一目标图纸集。

结合第一方面，在一种可能的实施方式中，所述对所述第二目标图纸集进行旋转和平移的步骤，包括：

将所述第二目标图纸集中的所述第二目标图纸与旋转矩阵做乘积运算；以及

将所述第二目标图纸集中的所述第二目标图纸与平移矩阵做乘积运算。

结合第一方面，在一种可能的实施方式中，所述通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征的步骤，包括：

通过多个轻量卷积层和多个池化层交替对所述第一目标图纸进行卷积和最大池化操作，以提取出所述局部高层特征；其中，每个所述轻量卷积层基于卷积核分解以两层卷积的形式进行处理，两层卷积中第一层卷积输出的特征作为第二层卷积的输入，第二层卷积输出的特征作为相邻池化层的输入。

结合第一方面，在一种可能的实施方式中，所述基于所述局部高层特征识别所述样本建筑图纸中的构件的步骤，包括：

将所述局部高层特征输入所述轻量级卷积神经网络的全连接层，使得所述全连接层通过所述局部高层特征学习到全局特征；

将所述全局特征输入所述轻量级卷积神经网络的输出层和分类器中进行分类预测，输出所述样本建筑图纸中的构件的预测结果。

本申请实施例第二方面还提供了一种建筑图纸构件识别方法，该方法包括：

获取终端提交的建筑图纸构件识别请求，所述建筑图纸构件识别请求中包括待识别建筑图纸，所述待识别建筑图纸中包括多个构件；

将所述待识别建筑图纸分解为多个第三目标图纸，每个所述第三目标图纸中仅包括所述多个构件中的一个构件；

将所述第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵；

将所述分类矩阵中概率最大的值对应的索引作为所述第三目标图纸中包括的构件的识别结果，并将所述识别结果返回所述终端。

本申请实施例第三方面提供了一种建筑图纸构件识别模型构建装置，该装置包括：

轻量网络构建模块，用于响应用户输入的模型构建指令，将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；

数据扩增模块，用于从数据库中获取样本建筑图纸，对所述样本建筑图纸进行分解、旋转、平移一系列的处理，得到训练用的第一目标图纸集；

轻量网络训练模块，用于将所述第一目标图纸集输入所述轻量级卷积神经网络，通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征，基于所述局部高层特征识别所述样本建筑图纸中的构件；

模型获取模块，用于经过预设数量次的循环训练，所述轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型。

本申请实施例第四方面提供了一种建筑图纸构件识别装置，该装置包括：

识别请求获取模块，用于获取终端提交的建筑图纸构件识别请求，所述建筑图纸构件识别请求中包括待识别建筑图纸，所述待识别建筑图纸中包括多个构件；

建筑图纸分解模块，用于将所述待识别建筑图纸分解为多个第三目标图纸，每个所述第三目标图纸中仅包括所述多个构件中的一个构件；

构件识别模块，用于将所述第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵；

识别结果输出模块，用于将所述分类矩阵中概率最大的值对应的索引作为所述第三目标图纸中包括的构件的识别结果，并将所述识别结果返回所述终端。

本申请实施例第五方面提供了一种电子设备，该电子设备包括输入设备和输出设备，还包括处理器，适于实现一条或多条指令；以及，

计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由所述处理器加载并执行上述第一方面或第二方面所述的方法中的步骤。

本申请实施例第六方面提供了一种计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由处理器加载并执行上述第一方面或第二方面所述的方法中的步骤。

与现有技术相比，本申请实施例通过将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；然后从数据库中获取样本建筑图纸，对样本建筑图纸进行分解、旋转、平移等一系列的处理，得到训练用的第一目标图纸集；将第一目标图纸集输入轻量级卷积神经网络，通过轻量级卷积神经网络的轻量卷积层和池化层提取到第一目标图纸集中的第一目标图纸的局部高层特征，基于局部高层特征识别样本建筑图纸中的构件；经过预设数量次的循环训练，轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型。这样以轻量卷积层替换传统卷积神经网络中的标准卷积层，来构建轻量级卷积神经网络，同时，以分解的第一目标图纸训练轻量级卷积神经网络得到的建筑图纸构件识别模型，在对建筑图纸中的构件进行识别时，降低了网络的计算复杂度，从而有利于提高建筑图纸构件识别的效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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申请的一些实施例，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为本申请实施例提供的一种网络系统架构图；

图2为本申请实施例提供的一种建筑图纸构件识别模型构建方法的流程示意图；

图3a为本申请实施例提供的一种传统卷积神经网络的结构示意图；

图3b为本申请实施例提供的一种轻量级卷积神经网络的结构示意图；

图3c为本申请实施例提供的一种建筑图纸的示例图；

图3d为本申请实施例提供的一种生成第一目标图纸集的示例图；

图4为本申请实施例提供的另一种建筑图纸构件识别模型构建方法的流程示意图；

图5为本申请实施例提供的一种建筑图纸构件识别方法的流程示意图；

图6为本申请实施例提供的一种建筑图纸构件识别模型构建装置的结构示意图；

图7为本申请实施例提供的一种建筑图纸构件识别装置的结构示意图；

图8为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都应当属于本申请保护的范围。本申请说明书、权利要求书和附图中出现的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，术语“第一”、“第二”和“第三”等是用于区别不同的对象，而并非用于描述特定的顺序。

本申请实施例提供一种建筑图纸构件识别模型构建方案以构建出能够提高建筑图纸中构件识别效率的建筑图纸构件识别模型，在模型训练阶段，基于卷积核分解的思想构建轻量卷积层，相较于传统卷积神经网络中含有N个A*B卷积核的标准卷积层，这里我们以含有1个A*B的卷积核和N个1*1的卷积核的轻量卷积层来构建轻量级卷积神经网络(L-CNN)，然后将样本建筑图纸分解为含有单个构件的小图纸，对小图纸进行旋转、平移等操作以扩增训练数据，利用小图纸训练构建的轻量级卷积神经网络，得到我们想要的建筑图纸构件识别模型。试验结果表明，本方案提供的建筑图纸构件识别模型在显卡上的运算速度提高了4倍，针对含有众多构件的建筑图纸(例如：dwg格式的图纸)，识别效率显著提升，且准确率有保证。

具体的，该建筑图纸构件识别模型构建方案可基于图1所示的网络系统架构进行实施，如图1所示，该网络系统架构至少包括终端、审图服务器和数据库，整个网络系统通过有线或无线的网络连接，可以是虚拟专用网、局域网、广域网、城域网等，具体通信传输协议不作限定。终端可用于通过程序代码或触控信号向审图服务器提交模型构建请求或指令，以此请求审图服务器执行建筑图纸构件识别模型构建相关步骤，审图服务器为执行主体，在一些实施例中，审图服务器可以是智能审图平台的后台服务器，智能审图平台通过将建筑行业设计图纸审查标准等规则化，自动进行建筑图纸审查，而构件识别是建筑图纸审查的过程之一，审图服务器通过处理器执行程序代码来进行一系列建筑图纸构件识别模型构建处理，例如：构建轻量级卷积神经网络、通过输入的样本建筑图纸生成训练用的小图纸集、通过轻量卷积层提取局部高层特征、循环迭代，等等。数据库可用于存储样本建筑图纸、小图纸集、训练结果、测试结果等信息，开发人员可通过终端输入条件查询语句从该数据库中提取需要的信息，例如：提取本申请中的建筑图纸构件识别模型与传统卷积神经网络模型的测试结果，以进行比较分析，该数据库可以是本地数据库，例如：万科的Vanke-Bu数据库，也可以是独立于审图服务器的第三方数据库，例如：一些设计院的数据库，或者还可以是云端数据库。可以理解的，本申请中终端可以是桌上电脑、平板电脑、超级计算机等设备，审图服务器可以是本地服务器，也可以是云端服务器，或者也可以是服务器集群，基于本申请提供的建筑图纸构件识别模型轻量化的特点，其还可以部署于移动端，由移动端来执行建筑图纸的构件识别方法，当然，图1所示的网络系统架构仅仅是一种示例，其还可以包括如路由器、交换机等更多的组成部分。

基于图1所示的网络系统架构，以下结合相关附图对本申请实施例提出的建筑图纸构件识别模型构建方法进行详细阐述，请参见图2，图2为本申请实施例提供的一种建筑图纸构件识别模型构建方法的流程示意图，如图2所示，包括步骤S21-S24：

S21，响应用户输入的模型构建指令，将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络。

本申请具体实施例中，用户输入的模型构建指令可以是程序代码的形式，现有建筑图纸构件识别所采用的的卷积神经网络结构如图3a所示，包括若干卷积层和池化层，最后一个池化层后接全连接层和输出层，输出层中以softmax函数为激活函数构造分类器，采用随机梯度下降的方法训练卷积神经网络、以交叉熵为损失函数。假设其每个卷积层中包含N个A*B的卷积核，通过分解卷积核的形式我们将每个卷积层分解为两层来构建轻量卷积层，轻量卷积层的第一层为包含1个A*B卷积核的卷积层，而第二层为包含N个1*1卷积核的卷积层，以轻量卷积层替换传统卷积神经网络中的卷积层以构建如图3b所示的轻量级卷积神经网络。

S22，从数据库中获取样本建筑图纸，对所述样本建筑图纸进行分解、旋转、平移一系列的处理，得到训练用的第一目标图纸集。

本申请具体实施例中，第一目标图纸集即对样本建筑图纸进行分解、旋转、平移后得到的训练数据集，审图服务器根据外部输入设备(例如：鼠标、按键键盘、触控键盘)触发的信号从数据库中获取样本建筑图纸，该样本建筑图纸可以是如图3c所示的CAD图纸或者其他格式的二维建筑图纸，其由用户预先存储在数据库中，以便于使用时直接获取。可以理解的，图3c所示的样本建筑图纸中包含有门、窗、墙、柱、梁等众多构件(例如：n个)，审图服务器执行图像分解算法，采用图像分割、图像裁剪等技术以单个构件为单位，将图3c所示的样本建筑图纸分解为n个小图纸，如图中“门1”表示仅包含标注信息为“门1”的这个构件的小图纸，“门N”表示仅包含标注信息为“门N”的这个构件的小图纸，由此得到一小图纸集，然后对小图纸集中的小图纸进行旋转、平移等操作，以扩增训练数据，得到第一目标图纸集。旋转选取的角度可包括30度、60度、80度、135度、180度，平移即对每个小图纸中构件的位置进行平移，旋转的具体做法是将小图纸集中的小图纸与不同旋转角度对应的旋转矩阵X相乘得到旋转后的小图纸，例如：与30度对应的旋转矩阵X1相乘会得到一批旋转后的小图纸、与60度对应的旋转矩阵X2相乘会得到另一批旋转后的小图纸，同样，平移的具体做法是将小图纸集中的小图纸与平移矩阵P相乘得到平移后的小图纸。

S23，将所述第一目标图纸集输入所述轻量级卷积神经网络，通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征，基于所述局部高层特征识别所述样本建筑图纸中的构件。

S24，经过预设数量次的循环训练，所述轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型。

本申请具体实施例中，得到第一目标图纸集后，将其中的小图纸输入图3b所示的轻量级卷积神经网络，通过轻量级卷积神经网络的轻量卷积层和池化层的交替处理，以期对小图纸进行局部高层特征的提取。具体的，每个轻量卷积层中，以1个A*B的卷积核对输入的特征执行第一层卷积操作，以含有N个1*1卷积核的第二层对第一层卷积操作输出的特征再进行卷积，输出的特征为下一个池化层的输入，由池化层进行最大池化操作，由最后一个池化层输出提取到的局部高层特征，然后将局部高层特征输入全连接层中，全连接层通过综合局部高层特征学习到全局特征，最后将全局特征输入输出层和softmax分类器，由softmax分类器对每个小图纸中的构件进行分类预测，其输出为小图纸中的构件具体属于哪一类构件的概率。按照以上方法对第一目标图纸集进行迭代，调整轻量级卷积神经网络的参数，经过预设数量次(例如：100次)的循环训练，整个轻量级卷积神经网络收敛，便得到构建好的建筑图纸构件识别模型。

可以看出，本申请实施例通过将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；然后从数据库中获取样本建筑图纸，对样本建筑图纸进行分解、旋转、平移等一系列的处理，得到训练用的第一目标图纸集；将第一目标图纸集输入轻量级卷积神经网络，通过轻量级卷积神经网络的轻量卷积层和池化层提取到第一目标图纸集中的第一目标图纸的局部高层特征，基于局部高层特征识别样本建筑图纸中的构件；经过预设数量次的循环训练，轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型。这样以轻量卷积层替换传统卷积神经网络中的标准卷积层，来构建轻量级卷积神经网络，同时，以分解的第一目标图纸训练轻量级卷积神经网络得到的建筑图纸构件识别模型，在对建筑图纸中的构件进行识别时，降低了网络的计算复杂度，从而有利于提高建筑图纸构件识别的效率。

请参见图4，图4为本申请实施例提供的另一种建筑图纸构件识别模型构建方法的流程示意图，如图4所示，包括步骤S31-S35：

S41，响应用户输入的模型构建指令，将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；

S42，从数据库中获取样本建筑图纸，以单个构件为单位将含有n个构件的所述样本建筑图纸分解为n张第二目标图纸，得到第二目标图纸集；

S43，对所述第二目标图纸集进行旋转和平移以扩增训练数据，得到第一目标图纸集；

在一种可能的实施方式中，上述对所述第二目标图纸集进行旋转和平移，包括：

将所述第二目标图纸集中的所述第二目标图纸与旋转矩阵做乘积运算；以及

将所述第二目标图纸集中的所述第二目标图纸与平移矩阵做乘积运算。

该实施方式中，第二目标图纸即样本建筑图纸分解后得到的小图纸，通过旋转矩阵和平移矩阵与第二目标图纸相乘，计算速度快，能够快速实现训练数据的扩增，大批量的训练数据有利于提高最终得到的建筑图纸构件识别模型的泛化能力。

S44，将所述第一目标图纸集输入所述轻量级卷积神经网络，通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征，基于所述局部高层特征识别所述样本建筑图纸中的构件；

S45，经过预设数量次的循环训练，所述轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型。

在一种可能的实施方式中，上述通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征，包括：

通过多个轻量卷积层和多个池化层交替对所述第一目标图纸进行卷积和最大池化操作，以提取出所述局部高层特征；其中，每个所述轻量卷积层基于卷积核分解以两层卷积的形式进行处理，两层卷积中第一层卷积输出的特征作为第二层卷积的输入，第二层卷积输出的特征作为相邻池化层的输入。

该实施方式中，采用轻量级卷积神经网络的轻量卷积层进行卷积操作，轻量卷积层的第一层卷积用于提取空间特征，第二层卷积用于提取通道特征，将原本采用N个A*B的卷积核进行通道特征提取和空间特征提取改为两层进行，降低了卷积神经网络的计算复杂度。

在一种可能的实施方式中，上述基于所述局部高层特征识别所述样本建筑图纸中的构件，包括：

将所述局部高层特征输入所述轻量级卷积神经网络的全连接层，使得所述全连接层通过所述局部高层特征学习到全局特征；

将所述全局特征输入所述轻量级卷积神经网络的输出层和分类器中进行分类预测，输出所述样本建筑图纸中的构件的预测结果。

该实施方式中，分类器为softmax分类器，利用全连接层对前面提取出的局部高层特征进行综合得到全局特征，通过softmax分类器进行分类预测，适用于建筑图纸构件识别这种多分类场景。

其中，步骤S41-S45的具体实施方式在图2所示的实施例中已有详细说明，为避免重复，此处不再赘述。

基于图2或图4所示实施例构建的建筑图纸构件识别模型，请参见图5，图5为本申请实施例提供的一种建筑图纸构件识别方法的流程示意图，该建筑图纸构件识别方法同样可基于图1所示的网络系统架构实施，如图5所示，具体包括步骤S51-S54：

S51，获取终端提交的建筑图纸构件识别请求，所述建筑图纸构件识别请求中包括待识别建筑图纸，所述待识别建筑图纸中包括多个构件；

S52，将所述待识别建筑图纸分解为多个第三目标图纸，每个所述第三目标图纸中仅包括所述多个构件中的一个构件；

S53，将所述第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵；

S54，将所述分类矩阵中概率最大的值对应的索引作为所述第三目标图纸中包括的构件的识别结果，并将所述识别结果返回所述终端。

本申请具体实施例中，待识别建筑图纸可以是用于测试的图纸，也可以是实际审图时的图纸，例如设计师发过来的房屋平面设计图，用户可通过终端人机交互界面的控件提交建筑图纸构件识别请求，例如：智能审图平台界面提供的“一键审图”功能，第三目标图纸即对待识别建筑图纸进行分解得到，只包含一个构件的小图纸。将第三目标图纸输入本申请图2或图4所示实施例构建的建筑图纸构件识别模型中，由多个轻量卷积层和池化层交替进行卷积和最大池化，以提取出第三目标图纸的局部高层特征，由全连接层进行综合得到第三目标图纸的全局特征，将全局特征输入输出层和softmax分类器进行分类预测，输出第三目标图纸的预测分类矩阵，将其中概率最大的值对应的索引作为第三目标图纸中的构件的识别结果，最终得到待识别建筑图纸中所有门、窗、楼梯等构件的识别结果，并在终端的人机交互界面进行显示。本申请用测试集在几种卷积神经网络模型上进行了构件识别实验，表1为几种卷积神经网络模型在准确率和识别速度两个维度上的比对结果：

模型	准确率	识别速度
			CNN	98％	20分钟
SqueezeNet	97％	5分钟
			Fully-CNN	97.5％	5分钟
BinaryNet	96％	3分钟
			L-CNN	98％	5分钟

表1

其中，测试集来源于万科的Vanke-Bu数据库中的建筑图纸，不难看出，本申请实施例基于轻量级卷积神经网络训练得到的建筑图纸构件识别模型，即表1中L-CNN一栏，对同一张建筑图纸进行构件识别的准确率达到98％，识别速度为5分钟，与传统的卷积神经网络模型相比，即表1中CNN一栏，识别速度大幅提升，同时，与SqueezeNet、Fully-CNN、BinaryNet等模型相比，在识别的准确率上相对高一点，其综合效果是几者中最好的。

本申请实施例提供的建筑图纸构件识别方法在获取到终端提交的建筑图纸构件识别请求的情况下，将待识别建筑图纸分解为多个第三目标图纸，每个第三目标图纸中仅包括一个构件；然后将第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵；最后将分类矩阵中概率最大的值对应的索引作为第三目标图纸中包括的构件的识别结果，并将该识别结果返回至终端，轻量卷积层的采用使整个识别效率明显提升。

基于上述方法实施例的描述，本申请实施例还提供一种建筑图纸构件识别模型构建装置，所述建筑图纸构件识别模型构建装置可以是运行于终端中的一个计算机程序(包括程序代码)。该建筑图纸构件识别模型构建装置可以执行图2或图4所示的方法。请参见图6，该装置包括：

轻量网络构建模块61，用于响应用户输入的模型构建指令，将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；

数据扩增模块62，用于从数据库中获取样本建筑图纸，对所述样本建筑图纸进行分解、旋转、平移一系列的处理，得到训练用的第一目标图纸集；

轻量网络训练模块63，用于将所述第一目标图纸集输入所述轻量级卷积神经网络，通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征，基于所述局部高层特征识别所述样本建筑图纸中的构件；

模型获取模块64，用于经过预设数量次的循环训练，所述轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型。

在一种可选的实施方式中，在对所述样本建筑图纸进行分解、旋转、平移一系列的处理，得到训练用的第一目标图纸集方面，数据扩增模块62具体用于：

以单个构件为单位将含有n个构件的所述样本建筑图纸分解为n张第二目标图纸，得到第二目标图纸集；

对所述第二目标图纸集进行旋转和平移以扩增训练数据，得到所述第一目标图纸集。

在一种可选的实施方式中，在对所述第二目标图纸集进行旋转和平移方面，数据扩增模块62具体用于：

将所述第二目标图纸集中的所述第二目标图纸与旋转矩阵做乘积运算；以及

将所述第二目标图纸集中的所述第二目标图纸与平移矩阵做乘积运算。

在一种可选的实施方式中，在通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征方面，轻量网络训练模块63具体用于：

通过多个轻量卷积层和多个池化层交替对所述第一目标图纸进行卷积和最大池化操作，以提取出所述局部高层特征；其中，每个所述轻量卷积层基于卷积核分解以两层卷积的形式进行处理，两层卷积中第一层卷积输出的特征作为第二层卷积的输入，第二层卷积输出的特征作为相邻池化层的输入。

在一种可选的实施方式中，在基于所述局部高层特征识别所述样本建筑图纸中的构件方面，轻量网络训练模块63具体用于：

将所述局部高层特征输入所述轻量级卷积神经网络的全连接层，使得所述全连接层通过所述局部高层特征学习到全局特征；

将所述全局特征输入所述轻量级卷积神经网络的输出层和分类器中进行分类预测，输出所述样本建筑图纸中的构件的预测结果。

本申请实施例提供的建筑图纸构件识别模型构建装置通过将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；然后从数据库中获取样本建筑图纸，对样本建筑图纸进行分解、旋转、平移等一系列的处理，得到训练用的第一目标图纸集；将第一目标图纸集输入轻量级卷积神经网络，通过轻量级卷积神经网络的轻量卷积层和池化层提取到第一目标图纸集中的第一目标图纸的局部高层特征，基于局部高层特征识别样本建筑图纸中的构件；经过预设数量次的循环训练，轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型。这样以轻量卷积层替换传统卷积神经网络中的标准卷积层，来构建轻量级卷积神经网络，同时，以分解的第一目标图纸训练轻量级卷积神经网络得到的建筑图纸构件识别模型，在对建筑图纸中的构件进行识别时，降低了网络的计算复杂度，从而有利于提高建筑图纸构件识别的效率。

基于上述图5所示的建筑图纸构件识别方法实施例的描述，本申请实施例还提供一种建筑图纸构件识别装置，请参见图7，该装置包括：

识别请求获取模块71，用于获取终端提交的建筑图纸构件识别请求，所述建筑图纸构件识别请求中包括待识别建筑图纸，所述待识别建筑图纸中包括多个构件；

建筑图纸分解模块72，用于将所述待识别建筑图纸分解为多个第三目标图纸，每个所述第三目标图纸中仅包括所述多个构件中的一个构件；

构件识别模块73，用于将所述第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵；

识别结果输出模块74，用于将所述分类矩阵中概率最大的值对应的索引作为所述第三目标图纸中包括的构件的识别结果，并将所述识别结果返回所述终端。

本申请实施例提供的建筑图纸构件识别装置在获取到终端提交的建筑图纸构件识别请求的情况下，将待识别建筑图纸分解为多个第三目标图纸，每个第三目标图纸中仅包括一个构件；然后将第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵；最后将分类矩阵中概率最大的值对应的索引作为第三目标图纸中包括的构件的识别结果，并将该识别结果返回至终端，轻量卷积层的采用使整个识别效率明显提升。

根据本申请的一个实施例，图6和图7所示的建筑图纸构件识别模型构建装置和建筑图纸构件识别装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本发明的实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以由多个单元来实现，或者多个单元的功能由一个单元实现。在本发明的其它实施例中，建筑图纸构件识别模型构建装置、建筑图纸构件识别装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。

根据本申请的另一个实施例，可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图2、图4或图5中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造如图7或图8所示的装置设备，以及来实现本发明实施例的上述方法。所述计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述计算设备中，并在其中运行。

基于上述方法实施例以及装置实施例的描述，本发明实施例还提供一种电子设备。请参见图8，该电子设备至少包括处理器801、输入设备802、输出设备803以及计算机存储介质804。其中，电子设备内的处理器801、输入设备802、输出设备803以及计算机存储介质804可通过总线或其他方式连接。

计算机存储介质804可以存储在电子设备的存储器中，所述计算机存储介质804用于存储计算机程序，所述计算机程序包括程序指令，所述处理器801用于执行所述计算机存储介质804存储的程序指令。处理器801(或称CPU(Central Processing Unit，中央处理器))是电子设备的计算核心以及控制核心，其适于实现一条或多条指令，具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能。

在一个实施例中，本申请实施例提供的电子设备的处理器801可以用于进行一系列建筑图纸构件识别模型构建处理，包括：

响应用户输入的模型构建指令，将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；

从数据库中获取样本建筑图纸，对所述样本建筑图纸进行分解、旋转、平移一系列的处理，得到训练用的第一目标图纸集；

将所述第一目标图纸集输入所述轻量级卷积神经网络，通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征，基于所述局部高层特征识别所述样本建筑图纸中的构件；

经过预设数量次的循环训练，所述轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型。

本申请实施例通过将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；然后从数据库中获取样本建筑图纸，对样本建筑图纸进行分解、旋转、平移等一系列的处理，得到训练用的第一目标图纸集；将第一目标图纸集输入轻量级卷积神经网络，通过轻量级卷积神经网络的轻量卷积层和池化层提取到第一目标图纸集中的第一目标图纸的局部高层特征，基于局部高层特征识别样本建筑图纸中的构件；经过预设数量次的循环训练，轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型。这样以轻量卷积层替换传统卷积神经网络中的标准卷积层，来构建轻量级卷积神经网络，同时，以分解的第一目标图纸训练轻量级卷积神经网络得到的建筑图纸构件识别模型，在对建筑图纸中的构件进行识别时，降低了网络的计算复杂度，从而有利于提高建筑图纸构件识别的效率。

在一个实施例中，处理器801执行所述对所述样本建筑图纸进行分解、旋转、平移一系列的处理，得到训练用的第一目标图纸集，包括：

以单个构件为单位将含有n个构件的所述样本建筑图纸分解为n张第二目标图纸，得到第二目标图纸集；

对所述第二目标图纸集进行旋转和平移以扩增训练数据，得到所述第一目标图纸集。

在一个实施例中，处理器801执行所述对所述第二目标图纸集进行旋转和平移，包括：

将所述第二目标图纸集中的所述第二目标图纸与旋转矩阵做乘积运算；以及

将所述第二目标图纸集中的所述第二目标图纸与平移矩阵做乘积运算。

在一个实施例中，处理器801执行所述通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征，包括：

通过多个轻量卷积层和多个池化层交替对所述第一目标图纸进行卷积和最大池化操作，以提取出所述局部高层特征；其中，每个所述轻量卷积层基于卷积核分解以两层卷积的形式进行处理，两层卷积中第一层卷积输出的特征作为第二层卷积的输入，第二层卷积输出的特征作为相邻池化层的输入。

在一个实施例中，处理器801执行基于所述局部高层特征识别所述样本建筑图纸中的构件，包括：

将所述局部高层特征输入所述轻量级卷积神经网络的全连接层，使得所述全连接层通过所述局部高层特征学习到全局特征；

将所述全局特征输入所述轻量级卷积神经网络的输出层和分类器中进行分类预测，输出所述样本建筑图纸中的构件的预测结果。

在另一个实施例中，本申请实施例提供的电子设备的处理器801还可以用于进行一系建筑图纸构件识别处理，包括：

获取终端提交的建筑图纸构件识别请求，所述建筑图纸构件识别请求中包括待识别建筑图纸，所述待识别建筑图纸中包括多个构件；

将所述待识别建筑图纸分解为多个第三目标图纸，每个所述第三目标图纸中仅包括所述多个构件中的一个构件；

将所述第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵；

将所述分类矩阵中概率最大的值对应的索引作为所述第三目标图纸中包括的构件的识别结果，并将所述识别结果返回所述终端。

本申请实施例在获取到终端提交的建筑图纸构件识别请求的情况下，将待识别建筑图纸分解为多个第三目标图纸，每个第三目标图纸中仅包括一个构件；然后将第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵；最后将分类矩阵中概率最大的值对应的索引作为第三目标图纸中包括的构件的识别结果，并将该识别结果返回至终端，轻量卷积层的采用使整个识别效率明显提升。

示例性的，上述电子设备可以是智能手机、计算机、笔记本电脑、平板电脑、掌上电脑、服务器等。电子设备可包括但不仅限于处理器801、输入设备802、输出设备803以及计算机存储介质804。本领域技术人员可以理解，所述示意图仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

需要说明的是，由于电子设备的处理器801执行计算机程序时实现上述的建筑图纸构件识别模型构建方法或建筑图纸构件识别方法中的步骤，因此上述建筑图纸构件识别模型构建方法、建筑图纸构件识别方法的实施例均适用于该电子设备，且均能达到相同或相似的有益效果。

本申请实施例还提供了一种计算机存储介质(Memory)，所述计算机存储介质是电子设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机存储介质既可以包括终端中的内置存储介质，当然也可以包括终端所支持的扩展存储介质。计算机存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器801加载并执行的一条或多条的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器；可选的，还可以是至少一个位于远离前述处理器801的计算机存储介质。在一个实施例中，可由处理器801加载并执行计算机存储介质中存放的一条或多条指令，以实现上述有关建筑图纸构件识别模型构建方法或建筑图纸构件识别方法的相应步骤。

需要说明的是，由于计算机存储介质的计算机程序被处理器执行时实现上述的建筑图纸构件识别模型构建方法或建筑图纸构件识别方法中的步骤，因此上述建筑图纸构件识别模型构建方法、建筑图纸构件识别方法的所有实施例或实施方式均适用于该计算机存储介质，且均能达到相同或相似的有益效果。

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种建筑图纸构件识别模型构建方法，其特征在于，所述方法包括：

响应用户输入的模型构建指令，将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；所述轻量卷积层的第一层为包含1个A*B卷积核的卷积层，所述轻量卷积层的第二层为包含N个1*1卷积核的卷积层；

从数据库中获取样本建筑图纸，对所述样本建筑图纸进行分解、旋转、平移一系列的处理，得到训练用的第一目标图纸集；所述第一目标图纸集中的第一目标图纸以单个构件为单位对所述样本建筑图纸进行分解得到；

将所述第一目标图纸集输入所述轻量级卷积神经网络，通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征，基于所述局部高层特征识别所述样本建筑图纸中的构件；

经过预设数量次的循环训练，所述轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型；

所述通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征的步骤，包括：

通过多个轻量卷积层和多个池化层交替对所述第一目标图纸进行卷积和最大池化操作，以提取出所述局部高层特征；其中，每个所述轻量卷积层基于卷积核分解以两层卷积的形式进行处理，两层卷积中第一层卷积输出的特征作为第二层卷积的输入，第二层卷积输出的特征作为相邻池化层的输入。

2.根据权利要求1所述的方法，其特征在于，所述对所述样本建筑图纸进行分解、旋转、平移一系列的处理，得到训练用的第一目标图纸集的步骤，包括：

以单个构件为单位将含有n个构件的所述样本建筑图纸分解为n张第二目标图纸，得到第二目标图纸集；

对所述第二目标图纸集进行旋转和平移以扩增训练数据，得到所述第一目标图纸集。

3.根据权利要求2所述的方法，其特征在于，所述对所述第二目标图纸集进行旋转和平移的步骤，包括：

将所述第二目标图纸集中的所述第二目标图纸与旋转矩阵做乘积运算；以及

将所述第二目标图纸集中的所述第二目标图纸与平移矩阵做乘积运算。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述基于所述局部高层特征识别所述样本建筑图纸中的构件的步骤，包括：

将所述局部高层特征输入所述轻量级卷积神经网络的全连接层，使得所述全连接层通过所述局部高层特征学习到全局特征；

将所述全局特征输入所述轻量级卷积神经网络的输出层和分类器中进行分类预测，输出所述样本建筑图纸中的构件的预测结果。

5.一种利用权利要求1-4任一项所述的方法构建的建筑图纸构件识别模型进行的建筑图纸构件识别方法，其特征在于，所述方法包括：

获取终端提交的建筑图纸构件识别请求，所述建筑图纸构件识别请求中包括待识别建筑图纸，所述待识别建筑图纸中包括多个构件；

将所述待识别建筑图纸分解为多个第三目标图纸，每个所述第三目标图纸中仅包括所述多个构件中的一个构件；

将所述第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵；

将所述分类矩阵中概率最大的值对应的索引作为所述第三目标图纸中包括的构件的识别结果，并将所述识别结果返回所述终端；

所述将所述第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵，包括：

将所述第三目标图纸输入所述建筑图纸构件识别模型中，由多个轻量卷积层和多个池化层交替进行卷积和最大池化，以提取出所述第三目标图纸的局部高层特征，由全连接层进行综合得到所述第三目标图纸的全局特征，将全局特征输入输出层和softmax分类器进行分类预测，输出所述第三目标图纸的预测分类矩阵。

6.一种建筑图纸构件识别模型构建装置，其特征在于，所述装置包括：

轻量网络构建模块，用于响应用户输入的模型构建指令，将传统卷积神经网络中的卷积层替换为预构建的轻量卷积层，以构建轻量级卷积神经网络；所述轻量卷积层的第一层为包含1个A*B卷积核的卷积层，所述轻量卷积层的第二层为包含N个1*1卷积核的卷积层；

数据扩增模块，用于从数据库中获取样本建筑图纸，对所述样本建筑图纸进行分解、旋转、平移一系列的处理，得到训练用的第一目标图纸集；所述第一目标图纸集中的第一目标图纸以单个构件为单位对所述样本建筑图纸进行分解得到；

轻量网络训练模块，用于将所述第一目标图纸集输入所述轻量级卷积神经网络，通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征，基于所述局部高层特征识别所述样本建筑图纸中的构件；

模型获取模块，用于经过预设数量次的循环训练，所述轻量级卷积神经网络收敛，得到训练好的建筑图纸构件识别模型；

在通过所述轻量级卷积神经网络的轻量卷积层和池化层提取到所述第一目标图纸集中的第一目标图纸的局部高层特征方面，轻量网络训练模块具体用于：

通过多个轻量卷积层和多个池化层交替对所述第一目标图纸进行卷积和最大池化操作，以提取出所述局部高层特征；其中，每个所述轻量卷积层基于卷积核分解以两层卷积的形式进行处理，两层卷积中第一层卷积输出的特征作为第二层卷积的输入，第二层卷积输出的特征作为相邻池化层的输入。

7.一种建筑图纸构件识别装置，其特征在于，所述装置包括：

识别请求获取模块，用于获取终端提交的建筑图纸构件识别请求，所述建筑图纸构件识别请求中包括待识别建筑图纸，所述待识别建筑图纸中包括多个构件；

建筑图纸分解模块，用于将所述待识别建筑图纸分解为多个第三目标图纸，每个所述第三目标图纸中仅包括所述多个构件中的一个构件；

构件识别模块，用于将所述第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵；

识别结果输出模块，用于将所述分类矩阵中概率最大的值对应的索引作为所述第三目标图纸中包括的构件的识别结果，并将所述识别结果返回所述终端；

在将所述第三目标图纸输入预先构建好的建筑图纸构件识别模型，经过轻量卷积层、池化层、全连接层、输出层和分类器的处理，输出分类矩阵方面，所述构件识别模块，具体用于：

将所述第三目标图纸输入所述建筑图纸构件识别模型中，由多个轻量卷积层和多个池化层交替进行卷积和最大池化，以提取出所述第三目标图纸的局部高层特征，由全连接层进行综合得到所述第三目标图纸的全局特征，将全局特征输入输出层和softmax分类器进行分类预测，输出所述第三目标图纸的预测分类矩阵。

8.一种电子设备，包括输入设备和输出设备，其特征在于，还包括：

处理器，适于实现一条或多条指令；以及，

计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由所述处理器加载并执行如权利要求1-5任一项所述的方法中的步骤。

9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由处理器加载并执行如权利要求1-5任一项所述的方法中的步骤。