CN112052503A - 一种基于人工智能的商业街区建筑体块生成的方法 - Google Patents
一种基于人工智能的商业街区建筑体块生成的方法 Download PDFInfo
- Publication number
- CN112052503A CN112052503A CN202010923491.2A CN202010923491A CN112052503A CN 112052503 A CN112052503 A CN 112052503A CN 202010923491 A CN202010923491 A CN 202010923491A CN 112052503 A CN112052503 A CN 112052503A
- Authority
- CN
- China
- Prior art keywords
- block
- building
- dimensional
- contour line
- scheme
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Civil Engineering (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Architecture (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于人工智能的商业街区建筑体块生成的方法,涉及人工智能城市设计领域。本发明首先通过获取目标街区及周围街区的地理信息数据,构建出三维空间沙盘;其次通过转译提取各类规划文件和当地法定规范中的设计条件,生成街区三维建筑体块;然后构建街区三维轮廓线训练样本库,通过加载机器学习模型生成街区三维建筑高度并对建筑形态进行优化,生成街区建筑体块多方案;最后使用全息展示设备进行方案模拟展示和方案指标显示,并输出方案。本发明针对上一代人工智能技术生成大量无效方案的问题,实现了基于人工智能有效多方案的生成,解决了上一代人工智能有效方案筛选过程中耗时长、人力投入大等难题,提高了规划师设计效率。
Description
技术领域
本发明涉及人工智能城市设计领域,具体的是一种基于人工智能的商业街区建筑体块生成的方法。
背景技术
在城市设计过程中,需要在开发指标既定的情况下,对街区三维空间形态进行多种可能性的推敲。不仅需要配合开发总量在多个街区之间的分布设定与调整,同时,也需要推敲各街区开发指标对应下三维建筑群体形态的多种可能性,实现街区所在区域内的城市形态控制。在以往的设计过程中,这项从开发指标到建筑三维形态的生成工作都是由规划设计人员手动完成,当需要推敲方案的多种可能性时,则需要投入大量的人员和时间来完成这项工作。
随着人工智能技术逐步应用于城市设计领域,实现了从开发指标到三维建筑群体形态的自动生成工作,但由于传统智能生成手段的不可控性,往往产生过多无效方案,无法满足当前城市设计的实际需求。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供一种基于人工智能的商业街区建筑体块生成的方法,该方法为商业街区空间设计提供一种自动化,智能化的设计方法与系统,实现了有效多方案的生成和空间生成后的参数调整,有效提高了规划师设计效率。
本发明的目的可以通过以下技术方案实现:
一种基于人工智能的商业街区建筑体块生成的方法,包括以下步骤:
S1、街区基础数据采集与三维空间沙盘构建
获取目标街区及其周围街区的地理信息数据,进行坐标系的统一,构建出三维空间沙盘;
S2、街区设计条件提取与空间匹配
转译提取各类规划文件和当地法定规范中的设计条件并进行空间信息配准,将设计条件以属性表形式嵌入目标街区;
S3、基于设计条件的街区三维建筑体块的生成
基于所提取的设计条件,依次生成街区二维平面、街区三维空间体块、街区公共空间、街区人行出入口以及街区塔楼建筑和裙房建筑;
S4、基于机器学习的街区三维建筑高度生成和建筑形态优化
构建街区三维轮廓线训练样本库,通过加载机器学习模型生成街区三维建筑高度并对建筑形态进行优化,生成街区建筑体块多方案;
S5、人机交互方案展示与方案输出
使用全息展示设备进行方案模拟展示和方案指标显示,并输出方案。
进一步地,所述步骤S1包括以下步骤:
S11、街区地理信息数据采集
采用搭载像素为2000万以上的测绘无人机采集目标街区及以目标街区为中心向外扩展一个街区的地理空间信息,通过内置数据采集模块,将栅格格式的图片信息转换为矢量数据,并录入地理信息平台;
S12、街区三维空间沙盘构建
在地理信息平台中,将步骤S11中的地理空间矢量数据转换至统一坐标系,进行空间地理坐标与投影坐标对位,并制成高精度的三维空间沙盘。
进一步地,所述地理空间信息包括街区道路,街区建筑,街区公共空间以及街区地形地貌。
进一步地,所述步骤S2包括以下步骤:
S21、街区设计条件提取
通过内置数据采集接口,采集涉及目标街区的控规规划文本和相关法定规范文件,并通过加载数据库组件提取街区设计条件,组件中预先设定街区设计条件的提取内容,包括:容积率、建筑密度、建筑限高、建筑退线、商业建筑消防间距、人行出入口间距、周边道路的停车视距;
S22、街区设计条件的标准化处理和空间匹配
将S21中采集的街区设计条件进行标准化处理,统一数据格式,与三维空间沙盘进行空间匹配,并以属性表的形式链接至目标街区。
进一步地,所述建筑退线包括裙房建筑退线和高层建筑退线。
进一步地,所述相关法定规范包括《商店建筑设计规范》、《建筑设计防火规范》和《城市道路交叉口规划规范》。
进一步地,所述步骤S3包括以下步骤:
S31、街区二维平面的生成
识别步骤S22中街区设计条件中的裙房建筑退线指标和周边道路停车视距指标,将街区范围轮廓线向内收缩相应距离,形成街区平面轮廓线,通过对街区平面轮廓线内进行填充,形成街区二维平面;
S32、街区三维空间体块的生成
识别步骤S22中街区设计条件中建筑限高指标,将步骤S31中的街区二维平面拉升至建筑限高高度,形成街区三维空间体块;
S33、街区公共空间的生成
以商业建筑柱网模数为建筑水平基准模数单位,根据建筑水平基准模数单位对步骤S32中街区三维空间体的水平轮廓线长宽进行判定,若街区水平轮廓线长边小于或等于两个建筑水平基准模数单位,则不生成公共空间;若街区水平轮廓线短边大于两个建筑水平基准模数单位,则将街区水平轮廓线向内收缩两个建筑水平基准模数单位,形成公共空间水平轮廓线;
若公共空间水平轮廓线短边大于1.5米,则从街区三维空间体中切掉公共空间水平轮廓线围合的部分,形成街区公共空间;若小于1.5米,则不生成公共空间;
S34、街区人行出入口的生成
识别步骤22中出入口间距指标,每隔一间距指标设置人行出入口,宽度为 4米,形成出入口水平轮廓线,在步骤33中生成公共空间的街区三维空间体对出入口轮廓线部分进行切割,形成人行出入口和同一高度的建筑体块;
S35、街区塔楼建筑和裙房建筑的生成
对步骤S32生成的街区三维空间体高度进行判定,根据塔楼最低层数要求和塔楼每层平均高度,若高度小于48米,则不生成塔楼建筑,均为裙房建筑;若高度大于等于48米,以步骤31中街区平面轮廓线顶点为起点向两边扩展 30-40米形成塔楼平面轮廓线,并识别步骤22中的高层建筑退线指标,将塔楼平面轮廓线向内退让相应距离;
对塔楼生成数量进行判定,根据最小消防间距和塔楼宽度,若街区水平轮廓线长边小于53米,则生成1个塔楼;若街区水平轮廓线长边大于73米,且短边小于53米,生成2个塔楼;若街区线两边均大于73米,则生成4个塔楼,同时,对生成的塔楼平面轮廓线进行筛选,去除两边不临路的塔楼平面轮廓线。
进一步地,所述步骤S4包括以下步骤:
S41、构建街区三维轮廓线训练样本库
通过内置数据采集模块,对不同城市街区遥感影像和街景影像进行采集,并将遥感影像和街景影像图片统一比例尺为1:2000,尺寸为1920*1080,形成街区样本库并生成街区形态特征指标,进而输入目标街区形态特征指标,选取匹配度达90%以上的街区并提取街区三维轮廓线构成街区三维轮廓线训练样本库,训练样本数量为10000个;
S42、街区建筑高度的生成和建筑形态的优化
通过步骤S41生成的街区三维轮廓线训练样本库,搭建卷积神经网络模型对训练样本库街区三维轮廓线的凹凸特征进行识别,生成目标街区三维轮廓线,然后,通过构建对抗生成网络模型对生成的目标街区三维轮廓线进行对抗训练,使生成样本逐渐逼近训练样本,并输出街区三维轮廓线方案集,进而生成街区建筑高度并对步骤S35中的裙房建筑形态进行优化;
S43、街区建筑体块方案生成
识别步骤22中街区容积率指标,与步骤S36生成的不同高度建筑体块方案进行交互验证,对不满足容积率要求的方案进行高度调整,直到满足容积率要求为止,容积率R计算公式为:
其中,H塔楼为塔楼建筑高度,S塔楼为塔楼建筑底面积,H裙房为裙房建筑高度, S裙房为裙房建筑底面积,S街区为街区面积;
进一步地,所述街区形态特征指标包括街区形状指数,街区面积,建筑密度,容积率,用地性质;
所述街区三维轮廓线的凹凸特征包括立面凸点位置、立面凹凸度、平面凹凸度,立面凸点位置可以确定塔楼位置,立面凹凸度可以确定建筑高度,平面凹凸度可以优化裙房建筑形态。
进一步地,所述步骤S5包括以下步骤:
S51、街区三维建筑体块设计方案可视化
对于步骤S43中生成的街区建筑体块多方案,嵌入至三维空间沙盘,使用 360°全息展示设备进行方案模拟展示和方案指标显示;
S52、方案结果输出
将步骤S43中街区建筑体块方案,通过分辨率不小于4800dpi彩色打印机将其打印为纸质图纸,并通过内置文件格式转化模块,导出到SketchUp、AutoCAD 辅助设计软件,供规划工作人员进一步设计和优化。
本发明的有益效果:
1、过程高效性:本发明设计的方法通过设定商业街区建筑体块方案的设计条件,能够在短时间内同时生成多个方案,可以从以往的需要至少两周的设计时间缩减至一天之内完成,并且从需要投入至少十名设计人员来进行多方案的生成和比选到只需要投入一名设计人员就可以完成多方案的生成工作,同时也可以从最多只能生成二十个有效方案到至少能生成一百个有效方案,有效地减少了人力成本,提高了设计效率;
2、方案有效性:本发明设计的方法通过应用对抗生成网络,对商业街区成熟建筑体块方案特征的学习、识别和提取,在此基础上自动生成商业街区建筑体块方案,可以保证方案生成的有效性,避免了以往人工智能城市设计方案生成的不可控性,出现从几千万个方案中筛选出有效方案过程低效、费时的情况,而是直接对有效多方案进行比选,促进了方案比选的可靠性和高效性。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明商业街区建筑体块生成的方法流程示意图;
图2是本发明商业街区建筑体块方案规划范围示意图;
图3是本发明商业街区建筑体块方案生成示意图;
图4是本发明商业街区建筑体块街区二维平面的生成示意图;
图5是本发明商业街区建筑体块街区三维空间体块的生成示意图;
图6是本发明商业街区建筑体块街区公共空间的生成示意图;
图7是本发明商业街区建筑体块街区人行出入口的生成示意图;
图8是本发明商业街区建筑体块街区塔楼建筑和裙房建筑的生成示意图;
图9是本发明商业街区建筑体块街区建筑高度的生成和裙房建筑形态的优化示意图。
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作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。
本发明将结合四川省某核心商务地块的街区建筑体块生成案例和附图来详细地说明本发明的技术方案。
一种基于人工智能的商业街区建筑体块生成的方法,如图1所示,包括以下步骤:
S1、街区基础数据采集与三维空间沙盘构建
获取目标街区及其周围街区的地理信息数据,进行坐标系的统一,构建出三维空间沙盘。
S11、街区地理信息数据采集
采用搭载像素为2000万以上的测绘无人机采集相关街区(包括目标街区及以目标街区为中心向外扩展一个街区)的地理空间信息,如图2所示,通过内置数据采集模块,将栅格格式的图片信息转换为矢量数据,并录入地理信息平台。其中,地理空间信息包括街区道路,街区建筑,街区公共空间以及街区地形地貌。
本实施例中,使用搭载像素为2000万以上的测绘无人机,将某核心商务地块及向外扩展的一个街区的区域(如图2所示)设为测绘无人机的飞行测绘区域。操作测绘无人机在飞行测绘区域内飞行并采集控规调整相关地块的地理空间信息,包括街区道路,街区建筑,街区公共空间以及街区地形地貌信息。回收测绘无人机后,将其中采集的街区数据导入计算机。对于导入的数据利用 Streamline矢量化系统,将栅格格式的图片信息转换为矢量数据,录入计算机服务器搭建的地理信息平台中。
S12、街区三维空间沙盘构建
在地理信息平台中,将步骤S11中的地理空间矢量数据转换至统一坐标系,进行空间地理坐标与投影坐标对位,并制成高精度的三维空间沙盘。
本实施例中,对S11中获得的矢量数据使用spatial adjustment(空间校正) 工具,转换至统一坐标系,进行空间地理坐标与投影坐标对位。
S2、街区设计条件提取与空间匹配
转译提取各类规划文件和当地法定规范中的设计条件并进行空间信息配准,将设计条件以属性表形式嵌入目标街区。
S21、街区设计条件提取
通过内置数据采集接口,采集涉及目标街区的控规规划文本和相关法定规范文件,并通过加载数据库组件提取街区设计条件,组件中预先设定街区设计条件的提取内容,包括:容积率、建筑密度、建筑限高、建筑退线(裙房建筑退线、高层建筑退线)、商业建筑消防间距、人行出入口间距、周边道路停车视距。相关法定规范包括《商店建筑设计规范》、《建筑设计防火规范》、《城市道路交叉口规划规范》。
本实施例中,向计算机导入《四川某商务地块控制性详细规划》《商店建筑设计规范》、《建筑设计防火规范》、《城市道路交叉口规划规范》,通过内容识别工具提取07-43地块的容积率、建筑密度、建筑限高、建筑退线(裙房建筑退线、高层建筑退线)、商业建筑消防间距、人行出入口间距、周边道路停车视距,并导入至地理信息平台中。其中,07-43地块的容积率为5.2、建筑密度为35%、建筑限高为150米、高层建筑退线为15米、裙房建筑退线为10米,高层商业建筑消防间距为13米,入口间距为80米,周边道路的停车视距为40米。
S22、街区设计条件的标准化处理和空间匹配
将S21中采集的街区设计条件进行标准化处理,统一数据格式,与三维空间沙盘进行空间匹配,并以属性表的形式链接至目标街区。
本实施例中,将S21中采集的街区设计条件进行标准化处理,统一数据格式,与三维空间沙盘进行空间匹配,并以属性表的形式链接至目标街区。其中属性表信息包括本实例地块标准化后的容积率、建筑密度、建筑限高、建筑退线(裙房建筑退线、高层建筑退线)、商业建筑消防间距、人行出入口间距、周边道路的停车视距。
S3、基于设计条件的街区三维建筑体块的生成
基于所提取的设计条件,依次生成街区二维平面、街区三维空间体块、街区公共空间、街区人行出入口以及街区塔楼建筑和裙房建筑。
S31、街区二维平面的生成
识别步骤S22中街区设计条件中的建筑退线指标和停车视距指标,将街区范围轮廓线向内收缩相应距离,形成街区平面轮廓线,通过对街区平面轮廓线内进行填充,形成街区二维平面。
本实施例中,提取步骤S22属性表中的裙房建筑退线为10米和停车视距指标为40米,将街区范围轮廓线向内收缩10米、街角根据停车视距向内退让视距三角形,形成街区平面轮廓线,通过线面工具对街区平面轮廓线内进行填充,形成街区二维平面。
S32、街区三维空间体块的生成
识别步骤S22中街区设计条件中建筑限高指标,将步骤S31中的街区二维平面拉升至建筑限高高度,形成街区三维空间体块。
本实施例中,识别步骤S22中街区设计条件中建筑限高为150米,将步骤 S31中的街区二维平面拉升至150米高度,形成街区三维空间体块。
S33、街区公共空间的生成
以商业建筑柱网模数(8.4米)为建筑水平基准模数单位,根据建筑水平基准模数单位对步骤S32中街区三维空间体的水平轮廓线长宽进行判定,若街区水平轮廓线长边小于或等于两个建筑水平基准模数单位(16.8米),则不生成公共空间。
若街区水平轮廓线短边大于两个建筑水平基准模数单位(16.8米),则将街区水平轮廓线向内收缩两个建筑水平基准模数单位(16.8米),形成公共空间水平轮廓线。若公共空间水平轮廓线短边大于1.5米,则从街区三维空间体中切掉公共空间水平轮廓线围合的部分,形成街区公共空间;若小于1.5米,则不生成公共空间。
本实施例中,以商业建筑柱网模数(8.4米)为建筑水平基准模数单位,是为了满足商业建筑地下车库停放三辆车的实际柱网需求。本街区水平轮廓线短边为110米,大于两个建筑水平基准模数单位(16.8米),将街区水平轮廓线向内收缩16.8米,形成公共空间水平轮廓线。公共空间水平轮廓线短边为76.4 米大于1.5米的人群活动最小间距,故从街区三维空间体中切掉公共空间水平轮廓线围合的部分,形成街区公共空间。
S34、街区人行出入口的生成
识别步骤22中出入口间距指标,每隔间距指标设置人行出入口,宽度为4 米,形成出入口水平轮廓线。在步骤33中生成公共空间的街区三维空间体对出入口轮廓线部分进行切割,形成人行出入口和建筑体块。
本实施例中,识别步骤22中出入口间距指标为80米,本地块街区二维平面边长在80米到160米之间,在每边中点处设置一个出入口,宽度为4米,形成出入口水平轮廓线。在步骤33中生成公共空间的街区三维空间体对出入口轮廓线部分进行切割,形成人行出入口和建筑体块。
S35、街区塔楼建筑和裙房建筑的生成
对步骤S32生成的街区三维空间体高度进行判定,根据塔楼最低层数要求和塔楼每层平均高度,若高度小于48米,则不生成塔楼建筑,均为裙房建筑。若高度大于等于48米,以步骤31中街区水平轮廓线顶点为起点向两边扩展 30-40米形成塔楼平面轮廓线,并识别步骤22中的高层建筑退线指标,将塔楼平面轮廓线向内退让相应距离。进一步的,对塔楼生成数量进行判定,根据最小消防间距和塔楼宽度,若街区水平轮廓线长边小于53米,则生成1个塔楼;若街区水平轮廓线长边大于73米,且短边小于53米,生成2个塔楼;若街区线两边均大于73米,则生成4个塔楼。进一步的,对生成的塔楼平面轮廓线进行筛选,去除两边不临路的塔楼平面轮廓线。
其中,48米为塔楼的最低层数12乘以塔楼每层平均高度4米。
本实施例中,步骤S32生成的街区三维空间体高度为150米,高于50米的常规建筑裙房高度界限,应当生成塔楼。以街区水平轮廓线顶点为起点向两边扩展30米形成塔楼平面轮廓线,并识别步骤22中的群房退线指标为10米、高层建筑退线指标为15米,将塔楼平面轮廓线向内再退让两指标之差5米。进一步的,提取步骤22中的商业建筑消防间距为13米,若两塔楼同边则此边边长应大于73米(最小消防间距和两塔楼宽度之和),本实施例街区水平轮廓线两边均大于73米,生成4个塔楼。判定4个塔楼平面轮廓线都有两边临路,不进行去除。
S4、基于机器学习的街区三维建筑高度生成和建筑形态优化
构建街区三维轮廓线训练样本库,通过加载机器学习模型生成街区三维建筑高度并对裙房建筑形态进行优化,生成街区建筑体块多方案。
S41、构建街区三维轮廓线训练样本库
通过内置数据采集模块,对不同城市街区遥感影像和街景影像进行采集,并将遥感影像和街景影像图片统一比例尺为1:2000,尺寸为1920*1080,形成街区样本库并生成街区形态特征指标。进一步的,输入目标街区形态特征指标,选取匹配度达90%以上的街区并提取街区三维轮廓线构成街区三维轮廓线训练样本库,训练样本数量为10000个。所述街区形态特征指标包括街区形状指数,街区面积,建筑密度,容积率,用地性质。
本实施例中,通过内置数据采集模块,对不同城市街区遥感影像和街景影像进行采集,并统一比例尺为1:2000,尺寸为1920*1080。根据《城市控制性详细规划编制成果规范标准》,选择需进行对照的形状指数,街区面积,建筑密度,容积率,用地性质5个指标作为样本库形态特征指标。进一步的,从三维空间沙盘中提取本实例街区的形态特征指标,选取5项指标匹配度都达90%以上的街区,提取街区三维轮廓线,构成包含10000个街区三维轮廓线实例的训练样本库。
S42、街区建筑高度的生成和裙房建筑形态的优化
通过步骤S41生成的街区三维轮廓线训练样本库,搭建卷积神经网络(CNN) 模型对训练样本库街区三维轮廓线的凹凸特征进行识别,生成目标街区三维轮廓线;进一步的,通过构建对抗生成网络(GAN)模型对生成的目标街区三维轮廓线进行对抗训练,使生成样本逐渐逼近训练样本,并输出街区三维轮廓线方案集,进而生成街区建筑高度并对步骤S35中的裙房建筑形态进行优化。其中,所述街区三维轮廓线凹凸特征包括立面凸点位置、立面凹凸度、平面凹凸度,其中,立面凸点位置可以确定塔楼位置,立面凹凸度可以确定建筑高度,平面凹凸度可以优化裙房建筑形态。
本实施例中,利用步骤S41生成的街区三维轮廓线训练样本库,使用计算机搭建卷积神经网络(CNN)模型,对训练样本库街区三维轮廓线特征(立面凸点位置、立面凹凸度、平面凹凸度)进行识别,通过K-means聚类算法构建训练样本特征聚类。进一步的,通过构建对抗生成网络(GAN)模型对生成的目标街区三维轮廓线进行对抗训练,使生成样本逐渐逼近训练样本,并输出三维轮廓线方案集,进而生成街区建筑高度并对步骤S35中的裙房建筑形态进行优化。其中,立面凸点位置可以确定塔楼位置,立面凹凸度可以确定建筑高度,平面凹凸度可以优化裙房建筑形态。
S43、街区建筑体块方案生成
识别步骤S22中街区容积率指标,与步骤S36生成的不同高度建筑体块方案进行交互验证,对不满足容积率要求的方案进行高度调整,直到满足容积率要求为止。
本实施例中,识别步骤S22中街区容积率指标为5.2,通过容积率计算公式测算生成方案的容积率并与指标进行比对。对于超过容积率5.2指标的方案使用遗传算法进行高度调整,不断迭代生成直到满足容积率要求为止。容积率R计算公式为:
其中,H塔楼为塔楼建筑高度,S塔楼为塔楼建筑底面积,H裙房为裙房建筑高度, S裙房为裙房建筑底面积,S街区为街区面积;
S5、人机交互方案展示与方案输出
使用全息展示设备进行方案模拟展示和方案指标显示,并输出方案。
S51、街区三维建筑体块设计方案可视化
对于步骤S43中生成的街区建筑体块多方案,嵌入至三维空间沙盘,使用 360°全息展示设备进行方案模拟展示和方案指标显示。
本实例中,使用计算机服务器,将步骤S43中生成的街区建筑体块多方案导入地理信息平台,使用spatial adjustment(空间校正)工具矫正案例模型的坐标和高程,使案例模型准确嵌入步骤S12中生成的三维空间沙盘。使用展示区域面积在150厘米*150厘米以上的360°全息展示设备进行三维模型和指标显示,通过动作识别模块识别使用者的动作指令,实现对沙盘内容的移动、缩放和旋转等展示操作。
S52、方案结果输出
将步骤S43中街区建筑体块方案,通过分辨率不小于4800dpi的彩色打印机将其打印为纸质图纸,并通过内置文件格式转化模块,导出到SketchUp、 AutoCAD等辅助设计软件,供规划工作人员进一步设计和优化。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (10)
1.一种基于人工智能的商业街区建筑体块生成的方法,其特征在于,包括以下步骤:
S1、街区基础数据采集与三维空间沙盘构建
获取目标街区及其周围街区的地理信息数据,进行坐标系的统一,构建出三维空间沙盘;
S2、街区设计条件提取与空间匹配
转译提取各类规划文件和当地法定规范中的设计条件并进行空间信息配准,将设计条件以属性表形式嵌入目标街区;
S3、基于设计条件的街区三维建筑体块的生成
基于所提取的设计条件,依次生成街区二维平面、街区三维空间体块、街区公共空间、街区人行出入口以及街区塔楼建筑和裙房建筑;
S4、基于机器学习的街区三维建筑高度生成和建筑形态优化
构建街区三维轮廓线训练样本库,通过加载机器学习模型生成街区三维建筑高度并对建筑形态进行优化,生成街区建筑体块多方案;
S5、人机交互方案展示与方案输出
使用全息展示设备进行方案模拟展示和方案指标显示,并输出方案。
2.根据权利要求1所述的一种基于人工智能的商业街区建筑体块生成的方法,其特征在于,所述步骤S1包括以下步骤:
S11、街区地理信息数据采集
采用搭载像素为2000万以上的测绘无人机采集目标街区及以目标街区为中心向外扩展一个街区的地理空间信息,通过内置数据采集模块,将栅格格式的图片信息转换为矢量数据,并录入地理信息平台;
S12、街区三维空间沙盘构建
在地理信息平台中,将步骤S11中的地理空间矢量数据转换至统一坐标系,进行空间地理坐标与投影坐标对位,并制成高精度的三维空间沙盘。
3.根据权利要求2所述的一种基于人工智能的商业街区建筑体块生成的方法,其特征在于,所述地理空间信息包括街区道路,街区建筑,街区公共空间以及街区地形地貌。
4.根据权利要求1所述的一种基于人工智能的商业街区建筑体块生成的方法,其特征在于,所述步骤S2包括以下步骤:
S21、街区设计条件提取
通过内置数据采集接口,采集涉及目标街区的控规规划文本和相关法定规范文件,并通过加载数据库组件提取街区设计条件,组件中预先设定街区设计条件的提取内容,包括:容积率、建筑密度、建筑限高、建筑退线、商业建筑消防间距、人行出入口间距、周边道路的停车视距;
S22、街区设计条件的标准化处理和空间匹配
将S21中采集的街区设计条件进行标准化处理,统一数据格式,与三维空间沙盘进行空间匹配,并以属性表的形式链接至目标街区。
5.根据权利要求4所述的一种基于人工智能的商业街区建筑体块生成的方法,其特征在于,所述建筑退线包括裙房建筑退线和高层建筑退线。
6.根据权利要求4所述的一种基于人工智能的商业街区建筑体块生成的方法,其特征在于,所述相关法定规范包括《商店建筑设计规范》、《建筑设计防火规范》和《城市道路交叉口规划规范》。
7.根据权利要求1所述的一种基于人工智能的商业街区建筑体块生成的方法,其特征在于,所述步骤S3包括以下步骤:
S31、街区二维平面的生成
识别步骤S22中街区设计条件中的裙房建筑退线指标和周边道路停车视距指标,将街区范围轮廓线向内收缩相应距离,形成街区平面轮廓线,通过对街区平面轮廓线内进行填充,形成街区二维平面;
S32、街区三维空间体块的生成
识别步骤S22中街区设计条件中建筑限高指标,将步骤S31中的街区二维平面拉升至建筑限高高度,形成街区三维空间体块;
S33、街区公共空间的生成
以商业建筑柱网模数为建筑水平基准模数单位,根据建筑水平基准模数单位对步骤S32中街区三维空间体的水平轮廓线长宽进行判定,若街区水平轮廓线长边小于或等于两个建筑水平基准模数单位,则不生成公共空间;若街区水平轮廓线短边大于两个建筑水平基准模数单位,则将街区水平轮廓线向内收缩两个建筑水平基准模数单位,形成公共空间水平轮廓线;
若公共空间水平轮廓线短边大于1.5米,则从街区三维空间体中切掉公共空间水平轮廓线围合的部分,形成街区公共空间;若小于1.5米,则不生成公共空间;
S34、街区人行出入口的生成
识别步骤22中出入口间距指标,每隔一间距指标设置人行出入口,宽度为4米,形成出入口水平轮廓线,在步骤33中生成公共空间的街区三维空间体对出入口轮廓线部分进行切割,形成人行出入口和同一高度的建筑体块;
S35、街区塔楼建筑和裙房建筑的生成
对步骤S32生成的街区三维空间体高度进行判定,根据塔楼最低层数要求和塔楼每层平均高度,若高度小于48米,则不生成塔楼建筑,均为多层裙房建筑;若高度大于等于48米,以步骤31中街区平面轮廓线顶点为起点向两边扩展30-40米形成塔楼平面轮廓线,并识别步骤22中的高层建筑退线指标,将塔楼平面轮廓线向内退让相应距离;
对塔楼生成数量进行判定,根据最小消防间距和塔楼宽度,若街区水平轮廓线长边小于53米,则生成1个塔楼;若街区水平轮廓线长边大于73米,且短边小于53米,生成2个塔楼;若街区线两边均大于73米,则生成4个塔楼,同时,对生成的塔楼平面轮廓线进行筛选,去除两边不临路的塔楼平面轮廓线。
8.根据权利要求1所述的一种基于人工智能的商业街区建筑体块生成的方法,其特征在于,所述步骤S4包括以下步骤:
S41、构建街区三维轮廓线训练样本库
通过内置数据采集模块,对不同城市街区遥感影像和街景影像进行采集,并将遥感影像和街景影像图片统一比例尺为1:2000,尺寸为1920*1080,形成街区样本库并生成街区形态特征指标,进而输入目标街区形态特征指标,选取匹配度达90%以上的街区并提取街区三维轮廓线构成街区三维轮廓线训练样本库,训练样本数量为10000个;
S42、街区建筑高度的生成和建筑形态的优化
通过步骤S41生成的街区三维轮廓线训练样本库,搭建卷积神经网络模型对训练样本库街区三维轮廓线的凹凸特征进行识别,生成目标街区三维轮廓线,然后,通过构建对抗生成网络模型对生成的目标街区三维轮廓线进行对抗训练,使生成样本逐渐逼近训练样本,并输出街区三维轮廓线方案集,进而生成街区建筑高度并对步骤S35中的裙房建筑形态进行优化;
S43、街区建筑体块方案生成
识别步骤22中街区容积率指标,与步骤S36生成的不同高度建筑体块方案进行交互验证,对不满足容积率要求的方案进行高度调整,直到满足容积率要求为止,容积率R计算公式为:
其中,H塔楼为塔楼建筑高度,S塔楼为塔楼建筑底面积,H裙房为裙房建筑高度,S裙房为裙房建筑底面积,S街区为街区面积。
9.根据权利要求8所述的一种基于人工智能的商业街区建筑体块生成的方法,其特征在于,所述街区形态特征指标包括街区形状指数,街区面积,建筑密度,容积率,用地性质;
所述街区三维轮廓线的凹凸特征包括立面凸点位置、立面凹凸度、平面凹凸度,立面凸点位置用以确定塔楼位置,立面凹凸度用以确定建筑高度,平面凹凸度用以优化裙房建筑形态。
10.根据权利要求1所述的一种基于人工智能的商业街区建筑体块生成的方法,其特征在于,所述步骤S5包括以下步骤:
S51、街区三维建筑体块设计方案可视化
对于步骤S43中生成的街区建筑体块多方案,嵌入至三维空间沙盘,使用360°全息展示设备进行方案模拟展示和方案指标显示;
S52、方案结果输出
将步骤S43中街区建筑体块方案,通过分辨率不小于4800dpi彩色打印机将其打印为纸质图纸,并通过内置文件格式转化模块,导出到SketchUp、AutoCAD辅助设计软件,供规划工作人员进一步设计和优化。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923491.2A CN112052503B (zh) | 2020-09-04 | 2020-09-04 | 一种基于人工智能的商业街区建筑体块生成的方法 |
US17/614,291 US20220318443A1 (en) | 2020-09-04 | 2020-10-28 | Ai-based method for generating building block in commercial district |
PCT/CN2020/124323 WO2022047960A1 (zh) | 2020-09-04 | 2020-10-28 | 一种基于人工智能的商业街区建筑体块生成的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923491.2A CN112052503B (zh) | 2020-09-04 | 2020-09-04 | 一种基于人工智能的商业街区建筑体块生成的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052503A true CN112052503A (zh) | 2020-12-08 |
CN112052503B CN112052503B (zh) | 2021-04-13 |
Family
ID=73608265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010923491.2A Active CN112052503B (zh) | 2020-09-04 | 2020-09-04 | 一种基于人工智能的商业街区建筑体块生成的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220318443A1 (zh) |
CN (1) | CN112052503B (zh) |
WO (1) | WO2022047960A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651059A (zh) * | 2020-12-18 | 2021-04-13 | 东南大学 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
CN113033484A (zh) * | 2021-04-21 | 2021-06-25 | 河北工程大学 | 一种面向无人机应急网络部署的城市分类方法 |
CN113657669A (zh) * | 2021-08-17 | 2021-11-16 | 东南大学 | 一种街区空间编码图的智能建构方法、系统及存储介质 |
CN113822526A (zh) * | 2021-08-02 | 2021-12-21 | 东南大学建筑设计研究院有限公司 | 控制性详细规划阶段商办类用地地块指标适配性验核方法 |
CN113963104A (zh) * | 2021-09-08 | 2022-01-21 | 华南理工大学 | 基于gan模型生成的布局图像的三维立体模型生成方法 |
CN113987637A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
CN114218640A (zh) * | 2021-12-15 | 2022-03-22 | 东南大学 | 一种基于人工智能的假山体量设计方法 |
CN115292789A (zh) * | 2022-08-12 | 2022-11-04 | 东南大学建筑设计研究院有限公司 | 城市设计中基于形态类型的建筑体量数字化生成方法 |
CN115329691A (zh) * | 2022-08-01 | 2022-11-11 | 上海师范大学 | 一种基于cfd与gis的超大城市风环境模拟方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019205069A1 (en) * | 2018-04-27 | 2019-10-31 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for updating 3d model of building |
CN114898215A (zh) * | 2022-06-09 | 2022-08-12 | 西南交通大学 | 一种声屏障自动布置方法 |
US11850005B1 (en) * | 2022-10-27 | 2023-12-26 | Mammen Thomas | Use of immersive real-time metaverse and avatar and 3-D hologram for medical and veterinary applications using spatially coordinated multi-imager based 3-D imaging |
CN115492413A (zh) * | 2022-10-31 | 2022-12-20 | 温州理工学院 | 一种智能砌墙机器人的控制系统及方法 |
CN117437364B (zh) * | 2023-12-20 | 2024-04-26 | 深圳大学 | 基于残缺点云数据的建筑三维结构提取方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663957A (zh) * | 2012-03-08 | 2012-09-12 | 北京师范大学 | 一种交互式三维城市全景地图的自动生成方法 |
CN104392064A (zh) * | 2014-12-09 | 2015-03-04 | 南京大学 | 一种中观尺度下缓解热岛效应的优化城市形态设计方法 |
CN104732591A (zh) * | 2015-03-10 | 2015-06-24 | 中国科学院遥感与数字地球研究所 | 三维虚拟城市的自动生成方法 |
CN105159951A (zh) * | 2015-08-17 | 2015-12-16 | 成都中科大旗软件有限公司 | 一种开放式的旅游多源异构数据融合方法及系统 |
JP2018132993A (ja) * | 2017-02-16 | 2018-08-23 | 日立Geニュークリア・エナジー株式会社 | 建物設計情報修正支援装置、建物設計情報修正支援方法、及びプログラム |
CN109241580A (zh) * | 2018-08-15 | 2019-01-18 | 深圳大学 | 一种地块设计方法、装置、计算机设备和存储介质 |
CN110427724A (zh) * | 2019-08-12 | 2019-11-08 | 深圳市艾伯信息科技有限公司 | 基于WebGL三维消防建筑模型可视化方法 |
US20200089819A1 (en) * | 2018-09-17 | 2020-03-19 | Bricsys Nv | Direct Room Modeling in Computer-Aided Design |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108265820B (zh) * | 2017-12-28 | 2020-07-28 | 北京建筑大学 | 一种城市街道设计方法 |
US11263360B2 (en) * | 2018-01-19 | 2022-03-01 | Autodesk, Inc. | Building information design synthesis (BIDS) |
CN109635511B (zh) * | 2019-01-16 | 2020-08-07 | 哈尔滨工业大学 | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 |
CN111383303A (zh) * | 2020-03-12 | 2020-07-07 | 深圳小库科技有限公司 | 一种自动生成住宅建筑平面的方法及装置 |
-
2020
- 2020-09-04 CN CN202010923491.2A patent/CN112052503B/zh active Active
- 2020-10-28 US US17/614,291 patent/US20220318443A1/en active Pending
- 2020-10-28 WO PCT/CN2020/124323 patent/WO2022047960A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663957A (zh) * | 2012-03-08 | 2012-09-12 | 北京师范大学 | 一种交互式三维城市全景地图的自动生成方法 |
CN104392064A (zh) * | 2014-12-09 | 2015-03-04 | 南京大学 | 一种中观尺度下缓解热岛效应的优化城市形态设计方法 |
CN104732591A (zh) * | 2015-03-10 | 2015-06-24 | 中国科学院遥感与数字地球研究所 | 三维虚拟城市的自动生成方法 |
CN105159951A (zh) * | 2015-08-17 | 2015-12-16 | 成都中科大旗软件有限公司 | 一种开放式的旅游多源异构数据融合方法及系统 |
JP2018132993A (ja) * | 2017-02-16 | 2018-08-23 | 日立Geニュークリア・エナジー株式会社 | 建物設計情報修正支援装置、建物設計情報修正支援方法、及びプログラム |
CN109241580A (zh) * | 2018-08-15 | 2019-01-18 | 深圳大学 | 一种地块设计方法、装置、计算机设备和存储介质 |
US20200089819A1 (en) * | 2018-09-17 | 2020-03-19 | Bricsys Nv | Direct Room Modeling in Computer-Aided Design |
CN110427724A (zh) * | 2019-08-12 | 2019-11-08 | 深圳市艾伯信息科技有限公司 | 基于WebGL三维消防建筑模型可视化方法 |
Non-Patent Citations (3)
Title |
---|
NUMERICAL OPTIMIZATION ON NEWLY DEVELOPED ELECTROSTATIC ENHANCED: "Numerical optimization on newly developed electrostatic enhanced pleated air filters for efficient removal of airborne ultra-fine particles: Towards sustainable urban and built environment", 《SUSTAINABLE CITIES AND SOCIETY》 * |
林博: "基于人工智能的城市空间生成设计框架——以温州市中央绿轴北延段为例", 《规划设计》 * |
袁烽: "基于物理风洞与神经网络算法的建筑群体形态生成设计方法研究", 《西部人居环境学刊》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022126806A1 (zh) * | 2020-12-18 | 2022-06-23 | 东南大学 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
CN112651059A (zh) * | 2020-12-18 | 2021-04-13 | 东南大学 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
CN113033484B (zh) * | 2021-04-21 | 2022-11-22 | 河北工程大学 | 一种面向无人机应急网络部署的城市分类方法 |
CN113033484A (zh) * | 2021-04-21 | 2021-06-25 | 河北工程大学 | 一种面向无人机应急网络部署的城市分类方法 |
CN113822526A (zh) * | 2021-08-02 | 2021-12-21 | 东南大学建筑设计研究院有限公司 | 控制性详细规划阶段商办类用地地块指标适配性验核方法 |
CN113657669A (zh) * | 2021-08-17 | 2021-11-16 | 东南大学 | 一种街区空间编码图的智能建构方法、系统及存储介质 |
CN113657669B (zh) * | 2021-08-17 | 2023-11-14 | 东南大学 | 一种街区空间编码图的智能建构方法、系统及存储介质 |
CN113963104A (zh) * | 2021-09-08 | 2022-01-21 | 华南理工大学 | 基于gan模型生成的布局图像的三维立体模型生成方法 |
CN113963104B (zh) * | 2021-09-08 | 2024-04-26 | 华南理工大学 | 基于gan模型生成的布局图像的三维立体模型生成方法 |
CN113987637A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
CN114218640B (zh) * | 2021-12-15 | 2023-10-31 | 东南大学 | 一种基于人工智能的假山体量设计方法 |
CN114218640A (zh) * | 2021-12-15 | 2022-03-22 | 东南大学 | 一种基于人工智能的假山体量设计方法 |
CN115329691A (zh) * | 2022-08-01 | 2022-11-11 | 上海师范大学 | 一种基于cfd与gis的超大城市风环境模拟方法 |
CN115329691B (zh) * | 2022-08-01 | 2024-03-12 | 上海师范大学 | 一种基于cfd与gis的超大城市风环境模拟方法 |
CN115292789B (zh) * | 2022-08-12 | 2023-04-28 | 东南大学建筑设计研究院有限公司 | 城市设计中基于形态类型的建筑体量数字化生成方法 |
CN115292789A (zh) * | 2022-08-12 | 2022-11-04 | 东南大学建筑设计研究院有限公司 | 城市设计中基于形态类型的建筑体量数字化生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112052503B (zh) | 2021-04-13 |
US20220318443A1 (en) | 2022-10-06 |
WO2022047960A1 (zh) | 2022-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052503B (zh) | 一种基于人工智能的商业街区建筑体块生成的方法 | |
US11599689B2 (en) | Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision | |
Bonczak et al. | Large-scale parameterization of 3D building morphology in complex urban landscapes using aerial LiDAR and city administrative data | |
CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
CN105989198B (zh) | 基于bim的公路参数化自动建模方法和系统 | |
Chen et al. | Topologically aware building rooftop reconstruction from airborne laser scanning point clouds | |
CN100533486C (zh) | 一种数字城市全自动生成的方法 | |
KR102024695B1 (ko) | 감시카메라 배치 모델링 시스템 및 방법 | |
CN102169650B (zh) | 绘制地图的设备及方法 | |
CN108389255B (zh) | 基于分层高程云图的地形几何参数提取方法 | |
JP2011512606A (ja) | 樹冠植生ポイントのグループに対しシミュレーションによる木の幹と枝とを与えるジオスペースモデリングシステム及び関連方法 | |
JP2004133094A (ja) | 3次元電子地図データの生成方法 | |
CN115471634B (zh) | 一种城市绿植孪生的建模方法及装置 | |
CN111047696B (zh) | 一种三维空间规划放线的方法 | |
Wu et al. | Automatic building rooftop extraction using a digital surface model derived from aerial stereo images | |
Chen et al. | 3D model-based terrestrial laser scanning (TLS) observation network planning for large-scale building facades | |
CN107944089A (zh) | 一种基于现状视廊的地块限高分析系统及其分析方法 | |
CN114758086A (zh) | 一种城市道路信息模型的构建方法及装置 | |
Forlani et al. | Building reconstruction and visualization from lidar data | |
CN116778098A (zh) | 一种基于深度学习的植物病虫害数据集构建方法 | |
CN115655098A (zh) | 高密度激光点云技术用于电网工程挖填土石方测算方法 | |
Gruen et al. | An Operable System for LoD3 Model Generation Using Multi-Source Data and User-Friendly Interactive Editing | |
Sharma et al. | Developing a 3D geometry for Urban energy modelling of Indian Cities | |
Anca et al. | A workflow for UAV’s integration into a geodesign platform | |
CN115860443B (zh) | 一种基于bim技术的建筑智能化管理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201208 Assignee: Quanzhou natural resources and Planning Bureau Assignor: SOUTHEAST University Contract record no.: X2022320000088 Denomination of invention: A method of building block generation for commercial block based on Artificial Intelligence Granted publication date: 20210413 License type: Common License Record date: 20220602 |