CN112700529A - 根据规范文档生成三维模型的方法和系统 - Google Patents

Abstract

公开了一种用于自动产生三维建筑信息建模文件的系统和方法。该系统包括：多个数据源；计算机处理器，其用于执行存储在计算机可读存储器中的人工智能引擎，该人工智能引擎包括：机器学习提取模块，其用于从多个数据源中提取相关数据，以及机器学习生成模块，其用于从多个数据源中拉伸出三维模型，并根据所提取的相关数据生成建筑信息建模文件；以及至少一个数据库，其用于存储建筑信息建模文件。

Description

根据规范文档生成三维模型的方法和系统

技术领域

本发明涉及商业信息建模。具体地，本发明涉及根据设计规范文档生成三维模型。

背景技术

三维(3D)建模已在许多行业中采用，例如视频游戏、电影、工程、产品设计、动画、数据可视化等等。三维建模通常为人们提供一种直观的方式来理解设计，这将带来更高的销售转化率、更流畅的项目工作流并且减少了因设计误解而引起的冲突。更具体地说，一种称为建筑信息建模(BIM)的特殊种类的三维建模将额外数据附加到三维模型，其还充当在整个工程过程中共享的集中式数据库。

但是，创建三维模型是劳动密集型的。当前，三维建模主要是手动过程，其需要个人查看参考文件(平面图、设计准则、流程图、三维扫描件等)并手动创建三维模型，并将相关联的数据输入BIM软件(例如Autodesk Revit^TM)。此过程需要非常专业的技能来创建，并代表了许多工程公司的瓶颈，这限制了他们项目的生产量。

BIM需要一个与侧重于二维(2D)设计的传统工程和设计过程相比完全不同的工作流程。这意味着该设计和工程过程的所有层级都需要针对新的软件、方法和过程的培训。这种实现的成本非常高，并且往往抵消了三维带来的好处，其降低了通过采用三维的投资回报。

在本文中包括对背景技术的讨论仅仅是为了解释在本文中讨论的本发明的上下文。这不应视为承认截至任何权利要求的优先权日，所引用的任何材料均已出版、已知或是常识的一部分。

发明内容

根据一个方面，提供了一种用于自动产生三维建筑信息建模文件的系统，包括：多个数据源；计算机处理器,所述计算机处理器用于执行存储在计算机可读存储器中的人工智能引擎，该人工智能引擎包括：机器学习提取模块，所述机器学习提取模块用于从多个数据源中提取相关数据，以及机器学习生成模块，所述机器学习生成模块用于从多个数据源中拉伸出三维模型，并根据所提取的相关数据生成建筑信息建模文件；以及至少一个数据库，所述数据库用于存储该建筑信息建模文件。

根据另一方面，提供了一种用于利用人工智能引擎自动产生三维建筑信息建模文件的方法，包括以下步骤：使用人工智能引擎中的机器学习提取模块来从多个数据源获取数据；使用人工智能引擎中的机器学习生成模块来从所获取的数据中拉伸出三维模型；以及使用人工智能引擎来根据所提取的相关数据生成建筑信息建模文件。

应该理解的是，此处(和以上)描述的一个或多个方面可以通过任何合适的方式进行组合。通过研究以下本发明的详细描述，本发明的新颖特征对于本领域技术人员将变得显而易见。然而，应当理解，所呈现的本发明的详细描述和具体实施例尽管阐述了本发明的某些方面，但是其仅仅是出于说明的目的而提供的，因为根据本发明的详细描述以及后面的权利要求书，在本发明精神和范围内的各种改变和修改对于本领域技术人员将变得显而易见的。

附图说明

根据以下描述并参照将进一步理解本发明，在附图中：

图1示出了用于产生三维BIM文件的人工智能(AI)的系统框图。

图2示出了描绘图1的系统所遵循的过程的流程图。

图3示出了描绘图1的系统所遵循的示例过程的流程图。

图4示出了由图3的过程用来创建三维BIM文件的二维平面图。

图5示出了实际上在图3的过程期间被掩模的图4的二维平面图。

图6示出了来自图4的二维平面图的示例性部分，该部分处的轮廓已根据图3的过程确定。

图7示出了来自图4的二维平面图的示例性部分，该部分处的封闭空间已根据图3的过程确定。

图8示出了为图4的二维平面图生成的网格。

图9示出了示例性的根据图4的二维平面图拉伸出的三维模型。

图10示出了填充有道具的图9的三维模型。

图11示出了图2的过程的替换实施例。

图12示出了图2的过程的替换实施例。

具体实施方式

定义

如本文中所使用的，人工智能(AI)是指能够自我适应以解决问题的人工创建的技术。

如本文所使用的，机器学习(ML)是指AI的子集，其利用数据来训练计算机算法，以通过经验持续地自动改善自身。

如本文中所使用的，神经网络是指以类似于人类学习的学习概念来复制人脑的ML类型。

如本文中所使用的，计算机辅助设计(CAD)是指创建二维(2D)或三维(3D)设计和工程文档及绘图的软件。

如本文所使用的，三维建模是指对表征真实世界对象的数据的三维(3D)表示，从而允许用户容易地从不同角度查看对象。

如本文中所使用的，建筑信息建模(BIM)是指一种特殊类型的三维建模，其中除视觉表示外的额外数据(例如建筑材料)被附加到每个模型。

如本文中所使用的，过程生成是指使用一组参数自动创建三维模型。

如本文中所使用的，轮廓是指包围一个区域从而定义一个形状的二维点阵列。

如本文所使用的，自然语言处理(NLP)是指机器学习中具有计算机的理解、分析、操作和潜在生成人类语言的能力的领域。

如本文所使用的，点云是指通过给定坐标系定义的数据点集合。在三维坐标系中，例如，点云可以定义一些真实的或创建的物理系统的形状。点云用于创建三维网格和在各领域的三维建模时使用到的其他模型，这些领域包括医学成像、架构、三维打印、制造、三维游戏和各种虚拟现实(VR)应用。

系统架构

现在转到图1，示出了用于根据设计规范文档自动产生三维模型的示例性系统，并且该系统一般由数字100标记。系统100表示人工智能(AI)引擎110，其利用机器学习(ML)算法自动创建建筑信息建模模型。在图1所示的实施中，系统100包括数据源102，AI引擎110经由ML提取算法112从数据源102中提取相关数据，AI引擎110用于经由ML生成算法114生成三维BIM模型或三维BIM文件118。AI引擎100可以驻留在服务器或计算机(未示出)的存储器(未示出)中，并且ML提取算法112和ML生成算法114驻留在存储器中并可从存储器检索的编程模块。数据源102可以包括但不限于，过去的项目数据104、设计规范文档106、和额外输入108。过去的项目数据104可以包括但不限于，过去已解决的设计问题的解决方案。设计规范文档106可以包括但不限于，由工程师使用的参考文件，例如平面图、流程图、建筑条例、三维扫描件、设计草图、和蓝图。额外输入108可以包括但不限于，当前项目所独有的数据，或者其他项目重复因此对于训练AI引擎110而言不是必需的问题。三维BIM文件118、所提取的相关数据、建筑条例、和过去的项目数据可以保存在一个或多个数据库中。

过程

图2示出了用于产生三维BIM文件的示例性过程，三维BIM文件由数字120标记。在步骤122中，初始化工程项目，以期望得到该工程项目的三维BIM文件。这样的工程项目可以包括但不限于，对住宅建筑、商业建筑、工业建筑、或机构建筑的建造。在步骤124中，确定工程项目的设计范围。这通常是客户与工程项目团队或工程顾问之间的协作努力。在步骤126中，根据该确定创建设计规范文档106。在步骤128中，将设计规范文档106输入到AI引擎110中，在AI引擎110处，ML提取算法112从设计规范文档106和其他数据源102中提取相关数据。

ML提取算法112用于从诸如过去的项目104、设计规范文档106、及额外的输入108之类的数据源102中提取数据。在用于说明提取方法的示例中，对于平面图、蓝图和设计图，ML提取算法112可以采用诸如卷积神经网络之类的计算机视觉。在另一示例中，为了从诸如基于文本的文档(诸如，建筑条例或设计规范)这样的数据源提取相关数据，ML提取算法112将采用自然语言处理。

在步骤130中，ML生成算法114利用所提取的数据来产生三维模型。在步骤132中，ML生成算法114基于用户输入确定项目需要哪种类型的文件。按需在步骤134，生成三维CAD文件。该三维CAD文件可被保存在数据库中。按需在步骤136，生成二维CAD文件，并将其保存在数据库中。按需在步骤138，生成三维BIM文件，并将其保存在数据库中。在步骤140，根据BIM文件118产生适当的工程文档。工程文档可以包括但不限于，物料清单、规格说明表、特定面积或尺寸的计算资料等。

ML生成算法114基于输入类型和特定用例创建三维BIM文件118。例如，从所提取的数据中取出的针对墙厚、墙高和墙壁材料的数据可以自动生成墙壁的BIM文件118，并且可以被附加到模型中。在该示例中，墙厚可以通过ML提取算法112从平面图中提取。墙高可以通过ML提取算法112从建筑条例中提取。墙壁材料可以通过ML提取算法112从用户选择或者从照片或其他数据源中提取。

示例

图3示出了详细说明其中分别使用图1的系统和图2的方法的示例的流程图。该示例只是说明使用该系统和方法的一种方式，而不意味着以任何方式进行限制。该示例方法140详细说明了使用图4示出的二维平面图170来创建三维BIM模型文件118。

在步骤142中，从数据源102获取数据。在步骤144中，提取算法112确定是否有必要对数据源进行转换。例如，如果数据源为CAD文件，则将转换为位图格式作为AI引擎110的标准格式，但也可以进行其他格式标准化。按需在步骤146，将该文件转换为位图文件。在步骤148中，ML提取算法112从该位图文件中提取相关数据。在步骤150中，ML提取算法112使用图像分割技术来对平面图进行掩模。

图5示出了实际上被掩模的图4中的二维平面图。在一些实施例中，经掩模的平面图180将使用颜色编码来进行掩模。具体地，某些颜色可能表示某些结构元素。例如，黑色可以表示墙壁182，蓝色可以表示窗户184，红色可以表示门186，并且绿色可以表示房间188。在最初使用AI引擎110时，手动地进行掩模，以将该AI引擎训练为使用图像分割来精确地对平面图进行掩模。该手动掩模可用诸如Photoshop^TM这样的图像编辑软件来完成。每张经掩模的图像180都被保持在单独的图像层中。单独的层允许便于处理，并使得掩模版相互重叠。例如，全部墙壁可以在一个或多个层中，然而，在这些图层中将只显示墙壁。单独的层用于诸如窗户和门之类的开口。该层只包含窗户和门。任何用于家具或设备的图标将在其自己单独的层中。任何层可以与其他层重叠。例如，具有墙壁的层可以与包含墙壁和门的层或包含地板的层重叠。

回到图3，在步骤152中，识别并定义每个掩模版的轮廓。轮廓是包围某个区域从而限定某个形状的二维点阵列。在一个实施例中，使用膨胀技术来生成如图所述的轮廓，以形成掩模版。ML提取算法112解释二维平面图170的每个像素，以确定其与邻近像素的关系。例如，如果像素是黑色的，则ML提取算法确定邻近的哪些像素也是黑色的。基于这些像素彼此相距的距离，某个阈值确定这些像素是否共享同一轮廓。该阈值由用户通过反复试验确定，但是可由AI引擎通过机器学习来确定。在图6中，示出了来自二维平面图的示例性部分190，其中已经确定了轮廓192、194、196、198。ML提取算法112确定轮廓192、194、196、198是否彼此相关，执行“深度优先搜索”(DFS)来确定这些轮廓所描绘的形状，例如房间。在该示例中，轮廓192和194被确定为是同一轮廓，而轮廓196和198被确定为是同一轮廓。还可以确定轮廓196和198放置在轮廓192和194内，从而定义了开口199，其被轮廓192、194、196、198包围。

在图7中，示出了来自二维平面图的示例性部分200，其中轮廓202、204已被确定为包围空间206。在轮廓202、204所形成的空间206内，示出了接触内部轮廓204的最大圆208。如果该圆208的半径小于某个阈值，则空间206内的任何东西都可以被丢弃，这意味着它是出于进行掩模的目的而被忽略的。该阈值由用户通过反复试验确定，但是可以由AI引擎通过机器学习确定。

回到图3，在步骤154中，ML生成算法114使用识别出的轮廓来创建单层网格。图8示出了为二维平面图生成的网格210。来自图6和图7中的轮廓用于创建单层网格210。所生成的网格210包括三角形的集合，这些三角形通过其公共边或角相连。

在图3中，在步骤156，对所生成的网格进行优化以得到拓扑和顶点布局。诸如在US20180330480中展现的那些技术之类的技术可以用于优化所生成的网格。网格优化算法(例如边折叠优化或细节层次优化)可用于优化所生成的网格。基于最初从规范文档106提取的比例来重新缩放所生成的网格210。如果没有找到或检测到比例指示，则估算出的比例将基于可在建筑条例文档中找到的门的尺寸。

在步骤158中，检索建筑条例，并检索其他用户输入。可以通过手动、通过软件中的硬编码或通过经由自然语言处理(NLP)的提取(NLP将在下面更详细地描述)来从包含当前建筑条例的数据库中检索建筑条例。在步骤160中，将经优化的网格的位图转换为矢量。在步骤162中，ML生成算法114从经优化的网格210中拉伸出三维模型，从而将检索到的建筑条例和其他用户输入应用于该模型。图9示出了示例性的经拉伸出的三维模型220。该拉伸基于设计规范文档106中的墙高输入，该墙高输入可以在高度图中为不同的墙壁指定不同的高度。如果在设计规范文档106中没有给定高度或高度图，则ML拉伸算法将根据检索到的建筑条例应用标准墙高。

在拉伸之后，ML生成算法114可以应用纹理映射。当应用纹理映射时，AI引擎110展开所有纹理坐标(或UV坐标)。通常，当模型被创建为多边形网格时，可以为网格中的每个顶点生成使用的纹理坐标。然后，可以根据用户选择、设计规范文档106和其他设置将材料和纹理应用于墙壁、窗户、门。可以手动检查所应用的材料和纹理，以确保其被正确地应用。

在一个实施例中，系统还可以包括ML图像识别算法，其用于自动在二维平面图170内识别任何已知图标。这些已知图标可以包括但不限于，用于平面图中用到的家具、设备和其他道具的典型图标。对于所识别和定位到的每个图标，可以使用模板图像对该图标进行预处理。预处理使用图像检测来寻找与已知图像(即模板图像)相似的图像。一旦对图标进行了预处理，就可以自动将道具放置在与识别出这些道具的位置相对应的模型中，如图10所示。图10是平面图的三维模型230，该平面图填充有诸如椅子232、会议室桌子234和工作站236之类的道具，这些道具仅出于说明的目的而被标识出。应当理解，图中示出了若干道具，并且这些道具可以替代其他道具。系统100还可以具有以下功能：手动添加在自动化步骤期间没有放置的任何工具，或者在用户决定对道具进行任何更改的情况下手动添加任何工具。

在一些实施例中，ML图像识别算法可能能够通过以下方式来将在平面图中表现为彼此靠近的文本与图标联系起来：评估该文本是否很适合该图标。可以对ML图像识别算法进行训练以实现这种类型的识别和评估训练。例如，已知的火警符号可以出现在平面图上且附近有“31米”和“FA-1234”。可以手动训练ML图像识别算法以使其认识到FA-1234为火警标识，而“31米”与火警无关。

回到图3，在步骤164中，根据三维模型创建BIM文件118。如图2所示，BIM文件118可用于自动创建合适的工程文档。创建合适的工程文档可以通过其他程序模块或第三方插件来完成。工程文档可以包括但不限于，材料清单、规格表、特定面积和尺寸计算等。图3中的方法140一般比创建BIM文件的传统方法更快且更精确。

图11示出了本发明的替代实施例，并且一般用数字300引用。在该实施例中，该方法不需要训练具有足够数据的AI引擎以从文档中准确识别形状，而仅需要提取简单的几何数据作为输入。

在步骤302中，将三维点云输入到神经网络中。点云是由给定坐标系定义的数据点的集合。在三维坐标系中，例如，点云可以定义一些真实的或创建的物理系统的形状。点云用于创建三维网格和在各领域的三维建模时使用的其他模型，这些领域包括医学成像、架构、3D打印、制造、三维游戏和各种虚拟现实(VR)应用。神经网络的作用类似于图1的ML提取引擎112，但经过专门训练从而理解三维点云数据。

在步骤304中，神经网络确定是否需要转换点云数据。如果需要转换点云数据，则在步骤306中，将三维点转换为二维图像或体素。

在步骤308中，神经网络对数据进行标记。这与图5的过程相似，其中二维平面图被掩模。

在步骤310中，通过神经网络将所标记数据转换为三维向量点。在步骤312中，检索建筑条例和其他用户输入。建筑条例可以从包含当前建筑条例的数据库中检索。在步骤314中，通过应用建筑条例和其他用户输入来从三维向量点中拉伸出三维模型。如图2所示，BIM文件118可以用于自动创建合适的工程文档。工程文档可以包括但不限于，材料清单、规格表、特定面积和尺寸的计算资料等。

图12示出了本发明的另一替换实施例，并一般用数字400引用。在该实施例中，在步骤402中，输入原始设计代码数据，而不是从典型的数据源输入。原始代码数据可以包括手动输入的或者使用光学字符识别(OCR)技术扫描的文本文档。在步骤404中，确定是否需要转换原始代码数据。如果需要转换数据，则在步骤406中，将数据数字化或使用OCR将数据转换为正确的格式，如json或xml。在步骤408中，自然语言算法或自然语言处理(NLP)用与图1的ML提取算法112相似的方式提取信息。在步骤410，输入用于构建三维模型的参数。这些参数可以通过用户手动输入或通过诸如上文描述的ML提取算法112之类的提取算法提取。在步骤412中，为了获得其他步骤中失去的任何参数，从数据库中检索其他设计数据。在步骤414中，通过应用建筑条例和其他用户输入来从经优化的网格中拉伸出三维模型(类似图3的创建)。在步骤416中，根据拉伸出的三维模型创建BIM文件。如图2所示，BIM文件118可以用于自动创建合适的工程文档。工程文档可以包括但不限于，材料清单、规格表、特定面积和尺寸的计算资料等。

除非另有说明，否则本文中使用的所有技术和科学术语与本公开所属领域的普通技术人员通常理解的含义相同。尽管在本发明的测试实践中可以使用与本文描述的方法和材料类似或等效的任何方法和材料，但是本文描述了典型材料和方法。在描述和声称本发明时，将使用以下术语。

还应理解，本文中使用的术语仅用于描述特定方面的目的，而非旨在进行限定。本文引用专利申请、专利和出版物以帮助理解所描述的各方面。本文引用的所有此类参考文献均以引用的方式全部并入本文中，且就所有目的而言，其程度与各单独出版物、或专利、或专利申请被明确且单独地表示为以引用的方式全部并入本文中的程度相同。如果在通过引用并入的出版物和专利或专利申请与说明书中所包含的公开内容相抵触，该说明书旨在取代和/或优先于任何此类矛盾的材料。

在理解本申请的范围时，冠词“一(a)”，“一个(an)”，“该”和“所述”旨在表示存在一个或多个元素。另外，本文所用的术语“包括”及其派生词是开放式术语，其指定存在所阐述的特征、元素、组件、群组、整数和/或步骤，但不排除存在其他未说明的特征、元素、组件、群组、整数和/或步骤。前述内容也适用于具有类似含义的词，例如术语“包括”，“具有”及其派生词。

应理解，被描述为“包含”某些组件的任何方面也可以为“由…组成”或“基本上由…组成”，其中“由…组成”具有封闭或限制性含义，“基本上由…组成”是指包括规定的成分，但不包括其他成分，除了作为杂质存在的材料、由于用于提供成分的工艺而存在的不可避免的材料，以及为实现本发明技术效果以外的目的而添加的成分。

应当理解，可以通过附带条件或否定限制的方式将本文中被定义为包括的任何组件明确地排除在要求保护的发明之外。

另外，无论是否明确指出，本文给出的所有范围都包括范围的末端以及任何中间范围点。

如本文中所使用的程度术语，例如“基本上”，“大约”和“近似”是指修饰词的合理偏离量，使得最终结果不会显著改变。这些程度术语应被解释为包括修饰词的至少±5％的偏差，如果该偏差不会否定该修饰词的含义。

缩写“例如(e.g.)”源自拉丁文exempli gratia，并在本文中用于指示非限定性示例。因此，缩写“例如”与词语“作为示例”同义。除非上下文另外明确指出，否则单词“或”旨在包括“和”。

Claims (23)

1.一种用于自动产生三维建筑信息建模文件的系统，包括：

多个数据源；

计算机处理器，所述计算机处理器用于执行存储在计算机可读存储器中的人工智能引擎，所述人工智能引擎包括：

机器学习提取模块，所述机器学习提取模块用于从所述多个数据源中提取相关数据，以及

机器学习生成模块，所述机器学习生成模块用于从所述多个数据源中拉伸出三维模型，并根据所提取的相关数据生成建筑信息建模文件；以及

至少一个数据库，所述数据库用于存储所述建筑信息建模文件。

2.根据权利要求1所述的系统，其特征在于，所述建筑信息建模文件用于创建工程文档。

3.根据权利要求2所述的系统，其特征在于，所述工程文档可以是材料清单、规格表、特定面积和尺寸的计算资料中的任一者。

4.根据权利要求1所述的系统，其特征在于，所述数据源可以是过去的项目数据、设计规范文档、和用户输入中的任一者。

5.根据权利要求1所述的系统，其特征在于，在需要转换所述相关数据的情况下，所述机器学习提取模块将所述相关数据转换为位图格式。

6.根据权利要求1所述的系统，其特征在于，所述机器学习提取模块使用计算机视觉技术来提取数据。

7.根据权利要求1所述的系统，其特征在于，所述机器学习提取模块使用自然语言处理来提取数据。

8.根据权利要求1所述的系统，其特征在于，在拉伸出所述三维模型之前，所述机器学习提取模块对所述相关数据进行掩模以识别形状和轮廓。

9.根据权利要求8所述的系统，其特征在于，所识别的形状和轮廓用于创建网格。

10.根据权利要求9所述的系统，其特征在于，所述机器学习生成模块进一步包括用于对所述网格进行优化的网格优化模块。

11.根据权利要求10所述的系统，其特征在于，所述三维模型是从经优化的网格中拉伸出的。

12.一种用于利用人工智能引擎自动产生三维建筑信息建模文件的方法，包括以下步骤：

使用所述人工智能引擎中的机器学习提取模块来从多个数据源获取数据；

使用所述人工智能引擎中的机器学习生成模块来从所获取的数据中拉伸出三维模型；以及

使用所述人工智能引擎来根据所提取的相关数据生成建筑信息建模文件。

13.根据权利要求12所述的方法，其特征在于，进一步包括利用所述建筑信息建模文件创建工程文档。

14.根据权利要求13所述的方法，其特征在于，所述工程文档可以是材料清单、规格表、特定面积和尺寸的计算资料中的任一者。

15.根据权利要求12所述的方法，其特征在于，所述数据源可以是过去的项目数据、设计规范文档、和用户输入中的任一者。

16.根据权利要求12所述的方法，其特征在于，获取所述数据之后，在需要转换所述相关数据的情况下，所述机器学习提取模块将所述相关数据转换为位图格式。

17.根据权利要求12所述的方法，其特征在于，所述机器学习提取模块使用计算机视觉技术来提取数据。

18.根据权利要求12所述的方法，其特征在于，所述机器学习提取模块使用自然语言处理来提取数据。

19.根据权利要求12所述的方法，其特征在于，在所述三维模型被拉伸出之前，所述机器学习提取模块对所述相关数据进行掩模以识别形状和轮廓。

20.根据权利要求19所述的方法，其特征在于，所识别的形状和轮廓用于创建网格。

21.根据权利要求20所述的方法，其特征在于，所述机器学习生成模块进一步包括用于对所述网格进行优化的网格优化模块。

22.根据权利要求21所述的方法，其特征在于，三维模型是从经优化的网格中拉伸出的。

23.根据权利要求12所述的方法，其特征在于，所生成的建筑信息模型文件被存储到至少一个数据库中。

Images