CN113449355A - 一种基于人工智能的建筑户型图自动生成方法 - Google Patents

Abstract

本发明涉及一种基于人工智能的建筑户型图自动生成方法，包括以下步骤：S1、标注住宅建筑的标准平面图，构成AI模型训练的数据；S2、基于DCGAN网络模型，通过调整训练参数、损失函数构建户型生成的AI模型；S3、将SVG动画技术规划户型结构输入到AI户型模型中，输出多个标准的户型平面图；S4、针对产生的户型图进行降噪、高分辨率处理，得到高度仿真的住宅建筑平面。该方法通过SVG动画的方式，可以根据户型配比，动态规划户型结构，实现所见即所得的体验，AI户型产生模型输出动画规划的建筑平面图，建筑师等人员依此为基础，方便深层次的加工，生成的户型样本直观、可操作性强、缩短户型平面图设计时间和户型结构丰富。

Description

一种基于人工智能的建筑户型图自动生成方法

技术领域

本发明涉及住宅户型设计技术领域，具体为一种基于人工智能的建筑户型图自动生成方法。

背景技术

近年来，在数字经济不断推进的大背景下，人工智能发展迅速，并与多种应用场景深度融合，利用人工智能技术的人机对弈、智能家居、声传译、无人驾驶、智能客服机器人和人脸识别等应用如雨后春笋般层出不穷，同时智能手机让人工智能变得更贴近大众的生活，人工智能逐渐成为推动经济创新发展的重要技术，众多互联网公司积极布局AI研发投入，2014年Goodfellow等人提出生成式对抗网络GAN，利用生成网络和判别网络不断博弈生成逼真的图像。

在住宅户型设计方面，通过房间的关系来进行建筑平面的生成和住区规划一样，是一个经典的算法辅助设计的题目，传统利用构建的房间结构，通过各类参数来系统地生成设计模型，包括但不限于三维模型、平面和立面等等，该方法能提高建筑师的效率，有一定价值，但另一方面是这样生成的方案是和实际生产相脱离。

因此利用机器学习，不再用人工去构建平面的数据结构，而是利用机器学习的方法去近似，这样的好处是做出来的成果足够酷炫，让计算机学会建筑设计，输出更加合理、准确和高效的房屋户型是非常有意义的应用。

目前CAD技术在建筑设计方面的贡献仍仅限于一种“绘图和计算的工具”，方案构思的仍得依靠传统方法，此方法利用计算机速度快、容量大、精度高和功能强的特点，帮助并代替建筑师在设计过程中处理大最的图像、数值和文字信息，从而大大地提高了建筑设计的质量，降低了设计的成本，缩短了设计的周期，并且节约了建设的投资，增强了竞争性，世界上先进工业国家多年来的实践已充分证明了这一点，但是，由于电脑屏幕尺寸的限制，设计师关注的往往是设计的局部，对全局的把握有一定影响，使得整个建筑物的比例和体量失控，CAD的精确性要求其每一笔都要有准确的数据，使得方案设计中需要的模糊性和随机性被扼杀，设计缺乏灵感，另一方面CAD软件自身功能的局限性以及设计师对CAD软件掌握的熟练程度，使得建筑师好的灵感和创意不能通过CAD表达出来，建筑师的思想、思路和灵感被束缚。

此外，现有技术中基于人工智能的参数化户型生成，其通过对抗网络技术训练户型生成模型工具，通过设置接收目标住宅建筑的目标区域、目标户型面积、目标户型轮廓及目标户型布局，利用该工具生成带功能区域的平面户型模型，随后，对平面户型模型进行去噪和规整处理得到几何图形意义上的住宅建筑平面，该方案提供了高效率和高准确性的自动生成住宅建筑平面的方案，但是，其生成模型的原始训练数据需要预处理，获取各个区域范围内住宅建筑的标准平面图，分析得到各个所述标准平面图对应的住宅面积、户型面积、户型布局、户型轮廓及住宅结构尺寸信息，作为原始训练数据，此方法对数据预处理结果要求较高，直接影响到生成工具的输出效果，并且，利用参数化配置生成平面户型图，设置目标住宅建筑的目标区域、目标户型面积、目标户型轮廓及目标户型布局，根据所述对抗生成网络模型生成带功能区域的平面户型模型，此方法增加工作量，需要反复多次调整参数，比较各种输出结果，才能最终确定方案，故而提出一种基于人工智能的建筑户型图自动生成方法以解决上述问题。

发明内容

针对现有技术的不足，本发明提供了一种基于人工智能的建筑户型图自动生成方法，该基于人工智能的建筑户型图自动生成方法通过SVG动画的方式，可以根据户型配比，动态规划户型结构，实现所见即所得的体验效果，AI户型产生模型输出动画规划的建筑平面图，建筑师等人员依此为基础，方便进行深层次的加工，用户使用灵活，生成的户型样本直观、可操作性强、缩短户型平面图设计时间和户型结构丰富。

为实现上述目的，本发明提供如下技术方案：一种基于人工智能的建筑户型图自动生成方法，包括以下步骤：

S1、标注住宅建筑的标准平面图，构成AI模型训练的数据；

S2、基于DCGAN网络模型，通过调整训练参数、损失函数构建户型生成的AI模型；

S3、将SVG动画技术规划户型结构输入到AI户型模型中，输出多个标准的户型平面图；

S4、针对产生的户型图进行降噪、高分辨率处理，得到高度仿真的住宅建筑平面。

进一步，在步骤S1中，所述标注住宅建筑的标准平面图包括标注户型轮廓、房间类型、户型边框和户型类别信息，且标注时住宅户型房间相对位置、各类房间数量利用HTML5SVG 动画的方式动态规划。

进一步，在步骤S2中，所述AI模型生成时利用原始数据与随机数据交替训练生成网络与判别网络，当达到纳什均衡时，生成模型达到最佳状态。

进一步，在步骤S3中，采用新型图约束房屋布局生成器，将架构约束作为一张图（即具有空间关系的房间的数量和类型）并生成一组轴对齐的房间的边界框，准确组合个房间区域的位置。

进一步，在步骤S4中，对产生的所述户型进行处理时采用SRGAN神经网络模型，对AI产生户型平面图进行消除图像畸形和图像高清。

与现有技术相比，本申请的技术方案具备以下有益效果：

该基于人工智能的建筑户型图自动生成方法，通过SVG动画的方式，可以根据户型配比，动态规划户型结构，实现所见即所得的体验效果，AI户型产生模型输出动画规划的建筑平面图，建筑师等人员依此为基础，方便进行深层次的加工，用户使用灵活，生成的户型样本直观、可操作性强、缩短户型平面图设计时间和户型结构丰富。

附图说明

图1为本发明的流程示意图；

图2为本发明中计算机储存规则图；

图3为本发明中的拓扑示意图；

图4为本发明中双矩形拼接关系示意图；

图5为本发明中三矩形拼接关系示意图；

图6为本发明中四矩形拼接关系示意图；

图7为本发明实际操作时的户型动态规划示意图；

图8为本发明实际操作时的户型动态生成示意图。

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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明中的基于人工智能的建筑户型图自动生成方法，可自动生成可供用户使用的住宅户型建筑平面，具体包括以下步骤：

S1、标注住宅建筑的标准平面图，构成AI模型训练的数据；

S2、基于DCGAN网络模型，通过调整训练参数、损失函数构建户型生成的AI模型；

S3、将SVG动画技术规划户型结构输入到AI户型模型中，输出多个标准的户型平面图；

S4、针对产生的户型图进行降噪、高分辨率处理，得到高度仿真的住宅建筑平面。

其中，在步骤S1中，所述标注住宅建筑的标准平面图包括标注户型轮廓、房间类型、户型边框和户型类别信息，且标注时住宅户型房间相对位置、各类房间数量利用HTML5SVG 动画的方式动态规划。

在步骤S2中，所述AI模型生成时利用原始数据与随机数据交替训练生成网络与判别网络，当达到纳什均衡时，生成模型达到最佳状态，需要说明的是，模型生成时采用三个指标衡量AI生成的住宅房屋平面图布局质量，分别为真实性、多样性和户型规划约束的兼容性。

此外，在步骤S3中，依据动态规划住宅户型图中房间区域相邻关系，AI生成模型依据规划实时生成住宅建筑的标准平面图，采用新型图约束房屋布局生成器，将架构约束作为一张图（即具有空间关系的房间的数量和类型）并生成一组轴对齐的房间的边界框，准确组合个房间区域的位置。

在利用标注的参数信息生成户型时，需要构建生成逻辑，首先需要将单元布局规则参数转换为拓扑关系图，其次利用平面信息参数生成户型单元形体，然后利用拓扑关系图及单元形体生成平面图。

在图论与计算机科学中，邻接矩阵是用来储存无向图的，如图2所示，‘无向’主要讲两相邻单元之间连线不具有方向性，在计算机储存过程中一般将图2中（a）转换成矩阵形式保存，如图2中（b）所示，在图2中（b），‘2’表示自连接，如单元①旁边的环行线，‘1’代表两单元相连，‘0’代表两单元之间不相连。

因此，参考计算机储存图方法，可以将建筑单元布局信息表近似看作计算机邻接矩阵，将建筑拓扑关系图看作无向图，但是计算机在储存无向图时，主要方法是将无向图转换成邻接矩阵，但是在建筑平面生成过程中，需要将邻接矩阵转换成无向图。

所以，在研究布局参数生成拓扑关系图时，首先需要定义转换前后符号对应关系，如：计算机储存无向图时，坐标轴号代表单元节点，数字代表节点连接关系，参考上述，以平面坐标点代表房间单元、以坐标点之间连线代表单元房间关系，如图3所示。

需要说明的是，拓扑关系图当中，线段之间不能交叉，因为线段代表单元之间关系，交叉意味这建筑内部流线混乱。

户型单元平面生成时通过矩形拼接的方式，由于建筑平面单元大多为规则的矩形，虽然也存在少量的非矩形单元，但在拼接过程中可以先将非矩形单元近似看作是矩形单元处理，矩形单元拼接是将两个或多个矩形单元连接在一起，产生一条或多条公共边，主要包括：

（1）两个矩形单元拼接

两个矩形单元拼接所产生的连接关系仅有一种形式，如图4所示，左侧表示节点A与B相连，反映到矩形平面上，主要表现为单元A与单元B之间生成一条公共边；

（2）三个矩形单元拼接

三个矩形单元拼接将会产生两种不同的拼接关系，如图5中（a）是三个节点依次相连，其原理相当于两个矩形拼接的叠加，反映到矩形平面上，主要表现为单元A与B、单元B与C之间各生成一条公共边，图5中（b）左侧是三个节点首尾相连，反映到矩形平面上，主要表现为单元A、B、C之间两两相连，并且生成两条公共边；

（3）四个矩形单元拼接

四个矩形单元拼接将会产生五种不同的拼接关系、如图6中（a）是在节点A、B、C环形相连的基础上加入了节点D，其原理相当于图5中（b）和图4的组合，反映到矩形平面上，主要表现为单元A、B、C之间两两相连，单元D再与A、B、C中的任意一个连接，图6中（b）是将A、B、C、D四个节点两两相连，反映到矩形平面上，主要表现为单元A、B、C之间两两相连，并且单元D位于三个矩形单元交点处，但同时单元D为黑空间，在建筑平面中如果存在，一般为走廊，图6中（c）是将A、B、C、D四个节点顺序连接，其原理相当于四个矩形拼接的叠加，反映到矩形平面上，主要表现为单元A与B、单元B与C、单元C与D之间各生成一条公共边，图6中（d）是将A、C、D三个节点都连接到B节点上，反映到矩形平面上，主要表现为单元A与B、单元B与C、单元C与D之间各生成一条公共边，图6中（e）是将A、B、C、D四个节点环形连接，反映到矩形平面上，主要表现为单元A、B、C、D之间产生一个公共顶点。

依次类推，有五个节点拼接和六个节点拼接等，但是不管连接形式多么复杂，最基础的形式依旧只有几种，分别是：线性连接、三角连接、环形连接，复杂的节点关系都是在此基础上叠加而成的。

这样，操作时，可利用可视化的拖动快速配置建筑户型，同时生成模型接受相关参数，然后快速生成相应的平面户型模型，并且，依据动态户型规划，AI生成模型无需参数配置，可以产生多个不同房间面积比例的建筑平面图。

户型生成后需要进行处理，处理时采用SRGAN神经网络模型，对AI产生户型平面图进行消除图像畸形和图像高清。

在实际运用中，如图7和图8，AI模型采用百万数量级的真实户型平面图进行训练，从定性与定量两个方面对AI户型生成模型评估，结果显示，所提出的方法优于已有方法和基准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于人工智能的建筑户型图自动生成方法，其特征在于，包括以下步骤：

S1、标注住宅建筑的标准平面图，构成AI模型训练的数据；

S2、基于DCGAN网络模型，通过调整训练参数、损失函数构建户型生成的AI模型；

S3、将SVG动画技术规划户型结构输入到AI户型模型中，输出多个标准的户型平面图；

S4、针对产生的户型图进行降噪、高分辨率处理，得到高度仿真的住宅建筑平面。

2.根据权利要求1所述的一种基于人工智能的建筑户型图自动生成方法，其特征在于：在步骤S1中，所述标注住宅建筑的标准平面图包括标注户型轮廓、房间类型、户型边框和户型类别信息，且标注时住宅户型房间相对位置、各类房间数量利用HTML5 SVG 动画的方式动态规划。

3.根据权利要求1所述的一种基于人工智能的建筑户型图自动生成方法，其特征在于：在步骤S2中，所述AI模型生成时利用原始数据与随机数据交替训练生成网络与判别网络，当达到纳什均衡时，生成模型达到最佳状态。

4.根据权利要求1所述的一种基于人工智能的建筑户型图自动生成方法，其特征在于：在步骤S3中，采用新型图约束房屋布局生成器，将架构约束作为一张具有空间关系的房间的数量和类型的图，并生成一组轴对齐的房间的边界框，准确组合个房间区域的位置。

5.根据权利要求1所述的一种基于人工智能的建筑户型图自动生成方法，其特征在于：在步骤S4中，对产生的所述户型进行处理时采用SRGAN神经网络模型，对AI产生户型平面图进行消除图像畸形和图像高清。

Images