CN113469086A - 建筑平面图中的区域划分方法、装置、设备及介质 - Google Patents

Abstract

本发明实施例公开了一种建筑平面图中的区域划分方法、装置、设备及介质。该方法包括：在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征；采用不同通道数的卷积核对其进行卷积处理，得到多尺度下的多通道高维图像特征；对多通道高维图像特征进行特征融合得到多通道第一融合图像特征，并采用动态卷积算法增强边界特征；在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合得到多通道第二融合图像特征；根据多通道第二融合图像特征获取建筑平面图的区域划分结果。在上述技术方案中，基于人工智能算法对建筑平面图中提取的特征进行处理，得到区域划分结果，实现了建筑平面图的区域精准划分，提高了生产效率。

Description

建筑平面图中的区域划分方法、装置、设备及介质

技术领域

本发明实施例涉及图像处理技术领域，尤其涉及一种建筑平面图中的区域划分方法、装置、设备及介质。

背景技术

随着人工智能技术的快速发展，给医疗、金融及电子设备等产业带来了革命性的影响。

目前，关于建筑产业，尤其是关于建筑工程图纸的审核，主要是通过专业的审图专家进行人工审核，人为地对建筑工程图纸中的各个区域进行划分，如阳台、厕所、浴室及厨房等，然后再计算并验证阳台栏杆高度及各区域的地面高度等是否符合国家标准。但是，人为地对建筑工程图纸进行区域划分，容易导致划分结果不准确，且生产效率较低，进而导致建筑工程图纸的检测结果产生偏差，降低工程质量。因此，如何基于人工智能算法实现建筑平面图的区域精准划分，提高生产效率是亟待解决的问题。

发明内容

本发明实施例提供一种建筑平面图中的区域划分方法、装置、设备及介质，以实现建筑平面图的区域精准划分，提高生产效率。

第一方面，本发明实施例提供了一种建筑平面图中的区域划分方法，包括：

在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征；

采用不同通道数的卷积核对多通道基础图像特征进行卷积处理，得到多尺度下的多通道高维图像特征；

对多尺度下的多通道高维图像特征进行特征融合，得到多通道第一融合图像特征，并采用动态卷积算法，增强多通道第一融合图像特征中的边界特征；

在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征；

根据多通道第二融合图像特征，获取所述建筑平面图的区域划分结果。

第二方面，本发明实施例还提供了一种建筑平面图中的区域划分装置，包括：

多通道基础图像特征提取模块，用于在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征；

多通道高维图像特征生成模块，用于采用不同通道数的卷积核对多通道基础图像特征进行卷积处理，得到多尺度下的多通道高维图像特征；

多通道第一融合图像特征生成模块，用于对多尺度下的多通道高维图像特征进行特征融合，得到多通道第一融合图像特征，并采用动态卷积算法，增强多通道第一融合图像特征中的边界特征；

多通道第二融合图像特征生成模块，用于在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征；

区域划分结果获取模块，用于根据多通道第二融合图像特征，获取所述建筑平面图的区域划分结果。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任意实施例所述的建筑平面图中的区域划分方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的建筑平面图中的区域划分方法。

本发明实施例提供的技术方案中，在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征，采用不同通道数的卷积核对其进行卷积处理，得到多尺度下的多通道高维图像特征，将得到的多通道高维图像特征进行特征融合得到多通道第一融合图像特征，并采用动态卷积算法增强边界特征，然后在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征，进而可以根据多通道第二融合图像特征得到建筑平面图的区域划分结果，通过人工智能算法对在建筑平面图中提取到的特征进行处理，能够有效地提高区域划分效果，得到准确度高的区域划分结果，无需人为划分，实现了建筑平面图的区域精准划分，提高了生产效率。

附图说明

图1a是本发明实施例一中的一种建筑平面图中的区域划分方法的流程示意图；

图1b是本发明实施例一中的一种用于获取建筑平面图的区域划分结果的模型结构示意图；

图2是本发明实施例二中的一种建筑平面图中的区域划分方法的流程示意图；

图3是本发明实施例三中的一种建筑平面图中的区域划分装置的结构示意图；

图4是本发明实施例四中的一种计算机设备的硬件结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1a是本发明实施例一提供的一种建筑平面图中的区域划分方法的流程图，本发明实施例可适用于对建筑平面图进行区域精准划分的情况，该方法可以由本发明实施例提供的建筑平面图中的区域划分装置来执行，该装置可采用软件和/或硬件的方式实现，并一般可集成在计算机设备中。

如图1a所示，本实施例提供的一种建筑平面图中的区域划分方法，具体包括：

S110、在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征。

待识别的建筑平面图，指的是要进行区域划分的建筑平面图。

设定低维尺度，指的是预先设定的在待识别的建筑平面图中提取的特征的维度。

多通道基础图像特征，指的是在待识别的建筑平面图中提取的设定低维尺度下的图像特征。

本发明实施例中，在对待识别的建筑平面图进行区域划分时，可以先对建筑平面图中的各区域进行大致定位，然后再进行精细划分，也就是说，可以先在待识别的建筑平面图中提取多通道基础图像特征，由于多通道基础图像特征是在预设低维尺度下获取的，故其中包含较少的无关特征和冗余特征，能够提高区域定位的精确性，然后再对多通道基础图像特征进行处理，以实现待识别的建筑平面图的区域精确划分。

可选的，在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征，可以包括：将建筑平面图输入至轻量级网络中，并获取轻量级网络的第二瓶颈层的输出结果，作为设定低维尺度下的多通道基础图像特征；其中，每个瓶颈层用于输出设定尺度下的多通道基础图像特征。

轻量级网络，用于提取建筑平面图中的多尺度的图像特征。

瓶颈层，指的是轻量级网络中的网络层，用于输出设定尺度下的多通道基础图像特征。

可以理解的是，一个轻量级网络中可以设置多个瓶颈层，不同的瓶颈层可以输出不同尺度下的图像特征。本发明实施例中，轻量级网络可以是一个包含三个瓶颈层(bottleneck)的MobileNetV2网络，当输入建筑平面图时，各瓶颈层输出的图像特征的尺度逐渐变高，为了避免获取的多通道基础图像特征的尺度过高或过低，因此可以将轻量级网络中的第二个瓶颈层输出的图像特征作为设定低维尺度下的多通道基础图像特征，从而满足合理的特征提取精度。

S120、采用不同通道数的卷积核对多通道基础图像特征进行卷积处理，得到多尺度下的多通道高维图像特征。

通道数，指的是卷积核的数量。

多通道高维图像特征，指的是将多通道基础图像特征进行升维后得到的图像特征，能够表征多通道基础图像特征中的高维尺度特征。

对多通道基础图像特征进行不同通道数的卷积处理，可以得到不同尺度下的多通道高维图像特征。示例性的，可以对多通道基础图像特征分别进行通道数为125、256、512和1024及卷积核为3*3的卷积处理，得到四种尺度下的多通道高维图像特征。

S130、对多尺度下的多通道高维图像特征进行特征融合，得到多通道第一融合图像特征，并采用动态卷积算法，增强多通道第一融合图像特征中的边界特征。

其中，多通道第一融合图像特征，指的是将多尺度下的多通道高维图像特征进行融合后得到的图像特征，能够表征建筑平面图中的高维尺度特征。

由于低维尺度下图像特征的特征分辨率较高，包含更多的细节信息，而高维尺度下图像特征的特征分辨率较低，对细节感知能力较差，因此，在本发明实施例中，为了使提取的特征能够更好地描述建筑平面图，可以融合不同尺度下的多通道高维图像特征，进而提高建筑平面图的区域划分性能，并且可以采用动态卷积算法，对得到多通道第一融合图像特征进行卷积处理，增强多通道第一融合图像特征中的边界特征，避免出现区域漏检的问题。

可选的，对多尺度下的多通道高维图像特征进行特征融合，得到多通道第一融合图像特征，可以包括：将各尺度下的多通道基础图像特征共同输入至合并网络中，得到多通道第一融合图像特征；使用设定通道数的1*1的卷积核与多通道第一融合图像特征进行卷积处理，以对多通道第一融合图像特征进行降维处理。

其中，合并网络，指的是一个用于特征融合的网络层。

在对各尺度下的多通道基础图像特征进行融合得到多通道第一融合图像特征之后，还可以对多通道第一融合图像特征进行降维处理，以保留低维尺度下的图像特征。示例性的，对多通道第一融合图像特征进行通道数为256及卷积核为1*1的卷积处理，得到低维尺度的多通道第一融合图像特征。

S140、在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征。

其中，多通道第二融合图像特征，指的是对多通道第一融合图像特征进行信息整合后的具有特定维度的图像特征。

由于第一融合图像特征是基于不同通道数的卷积核得到的，因此，在保持第一融合图像特征不缺失的基础上，可以对多通道第一融合图像特征进行特征整合，将多通道第一融合图像特征融合为多通道第二融合图像特征。

可选的，在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征，可以包括：将多通道第一融合图像特征输入至空间金字塔池化网络中，通过空间金字塔池化网络在多尺度的多通道第一融合图像特征中，提取得到标准尺度的多通道第一融合图像特征；使用设定通道数的1*1的卷积核对标准尺度的多通道第一融合图像特征进行卷积处理，得到多通道第二融合图像特征。

空间金字塔池化网络(Spatial Pyramid Pooling Network，简称SPP-Net)，用于在多尺度特征中提取出固定尺度的特征。在本发明实施例中，SPP-Net用于获取标准尺度的多通道第一融合图像特征。

在对图像进行分割时，通常是采用全卷积网络(Fully Convolutional Networks，FCN)，将输入的图像特征映射成一个固定尺度的图像特征，但是对于输入的不同的图像特征，可能具有不同的分辨率，在输出固定尺度的图像特征时可能导致图像中的几何形状发生变化，甚至造成图像信息丢失的情况，严重影响了输出结果的准确性。因此，本发明实施例在提取标准尺度的多通道第一融合图像特征时，采用了空间金字塔池化网络，不仅对输入的第一融合图像特征的分辨率大小不会限制，而且有效避免了第一融合图像特征的缺失。

在提取得到标准尺度的多通道第一融合图像特征后，可以使用设定通道数的1*1的卷积核对其进行卷积处理，整合标准尺度的多通道第一融合图像特征中的特征信息，得到多通道第二融合图像特征。

S150、根据多通道第二融合图像特征，获取建筑平面图的区域划分结果。

作为一种具体的实施方式，图1b提供了一种用于获取建筑平面图的区域划分结果的模型结构示意图。首先，将待识别的建筑平面图输入至轻量级网络MobileNetv2中，获取第二瓶颈层bottleneck2的输出结果，作为设定低维尺度下的多通道基础图像特征；其次，分别采用通道数为125、256、512和1024的3*3卷积核对多通道基础图像特征进行卷积处理，得到四个尺度下的多通道高维图像特征；然后，将多通道基础图像特征共同输入至合并网络Concat中，得到多通道第一融合图像特征，使用通道数为256的1*1卷积核与多通道第一融合图像特征进行卷积处理，并采用动态卷积算法增强多通道第一融合图像特征中的边界特征；再然后，将多通道第一融合图像特征输入至空间金字塔池化网络SPP-Net中，通过SPP-Net在多尺度的多通道第一融合图像特征中，提取得到标准尺度的多通道第一融合图像特征，使用设定通道数的1*1的卷积核对标准尺度的多通道第一融合图像特征进行卷积处理，得到多通道第二融合图像特征；最后，根据多通道第二融合图像特征，输出建筑平面图的区域划分结果。

本发明实施例提供的技术方案，在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征，采用不同通道数的卷积核对其进行卷积处理，得到多尺度下的多通道高维图像特征，将得到的多通道高维图像特征进行特征融合得到多通道第一融合图像特征，并采用动态卷积算法增强边界特征，然后在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征，进而可以根据多通道第二融合图像特征得到建筑平面图的区域划分结果，通过人工智能算法对在建筑平面图中提取到的特征进行处理，能够有效地提高区域划分效果，得到准确度高的区域划分结果，无需人为划分，实现了建筑平面图的区域精准划分，提高了生产效率。

在本实施例的一个可选的实施方式中，在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征之前，还可以包括：采用形态学算法对标准建筑图纸进行预识别，并根据预识别结果，在标准建筑图纸中截取得到至少一个备选图框检测区域，标准建筑图纸中包括至少一个图像尺寸小于或等于预设标准识别尺寸的小图框；针对每个备选图框检测区域，执行下述各图框检测处理操作：在备选图框检测区域中，提取出多通道的基础图像特征；在保持基础图像特征不缺失的基础上，在各基础图像特征中提取得到多通道的高维度图像特征，并增强各高维度图像特征的图像特征质量；在保持高维度图像特征不缺失的基础上，将多通道的高维度图像特征进行特征融合，得到多通道的融合图像特征；根据多通道的融合图像特征，获取备选图框检测区域的图框识别结果，并将识别出的各图框作为待识别的建筑平面图。

形态学算法，指的是一种通过一定形态的结构元素度量和提取图像中的对应形状，以达到对图像进行分析和识别的算法。在本发明实施例中，形态学算法用于获取标准建筑图纸的图框信息。

标准建筑图纸，指的是包含多个图框(如与建筑平面图对应的小图框、建筑设计说明图框等辅助图框)的建筑工程图纸。

预识别结果，指的是采用形态学算法在标准建筑图纸中识别出的至少一个图像尺寸小于或等于预设标准识别尺寸的小图框。其中，预设标准识别尺寸，指的是预先设定的一个可以通过形态学算法识别出的图框的最大尺寸。

备选图框检测区域，指的是在标准建筑图纸中截取的区域。

图像特征质量，用于衡量图像特征能够表征备选图框检测区域的程度。

图框识别结果，指的是对备选图框检测区域进行图框检测后得到的结果。

在标准建筑图纸中可能包括多个图框，例如，对于住宅项目的标准建筑图纸，其中可能包括图像目录、建筑设计说明等图框，因此，在对建筑平面图进行区域划分之前，还需要智能检测出标准建筑图纸中的待识别的建筑平面图，具体为：首先采用形态学算法对标准建筑图纸进行预识别，得到至少一个小于或等于预设标准识别尺寸的小图框，然后根据识别得到的小图框，在标准建筑图纸中截取至少一个备选图框检测区域，并对该区域进行图框检测，以确定该图框是否为待识别的建筑平面图。其中，备选图框检测区域的图框检测，具体为：首先可以采用不同通道数的卷积核对备选图框检测区域进行卷积处理，提取出多通道的基础图像特征，其次在各基础图像特征中提取得到多通道的高维度图像特征并进行图像特征质量的增强，然后将多通道的高维度图像特征进行特征融合得到多通道的融合图像特征，最后根据多通道的融合图像特征获取备选图框检测区域的图框识别结果，并将识别出的各图框作为待识别的建筑平面图。

这样设置的好处在于，采用形态学算法可以在标准建筑图纸中识别出至少一个小图框，然后根据识别得到的小图框，在标准建筑图纸中截取至少一个备选图框检测区域，并对备选图框检测区域进行智能检测，从而确定待识别的建筑平面图，无需专业人员进行人工图纸审核，提高了标准建筑图纸中待识别的建筑平面图的查找速度，实现了自动化图纸审核及图框信息查找。

在上述各实施例的基础上，采用形态学算法对标准建筑图纸进行预识别，并根据预识别结果，在标准建筑图纸中截取得到至少一个备选图框检测区域，可以包括：

对所述标准建筑图纸进行二值化处理，得到二值化图像；对所述二值化图像进行腐蚀和/或膨胀处理，以平滑二值化图像中的物体边界；对处理后的二值化图像进行边缘点检测，得到多个边缘点，并根据检测到的各边缘点进行连通域检测，获取检测到的各连通域在二值化图像中的位置坐标范围；根据各所述位置坐标范围，在标准建筑图纸中截取得到与各连通域分别对应的备选图框检测区域。

在上述各实施例的基础上，在备选图框检测区域中，提取出多通道的基础图像特征，可以包括：

将所述备选图框检测区域输入至轻量级网络中，并对所述轻量级网络的多个瓶颈层的输出结果输入至路径聚合网络，得到多通道的基础图像特征；

其中，不同瓶颈层用于输出不同尺度的基础图像特征。

在上述各实施例的基础上，在保持基础图像特征不缺失的基础上，在各基础图像特征中提取得到多通道的高维度图像特征，可以包括：

将所述多通道的基础图像特征输入至空间金字塔池化网络中，通过空间金字塔池化网络在多尺度的多通道的基础图像特征中，提取得到标准尺度的多通道的高维度图像特征。

在上述各实施例的基础上，增强各高维度图像特征的图像特征质量，可以包括：

将所述多通道的高维度图像特征输入至亚像素卷积网络中，通过亚像素卷积网络将各低分辨率的高维图像特征分别插入到高分辨率特征谱中，以增强各高维度图像特征的特征质量。

在上述各实施例的基础上，在保持高维度图像特征不缺失的基础上，将多通道的高维度图像特征进行特征融合，得到多通道的融合图像特征，可以包括：

使用设定数量的1*1的卷积核对所述多通道的高维度图像特征进行卷积处理，得到多通道的融合图像特征。

在上述各实施例的基础上，根据多通道的融合图像特征，获取备选图框检测区域的图框识别结果，可以包括：

将所述多通道的融合图像特征分别输入至分类网络和定位网络中，并通过分类网络输出的分类结果，以及定位网络输出的定位结果，在所述备选图框检测区域中标识出图框所在的区域位置坐标。

在上述各实施例的基础上，针对每个备选图框检测区域，执行各图框检测处理操作，具体可以包括：

将每个备选图框检测区域分别输入至预先训练的图框识别模型中，获取所述图框识别模型针对每个备选图框检测区域输出的图框识别结果；

其中，所述图框识别模型中具体包括：轻量级网络、路径聚合网络、空间金字塔池化网络、亚像素卷积网络、1*1的卷积核、分类网络以及定位网络；

所述图框识别模型在训练时使用的训练样本包括：预先标注有每一户建筑平面图所在图框位置的标准建筑图纸。

实施例二

图2是本发明实施例二提供的一种建筑平面图中的区域划分方法的流程图。本实施例在上述实施例的基础上进行具体化，其中，在根据多通道第二融合图像特征，获取建筑平面图的区域划分结果之后，还可以包括：

对建筑平面图进行光学字符识别，获取至少一个区域描述信息，以及各区域描述信息的识别位置；

根据区域划分结果中各区域的位置坐标范围，以及各区域描述信息的识别位置，建立区域与区域描述信息之间的映射关系。

进一步的，在根据区域划分结果中各区域的位置坐标范围，以及各区域描述信息的识别位置，建立区域与区域描述信息之间的映射关系之后，还可以包括：

根据区域与区域描述信息之间的映射关系，在区域划分结果中获取阳台区域的位置坐标范围；

在建筑立面图中，截取与位置坐标范围匹配的阳台立面图区域；

对阳台立面图区域内进行直线检测，并根据直线检测结果，获取与阳台立面图对应的阳台高度检测结果；

根据与建筑平面图对应的建筑物楼层高度，确定标准阳台高度，并根据标准阳台高度，对阳台高度检测结果进行验证。

如图2所示，本实施例提供的一种建筑平面图中的区域划分方法，具体包括：

S210、在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征。

S220、采用不同通道数的卷积核对多通道基础图像特征进行卷积处理，得到多尺度下的多通道高维图像特征。

S230、对多尺度下的多通道高维图像特征进行特征融合，得到多通道第一融合图像特征，并采用动态卷积算法，增强多通道第一融合图像特征中的边界特征。

S240、在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征。

S250、根据多通道第二融合图像特征，获取建筑平面图的区域划分结果。

S260、对建筑平面图进行光学字符识别，获取至少一个区域描述信息，以及各区域描述信息的识别位置。

光学字符识别(Optical Character Recognition，OCR)，用于自动识别光学字符。在本发明实施例中，OCR用于提取建筑平面图中的区域描述信息。

区域描述信息，指的是建筑平面图中用于描述各区域的文字信息，例如，建筑平面图纸中标注的“厨房”、“阳台”、“卧室”等文字信息。

区域描述信息的识别位置，指的是区域描述信息所对应的区域在建筑平面图中的区域范围。

采用OCR技术识别建筑平面图，获取至少一个区域描述信息，并可以确定各区域描述信息的识别位置。示例性的，对建筑平面图进行光学字符识别，可以获取区域描述信息“卧室”，以及卧室的识别位置(即卧室在建筑平面图中的区域范围)。

S270、根据区域划分结果中各区域的位置坐标范围，以及各区域描述信息的识别位置，建立区域与区域描述信息之间的映射关系。

位置坐标范围，指的是对建筑平面图进行区域划分后，各划分区域的区域范围。在本发明实施例中，可以根据各区域在建筑平面图中的坐标(如左上角与右下角的坐标)，确定各区域的位置坐标范围。

根据区域划分结果中各区域的位置坐标范围，以及各区域描述信息的识别位置，确定各区域划分结果对应的区域，并建立区域与区域描述信息之间的映射关系。示例性的，根据区域划分结果中卧室的位置坐标范围，以及卧室的识别位置，将区域划分结果中与卧室对应的区域和区域描述信息“卧室”之间建立映射关系。

S280、根据区域与区域描述信息之间的映射关系，在区域划分结果中获取阳台区域的位置坐标范围。

S290、在建筑立面图中，截取与位置坐标范围匹配的阳台立面图区域。

建筑立面图，指的是在与建筑物立面平行的铅锤投影面上所做的投影图，能够反映建筑物的空间立体结构。

阳台立面图区域，指的是阳台在建筑立面图中所对应的区域。

在确定阳台区域的位置坐标范围后，可以根据阳台区域的位置坐标范围，在建筑立面图中截取获得阳台立面图区域。

S2100、对阳台立面图区域内进行直线检测，并根据直线检测结果，获取与阳台立面图对应的阳台高度检测结果。

直线检测，用于测量阳台立面图区域内的建筑高度。

阳台高度检测结果，指的是通过直线测量得到的阳台高度结果，例如，阳台栏杆高度。

可以采用直线检测的方式对阳台立面图区域内进行高度测量，并确定与阳台立面图对应的阳台高度检测结果。在本发明实施例中，为了提高直线检测结果的精确度，可以在进行直线检测时，采用亚像素卷积算法提取阳台立面图区域内的特征，以提高提取的特征的边界像素值，进而根据提取到的特征进行直线检测。

S2110、根据与建筑平面图对应的建筑物楼层高度，确定标准阳台高度，并根据标准阳台高度，对阳台高度检测结果进行验证。

标准阳台高度，指的是符合国家标准要求的阳台栏杆或阳台栏板的最低高度。

对于不同的建筑物楼层高度，可以有不同的标准阳台高度，根据标准阳台高度，验证阳台高度检测结果是否符合国家标准。示例性的，获取阳台立面图对应的阳台高度检测结果后，当建筑平面图对应的建筑物楼层高度为六层或六层以下时，标准阳台高度为1.05米，若阳台高度检测结果不小于1.05米，则验证阳台高度检测结果符合国家标准；当建筑平面图对应的建筑物楼层高度为七层及七层以上时，标准阳台高度为1.10米，若阳台高度检测结果不小于1.10米，则验证阳台高度检测结果符合国家标准。

需要指出的是，在上述实施例中，仅列举了对阳台高度的验证，上述技术方案还可以应用于厕所、浴室或厨房等区域的地面高度，以及对门窗顶标高、梁底标高等建筑物高度的验证，本明实施例对此不做具体描述。示例性的，在建筑立面图中，截取与位置坐标范围匹配的厕所立面图区域，对厕所立面图区域内进行直线检测，并根据直线检测结果，获取与厕所立面图对应的厕所地面高度检测结果，根据标准厕所地面高度，对厕所地面高度检测结果进行验证，进而可以确定厕所地面高度是否低于室内地面高度。

本实施例未尽详细解释之处请参见前述实施例，在此不再赘述。

上述技术方案，在得到建筑平面图的区域划分结果后，还可以对建筑平面图进行光学字符识别，获取至少一个区域描述信息以及各区域描述信息的识别位置，并建立区域与区域描述信息之间的映射关系，然后根据映射关系在区域划分结果中获取阳台区域的位置坐标范围，在建筑立面图中截取匹配的阳台立面图区域，并通过对阳台立面图区域内进行直线检测，获取阳台高度检测结果，实现了对建筑工程图纸中的阳台高度的精准测量；并且可以根据国家规范的标准阳台高度，对阳台高度检测结果进行验证，满足了对建筑工程图纸的审核需求，确保了工程质量符合国家标准。

实施例三

图3是本发明实施例三提供的一种建筑平面图中的区域划分装置的结构示意图，本发明实施例可适用于对建筑平面图进行区域精准划分的情况，该装置可采用软件和/或硬件的方式实现，并一般可集成在计算机设备中。

如图3所示，该建筑平面图中的区域划分装置具体包括：多通道基础图像特征提取模块310、多通道高维图像特征生成模块320、多通道第一融合图像特征生成模块330、多通道第二融合图像特征生成模块340及区域划分结果获取模块350。其中，

多通道基础图像特征提取模块310，用于在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征；

多通道高维图像特征生成模块320，用于采用不同通道数的卷积核对多通道基础图像特征进行卷积处理，得到多尺度下的多通道高维图像特征；

多通道第一融合图像特征生成模块330，用于对多尺度下的多通道高维图像特征进行特征融合，得到多通道第一融合图像特征，并采用动态卷积算法，增强多通道第一融合图像特征中的边界特征；

多通道第二融合图像特征生成模块340，用于在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征；

区域划分结果获取模块350，用于根据多通道第二融合图像特征，获取所述建筑平面图的区域划分结果。

本发明实施例提供的技术方案，在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征，采用不同通道数的卷积核对其进行卷积处理，得到多尺度下的多通道高维图像特征，将得到的多通道高维图像特征进行特征融合得到多通道第一融合图像特征，并采用动态卷积算法增强边界特征，然后在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征，进而可以根据多通道第二融合图像特征得到建筑平面图的区域划分结果，通过人工智能算法对在建筑平面图中提取到的特征进行处理，能够有效地提高区域划分效果，得到准确度高的区域划分结果，无需人为划分，实现了建筑平面图的区域精准划分，提高了生产效率。

可选的，多通道基础图像特征提取模块310，具体用于将所述建筑平面图输入至轻量级网络中，并获取所述轻量级网络的第二瓶颈层的输出结果，作为设定低维尺度下的多通道基础图像特征；其中，每个瓶颈层用于输出设定尺度下的多通道基础图像特征。

可选的，多通道第一融合图像特征生成模块330，具体用于将各尺度下的多通道基础图像特征共同输入至合并网络中，得到多通道第一融合图像特征；使用设定通道数的1*1的卷积核与所述多通道第一融合图像特征进行卷积处理，以对所述多通道第一融合图像特征进行降维处理，并采用动态卷积算法，增强多通道第一融合图像特征中的边界特征。

可选的，多通道第二融合图像特征生成模块340，具体用于将多通道第一融合图像特征输入至空间金字塔池化网络中，通过空间金字塔池化网络在多尺度的多通道第一融合图像特征中，提取得到标准尺度的多通道第一融合图像特征；使用设定通道数的1*1的卷积核对所述标准尺度的多通道第一融合图像特征进行卷积处理，得到多通道第二融合图像特征。

作为一种可选的实施方式，上述装置还包括：建筑平面图中的区域与区域描述信息之间的映射关系建立模块，其中，

建筑平面图中的区域与区域描述信息之间的映射关系建立模块，用于在根据多通道第二融合图像特征，获取所述建筑平面图的区域划分结果之后，对所述建筑平面图进行光学字符识别，获取至少一个区域描述信息，以及各区域描述信息的识别位置；根据所述区域划分结果中各区域的位置坐标范围，以及各区域描述信息的识别位置，建立区域与区域描述信息之间的映射关系。

进一步的，上述装置还包括：阳台高度检测结果验证模块，其中，阳台高度检测结果验证模块，用于在根据所述区域划分结果中各区域的位置坐标范围，以及各区域描述信息的识别位置，建立区域与区域描述信息之间的映射关系之后，根据所述区域与区域描述信息之间的映射关系，在所述区域划分结果中获取阳台区域的位置坐标范围；在建筑立面图中，截取与所述位置坐标范围匹配的阳台立面图区域；对所述阳台立面图区域内进行直线检测，并根据直线检测结果，获取与阳台立面图对应的阳台高度检测结果；根据与建筑平面图对应的建筑物楼层高度，确定标准阳台高度，并根据所述标准阳台高度，对所述阳台高度检测结果进行验证。

作为一种可选的实施方式，上述装置还包括：建筑图纸中的图框检测模块，其中，建筑图纸中的图框检测模块，用于在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征之前，采用形态学算法对标准建筑图纸进行预识别，并根据预识别结果，在标准建筑图纸中截取得到至少一个备选图框检测区域，所述标准建筑图纸中包括至少一个图像尺寸小于或等于预设标准识别尺寸的小图框；针对每个备选图框检测区域，执行下述各图框检测处理操作：在备选图框检测区域中，提取出多通道的基础图像特征；在保持基础图像特征不缺失的基础上，在各基础图像特征中提取得到多通道的高维度图像特征，并增强各高维度图像特征的图像特征质量；在保持高维度图像特征不缺失的基础上，将多通道的高维度图像特征进行特征融合，得到多通道的融合图像特征；根据多通道的融合图像特征，获取备选图框检测区域的图框识别结果，并将识别出的各图框作为待识别的建筑平面图。

上述建筑平面图中的区域划分装置可执行本发明任意实施例所提供的建筑平面图中的区域划分方法，具备执行建筑平面图中的区域划分方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四提供的一种计算机设备的硬件结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种建筑平面图中的区域划分方法。也即，所述处理单元执行所述程序时实现：

在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征；

采用不同通道数的卷积核对多通道基础图像特征进行卷积处理，得到多尺度下的多通道高维图像特征；

对多尺度下的多通道高维图像特征进行特征融合，得到多通道第一融合图像特征，并采用动态卷积算法，增强多通道第一融合图像特征中的边界特征；

在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征；

根据多通道第二融合图像特征，获取所述建筑平面图的区域划分结果。

实施例五

本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的一种建筑平面图中的区域划分方法：也即，该程序被处理器执行时实现：

在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征；

采用不同通道数的卷积核对多通道基础图像特征进行卷积处理，得到多尺度下的多通道高维图像特征；

对多尺度下的多通道高维图像特征进行特征融合，得到多通道第一融合图像特征，并采用动态卷积算法，增强多通道第一融合图像特征中的边界特征；

在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征；

根据多通道第二融合图像特征，获取所述建筑平面图的区域划分结果。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言(诸如Java、Smalltalk、C++)，还包括常规的过程式程序设计语言(诸如“C”语言或类似的程序设计语言)。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种建筑平面图中的区域划分方法，其特征在于，包括：

在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征；

采用不同通道数的卷积核对多通道基础图像特征进行卷积处理，得到多尺度下的多通道高维图像特征；

对多尺度下的多通道高维图像特征进行特征融合，得到多通道第一融合图像特征，并采用动态卷积算法，增强多通道第一融合图像特征中的边界特征；

在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征；

根据多通道第二融合图像特征，获取所述建筑平面图的区域划分结果。

2.根据权利要求1所述的方法，其特征在于，在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征，包括：

将所述建筑平面图输入至轻量级网络中，并获取所述轻量级网络的第二瓶颈层的输出结果，作为设定低维尺度下的多通道基础图像特征；

其中，每个瓶颈层用于输出设定尺度下的多通道基础图像特征。

3.根据权利要求1所述的方法，其特征在于，对多尺度下的多通道高维图像特征进行特征融合，得到多通道第一融合图像特征，包括：

将各尺度下的多通道基础图像特征共同输入至合并网络中，得到多通道第一融合图像特征；

使用设定通道数的1*1的卷积核与所述多通道第一融合图像特征进行卷积处理，以对所述多通道第一融合图像特征进行降维处理。

4.根据权利要求1所述的方法，其特征在于，在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征，包括：

将多通道第一融合图像特征输入至空间金字塔池化网络中，通过空间金字塔池化网络在多尺度的多通道第一融合图像特征中，提取得到标准尺度的多通道第一融合图像特征；

使用设定通道数的1*1的卷积核对所述标准尺度的多通道第一融合图像特征进行卷积处理，得到多通道第二融合图像特征。

5.根据权利要求1-4任一项所述的方法，其特征在于，在根据多通道第二融合图像特征，获取所述建筑平面图的区域划分结果之后，还包括：

对所述建筑平面图进行光学字符识别，获取至少一个区域描述信息，以及各区域描述信息的识别位置；

根据所述区域划分结果中各区域的位置坐标范围，以及各区域描述信息的识别位置，建立区域与区域描述信息之间的映射关系。

6.根据权利要求5所述的方法，其特征在于，在根据所述区域划分结果中各区域的位置坐标范围，以及各区域描述信息的识别位置，建立区域与区域描述信息之间的映射关系之后，还包括：

根据所述区域与区域描述信息之间的映射关系，在所述区域划分结果中获取阳台区域的位置坐标范围；

在建筑立面图中，截取与所述位置坐标范围匹配的阳台立面图区域；

对所述阳台立面图区域内进行直线检测，并根据直线检测结果，获取与阳台立面图对应的阳台高度检测结果；

根据与建筑平面图对应的建筑物楼层高度，确定标准阳台高度，并根据所述标准阳台高度，对所述阳台高度检测结果进行验证。

7.根据权利要求1所述的方法，其特征在于，在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征之前，还包括：

采用形态学算法对标准建筑图纸进行预识别，并根据预识别结果，在标准建筑图纸中截取得到至少一个备选图框检测区域，所述标准建筑图纸中包括至少一个图像尺寸小于或等于预设标准识别尺寸的小图框；

针对每个备选图框检测区域，执行下述各图框检测处理操作：

在备选图框检测区域中，提取出多通道的基础图像特征；

在保持基础图像特征不缺失的基础上，在各基础图像特征中提取得到多通道的高维度图像特征，并增强各高维度图像特征的图像特征质量；

在保持高维度图像特征不缺失的基础上，将多通道的高维度图像特征进行特征融合，得到多通道的融合图像特征；

根据多通道的融合图像特征，获取备选图框检测区域的图框识别结果，并将识别出的各图框作为待识别的建筑平面图。

8.一种建筑平面图中的区域划分装置，其特征在于，包括：

多通道基础图像特征提取模块，用于在待识别的建筑平面图中提取设定低维尺度下的多通道基础图像特征；

多通道高维图像特征生成模块，用于采用不同通道数的卷积核对多通道基础图像特征进行卷积处理，得到多尺度下的多通道高维图像特征；

多通道第一融合图像特征生成模块，用于对多尺度下的多通道高维图像特征进行特征融合，得到多通道第一融合图像特征，并采用动态卷积算法，增强多通道第一融合图像特征中的边界特征；

多通道第二融合图像特征生成模块，用于在保持第一融合图像特征不缺失的基础上，将多通道第一融合图像特征进行特征融合，得到多通道第二融合图像特征；

区域划分结果获取模块，用于根据多通道第二融合图像特征，获取所述建筑平面图的区域划分结果。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images