CN114168795A - 建筑三维模型映射及存储方法、装置、电子设备及介质 - Google Patents
建筑三维模型映射及存储方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114168795A CN114168795A CN202210136793.4A CN202210136793A CN114168795A CN 114168795 A CN114168795 A CN 114168795A CN 202210136793 A CN202210136793 A CN 202210136793A CN 114168795 A CN114168795 A CN 114168795A
- Authority
- CN
- China
- Prior art keywords
- building
- clustering
- mapping
- image
- loss
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000010276 construction Methods 0.000 claims abstract description 58
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 60
- 239000013598 vector Substances 0.000 claims description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 238000013145 classification model Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013506 data mapping Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/80—Information retrieval; Database structures therefor; File system structures therefor of semi-structured data, e.g. markup language structured data such as SGML, XML or HTML
- G06F16/84—Mapping; Conversion
- G06F16/86—Mapping to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/80—Information retrieval; Database structures therefor; File system structures therefor of semi-structured data, e.g. markup language structured data such as SGML, XML or HTML
- G06F16/81—Indexing, e.g. XML tags; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术,揭露了一种建筑三维模型映射及存储方法,包括:根据目标建筑包含的施工阶段构建原始阶段族群,对目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合进行分类,得到建筑分类结果,对建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果将建筑分类结果构建的第一映射节点及构件聚类结果构建的第二映射节点对应的建筑三维模型映射到原始阶段族群中,得到标准阶段族群并进行对象型数据转化将转化完成的数据存储到预构建的对象型数据库中。本发明还提出一种建筑三维模型映射及存储方法装置、电子设备以及计算机可读存储介质。本发明可以解决建筑三维模型查询效率较低的问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种建筑三维模型映射及存储方法、装置、电子设备及计算机可读存储介质。
背景技术
建筑信息模型(Building Information Modeling,简称BIM)着眼建筑全生命周期的管理,强调利用数字化技术,为建筑模型提供完整的建筑工程信息库。该信息库不仅包含描述建筑物构件的几何信息,还包括构件的专业属性和建筑构件相关联的空间状态信息。
目前,传统的BIM平台系统对BIM专业属性数据的映射管理存在以下挑战和问题:1.随着建筑工程的不断发展,建筑模型越来越复杂,构件属性越来越庞大,现在一个项目的建筑模型动辄就是上百万的构件数量,每个构件有约几十个属性数据,BIM平台需要对海量的数据进行存储和管理,极大地占用了存储空间,导致存储及读取速度较慢,数据查询效率较低。2.传统的BIM平台中,模型数据和属性数据的关联仅仅依靠构件的业务ID进行绑定映射,无法灵活、高效地进行数据映射,导致数据映射的关联性较差,查询效率较低。
发明内容
本发明提供一种建筑三维模型映射及存储方法、装置、电子设备及可读存储介质,其主要目的在于解决建筑三维模型查询效率较低的问题。
为实现上述目的,本发明提供的一种建筑三维模型映射及存储方法,包括:
根据目标建筑包含的施工阶段构建原始阶段族群;
获取所述目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合;
利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,得到建筑分类结果;
利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果;
根据所述建筑分类结果构建第一映射节点,以及根据所述构件聚类结果构建第二映射节点;
将所述第一映射节点及所述第二映射节点对应的建筑三维模型映射到所述原始阶段族群中,得到标准阶段族群;
对所述标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中。
可选地,所述利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,包括:
利用所述GANomaly分类模型中的生成网络提取所述建筑图像集合中图像的第一潜在特征;
利用所述第一潜在特征进行图像重构,得到重构建筑图像集合;
利用所述生成网络提取所述重构建筑图像集合中重构图像的第二潜在特征;
利用所述GANomaly分类模型中的判别网络计算所述第一潜在特征及所述第二潜在特征的差异值;
判断所述差异值是否大于预设的差异阈值;
确定差异值大于所述差异阈值的图像为平面凹凸规则图像,确定差异值不大于所述差异阈值的图像为平面不凹凸规则图像。
可选地,所述利用预训练的GANomaly分类模型对所述建筑图像集合进行分类之前,所述方法还包括:
利用预设的生成器提取建筑平面训练集合中训练图像的原始特征向量;
利用所述生成器重构所述建筑平面训练集合中的训练图像,得到重构训练图像集合;
利用预设的判别器计算所述建筑平面训练集合及所述重构训练图像集合的判别损失;
提取所述重构训练集合中的标准特征向量,基于所述原始特征向量及所述标准特征向量计算所述生成器的生成损失;
根据所述生成损失及所述判别损失调整生成器及判别器的参数,在所述判别损失及所述生成损失不满足预设的损失阈值时,返回所述利用预设的生成器提取建筑平面训练集合中训练图像的原始特征向量的步骤,直至所述判别损失及所述生成损失满足所述损失阈值时,将所述生成器作为生成网络,以及将所述判别器作为判别网络,汇总所述生成网络及所述判别网络,得到所述GANomaly分类模型。
可选地,所述基于所述原始特征向量及所述标准特征向量计算所述生成器的生成损失,包括:
利用所述原始特征向量及所述标准特征向量计算特征损失;
利用所述建筑平面训练集合及所述重构训练图像集合计算图像损失;
对所述特征损失及所述图像损失进行加权计算,得到所述生成损失。
可选地,所述乌鸦混合聚类算法包括乌鸦搜索算法及K-means聚类算法,所述利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果,包括:
利用所述乌鸦搜索算法从所述构件图像集合中选取预设个数的初始聚类中心;
利用所述K-means聚类算法依次计算所述构建图像集合中每个构件图像到所述初始聚类中心的距离,并将所述每个构件图像分到距离最小的初始聚类中心对应的类别中,得到多个类别簇;
重新计算每个类别簇的聚类中心,并返回依次计算所述构建图像集合中每个构件图像到所述初始聚类中心的距离的步骤,直至所述多个类别簇的聚类中心收敛,确定收敛的类别簇作为所述构件聚类结果。
可选地,所述利用所述乌鸦搜索算法从所述构件图像集合中选取预设个数的初始聚类中心,包括:
将所述构件图像集合中图像的像素点作为搜索空间;
在所述搜索空间中随机放置预设个数的乌鸦聚类中心,并记录初始位置;
计算所述乌鸦聚类中心的适应度,返回所述在所述搜索空间中随机放置预设个数的乌鸦聚类中心的步骤,并记录新的位置;
在返回次数满足预设的迭代条件时,停止迭代,将适应度最大的位置的乌鸦聚类中心作为所述初始聚类中心。
可选地,所述将转化完成的数据存储到预构建的对象型数据库中之后,所述方法还包括:
获取数据查询信息,从所述数据查询信息中解析出查询语句及查询索引;
利用所述查询语句及所述查询索引从所述对象型数据库中得到查询结果。
为了解决上述问题,本发明还提供一种建筑三维模型映射及存储装置,所述装置包括:
原始阶段族群构建模块,用于根据目标建筑包含的施工阶段构建原始阶段族群,获取所述目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合;
建筑分类模块,用于利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,得到建筑分类结果;
构件聚类模块,用于利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果;
标准阶段族群构建模块,用于根据所述建筑分类结果构建第一映射节点,以及根据所述构件聚类结果构建第二映射节点,将所述第一映射节点及所述第二映射节点对应的建筑三维模型映射到所述原始阶段族群中,得到标准阶段族群;
数据存储模块,用于对所述标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的建筑三维模型映射及存储方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的建筑三维模型映射及存储方法。
本实施例通过对目标建筑包含的施工阶段构建原始阶段族群,并对目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合进行分类,得到建筑分类结果,对建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果,利用建筑分类结果构建第一映射节点,以及利用构件聚类结果构建第二映射节点,通过分类及聚类得到的映射节点对所述建筑三维模型进行映射,可以提高建筑三维模型数据映射的关联性,进而有利于提高对建筑数据的查询速度。并且,通过对标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中,通过对象型数据库进行存储及读取,也提高了数据存储及读取的响应速度,进一步提高了数据查询的效率。因此本发明提出的建筑三维模型映射及存储方法、装置、电子设备及计算机可读存储介质,可以解决解决建筑三维模型查询效率较低的问题。
附图说明
图1为本发明一实施例提供的建筑三维模型映射及存储方法的流程示意图;
图2为本发明一实施例提供的建筑三维模型映射及存储装置的功能模块图;
图3为本发明一实施例提供的实现所述建筑三维模型映射及存储方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种建筑三维模型映射及存储方法。所述建筑三维模型映射及存储方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述建筑三维模型映射及存储方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的建筑三维模型映射及存储方法的流程示意图。在本实施例中,所述建筑三维模型映射及存储方法包括:
S1、根据目标建筑包含的施工阶段构建原始阶段族群,获取所述目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合。
本发明实施例中,所述目标建筑可以为桥梁建筑、房屋建筑等。不同的目标建筑可以包含不同的施工阶段,每个施工阶段的建筑三维模型不相同,因此根据施工阶段构建不同的数据库族群,可以提高数据查询的效率。
例如,根据房屋建筑的施工阶段可以构建地基施工阶段族群、主体结构施工阶段族群等。
本发明一可选实施例中,所述建筑三维模型可以从BIM(建筑信息模型,BuildingInformation Modeling)管理平台中获取,包括rvt.、ifc.等后缀的文件。所述BIM管理平台用来存储百万级别的BIM模型,并对BIM模型中海量的建筑物构件、建筑物构件的专业属性数据及建筑物构件的空间状态信息等数据进行存储和管理。通过对建筑的数据化、信息化模型整合,在项目策划、运行和维护的全生命周期过程中进行共享和传递,其核心是通过建立虚拟的建筑工程三维模型,利用数字化技术,为这个模型提供完整的、与实际情况一致的建筑工程信息库。
其中,所述建筑三维模型的建筑图像集合是指从BIM模型中获取的建筑平面图集。
本发明另一可选实施例中,所述获取所述目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合之前,所述方法还包括:
读取所述目标建筑不同施工阶段的IFC文件,得到不同施工阶段对应的建筑三维模型的几何形状;
生成所述建筑三维模型的包围盒,根据包围盒的大小以及预设的截面高度,创建不同截面高度下的建筑平面;
对所述几何形状及所述建筑平面进行布尔交运算,得到相交截面,组合不同截面高度下的相交截面,得到所述建筑三维模型的建筑平面图;
汇总所有施工阶段的建筑平面图,得到所述建筑图像集合。
本发明实施例中,IFC文件包括建筑三维模型及其属性信息,通过读取IFC文件,可以得到建筑三维模型的几何形状。
进一步地,所述包围盒是指用体积稍大且特性简单的几何体(称为包围盒)来近似地代替复杂的建筑三维模型,提高建筑平面的提取的便捷性,本发明可以使用主成分分析(Principal Component Analysis,PCA)方法生成不同建筑三维模型的包围盒。例如,对于30层高的建筑三维模型,通过构建包围盒,并按照从高到低或从低到高的顺序组合不同截面高度下的相交截面可以得到不同楼层的建筑平面图。
S2、利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,得到建筑分类结果。
本发明实施例中,所述GANomaly 是一种基于潜在特征空间的图像检测模型,通过对比输入图片与重构图片在潜在特征空间上的差异来对图像进行分类。
具体的,所述GANomaly分类模型包括生成网络及判别网络,其中,生成网络用于生成输入图片X的潜在特征向量 Z=GE(X)、重构图片X'以及生成重构图片X'的潜在特征向量Z'=E(X'),判别网络用于计算潜在特征向量 Z=GE(X)及潜在特征向量 Z'=E(X')之间的差异并分类。
本发明一可选实施例中,可以按照建筑的规则性将建筑三维模型分为凹凸规则及凹凸不规则。
具体地,所述利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,包括:
利用所述GANomaly分类模型中的生成网络提取所述建筑图像集合中图像的第一潜在特征;
利用所述第一潜在特征进行图像重构,得到重构建筑图像集合;
利用所述生成网络提取所述重构建筑图像集合中重构图像的第二潜在特征;
利用所述GANomaly分类模型中的判别网络计算所述第一潜在特征及所述第二潜在特征的差异值;
判断所述差异值是否大于预设的差异阈值;
确定差异值大于所述差异阈值的图像为平面凹凸规则图像,确定差异值不大于所述差异阈值的图像为平面不凹凸规则图像。
本发明一可选实施例中,所述计算所述第一潜在特征及所述第二潜在特征的差异值,包括:
利用下述相似度公式计算所述第一潜在特征及所述第二潜在特征的差异值:
其中,S为所述差异值,Z为所述第一潜在特征,Z´为所述第二潜在特征。
本发明实施例中,所述利用预训练的GANomaly分类模型对所述建筑图像集合进行分类之前,所述方法还包括:
利用预设的生成器提取建筑平面训练集合中训练图像的原始特征向量;
利用所述生成器重构所述建筑平面训练集合中的训练图像,得到重构训练图像集合;
利用预设的判别器计算所述建筑平面训练集合及所述重构训练图像集合的判别损失;
提取所述重构训练集合中的标准特征向量,基于所述原始特征向量及所述标准特征向量计算所述生成器的生成损失;
根据所述生成损失及所述判别损失调整生成器及判别器的参数,在所述判别损失及所述生成损失不满足预设的损失阈值时,返回所述利用预设的生成器提取建筑平面训练集合中训练图像的原始特征向量的步骤,直至所述判别损失及所述生成损失满足所述损失阈值时,将所述生成器作为生成网络,以及将所述判别器作为判别网络,汇总所述生成网络及所述判别网络,得到所述GANomaly分类模型。
本发明实施例中,预设的生成器(NetG)使用两个编码器 GE()和E()以及一个解码器 GD()交错相接构成。预设的判别器D()可以使用一个CNN网络,用来输出分类结果。
本实施例中,预设的判别器 D()通过将图片进行编码,得到一个判别特征,然后对判别特征进行判别,最后输出图片标签,对于输入图片来说,判别器认为是正常样本,输出正常标签;对于重构图片来说,判别器认为是异常样本输出异常标签,根据正常标签及异常标签计算交叉熵损失。
本发明一可选实施例中,通过生成器中的编码器GE()提取图像的第一潜在特征,并利用解码器GD()对第一潜在特征进行重构,再利用编码器E()提取重构的图像的第二潜在特征。
本发明一可选实施例中,所述利用预设的判别器计算所述建筑平面训练集合及所述重构训练图像集合的判别损失,包括:
利用下述损失函数计算所述建筑平面训练集合及所述重构训练图像集合的判别损失:
其中,LD为所述判别损失,Ldis为交叉熵损失函数,D()为所述判别器,Y为所述建筑平面训练集合,Y´为所述重构训练图像集合,ω1、ω2为预设权重。
本发明一可选实施例中,所述基于所述原始特征向量及所述标准特征向量计算所述生成器的生成损失,包括:
利用所述原始特征向量及所述标准特征向量计算特征损失;
利用所述建筑平面训练集合及所述重构训练图像集合计算图像损失;
对所述特征损失及所述图像损失进行加权计算,得到所述生成损失。
本发明一可选实施例中,所述对所述特征损失及所述图像损失进行加权计算,得到所述生成损失,包括:
利用下述加权公式计算所述生成损失:
其中,LG为所述生成损失,L1为所述特征损失,L2为所述图像损失。
本发明实施例中,通过训练完成的GANomaly分类模型对建筑图像集合进行分类,可以将建筑图像集合对应的建筑三维模型分为两类,即凹凸规则及凹凸不规则,无需人工进行分类,大大提高了对建筑物凹凸规则性识别的准确率。
S3、利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果。
本发明实施例中,所述乌鸦混合聚类算法包括乌鸦搜索算法(CSA)及K-means聚类算法,其中,乌鸦搜索算法用于寻找最优的初始聚类中心,K-means聚类算法根据找到的初始聚类中心进行聚类,可以提高算法的全局优化能力,改善聚类质量。
其中,所述构件图像是指不同建筑楼层的门、窗、墙体等图像。
详细地,所述利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果,包括:
利用所述乌鸦搜索算法从所述构件图像集合中选取预设个数的初始聚类中心;
利用所述K-means聚类算法依次计算所述构建图像集合中每个构件图像到所述初始聚类中心的距离,并将所述每个构件图像分到距离最小的初始聚类中心对应的类别中,得到多个类别簇;
重新计算每个类别簇的聚类中心,并返回依次计算所述构建图像集合中每个构件图像到所述初始聚类中心的距离的步骤,直至所述多个类别簇的聚类中心收敛,确定收敛的类别簇作为所述构件聚类结果。
本发明一可选实施例中,所述计算每个类别簇的聚类中心,包括:
通过下述公式计算每个类别簇的聚类中心:
其中,Ei为第i个初始聚类中心,Ci为第i个类别簇,x为类别簇中的图像。
本发明实施例中,所述距离可以为欧氏距离、曼哈顿距离及切比雪夫距离等。所述构建聚类结果包括:“门”、“窗”、“墙体”等。
进一步地,所述利用所述乌鸦搜索算法从所述构件图像集合中选取预设个数的初始聚类中心,包括:
将所述构件图像集合中图像的像素点作为搜索空间;
在所述搜索空间中随机放置预设个数的乌鸦聚类中心,并记录初始位置;
计算所述乌鸦聚类中心的适应度,返回所述在所述搜索空间中随机放置预设个数的乌鸦聚类中心的步骤,并记录新的位置;
在返回次数满足预设的迭代条件时,停止迭代,将适应度最大的位置的乌鸦聚类中心作为所述初始聚类中心。
本发明实施例中,每个乌鸦聚类中心就是一种可能的聚类中心组合,通过确定最大适应度的聚类中心作为初始聚类中心,可以得到质量更高的初始聚类中心。
本发明一可选实施例中,所述计算所述乌鸦聚类中心的适应度,包括:
S4、根据所述建筑分类结果构建第一映射节点,以及根据所述构件聚类结果构建第二映射节点。
本发明实施例中,根据建筑分类结果得到第一映射节点:“凹凸规则”及“凹凸不规则”,根据构建聚类结果得到第二映射节点:“门”、“窗”等。可以将建筑三维模型机建筑三维模型中的构件根据映射节点进行映射。
S5、将所述第一映射节点及所述第二映射节点对应的建筑三维模型映射到所述原始阶段族群中,得到标准阶段族群。
本发明实施例中,通过将第一映射节点及所述第二映射节点对应的建筑三维模型映射到原始阶段族群中,可以得到不同施工阶段的标准阶段族群,例如,主体结构施工阶段的标准阶段族群根据映射节点 “主体结构施工标准族群”—“凹凸不规则”—“墙体”等对三维建筑模型进行拆分映射。
S6、对所述标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中。
本发明实施例中,由于标准阶段族群中的建筑数据为IFC格式的数据,在存储和读取中可能会出现因数据量过大而导致的响应速度慢的问题,通过进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中,可以提高数据存储及读取的速度。
其中,所述对象型数据可以为IFC XLM格式的数据,所述对象型数据库可以为InterSystemsIRIS数据库。
本发明另一可选实施例中,所述将转化完成的数据存储到预构建的对象型数据库中之后,所述方法还包括:
获取数据查询信息,从所述数据查询信息中解析出查询语句及查询索引;
利用所述查询语句及所述查询索引从所述对象型数据库中得到查询结果。
详细地,所述数据查询信息可以为用户输入的建筑查询信息,所述查询语句可以为SQL查询语句,所述查询索引包括用户输入的映射节点的信息,通过SQL查询语句及查询索引可以快速的从对象型数据库中得到建筑三维模型及对应的属性信息作为查询结果。
本实施例通过对目标建筑包含的施工阶段构建原始阶段族群,并对目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合进行分类,得到建筑分类结果,对建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果,利用建筑分类结果构建第一映射节点,以及利用构件聚类结果构建第二映射节点,通过分类及聚类得到的映射节点对所述建筑三维模型进行映射,可以提高建筑三维模型数据映射的关联性,进而有利于提高对建筑数据的查询速度。并且,通过对标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中,通过对象型数据库进行存储及读取,也提高了数据存储及读取的响应速度,进一步提高了数据查询的效率。因此本发明提出的建筑三维模型映射及存储方法,可以解决建筑三维模型查询效率较低的问题。
如图2所示,是本发明一实施例提供的建筑三维模型映射及存储装置的功能模块图。
本发明所述建筑三维模型映射及存储装置100可以安装于电子设备中。根据实现的功能,所述建筑三维模型映射及存储装置100可以包括原始阶段族群构建模块101、建筑分类模块102、构件聚类模块103、标准阶段族群构建模块104及数据存储模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述原始阶段族群构建模块101,用于根据目标建筑包含的施工阶段构建原始阶段族群,获取所述目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合;
所述建筑分类模块102,用于利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,得到建筑分类结果;
所述构件聚类模块103,用于利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果;
所述标准阶段族群构建模块104,用于根据所述建筑分类结果构建第一映射节点,以及根据所述构件聚类结果构建第二映射节点,将所述第一映射节点及所述第二映射节点对应的建筑三维模型映射到所述原始阶段族群中,得到标准阶段族群;
所述数据存储模块105,用于对所述标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中。
详细地,所述建筑三维模型映射及存储装置100各模块的具体实施方式如下:
步骤一、根据目标建筑包含的施工阶段构建原始阶段族群,获取所述目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合。
本发明实施例中,所述目标建筑可以为桥梁建筑、房屋建筑等。不同的目标建筑可以包含不同的施工阶段,每个施工阶段的建筑三维模型不相同,因此根据施工阶段构建不同的数据库族群,可以提高数据查询的效率。
例如,根据房屋建筑的施工阶段可以构建地基施工阶段族群、主体结构施工阶段族群等。
本发明一可选实施例中,所述建筑三维模型可以从BIM(建筑信息模型,BuildingInformation Modeling)管理平台中获取,包括rvt.、ifc.等后缀的文件。所述BIM管理平台用来存储百万级别的BIM模型,并对BIM模型中海量的建筑物构件、建筑物构件的专业属性数据及建筑物构件的空间状态信息等数据进行存储和管理。通过对建筑的数据化、信息化模型整合,在项目策划、运行和维护的全生命周期过程中进行共享和传递,其核心是通过建立虚拟的建筑工程三维模型,利用数字化技术,为这个模型提供完整的、与实际情况一致的建筑工程信息库。
其中,所述建筑三维模型的建筑图像集合是指从BIM模型中获取的建筑平面图集。
本发明另一可选实施例中,所述获取所述目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合之前,所述方法还包括:
读取所述目标建筑不同施工阶段的IFC文件,得到不同施工阶段对应的建筑三维模型的几何形状;
生成所述建筑三维模型的包围盒,根据包围盒的大小以及预设的截面高度,创建不同截面高度下的建筑平面;
对所述几何形状及所述建筑平面进行布尔交运算,得到相交截面,组合不同截面高度下的相交截面,得到所述建筑三维模型的建筑平面图;
汇总所有施工阶段的建筑平面图,得到所述建筑图像集合。
本发明实施例中,IFC文件包括建筑三维模型及其属性信息,通过读取IFC文件,可以得到建筑三维模型的几何形状。
进一步地,所述包围盒是指用体积稍大且特性简单的几何体(称为包围盒)来近似地代替复杂的建筑三维模型,提高建筑平面的提取的便捷性,本发明可以使用主成分分析(Principal Component Analysis,PCA)方法生成不同建筑三维模型的包围盒。例如,对于30层高的建筑三维模型,通过构建包围盒,并按照从高到低或从低到高的顺序组合不同截面高度下的相交截面可以得到不同楼层的建筑平面图。
步骤二、利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,得到建筑分类结果。
本发明实施例中,所述GANomaly 是一种基于潜在特征空间的图像检测模型,通过对比输入图片与重构图片在潜在特征空间上的差异来对图像进行分类。
具体的,所述GANomaly分类模型包括生成网络及判别网络,其中,生成网络用于生成输入图片X的潜在特征向量 Z=GE(X)、重构图片 X'以及生成重构图片X'的潜在特征向量Z'=E(X'),判别网络用于计算潜在特征向量 Z=GE(X)及潜在特征向量 Z'=E(X')之间的差异并分类。
本发明一可选实施例中,可以按照建筑的规则性将建筑三维模型分为凹凸规则及凹凸不规则。
具体地,所述利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,包括:
利用所述GANomaly分类模型中的生成网络提取所述建筑图像集合中图像的第一潜在特征;
利用所述第一潜在特征进行图像重构,得到重构建筑图像集合;
利用所述生成网络提取所述重构建筑图像集合中重构图像的第二潜在特征;
利用所述GANomaly分类模型中的判别网络计算所述第一潜在特征及所述第二潜在特征的差异值;
判断所述差异值是否大于预设的差异阈值;
确定差异值大于所述差异阈值的图像为平面凹凸规则图像,确定差异值不大于所述差异阈值的图像为平面不凹凸规则图像。
本发明一可选实施例中,所述计算所述第一潜在特征及所述第二潜在特征的差异值,包括:
利用下述相似度公式计算所述第一潜在特征及所述第二潜在特征的差异值:
其中,S为所述差异值,Z为所述第一潜在特征,Z´为所述第二潜在特征。
本发明实施例中,所述利用预训练的GANomaly分类模型对所述建筑图像集合进行分类之前,所述方法还包括:
利用预设的生成器提取建筑平面训练集合中训练图像的原始特征向量;
利用所述生成器重构所述建筑平面训练集合中的训练图像,得到重构训练图像集合;
利用预设的判别器计算所述建筑平面训练集合及所述重构训练图像集合的判别损失;
提取所述重构训练集合中的标准特征向量,基于所述原始特征向量及所述标准特征向量计算所述生成器的生成损失;
根据所述生成损失及所述判别损失调整生成器及判别器的参数,在所述判别损失及所述生成损失不满足预设的损失阈值时,返回所述利用预设的生成器提取建筑平面训练集合中训练图像的原始特征向量的步骤,直至所述判别损失及所述生成损失满足所述损失阈值时,将所述生成器作为生成网络,以及将所述判别器作为判别网络,汇总所述生成网络及所述判别网络,得到所述GANomaly分类模型。
本发明实施例中,预设的生成器(NetG)使用两个编码器 GE()和E()以及一个解码器 GD()交错相接构成。预设的判别器D()可以使用一个CNN网络,用来输出分类结果。
本实施例中,预设的判别器 D()通过将图片进行编码,得到一个判别特征,然后对判别特征进行判别,最后输出图片标签,对于输入图片来说,判别器认为是正常样本,输出正常标签;对于重构图片来说,判别器认为是异常样本输出异常标签,根据正常标签及异常标签计算交叉熵损失。
本发明一可选实施例中,通过生成器中的编码器GE()提取图像的第一潜在特征,并利用解码器GD()对第一潜在特征进行重构,再利用编码器E()提取重构的图像的第二潜在特征。
本发明一可选实施例中,所述利用预设的判别器计算所述建筑平面训练集合及所述重构训练图像集合的判别损失,包括:
利用下述损失函数计算所述建筑平面训练集合及所述重构训练图像集合的判别损失:
其中,LD为所述判别损失,Ldis为交叉熵损失函数,D()为所述判别器,Y为所述建筑平面训练集合,Y´为所述重构训练图像集合,ω1、ω2为预设权重。
本发明一可选实施例中,所述基于所述原始特征向量及所述标准特征向量计算所述生成器的生成损失,包括:
利用所述原始特征向量及所述标准特征向量计算特征损失;
利用所述建筑平面训练集合及所述重构训练图像集合计算图像损失;
对所述特征损失及所述图像损失进行加权计算,得到所述生成损失。
本发明一可选实施例中,所述对所述特征损失及所述图像损失进行加权计算,得到所述生成损失,包括:
利用下述加权公式计算所述生成损失:
其中,LG为所述生成损失,L1为所述特征损失,L2为所述图像损失。
本发明实施例中,通过训练完成的GANomaly分类模型对建筑图像集合进行分类,可以将建筑图像集合对应的建筑三维模型分为两类,即凹凸规则及凹凸不规则,无需人工进行分类,大大提高了对建筑物凹凸规则性识别的准确率。
步骤三、利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果。
本发明实施例中,所述乌鸦混合聚类算法包括乌鸦搜索算法(CSA)及K-means聚类算法,其中,乌鸦搜索算法用于寻找最优的初始聚类中心,K-means聚类算法根据找到的初始聚类中心进行聚类,可以提高算法的全局优化能力,改善聚类质量。
其中,所述构件图像是指不同建筑楼层的门、窗、墙体等图像。
详细地,所述利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果,包括:
利用所述乌鸦搜索算法从所述构件图像集合中选取预设个数的初始聚类中心;
利用所述K-means聚类算法依次计算所述构建图像集合中每个构件图像到所述初始聚类中心的距离,并将所述每个构件图像分到距离最小的初始聚类中心对应的类别中,得到多个类别簇;
重新计算每个类别簇的聚类中心,并返回依次计算所述构建图像集合中每个构件图像到所述初始聚类中心的距离的步骤,直至所述多个类别簇的聚类中心收敛,确定收敛的类别簇作为所述构件聚类结果。
本发明一可选实施例中,所述计算每个类别簇的聚类中心,包括:
通过下述公式计算每个类别簇的聚类中心:
其中,Ei为第i个初始聚类中心,Ci为第i个类别簇,x为类别簇中的图像。
本发明实施例中,所述距离可以为欧氏距离、曼哈顿距离及切比雪夫距离等。所述构建聚类结果包括:“门”、“窗”、“墙体”等。
进一步地,所述利用所述乌鸦搜索算法从所述构件图像集合中选取预设个数的初始聚类中心,包括:
将所述构件图像集合中图像的像素点作为搜索空间;
在所述搜索空间中随机放置预设个数的乌鸦聚类中心,并记录初始位置;
计算所述乌鸦聚类中心的适应度,返回所述在所述搜索空间中随机放置预设个数的乌鸦聚类中心的步骤,并记录新的位置;
在返回次数满足预设的迭代条件时,停止迭代,将适应度最大的位置的乌鸦聚类中心作为所述初始聚类中心。
本发明实施例中,每个乌鸦聚类中心就是一种可能的聚类中心组合,通过确定最大适应度的聚类中心作为初始聚类中心,可以得到质量更高的初始聚类中心。
本发明一可选实施例中,所述计算所述乌鸦聚类中心的适应度,包括:
S4、根据所述建筑分类结果构建第一映射节点,以及根据所述构件聚类结果构建第二映射节点。
步骤四、根据所述建筑分类结果构建第一映射节点,以及根据所述构件聚类结果构建第二映射节点。
本发明实施例中,根据建筑分类结果得到第一映射节点:“凹凸规则”及“凹凸不规则”,根据构建聚类结果得到第二映射节点:“门”、“窗”等。可以将建筑三维模型机建筑三维模型中的构件根据映射节点进行映射。
步骤五、将所述第一映射节点及所述第二映射节点对应的建筑三维模型映射到所述原始阶段族群中,得到标准阶段族群。
本发明实施例中,通过将第一映射节点及所述第二映射节点对应的建筑三维模型映射到原始阶段族群中,可以得到不同施工阶段的标准阶段族群,例如,主体结构施工阶段的标准阶段族群根据映射节点 “主体结构施工标准族群”—“凹凸不规则”—“墙体”等对三维建筑模型进行拆分映射。
步骤六、对所述标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中。
本发明实施例中,由于标准阶段族群中的建筑数据为IFC格式的数据,在存储和读取中可能会出现因数据量过大而导致的响应速度慢的问题,通过进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中,可以提高数据存储及读取的速度。
其中,所述对象型数据可以为IFC XLM格式的数据,所述对象型数据库可以为InterSystemsIRIS数据库。
本发明另一可选实施例中,所述将转化完成的数据存储到预构建的对象型数据库中之后,所述方法还包括:
获取数据查询信息,从所述数据查询信息中解析出查询语句及查询索引;
利用所述查询语句及所述查询索引从所述对象型数据库中得到查询结果。
详细地,所述数据查询信息可以为用户输入的建筑查询信息,所述查询语句可以为SQL查询语句,所述查询索引包括用户输入的映射节点的信息,通过SQL查询语句及查询索引可以快速的从对象型数据库中得到建筑三维模型及对应的属性信息作为查询结果。
本实施例通过对目标建筑包含的施工阶段构建原始阶段族群,并对目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合进行分类,得到建筑分类结果,对建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果,利用建筑分类结果构建第一映射节点,以及利用构件聚类结果构建第二映射节点,通过分类及聚类得到的映射节点对所述建筑三维模型进行映射,可以提高建筑三维模型数据映射的关联性,进而有利于提高对建筑数据的查询速度。并且,通过对标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中,通过对象型数据库进行存储及读取,也提高了数据存储及读取的响应速度,进一步提高了数据查询的效率。因此本发明提出的建筑三维模型映射及存储装置,可以解决建筑三维模型查询效率较低的问题。
如图3所示,是本发明一实施例提供的实现建筑三维模型映射及存储方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如建筑三维模型映射及存储程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如建筑三维模型映射及存储程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如建筑三维模型映射及存储程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的建筑三维模型映射及存储程序是多个指令的组合,在所述处理器10中运行时,可以实现:
根据目标建筑包含的施工阶段构建原始阶段族群;
获取所述目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合;
利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,得到建筑分类结果;
利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果;
根据所述建筑分类结果构建第一映射节点,以及根据所述构件聚类结果构建第二映射节点;
将所述第一映射节点及所述第二映射节点对应的建筑三维模型映射到所述原始阶段族群中,得到标准阶段族群;
对所述标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
根据目标建筑包含的施工阶段构建原始阶段族群;
获取所述目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合;
利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,得到建筑分类结果;
利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果;
根据所述建筑分类结果构建第一映射节点,以及根据所述构件聚类结果构建第二映射节点;
将所述第一映射节点及所述第二映射节点对应的建筑三维模型映射到所述原始阶段族群中,得到标准阶段族群;
对所述标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种建筑三维模型映射及存储方法,其特征在于,所述方法包括:
根据目标建筑包含的施工阶段构建原始阶段族群;
获取所述目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合;
利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,得到建筑分类结果;
利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果;
根据所述建筑分类结果构建第一映射节点,以及根据所述构件聚类结果构建第二映射节点;
将所述第一映射节点及所述第二映射节点对应的建筑三维模型映射到所述原始阶段族群中,得到标准阶段族群;
对所述标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中。
2.如权利要求1中所述的建筑三维模型映射及存储方法,其特征在于,所述利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,包括:
利用所述GANomaly分类模型中的生成网络提取所述建筑图像集合中图像的第一潜在特征;
利用所述第一潜在特征进行图像重构,得到重构建筑图像集合;
利用所述生成网络提取所述重构建筑图像集合中重构图像的第二潜在特征;
利用所述GANomaly分类模型中的判别网络计算所述第一潜在特征及所述第二潜在特征的差异值;
判断所述差异值是否大于预设的差异阈值;
确定差异值大于所述差异阈值的图像为平面凹凸规则图像,确定差异值不大于所述差异阈值的图像为平面不凹凸规则图像。
3.如权利要求2所述的建筑三维模型映射及存储方法,其特征在于,所述利用预训练的GANomaly分类模型对所述建筑图像集合进行分类之前,所述方法还包括:
利用预设的生成器提取建筑平面训练集合中训练图像的原始特征向量;
利用所述生成器重构所述建筑平面训练集合中的训练图像,得到重构训练图像集合;
利用预设的判别器计算所述建筑平面训练集合及所述重构训练图像集合的判别损失;
提取所述重构训练集合中的标准特征向量,基于所述原始特征向量及所述标准特征向量计算所述生成器的生成损失;
根据所述生成损失及所述判别损失调整生成器及判别器的参数,在所述判别损失及所述生成损失不满足预设的损失阈值时,返回所述利用预设的生成器提取建筑平面训练集合中训练图像的原始特征向量的步骤,直至所述判别损失及所述生成损失满足所述损失阈值时,将所述生成器作为生成网络,以及将所述判别器作为判别网络,汇总所述生成网络及所述判别网络,得到所述GANomaly分类模型。
4.如权利要求3所述的建筑三维模型映射及存储方法,其特征在于,所述基于所述原始特征向量及所述标准特征向量计算所述生成器的生成损失,包括:
利用所述原始特征向量及所述标准特征向量计算特征损失;
利用所述建筑平面训练集合及所述重构训练图像集合计算图像损失;
对所述特征损失及所述图像损失进行加权计算,得到所述生成损失。
5.如权利要求1所述的建筑三维模型映射及存储方法,其特征在于,所述乌鸦混合聚类算法包括乌鸦搜索算法及K-means聚类算法,所述利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果,包括:
利用所述乌鸦搜索算法从所述构件图像集合中选取预设个数的初始聚类中心;
利用所述K-means聚类算法依次计算所述构建图像集合中每个构件图像到所述初始聚类中心的距离,并将所述每个构件图像分到距离最小的初始聚类中心对应的类别中,得到多个类别簇;
重新计算每个类别簇的聚类中心,并返回依次计算所述构建图像集合中每个构件图像到所述初始聚类中心的距离的步骤,直至所述多个类别簇的聚类中心收敛,确定收敛的类别簇作为所述构件聚类结果。
6.如权利要求1所述的建筑三维模型映射及存储方法,其特征在于,所述利用所述乌鸦搜索算法从所述构件图像集合中选取预设个数的初始聚类中心,包括:
将所述构件图像集合中图像的像素点作为搜索空间;
在所述搜索空间中随机放置预设个数的乌鸦聚类中心,并记录初始位置;
计算所述乌鸦聚类中心的适应度,返回所述在所述搜索空间中随机放置预设个数的乌鸦聚类中心的步骤,并记录新的位置;
在返回次数满足预设的迭代条件时,停止迭代,将适应度最大的位置的乌鸦聚类中心作为所述初始聚类中心。
7.如权利要求1所述的建筑三维模型映射及存储方法,其特征在于,所述将转化完成的数据存储到预构建的对象型数据库中之后,所述方法还包括:
获取数据查询信息,从所述数据查询信息中解析出查询语句及查询索引;
利用所述查询语句及所述查询索引从所述对象型数据库中得到查询结果。
8.一种建筑三维模型映射及存储装置,其特征在于,所述装置包括:
原始阶段族群构建模块,用于根据目标建筑包含的施工阶段构建原始阶段族群,获取所述目标建筑不同施工阶段对应的建筑三维模型的建筑图像集合;
建筑分类模块,用于利用预训练的GANomaly分类模型对所述建筑图像集合进行分类,得到建筑分类结果;
构件聚类模块,用于利用乌鸦混合聚类算法对所述建筑分类结果中建筑三维模型对应的构件图像集合进行聚类,得到构件聚类结果;
标准阶段族群构建模块,用于根据所述建筑分类结果构建第一映射节点,以及根据所述构件聚类结果构建第二映射节点,将所述第一映射节点及所述第二映射节点对应的建筑三维模型映射到所述原始阶段族群中,得到标准阶段族群;
数据存储模块,用于对所述标准阶段族群中的建筑数据进行对象型数据转化,并将转化完成的数据存储到预构建的对象型数据库中。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的建筑三维模型映射及存储方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的建筑三维模型映射及存储方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210136793.4A CN114168795B (zh) | 2022-02-15 | 2022-02-15 | 建筑三维模型映射及存储方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210136793.4A CN114168795B (zh) | 2022-02-15 | 2022-02-15 | 建筑三维模型映射及存储方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114168795A true CN114168795A (zh) | 2022-03-11 |
CN114168795B CN114168795B (zh) | 2022-04-19 |
Family
ID=80490021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210136793.4A Active CN114168795B (zh) | 2022-02-15 | 2022-02-15 | 建筑三维模型映射及存储方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114168795B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108541A (zh) * | 2023-03-10 | 2023-05-12 | 安徽省交通建设股份有限公司 | 一种基于bim的斜拉索桥梁施工可视化管理系统及方法 |
CN117788873A (zh) * | 2024-02-26 | 2024-03-29 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886465A (zh) * | 2019-01-20 | 2019-06-14 | 东北电力大学 | 一种基于智能电表用户聚类分析的配电网负荷预测方法 |
JP2019168976A (ja) * | 2018-03-23 | 2019-10-03 | 株式会社ジオ技術研究所 | 3次元モデル生成装置 |
CN111160838A (zh) * | 2018-11-07 | 2020-05-15 | 苏州微缔软件股份有限公司 | 一种基于bim技术的3d可视化建筑项目管理系统及方法 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
CN112149216A (zh) * | 2020-10-13 | 2020-12-29 | 哈尔滨航天恒星数据系统科技有限公司 | 基于矢量数据的规则单体建筑bim自动建模系统及方法 |
CN113450459A (zh) * | 2020-03-25 | 2021-09-28 | 北京四维图新科技股份有限公司 | 目标物的三维模型构建方法及装置 |
-
2022
- 2022-02-15 CN CN202210136793.4A patent/CN114168795B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019168976A (ja) * | 2018-03-23 | 2019-10-03 | 株式会社ジオ技術研究所 | 3次元モデル生成装置 |
CN111160838A (zh) * | 2018-11-07 | 2020-05-15 | 苏州微缔软件股份有限公司 | 一种基于bim技术的3d可视化建筑项目管理系统及方法 |
CN109886465A (zh) * | 2019-01-20 | 2019-06-14 | 东北电力大学 | 一种基于智能电表用户聚类分析的配电网负荷预测方法 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
CN113450459A (zh) * | 2020-03-25 | 2021-09-28 | 北京四维图新科技股份有限公司 | 目标物的三维模型构建方法及装置 |
CN112149216A (zh) * | 2020-10-13 | 2020-12-29 | 哈尔滨航天恒星数据系统科技有限公司 | 基于矢量数据的规则单体建筑bim自动建模系统及方法 |
Non-Patent Citations (1)
Title |
---|
姜柳等: "基于BIM和深度学习的建筑平面凹凸不规则识别", 《图学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108541A (zh) * | 2023-03-10 | 2023-05-12 | 安徽省交通建设股份有限公司 | 一种基于bim的斜拉索桥梁施工可视化管理系统及方法 |
CN116108541B (zh) * | 2023-03-10 | 2023-07-25 | 安徽省交通建设股份有限公司 | 一种基于bim的斜拉索桥梁施工可视化管理系统及方法 |
CN117788873A (zh) * | 2024-02-26 | 2024-03-29 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
CN117788873B (zh) * | 2024-02-26 | 2024-05-03 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114168795B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114168795B (zh) | 建筑三维模型映射及存储方法、装置、电子设备及介质 | |
WO2021139191A1 (zh) | 数据标注的方法以及数据标注的装置 | |
CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
CN115238670B (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
CN114331122A (zh) | 重点人员风险等级评估方法及相关设备 | |
CN113887941A (zh) | 业务流程生成方法、装置、电子设备及介质 | |
CN115221369A (zh) | 视觉问答的实现方法和基于视觉问答检验模型的方法 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN113157739B (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
CN114626886A (zh) | 一种调查问卷数据分析方法及系统 | |
CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
CN113628043A (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
CN116431827A (zh) | 信息处理方法、装置、存储介质及计算机设备 | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
WO2022141838A1 (zh) | 模型置信度分析方法、装置、电子设备及计算机存储介质 | |
CN115018215A (zh) | 基于多模态认知图谱的人口居住预测方法、系统和介质 | |
CN114240560A (zh) | 基于多维分析的产品排名方法、装置、设备及存储介质 | |
CN111445545B (zh) | 一种文本转贴图方法、装置、存储介质及电子设备 | |
CN113419951A (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
CN111539315B (zh) | 基于黑盒模型的模型训练方法、装置、电子设备及介质 | |
CN114840560B (zh) | 非结构化数据转化及存储方法和装置 | |
CN116257488B (zh) | 岩土工程勘察大数据归档方法、装置、电子设备及介质 | |
CN115082736A (zh) | 垃圾识别分类方法、装置、电子设备及存储介质 | |
Akunuru | 3D Digital Twin Representation of Building Indoors |
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 | ||
PP01 | Preservation of patent right | ||
PP01 | Preservation of patent right |
Effective date of registration: 20240416 Granted publication date: 20220419 |