CN114677522B - 基于建筑图斑和深度学习的建筑结构类型预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于建筑图斑和深度学习的建筑结构类型预测方法及系统，该方法包括：确定建筑图斑要素；根据建筑层数建立建筑轮廓与颜色的映射关系，将建筑轮廓填充不同的颜色；将已知结构类型的建筑作为样本数据，未知结构类型的建筑作为待预测建筑物，分别为样本数据和待预测建筑物制作建筑图斑；基于样本数据的建筑图斑训练预设的卷积神经网络，建立建筑物结构类型预测模型；利用预测模型，根据待预测建筑物的建筑图斑得到其建筑结构类型的预测结果。本发明基于建筑图斑，能够考虑到建筑外观特征及周边区域等特征的复杂性和综合性，通过深度学习快速准确地确定建筑物的结构类型。

Description

基于建筑图斑和深度学习的建筑结构类型预测方法及系统

技术领域

本发明涉及土木工程技术及计算机技术领域，特别涉及一种基于建筑图斑和深度学习的建筑结构类型预测方法及系统。

背景技术

随着城镇化进程的逐年推进，城市区域建筑密集，建筑结构类型也多种多样。而不同结构类型的建筑其耐久性、抗震性、安全性是不同的。因此确定城市区域各栋建筑的结构类型可为城市区域建设规划、城市信息模型(CIM)平台搭建提供数据支撑，对于城镇区域尺度的防灾减灾规划等工作十分重要。

但目前，建筑结构类型的获取方法主要有两种。一种是查询建筑设计图纸，这种方法费时费力，且有些久远建筑的设计图纸现在已难以获取，因此不适合用于城市大范围的建筑结构类型获取；另一种是通过实地调研，根据建筑外观判断建筑结构类型，这种方法不仅费时费力，且有些建筑外观由于装饰等因素难以辨别结构类型。因此，受限于建筑结构类型获取困难，如何快速、准确、低成本地获取建筑结构类型信息，是亟待解决的。

目前，深度学习，神经网络等人工智能方法日新月异。相较于之前传统的建筑结构类型确定方法，人工智能的方法能够有效且准确的判定建筑结构类型。

目前国内外学者针对深度学习在建筑科学方面的应用已经有了一定的研究。但目前大多数研究(Krijnen T,Tamke M.Assessing implicit knowledge in BIM modelswith machine learning[C]//Design Modelling sympoisum:ModellingBehaviour.Springer International Publishing,2015；Bassier M,Vergauwen M,Genechten B V.Automated classification of heritage buildings for as-built BIMusing machine learning techniques[C]//26th International CIPA Symposium 2017,ISPRS Annals of the Photogrammetry,Remote Sensing and Spatial InformationSciences,2017；余慧娟.邻域分析与邻近分析在建筑分类中的应用[D].华东师范大学，2017.)都是关于建筑用途或者建筑构件的识别，尚未有考虑外观特征和周边环境的建筑物结构类型预测方法。因此还有待进一步的研究。

发明内容

本发明提供了一种基于建筑图斑和深度学习的建筑结构类型预测方法及系统，以解决现有类型识别方法费时费力，且有些建筑类型难以辨别的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种基于建筑图斑和深度学习的建筑结构类型预测方法，该基于建筑图斑和深度学习的建筑结构类型预测方法包括：

确定建筑图斑要素，所述建筑图斑要素包括：目标建筑的建筑轮廓、目标建筑的建筑层数以及目标建筑的周边建筑情况；其中，所述周边建筑指的是目标建筑预设区域范围内的建筑，所述周边建筑情况包括周边建筑的建筑轮廓及周边建筑的分布；

根据建筑层数建立建筑轮廓与颜色的映射关系，通过所述映射关系将建筑轮廓填充不同的颜色，以通过建筑轮廓的颜色表示建筑的建筑层数属性值；

将已知结构类型的建筑作为样本数据，未知结构类型的建筑作为待预测建筑物，分别为样本数据和待预测建筑物制作包括所述建筑图斑要素的建筑图斑；

基于所述样本数据的建筑图斑训练预设的卷积神经网络，建立建筑物结构类型预测模型；其中，所述预测模型的输入为建筑图斑，输出为建筑结构类型；

将待预测建筑物的建筑图斑输入所述预测模型，利用所述预测模型，根据待预测建筑物的建筑图斑，得到待预测建筑物的建筑结构类型的预测结果。

进一步地，所述映射关系包括：

当建筑层数为1～3层时，建筑轮廓填充为第一颜色；

当建筑层数为4～8层时，建筑轮廓填充为第二颜色；

当建筑层数为9层以上时，建筑轮廓填充为第三颜色。

进一步地，所述分别为样本数据和待预测建筑物制作包括所述建筑图斑要素的建筑图斑，包括：

遍历包含所述图斑要素的地理信息系统地图中的所有建筑，将每栋建筑依次作为目标建筑，并为其分割独立的建筑图斑；其中，所述建筑图斑涵盖目标建筑轮廓及其周边建筑轮廓，且目标建筑的面积占建筑图斑总面积的1/25；

在各个建筑图斑中，通过所述映射关系为目标建筑的建筑轮廓填充颜色，并将目标建筑的周边建筑调整为灰色，以明确目标建筑；

将建筑图斑以图片形式导出，其中，待预测建筑物的建筑图斑命名包括建筑编号，样本数据的建筑图斑命名包括结构类型和建筑编号。

进一步地，基于所述样本数据的建筑图斑训练预设的卷积神经网络，包括：

对样本数据的建筑图斑进行预处理；其中，所述预处理包括：对样本数据的建筑图斑进行路径读取和结构类型分类，以及对样本数据的建筑图斑统一大小并进行标准化处理；其中，对样本数据的建筑图斑进行路径读取和结构类型分类包括：依次读取所有样本数据的建筑图斑的文件名；分割读取到的文件名，提取文件名中的结构类型信息，将其处理为一维数组；将样本数据的建筑图斑的路径列表和对应的结构类型数组合成一个2×样本数量大小的数组，数组第一列表示所有样本数据的建筑图斑的路径，第二列表示图斑所对应的结构类型；

利用预处理后的建筑图斑，采用自训练算法，训练预设的卷积神经网络。

进一步地，在将待预测建筑物的建筑图斑输入所述预测模型，利用所述预测模型，根据待预测建筑物的建筑图斑，得到待预测建筑物的建筑结构类型的预测结果之后，所述基于建筑图斑和深度学习的建筑结构类型预测方法还包括：

输出建筑物检测结果汇总表格，所述汇总表格包括：建筑图斑路径、建筑图斑中目标建筑物是各建筑结构类型的概率，以及目标建筑物的建筑结构类型；其中，所述建筑结构类型包括：设防砌体、未设防砌体、框架结构和框剪结构。

另一方面，本发明还提供了一种基于建筑图斑和深度学习的建筑结构类型预测系统，该基于建筑图斑和深度学习的建筑结构类型预测系统包括：

建筑图斑要素确定模块，用于确定建筑图斑要素，所述建筑图斑要素包括：目标建筑的建筑轮廓、目标建筑的建筑层数以及目标建筑的周边建筑情况；其中，所述周边建筑指的是目标建筑预设区域范围内的建筑，所述周边建筑情况包括周边建筑的建筑轮廓及周边建筑的分布；

楼层与建筑图斑映射关系构建模块，用于根据建筑层数建立建筑轮廓与颜色的映射关系，通过所述映射关系将建筑轮廓填充不同的颜色，以通过建筑轮廓的颜色表示建筑的建筑层数属性值；

建筑图斑制作模块，用于将已知结构类型的建筑作为样本数据，未知结构类型的建筑作为待预测建筑物，分别为样本数据和待预测建筑物制作包括所述建筑图斑要素的建筑图斑；

卷积神经网络训练模块，用于基于所述样本数据的建筑图斑训练预设的卷积神经网络，建立建筑物结构类型预测模型；其中，所述预测模型的输入为建筑图斑，输出为建筑结构类型；

建筑结构类型预测模块，用于将待预测建筑物的建筑图斑输入所述预测模型，利用所述预测模型，根据待预测建筑物的建筑图斑，得到待预测建筑物的建筑结构类型的预测结果。

进一步地，所述映射关系包括：

当建筑层数为1～3层时，建筑轮廓填充为第一颜色；

当建筑层数为4～8层时，建筑轮廓填充为第二颜色；

当建筑层数为9层以上时，建筑轮廓填充为第三颜色。

进一步地，所述建筑图斑制作模块具体用于：

遍历包含所述图斑要素的地理信息系统地图中的所有建筑，将每栋建筑依次作为目标建筑，并为其分割独立的建筑图斑；其中，所述建筑图斑涵盖目标建筑轮廓及其周边建筑轮廓，且目标建筑的面积占建筑图斑总面积的1/25；

在各个建筑图斑中，通过所述映射关系为目标建筑的建筑轮廓填充颜色，并将目标建筑的周边建筑调整为灰色，以明确目标建筑；

将建筑图斑以图片形式导出，其中，待预测建筑物的建筑图斑命名包括建筑编号，样本数据的建筑图斑命名包括结构类型和建筑编号。

进一步地，所述卷积神经网络训练模块具体用于：

对样本数据的建筑图斑进行预处理；其中，所述预处理包括：对样本数据的建筑图斑进行路径读取和结构类型分类，以及对样本数据的建筑图斑统一大小并进行标准化处理；其中，对样本数据的建筑图斑进行路径读取和结构类型分类包括：依次读取所有样本数据的建筑图斑的文件名；分割读取到的文件名，提取文件名中的结构类型信息，将其处理为一维数组；将样本数据的建筑图斑的路径列表和对应的结构类型数组合成一个2×样本数量大小的数组，数组第一列表示所有样本数据的建筑图斑的路径，第二列表示图斑所对应的结构类型；

利用预处理后的建筑图斑，采用自训练算法，训练预设的卷积神经网络。

进一步地，所述建筑结构类型预测模块在得到待预测建筑物的建筑结构类型的预测结果之后，还用于：

输出建筑物检测结果汇总表格，所述汇总表格包括：建筑图斑路径、建筑图斑中目标建筑物是各建筑结构类型的概率，以及目标建筑物的建筑结构类型；其中，所述建筑结构类型包括：设防砌体、未设防砌体、框架结构和框剪结构。

再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

本发明提供的技术方案带来的有益效果至少包括：

本发明基于建筑图斑，能够考虑到建筑外观特征及周边区域等特征的复杂性和综合性，通过深度学习快速、准确、低成本地确定建筑物的结构类型，从而可极大提升城市信息模型(CIM)平台建设过程中建筑信息的获取效率，为城市区域建设规划、城市信息模型(CIM)平台搭建提供数据支撑。为完善城市建筑数据库提供了重要的技术手段，也为推进智慧城市建设提供参考。同时支持智慧城市的防灾规划，准确详细的信息有助于高效展开城市的防灾减灾工作。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的基于建筑图斑和深度学习的建筑结构类型预测方法的执行流程示意图；

图2是本发明实施例提供的样本自训练流程图；

图3是本发明实施例提供的第一次自训练深度学习的准确率与损失函数图；

图4是本发明实施例提供的第二次自训练深度学习的准确率与损失函数图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

第一实施例

本实施例提供了一种基于建筑图斑和深度学习的建筑结构类型预测方法，该方法可以由电子设备实现，该方法首先进行建筑图斑要素收集，包括建筑层数、建筑轮廓、周边建筑分布情况及样本数据的准备；然后进行建筑层数到图斑的颜色映射；再制作目标建筑物及其周边环境的建筑图斑，将每个建筑图斑单独导出成一张图片；最后，基于卷积神经网络算法，搭建建筑结构类型预测模型，通过深度学习方法对建筑结构类型进行分类，实现建筑结构类型的预测。

具体地，本实施例方法的执行流程如图1所示，包括以下步骤：

S1，确定建筑图斑要素，所述建筑图斑要素包括：目标建筑的建筑轮廓、目标建筑的建筑层数以及目标建筑的周边建筑情况；

其中，建筑轮廓主要指建筑形状及其平面规则性；建筑层数划分为1～3层、4～8层、9层以上三个取值区间；所述周边建筑指的是目标建筑预设区域范围内的建筑，所述周边建筑情况指目标建筑物周围建筑的轮廓以及分布情况。

S2，根据建筑层数建立建筑轮廓与颜色的映射关系，通过所述映射关系将建筑轮廓填充不同的颜色，以通过建筑轮廓的颜色表示建筑的建筑层数属性值；

其中，所述映射关系包括：

低矮建筑(建筑层数为1～3层)，建筑轮廓填充为绿色；

中高层建筑(建筑层数为4～8层)，建筑轮廓填充为黄色；

高层建筑(建筑层数为9层以上)，建筑轮廓填充为橙色。

S3，将已知结构类型的建筑作为样本数据，未知结构类型的建筑作为待预测建筑，分别为样本数据和待预测建筑制作包括所述建筑图斑要素的建筑图斑；

其中，制作包括所述建筑图斑要素的建筑图斑具体步骤如下：

S31，遍历包含所述图斑要素的地理信息系统(Geographic Information System,GIS)地图中的所有建筑，将每栋建筑依次作为目标建筑，并为其分割独立的建筑图斑；

其中，建筑图斑涵盖目标建筑轮廓及其周边建筑轮廓，目标建筑物轮廓按S2中的颜色映射关系进行着色，且目标建筑的面积占建筑图斑总面积的1/25。

S32，在各个建筑图斑中，保留目标建筑物的楼层映射颜色，并将目标建筑的周边建筑调整为灰色，以明确目标建筑。

S33，将建筑图斑以图片形式导出，其中，待预测建筑物的建筑图斑命名为“建筑编号.JPG”，样本数据的建筑图斑命名为“结构类型.建筑编号.JPG”。

S4，基于所述样本数据的建筑图斑训练预设的卷积神经网络，建立建筑物结构类型预测模型；其中，预测模型的输入为建筑图斑，输出为建筑结构类型；

其中，训练预设的卷积神经网络具体步骤如下：

S41，对样本数据的建筑图斑进行预处理；

S42，利用预处理后的建筑图斑，采用自训练算法训练预设的卷积神经网络。

其中，上述S41中的预处理包括：对样本数据的建筑图斑进行路径读取和结构类型分类，以及对样本数据的建筑图斑统一大小并进行标准化处理；其中，对样本数据的建筑图斑进行路径读取和结构类型分类包括以下步骤：

1)依次读取所有样本数据的建筑图斑的文件名；

2)分割读取到的文件名，提取其中的结构类型信息，将其处理为一维数组；

3)将样本数据的建筑图斑的路径列表和对应的结构类型数组合成一个2×样本数量大小的数组，该数组的第一列表示所有样本数据的建筑图斑的路径，第二列表示图斑所对应的结构类型。

S5，将待预测建筑物的建筑图斑输入所述预测模型，利用所述预测模型，根据待预测建筑物的建筑图斑，得到待预测建筑物的建筑结构类型的预测结果。

其中，在得到待预测建筑物的建筑结构类型的预测结果之后，还包括：

输出建筑物检测结果汇总表格，所述汇总表格包括：建筑图斑路径、建筑图斑中目标建筑物是各建筑结构类型的概率，以及目标建筑物的建筑结构类型；其中，所述建筑结构类型包括：设防砌体、未设防砌体、框架结构和框剪结构。

下面，以一实际应用实例来进一步说明本实施例方法的实施过程。

以某地区为例，该地区共有10万余栋建筑，从电子地图平台获取该地区的地理信息系统(Geographic Information System,GIS)地图，该地图呈现的建筑信息包括建筑轮廓、建筑层数以及建筑周边区域等。抽取3000栋建筑作为样本数据集，并通过查询建筑设计图纸，确定这3000栋建筑的结构类型，结构类型分为框架结构、框架结构、有设防砌体以及未设防砌体共四类。

城市中建筑物层数的值是一组取值较多的离散变量，其分布并不均匀且不同区间内的数值与结构类型的相关度也有较大的差异。在大部分城市区域中，对于层数较低的建筑，其结构类型多样性较强，不同层数的建筑中结构类型分布有所不同。而层数超过8层的建筑中结构类型较为单一，该范围内层数的变化对结构类型的影响很小。层数为9层及以上的建筑统一划分为一类。因此，采用如表1所示的颜色映射表，将建筑层数区间与颜色对应，使得图像可以传递数值信息，同时也方便在建筑图斑中明确目标建筑物。

表1颜色映射表

然后设置分割比例为1:25，使建筑图斑能够显示目标建筑物及其周边建筑物的轮廓。根据各栋目标建筑物的占地面积，分割GIS地图，使每栋目标建筑物都形成一个建筑图斑。设置目标建筑物的周边建筑轮廓为灰色，以明确目标建筑物。将每个建筑图斑单独导出成一张图片，其中，样本数据集中的建筑图斑命名方式为“结构类型.编号.图片类型”。

本实施例基于Python语言实现样本数据集预处理，对样本数据进行路径读取和结构类型分类。首先通过listdir()函数依次读取路径内的所有样本数据的文件名。程序所需的样本数据的命名方式为“结构类型.编号.图片类型”，例如某框架结构样本数据的名称即为“frame.1.jpg”。接下来通过split方法对文件名进行切割，将图片名处理成为一个一维数组，读取数组内表示结构类型的数据，即可按照其分类将图片的路径分别存入对应的数组。然后借助NumPy(Numerical Python)扩展程序库进行一些多维数组与矩阵的运算。利用NumPy中的stack()函数，将各个结构类型的图片路径列表以及建筑结构列表分别进行拼接，形成新的图片路径列表，并通过NumPy中的array()函数将图片路径列表和结构类型列表合并成一个2×样本数量大小的数组，数组第一列即为所有样本数据的路径，第二列即为该图片所对应的结构类型。

传入所有样本图片的路径列表和结构类型列表并生成一个队列，后续每次训练时，会将样本图片从训练集中传入队列，然后从队列中读取一个小批次传入模型中进行训练，然后再将训练集中新的样本图片传入队列，不断循环直至完成所有训练集的图片。在此过程中，队列相当于一个传输数据的管道，将训练数据从训练集传输到训练模型。

对样本图片统一大小并进行标准化处理。采用较为简单的最邻近插值法将所有样本图片处理为统一的大小。该方法通过将变换后的图像中的原像素点最邻近像素的灰度值赋给原像素点，来达到压缩图片的效果。标准化处理可以使得不同的特征具有相同的尺度，从而使得模型在使用梯度下降法学习参数的时候，统一不同特征对参数的影响程度，加速神经网络的训练。

将处理好的样本数据集传入卷积神经网络训练模型，采用半监督学习的自训练算法进行预测。自训练算法对于半监督学习来说是一个常用的方法，通过上述半监督自训练的方法，可以去除样本数据中的“噪声”，让样本中不同结构类型建筑的数据特征更加突出和集中。这样，半监督自训练留存下的样本数据可以更好地代表相应类型的建筑，使用这些样本可以让模型更快、更好地完成训练，得到更好的预测效果。在自训练算法中，首先用少量的抽样标注数据进行第一次训练，根据第一次训练结果，将那些具有较高置信度的标注数据加到下一次训练集中，进行第二次自训练。如此循环下去，直到训练数据在数量以及准确率上达到一定的上限要求为止，其流程如图2所示。

选取样本数据的80％作为训练集进行第一次自训练，另外20％作为测试集。深度学习步长设定为10000步，第一次自训练的训练准确率与损失函数以及各结构类型的准确率统计情况如图3和表2所示，准确率明显较低。因此进行第二次自训练。筛选预测结果中预测准确且置信度较高的样本约10％，加入第一次训练集中，作为第二次训练集，再次进行步长为10000步的深度学习训练。以全部数据作为测试集，统计准确率。第二次自训练的训练准确率与损失函数以及各结构类型的准确率统计情况如图4和表3所示。

表2第一次自训练模型各结构类型预测准确率

表3第二次自训练模型各结构类型预测准确率

经过两次自训练，该模型的综合准确率达到了约95％，同时所有结构类型的准确率均超过了90％，其中框剪结构的预测准确率达到了99.7％，有设防砌体结构的预测准确率为93.9％，未设防砌体的预测准确率为94.4％，分布最广且多样性最强的框架结构预测准确率也达到了90.1％，相比第一次自训练有了明显的提高，可以满足数据有限的情况下城市建筑结构类型预测的需要。

综上，本发明基于建筑图斑，能够考虑到建筑外观特征及周边区域等特征的复杂性和综合性，通过深度学习快速、准确、低成本地确定建筑物的结构类型，从而可极大提升城市信息模型(CIM)平台建设过程中建筑信息的获取效率，为城市区域建设规划、城市信息模型平台搭建提供数据支撑。为完善城市建筑数据库提供了重要的技术手段，也为推进智慧城市建设提供参考。同时支持智慧城市的防灾规划，准确详细的信息有助于高效展开城市的防灾减灾工作。

第二实施例

本实施例提供了一种基于建筑图斑和深度学习的建筑结构类型预测系统，该基于建筑图斑和深度学习的建筑结构类型预测系统包括以下模块：

建筑图斑要素确定模块，用于确定建筑图斑要素，所述建筑图斑要素包括：目标建筑的建筑轮廓、目标建筑的建筑层数以及目标建筑的周边建筑情况；其中，所述周边建筑指的是目标建筑预设区域范围内的建筑，所述周边建筑情况包括周边建筑的建筑轮廓及周边建筑的分布；

楼层与建筑图斑映射关系构建模块，用于根据建筑层数建立建筑轮廓与颜色的映射关系，通过所述映射关系将建筑轮廓填充不同的颜色，以通过建筑轮廓的颜色表示建筑的建筑层数属性值；

建筑图斑制作模块，用于将已知结构类型的建筑作为样本数据，未知结构类型的建筑作为待预测建筑物，分别为样本数据和待预测建筑物制作包括所述建筑图斑要素的建筑图斑；

卷积神经网络训练模块，用于基于所述样本数据的建筑图斑训练预设的卷积神经网络，建立建筑物结构类型预测模型；其中，所述预测模型的输入为建筑图斑，输出为建筑结构类型；

建筑结构类型预测模块，用于将待预测建筑物的建筑图斑输入所述预测模型，利用所述预测模型，根据待预测建筑物的建筑图斑，得到待预测建筑物的建筑结构类型的预测结果。

本实施例的基于建筑图斑和深度学习的建筑结构类型预测系统与上述第一实施例的基于建筑图斑和深度学习的建筑结构类型预测方法相对应；其中，本实施例的基于建筑图斑和深度学习的建筑结构类型预测系统中的各功能模块所实现的功能与上述第一实施例的基于建筑图斑和深度学习的建筑结构类型预测方法中的各流程步骤一一对应；故，在此不再赘述。

第三实施例

本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。

该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。

第四实施例

本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，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。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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (4)

1.一种基于建筑图斑和深度学习的建筑结构类型预测方法，其特征在于，所述基于建筑图斑和深度学习的建筑结构类型预测方法包括：

确定建筑图斑要素，所述建筑图斑要素包括：目标建筑的建筑轮廓、目标建筑的建筑层数以及目标建筑的周边建筑情况；其中，所述周边建筑指的是目标建筑预设区域范围内的建筑，所述周边建筑情况包括周边建筑的建筑轮廓及周边建筑的分布；

根据建筑层数建立建筑轮廓与颜色的映射关系，通过所述映射关系将建筑轮廓填充不同的颜色，以通过建筑轮廓的颜色表示建筑的建筑层数属性值；

将已知结构类型的建筑作为样本数据，未知结构类型的建筑作为待预测建筑物，分别为样本数据和待预测建筑物制作包括所述建筑图斑要素的建筑图斑；

基于所述样本数据的建筑图斑训练预设的卷积神经网络，建立建筑物结构类型预测模型；其中，所述预测模型的输入为建筑图斑，输出为建筑结构类型；

将待预测建筑物的建筑图斑输入所述预测模型，利用所述预测模型，根据待预测建筑物的建筑图斑，得到待预测建筑物的建筑结构类型的预测结果；

所述映射关系包括：

当建筑层数为1～3层时，建筑轮廓填充为第一颜色；

当建筑层数为4～8层时，建筑轮廓填充为第二颜色；

当建筑层数为9层以上时，建筑轮廓填充为第三颜色；

所述分别为样本数据和待预测建筑物制作包括所述建筑图斑要素的建筑图斑，包括：

遍历包含所述图斑要素的地理信息系统地图中的所有建筑，将每栋建筑依次作为目标建筑，并为其分割独立的建筑图斑；其中，所述建筑图斑涵盖目标建筑轮廓及其周边建筑轮廓，且目标建筑的面积占建筑图斑总面积的1/25；

在各个建筑图斑中，通过所述映射关系为目标建筑的建筑轮廓填充颜色，并将目标建筑的周边建筑调整为灰色，以明确目标建筑；

将建筑图斑以图片形式导出，其中，待预测建筑物的建筑图斑命名包括建筑编号，样本数据的建筑图斑命名包括结构类型和建筑编号；

基于所述样本数据的建筑图斑训练预设的卷积神经网络，包括：

对样本数据的建筑图斑进行预处理；其中，所述预处理包括：对样本数据的建筑图斑进行路径读取和结构类型分类，以及对样本数据的建筑图斑统一大小并进行标准化处理；其中，对样本数据的建筑图斑进行路径读取和结构类型分类包括：依次读取所有样本数据的建筑图斑的文件名；分割读取到的文件名，提取文件名中的结构类型信息，将其处理为一维数组；将样本数据的建筑图斑的路径列表和对应的结构类型数组合成一个2×样本数量大小的数组，数组第一列表示所有样本数据的建筑图斑的路径，第二列表示图斑所对应的结构类型；

利用预处理后的建筑图斑，采用自训练算法，训练预设的卷积神经网络。

2.如权利要求1所述的基于建筑图斑和深度学习的建筑结构类型预测方法，其特征在于，在将待预测建筑物的建筑图斑输入所述预测模型，利用所述预测模型，根据待预测建筑物的建筑图斑，得到待预测建筑物的建筑结构类型的预测结果之后，所述基于建筑图斑和深度学习的建筑结构类型预测方法还包括：

输出建筑物检测结果汇总表格，所述汇总表格包括：建筑图斑路径、建筑图斑中目标建筑物是各建筑结构类型的概率，以及目标建筑物的建筑结构类型；其中，所述建筑结构类型包括：设防砌体、未设防砌体、框架结构和框剪结构。

3.一种基于建筑图斑和深度学习的建筑结构类型预测系统，其特征在于，所述基于建筑图斑和深度学习的建筑结构类型预测系统包括：

建筑图斑要素确定模块，用于确定建筑图斑要素，所述建筑图斑要素包括：目标建筑的建筑轮廓、目标建筑的建筑层数以及目标建筑的周边建筑情况；其中，所述周边建筑指的是目标建筑预设区域范围内的建筑，所述周边建筑情况包括周边建筑的建筑轮廓及周边建筑的分布；

楼层与建筑图斑映射关系构建模块，用于根据建筑层数建立建筑轮廓与颜色的映射关系，通过所述映射关系将建筑轮廓填充不同的颜色，以通过建筑轮廓的颜色表示建筑的建筑层数属性值；

建筑图斑制作模块，用于将已知结构类型的建筑作为样本数据，未知结构类型的建筑作为待预测建筑物，分别为样本数据和待预测建筑物制作包括所述建筑图斑要素的建筑图斑；

卷积神经网络训练模块，用于基于所述样本数据的建筑图斑训练预设的卷积神经网络，建立建筑物结构类型预测模型；其中，所述预测模型的输入为建筑图斑，输出为建筑结构类型；

建筑结构类型预测模块，用于将待预测建筑物的建筑图斑输入所述预测模型，利用所述预测模型，根据待预测建筑物的建筑图斑，得到待预测建筑物的建筑结构类型的预测结果；

所述映射关系包括：

当建筑层数为1～3层时，建筑轮廓填充为第一颜色；

当建筑层数为4～8层时，建筑轮廓填充为第二颜色；

当建筑层数为9层以上时，建筑轮廓填充为第三颜色；

所述建筑图斑制作模块具体用于：

遍历包含所述图斑要素的地理信息系统地图中的所有建筑，将每栋建筑依次作为目标建筑，并为其分割独立的建筑图斑；其中，所述建筑图斑涵盖目标建筑轮廓及其周边建筑轮廓，且目标建筑的面积占建筑图斑总面积的1/25；

在各个建筑图斑中，通过所述映射关系为目标建筑的建筑轮廓填充颜色，并将目标建筑的周边建筑调整为灰色，以明确目标建筑；

将建筑图斑以图片形式导出，其中，待预测建筑物的建筑图斑命名包括建筑编号，样本数据的建筑图斑命名包括结构类型和建筑编号；

所述卷积神经网络训练模块具体用于：

对样本数据的建筑图斑进行预处理；其中，所述预处理包括：对样本数据的建筑图斑进行路径读取和结构类型分类，以及对样本数据的建筑图斑统一大小并进行标准化处理；其中，对样本数据的建筑图斑进行路径读取和结构类型分类包括：依次读取所有样本数据的建筑图斑的文件名；分割读取到的文件名，提取文件名中的结构类型信息，将其处理为一维数组；将样本数据的建筑图斑的路径列表和对应的结构类型数组合成一个2×样本数量大小的数组，数组第一列表示所有样本数据的建筑图斑的路径，第二列表示图斑所对应的结构类型；

利用预处理后的建筑图斑，采用自训练算法，训练预设的卷积神经网络。

4.如权利要求3所述的基于建筑图斑和深度学习的建筑结构类型预测系统，其特征在于，所述建筑结构类型预测模块在得到待预测建筑物的建筑结构类型的预测结果之后，还用于：

输出建筑物检测结果汇总表格，所述汇总表格包括：建筑图斑路径、建筑图斑中目标建筑物是各建筑结构类型的概率，以及目标建筑物的建筑结构类型；其中，所述建筑结构类型包括：设防砌体、未设防砌体、框架结构和框剪结构。

Images