CN114741754A - 一种基于建筑图纸的房间区域识别方法及系统 - Google Patents
一种基于建筑图纸的房间区域识别方法及系统 Download PDFInfo
- Publication number
- CN114741754A CN114741754A CN202210333551.4A CN202210333551A CN114741754A CN 114741754 A CN114741754 A CN 114741754A CN 202210333551 A CN202210333551 A CN 202210333551A CN 114741754 A CN114741754 A CN 114741754A
- Authority
- CN
- China
- Prior art keywords
- room
- layer data
- information
- data
- room area
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 claims abstract description 67
- 238000002347 injection Methods 0.000 claims abstract description 44
- 239000007924 injection Substances 0.000 claims abstract description 44
- 238000010276 construction Methods 0.000 claims abstract description 32
- 230000001537 neural effect Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011960 computer-aided design Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 23
- 238000013507 mapping Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 240000004282 Grewia occidentalis Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例提供一种基于建筑图纸的房间区域识别方法及系统，涉及图纸识别技术领域。该方法包括：获取建筑图纸数据；根据所述建筑图纸数据进行图纸图层标准化分类，获得标准化图纸数据，所述标准化图纸数据包括文字图层数据、房间图层数据、门图层数据和窗图层数据中的一种或多种；将所述门图层数据和所述窗图层数据中的构件特征简化并注入所述房间图层数据，获得简化注入图层数据；根据所述文字图层数据生成所述简化注入图层数据的房间区域检测种子点信息；根据预设搜寻结构遍历所述房间区域检测种子点信息，生成房间区域识别结果。该方法可以实现提高识别精度和识别效率的技术效果。
Description
技术领域
本申请涉及图纸识别技术领域，具体而言，涉及一种基于建筑图纸的房间区域识别方法、系统、电子设备及计算机可读存储介质。
背景技术
目前，针对建筑领域智能化发展阶段需要检测、识别出计算机辅助设计(CAD，Computer Aided Design)二维建筑图纸中房间区域的需求，目前市场上存在的大多数方法均建立在深度学习技术基础上，而将复杂CAD图纸中的内容信息完全交由深度学习技术进行检测，虽然其识别结果鲁棒性强，但准确性并不高；且在很多情况下，其识别出的结果与实际的CAD图纸信息并不相符。
发明内容
本申请实施例的目的在于提供一种基于建筑图纸的房间区域识别方法、系统、电子设备及计算机可读存储介质，可以实现提高识别精度和识别效率的技术效果。
第一方面，本申请实施例提供了一种基于建筑图纸的房间区域识别方法，包括：
获取建筑图纸数据；
根据所述建筑图纸数据进行图纸图层标准化分类，获得标准化图纸数据，所述标准化图纸数据包括文字图层数据、房间图层数据、门图层数据和窗图层数据中的一种或多种；
将所述门图层数据和所述窗图层数据中的构件特征简化并注入所述房间图层数据，获得简化注入图层数据；
根据所述文字图层数据生成所述简化注入图层数据的房间区域检测种子点信息；
根据预设搜寻结构遍历所述房间区域检测种子点信息，生成房间区域识别结果。
在上述实现过程中，该基于建筑图纸的房间区域识别方法通过建立建筑图纸数据中图层到标准图层之间的分类映射关系，解决图层命名不符合识别标准问题，具有较强鲁棒性和较高精准度；在分类好的门图层数据和窗图层数据中对与房间结构相勾连的门、窗构件进行特征简化，并与房间图层数据中的房间结构组合，增加房间区域检测识别结果的有效性及精度；同时，将文字图层数据中的文本文字信息位置转化成种子点并与简化注入图层数据的房间结构结合，减少房间区域检测搜寻的范围，有效提高识别效率；然后，通过预设搜寻结构搜寻并识别属于同一房间范围内的内轮廓点集，可以快速且精准地识别出房间区域，具有完全可解释性；从而，该基于建筑图纸的房间区域识别方法可以实现提高识别精度和识别效率的技术效果。
进一步地，所述根据所述建筑图纸数据进行图纸图层标准化分类，获得标准化图纸数据的步骤，包括：
提取所述建筑图纸数据中所有的图层数据以及与所述图层数据对应的名称文本信息；
通过预设神经多分类网络对所述图层名称文本信息进行预测分类，获得所述标准化图纸数据，所述标准化图纸数据包括与预设标准图层对应的名称信息。
在上述实现过程中，利用预设神经多分类网络算法的强鲁棒特性，对不统一的图层文本进行识别，建立从不统一图层名称到预设标准图层名称的一致映射，保证后续房间区域检测识别的有效性。
进一步地，在所述通过预设神经多分类网络对所述图层名称文本信息进行预测分类，获得所述标准化图纸数据的步骤之后，所述方法还包括：
对所述标准化图纸数据中预测结果为空的图层数据进行匹配，生成匹配关系信息；
所述预设神经多分类网络在线迭代学习所述匹配关系信息。
在上述实现过程中，对预测结果为空(None)的少量图层，即该图层不再预设标准图层包括的范围内、预测不到的情况，可以由用户手动匹配映射关系；同时，预设神经多分类网络在线迭代学习指定的匹配关系信息，避免之后出现同语义图层名称时再次麻烦人工匹配的情况；从而，该图层标准化分类可以以最少人力成本最大化换取图层分类结果的高准确率，降低后续步骤处理的复杂性。
进一步地，所述将所述门图层数据和所述窗图层数据中的构件特征简化并注入所述房间图层数据，获得简化注入图层数据的步骤，包括：
对所述窗图层数据中的窗构件坐标信息简化为外接矩形坐标信息；
对所述门图层数据中的门构件特征信息简化为线段坐标信息；
将所述外接矩形坐标信息和所述线段坐标信息添加到所述房间图层数据中，获得所述简化注入图层数据。
在上述实现过程中，经过图层标准化分类后，可以得到房间区域所在的房间图层数据，直接加入门图层数据、窗图层数据后，门构件、窗构件的轮廓会占据覆盖房间区域轮廓，因此需要将门构件、窗构件按照一定的规则进行特征简化，然后再将简化后门窗特征添加到房间图层数据中，以增加房间区域识别的准确率。
进一步地，所述根据所述文字图层数据生成所述简化注入图层数据的房间区域检测种子点信息的步骤，包括：
提取所述文字图层数据中的所有文本文字信息以及与所述文本文字信息相对应的文本文字位置坐标信息；
根据所述文本文字信息筛选出与房间名称相关的房间文字信息；
根据所述文本文字位置坐标信息查询到与所述房间文字信息相对应的房间位置坐标信息；
根据所述房间文字信息和所述房间位置坐标信息生成所述房间区域检测种子点信息。
在上述实现过程中，房间区域检测种子点信息中的种子点主要是用于确定房间区域识别检测的大致位置，避免在大范围空间上搜索检测带来的大量计算，提高整体算法的识别效率。
进一步地，所述简化注入图层数据为二值图像数据，在所述根据预设搜寻结构遍历所述房间区域检测种子点信息，生成房间区域识别结果的步骤之前，所述方法还包括：
根据所述房间区域检测种子点信息对所述简化注入图层数据进行检测，生成房间区域信息；
将所述房间区域信息所在区域的像素值置0，并对所述房间区域信息之外的空间范围进行种子点播撒。
进一步地，所述预设搜寻结构包括中心点、边四邻域和角四邻域，在所述根据预设搜寻结构遍历所述房间区域检测种子点信息，生成房间区域识别结果的步骤，包括：
根据所示预设搜寻结构遍历所述房间区域检测种子点信息，并对遍历到的检测种子点进行如下处理：
将所述预设搜寻结构的中心点设为所述检测种子点所在房间区域内的点，生成搜寻结果，若所述搜寻结果满足第一预设条件，则所述预设搜寻结构的中心点为房间轮廓边界点；若所述搜寻结果满足第二预设条件，则所述预设搜寻结构的中心点为房间轮廓边界角点；
若所述搜寻结果均不满足所述第一预设条件和所述第二预设条件，对所述预设搜寻结构的中心点进行像素值置1填充，并跳转至所述将所述预设搜寻结构的中心点作为房间区域检测种子点，生成搜寻结果的步骤；
根据所述搜寻结果生成所述房间区域识别结果。
第二方面，本申请实施例提供了一种基于建筑图纸的房间区域识别系统，所述基于建筑图纸的房间区域识别系统包括：
获取模块，用于获取建筑图纸数据；
分类模块，用于根据所述建筑图纸数据进行图纸图层标准化分类，获得标准化图纸数据，所述标准化图纸数据包括文字图层数据、房间图层数据、门图层数据和窗图层数据中的一种或多种；
简化注入模块，用于将所述门图层数据和所述窗图层数据中的构件特征简化并注入所述房间图层数据，获得简化注入图层数据；
种子点模块，用于根据所述文字图层数据生成所述简化注入图层数据的房间区域检测种子点信息；
识别模块，用于根据预设搜寻结构遍历所述房间区域检测种子点信息，生成房间区域识别结果。
进一步地，所述分类模块包括：
提取单元，用于提取所述建筑图纸数据中所有的图层数据以及与所述图层数据对应的名称文本信息；
预测分类单元，用于通过预设神经多分类网络对所述图层名称文本信息进行预测分类，获得所述标准化图纸数据，所述标准化图纸数据包括与预设标准图层对应的名称信息。
进一步地，所述基于建筑图纸的房间区域识别系统还包括：
匹配模块，用于对所述标准化图纸数据中预测结果为空的图层数据进行匹配，生成匹配关系信息；
迭代模块，用于所述预设神经多分类网络在线迭代学习所述匹配关系信息。
进一步地，所述简化注入模块包括：
窗构件简化单元，用于对所述窗图层数据中的窗构件坐标信息简化为外接矩形坐标信息；
门构件简化单元，用于对所述门图层数据中的门构件特征信息简化为线段坐标信息；
注入单元，用于将所述外接矩形坐标信息和所述线段坐标信息添加到所述房间图层数据中，获得所述简化注入图层数据。
进一步地，所述种子点模块包括：
文本提取单元，用于提取所述文字图层数据中的所有文本文字信息以及与所述文本文字信息相对应的文本文字位置坐标信息；
筛选单元，用于根据所述文本文字信息筛选出与房间名称相关的房间文字信息；
查询单元，用于根据所述文本文字位置坐标信息查询到与所述房间文字信息相对应的房间位置坐标信息；
种子点生成单元，用于根据所述房间文字信息和所述房间位置坐标信息生成所述房间区域检测种子点信息。
进一步地，所述简化注入图层数据为二值图像数据，所述基于建筑图纸的房间区域识别系统还包括：
房间区域检测单元，用于根据所述房间区域检测种子点信息对所述简化注入图层数据进行检测，生成房间区域信息；
种子点播撒单元，用于将所述房间区域信息所在区域的像素值置0，并对所述房间区域信息之外的空间范围进行种子点播撒。
进一步地，所述预设搜寻结构包括中心点、边四邻域和角四邻域，所述识别模块具体用于：
根据所示预设搜寻结构遍历所述房间区域检测种子点信息，并对遍历到的检测种子点进行如下处理：
将所述预设搜寻结构的中心点设为所述检测种子点所在房间区域内的点，生成搜寻结果，若所述搜寻结果满足第一预设条件，则所述预设搜寻结构的中心点为房间轮廓边界点；若所述搜寻结果满足第二预设条件，则所述预设搜寻结构的中心点为房间轮廓边界角点；
若所述搜寻结果均不满足所述第一预设条件和所述第二预设条件，对所述预设搜寻结构的中心点进行像素值置1填充，并跳转至所述将所述预设搜寻结构的中心点作为房间区域检测种子点，生成搜寻结果的步骤；
根据所述搜寻结果生成所述房间区域识别结果。
第三方面，本申请实施例提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第四方面，本申请实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
第五方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种基于建筑图纸的房间区域识别方法的流程示意图；
图2为本申请实施例提供的另一种基于建筑图纸的房间区域识别方法的流程示意图；
图3a为本申请实施例提供的未添加门构件、窗构件的房间图层示意图；
图3b为本申请实施例提供的添加门构件、窗构件的房间图层示意图；
图3c为本申请实施例提供的简化注入图层数据的示意图；
图4a为本申请实施例提供的房间图层数据中房间文字信息的示意图；
图4b为本申请实施例提供的房间图层数据中房间位置坐标信息的示意图；
图5为本申请实施例提供的预设搜寻结构的示意图；
图6为本申请实施例提供的预设搜寻结构与房间区域相对位置的示意图；
图7为本申请实施例提供的第一预设条件的示意图；
图8为本申请实施例提供的第二预设条件的示意图；
图9为本申请实施例提供的基于建筑图纸的房间区域识别系统的结构框图；
图10为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请实施例提供了一种基于建筑图纸的房间区域识别方法、系统、电子设备及计算机可读存储介质，可以应用于建筑领域中；该基于建筑图纸的房间区域识别方法通过建立建筑图纸数据中图层到标准图层之间的分类映射关系，解决图层命名不符合识别标准问题，具有较强鲁棒性和较高精准度；在分类好的门图层数据和窗图层数据中对与房间结构相勾连的门、窗构件进行特征简化，并与房间图层数据中的房间结构组合，增加房间区域检测识别结果的有效性及精度；同时，将文字图层数据中的文本文字信息位置转化成种子点并与简化注入图层数据的房间结构结合，减少房间区域检测搜寻的范围，有效提高识别效率；然后，通过预设搜寻结构搜寻并识别属于同一房间范围内的内轮廓点集，可以快速且精准地识别出房间区域，具有完全可解释性；从而，该基于建筑图纸的房间区域识别方法可以实现提高识别精度和识别效率的技术效果。
请参见图1，图1为本申请实施例提供的一种基于建筑图纸的房间区域识别方法的流程示意图，该基于建筑图纸的房间区域识别方法包括如下步骤：
S100：获取建筑图纸数据。
示例性地，建筑图纸数据可以是包括多个图层的CAD图纸数据。
S200：根据建筑图纸数据进行图纸图层标准化分类，获得标准化图纸数据，标准化图纸数据包括文字图层数据、房间图层数据、门图层数据和窗图层数据中的一种或多种。
示例性地，由于不同建筑设计师习惯，对不同套的建筑图纸数据中各个图层命名纷乱，难以统一；在S200中，对不统一的建筑图纸数据进行图纸图层标准化分类，建立从不统一图层名称到自建的标准图层名称的一致映射，以保证后续房间区域检测识别的有效性。可选地，标准化图纸数据包括文字图层数据、房间图层数据、门图层数据和窗图层数据，还可以包括标注图层、轴线图层、墙图层等；标准化图纸数据中的分类可以根据实际需要进行增减，此处不作限定。
S300：将门图层数据和窗图层数据中的构件特征简化并注入房间图层数据，获得简化注入图层数据。
示例性地，门图层数据包括相应的门构件特征，窗图层数据包括相应的窗构件特征，将简化后的门构件特征、窗构件特征添加到房间图层数据中，可增加房间区域识别的准确率。
S400：根据文字图层数据生成简化注入图层数据的房间区域检测种子点信息。
示例性地，通过文字图层数据生成的房间区域检测种子点信息，其中种子点可用于确定房间区域识别检测的大致位置，避免在大范围空间上搜索检测带来的大量计算，从而提高整体算法的识别效率。
S500：根据预设搜寻结构遍历房间区域检测种子点信息，生成房间区域识别结果。
在一些实施方式中，该基于建筑图纸的房间区域识别方法通过建立建筑图纸数据中图层到标准图层之间的分类映射关系，解决图层命名不符合识别标准问题，具有较强鲁棒性和较高精准度；在分类好的门图层数据和窗图层数据中对与房间结构相勾连的门、窗构件进行特征简化，并与房间图层数据中的房间结构组合，增加房间区域检测识别结果的有效性及精度；同时，将文字图层数据中的文本文字信息位置转化成种子点并与简化注入图层数据的房间结构结合，减少房间区域检测搜寻的范围，有效提高识别效率；然后，通过预设搜寻结构搜寻并识别属于同一房间范围内的内轮廓点集，可以快速且精准地识别出房间区域，具有完全可解释性；从而，该基于建筑图纸的房间区域识别方法可以实现提高识别精度和识别效率的技术效果。
请参见图2，图2为本申请实施例提供的另一种基于建筑图纸的房间区域识别方法的流程示意图。
示例性地，S200：根据建筑图纸数据进行图纸图层标准化分类，获得标准化图纸数据的步骤，包括：
S210：提取建筑图纸数据中所有的图层数据以及与图层数据对应的名称文本信息；
S220：通过预设神经多分类网络对图层名称文本信息进行预测分类，获得标准化图纸数据，标准化图纸数据包括与预设标准图层对应的名称信息。
示例性地，建筑图纸数据由于没有统一的标准，图层命名纷乱，例如，标注可能包括尺寸标注、标高标注等，立面包括看线、门窗线等，不一而足，会降低后续的识别效率和精度；S220中利用预设神经多分类网络算法的强鲁棒特性，对不统一的图层文本进行识别，建立从不统一图层名称到预设标准图层名称的一致映射，保证后续房间区域检测识别的有效性。
可选地，预设标准图层包括文字图层、墙图层、标注图层、窗图层、轴线图层、图框图层中的一种或多种；预设标准图层可以根据实际需要进行增减，此处不作限定。
示例性地，在S220：通过预设神经多分类网络对图层名称文本信息进行预测分类，获得标准化图纸数据的步骤之后，基于建筑图纸的房间区域识别方法还包括：
S230：对标准化图纸数据中预测结果为空的图层数据进行匹配，生成匹配关系信息；
S240：预设神经多分类网络在线迭代学习匹配关系信息。
示例性地，对S230中预测结果为空(None)的少量图层，即该图层不再预设标准图层包括的范围内、预测不到的情况，可以由用户手动匹配映射关系；同时，预设神经多分类网络在线迭代学习指定的匹配关系信息，避免之后出现同语义图层名称时再次麻烦人工匹配的情况；从而，该图层标准化分类可以以最少人力成本最大化换取图层分类结果的高准确率，降低后续步骤处理的复杂性。
示例性地，S300：将门图层数据和窗图层数据中的构件特征简化并注入房间图层数据，获得简化注入图层数据的步骤，包括：
S310：对窗图层数据中的窗构件坐标信息简化为外接矩形坐标信息；
S320：对门图层数据中的门构件特征信息简化为线段坐标信息；
S330：将外接矩形坐标信息和线段坐标信息添加到房间图层数据中，获得简化注入图层数据。
示例性地，经过图层标准化分类后，可以得到房间区域所在的房间图层数据，直接加入门图层数据、窗图层数据后，门构件、窗构件的轮廓会占据覆盖房间区域轮廓，因此需要将门构件、窗构件按照一定的规则进行特征简化，然后再将简化后门窗特征添加到房间图层数据中，以增加房间区域识别的准确率。
请参见图3a至图3c，图3a为本申请实施例提供的未添加门构件、窗构件的房间图层示意图，图3b为本申请实施例提供的添加门构件、窗构件的房间图层示意图，图3c为本申请实施例提供的简化注入图层数据的示意图。
可选地，图3a中由于房间图层数据中不存在门、窗图层数据，所以转化渲染出的户型图内房间区域互相连通，没有界限，无法区分出各个房间区域，因此需要门窗构件信息的加入；然而，如图3b所示，直接加入门图层数据、窗图层数据后，门构件、窗构件的轮廓会占据覆盖房间区域轮廓，因此需要将门构件、窗构件按照一定的规则进行特征简化。具体步骤示例如下：
步骤1.1：将窗图层数据中窗构件坐标信息简化成窗户的外接矩形坐标信息，即为bounding box坐标。
步骤1.2：对门构件特征简化时，根据门构件的特有特征将其简化成线段坐标信息，即为line坐标。
步骤1.3：将步骤1.1和步骤1.2简化后门窗特征坐标添加到房间所在的房间图层数据中，构成新的房间图层数据(即简化注入图层数据)，如图3c所示。
示例性地，S400：根据文字图层数据生成简化注入图层数据的房间区域检测种子点信息的步骤，包括：
S410：提取文字图层数据中的所有文本文字信息以及与文本文字信息相对应的文本文字位置坐标信息；
S420：根据文本文字信息筛选出与房间名称相关的房间文字信息；
S430：根据文本文字位置坐标信息查询到与房间文字信息相对应的房间位置坐标信息；
S440：根据房间文字信息和房间位置坐标信息生成房间区域检测种子点信息。
示例性地，房间区域检测种子点信息中的种子点主要是用于确定房间区域识别检测的大致位置，避免在大范围空间上搜索检测带来的大量计算，提高整体算法的识别效率。
示例性地，简化注入图层数据为二值图像数据，在S500：根据预设搜寻结构遍历房间区域检测种子点信息，生成房间区域识别结果的步骤之前，方法还包括：
S450：根据房间区域检测种子点信息对简化注入图层数据进行检测，生成房间区域信息；
S460：将房间区域信息所在区域的像素值置0，并对房间区域信息之外的空间范围进行种子点播撒。
请参见图4a和图4b，图4a为本申请实施例提供的房间图层数据中房间文字信息的示意图，图4b为本申请实施例提供的房间图层数据中房间位置坐标信息的示意图。
示例性地，结合S410-S460，在进行种子点的设定时分为带名房间种子点设置和无名房间种子点设置，具体实施步骤如下：
步骤2.1：从分类出的文字图层数据中提取所有文本文字信息及其相对应的文本文字位置坐标信息，分别表示为Ta和Da。如图4a所示，通过关键字查询等方法，按照一定规则从Ta中筛选出与房间名称相关的房间文字信息Ts，并从Da中查询到与房间文字信息Ts相对应匹配的房间位置坐标信息Ds，将Ts和Ds设置为带名房间种子点。
步骤2.2：当带名房间区域识别完成后，在简化注入图层数据上将检测到的所有房间区域的像素值置0；然后对房间区域之外的空间范围按照一定的数学函数随机地进行种子点播撒，将其作为无名房间种子点。其中，无名房间种子点设置是在带名房间区域检测识别后进行的，是房间区域检测种子点的一种扩充。
通过以上方法的特征抽取、简化及整合，可以得到与房间区域相关的较完整信息，可以进行房间区域的识别。
请参见图5至图8，图5为本申请实施例提供的预设搜寻结构的示意图，图6为本申请实施例提供的预设搜寻结构与房间区域相对位置的示意图，图7为本申请实施例提供的第一预设条件的示意图，图8为本申请实施例提供的第二预设条件的示意图；需要注意的是，图5至图8中每个小矩形表示为一个像素点。
示例性地，如图5所示，P为当前位置点，P1、P2、P3、P4为一组关联性四邻域，为边四邻域；P12、P23、P34、P41为另一组关联性四领域，为角四邻域；边四邻域和角四邻域组成双四领域。其中，P1-P2-P3-P4关联性四领域用于判断搜寻的前进方向，P12-P23-P34-P41关联性四领域用于判断该像素坐标是否是房间区域轮廓角点。
可选地，预设搜寻结构可以是双四邻域搜寻结构；邻域，是指集合上的一种基础的拓扑结构；邻域分析，其基本思路就是以待计算的栅格像元为中心，向周围扩展一定的范围，然后根据这些扩展栅格像元与中心像元的值或仅用扩展像元的值进行函数运算，从而得到这个待计算像元的新值。其中，双四邻域搜寻结构类似于九宫格，双四邻域搜寻结构包括中心点、边四邻域和角四邻域；双四邻域搜寻结构的中心点即九宫格的中心格子，角四邻域即九宫格的四个角落上的格子，边四邻域即九宫格其余的格子。
示例性地，预设搜寻结构包括中心点、边四邻域和角四邻域，在S500：根据预设搜寻结构遍历房间区域检测种子点信息，生成房间区域识别结果的步骤，包括：
根据所示预设搜寻结构遍历房间区域检测种子点信息，并对遍历到的检测种子点进行如下处理：
将预设搜寻结构的中心点设为检测种子点所在房间区域内的点，生成搜寻结果，若搜寻结果满足第一预设条件，则预设搜寻结构的中心点为房间轮廓边界点；若搜寻结果满足第二预设条件，则预设搜寻结构的中心点为房间轮廓边界角点；
若搜寻结果均不满足第一预设条件和第二预设条件，对预设搜寻结构的中心点进行像素值置1填充，并跳转至将预设搜寻结构的中心点作为房间区域检测种子点，生成搜寻结果的步骤；
根据搜寻结果生成房间区域识别结果。
在一些实施方式中，利用预设搜寻结构可判断房间边界坐标，寻找出属于房间区域的内轮廓点集信息，具体实施步骤示例如下：
步骤3.1：将预设搜寻结构的中心点设为检测种子点所在房间区域内的点，生成搜寻结果；
步骤3.1-1：搜寻检测种子点所在房间区域的轮廓时，预设搜寻结构中P点为房间区域内的点，如图6所示；其中：
第一预设条件：P1、P2、P3、P4中仅有其中一个像素值索引为1，如图7所示的a、b、c和d四种情况，表示P点为房间轮廓边界点。
第一预设条件：P1-P2、P2-P3、P3-P4、P4-P1相邻像素的组合中其中任一对像素值索引为1，并且该组合中间位置相对应的P12、P23、P34、P41像素值索引也为1时，则相对应的中间位置P点表示房间轮廓边界角点，如图8中e、f、g、h四种情况所示；
步骤3.1-2：顺时针搜寻时，图7、图8中a、b、c、d及e、f、g、h情况所对应的前进方向分别为右、上、左、下，前进步幅为1个像素；逆时针搜寻时则相反；
步骤3.2：当搜寻结果及不满足第一预设条件也不满足第二预设条件时，即P1-P2-P3、P2-P3-P4、P3-P4-P1、P4-P1-P2及不相邻的P1-P3、P2-P4等组合中的像素值索引为1时，则对P点进行置1填充，并倒退1个像素步幅，跳转至步骤3.1进行搜寻；一般情况下，不存在P1-P2-P3-P4组合中像素值索引都为1的情况；
步骤3.3：P点所运动的轨迹首尾重合时停止搜索。
示例性地，房间内轮廓点集为搜寻到的所有角点坐标，当一个种子点周围的房间区域搜寻完毕后，按照以上步骤进行下一个房间搜寻，直到所有的种子点搜索完毕。
在一些实施场景中，生成房间区域识别结果时，可通过将所有识别到的房间内轮廓点集分别以不同的颜色进行内部填充，并渲染至图像上输出，可得到实际房间区域识别的可视化结果。
示例性地，随着计算机科学技术和建筑行业的发展，建筑领域数字化转型逐渐升级，从而进一步地催生出多种利用建筑行业数字化信息的智能化新需求。其中，对CAD图纸中涉及到的国家相关规范进行机器智能审查的校审系统就是典型的代表，而在智能校审系统中涉及较多审查条目的便有对房间相关规范的审查。因此，对CAD建筑图纸等信息中的房间区域的精准识别显的尤为重要。
一方面，现阶段针对CAD建筑图纸(CAD图纸)中房间区域的识别主要是以图像方式进行检测处理，而转化成的图像(CAD图像)存在以下特点：
1、CAD图像分辨率大，缩放太小的尺寸后产生模糊、失真效果；
一般CAD图纸中所画内容的矢量坐标数值跨度达到几万至几十万，需要将其缩放才能转化成图像，否则计算机将会爆内存；但缩放太小(比如2K及其以下分辨率)将会产生模糊、失真现象，严重影响原图纸中所表达的信息。
2、CAD图像中显示的信息层层叠叠，稠密复杂，可转化成的图像数量不单一；
由于CAD图纸中存在载有各种元素信息的“图层”，而各种图层叠加到一起转化而成的单张CAD图像中信息稠密复杂，对识别任务造成诸多干扰；而将各个图层单独转化成多张CAD图像或组合不同的多个图层再转化成多张CAD图像的方式无疑会成倍增加检测图像的数量。
另一方面，现阶段与房间区域识别应用研究相关的方法主要是以深度学习和传统的图像处理为主：
1、深度学习方法：需要大量CAD图像数据以及人工标注，识别效率低，识别结果准确性低、可解释性差，且成本昂贵；
随着人工智能领域的发展，出现了各种各样性能表现良好的深度学习算法，相应地，也出现很多将深度学习方法应用到房间区域识别的方法。但是，这些方法需要大量的图纸数据以及人工手动标注，且基本上都是在具有较小分辨率的户型图(分辨率在1K以下)中进行房间区域的识别，对具有较大分辨率的CAD图像识别效率非常低，一般耗时在一分钟至十几分钟；另外，虽然其识别结果具有较强的鲁棒性，但由于CAD图像上的诸多干扰，其模型泛化性差、识别准确性并不高，无法精确识别房间区域；且在很多情况下，其识别出的结果与实际的CAD图纸信息并不相符，并对出现不相符结果的可解释性较差。除此在外，该方法需要计算机具有高性能的GPU显卡资源，计算成本昂贵，现阶段并不适用于CAD建筑图纸房间区域识别。
2、传统图像处理方法：识别效率高、可解释好，计算成本低，但需要手工特征处理等，识别结果较差；
该方法不需要人工标注大量CAD图纸数据，可高效率的对较大尺寸CAD施工图中房间区域进行识别，识别结果具有可解释性，且只需要依赖于CPU计算资源，计算成本相对较低。但是，该方法需要大量的手工特征处理。而目前该方法缺乏相应的手工处理特征，且并未充分挖掘利用与房间相关的门窗等构件信息，识别结果较差。
以上问题导致目前无法较好地对CAD建筑施工图中房间区域进行检测识别。因此，本申请提出一种有效的CAD建筑施工图房间区域检测识别方法，通过将深度学习与传统图像处理方法相结合，其识别一张CAD施工图纸中房间区域平均耗时小于10s，房间识别面积平均误差在0.02m2以内。
请参见图9，图9为本申请实施例提供的基于建筑图纸的房间区域识别系统的结构框图，该基于建筑图纸的房间区域识别系统包括：
获取模块100，用于获取建筑图纸数据；
分类模块200，用于根据建筑图纸数据进行图纸图层标准化分类，获得标准化图纸数据，标准化图纸数据包括文字图层数据、房间图层数据、门图层数据和窗图层数据中的一种或多种；
简化注入模块300，用于将门图层数据和窗图层数据中的构件特征简化并注入房间图层数据，获得简化注入图层数据；
种子点模块400，用于根据文字图层数据生成简化注入图层数据的房间区域检测种子点信息；
识别模块500，用于根据预设搜寻结构遍历房间区域检测种子点信息，生成房间区域识别结果。
示例性地，分类模块200包括：
提取单元，用于提取建筑图纸数据中所有的图层数据以及与图层数据对应的名称文本信息；
预测分类单元，用于通过预设神经多分类网络对图层名称文本信息进行预测分类，获得标准化图纸数据，标准化图纸数据包括与预设标准图层对应的名称信息。
示例性地，基于建筑图纸的房间区域识别系统还包括：
匹配模块，用于对标准化图纸数据中预测结果为空的图层数据进行匹配，生成匹配关系信息；
迭代模块，用于预设神经多分类网络在线迭代学习匹配关系信息。
示例性地，简化注入模块300包括：
窗构件简化单元，用于对窗图层数据中的窗构件坐标信息简化为外接矩形坐标信息；
门构件简化单元，用于对门图层数据中的门构件特征信息简化为线段坐标信息；
注入单元，用于将外接矩形坐标信息和线段坐标信息添加到房间图层数据中，获得简化注入图层数据。
示例性地，种子点模块400包括：
文本提取单元，用于提取文字图层数据中的所有文本文字信息以及与文本文字信息相对应的文本文字位置坐标信息；
筛选单元，用于根据文本文字信息筛选出与房间名称相关的房间文字信息；
查询单元，用于根据文本文字位置坐标信息查询到与房间文字信息相对应的房间位置坐标信息；
种子点生成单元，用于根据房间文字信息和房间位置坐标信息生成房间区域检测种子点信息。
示例性地，简化注入图层数据为二值图像数据，基于建筑图纸的房间区域识别系统还包括：
房间区域检测单元，用于根据房间区域检测种子点信息对简化注入图层数据进行检测，生成房间区域信息；
种子点播撒单元，用于将房间区域信息所在区域的像素值置0，并对房间区域信息之外的空间范围进行种子点播撒。
示例性地，预设搜寻结构包括中心点、边四邻域和角四邻域，识别模块500具体用于：
根据所示预设搜寻结构遍历房间区域检测种子点信息，并对遍历到的检测种子点进行如下处理：
将预设搜寻结构的中心点设为检测种子点所在房间区域内的点，生成搜寻结果，若搜寻结果满足第一预设条件，则预设搜寻结构的中心点为房间轮廓边界点；若搜寻结果满足第二预设条件，则预设搜寻结构的中心点为房间轮廓边界角点；
若搜寻结果均不满足第一预设条件和第二预设条件，对预设搜寻结构的中心点进行像素值置1填充，并跳转至将预设搜寻结构的中心点作为房间区域检测种子点，生成搜寻结果的步骤；
根据搜寻结果生成房间区域识别结果。
需要注意的是，图9所述的基于建筑图纸的房间区域识别系统与图1至图8所示的方法实施例相对应，为避免重复，此处不再赘述。
本申请还提供一种电子设备，请参见图10，图10为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中，通信总线540用于实现这些组件直接的连接通信。其中，本申请实施例中电子设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片，具有信号的处理能力。
上述的处理器510可以是通用处理器，包括中央处理器(CPU，Central ProcessingUnit)、网络处理器(NP，Network Processor)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
存储器530可以是，但不限于，随机存取存储器(RAM，Random Access Memory)，只读存储器(ROM，Read Only Memory)，可编程只读存储器(PROM，Programmable Read-OnlyMemory)，可擦除只读存储器(EPROM，Erasable Programmable Read-Only Memory)，电可擦除只读存储器(EEPROM，Electric Erasable Programmable Read-Only Memory)等。存储器530中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器510执行时，电子设备可以执行上述图1至图8方法实施例涉及的各个步骤。
可选地，电子设备还可以包括存储控制器、输入输出单元。
所述存储器530、存储控制器、处理器510、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块，例如电子设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。
可以理解，图10所示的结构仅为示意，所述电子设备还可包括比图10中所示更多或者更少的组件，或者具有与图10所示不同的配置。图10中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现方法实施例所述的方法，为避免重复，此处不再赘述。
本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
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。
Claims (10)
1.一种基于建筑图纸的房间区域识别方法，其特征在于，包括：
获取建筑图纸数据；
根据所述建筑图纸数据进行图纸图层标准化分类，获得标准化图纸数据，所述标准化图纸数据包括文字图层数据、房间图层数据、门图层数据和窗图层数据中的一种或多种；
将所述门图层数据和所述窗图层数据中的构件特征简化并注入所述房间图层数据，获得简化注入图层数据；
根据所述文字图层数据生成所述简化注入图层数据的房间区域检测种子点信息；
根据预设搜寻结构遍历所述房间区域检测种子点信息，生成房间区域识别结果。
2.根据权利要求1所述的基于建筑图纸的房间区域识别方法，其特征在于，所述根据所述建筑图纸数据进行图纸图层标准化分类，获得标准化图纸数据的步骤，包括：
提取所述建筑图纸数据中所有的图层数据以及与所述图层数据对应的名称文本信息；
通过预设神经多分类网络对所述图层名称文本信息进行预测分类，获得所述标准化图纸数据，所述标准化图纸数据包括与预设标准图层对应的名称信息。
3.根据权利要求2所述的基于建筑图纸的房间区域识别方法，其特征在于，在所述通过预设神经多分类网络对所述图层名称文本信息进行预测分类，获得所述标准化图纸数据的步骤之后，所述方法还包括：
对所述标准化图纸数据中预测结果为空的图层数据进行匹配，生成匹配关系信息；
所述预设神经多分类网络在线迭代学习所述匹配关系信息。
4.根据权利要求1所述的基于建筑图纸的房间区域识别方法，其特征在于，所述将所述门图层数据和所述窗图层数据中的构件特征简化并注入所述房间图层数据，获得简化注入图层数据的步骤，包括：
对所述窗图层数据中的窗构件坐标信息简化为外接矩形坐标信息；
对所述门图层数据中的门构件特征信息简化为线段坐标信息；
将所述外接矩形坐标信息和所述线段坐标信息添加到所述房间图层数据中，获得所述简化注入图层数据。
5.根据权利要求1所述的基于建筑图纸的房间区域识别方法，其特征在于，所述根据所述文字图层数据生成所述简化注入图层数据的房间区域检测种子点信息的步骤，包括：
提取所述文字图层数据中的所有文本文字信息以及与所述文本文字信息相对应的文本文字位置坐标信息；
根据所述文本文字信息筛选出与房间名称相关的房间文字信息；
根据所述文本文字位置坐标信息查询到与所述房间文字信息相对应的房间位置坐标信息；
根据所述房间文字信息和所述房间位置坐标信息生成所述房间区域检测种子点信息。
6.根据权利要求1所述的基于建筑图纸的房间区域识别方法，其特征在于，所述简化注入图层数据为二值图像数据，在所述根据预设搜寻结构遍历所述房间区域检测种子点信息，生成房间区域识别结果的步骤之前，所述方法还包括：
根据所述房间区域检测种子点信息对所述简化注入图层数据进行检测，生成房间区域信息；
将所述房间区域信息所在区域的像素值置0，并对所述房间区域信息之外的空间范围进行种子点播撒。
7.根据权利要求6所述的基于建筑图纸的房间区域识别方法，其特征在于，所述预设搜寻结构包括中心点、边四邻域和角四邻域，在所述根据预设搜寻结构遍历所述房间区域检测种子点信息，生成房间区域识别结果的步骤，包括：
根据所示预设搜寻结构遍历所述房间区域检测种子点信息，并对遍历到的检测种子点进行如下处理：
将所述预设搜寻结构的中心点设为所述检测种子点所在房间区域内的点，生成搜寻结果，若所述搜寻结果满足第一预设条件，则所述预设搜寻结构的中心点为房间轮廓边界点；若所述搜寻结果满足第二预设条件，则所述预设搜寻结构的中心点为房间轮廓边界角点；
若所述搜寻结果均不满足所述第一预设条件和所述第二预设条件，对所述预设搜寻结构的中心点进行像素值置1填充，并跳转至所述将所述预设搜寻结构的中心点作为房间区域检测种子点，生成搜寻结果的步骤；
根据所述搜寻结果生成所述房间区域识别结果。
8.一种基于建筑图纸的房间区域识别系统，其特征在于，包括：
获取模块，用于获取建筑图纸数据；
分类模块，用于根据所述建筑图纸数据进行图纸图层标准化分类，获得标准化图纸数据，所述标准化图纸数据包括文字图层数据、房间图层数据、门图层数据和窗图层数据中的一种或多种；
简化注入模块，用于将所述门图层数据和所述窗图层数据中的构件特征简化并注入所述房间图层数据，获得简化注入图层数据；
种子点模块，用于根据所述文字图层数据生成所述简化注入图层数据的房间区域检测种子点信息；
识别模块，用于根据预设搜寻结构遍历所述房间区域检测种子点信息，生成房间区域识别结果。
9.一种电子设备，其特征在于，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于建筑图纸的房间区域识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如权利要求1至7任一项所述的基于建筑图纸的房间区域识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210333551.4A CN114741754A (zh) | 2022-03-30 | 2022-03-30 | 一种基于建筑图纸的房间区域识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210333551.4A CN114741754A (zh) | 2022-03-30 | 2022-03-30 | 一种基于建筑图纸的房间区域识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114741754A true CN114741754A (zh) | 2022-07-12 |
Family
ID=82280070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210333551.4A Pending CN114741754A (zh) | 2022-03-30 | 2022-03-30 | 一种基于建筑图纸的房间区域识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114741754A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063829A (zh) * | 2022-08-15 | 2022-09-16 | 万翼科技有限公司 | 非封闭区域识别方法、装置、设备及存储介质 |
| CN115147595A (zh) * | 2022-07-26 | 2022-10-04 | 贝壳技术有限公司 | 一种物体识别方法和装置 |
| CN115375873A (zh) * | 2022-10-24 | 2022-11-22 | 深圳小库科技有限公司 | 一种建筑空间的处理方法、装置及相关设备 |
| CN118521904A (zh) * | 2024-07-23 | 2024-08-20 | 上海天华建筑设计有限公司 | 建筑构件识别方法、装置、电子设备及存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100198563A1 (en) * | 2009-02-03 | 2010-08-05 | Thomas Plewe | Systems and methods for component-based architecture design |
| CN104680506A (zh) * | 2013-11-28 | 2015-06-03 | 方正国际软件(北京)有限公司 | 一种分方向边界线检测方法及系统 |
| CN109191576A (zh) * | 2018-09-06 | 2019-01-11 | 宁波睿峰信息科技有限公司 | 一种将建筑图纸转换为三维bim模型的图层分类方法 |
| CN110909650A (zh) * | 2019-11-15 | 2020-03-24 | 清华大学 | 基于领域知识和目标检测的cad图纸识别方法和装置 |
| CN110941871A (zh) * | 2019-12-16 | 2020-03-31 | 山东建筑大学 | 一种基于Revit三维模型中房间信息的自动标注方法及系统 |
| CN111008597A (zh) * | 2019-12-05 | 2020-04-14 | 万翼科技有限公司 | Cad图纸的空间识别方法、装置、电子设备及存储介质 |
| CN111797748A (zh) * | 2020-06-28 | 2020-10-20 | 北京比邻弘科科技有限公司 | 基于深度学习的图像识别方法 |
| CN111832447A (zh) * | 2020-06-30 | 2020-10-27 | 万翼科技有限公司 | 建筑图纸构件识别方法、电子设备及相关产品 |
| CN113297662A (zh) * | 2021-06-10 | 2021-08-24 | 第三维度(河南)软件科技有限公司 | 一种基于扫描线的户型归属自动识别方法 |
| CN113327324A (zh) * | 2021-06-25 | 2021-08-31 | 广东博智林机器人有限公司 | 三维建筑模型的构建方法、装置、计算机设备及存储介质 |
| CN113592886A (zh) * | 2021-07-28 | 2021-11-02 | 金地（集团）股份有限公司 | 建筑图纸的审图方法、装置、电子设备及介质 |
| CN113626907A (zh) * | 2021-07-08 | 2021-11-09 | 武汉大学 | 一种基于边界扫描算法的建筑图纸自动识别方法 |
| CN113673413A (zh) * | 2021-08-16 | 2021-11-19 | 金地（集团）股份有限公司 | 建筑图纸的审图方法、装置、计算机可读介质及电子设备 |
| CN113887671A (zh) * | 2021-11-11 | 2022-01-04 | 智维云图(上海)智能科技有限公司 | 基于图像识别技术的建筑图纸信息自动提取方法及系统 |
| CN114005134A (zh) * | 2021-10-27 | 2022-02-01 | 上海品览数据科技有限公司 | 一种基于深度学习的电气专业照明平面图内的构件识别方法 |
| CN114036616A (zh) * | 2021-11-17 | 2022-02-11 | 北京蜂鸟视图科技有限公司 | 基于cad电子图纸构建地图时生成闭合面的系统及其方法 |
| CN114092491A (zh) * | 2021-11-17 | 2022-02-25 | 华南师范大学 | 一种建筑户型语义分割图矢量化方法及装置 |
-
2022
- 2022-03-30 CN CN202210333551.4A patent/CN114741754A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100198563A1 (en) * | 2009-02-03 | 2010-08-05 | Thomas Plewe | Systems and methods for component-based architecture design |
| CN104680506A (zh) * | 2013-11-28 | 2015-06-03 | 方正国际软件(北京)有限公司 | 一种分方向边界线检测方法及系统 |
| CN109191576A (zh) * | 2018-09-06 | 2019-01-11 | 宁波睿峰信息科技有限公司 | 一种将建筑图纸转换为三维bim模型的图层分类方法 |
| CN110909650A (zh) * | 2019-11-15 | 2020-03-24 | 清华大学 | 基于领域知识和目标检测的cad图纸识别方法和装置 |
| CN111008597A (zh) * | 2019-12-05 | 2020-04-14 | 万翼科技有限公司 | Cad图纸的空间识别方法、装置、电子设备及存储介质 |
| CN110941871A (zh) * | 2019-12-16 | 2020-03-31 | 山东建筑大学 | 一种基于Revit三维模型中房间信息的自动标注方法及系统 |
| CN111797748A (zh) * | 2020-06-28 | 2020-10-20 | 北京比邻弘科科技有限公司 | 基于深度学习的图像识别方法 |
| CN111832447A (zh) * | 2020-06-30 | 2020-10-27 | 万翼科技有限公司 | 建筑图纸构件识别方法、电子设备及相关产品 |
| CN113297662A (zh) * | 2021-06-10 | 2021-08-24 | 第三维度(河南)软件科技有限公司 | 一种基于扫描线的户型归属自动识别方法 |
| CN113327324A (zh) * | 2021-06-25 | 2021-08-31 | 广东博智林机器人有限公司 | 三维建筑模型的构建方法、装置、计算机设备及存储介质 |
| CN113626907A (zh) * | 2021-07-08 | 2021-11-09 | 武汉大学 | 一种基于边界扫描算法的建筑图纸自动识别方法 |
| CN113592886A (zh) * | 2021-07-28 | 2021-11-02 | 金地（集团）股份有限公司 | 建筑图纸的审图方法、装置、电子设备及介质 |
| CN113673413A (zh) * | 2021-08-16 | 2021-11-19 | 金地（集团）股份有限公司 | 建筑图纸的审图方法、装置、计算机可读介质及电子设备 |
| CN114005134A (zh) * | 2021-10-27 | 2022-02-01 | 上海品览数据科技有限公司 | 一种基于深度学习的电气专业照明平面图内的构件识别方法 |
| CN113887671A (zh) * | 2021-11-11 | 2022-01-04 | 智维云图(上海)智能科技有限公司 | 基于图像识别技术的建筑图纸信息自动提取方法及系统 |
| CN114036616A (zh) * | 2021-11-17 | 2022-02-11 | 北京蜂鸟视图科技有限公司 | 基于cad电子图纸构建地图时生成闭合面的系统及其方法 |
| CN114092491A (zh) * | 2021-11-17 | 2022-02-25 | 华南师范大学 | 一种建筑户型语义分割图矢量化方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 张宏鑫: "复杂建筑平面图纸的空间布局融合对偶识别方法", 《武汉大学学报(信息科学版)》, vol. 46, no. 9, 2 September 2021 (2021-09-02) * |
| 毛宏宇: "一种室内空间自动分类识别方法", 《北京测绘》, vol. 38, no. 1, 25 January 2024 (2024-01-25) * |
| 齐保良: "Revit三维模型中房间信息的自动标注方法", 《计算机系统应用》, no. 05, 15 May 2020 (2020-05-15) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147595A (zh) * | 2022-07-26 | 2022-10-04 | 贝壳技术有限公司 | 一种物体识别方法和装置 |
| CN115063829A (zh) * | 2022-08-15 | 2022-09-16 | 万翼科技有限公司 | 非封闭区域识别方法、装置、设备及存储介质 |
| CN115375873A (zh) * | 2022-10-24 | 2022-11-22 | 深圳小库科技有限公司 | 一种建筑空间的处理方法、装置及相关设备 |
| CN115375873B (zh) * | 2022-10-24 | 2023-04-07 | 深圳小库科技有限公司 | 一种建筑空间的处理方法、装置及相关设备 |
| CN118521904A (zh) * | 2024-07-23 | 2024-08-20 | 上海天华建筑设计有限公司 | 建筑构件识别方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114741754A (zh) | 一种基于建筑图纸的房间区域识别方法及系统 | |
| Yi et al. | ASSD: Attentive single shot multibox detector | |
| AU2018250370B2 (en) | Weakly supervised model for object detection | |
| CN110909712B (zh) | 运动目标检测方法、装置、电子设备及存储介质 | |
| Si Salah et al. | What is a remote sensing change detection technique? Towards a conceptual framework | |
| US20230089148A1 (en) | Systems and methods for interactive image scene graph pattern search and analysis | |
| Morales-Gonzalez et al. | A new proposal for graph-based image classification using frequent approximate subgraphs | |
| CN108334805A (zh) | 检测文档阅读顺序的方法和装置 | |
| CN110889437B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| Zhang et al. | Saliency detection via local structure propagation | |
| Xing et al. | A land use/land cover change geospatial cyberinfrastructure to integrate big data and temporal topology | |
| CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
| US20230086327A1 (en) | Systems and methods of interactive visual graph query for program workflow analysis | |
| CN113901550A (zh) | 装配式建筑bim模型生成方法及相关设备 | |
| CN116385466B (zh) | 一种基于边界框弱标注的图像中目标分割方法及系统 | |
| CN114724169A (zh) | 一种二维图纸构件的识别方法及系统 | |
| Wang et al. | Research on evaluation model of music education informatization system based on machine learning | |
| CN111680680A (zh) | 一种目标码定位方法、装置、电子设备及存储介质 | |
| Jeong et al. | A more reliable defect detection and performance improvement method for panel inspection based on artificial intelligence | |
| CN113822144A (zh) | 一种目标检测方法、装置、计算机设备和存储介质 | |
| Thakur et al. | An efficient coloring algorithm for time detraction of sign image segmentation based on fuzzy graph theory | |
| Zhang et al. | Moving object detection based on confidence factor and CSLBP features | |
| CN113298822B (zh) | 点云数据的选取方法及选取装置、设备、存储介质 | |
| Golovko et al. | Brands and caps labeling recognition in images using deep learning | |
| CN114936395A (zh) | 一种户型图识别方法、装置、计算机设备及存储介质 |
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 |