CN114925416B - 一种基于数据转换的建筑结构生成方法及装置 - Google Patents
一种基于数据转换的建筑结构生成方法及装置 Download PDFInfo
- Publication number
- CN114925416B CN114925416B CN202210442784.8A CN202210442784A CN114925416B CN 114925416 B CN114925416 B CN 114925416B CN 202210442784 A CN202210442784 A CN 202210442784A CN 114925416 B CN114925416 B CN 114925416B
- Authority
- CN
- China
- Prior art keywords
- building
- pixel
- coordinates
- component
- node
- 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.)
- Active
Links
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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明提供一种基于数据转换的建筑结构生成方法及装置,其中的方法包括:提取建筑设计图中的关键元素,解析出关键元素的节点矢量坐标;根据节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图;建筑结构生成对抗网络包括竖向结构生成对抗网络和水平结构生成对抗网络;将建筑结构设计像素图中构件节点像素坐标转换为构件节点矢量坐标,并将所述构件节点矢量坐标绘制于所述建筑设计图中;获取建筑构件截面尺寸,根据建筑构件截面尺寸和构件节点矢量坐标构建结构计算模型。该方法实现了建筑结构智能化设计全过程矢量数据与像素数据的自动转换,有效提升了建筑结构生成的效率和稳定性,为进一步开展建筑结构力学性能计算做准备。
Description
技术领域
本发明涉及土木结构工程与计算机人工智能应用交叉技术领域,尤其涉及一种基于数据转换的建筑结构生成方法及装置。
背景技术
建筑结构智能化设计是未来建筑领域发展的重要内容,基于神经网络等先进人工智能算法的智能设计,能够有效实现从建筑方案设计到结构方案设计的智能化生成。
但是,以神经网络为代表的人工智能算法,所处理的数据格式为像素图。该数据格式与常规建筑结构设计所采用的矢量化数据格式差异显著,无法实现直接转换,导致建筑结构的智能化设计难以有效与设计生产工作结合,推广受限。
与此同时,高效自动化的数据传递方式的缺乏,还会导致神经网络等智能化设计算法的训练成本高、数据处理难度大且训练效果不理想,从而影响建筑结构的智能化设计效果与推广应用。
因此,现有技术中建筑结构智能化设计方案数据处理难度大、效率低且稳定性不高的问题,是土木结构工程与计算机人工智能应用交叉技术领域亟待解决的重要问题。
发明内容
本发明提供一种基于数据转换的建筑结构生成方法及装置,用以克服现有技术中建筑结构设计方案数据处理难度大、效率低且稳定性不高的缺陷,实现建筑结构智能化设计全过程数据的自动转换,有效提升建筑结构生成的效率和稳定性。
一方面,本发明提供一种基于数据转换的建筑结构生成方法,包括:提取建筑设计图中的关键元素,解析出所述关键元素的节点矢量坐标;所述节点矢量坐标包括轴线节点矢量坐标和轮廓节点矢量坐标;根据所述节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图;所述建筑结构生成对抗网络包括竖向结构生成对抗网络和水平结构生成对抗网络;将所述建筑结构设计像素图中构件节点像素坐标转换为构件节点矢量坐标,并将所述构件节点矢量坐标绘制于所述建筑设计图中,得到建筑-结构设计图;获取建筑构件截面尺寸,根据所述建筑构件截面尺寸和所述构件节点矢量坐标,构建结构计算模型。
进一步地,所述提取建筑设计图中的关键元素,包括:获取所述建筑设计图的关键元素图层所对应的关键元素图像;根据深度判别神经网络,对所述关键元素图像进行识别,得到关键元素图像识别结果;若所述关键元素图像识别结果与所述关键元素图像对应的关键元素图层名称一致,则从所述关键元素图像中提取所述关键元素。
进一步地,所述根据所述节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图,包括:建立矢量-像素坐标转换关系;根据所述矢量-像素坐标转换关系,将所述轴线节点矢量坐标和所述轮廓节点矢量坐标分别转换成轴线节点像素坐标和轮廓节点像素坐标;根据所述轴线节点像素坐标和所述轮廓节点像素坐标,获取相应的建筑构件像素图和建筑空间布局像素图;根据所述建筑构件像素图和所述建筑空间布局像素图,通过所述竖向结构生成对抗网络和所述水平结构生成对抗网络得到所述建筑结构设计像素图。
进一步地,所述建筑结构设计像素图包括竖向结构构件布置像素图和水平结构构件布置像素图;所述根据所述建筑构件像素图和所述建筑空间布局像素图,通过所述竖向结构生成对抗网络和所述水平结构生成对抗网络得到所述建筑结构设计像素图,包括:将所述建筑构件像素图输入至所述竖向结构生成对抗网络,得到所述竖向结构构件布置像素图;根据所述轴线节点像素坐标和所述竖向结构构件布置像素图,获取竖向构件节点像素坐标,将所述竖向构件节点像素坐标映射于所述建筑构件像素图中,得到建筑-竖向构件像素图;将所述建筑空间布局像素图和所述建筑-竖向构件像素图输入至所述水平结构生成对抗网络,得到所述水平结构构件布置像素图。
进一步地,所述建筑构件截面尺寸包括竖向构件截面尺寸和水平构件截面尺寸;所述获取建筑构件截面尺寸,包括:将所述竖向结构构件布置像素图输入至所述竖向结构生成对抗网络,得到竖向构件截面尺寸;根据水平构件类型和水平构件长度,获取水平构件截面尺寸。
进一步地,所述根据所述建筑构件截面尺寸和所述构件节点矢量坐标,构建结构计算模型,包括:建立像素-矢量坐标转换关系;获取所述构件节点像素坐标,根据所述像素-矢量坐标转换关系,将所述构件节点像素坐标转换为所述构件节点矢量坐标;所述构件节点矢量坐标包括竖向构件节点矢量坐标和水平构件节点矢量坐标;根据所述竖向构件截面尺寸和所述竖向构件节点矢量坐标,以及所述水平构件截面尺寸和所述水平构件节点矢量坐标,构建所述结构计算模型。
进一步地,所述基于数据转换的建筑结构生成方法还包括:构建竖向构件训练集和水平构件训练集,所述竖向构件训练集由建筑构件训练像素图构成,所述水平构件训练集由建筑空间布局训练像素图和建筑-竖向构件训练像素图构成;根据所述竖向构件训练集,对所述竖向结构生成对抗网络进行训练;根据所述水平构件训练集,对所述水平结构生成对抗网络进行训练。
第二方面,本发明还提供一种基于数据转换的建筑结构生成装置,包括,节点矢量坐标获取模块,用于提取建筑设计图中的关键元素,解析出所述关键元素的节点矢量坐标;所述节点矢量坐标包括轴线节点矢量坐标和轮廓节点矢量坐标;结构设计像素图获取模块,用于根据所述节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图;所述建筑结构生成对抗网络包括竖向结构生成对抗网络和水平结构生成对抗网络;建筑-结构设计图获取模块,用于将所述建筑结构设计像素图中构件节点像素坐标转换为构件节点矢量坐标,并将所述构件节点矢量坐标绘制于所述建筑设计图中,得到建筑-结构设计图;结构计算模型构建模块,用于获取建筑构件截面尺寸,根据所述建筑构件截面尺寸和所述构件节点矢量坐标,构建结构计算模型。
第三方面,本发明还提供一种电子设备,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上述任一种所述基于数据转换的建筑结构生成方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于数据转换的建筑结构生成方法的步骤。
本发明提供的基于数据转换的建筑结构生成方法,通过提取建筑设计图中的关键元素,并解析出关键元素的节点矢量坐标,根据节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图,将建筑结构设计像素图中构件节点像素坐标矢量化,得到构件节点矢量坐标,根据构件节点矢量坐标和获取的建筑构件截面尺寸,构建结构计算模型。该方法实现了建筑结构智能化设计全过程矢量数据与像素数据的自动转换,有效提升了建筑结构生成的效率和稳定性,并为进一步开展建筑结构力学性能计算做准备。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明提供的基于数据转换的建筑结构生成方法的流程示意图;
图2为本发明提供的建筑设计图中外墙元素的智能化提取示意图;
图3为本发明提供的建筑构件像素图和建筑空间布局像素图的输出示意图;
图4为本发明提供的竖向结构构件布置像素图的生成示意图;
图5为本发明提供的竖向构件节点像素坐标的提取示意图;
图6为本发明提供的水平结构构件布置像素图的生成示意图;
图7为本发明提供的水平构件节点像素坐标的提取示意图;
图8为本发明提供的剪力墙构件绘制于建筑设计图纸的绘制示意图;
图9为本发明提供的剪力墙结构构件和梁结构构件的自动建模示意图;
图10为本发明提供的基于数据转换的建筑结构生成方法的整体流程示意图之一;
图11为本发明提供的基于数据转换的建筑结构生成方法的整体流程示意图之二;
图12为本发明提供的基于数据转换的建筑结构生成装置的结构示意图;
图13为本发明提供的一种电子设备的实体结构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明所提供的基于数据转换的建筑结构生成方法的流程示意图,如图1所示,该建筑结构生成方法包括:
S101,提取建筑设计图中的关键元素,解析出关键元素的节点矢量坐标;节点矢量坐标包括轴线节点矢量坐标和轮廓节点矢量坐标。
在本步骤中,可以理解的是,获取关于建筑设计的CAD图纸,即建筑设计图,通过预设算法,从建筑设计图中提取出关键元素,并解析出关键元素节点矢量坐标。其中,关键元素包括关键构件元素和关键空间元素,关键构件元素包括建筑外墙、建筑内墙、门和窗,关键空间元素包括室内房间、室外通道、楼梯以及电梯空间。
节点矢量坐标包括轴线节点矢量坐标和轮廓节点矢量坐标。其中,轴线节点矢量坐标为关键构件元素的轴线矢量坐标信息,轮廓节点矢量坐标为关键空间元素的轮廓矢量坐标信息。
在一个具体的实施例中,通过对解析得到的节点矢量坐标进行读取和分析,可以得到建筑外墙轴线32组、内墙轴线36组、室内门窗40组、室外防火门7组,以及建筑房间空间25个和交通空间4个。
根据预设算法提取建筑设计图中的关键元素,预设算法可以为关键元素图层名称匹配算法,也可以为基于神经网络的关键元素分类算法,在此不作具体限定。
其中,关键元素图层名称匹配算法,是指预先将建筑设计图中拟提取的关键元素的图层命名规范化,使之与自动提取程序的图层判别关键字符串一致,当需要提取关键元素时,通过自动提取程序的图层判别关键字符串与规范化的关键元素图层名称进行匹配,提取匹配一致的关键元素图层名称所对应的关键元素图像中的关键元素。
而基于神经网络的关键元素分类算法,则是利用神经网络对关键元素图像进行分类,根据分类结果,确定是否提取该关键元素图像中关键元素。
S102,根据节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图;建筑结构生成对抗网络包括竖向结构生成对抗网络和水平结构生成对抗网络。
在上一步骤S101解析得到关键元素的节点矢量坐标的基础上,根据节点矢量坐标和预先训练好的建筑结构生成对抗网络,获取建筑结构设计像素图。其中,建筑结构生成对抗网络包括竖向结构生成对抗网络和水平结构生成对抗网络。
建筑结构生成对抗网络是基于大量现有建筑结构设计数据,对建筑结构设计像素图生成能力进行训练和优化得到的,其掌握了建筑结构设计的隐式规律,能够在预设时间内高效地完成建筑结构设计像素图的生成。建筑结构设计像素图是关于建筑水平结构和竖向结构设计的像素图。
需要注意的是,建筑结构生成对抗网络所处理的数据格式为像素图,该数据格式与常规建筑结构设计所采用的矢量化数据格式差异显著,因此,在使用建筑结构生成对抗网络生成建筑结构设计像素图之前,需要将节点矢量坐标像素化,将其转换为相应的像素图。
S103,将建筑结构设计像素图中构件节点像素坐标转换为构件节点矢量坐标,将构件节点矢量坐标绘制于建筑设计图中,得到建筑-结构设计图;
S104,获取建筑构件截面尺寸,根据建筑构件截面尺寸和构件节点矢量坐标,构建结构计算模型。
可以理解的是,在上一步骤S102获取建筑结构设计像素图的基础上,从建筑结构设计像素图中提取出构件节点像素坐标,同样地,由于构建结构计算模型所处理的数据为矢量化数据,故需要将提取出的构件节点像素坐标转换为构件节点矢量坐标。构件节点像素坐标和构件节点矢量坐标为建筑构件两端的端点坐标。
在得到构件节点矢量坐标后,将构件节点矢量坐标绘制于建筑设计图中,以得到相应的建筑-结构设计图,可供建筑和结构工程师设计参考。
与此同时,获取建筑构件截面尺寸,以根据建筑构件截面尺寸和构件节点矢量坐标,构建结构计算模型,基于该模型可进一步开展建筑结构设计调整与结构力学性能计算。
在本实施例中,通过提取建筑设计图中的关键元素,并解析出关键元素的节点矢量坐标,根据节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图,将建筑结构设计像素图中构件节点像素坐标矢量化,得到构件节点矢量坐标,根据构件节点矢量坐标和获取的建筑构件截面尺寸,构建结构计算模型。该方法实现了建筑结构智能化设计全过程矢量数据与像素数据的自动转换,有效提升了建筑结构生成的效率和稳定性,并为进一步开展建筑结构力学性能计算做准备。
在上述实施例的基础上,进一步地,提取建筑设计图中的关键元素,包括:获取建筑设计图的关键元素图层所对应的关键元素图像;根据深度判别神经网络,对关键元素图像进行识别,得到关键元素图像识别结果;若关键元素图像识别结果与关键元素图像对应的关键元素图层名称一致,则从关键元素图像中提取关键元素。
可以理解的是,提取建筑设计图中的关键元素,具体地,对建筑设计图中各关键元素都建立了关键元素图层,每一关键元素图层中存储着相应的关键元素图像,获取关键元素图层所对应的关键元素图像,将关键元素图像输入至预先训练好的深度判别神经网络,深度判别神经网络对关键元素图像进行识别,得到关键元素图像识别结果。其中,关键元素图像识别结果为关键元素图像的类别,即关键元素图像中为何种关键元素,例如门、窗户和电梯。
将关键元素图像识别结果与关键元素图像对应的关键元素图层名称进行比较,此时可能出现三种情况:关键元素图像识别结果与关键元素图层名称一致;关键元素图像识别结果为目标关键元素,关键元素图层名称为非目标关键元素;关键元素图像识别结果为非目标关键元素,关键元素图层名称为目标关键元素。当且仅当比较结果为第一种情况时,方从关键元素图像中提取关键元素。
当比较结果为后面两种情况时,即关键元素图像识别结果与关键元素图层名称并不一致,则通过人工介入的方式,辅助判定关键元素图像,以及关键元素图像对应的关键元素图层名称的正误,以进行更正,从而提取出预提取的关键元素。
图2示出了本发明所提供的建筑设计图中外墙元素的智能化提取示意图。如图2所示,将根据图层名称提取出的外墙元素图像,输入至预先训练好的基于卷积残差网路模块的深度判别神经网络中,由深度判别神经网络输出对该外墙元素图像的识别结果,该识别结果即为外墙。而外墙元素图像所对应的图层名称也为外墙,即图2中的“0-wall-out”,显然,深度判别神经网络输出的外墙元素图像识别结果,与外墙元素图像所对应的外墙元素图层名称一致,故输出外墙元素图像,并从外墙元素图像中提取出外墙元素。
在提取出外墙元素的基础上,进一步解析关键元素的节点矢量坐标,图2示出了建筑外墙构件的节点矢量坐标信息,其中,端点X和起点X、端点Y和起点Y,以及端点Z和起点Z均为一个外墙构件两端的点。
还需要说明的是,在利用深度判别神经网络对关键元素图像进行识别之前,还包括对深度判别神经网络进行训练和测试。
具体地,采集现有的CAD图纸或BIM数据,创建包含墙体、门、窗、电梯和楼梯的图像的训练数据集和测试数据集,其中,包含墙体、门、窗、电梯和楼梯的图像带有标签,以此可以直观地判断深度判别神经网络的训练效果和测试效果。
构建基于卷积残差网络模块的深度判别神经网络,并根据预先创建的训练数据集和测试数据集,对构建的深度判别神经网络进行训练和测试,将训练和测试后识别精度最优的深度判别神经网络投入使用。
在本实施例中,通过获取建筑设计图中关键元素图层所对应的关键元素图像,并根据深度判别神经网络,对关键元素图像进行识别,以得到关键元素图像识别结果,当关键元素图像识别结果与关键元素图像对应的关键元素图层名称一致时,从关键元素图像中提取关键元素,使得从建筑设计图中提取的关键元素更准确。
在上述实施例的基础上,进一步地,根据节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图,包括:建立矢量-像素坐标转换关系;根据矢量-像素坐标转换关系,将轴线节点矢量坐标和轮廓节点矢量坐标分别转换成轴线节点像素坐标和轮廓节点像素坐标;根据轴线节点像素坐标和轮廓节点像素坐标,获取相应的建筑构件像素图和建筑空间布局像素图;根据建筑构件像素图和建筑空间布局像素图,通过竖向结构生成对抗网络和水平结构生成对抗网络得到建筑结构设计像素图。
可以理解的是,根据节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图。具体地,建立矢量坐标到像素坐标的转换关系,即矢量-像素坐标转换关系,根据矢量-像素坐标转换关系,将轴线节点矢量坐标转换为轴线节点像素坐标,将轮廓节点矢量坐标转换为轮廓节点像素坐标。根据所有的轴线节点像素坐标,可以得到建筑构件像素图,根据所有的轮廓节点像素坐标,可以得到建筑空间布局像素图。
通过竖向结构生成对抗网络和水平结构生成对抗网络,对得到的建筑构件像素图和建筑空间布局像素图进行处理,便可得到建筑结构设计像素图,建筑结构设计像素图是关于建筑水平结构和竖向结构设计的像素图。
建立矢量-像素坐标转换关系,并根据矢量-像素坐标转换关系,将轴线节点矢量坐标转换成轴线节点像素坐标,以及将轮廓节点矢量坐标转换为轮廓节点像素坐标。矢量-像素坐标转换过程如下:
首先,根据关键元素的节点矢量坐标,获取所有节点矢量坐标的中心节点矢量坐标,并将中心节点矢量坐标移轴至原点(0,0)。具体地,提取所有节点矢量坐标中最大横纵坐标值和最小横纵坐标值,根据最大横坐标和最小横坐标,得到中心节点矢量坐标的横坐标,根据最大纵坐标和最小纵坐标,得到中心节点矢量坐标的纵坐标。在一个具体的实施例中,中心节点矢量坐标为(15000,8750)。
在将中心节点矢量坐标移轴至原点后,相应地,中心节点矢量坐标以外的其他节点矢量坐标,也进行相应的移轴,具体地,通过以下计算公式进行移轴:
然后,将移轴后的所有节点矢量坐标按照预设缩放比例进行调整,具体地,将节点矢量坐标按照缩放比例进行缩放,得到节点像素坐标,即轴线节点像素坐标和轮廓节点像素坐标,缩放公式如下:
最后,中心节点矢量坐标经过移轴且缩放后,得到相应的节点像素坐标,将该节点像素坐标移轴至像素图中心,即中心节点像素坐标的位置。其中,中心节点像素坐标根据像素图的尺寸得到。在一个具体的实施例中,像素图的尺寸为1024×512,中心节点像素坐标则为(512,256)。
将中心节点矢量坐标对应的节点像素坐标,移轴至中心节点像素坐标后,相应地,中心节点像素坐标以外的其他节点像素坐标,也进行相应的移轴,具体地,通过以下计算公式进行移轴:
需要说明的是,根据轴线节点像素坐标和轮廓节点像素坐标,获取相应的建筑构件像素图和建筑空间布局像素图,这里的轴线节点像素坐标和轮廓节点像素坐标为移轴后的节点像素坐标,可以通过Python-OpenCV进行输出。
具体地,根据所有的轴线节点像素坐标,得到建筑构件像素图。其中,可以采用矩形绘制函数cv2.rectangle()对轴线节点像素坐标进行处理,以得到建筑构件像素图。建筑构件像素图中构件的像素宽度可以根据实际情况设置,例如,在一个具体的实施例中,建筑构件像素图中构件的像素宽度为6像素。
根据所有的轮廓节点像素坐标,可以得到建筑空间布局像素图。其中,采用多边形填充绘制函数cv2.fillPoly()对轮廓节点像素坐标进行处理,以得到建筑空间布局像素图。
图3示出了本发明所提供的建筑构件像素图和建筑空间布局像素图的输出示意图。图3中左图为建筑构件像素图,右图为建筑空间布局像素图。其中,建筑构件像素图中包括建筑墙体、门窗以及防火门,建筑空间布局像素图中包括空间隔断、室内房间以及室外交通。
还需要说明的是,建筑构件像素图中的不同构件,以及建筑空间布局像素图中的不同空间类型,可采用不同的颜色进行区分。例如,在一个具体的实施例中,建筑构件像素图中的建筑墙体用灰色表示,门窗用亮绿色表示,防火门用深蓝色表示;而在筑空间像素图中,空间隔断用灰色表示,室内房间用紫色表示,室外交通用橙色表示。
在本实施例中,通过根据建立的矢量-像素坐标转换关系,将节点矢量坐标转换为节点像素坐标,并根据节点像素坐标获取相应的建筑构件像素图和建筑空间布局像素图,进一步得到建筑结构设计像素图,实现了建筑结构智能化设计过程矢量数据到像素数据的自动转换。
在上述实施例的基础上,进一步地,建筑结构设计像素图包括竖向结构构件布置像素图和水平结构构件布置像素图;
可以理解的是,建筑结构设计像素图包括竖向结构构件布置像素图和水平结构构件布置像素图。
根据建筑构件像素图和建筑空间布局像素图,通过竖向结构生成对抗网络和水平结构生成对抗网络得到建筑结构设计像素图,包括:将建筑构件像素图输入至竖向结构生成对抗网络,得到竖向结构构件布置像素图;根据轴线节点像素坐标和竖向结构构件布置像素图,获取竖向构件节点像素坐标,将竖向构件节点像素坐标映射于建筑构件像素图中,得到建筑-竖向构件像素图;将建筑空间布局像素图和建筑-竖向构件像素图输入至水平结构生成对抗网络,得到水平结构构件布置像素图。
图4示出了本发明所提供的竖向结构构件布置像素图的生成示意图。如图4所示,将建筑构件像素图输入至竖向结构生成对抗网络中,由竖向结构生成对抗网络输出竖向结构构件布置像素图。在输出的竖向结构构件布置像素图中,可以通过使用不同的颜色对构件加以区分。例如,在一个具体的实施例中,用灰色表示建筑墙体,用红色表示剪力墙,用亮绿色表示门窗,用深蓝色表示防火门。
图5示出了本发明所提供的竖向构件节点像素坐标的提取示意图。如图5所示,根据轴线节点像素坐标和竖向结构构件布置像素图,获取竖向构件节点像素坐标,将获取的竖向构件节点像素坐标映射于建筑构件像素图中,得到建筑-竖向构件像素图。
具体地,根据得到的竖向结构构件布置像素图,可以基于Python-OpenCV的HSV(Hue Saturation Value)颜色范围剥离出竖向结构构件像素,随后可以采用cv2.findContours()函数提取出仅包含竖向结构构件的像素轮廓图,再通过cv2.pointPolygonTest()函数,对轴线节点像素坐标与竖向结构构件的像素轮廓图做交集计算,选取与竖向结构构件的像素轮廓图有交集,且为轴线节点像素坐标中纵坐标最大值和最小的两个节点像素坐标为竖向构件节点像素坐标。其中,HSV颜色范围为常见的圆柱坐标表示的颜色模型,它重新映射了RGB模型,从而能够视觉上比RGB模型更具有视觉直观性。
进一步地,将获取的竖向构件节点像素坐标绘制于建筑构件像素图中,便可得到建筑-竖向构件像素图。
图6示出了本发明所提供的水平结构构件布置像素图的生成示意图。如图6所示,在得到建筑-竖向构件像素图的基础上,将建筑空间布局像素图和建筑-竖向构件像素图同时输入至水平结构生成对抗网络中,由水平结构生成对抗网络输出水平结构构件布置像素图。其中,水平结构生成对抗网络可以由卷积模块和反卷积模块构成。
在输出的水平结构构件布置像素图中,同样可以通过使用不同的颜色对构件加以区分。例如,在一个具体的实施例中,用红色表示剪力墙,用亮绿色表示门窗,用金黄色表示梁构件。
图7示出了本发明所提供的水平构件节点像素坐标的提取示意图。如图7所示,根据轴线节点像素坐标和水平结构构件布置像素图,获取水平构件节点像素坐标。
具体地,根据得到的水平结构构件布置像素图,可以基于Python-OpenCV的HSV颜色范围剥离出水平结构构件像素,随后可以采用cv2.findContours()函数提取出仅包含水平结构构件的像素轮廓图,再通过cv2.pointPolygonTest()函数,通过将轴线节点像素坐标与水平结构构件的像素轮廓图做交集计算,选取与水平结构构件的像素轮廓图有交集,且为轴线节点像素坐标中横坐标最大值和最小的两个节点像素坐标为水平构件节点像素坐标。
需要说明的是,当且仅当轴线节点像素坐标与水平结构构件的像素轮廓图有交集时,上述水平构件节点像素坐标的提取方式才能实现。当轴线节点像素坐标与水平结构构件的像素轮廓图没有交集时,采用morphology.skeletonize()函数进行水平构件节点像素坐标的提取。
在本实施例中,根据建筑构件像素图和建筑空间布局像素图,通过竖向结构生成对抗网络和水平结构生成对抗网络得到建筑结构设计像素图,以智能化设计的方式生成了建筑结构设计像素图,有效提升了建筑结构生成的效率和稳定性。
在上述实施例的基础上,进一步地,根据建筑构件截面尺寸和构件节点矢量坐标构建结构计算模型,包括:建立像素-矢量坐标转换关系;获取构件节点像素坐标,根据像素-矢量坐标转换关系,将构件节点像素坐标转换为构件节点矢量坐标;构件节点矢量坐标包括竖向构件节点矢量坐标和水平构件节点矢量坐标;根据竖向构件截面尺寸和竖向构件节点矢量坐标,以及水平构件截面尺寸和水平构件节点矢量坐标,构建结构计算模型。
可以理解的是,由于构建结构计算模型所处理的数据为矢量化数据,故需要将提取出的构件节点像素坐标转换为构件节点矢量坐标。具体地,建立像素-矢量坐标转换关系,根据像素-矢量坐标转换关系,将构件节点像素坐标转换为构件节点矢量坐标。其中,构件节点矢量坐标包括竖向构件节点矢量坐标和水平构件节点矢量坐标。
还需要说明的是,根据像素-矢量坐标转换关系,将构件节点像素坐标转换为构件节点矢量坐标的这一转换过程,为上文中所提到的矢量-像素坐标转换过程的逆向转换,在此不再赘述。
可以理解的是,建筑构件界面尺寸包括竖向构件截面尺寸和水平构件截面尺寸。获取建筑构件截面尺寸,包括获取竖向构件截面尺寸和水平构件截面尺寸。
其中,获取竖向构件截面尺寸,具体地,将竖向结构构件布置像素图输入到竖向结构生成对抗网络中,由竖向结构生成对抗网络输出竖向构件截面尺寸。
获取水平构件截面尺寸,具体地,根据水平构件节点像素坐标,计算得到水平构件长度;根据结构设计抗震设防烈度和结构高度,以及水平构件是否位于两个共轴线的竖向构件中间,判断水平构件类型;根据水平构件类型和水平构件长度,计算得到水平构件截面尺寸。
图8示出了本发明所提供的剪力墙构件绘制于建筑设计图纸的绘制示意图。如图8所示,基于AutoCAD ActiveX与C#的二次开发,通过读取得到的竖向构件节点矢量坐标,将智能化生成的剪力墙结构构件自动绘制与建筑设计图上,即建筑设计的CAD图纸上,以供建筑和结构工程师设计参考。
图9示出了本发明所提供的剪力墙结构构件和梁结构构件的自动建模示意图。如图9所示,通过读取剪力墙构件节点矢量坐标和梁构件节点矢量坐标,通过构件截面尺寸设计算法,得到剪力墙构件的厚度和梁构件的高度,基于Python与ETABS软件的二次开发软件接口comtypes.client,完成剪力墙结构构件与梁结构构件的自动建模,得到结构计算模型。基于结构计算模型,可进一步开展设计调整与分析计算。
在本实施例中,根据构件节点矢量坐标和构件截面尺寸,可以完成水平结构构件和竖向结构构件的自动建模,得到结构计算模型,实现了建筑结构智能化设计全过程矢量数据与像素数据的自动转换,有效提升了建筑结构生成的效率和稳定性,并为进一步开展建筑结构力学性能计算做准备。
在上述实施例的基础上,进一步地,该建筑结构生成方法还包括:构建竖向构件训练集和水平构件训练集,竖向构件训练集由建筑构件训练像素图构成,水平构件训练集由建筑空间布局训练像素图和建筑-竖向构件训练像素图构成;根据竖向构件训练集,对竖向结构生成对抗网络进行训练;根据水平构件训练集,对水平结构生成对抗网络进行训练。
可以理解的是,在将竖向结构生成对抗网络和水平结构生成对抗网络投入使用之前,须建立相应的训练数据集,对其进行训练,以保证投入使用后能得到最佳结构设计性能。
具体地,分别构建竖向构件训练集和水平构件训练集,其中,竖向构件训练集由建筑构件训练像素图构成,水平构件训练集由建筑空间布局训练像素图和建筑-竖向构件训练像素图构成。根据竖向构件训练集对竖向结构生成对抗网络进行训练,根据水平构件训练集对水平结构生成对抗网络进行训练。
构建竖向构件训练集和水平构件训练集,具体地,采集现有的建筑设计训练图,提取建筑设计训练图中的关键元素,并解析出关键元素的矢量坐标,基于矢量-像素坐标转换关系,将矢量坐标转换为相应的像素坐标,从而得到相应的建筑构件训练像素图和建筑空间布局训练像素图。从采集建筑设计训练图纸,到得到建筑构件训练像素图和建筑空间布局训练像素图的这一过程,与上文从建筑设计图中提取关键元素,到得到建筑构件像素图和建筑空间布局像素图的这一过程一致,故在此不再赘述。
进一步地,建筑-竖向构件训练像素图的获取,从关键元素的矢量坐标中提取竖向结构构件的矢量坐标,并将其转换为相应的像素坐标,即竖向构件像素坐标,将竖向构件节点像素坐标绘制于建筑构件训练像素图中,即可得到建筑-竖向构件训练像素图。
基于构建的竖向构件训练集,对竖向结构生成对抗网络进行训练,具体地,将建筑构件训练像素图输入至竖向结构生成对抗网络中,得到输出的竖向结构构件布置像素图。
基于构建的水平构件训练集,对水平结构生成对抗网络进行训练,具体地,将建筑空间布局训练像素图和建筑-竖向构件训练像素图同时输入至水平结构生成对抗网络,得到水平结构构件布置像素图。
以上为竖向结构生成对抗网络和水平结构生成对抗网络的一次训练,此后,循环往复,不断迭代,利用获取的像素图集,开展对竖向结构生成对抗网络和水平结构生成对抗网络的预训练。
需要注意的是,当竖向结构生成对抗网络和水平结构生成对抗网络训练完成后,还需对二者进行设计结果的力学性能评价,只有设计结果的力学性能评价合格后,方可将竖向结构生成对抗网络和水平结构生成对抗网络投入使用。
在本实施例中,通过构建竖向构件训练集和水平构件训练集,并利用竖向构件训练集训练竖向结构生成对抗网络,利用水平构件训练集训练水平结构生成对抗网络,以得到训练好的竖向结构生成对抗网络和水平结构生成对抗网络,保证了后续将建筑结构生成对抗网络投入使用,所得到的建筑结构智能化设计结果的可靠性。
图10和11还示出了本发明所提供的基于数据转换的建筑结构生成方法的整体流程示意图,进一步展开解释了图1中建筑结构智能化设计过程的数据转换。
如图10和图11所示,基于原始的建筑设计图,即建筑设计的CAD图,通过深度判别神经网络识别,提取建筑设计图中的关键元素,解析关键元素的节点矢量坐标,包括与关键构件元素相对应的轴线节点矢量坐标,以及与关键空间元素相对应的轮廓节点矢量坐标,即图10中的建筑构件矢量数据和建筑空间布局矢量数据。然后基于矢量-像素坐标转换关系,将建筑构件矢量数据和建筑空间布局矢量数据分别转换为建筑构件像素图和建筑空间布局像素图,以完成从矢量数据到像素数据的转换,便于后续利用建筑结构生成对抗网络进行像素数据的处理。
进一步地,首先根据建筑构件像素图,通过竖向结构生成对抗网络,生成竖向结构构件布置像素图,基于轴线像素坐标和竖向结构构件布置像素图的交集计算,得到竖向构件节点像素坐标,将竖向构件节点像素坐标绘制于建筑构件像素图中,即可得到建筑-竖向构件像素图。
将建筑-竖向构件像素图和建筑空间布局像素图同时输入至水平结构生成对抗网络中,即可生成水平结构构件布置像素图,类似地,基于像素-矢量坐标转换关系,根据水平结构构件布置像素图,得到竖向-水平结构构件的矢量数据,以完成从像素数据到矢量数据的转换。此后,一方面,可以将竖向-水平结构构件的矢量数据绘制到建筑设计图中,可供建筑和结构工程师设计参考;另一方面,根据矢量数据和结构构件的截面尺寸,完成结构计算模型的自动建模。
综上,建筑结构智能化设计全过程包括:将建筑设计矢量图纸数据,转换为建筑结构生成对抗网络可处理的像素图,将建筑设计像素图输入建筑结构生成对抗网络,生成建筑结构设计像素图,再将建筑结构设计像素图转换为矢量数据,进而完成矢量图绘制和结构计算模型构建。全过程经历复杂的矢量-像素-矢量-计算模型的转换,大大提升了智能化结构设计的效率与性能。
图12示出了本发明所提供的基于数据转换的建筑结构生成装置的结构示意图。如图所示,该建筑结构生成装置包括:节点矢量坐标获取模块120,用于提取建筑设计图中的关键元素,解析出关键元素的节点矢量坐标;节点矢量坐标包括轴线节点矢量坐标和轮廓节点矢量坐标;结构设计像素图获取模块121,用于根据节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图;建筑结构生成对抗网络包括竖向结构生成对抗网络和水平结构生成对抗网络;建筑-结构设计图获取模块122,用于将所述建筑结构设计像素图中构件节点像素坐标转换为构件节点矢量坐标,并将所述构件节点矢量坐标绘制于所述建筑设计图中,得到建筑-结构设计图;结构计算模型构建模块123,用于获取建筑构件截面尺寸,根据建筑构件截面尺寸和构件节点矢量坐标构建结构计算模型。
本发明所提供的基于数据转换的建筑结构生成装置,与上文描述的基于数据转换的建筑结构生成方法可相互对应参照,在此不再赘述。
在本实施例中,通过节点矢量坐标获取模块120提取建筑设计图中的关键元素,并解析出关键元素的节点矢量坐标,结构设计像素图获取模块121根据节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图,建筑-结构设计图获取模块122将建筑结构设计像素图中构件节点像素坐标矢量化,得到构件节点矢量坐标,并将构件节点矢量坐标绘制于建筑设计图中,结构计算模型构建模块123根据构件节点矢量坐标和获取的建筑构件截面尺寸,构建结构计算模型。该装置实现了建筑结构智能化设计全过程矢量数据与像素数据的自动转换,有效提升了建筑结构生成的效率和稳定性,并为进一步开展建筑结构力学性能计算做准备。
图13示出了一种电子设备的实体结构示意图,如图12所示,该电子设备可以包括:处理器(processor))130、通信接口(communications Interface)131、存储器(memory)132和通信总线133,其中,处理器130,通信接口131,存储器132通过通信总线133完成相互间的通信。处理器130可以调用存储器132中的逻辑指令,以执行基于数据转换的建筑结构生成方法,该方法包括:提取建筑设计图中的关键元素,解析出所述关键元素的节点矢量坐标;所述节点矢量坐标包括轴线节点矢量坐标和轮廓节点矢量坐标;根据所述节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图;所述建筑结构生成对抗网络包括竖向结构生成对抗网络和水平结构生成对抗网络;将所述建筑结构设计像素图中构件节点像素坐标转换为构件节点矢量坐标,并将所述构件节点矢量坐标绘制于所述建筑设计图中,得到建筑-结构设计图;获取建筑构件截面尺寸,根据所述建筑构件截面尺寸和所述构件节点矢量坐标,构建结构计算模型。
此外,上述的存储器132中的逻辑指令可以通过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取存储介质中。基于这样的理解,本发明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)执行本发明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。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于数据转换的建筑结构生成方法,该方法包括:提取建筑设计图中的关键元素,解析出所述关键元素的节点矢量坐标;所述节点矢量坐标包括轴线节点矢量坐标和轮廓节点矢量坐标;根据所述节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图;所述建筑结构生成对抗网络包括竖向结构生成对抗网络和水平结构生成对抗网络;将所述建筑结构设计像素图中构件节点像素坐标转换为构件节点矢量坐标,并将所述构件节点矢量坐标绘制于所述建筑设计图中,得到建筑-结构设计图;获取建筑构件截面尺寸,根据所述建筑构件截面尺寸和所述构件节点矢量坐标,构建结构计算模型。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
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,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于数据转换的建筑结构生成方法,其特征在于,包括:
提取建筑设计图中的关键元素,解析出所述关键元素的节点矢量坐标;所述节点矢量坐标包括轴线节点矢量坐标和轮廓节点矢量坐标;
根据所述节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图;所述建筑结构生成对抗网络包括竖向结构生成对抗网络和水平结构生成对抗网络;
将所述建筑结构设计像素图中构件节点像素坐标转换为构件节点矢量坐标,并将所述构件节点矢量坐标绘制于所述建筑设计图中,得到建筑-结构设计图;
获取建筑构件截面尺寸,根据所述建筑构件截面尺寸和所述构件节点矢量坐标,构建结构计算模型;
所述根据所述节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图,包括:
建立矢量-像素坐标转换关系;
根据所述矢量-像素坐标转换关系,将所述轴线节点矢量坐标和所述轮廓节点矢量坐标分别转换成轴线节点像素坐标和轮廓节点像素坐标;
根据所述轴线节点像素坐标和所述轮廓节点像素坐标,获取相应的建筑构件像素图和建筑空间布局像素图;
根据所述建筑构件像素图和所述建筑空间布局像素图,通过所述竖向结构生成对抗网络和所述水平结构生成对抗网络得到所述建筑结构设计像素图;
所述建筑结构设计像素图包括竖向结构构件布置像素图和水平结构构件布置像素图;
所述根据所述建筑构件像素图和所述建筑空间布局像素图,通过所述竖向结构生成对抗网络和所述水平结构生成对抗网络得到所述建筑结构设计像素图,包括:
将所述建筑构件像素图输入至所述竖向结构生成对抗网络,得到所述竖向结构构件布置像素图;
根据所述轴线节点像素坐标和所述竖向结构构件布置像素图,获取竖向构件节点像素坐标,将所述竖向构件节点像素坐标映射于所述建筑构件像素图中,得到建筑-竖向构件像素图;
将所述建筑空间布局像素图和所述建筑-竖向构件像素图输入至所述水平结构生成对抗网络,得到所述水平结构构件布置像素图;
所述建筑构件截面尺寸包括竖向构件截面尺寸和水平构件截面尺寸;
所述获取建筑构件截面尺寸,包括:
将所述竖向结构构件布置像素图输入至所述竖向结构生成对抗网络,得到竖向构件截面尺寸;
根据水平构件类型和水平构件长度,获取水平构件截面尺寸;
所述根据所述建筑构件截面尺寸和所述构件节点矢量坐标,构建结构计算模型,包括:
建立像素-矢量坐标转换关系;
获取所述构件节点像素坐标,根据所述像素-矢量坐标转换关系,将所述构件节点像素坐标转换为所述构件节点矢量坐标;所述构件节点矢量坐标包括竖向构件节点矢量坐标和水平构件节点矢量坐标;
根据所述竖向构件截面尺寸和所述竖向构件节点矢量坐标,以及所述水平构件截面尺寸和所述水平构件节点矢量坐标,构建所述结构计算模型。
2.根据权利要求1所述的基于数据转换的建筑结构生成方法,其特征在于,所述提取建筑设计图中的关键元素,包括:
获取所述建筑设计图的关键元素图层所对应的关键元素图像;
根据深度判别神经网络,对所述关键元素图像进行识别,得到关键元素图像识别结果;
若所述关键元素图像识别结果与所述关键元素图像对应的关键元素图层名称一致,则从所述关键元素图像中提取所述关键元素。
3.根据权利要求1或2所述的基于数据转换的建筑结构生成方法,其特征在于,还包括:
构建竖向构件训练集和水平构件训练集,所述竖向构件训练集由建筑构件训练像素图构成,所述水平构件训练集由建筑空间布局训练像素图和建筑-竖向构件训练像素图构成;
根据所述竖向构件训练集,对所述竖向结构生成对抗网络进行训练;
根据所述水平构件训练集,对所述水平结构生成对抗网络进行训练。
4.一种基于数据转换的建筑结构生成装置,其特征在于,包括:
节点矢量坐标获取模块,用于提取建筑设计图中的关键元素,解析出所述关键元素的节点矢量坐标;所述节点矢量坐标包括轴线节点矢量坐标和轮廓节点矢量坐标;
结构设计像素图获取模块,用于根据所述节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图;所述建筑结构生成对抗网络包括竖向结构生成对抗网络和水平结构生成对抗网络;
建筑-结构设计图获取模块,用于将所述建筑结构设计像素图中构件节点像素坐标转换为构件节点矢量坐标,并将所述构件节点矢量坐标绘制于所述建筑设计图中,得到建筑-结构设计图;
结构计算模型构建模块,用于获取建筑构件截面尺寸,根据所述建筑构件截面尺寸和所述构件节点矢量坐标,构建结构计算模型;
所述根据所述节点矢量坐标和建筑结构生成对抗网络,获取建筑结构设计像素图,包括:
建立矢量-像素坐标转换关系;
根据所述矢量-像素坐标转换关系,将所述轴线节点矢量坐标和所述轮廓节点矢量坐标分别转换成轴线节点像素坐标和轮廓节点像素坐标;
根据所述轴线节点像素坐标和所述轮廓节点像素坐标,获取相应的建筑构件像素图和建筑空间布局像素图;
根据所述建筑构件像素图和所述建筑空间布局像素图,通过所述竖向结构生成对抗网络和所述水平结构生成对抗网络得到所述建筑结构设计像素图;
所述建筑结构设计像素图包括竖向结构构件布置像素图和水平结构构件布置像素图;
所述根据所述建筑构件像素图和所述建筑空间布局像素图,通过所述竖向结构生成对抗网络和所述水平结构生成对抗网络得到所述建筑结构设计像素图,包括:
将所述建筑构件像素图输入至所述竖向结构生成对抗网络,得到所述竖向结构构件布置像素图;
根据所述轴线节点像素坐标和所述竖向结构构件布置像素图,获取竖向构件节点像素坐标,将所述竖向构件节点像素坐标映射于所述建筑构件像素图中,得到建筑-竖向构件像素图;
将所述建筑空间布局像素图和所述建筑-竖向构件像素图输入至所述水平结构生成对抗网络,得到所述水平结构构件布置像素图;
所述建筑构件截面尺寸包括竖向构件截面尺寸和水平构件截面尺寸;
所述获取建筑构件截面尺寸,包括:
将所述竖向结构构件布置像素图输入至所述竖向结构生成对抗网络,得到竖向构件截面尺寸;
根据水平构件类型和水平构件长度,获取水平构件截面尺寸;
所述根据所述建筑构件截面尺寸和所述构件节点矢量坐标,构建结构计算模型,包括:
建立像素-矢量坐标转换关系;
获取所述构件节点像素坐标,根据所述像素-矢量坐标转换关系,将所述构件节点像素坐标转换为所述构件节点矢量坐标;所述构件节点矢量坐标包括竖向构件节点矢量坐标和水平构件节点矢量坐标;
根据所述竖向构件截面尺寸和所述竖向构件节点矢量坐标,以及所述水平构件截面尺寸和所述水平构件节点矢量坐标,构建所述结构计算模型。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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至3任一项所述基于数据转换的建筑结构生成方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,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3任一项所述基于数据转换的建筑结构生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210442784.8A CN114925416B (zh) | 2022-04-25 | 2022-04-25 | 一种基于数据转换的建筑结构生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210442784.8A CN114925416B (zh) | 2022-04-25 | 2022-04-25 | 一种基于数据转换的建筑结构生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114925416A CN114925416A (zh) | 2022-08-19 |
CN114925416B true CN114925416B (zh) | 2022-12-23 |
Family
ID=82805855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210442784.8A Active CN114925416B (zh) | 2022-04-25 | 2022-04-25 | 一种基于数据转换的建筑结构生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925416B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115914819B (zh) * | 2022-11-01 | 2024-03-12 | 北京拙河科技有限公司 | 一种基于正交分解算法的画面捕捉方法及装置 |
CN116150839B (zh) * | 2022-12-16 | 2023-08-29 | 清华大学 | 基于领域知识增强的钢结构厂房构件布置设计方法及系统 |
CN116150849B (zh) * | 2023-02-20 | 2023-11-28 | 中国建筑西南设计研究院有限公司 | 结构构件特征图生成方法、装置、电子设备及存储介质 |
CN116127580B (zh) * | 2023-02-20 | 2024-03-22 | 中国建筑西南设计研究院有限公司 | 建筑平面灰度图生成方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017161643A1 (zh) * | 2016-03-22 | 2017-09-28 | 东南大学 | 一种基于风环境效应场模型的街区三维形态格局优化方法 |
CN107330979A (zh) * | 2017-06-30 | 2017-11-07 | 电子科技大学中山学院 | 建筑户型的矢量图生成方法、装置及终端 |
CN109635511A (zh) * | 2019-01-16 | 2019-04-16 | 哈尔滨工业大学 | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 |
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 |
CN112115534A (zh) * | 2020-09-09 | 2020-12-22 | 北京德智臻观科技有限公司 | 一种将三维房屋模型转换带高度属性的二维矢量面的方法 |
CN113268842A (zh) * | 2021-06-18 | 2021-08-17 | 西安交通大学 | 一种像素式拓扑优化结果的高保真矢量图转换方法 |
CN113888712A (zh) * | 2021-09-10 | 2022-01-04 | 上海建工集团股份有限公司 | 一种建筑结构施工偏差分析方法 |
CN113987637A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128457A (zh) * | 2021-04-30 | 2021-07-16 | 杭州品茗安控信息技术股份有限公司 | 一种建筑模型的识别方法、系统及相关装置 |
-
2022
- 2022-04-25 CN CN202210442784.8A patent/CN114925416B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017161643A1 (zh) * | 2016-03-22 | 2017-09-28 | 东南大学 | 一种基于风环境效应场模型的街区三维形态格局优化方法 |
CN107330979A (zh) * | 2017-06-30 | 2017-11-07 | 电子科技大学中山学院 | 建筑户型的矢量图生成方法、装置及终端 |
CN109635511A (zh) * | 2019-01-16 | 2019-04-16 | 哈尔滨工业大学 | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 |
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 |
CN112115534A (zh) * | 2020-09-09 | 2020-12-22 | 北京德智臻观科技有限公司 | 一种将三维房屋模型转换带高度属性的二维矢量面的方法 |
CN113268842A (zh) * | 2021-06-18 | 2021-08-17 | 西安交通大学 | 一种像素式拓扑优化结果的高保真矢量图转换方法 |
CN113888712A (zh) * | 2021-09-10 | 2022-01-04 | 上海建工集团股份有限公司 | 一种建筑结构施工偏差分析方法 |
CN113987637A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
Non-Patent Citations (2)
Title |
---|
Automated Building Footprint and 3D Building Model Generation from Lidar Point Cloud Data;Fayez Tarsha Kurdi 等;《IEEE》;20191231;全文 * |
高层住宅场景可视化三维真实性建模仿真;段晓芳;《万方数据库》;20171027;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114925416A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114925416B (zh) | 一种基于数据转换的建筑结构生成方法及装置 | |
CN112966760B (zh) | 融合文本和图像数据的神经网络及其建筑结构的设计方法 | |
CN113987637B (zh) | 基于生成对抗网络的楼盖结构设计方法和装置 | |
CN107766933B (zh) | 一种解释卷积神经网络的可视化方法 | |
CN113139453B (zh) | 一种基于深度学习的正射影像高层建筑基底矢量提取方法 | |
CN114491740B (zh) | 物理与多模态数据驱动的建筑结构生成方法及设备 | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN114417464B (zh) | 多模态数据驱动的建筑结构构件的生成方法及装置 | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估系统及方法 | |
CN113569724B (zh) | 基于注意力机制和扩张卷积的道路提取方法及系统 | |
CN112149962A (zh) | 一种施工事故致因行为的风险定量评估方法及系统 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN112883801A (zh) | Cad配电系统图中住户配电箱系统图子图的精准识别方法 | |
CN114331122A (zh) | 重点人员风险等级评估方法及相关设备 | |
KR102535054B1 (ko) | 패치기반의 딥러닝 알고리즘을 통한 실내도면 이미지에서의 실내공간정보 자동추출방법 및 그 장치 | |
Li et al. | Color vision deficiency datasets & recoloring evaluation using GANs | |
CN114005107A (zh) | 文档处理方法及装置、存储介质、电子设备 | |
CN114399784A (zh) | 一种基于cad图纸的自动识别方法及装置 | |
CN112784869B (zh) | 一种基于注意力感知与对抗学习的细粒度图像识别方法 | |
CN116186824B (zh) | 基于图像嵌入图神经网络模型的建筑结构布置方法 | |
CN115565082A (zh) | 一种卫星遥感图像云噪声去除方法、系统和装置 | |
CN114880740A (zh) | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 | |
Ziaee et al. | SFS-A68: a dataset for the segmentation of space functions in apartment buildings | |
CN116150837B (zh) | 基于边特征预测图神经网络的剪力墙设计方法和装置 | |
CN113298168B (zh) | 野外地质露头图像构造识别方法及系统 |
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 |