CN115410218A - 一种基于人工智能图像识别的户型图识别与建模方法 - Google Patents

Abstract

一种基于人工智能图像识别的户型图识别与建模方法，方法包括如下步骤：S1、采集多个户型图样本图像，并且根据户型图样本图像生成训练集；S2、初始化识别算法，并且利用训练集对识别算法进行训练得到识别模型；S3、将待识别的原始户型图输入到识别模型中，并且利用识别模型从原始户型图中提取出墙体单元和构件单元；S4、基于墙体单元和构件单元在原始户型图中的位置数据以及原始户型图的比例尺计算墙体单元和构件单元的尺寸数据；S5、根据墙体单元和构件单元的位置数据和尺寸数据生成模型基础文件；S6、基于模型基础文件生成户型模型。本发明能够自动对户型图进行识别并且自动进行户型建模，效率大幅提升，节省了大量的时间。

Description

一种基于人工智能图像识别的户型图识别与建模方法

技术领域

本发明涉及建筑设计技术领域，具体的说是一种基于人工智能图像识别的户型图识别与建模方法。

背景技术

户型图就是住房的平面空间布局图，即对各个独立空间的使用功能、相应位置、大小进行描述的图型，户型图可以直观的看清房屋的走向布局。在建筑设计过程中，可拆除的腔体位置、水电管线的位置以及各建筑构件的位置都需要清楚掌握，因此对户型进行建模非常重要，而户型图就是户型建模的重要基础。

现有技术中，根据户型图进行户型建模只能是设计人员通过手动翻模进行。首先设计人员需将户型图作为底图放入到CAD或者Revit等建模软件中，然后根据图像的轮廓进行描边绘制，从而从户型图中提取出墙体和构件，然后再开始建模。这种手动翻模的方式存在很多不足，主要表现在以下两个方面：

1、需要根据户型图像的形状、位置和尺寸等等信息进行综合参考后再进行建模，这样就会浪费大量的时间，效率非常低下；

2、设计人员需要非常仔细地对精准轮廓外观需要进行尺寸测量，再根据测量的值确定尺寸，这样对设计人员的要求非常高，一旦测量不准确则生成模型就不准确，进而导致模型误差，影响之后的设计。

发明内容

为了解决现有技术中的不足，本发明提供一种基于人工智能图像识别的户型图识别与建模方法，能够自动对户型图进行识别，从户型图中识别出墙体和构件，并且能够根据识别出的墙体和构件自动进行户型建模，效率大幅提升，节省了大量的时间。

为了实现上述目的，本发明采用的具体方案为：一种基于人工智能图像识别的户型图识别与建模方法，所述方法包括如下步骤：

S1、采集多个户型图样本图像，并且根据户型图样本图像生成训练集；

S2、初始化识别算法，并且利用训练集对识别算法进行训练得到识别模型；

S3、将待识别的原始户型图输入到识别模型中，并且利用识别模型从原始户型图中提取出墙体单元和构件单元；

S4、基于墙体单元和构件单元在原始户型图中的位置数据以及原始户型图的比例尺计算墙体单元和构件单元的尺寸数据；

S5、根据墙体单元和构件单元的位置数据和尺寸数据生成模型基础文件；

S6、基于模型基础文件生成户型模型。

作为上述基于人工智能图像识别的户型图识别与建模方法的进一步优化：S1的具体方法包括：

S11、从户型样本图像中提取出墙体部分生成墙体样本图像；

S12、将墙体样本图像从户型样本图像中剔除，将户型样本图像的剩余部分存储为构件样本图像；

S13、将墙体样本图像和构件样本图像整合为训练集。

作为上述基于人工智能图像识别的户型图识别与建模方法的进一步优化：S11的具体方法包括：

S111、遍历户型图样本图像中的所有像素，并且提取其中像素值在预设范围内的所有像素；S112、将提取出的所有像素的像素值设置为第一预设标准值，将其余所有像素的像素值设置为第二预设标准值；

S113、将处理后的户型图样本图像存储为墙体样本图像。

作为上述基于人工智能图像识别的户型图识别与建模方法的进一步优化：S3中，墙体单元和构件单元均对应有识别准确度。

作为上述基于人工智能图像识别的户型图识别与建模方法的进一步优化：S3中，提取出墙体单元和构件单元后，基于识别准确度对墙体单元和构件单元进行数据过滤，并且根据数据过滤结果对识别模型进行优化。

作为上述基于人工智能图像识别的户型图识别与建模方法的进一步优化：S3中，数据过滤的具体方法为：

当识别准确度位于预设的第一过滤区间时，保留提取出的墙体单元和构件单元；

当识别准确度位于预设的第二过滤区间时，对提取出的墙体单元和构件单元进行校准；

当识别准确度位于预设的第三过滤区间时，将提取出的墙体单元和构件单元删除。

有益效果：本发明能够自动对户型图进行识别，从户型图中识别出墙体和构件，并且能够根据识别出的墙体和构件自动进行户型建模，与现有的人工识别和建模的方式相比，效率大幅提升，节省了大量的时间；本发明能够不断地对识别模型进行优化，从而提升识别结果的精确度；本发明在训练识别算法之前，首先对户型图样本图像进行处理，拆分出墙体样本图像和构件样本图像，能够有效提升墙体部分的识别结果的精确度，进而提升户型模型的精确度；当需要对户型模型进行修改时，只需要再次对户型图进行识别即可，无需人工反复比对，进一步提升了效率。

附图说明

图1是本发明的流程图；

图2是具体实施方式中户型图样本图像的示例图；

图3是具体实施方式中墙体样本图像的示例图；

图4是具体实施方式中对墙体样本图像的标注方式示例图；

图5是具体实施方式中对构件样本图像的标注方式示例图；

图6是具体实施方式中墙体单元和构件单元的识别结果示例图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

请参阅图1，一种基于人工智能图像识别的户型图识别与建模方法，方法包括S1至S6。

S1、采集多个户型图样本图像，并且根据户型图样本图像生成训练集。户型图样本图像可以直接采集现有的各类户型图，虽然不同户型图中所包含的构件以及标注方式可能存在区别，但是总体上户型图中包含的内容可以分为两部分，分别是墙体部分和构件部分，构件部分可以包括门和窗等建筑构件。户型图样本图像可以如图2所示，需要说明的是，图2中的阳台、卧室、厨房和卫生间等文字标记均是现有技术中户型图的常用标记方式，为便于理解本发明并未删除这部分文字标记，但是这部分文字标记不能用于解释本发明的保护范围，本发明在实施时也不受这部分文字标记的影响。

虽然可以直接利用户型图样本图像来生成训练集，但是考虑到在一个户型图中，墙体部分直接决定了房屋户型，因此墙体部分的重要性更强一些，而直接对户型图样本图像进行识别的话，因为户型图样本图像中存在的构件部分和其它无关元素会对墙体部分的识别造成干扰，进而导致最终对房屋户型的识别精度下降，为了避免这一问题，本发明先对户型图样本图像进行预处理，然后再生成样本集，具体地说，S1的具体方法包括S11至S13。

S11、从户型样本图像中提取出墙体部分生成墙体样本图像。因为墙体部分的重要性较强，因此本发明首先将墙体部分单独提取出来，具体的提取方法如下。

S11的具体方法包括S111至S113。

S111、遍历户型图样本图像中的所有像素，并且提取其中像素值在预设范围内的所有像素。目前，绝大多数户型图中墙体部分均采用黑色或者灰色，在本实施例中，基于像素的RGB值确定预设范围，预设范围包括两个区间，分别是(0,0,0)至(6,6,6)的区间以及(143,143,143)至(170,170,170)的区间，这两个区间覆盖了多数灰色和黑色像素的RGB值，可以提升墙体部分提取的成功率。

S112、将提取出的所有像素的像素值设置为第一预设标准值，将其余所有像素的像素值设置为第二预设标准值。在从户型样本图像中提取出墙体部分后，为了降低墙体部分像素的复杂度，以便于后续处理，本发明对户型图样本图像进行二值化处理，以凸显墙体部分，第一预设标准值和第二预设标准值的差异越大，则墙体部分更加明显，更加便于后续处理，因此在本实施例中，第一预设标准值设置为(0,0,0)，第二预设标准值设置为(255,255,255)，即将户型图样本图像中的墙体部分的像素统一设置为黑色，将其余部分的像素统一设置为白色。

S113、将处理后的户型图样本图像存储为墙体样本图像。墙体样本图像如图3所示，可以看出在墙体样本图像中，仅保留了用黑色像素表示的墙体部分。

S12、将墙体样本图像从户型样本图像中剔除，将户型样本图像的剩余部分存储为构件样本图像。因为墙体部分在S11中已经确定好，因此在S12中，可以将墙体部分的像素统一设置为白色，即RGB值为(0,0,0)，从而将墙体部分从户型图样本图像中剔除，余下部分可以直接存储为构件样本图像。

S13、将墙体样本图像和构件样本图像整合为训练集。通过对户型图样本图像进行预处理，可以将户型图样本图像拆分成墙体样本图像和构件样本图像，在墙体样本图像中不包含构件和无关元素，在构件样本图像中不包含墙体，在后续识别过程中，可以有效提升墙体的识别精度。

S2、初始化识别算法，并且利用训练集对识别算法进行训练得到识别模型。在本实施例中采用Mask R-CNN算法，Mask R-CNN算法是一个基于卷积神经网络的图像识别算法。相较于传统的卷积神经网络，Mask R-CNN算法识别精准度高同时识别训练和识别速度更快，同时Mask R-CNN算法有一个巨大的优势，可以将利用Mask分支针对构件的轮廓进行学习和识别。Mask R-CNN算法属于现有技术，其具体的执行过程和训练过程在此不再赘述。此外，为了加快训练过程，缩短Mask R-CNN算法的收敛时间，在开始训练之前可以对训练集中的墙体样本图像和构件样本图像进行标注，标注方法可以采用对墙体或者构件增加轮廓线的方式，通过对墙体样本图像和样本构件图像进行标注，Mask R-CNN算法可以更快地进行识别，从而实现加快训练速度的效果，具体的标注方式可以如图4和5所示，在图4和5中灰色的点线框为增加的标注。在硬件方面，本实施例中利用NIVDIA RTX系列GPU作为算法的计算引擎，从而进一步降低Mask R-CNN算法的运算时长。

S3、将待识别的原始户型图输入到识别模型中，并且利用识别模型从原始户型图中提取出墙体单元和构件单元。需要说明的是，因为户型图中的构件是多种类型的，可能是门、窗、桌或者床等，因此提取出的构件单元也是多种多样的，一个构件单元对应一种构件类型。

因为识别模型识别出的墙体单元和构件单元并不一定是完全准确的，存在识别错误的情况，因此还需要对墙体单元和构件单元进行评估，为此，S3中，墙体单元和构件单元均对应有识别准确度。识别准确度可以基于墙体单元的轮廓线与标准墙体轮廓线以及构件单元轮廓线与标准构件轮廓线的相似度来确定，标准墙体轮廓线和标准构件轮廓线都可以参考现有技术中户型图绘制时的参考标准来确定，也可以基于训练集确定。识别准确度可以直接利用Mask R-CNN算法计算得到，也可以利用额外的相似度算法计算得到。在本实施例中，识别准确度利用百分数来表征，取值范围为[0,100％]。识别结果可以如图6所示，识别出的墙体单元和构件单元均对应一个由百分数表征的识别准确度。

虽然在训练过程中已经对Mask R-CNN算法进行了大量训练，提升了Mask R-CNN算法的识别精度，但是在实际应用中，仍然需要不断对Mask R-CNN算法进行优化，进而提升识别模型的识别准确度，为此，在引入识别准确度的基础上，S3中，提取出墙体单元和构件单元后，基于识别准确度对墙体单元和构件单元进行数据过滤，并且根据数据过滤结果对识别模型进行优化。

S3中，数据过滤的具体方法如下。

当识别准确度位于预设的第一过滤区间时，保留提取出的墙体单元和构件单元。第一过滤区间的范围为[95％,100％]。当识别准确度位于第一过滤区间时，说明可信度很高，可以不需要调整直接取用。

当识别准确度位于预设的第二过滤区间时，对提取出的墙体单元和构件单元进行校准。第二过滤区间的范围为[75％,95％]。当识别准确度位于第二过滤区间时，说明可信度较高，但是无法直接取用，因此需要进行校准。第二过滤区间可以分为两段，分别是第一段[85％,95％]和第二段[75％,85％]，当识别准确度位于第一段时，可以人工进行修正，当识别准确度位于第二段时，人工重新识别并且修改识别结果，即修改墙体单元和构件单元的识别结果。

当识别准确度位于预设的第三过滤区间时，将提取出的墙体单元和构件单元删除。第三过滤区间的范围为[0,75％]。当识别准确度位于第三过滤区间时，说明可信度很低，可能是原始户型图中的无关元素，因此直接删除。

对于不需要调整的墙体单元和构件单元，以及经过数据过滤后的墙体单元和构件单元，均重新输入到识别模型中，对识别模型进行迭代训练，从而不断地对识别模型进行优化。

S4、基于墙体单元和构件单元在原始户型图中的位置数据以及原始户型图的比例尺计算墙体单元和构件单元的尺寸数据。具体地说，对于墙体单元或者形状为矩形的构件单元，可以通过其矩形的Mask轮廓的长和宽确定其像素尺寸，然后根据原始户型图的图像尺寸和比例尺计算出墙体或者构件的实际尺寸；对于扇形的构件，利用门等，可以根据其扇形的Mask轮廓的圆心和直径确定其像素尺寸，然后根据原始户型图的图像尺寸和比例尺计算出墙体或者构件的实际尺寸，并且可以通过其圆弧边缘的位置确定其方向；对于圆形的构件，例如罗马柱或者圆凳等，可以根据其圆形的Mask轮廓的圆心和直径确定其像素尺寸，然后根据原始户型图的图像尺寸和比例尺计算出墙体或者构件的实际尺寸。需要说明的是，前述的像素尺寸是指墙体单元或者构件单元各边缘的像素数量，因为像素数量需要根据各像素在原始户型图中的位置计算，因此S4中实际上是基于墙体单元和构件单元在原始户型图中的位置数据以及原始户型图的比例尺计算出实际尺寸的。

S5、根据墙体单元和构件单元的位置数据和尺寸数据生成模型基础文件。模型基础文件的形式需要根据实际所使用的建模软件的需求确定。

S6、基于模型基础文件生成户型模型。在本实施例中，利用Revit软件生成户型模型，相应的，S5中生成的模型基础文件需要能够直接被Revit软件调用。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于人工智能图像识别的户型图识别与建模方法，其特征在于，所述方法包括如下步骤：

S1、采集多个户型图样本图像，并且根据户型图样本图像生成训练集；

S2、初始化识别算法，并且利用训练集对识别算法进行训练得到识别模型；

S3、将待识别的原始户型图输入到识别模型中，并且利用识别模型从原始户型图中提取出墙体单元和构件单元；

S4、基于墙体单元和构件单元在原始户型图中的位置数据以及原始户型图的比例尺计算墙体单元和构件单元的尺寸数据；

S5、根据墙体单元和构件单元的位置数据和尺寸数据生成模型基础文件；

S6、基于模型基础文件生成户型模型。

2.如权利要求1所述的一种基于人工智能图像识别的户型图识别与建模方法，其特征在于，S1的具体方法包括：

S11、从户型样本图像中提取出墙体部分生成墙体样本图像；

S12、将墙体样本图像从户型样本图像中剔除，将户型样本图像的剩余部分存储为构件样本图像；

S13、将墙体样本图像和构件样本图像整合为训练集。

3.如权利要求2所述的一种基于人工智能图像识别的户型图识别与建模方法，其特征在于，S11的具体方法包括：

S111、遍历户型图样本图像中的所有像素，并且提取其中像素值在预设范围内的所有像素；

S112、将提取出的所有像素的像素值设置为第一预设标准值，将其余所有像素的像素值设置为第二预设标准值；

S113、将处理后的户型图样本图像存储为墙体样本图像。

4.如权利要求1所述的一种基于人工智能图像识别的户型图识别与建模方法，其特征在于，S3中，墙体单元和构件单元均对应有识别准确度。

5.如权利要求4所述的一种基于人工智能图像识别的户型图识别与建模方法，其特征在于，S3中，提取出墙体单元和构件单元后，基于识别准确度对墙体单元和构件单元进行数据过滤，并且根据数据过滤结果对识别模型进行优化。

6.如权利要求5所述的一种基于人工智能图像识别的户型图识别与建模方法，其特征在于，S3中，数据过滤的具体方法为：

当识别准确度位于预设的第一过滤区间时，保留提取出的墙体单元和构件单元；

当识别准确度位于预设的第二过滤区间时，对提取出的墙体单元和构件单元进行校准；

当识别准确度位于预设的第三过滤区间时，将提取出的墙体单元和构件单元删除。

Images