CN116127580A - 建筑平面灰度图生成方法、装置、电子设备及存储介质 - Google Patents
建筑平面灰度图生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116127580A CN116127580A CN202310142430.6A CN202310142430A CN116127580A CN 116127580 A CN116127580 A CN 116127580A CN 202310142430 A CN202310142430 A CN 202310142430A CN 116127580 A CN116127580 A CN 116127580A
- Authority
- CN
- China
- Prior art keywords
- building
- gray
- plan
- design
- components
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013461 design Methods 0.000 claims abstract description 127
- 238000010586 diagram Methods 0.000 claims abstract description 37
- 238000006243 chemical reaction Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 239000003086 colorant Substances 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation 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
- G06F2111/16—Customisation or personalisation
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的建筑平面灰度图生成方法、装置、电子设备及存储介质,从待处理的建筑平面图提取各建筑构件和建筑空间,去除智能设计所需的客观设计信息以外的冗余信息,添加隐含的主观设计经验;基于预建立的灰度值映射表、建筑构件和建筑空间各自对应的框架柱布置类别确定建筑构件和建筑空间各自对应的灰度值;根据像素转换比例对建筑平面图进行转换得到建筑平面像素图;根据建筑构件和建筑空间各自对应的灰度值在建筑平面像素图中建筑构件和建筑空间各自所在区域进行填色得到建筑平面灰度图。本发明将建筑平面图中主观设计经验转换成机器可识别图像特征,去除对智能设计无效信息量,添加有效信息量,使建筑平面图能直接用于结构智能设计训练过程。
Description
技术领域
本发明涉及建筑结构设计与计算机技术领域,具体而言,涉及一种建筑平面灰度图生成方法、装置、电子设备及存储介质。
背景技术
一张完整施工图纸的设计需要各个专业的配合,建筑专业完成建筑设计后将形成具有墙、门窗洞口等建筑构件的建筑平面图,结构专业需在该图基础上根据设计师经验进行梁、柱、剪力墙等结构构件的布置,形成结构平面布置图,用于后续结构力学分析。上述结构平面布置图绘制方式人工依赖性强,存在设计效率低和设计质量不稳定的问题。
随着人工智能算法的广泛应用,提取建筑平面图图纸特征进行图像机器学习,可实现结构平面布置图自动设计,提升设计效率。建筑结构类型包括剪力墙结构、框架结构、框架剪力墙结构等,不同的建筑结构类型的结构构件设置规则不尽相同,因此针对不同的结构类型需要有不同的图像处理方法,以提供人工智能算法最贴近实际布置规则的学习图像,进而获得符合实际的结构构件布置。
现有机器学习图像处理方法多采用不同的颜色融入客观设计条件,例如采用不同的灰度区分结构荷载数值,不同的颜色区分不同的建筑构件/建筑分区等,采用该类方法得到的学习图像可为算法提供更为丰富的客观设计条件。但对框架结构建筑而言,由于框架柱的布置相对灵活,没有固定的可以选择的客观位置,与剪力墙结构中剪力墙一定布置在建筑已有隔墙位置不同,其布置位置可能出现在整个建筑平面的各个地方,因此在训练中仅仅依靠现有图像处理方法中融入的客观设计条件,是难以满足高效、高质量的框架结构自动布置。因此,需要在图像处理中适度引入经工程师主观加工处理后的设计经验,例如框架柱布置可接受程度等,有效剔除客观设计条件中的无用信息,在图像处理中纳入设计经验指导下预处理成果,大幅降低机器学习的自由度与干扰项,有效提高机器学习的训练效率和质量。
发明内容
本发明的目的之一在于提供一种建筑平面灰度图生成方法、装置、电子设备及存储介质,用以适应框架结构建筑,使得预处理之后的建筑平面图满足既定的建筑设计规则,并且能够大幅减少了建筑平面图的无效信息量,提高了输入图像到输出图像的关联关系,降低学习难度,提升学习效率,使得框架结构智能化方案设计的深度学习成为可能。
第一方面,本发明提供一种建筑平面灰度图生成方法,所述方法包括:获取待处理的建筑平面图;从所述建筑平面图中提取各种建筑构件和各种建筑空间,去除智能设计所需的客观设计信息以外的冗余信息;所述智能设计所需的客观设计信息至少包括所述各种建筑构件和所述各种建筑空间对应的信息,所述智能设计所需的客观设计信息提高机器学习效率;在提取的各种所述建筑构件和各种所述建筑空间的基础上,添加所述建筑平面图中没有的智能设计所需的主观设计经验,所述主观设计经验至少包括结构构件和建筑空间布置框架柱的接受程度;所述主观设计经验用于训练机器学习模型;基于预建立的灰度值映射表、所述建筑构件和所述建筑空间各自对应的框架柱布置类别,确定所述建筑构件和所述建筑空间各自对应的灰度值;根据像素转换比例对所述建筑平面图进行转换,得到建筑平面像素图;根据所述建筑构件和所述建筑空间各自对应的灰度值,在所述建筑平面像素图中所述建筑构件和所述建筑空间各自所在区域进行填色,得到建筑平面灰度图。
第二方面,本发明提供一种建筑平面灰度图生成装置,包括:获取模块,用于获取待处理的建筑平面图;提取模块,用于从所述建筑平面图中提取各种建筑构件和各种建筑空间,去除模块,用于去除智能设计所需的客观设计信息以外的冗余信息;所述智能设计所需的客观设计信息至少包括所述各种建筑构件和所述各种建筑空间对应的信息,所述智能设计所需的客观设计信息用于提高机器学习效率;添加模块,用于在提取的各种所述建筑构件和各种所述建筑空间的基础上,添加所述建筑平面图中没有的智能设计所需的主观设计经验,所述主观设计经验至少包括结构构件和建筑空间布置框架柱的接受程度;所述主观设计经验用于训练机器学习模型;确定模块,用于基于预建立的灰度值映射表、所述建筑构件和所述建筑空间各自对应的框架柱布置类别,确定所述建筑构件和所述建筑空间各自对应的灰度值;转换模块,用于根据像素转换比例对所述建筑平面图进行转换,得到建筑平面像素图;填色模块,用于根据所述建筑构件和所述建筑空间各自对应的灰度值,在所述建筑平面像素图中所述建筑构件和所述建筑空间各自所在区域进行填色,得到建筑平面灰度图。
第三方面,本发明提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的方法。
本发明提供的建筑平面灰度图生成方法、装置、电子设备及存储介质,方法包括:从获取待处理的建筑平面图;从所述建筑平面图中提取各种建筑构件和各种建筑空间,去除智能设计所需的客观设计信息以外的冗余信息;所述智能设计所需的客观设计信息至少包括所述各种建筑构件和所述各种建筑空间对应的信息,所述智能设计所需的客观设计信息用于辅助训练机器学习模型;基于预建立的灰度值映射表、所述建筑构件和所述建筑空间各自对应的框架柱布置类别,确定所述建筑构件和所述建筑空间各自对应的灰度值;根据像素转换比例对所述建筑平面图进行转换,得到建筑平面像素图;根据所述建筑构件和所述建筑空间各自对应的灰度值,在所述建筑平面像素图中所述建筑构件和所述建筑空间各自所在区域进行填色,得到建筑平面灰度图。本发明能将建筑平面图中隐含的主观设计经验予以图形化表达,转换成了计算机可识别的图像特征信息,最终得到的建筑平面灰度图去除了对结构设计信息而言的无效信息量,添加了结构设计所需的有效信息量,可以降低学习难度,提升学习效率,使得框架结构智能化设计的深度学习成为可能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对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发明的某些实施例,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为本发明实施例提供的电子设备的结构框图;
图2为本发明实施例提供的建筑平面灰度图生成方法的示意性流程图;
图3为本发明实施例提供的一种建筑平面图的示例图;
图4为本发明实施例提供的建筑平面图建筑构件和空间区域划分的示意图;
图5为本发明实施例提供的建筑平面灰度图生成方法的另一种示意性流程图;
图6为本发明实施例提供的各个框架柱布置类别的灰度值示意图;
图7为本发明实施例提供的灰度值映射表的示意图;
图8为本发明实施例提供的步骤S240的示意性流程图;
图9为本发明实施例提供的建筑平面灰度图的示意图;
图10为本发明实施例提供的建筑平面灰度图生成装置的功能模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
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。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“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。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
本发明针对框架结构智能化方案设计,提出一种用于框架智能化设计的建筑平面灰度图生成方法,利用该方法处理后的建筑平面图满足既定的建筑设计规则,并且减少了图像中的无效信息量,提高了输入图像到输出图像的关联关系,同时,处理后的建筑平面图可以降低学习难度,提升学习效率,使得框架结构智能化方案设计的深度学习成为可能。
请参见图1,图1为本发明实施例提供的电子设备的结构框图,该电子设备100可以用来执行本发明实施例提供的框架结构智能设计的建筑平面灰度图生成方法,作为可选的实施例,电子设备100可以但不限于是:平板电脑、个人计算机、智能终端等。
如图1所示,电子设备100可以包括:存储器101、处理器102、通信接口103、和总线104,该存储器101、处理器102和通信接口103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讯总线或信号线实现电性连接。
可选的,总线104可以是外设部件互连标准(peripheral componentinterconnect,PCI)总线或扩展工业标准结构(extended industry standardarchitecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图1中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本发明实施例中,处理器102可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列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发明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任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储器101中,处理器102读取存储器101中的程序指令,结合其硬件完成上述方法的步骤。
在本发明实施例中,存储器101可以是非易失性存储器,比如硬盘(harddiskdrive,HDD)或固态硬盘(solid-state drive,SSD)等,还可以是易失性存储器(volatilememory),例如RAM。存储器还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本发明实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置,用于存储指令和/或数据。
存储器101可用于存储软件程序及模块,如本发明实施例提供的建筑平面灰度图生成装置300的指令/模块,可以软件或固件(firmware)的形式存储于存储器101中或固化在电子设备100的操作系统(operating system,OS)中,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
可以理解,图1所示的结构仅为示意,电子设备100还可以包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1所示的各组件可以采用硬件、软件或其组合实现。
下面以图1所示的电子设备100为执行主体,对本发明实施例提供的建筑平面灰度图生成方法进行详细介绍,请参见图2,图2为本发明实施例提供的框架结构智能设计的建筑平面灰度图生成方法的示意性流程图,包括:
S200,获取待处理的建筑平面图。
S210,从建筑平面图中提取各种建筑构件和各种建筑空间,去除智能设计所需的客观设计信息以外的冗余信息;智能设计所需的客观设计信息至少包括各种建筑构件和各种建筑空间对应的信息,智能设计所需的客观设计信息用于提高机器学习效率。
S220,在提取的各种建筑构件和各种建筑空间的基础上,添加建筑平面图中没有的智能设计所需的主观设计经验,主观设计经验至少包括结构构件和建筑空间布置框架柱的接受程度;主观设计经验用于训练机器学习模型。
S230,基于预建立的灰度值映射表、建筑构件和建筑空间各自对应的框架柱布置类别,确定建筑构件和建筑空间各自对应的灰度值。
S240,根据像素转换比例对建筑平面图进行转换,得到建筑平面像素图。
S250,根据建筑构件和建筑空间各自对应的灰度值,在建筑平面像素图中建筑构件和建筑空间各自所在区域进行填色,得到建筑平面灰度图。
在上述建筑平面灰度图生成方法,从获得的待处理的建筑平面图中提取各种建筑构件和各种建筑空间,然后基于预建立的灰度值映射表、建筑构件和建筑空间各自对应的框架柱布置类别,确定建筑构件和建筑空间各自对应的灰度值,进而根据像素转换比例对建筑平面图进行转换,得到建筑平面像素图,最后基于建筑构件和建筑空间各自对应的灰度值,在建筑平面像素图中建筑构件和建筑空间各自所在区域进行填色,得到建筑平面灰度图,本发明能将建筑平面图中隐含的主观设计经验予以图形化表达,转换成了计算机可识别的图像特征信息,最终得到的建筑平面灰度图去除了对结构设计信息而言的无效信息量,添加了结构设计所需的有效信息量,可以降低学习难度,提升学习效率,使得框架结构智能化设计的深度学习成为可能。
在可选地实施方式中,本发明实施例得到的建筑平面灰度图可以用于图像深度学习,实现结构平面布置图的自动设计,提升设计效率。
在另一种可选的实施方式中,在得到的建筑平面灰度图之后,还可以将防震设防烈度对结构构件特征像素图的影响以跨度缩放的形式处理,处理后的建筑平面灰度图可以用于图像深度学习,具体地,可以先根据抗震防烈度和该抗震防烈度对应的特征周期确定等效跨度因子,等效跨度因子用于表征对建筑平面灰度图进行缩放处理的程度,然后基于等效跨度因子对建筑平面灰度图进行缩放处理,然后可以采用机器学习对缩放后的建筑平面灰度图进行训练和学习。
下面对上述步骤S200至步骤S250进行详细介绍。
在步骤S200中、获取待处理的建筑平面图。
本发明实施例中,具有各种建筑构件以及各种建筑空间的设计图,即为建筑平面图,也可以称之为建筑平面布置图,建筑平面图可以由专业的建筑设计专业人员设计而成。
为了方便理解,请参见图3,图3为本发明实施例提供的一种建筑平面图的示例图,其中,以墙体、门洞口和窗洞口为边界形成的闭合空间代表建筑空间,建筑空间内可能存在文字描述信息,墙体区域为图纸中墙体设置投影范围,在墙体上,窗洞口区域为图纸中窗户设置投影范围。门洞口区域区别于常规图纸中门洞设置投影范围划分方式,定义为为门洞长和门扇宽形成的矩形范围,可表达“门打开的范围内不能布置柱子”这一隐含的主观设计经验。
作为可选的实施方式,建筑平面图可以是电子设备本地存储的图像,也可以是实时传输到电子设备上的图像,此处不作限定。
在步骤S210中、从建筑平面图中提取各种建筑构件和各种建筑空间,去除智能设计所需的客观设计信息以外的冗余信息;
智能设计所需的客观设计信息至少包括各种建筑构件和各种建筑空间对应的信息,智能设计所需的客观设计信息用于提高机器学习效率。
其中,建筑构件是构成建筑结构的各个要素,例如隔墙、窗户、室内门洞和室外门洞等,墙体区域为图纸中墙体设置投影范围,窗洞口区域为图纸中窗户设置投影范围,门洞口区域为门洞长和门扇宽形成的矩形范围,上述步骤S210可以理解为根据隐含的结构设计规则和机器学习图像处理要求,从建筑平面图中重新定义并确定各种建筑构件和各种建筑空间所在区域。
上述建筑空间,可以但不限于包括:楼梯间、电梯间、卫生间、各类通风井(送风井、排风井、烟井等)、设备用房、走廊、大厅、办公室、活动室、医务室、避难间、教室等,各种建筑空间所在区域即为以墙体、门洞口和窗洞口为边界形成的闭合空间。
为了方便理解建筑构件和建筑空间,请参见图4,图4为本发明实施例提供的建筑平面图的部分示意图,可见建筑空间-避难间,是由以墙体、门洞口和窗洞口为边界形成的闭合空间。
结合上述图4,为了确定各种建筑构件和各种建筑空间所在区域,针对上述步骤S210,本发明实施例给出一种实施方式,即步骤S210可以包括如下步骤:
a1:将以墙体、门洞口和窗洞口为边界形成的闭合空间,确定为建筑空间。
a2:基于每种建筑构件的位置属性信息、所表达的隐含主观设计经验和投影范围,确定建筑平面图中存在的建筑构件。
可以理解的是,结合图3和图4可以看出,以墙体、门洞口和窗洞口为边界形成的闭合空间为本发明实施例中的建筑空间,建筑空间所在区域可能具有文字描述信息。针对建筑构件,可以基于位置属性信息和投影范围,提取建筑构件,例如,参见图4,门洞口区域为门洞长和门扇宽形成的矩形范围,窗洞口区域为图纸中窗户设置投影范围;墙体区域为图纸中墙体设置投影范围。
通过上述步骤a1和步骤a2确定待处理的建筑平面图上各种建筑构件和各种建筑空间所在区域之后,即可执行步骤S220。
在步骤S220中、在提取的各种建筑构件和各种建筑空间的基础上,添加建筑平面图中没有的智能设计所需的主观设计经验,主观设计经验至少包括结构构件和建筑空间布置框架柱的接受程度;主观设计经验用于训练机器学习模型。
本发明实施例中,补充建筑平面中没有的智能设计所需的客观设计信息,就是把结构构件布置接受程度通过框架柱布置类别的划分,以便机器学习模型读取和使用。
在步骤S230中、基于预建立的灰度值映射表、建筑构件和建筑空间各自对应的框架柱布置类别,确定建筑构件和建筑空间各自对应的灰度值。
本发明实施例中,灰度值映射表用于维护建筑空间和建筑构件与灰度值之间的映射关系,本发明实施例提供了一种建立灰度值映射表的实施方式,请参见图5,图5为本发明实施例提供的框架结构智能设计的建筑平面灰度图生成方法的另一种示意性流程图,该方法还可以包括:
S222、根据建筑设计规则确定多种框架柱布置类别。
本发明实施例中,建筑设计规则是基于建筑物功能、建筑物周围环境等一系列因素所制定的一类设计标准,上述框架柱布置类别可以如表1所示:
表1
从上述表1可以看出,本发明实施中的多种框架柱布置类别可以包括:一级分类、二级分类和三级分类;其中,一级分类包括可布置框架柱和不可布置框架柱;二级分类为一级分类中可布置框架柱的子类;二级分类包括内部可布置框架柱和内部不可布置框架柱;三级分类为二级分类中内部可布置框架柱类的子类,三级分类是按照内部可布置框架柱的接受程度进行划分的。
S224、确定每种框架柱布置类别对应的灰度值。
本发明实施例中,确定多种框架柱布置类别之后,则可以为不同框架柱布置类别赋予不同的灰度值,将补充的主观设计经验通过灰度值的方式转换为计算机可读的机器学习数据,本发明实施例给出了一种可能的赋值方式,即步骤S224可以通过如下步骤实现:
b1:基于灰度最大值、建筑构件和建筑空间的类别数量,确定灰度阶数。
b2:基于灰度阶数和灰度值范围,确定多种框架柱布置类别各自对应的灰度值。
可以理解的是,灰度值范围一般从0到255,白色为255,黑色为0。在白色与黑色之间分成若干级,即为“灰度等级”,灰度等级越高,灰度越深,灰度值越小。因此,本发明实施例中,灰度值的大小根据是否可以布置框架柱的接受程度,呈单调变化,可布置框架柱接受程度越高,灰度颜色越深,灰度值越小。
因此,本申请实施例中,基于可布置框架柱的相对接受程度越高,则灰度等级越高的原则进行灰度值赋值:
先将灰度最大值赋值给框架柱布置类别-不可布置框架柱,从剩余灰度值中确定一个初始灰度值,并以灰度阶数为等差,以该初始灰度值为起始灰度值,从位于起始灰度值之后的剩余灰度值中,确定出多个目标灰度值;针对剩余框架柱布置类别,按照框架柱布置类别的可接受程度从高到低的顺序,依次将多个目标灰度值赋值给剩余框架柱布置类别。
例如,假设灰度阶数为42,那么按照上述赋值方式,将本发明实施例表1中的各个框架柱布置类别进行灰度值赋值结果如图6所示,图6为本发明实施例提供的各个框架柱布置类别的灰度值示意图。
S226、确定各种建筑构件和各种建筑空间所属的框架柱布置类别。
S228、根据每种框架柱布置类别对应的灰度值、以及各种建筑构件和各种建筑空间所属的框架柱布置类别,建立灰度值映射表。
本实施例中,步骤S226中的建筑构件和建筑空间可以是本领域内已经确定的各种建筑构件和各种建筑空间的统一集合,本发明实施例提取到的建筑构件和建筑空间的类型位于该集合中,确定了各种框架柱布置类别对应的灰度值之后,即可确定提取到的各个建筑构件和各个建筑空间所属的框架柱布置类别,然后将所属框架柱布置类别的灰度值与该建筑构件或建筑空间所对应,建立起灰度值映射表。
例如,假设步骤S226中各种建筑构件和各种建筑空间所属的框架柱布置类别如表2所示。
表2
那么基于图6给出了灰度值赋值结果,最终可以确定各个建筑构件和各个建筑空间与灰度值之间的对应关系如图7所示,图7为本发明实施例提供的灰度值映射表的示意图。
在得到入图7所示的灰度值映射表之后,即可确定出建筑构件和建筑空间各自对应的灰度值,然后可以执行步骤S240。
在步骤S240中、根据像素转换比例对建筑平面图进行转换,得到建筑平面像素图。
本发明实施例中,为了满足图像深度学习算法的要求,需要先将建筑平面图转换成建筑平面像素图,因此,本发明实施例给出了步骤S240的实施方式,请参见图8,图8为本发明实施例提供的步骤S240的示意性流程图:
S240-1,获取建筑平面图的学习精度。
S240-2,根据学习精度建立建筑平面图与建筑平面像素图的转换比例。
S240-3,基于转换比例,将建筑平面图转换为建筑平面像素图。
本申请实施例中,学习精度为满足图像深度学习算法需求的图像精度,学习精度可以根据实际需求自定义,例如50mm,此处不作限定。
在确定学习精度之后,即可建立建筑平面图与建筑平面像素图的转换比例,例如50mm=1像素,专业人员可以根据实际需求确定转换比例,此处不作限定,得到转换比例之后,可以将建筑平面图转换为建筑平面像素图,然后执行本发明实施例中的步骤S250。
在步骤S250中、根据建筑构件和建筑空间各自对应的灰度值,在建筑平面像素图中建筑构件和建筑空间各自所在区域进行填色,得到建筑平面灰度图。
本实施例中,对于步骤S220中提取的建筑构件和建筑空间,基于它们各自的灰度值,填充建筑平面布置像素图中建筑构件和建筑空间所在区域的像素块颜色,最终得到建筑平面灰度图,例如,以图3所示的建筑平面图为例,最终得到的建筑平面灰度图如图9所示。
从图9的建筑平面灰度图中可以看出,本申请实施例最终或的建筑平面灰度图中,不同图像区域表征的建筑空间以及建筑构件,这些图像区域可以基于灰度值进行区分,本发明实施例通过对建筑平面图进行处理得到建筑平面灰度图的优势在于:
1、通过灰度值可以唯一性区分不同建筑构件和不同建筑空间,有效将设计语义信息转换成了计算机可识别的图像特征信息,满足了智能化设计深度学习对学习图像的要求。
2、通过采用灰度值大小表达构件和空间类别可布置框架柱的相对接受程度的方式,将建筑设计规则融入了建筑平面布置灰度图,大幅降低了建筑平面布置灰度图的无效信息量,提高了深度学习输入图像到输出图像的关联关系,降低学习难度,提升学习效率。使得框架结构智能化方案设计的深度学习成为可能。
基于相同的发明构思,本发明实施例还提供了一种建筑平面灰度图生成装置,请参见图10,图10为本发明实施例提供的建筑平面灰度图生成装置的功能模块图,该建筑平面灰度图生成装置300可以以软件或固件(firmware)的形式存储于电子设备100的操作系统(operating system,OS)中。
如图10所示,建筑平面灰度图生成装置300可以包括:获取模块310、提取模块320、去除模块330、添加模块340、确定模块350、转换模块360和填色模块370。
获取模块310,用于获取待处理的建筑平面图;
提取模块320,用于从建筑平面图中提取各种建筑构件和各种建筑空间,去除模块330,用于去除智能设计所需的客观设计信息以外的冗余信息;智能设计所需的客观设计信息至少包括各种建筑构件和各种建筑空间对应的信息,智能设计所需的客观设计信息用于提高机器学习效率;
添加模块340,用于在提取的各种建筑构件和各种建筑空间的基础上,添加建筑平面图中没有的智能设计所需的主观设计经验,所述主观设计经验至少包括结构构件和建筑空间布置框架柱的接受程度;所述主观设计经验用于训练机器学习模型;
确定模块350,用于基于预建立的灰度值映射表、建筑构件和建筑空间各自对应的框架柱布置类别,确定建筑构件和建筑空间各自对应的灰度值;
转换模块360,用于根据像素转换比例对建筑平面图进行转换,得到建筑平面像素图;
填色模块370,用于根据建筑构件和建筑空间各自对应的灰度值,在建筑平面像素图中建筑构件和建筑空间各自所在区域进行填色,得到建筑平面灰度图。
可以理解的是,获取模块310、提取模块320、去除模块330、添加模块340、确定模块350、转换模块360和填色模块370可以协同的执行图2中的各个步骤以实现相应的技术效果。
在可选的实施方式中,建筑平面灰度图生成装置300还可以包括建立模块,用于根据建筑设计规则确定多种框架柱布置类别;确定每种框架柱布置类别对应的灰度值;确定各种建筑构件和各种建筑空间所属的框架柱布置类别;根据每种框架柱布置类别对应的灰度值、以及各种建筑构件和各种建筑空间所属的框架柱布置类别,建立灰度值映射表。
在可选的实施方式中,确定模块350,具体用于基于灰度最大值、建筑构件和建筑空间的类别数量,确定灰度阶数;基于灰度阶数和灰度值范围,确定多个框架柱布置类别各自对应的灰度值,灰度值的大小根据是否可以布置框架柱的接受程度,呈单调变化,可布置框架柱接受程度越高,灰度颜色越深,灰度值越小。
在可选的实施方式中,框架柱布置类别包括:一级分类、二级分类和三级分类;其中,一级分类包括可布置框架柱和不可布置框架柱;二级分类为一级分类中可布置框架柱的子类;二级分类包括内部可布置框架柱和内部不可布置框架柱;三级分类为二级分类中内部可布置框架柱类的子类,三级分类是按照内部可布置框架柱的接受程度进行划分的。
在可选的实施方式中,提取模块320,具体用于将以墙体、门洞口和窗洞口为边界形成的闭合空间,确定为建筑空间;基于每种建筑构件的位置属性信息和投影范围,确定建筑平面图中存在的建筑构件。
在可选的实施方式中,转换模块360,具体用于获取建筑平面图的学习精度;根据学习精度建立建筑平面图与建筑平面像素图的转换比例;基于转换比例,将建筑平面图转换为建筑平面像素图。
基于以上实施例,本申请还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被计算机执行时,使得计算机执行以上实施例提供的框架结构智能设计的建筑平面灰度图生成方法。
基于以上实施例,本申请实施例还提供了一种计算机程序,当计算机程序在计算机上运行时,使得计算机执行以上实施例提供的建筑平面灰度图生成方法。
基于以上实施例,本申请实施例还提供了一种芯片,芯片用于读取存储器中存储的计算机程序,用于执行以上实施例提供的建筑平面灰度图生成方法。
本申请实施例中还提供一种计算机程序产品,包括指令,当其在计算机上运行时,使得计算机执行以上实施例提供的建筑平面灰度图生成方法。
本申请实施例是参照根据本申请实施例的方法、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。可提供这些指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理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设备上,使得在计算机或其他可编程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。
以上,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种建筑平面灰度图生成方法,其特征在于,所述方法包括:
获取待处理的建筑平面图;
从所述建筑平面图中提取各种建筑构件和各种建筑空间,去除智能设计所需的客观设计信息以外的冗余信息;所述智能设计所需的客观设计信息至少包括所述各种建筑构件和所述各种建筑空间对应的信息,所述智能设计所需的客观设计信息用于提高机器学习效率;
在提取的各种所述建筑构件和各种所述建筑空间的基础上,添加所述建筑平面图中没有的智能设计所需的主观设计经验,所述主观设计经验至少包括结构构件和建筑空间布置框架柱的接受程度;所述主观设计经验用于训练机器学习模型;
基于预建立的灰度值映射表、所述建筑构件和所述建筑空间各自对应的框架柱布置类别,确定所述建筑构件和所述建筑空间各自对应的灰度值;
根据像素转换比例对所述建筑平面图进行转换,得到建筑平面像素图;
根据所述建筑构件和所述建筑空间各自对应的灰度值,在所述建筑平面像素图中所述建筑构件和所述建筑空间各自所在区域进行填色,得到建筑平面灰度图。
2.根据权利要求1所述的方法,其特征在于,在基于预建立的灰度值映射表、所述建筑构件和所述建筑空间各自对应的框架柱布置类别,确定所述建筑构件和所述建筑空间各自对应的灰度值之前,所述方法还包括:
根据建筑设计规则确定多种框架柱布置类别;
确定每种所述框架柱布置类别对应的灰度值;
确定各种所述建筑构件和各种所述建筑空间所属的所述框架柱布置类别;
根据每种所述框架柱布置类别对应的灰度值、以及各种所述建筑构件和各种所述建筑空间所属的所述框架柱布置类别,建立所述灰度值映射表。
3.根据权利要求2所述的方法,其特征在于,确定每种所述框架柱布置类别对应的灰度值,包括:
基于灰度最大值、所述建筑构件和所述建筑空间的类别数量,确定灰度阶数;
基于所述灰度阶数和灰度值范围,确定所述多种所述框架柱布置类别各自对应的灰度值;
灰度值的大小根据是否可以布置框架柱的接受程度,呈单调变化,可布置框架柱接受程度越高,灰度颜色越深,灰度值越小。
4.根据权利要求2或3所述的方法,其特征在于,所述框架柱布置类别包括:一级分类、二级分类和三级分类;
其中,所述一级分类包括可布置框架柱和不可布置框架柱;所述二级分类为所述一级分类中可布置框架柱的子类;所述二级分类包括内部可布置框架柱和内部不可布置框架柱;所述三级分类为所述二级分类中内部可布置框架柱类的子类,所述三级分类是按照所述内部可布置框架柱的接受程度进行划分的。
5.根据权利要求1所述的方法,其特征在于,从所述建筑平面图中提取各种建筑构件和各种建筑空间,包括:
将以墙体、门洞口和窗洞口为边界形成的闭合空间,确定为建筑空间;
基于每种所述建筑构件的位置属性信息和投影范围,确定所述建筑平面图中存在的所述建筑构件。
6.根据权利要求1所述的方法,其特征在于,根据像素转换比例对所述建筑平面图进行转换,得到建筑平面像素图,包括:
获取所述建筑平面图的学习精度;
根据所述学习精度建立所述建筑平面图与所述建筑平面像素图的所述像素转换比例;
基于所述像素转换比例,将所述建筑平面图转换为所述建筑平面像素图。
7.一种建筑平面灰度图生成装置,其特征在于,包括:
获取模块,用于获取待处理的建筑平面图;
提取模块,用于从所述建筑平面图中提取各种建筑构件和各种建筑空间;
去除模块,用于去除智能设计所需的客观设计条件以外的冗余信息;所述智能设计所需的客观设计条件至少包括所述各种建筑构件和所述各种建筑空间对应的信息,所述智能设计所需的客观设计信息用于提高机器学习效率;
添加模块,用于在所述提取的建筑构件和各种建筑空间基础上,添加所述建筑平面图中没有的智能设计所需的主观设计经验,所述主观设计经验至少包括结构构件和建筑空间布置框架柱的接受程度;所述主观设计经验用于训练机器学习模型;
确定模块,用于基于预建立的灰度值映射表、所述建筑构件和所述建筑空间各自对应的框架柱布置类别,确定所述建筑构件和所述建筑空间各自对应的灰度值;
转换模块,用于根据像素转换比例对所述建筑平面图进行转换,得到建筑平面像素图;
填色模块,用于根据所述建筑构件和所述建筑空间各自对应的灰度值,在所述建筑平面像素图中所述建筑构件和所述建筑空间各自所在区域进行填色,得到建筑平面灰度图。
8.根据权利要求7所述的装置,其特征在于,还包括:建立模块,所述建立模块,用于:
根据建筑设计规则确定多种框架柱布置类别;
确定每种所述框架柱布置类别对应的灰度值;
确定各种所述建筑构件和各种所述建筑空间所属的所述框架柱布置类别;
根据每种所述框架柱布置类别对应的灰度值、以及各种所述建筑构件和各种所述建筑空间所属的所述框架柱布置类别,建立所述灰度值映射表。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现权利要求1至6任一项所述的方法。
10.一种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6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310142430.6A CN116127580B (zh) | 2023-02-20 | 2023-02-20 | 建筑平面灰度图生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310142430.6A CN116127580B (zh) | 2023-02-20 | 2023-02-20 | 建筑平面灰度图生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127580A true CN116127580A (zh) | 2023-05-16 |
CN116127580B CN116127580B (zh) | 2024-03-22 |
Family
ID=86295474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310142430.6A Active CN116127580B (zh) | 2023-02-20 | 2023-02-20 | 建筑平面灰度图生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127580B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20220148327A1 (en) * | 2020-11-10 | 2022-05-12 | Autodesk, Inc. | Machine learning techniques for extracting floorplan elements from architectural drawings |
CN114925416A (zh) * | 2022-04-25 | 2022-08-19 | 清华大学 | 一种基于数据转换的建筑结构生成方法及装置 |
-
2023
- 2023-02-20 CN CN202310142430.6A patent/CN116127580B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220148327A1 (en) * | 2020-11-10 | 2022-05-12 | Autodesk, Inc. | Machine learning techniques for extracting floorplan elements from architectural drawings |
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 |
CN114925416A (zh) * | 2022-04-25 | 2022-08-19 | 清华大学 | 一种基于数据转换的建筑结构生成方法及装置 |
Non-Patent Citations (1)
Title |
---|
马焜阳: "基于建筑平面图的室内三维模型自动构建技术研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑(月刊)》, pages 25 - 59 * |
Also Published As
Publication number | Publication date |
---|---|
CN116127580B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tsvetkov | Cognitive information models | |
Berger | Three types of stepfamilies | |
CN112836064B (zh) | 知识图谱补全方法、装置、存储介质及电子设备 | |
JP6975752B2 (ja) | Vqaシステムの訓練データを生成する訓練データ生成方法、訓練データ生成装置、電子機器およびコンピュータ読み取り可能な媒体 | |
CN111383303A (zh) | 一种自动生成住宅建筑平面的方法及装置 | |
WO2021047473A1 (zh) | 神经网络的训练方法及装置、语义分类方法及装置和介质 | |
CN114925416B (zh) | 一种基于数据转换的建筑结构生成方法及装置 | |
CN114972659B (zh) | 一种二维图纸转换三维模型用于图纸审查的方法及系统 | |
CN114329678B (zh) | 一种建筑结构智能设计系统及方法 | |
CN110582783A (zh) | 训练装置、图像识别装置、训练方法和程序 | |
CN110991195A (zh) | 机器翻译模型训练方法、装置及存储介质 | |
CN114168795B (zh) | 建筑三维模型映射及存储方法、装置、电子设备及介质 | |
Holst | Optimal hospital layout design | |
CN116127580B (zh) | 建筑平面灰度图生成方法、装置、电子设备及存储介质 | |
CN115393420A (zh) | 建筑图纸的空间面积计算方法及系统 | |
CN112102934A (zh) | 一种护士规范化培训考核评分方法和系统 | |
CN112861692A (zh) | 一种房间分类模型构建方法及装置、房间分类方法及装置 | |
CN112185530A (zh) | 一种医院排号管理方法及系统 | |
CN111062626A (zh) | 能力水平评估方法、装置、设备及存储介质 | |
CN116110058A (zh) | 一种基于手写数字识别的虚拟人交互方法及系统 | |
Chishtie | Phronesis and the practice of science | |
CN111459050B (zh) | 一种基于双网互联的智慧仿真型护理教学系统及教学方法 | |
EP3945462A1 (en) | Matching system, matching method, and matching program | |
EP3968202A1 (en) | Customizable reinforcement of learning column placement in structural design | |
CN114610648A (zh) | 一种测试方法、装置及设备 |
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 |