施工图的渲染方法技术

本发明专利技术提供了一种施工图的渲染方法。包括如下步骤：在待渲染的施工图中选出若干张施工图进行渲染，形成训练集；对训练集中的渲染特征进行提取，生成训练模型；在待渲染的施工图中选出至少一张施工图，利用第一训练模型进行渲染，得到渲染待验结果；根据损失函数计算渲染待验结果与真实渲染结果之间的误差值；所述误差值修正训练模型直至模型合格，利用训练模型对待渲染的施工图进行渲染。采用本发明专利技术，简化了施工图的渲染过程，智能化程度得到了提高，同时渲染效果的精细化程度得到了提升。

Rendering method of construction drawing

【技术实现步骤摘要】
施工图的渲染方法
本专利技术涉及数据分析及处理
，具体而言，涉及一种施工图的渲染方法。
技术介绍
本专利技术对于
技术介绍
的描述属于与本专利技术相关的相关技术，仅仅是用于说明和便于理解本专利技术的
技术实现思路
，不应理解为申请人明确认为或推定申请人认为是本专利技术在首次提出申请的申请日的现有技术。施工图是表示工程项目总体布局，建筑物、构筑物的外部形状、内部布置、结构构造、内外装修、材料作法以及设备、施工等要求的图样。施工图按种类可划分为建筑施工图、结构施工图、水电施工图等。施工图具有图纸齐全、表达准确、要求具体的特点；在工程领域，施工图是进行工程施工、编制施工预算和施工组织设计的依据，同时其具有良好的施工效果展示功能，因此施工图是进行技术管理的重要技术文件。目前我国的施工图画法已趋于成熟，但是对于施工图的渲染，通常采用人工渲染的方法，人工渲染的效率较低，尤其是对于复杂的施工图的渲染，往往无法做到精细化处理。随着图像识别技术在各个领域中的广泛应用，当前，图像识别技术也被应用于施工图的渲染处理，以通过自动渲染的方式对施工图进行处理，解决施工图的人工渲染效率较低、精细化处理程度较低的问题，其具体原理在于对图像进行处理，识别施工图中的各个模块，而后对识别出的各个模块进行分别渲染，进而完成对施工图的渲染处理。但是上述渲染方式涉及到图像的分割、判断、模块渲染等操作，花费时间较长，同时渲染处理的准确程度较低。针对上述问题，本专利技术提出了一种施工图的渲染方法。
技术实现思路
本专利技术提供了一种施工图的渲染方法，简化了施工图的渲染过程，智能化程度得到了提高，同时渲染效果的精细化程度得到了提升。本专利技术的实施例提供了一种施工图的渲染方法，包括如下步骤：在待渲染的施工图中选出若干张施工图，被选出的施工图为第一施工图，对第一施工图进行渲染，形成训练集；对训练集中的渲染特征进行提取，生成第一训练模型；在待渲染的施工图中选出至少一张施工图，被选出的施工图为第二施工图；利用第一训练模型对第二施工图进行渲染，得到渲染待验结果；对第二施工图进行渲染，得到真实渲染结果；根据损失函数计算任意第二施工图的渲染待验结果与真实渲染结果之间的误差值；根据误差值修正第一训练模型，直至修正后的第一训练模型合格，得到第二训练模型；利用第二训练模型对待渲染的施工图进行渲染。优选地，采用卷积神经网络对训练集中的渲染特征进行提取，生成第一训练模型。优选地，卷积神经网络包括输入层、多个卷积层、多个池化层、多个全连接层、输出层；输入层用于获取第一施工图，并生成第一施工图的图像矩阵，生成的图像矩阵通过第一层卷积层进行卷积操作，得到第一输出特征值矩阵，第一输出特征值矩阵通过第二层卷积层进行卷积操作，得到第二输出特征值矩阵，重复进行卷积操作，直至通过第M层卷积层得到第M输出特征值矩阵；第M输出特征值矩阵通过第一层池化层进行池化操作，得到第一池化特征值矩阵；第一池化特征值矩阵通过第(M+1)层卷积层得到第(M+1)输出特征值矩阵，重复进行卷积操作，直至通过第N层卷积层得到第N输出特征值矩阵；第N输出特征值矩阵通过第二层池化层进行池化操作，得到第二池化特征值矩阵；重复进行卷积操作以及池化操作，直至得到第P输出特征值矩阵；多个全连接层顺次相连，第一层全连接层与第P层卷积层相连，第一层全连接层获取第P输出特征值矩阵，最后一层全连接层与输出层相连；卷积层以及全连接层中的神经元通过激活函数进行非线性操作；其中，P、N、M均为正整数，且P＞N＞M。优选地，激活函数为Sigmoid函数或Relu函数。优选地，某一层全连接层的某个神经元为ai，与上一层全连接层的K个神经元连接bi1、bi2、……bik，其相关系数为：中，μ为误差值的均值，σ为误差值的方差，当相关系数的绝对值小于0.1时，省略该两个神经元之间的链接。优选地，某一层全连接层的权重矩阵为Wi，该层全连接层中权重参数大于阈值T的神经元被保留，权重参数小于或等于阈值T的神经元被舍弃；其中阈值T由权重矩阵Wi的矩阵特征所决定。优选地，阈值T为权重矩阵Wi中的所有权重参数的均值与系数α的乘积，其中0.6≤α≤1.2。优选地，阈值T为权重矩阵Wi中的所有权重参数的均方差与系数β的乘积，其中0.9≤β≤1.4。优选地，将池化层与与其相连的上一层卷积层相融合。优选地，待渲染的施工图中，相连通的像素的面积为A，施工图的像素总面积为B，若0.3＜A/B，则相连通的像素被判定为无操作区。本专利技术实施例所提供的施工图的渲染方法，简化了施工图的渲染过程，智能化程度得到了提高，同时渲染效果的精细化程度得到了提升。本专利技术的附加方面和优点将在下面的描述部分中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本说明书施工图的渲染方法的优选实施例的流程图；图2是本说明书施工图的渲染方法的优选实施例的二维施工图渲染的操作界面；图3是本说明书施工图的渲染方法的优选实施例的三维施工图渲染的操作界面；图4是本说明书施工图的渲染方法的优选实施例的二维施工图渲染的效果显示界面。具体实施方式为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用其他不同于在此描述的其他方式来实施，因此，本专利技术的保护范围并不受下面公开的具体实施例的限制。下述讨论提供了本专利技术的多个实施例。虽然每个实施例代表了专利技术的单一组合，但是本专利技术不同实施例可以替换，或者合并组合，因此本专利技术也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含A、B、C，另一个实施例包含B和D的组合，那么本专利技术也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。图1是本说明书施工图的渲染方法的优选实施例的流程图。如图1所示，本专利技术优选实施例提供的施工图的渲染方法，包括如下步骤：步骤S01：在待渲染的施工图中选出若干张施工图，被选出的施工图为第一施工图，对第一施工图进行渲染，形成训练集；步骤S02：对训练集中的渲染特征进行提取，生成第一训练模型；步骤S03：在待渲染的施工图中选出至少一张施工图，被选出的施工图为第二施工图；利用第一训练模型对第二施工图进行渲染，得到渲染待验结果；步骤S04：对第二施工图进行渲染，得到真实渲染结果；步骤S05：根据损失函数计算任意第二施工图的渲染待验结果与真实渲染结果之间的误差值；步骤S06：根据误差值修正第一训练模型，直至修正后的第一训练模型合格，得到第二训练模型；步骤S07：利用第二训练模型对待渲染的施工图进行渲染。本说明书优选实本文档来自技高网...

【技术保护点】
1.一种施工图的渲染方法，其特征在于，包括如下步骤：/n在待渲染的施工图中选出若干张施工图，被选出的施工图为第一施工图，对所述第一施工图进行渲染，形成训练集；/n对所述训练集中的渲染特征进行提取，生成第一训练模型；/n在待渲染的施工图中选出至少一张施工图，被选出的施工图为第二施工图；/n利用所述第一训练模型对所述第二施工图进行渲染，得到渲染待验结果；/n对所述第二施工图进行渲染，得到真实渲染结果；/n根据损失函数计算任意所述第二施工图的渲染待验结果与真实渲染结果之间的误差值；/n根据所述误差值修正所述第一训练模型，直至修正后的第一训练模型合格，得到第二训练模型；/n利用所述第二训练模型对待渲染的施工图进行渲染。/n

【技术特征摘要】
1.一种施工图的渲染方法，其特征在于，包括如下步骤：
在待渲染的施工图中选出若干张施工图，被选出的施工图为第一施工图，对所述第一施工图进行渲染，形成训练集；
对所述训练集中的渲染特征进行提取，生成第一训练模型；
在待渲染的施工图中选出至少一张施工图，被选出的施工图为第二施工图；
利用所述第一训练模型对所述第二施工图进行渲染，得到渲染待验结果；
对所述第二施工图进行渲染，得到真实渲染结果；
根据损失函数计算任意所述第二施工图的渲染待验结果与真实渲染结果之间的误差值；
根据所述误差值修正所述第一训练模型，直至修正后的第一训练模型合格，得到第二训练模型；
利用所述第二训练模型对待渲染的施工图进行渲染。


2.根据权利要求1所述的施工图的渲染方法，其特征在于，采用卷积神经网络对所述训练集中的渲染特征进行提取，生成所述第一训练模型。


3.根据权利要求2所述的施工图的渲染方法，其特征在于，所述卷积神经网络包括输入层、多个卷积层、多个池化层、多个全连接层、输出层；所述输入层用于获取所述第一施工图，并生成所述第一施工图的图像矩阵，生成的图像矩阵通过第一层卷积层进行卷积操作，得到第一输出特征值矩阵，所述第一输出特征值矩阵通过第二层卷积层进行卷积操作，得到第二输出特征值矩阵，重复进行卷积操作，直至通过第M层卷积层得到第M输出特征值矩阵；所述第M输出特征值矩阵通过第一层池化层进行池化操作，得到第一池化特征值矩阵；所述第一池化特征值矩阵通过第(M+1)层卷积层得到第(M+1)输出特征值矩阵，重复进行卷积操作，直至通过第N层卷积层得到第N输出特征值矩阵；所述第N输出特征值矩阵通过第二层池化层进行池化操作，得到第二池化特征值矩阵；重复进行卷积操作以及池化操作，直至得到第P输出特征值矩阵；多个所述全连接层顺次相连，第...

【专利技术属性】
技术研发人员：陈杰，张涛，伍亮，
申请(专利权)人：广东优世联合控股集团股份有限公司，
类型：发明
国别省市：广东;44