一种基于深度学习的超大建筑图纸洁具识别方法技术

本发明专利技术提供了一种基于深度学习的超大建筑图纸洁具识别方法，它解决了大批量建筑图纸构件识别等问题，其包括如下步骤：S1：数据准备，将实际应用中的建筑图纸交给建筑设计师进行洁具的标注；S2：图纸预处理和数据集构建，对图纸光栅化和滑动窗口采样；S3：网络训练，数据增强后送入检测框架，通过优化损失函数迭代得到检测模型；S4：网络预测，对图像填充并重叠切片，之后进行结果融合；S5：后处理，进行预测结果进行筛选；S6：实验结果，对洁具识别进行评估。本发明专利技术具有构件识别准确度高、无需建立模板库等优点。板库等优点。板库等优点。

【技术实现步骤摘要】
一种基于深度学习的超大建筑图纸洁具识别方法


[0001]本专利技术属于建筑工程
，具体涉及一种基于深度学习的超大建筑图纸洁具识别方法。

技术介绍

[0002]排水系统设计是建筑设计领域中的重要一环，主要通过定位洁具进一步定位出水点位置，连线出水点，对水管进行排布，从而完成后续用水量计算。这些操作都是基于CAD图纸进行的。通常CAD图纸中的构件已经打包成一个块，很难进行分离，且实际图纸中图层繁多，墙、柱网、梁等非洁具信息冗杂，依靠人工去进行洁具的定位是比较费时费力的，这就需要通过计算机自动地检测洁具的种类和位置，从而为下一步定位出水点、排布水管做准备。目前针对建筑图纸的构件识别方法大多是基于模板匹配的，该技术将当前待识别建筑图纸与每一类型匹配模块的坐标体系对应，等比找到所述待识别建筑图纸对应关键信息区，判断信息区是否与类型模板匹配，并进一步使用子构件模板对建筑构件进行匹配。该技术存在以下问题：需要人工建立大量的模板库，但模板数量及构件种类是有限的，对未保存在模板库中的构件识别准确率低；需要在CAD图纸中对大量的几何信息进行预处理才能够进行模板匹配，计算量大，效率低下；模板匹配具有自身的局限性，主要表现在它只能平移，算法对旋转或缩放后的目标鲁棒性低。
[0003]为了解决现有技术存在的不足，人们进行了长期的探索，提出了各式各样的解决方案。例如，中国专利文献公开了一种建筑工程图纸智能识别方法[202010455992.2]，其具体步骤如下：载入CAD图纸；判断图纸是否为预定格式的规范图纸，若否，则转换为预定格式；划分工作区，设定提取的数据信息种类；识别图纸，构建图纸模型；整合、连接物质模型。
[0004]上述方案在一定程度上解决了建筑图纸识别的问题，但是该方案依然存在着诸多不足，例如需要建立模板库才能进行大量建筑图纸中构件的识别等问题。

技术实现思路

[0005]本专利技术的目的是针对上述问题，提供一种设计合理，无需人工建立模板库的基于深度学习的超大建筑图纸洁具识别方法。
[0006]为达到上述目的，本专利技术采用了下列技术方案：一种基于深度学习的超大建筑图纸洁具识别方法，包括如下步骤：
[0007]S1：数据准备，将实际应用中的建筑图纸交给建筑设计师进行洁具的标注；
[0008]S2：图纸预处理和数据集构建，对图纸光栅化和滑动窗口采样；
[0009]S3：网络训练，数据增强后送入检测框架，通过优化损失函数迭代得到检测模型；
[0010]S4：网络预测，对图像填充并重叠切片，之后进行结果融合；
[0011]S5：后处理，进行预测结果进行筛选；
[0012]S6：实验结果，对洁具识别进行评估。利用光栅化的图纸位图数据，经预处理后训练用于目标检测任务的神经网络，可以应用到建筑的水管排布和排水量计算中。
[0013]在上述的一种基于深度学习的超大建筑图纸洁具识别方法中，步骤S1中标注的内容包括洁具的种类和外接矩形框，从而获得网络学习的目标。
[0014]在上述的一种基于深度学习的超大建筑图纸洁具识别方法中，步骤S2中对图纸光栅化通过人工框选CAD图纸待识别的范围，使用CAD自带的打印功能，以mono
‑
chrome模式打印jpg格式的黑白二值图像，CAD模型空间与图像空间的对照比例为4units＝1pixel；步骤S2中对滑动窗口采样中滑动窗口的大小根据洁具尺寸范围确定，将含有洁具目标的采样视为正样本，未含有目标的采样视为负样本，按比例抽取负样本；步骤S2记录识别范围的两个对角点在CAD模型空间中的坐标，用于后续计算。
[0015]在上述的一种基于深度学习的超大建筑图纸洁具识别方法中，步骤S2构建数据集时，在光栅化获取栅格图像后，将一部分图像划分为测试集，测试集以外的另一部分在滑动窗口采样后按比例随机划分为训练集和验证集。通过建立训练集和验证集，方便后续网络训练。
[0016]在上述的一种基于深度学习的超大建筑图纸洁具识别方法中，步骤S3中数据增强在载入训练集时对原有数据进行扩充；步骤S3中检测框架分为特征提取模块、特征融合模块和检测模块三个模块。增强后的数据送入搭建好的检测框架，不断迭代优化网络模型，最终得到性能良好的检测模型。
[0017]在上述的一种基于深度学习的超大建筑图纸洁具识别方法中，步骤S3中损失函数对每个预测出的目标，计算网络预测结果与真值之间的差异，并不断迭代引导网络最小化差异，得到更贴近真实标注的识别结果。
[0018]在上述的一种基于深度学习的超大建筑图纸洁具识别方法中，步骤S4中图像填充对图像的四周进行空白填充；步骤S4中重叠切片中切片步长增加，不超过切片边长。
[0019]在上述的一种基于深度学习的超大建筑图纸洁具识别方法中，步骤S4中结果融合将切片的结果列表转化为与切片等大的三个掩模切片m
label
，m
score
，m
box
，取掩模切片的中心区域，无缝拼接成整张图像的掩模M
label
，M
score
，M
box
，最终根据掩模计算每个边界框的范围；拼接掩模切片时计算当前切片与相邻的左、上方的切片边缘重合程度，若重合程度达到设定的阈值，则相邻切片的边界框可以进行合并。
[0020]在上述的一种基于深度学习的超大建筑图纸洁具识别方法中，步骤S5利用光栅化过程中记录的对角点坐标，将网络预测结果映射到CAD模型空间中。根据已有数据，对预测结果进行边界框尺寸的筛选，筛除明显在预测类别尺寸分布外的结果。
[0021]在上述的一种基于深度学习的超大建筑图纸洁具识别方法中，步骤S6的洁具识别的评估涉及IoU、Precision、Recall以及mAP。
[0022]与现有的技术相比，本专利技术的优点在于：不需要人工建立大量模板库，能通过对大量图纸的学习对未见过的数据类型进行推理；对未保存在模板库中的构件具有较高的识别准确度；对于旋转、缩放等多种变换鲁棒，能够处理CAD中散乱图元组成的洁具。
附图说明
[0023]图1是本专利技术的项目流程图；
[0024]图2是本专利技术的Swin Transformer网络架构图；
[0025]图3是本专利技术的Mask R
‑
CNN网络架构图；
[0026]图4是本专利技术的测试集上的图纸局部、光栅化图像、图纸空间结果映射以及图像空间识别结果。
具体实施方式
[0027]下面结合附图和具体实施方式对本专利技术做进一步详细的说明。
[0028]如图1所示，一种基于深度学习的超大建筑图纸洁具识别方法，包括如下步骤：
[0029]S1：数据准备，将实际应用中的建筑图纸交给建筑设计师进行洁具的标注，以获得网络学习的目标。
[0030]S2：图纸预处理和数据集构建，对图纸光栅化和滑动窗口采样，目的是将矢量图元转化为可以作为目标检测神经网络输入的栅格图像。
...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的超大建筑图纸洁具识别方法，其特征在于，包括如下步骤：S1：数据准备，将实际应用中的建筑图纸交给建筑设计师进行洁具的标注；S2：图纸预处理和数据集构建，对图纸光栅化和滑动窗口采样；S3：网络训练，数据增强后送入检测框架，通过优化损失函数迭代得到检测模型；S4：网络预测，对图像填充并重叠切片，之后进行结果融合；S5：后处理，进行预测结果进行筛选；S6：实验结果，对洁具识别进行评估。2.根据权利要求1所述的一种基于深度学习的超大建筑图纸洁具识别方法，其特征在于，所述的步骤S1中标注的内容包括洁具的种类和外接矩形框。3.根据权利要求1所述的一种基于深度学习的超大建筑图纸洁具识别方法，其特征在于，所述的步骤S2中对图纸光栅化通过人工框选CAD图纸待识别的范围，使用CAD自带的打印功能，以mono
‑
chrome模式打印jpg格式的黑白二值图像，CAD模型空间与图像空间的对照比例为4units＝1pixel；所述的步骤S2中对滑动窗口采样中滑动窗口的大小根据洁具尺寸范围确定，将含有洁具目标的采样视为正样本，未含有目标的采样视为负样本，按比例抽取负样本；所述的步骤S2记录识别范围的两个对角点在CAD模型空间中的坐标。4.根据权利要求3所述的一种基于深度学习的超大建筑图纸洁具识别方法，其特征在于，所述的步骤S2构建数据集时，在光栅化获取栅格图像后，将一部分图像划分为测试集，测试集以外的另一部分在滑动窗口采样后按比例随机划分为训练集和验证集。5.根据权利要求1所述的一种基于深度学习的超大建筑图纸洁具识别方法，其特征在于，所述的步骤S3中数据增强在载入训练集时对原有数据进...

【专利技术属性】
技术研发人员：马嘉悦，郑友怡，王文广，
申请(专利权)人：浙江大学，
类型：发明
国别省市：