CN112712592B - 建筑物三维模型语义化方法 - Google Patents

建筑物三维模型语义化方法 Download PDF

Info

Publication number
CN112712592B
CN112712592B CN202110327613.6A CN202110327613A CN112712592B CN 112712592 B CN112712592 B CN 112712592B CN 202110327613 A CN202110327613 A CN 202110327613A CN 112712592 B CN112712592 B CN 112712592B
Authority
CN
China
Prior art keywords
matrix
building
model
roof
semantic
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
Application number
CN202110327613.6A
Other languages
English (en)
Other versions
CN112712592A (zh
Inventor
刘俊伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Terry Digital Technology Beijing Co ltd
Original Assignee
Terra It Technology Beijing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Terra It Technology Beijing Co ltd filed Critical Terra It Technology Beijing Co ltd
Priority to CN202110327613.6A priority Critical patent/CN112712592B/zh
Publication of CN112712592A publication Critical patent/CN112712592A/zh
Application granted granted Critical
Publication of CN112712592B publication Critical patent/CN112712592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于软件图纸的建筑物三维模型语义化方法，包括S1已知地理区域坐标系建立；S2建筑功能语义分类；S3构建文本化语义模型；S4建筑屋顶语义识别以及文本化语义模型的验证；S5未知建筑类型判别和未知城市数据库的建立。本发明的方法能够在城市级别上精确进行建筑的语义识别，从而指导城市水电气、建筑本身、以及帮助其他行业搜寻目的智能管理和运用。

Description

建筑物三维模型语义化方法
技术领域
本发明涉及一种建筑物的三维模型语义化方法,尤其涉及一种建筑构建的文本语义模型的组织方法,属于建筑三维语义建模领域。
背景技术
建筑物标识属于智慧城市建设的一个项目工程，对于城市的数据化有着至关重要的作用。先前技术使用CAD、3DMAX、UG等软件实现了单个建筑物个体的详细结构和建筑构件（墙体、地面、顶）及其参数进行本地标识和数据追踪，但没有进行识别和归类。
三维语义建模是一种根据不同识别目标的特征而构建语义，从而在图形载体上显示出相应的位置。三维现有语义建模大致有两个方向，第一是无人机摄影获得云点数据，经处理后构筑在三角网络下的数据体系，进行建模，使得建筑能够得到与周边地理环境给予区分。但需要先期对于大量点云数据进行处理（如CN111915730A），并基于三角网络实现图形呈现和分割。第二种是基于实景图片中依照FCN，SegNet，U-net DeconvNet等深度学习算法将不同目标以不同颜色分割显示在原图相应区域。而建筑构件大多以四方面的形式构成，因此三角网络分割并不能准确将完整的建筑构件提取，也很难在三角网络下计算得到可以标引该建筑构件的数据指针。
对于上述两种现有的语义建模技术，首先都需要基于的实景拍摄，需要额外使用场外的拍摄设备即航拍设备如遥感摄影（CN111666856A）。在而在建筑分析中，基于图纸或制作地图是基本的分析方法，CN111008422A通过目标实景BIM模型，进行的几何结构的类型划分，重建了实地地图。CN111368757A通过图纸分割以及用途识别归类、利用机器学习得到柱大样CAD图纸特征图层分类。该现有技术虽然目的都是架构在图纸上，但仅仅属于语义建模领域的图层级的分类以及地图重建，并不能细化到每一个建筑构造的准确识别。
同时，现有技术都没有考虑利用CAD、3DMAX、UG等软件图纸上构建语义识别模型，从而很少有对建筑物的整体功能分类（属于商用、居住还是生产）、构建类型（如通过屋顶类型判别建筑风格等）进行数据库建立。因此现有建筑数据地图并没有针对每一个软件图纸进行整体模型建立以及数据库的语义构建方式，并且语义模型的直观化概念也没有实现，比如通过文本语义方式。从而限制了城市数据化的发展，以及智慧城市的建设所需要的基本大数据库形成。
发明内容
为了解决上述问题，本发明从两个方面考虑，第一将语义建模基于在图纸类软件（如CAD、3DMAX、UG等软件）中形成的图纸上，摒弃了三角网络，以地理坐标系为基准，重新定义建筑构建的指针以及指针下的参数数据，实现区域化每一个特定地理位置中每一个建筑物的内部构建进行精确的标引和分类识别，第二，通过文本化的语义建模，以直观的图形文字作为模型输出，实现了建筑的直观分析结果。
为此，本发明提供了一种基于软件图纸的建筑物三维模型语义化方法，其特征在于，S1已知地理区域坐标系与图纸库的建立，包括建立已知区域地理坐标系GL，将区域中建筑物或建筑物群给予划分，形成多个地理子区域坐标系L，在每一个坐标系L下划分出每一栋建筑物a，并将每一栋建筑物a在相应的软件图纸中的几何中心在L下的坐标作为该建筑物指针P，从而建立多个地理子区域图纸库，多个地理子区域图纸库形成GL中的建筑物图纸总库K；
S2建筑功能语义分类，包括将总库K中的图纸分为训练集以及验证集（两者比例为5:1-1:1），将建筑功能型进行分类，以建筑功能类型类型文字图像作为识别单元，比如用文字“公寓”选择一定的字体大小、格式的文字图像pij，作为公寓这一类建筑分类的识别单元，对于每一个L下的训练集图纸中每一栋建筑按照L中的从西往东，从北往南的顺序排列成矩阵M=
Figure 930419DEST_PATH_IMAGE001
，其中每一个矩阵元aij包括了一栋建筑的每一个建筑构件的几何中心坐标、建筑构件参数，且每一行从左往右代表大致从西往东走向排列，每一列从上往下代表大致从北往南排列；相应的文字图片pij作为矩阵元的分类矩阵p=
Figure 900649DEST_PATH_IMAGE002
，则矩阵M和p之间通过第一机器学习模型公式(1)训练建立文本图形化的文本语义对应关系f（M）=p(1)，其中，不存在被分析识别的建筑所在处用零矩阵元表示。其中几何中心对于难以确定几何中心或异形的建筑则以建筑在地面上预设点替代，不同建筑功能分类的建筑参数不同，当设置一定的阈值参数（包括但不限于形矩阵的矩阵元分布结构特征如内墙坐标矩阵元分布、同一竖直面上不同外墙几何中心间距定义的层高，建筑构件的倾斜角度等）时，通过矩阵M代入模型训练好的模型计算就能获得相应的文本图片化的分类结果；
S3构建文本化语义模型，针对每一个L下的M矩阵的每一个矩阵元构建文本化语义模型，包括如下步骤：
S3-1使用软件提取软件图纸中每一建筑构件，获得所述每一建筑构件的某一个矩形面的四个顶点在L下的坐标建立矩阵mij=
Figure 239227DEST_PATH_IMAGE003
，其中bij22为建筑构件几何中心坐标，建筑构件几何中心的z轴坐标定义为该建筑构件在L下的高度，其他非零矩阵元为四个顶点坐标，且所述矩形面的四个顶点可以是该建筑构件的一个面积最大、且离L原点距离最近的非楼层楼顶表面的四个顶点，或平行于L坐标系xoy坐标平面的一个面积最大、且离xoy坐标平面距离最近的平面楼层楼顶表面；对于具有弧面的建筑构件,所述的四个顶点则是在弧面能够依次连接而形成矩形的四个点。
S3-2获取该矩形面的线段bij11bij31或者bij13bij33在L坐标系下与GL水平面XOY的夹角α，将α替代矩阵mij四个零元素之一，比如第一行第二列，则形成该建筑构件的参数矩阵sij=
Figure 3920DEST_PATH_IMAGE004
，则所有参数矩阵构成形矩阵s=
Figure 386536DEST_PATH_IMAGE005
；根据该建筑构件的bij22标形成矩阵b=
Figure 753932DEST_PATH_IMAGE006
,矩阵b中每一个元素对应了一个相应位置的一个形矩阵s 和/或参数矩阵sij的矩阵元；S3-3建立建筑构件文本语义识别单元，比如用文字“墙”选择一定的字体大小、格式的图片q，作为公寓这一类建筑构件的识别单元，则q=
Figure 681437DEST_PATH_IMAGE007
，其中b和q元素一一对应，且都按照每一构件在L坐标系的位置进行排列，其排列规则是:最外的建筑构件（如外墙、楼层、顶）是排布在矩阵的第一或最后一行或列的元素，楼顶中心坐标rf是排布在矩阵的第一行左或右端的元素，楼层中心坐标fl是排布在矩阵的末行的左或右端的元素，而内部建筑构件（如内墙）则是排布在矩阵非第一或最后一行（列）的元素位置上，窗洞，梁洞，门洞的bij22则在矩阵b中表示所述墙或顶的矩阵元最邻近的矩阵元位置表示，则在矩阵中心相应按照内墙在L坐标系的空间位置排序比如b=
Figure 118497DEST_PATH_IMAGE008
，对应的q=
Figure 498663DEST_PATH_IMAGE009
显示了四面外墙和某一西北方向某一面内墙的几何中心坐标以及对应的建筑构件的识别单元,其中qrf为屋顶类型识别单元,即为屋顶类型文字图片,比如平顶,或圆顶,或尖顶等；
S3-4根据b和q通过第二机器学习模型公式(2)训练建立文本图形化的文本语义对应关系g（s）=h（b）=q（2），其中g（）为输入层，h（）为中间层，q为输出层；则对于M矩阵中每个矩阵元建立不同楼层的总语义对应关系，则aij=
Figure 669750DEST_PATH_IMAGE010
，对应的q’=
Figure 687647DEST_PATH_IMAGE011
，其中下标i和j为正整数，表示楼层数；
S4 建筑语义识别,包括,
S4-1抽取步骤S3-3中矩阵M元中rf和qrf数据建立与步骤S2中矩阵M中矩阵元对应的屋顶矩阵r=
Figure 794143DEST_PATH_IMAGE012
,以及对应的屋顶类型矩阵rs=
Figure 786238DEST_PATH_IMAGE013
，根据r和rs通过第三机器学习模型公式(3)训练建立文本化的文本语义对应关系R（r）=rs（3）,其中R()表示模型代表的函数；
S4-2通过第四机器学习模型公式(4)获得建筑类型as=（p，rs）（4）,其中p为分类矩阵；
S4-3选取总库K中验证集图纸，对模型（1）-（4）进行验证，获得最终的模型。
S5建筑类型判别和城市数据库的建立，包括：
S5-1建立未知地理区域GL’，在GL’下建立感兴趣子区域L’；
S5-2获取建筑图纸中的形矩阵s’，矩阵b’，构建矩阵M’代入模型（1）获得建筑功能类别p’，形矩阵s’代入模型（2）获得矩阵q’，抽取rf’获得屋顶矩阵r’，r’代入模型（3）得到建筑风格rs’，则建筑类型as=（p’，rs’）；
S5-3将建筑类型as和所有形矩阵s’连同L’构建城市建筑数据库以建立未知地理区域建筑物图纸总库K’。
其中第一、第二、第三、第四机器学习模型根据实际需要选择，可以是生成对抗网络（GAN）、深度神经网络模型（DNN），SVM支持向量机，深度学习模型，决策树模型，逻辑回归，朴素贝叶斯。
在一个实施例中，如图5，采用生成对抗网络-深度神经网络模型联合算法(GAN-DNN)作为机器学习模型，包括：
Q1将多个L下的矩阵M、形矩阵s和屋顶矩阵r作为随机参数和阈值参数从输入端输入GAN算法中的生成器G，利用图纸经过GAN算法中的判别模型D判断类型是否是真，通过训练分别形成建筑功能分类模型GAN（M）（1’）、文本化语义模型GAM（s）（2’）和屋顶类型模型GAN（r）（3’）；
Q2使用某个L下的矩阵M’、形矩阵s’和屋顶矩阵r’分别代入训练好的模型（1’）-（3’）并分别生成建筑图片pic1、建筑构件图片pic2和屋顶类型图片pic3；
Q3将pic1-pic3作为输入端，分别以p、q、rs作为输出端，训练建立模型DNN（pic1）（5）、DNN(pic2)（6）、DNN(pic3)（7）；
Q4 将模型（1’）-（3’）的输出端分别作为模型（5）-（7）的输入端，构建生成对抗网络-深度神经网络模型联合算法（GAN-DNN），则模型（1）即为GAN（M）- pic1-DNN（pic1）-p；模型（2）即为GAN（s）- pic2-DNN（pic2）-q；模型（3）即为GAN（r）- pic3-DNN（pic3）-rs，分别简记作：GD（M）=p；GD（s）=q；GD（r）=rs；
Q5将（GD（M），GD（r））数据对作为随机参数，建立GAN-DNN模型，从输出端输出as,则GAN（GD（M），GD（r））- pic4-DNN（pic4）-as，简记作：GD（GD（M），GD（r））=as，即为模型（4）。
其中，所述地理坐标系为笛卡尔坐标系或非欧几何坐标系。
本发明的有益效果，第一，通过建筑构件在地理坐标系中的真实表征构件外形的四顶点以及中心坐标作为语义参数，代替了三角网络。第二，利用矩阵作为语义参数组织手段，在构建起与图纸空间上一一对应的建筑构件参数和语义参数，同图形化的判断结果作为输出端，构建建筑类型模型，有效地利用了大量的城市图纸数据，而避免了大量的实景拍摄工作，和云点数据分析处理以及语义分割的过程。第三，能够以地面和建筑测绘级别分辨每一个建筑构件在地理区域的真实位置，精准度远高于遥感云点图识别结果。第四，为城市数据库建立提供了语义模型工具，能够对未知地理区域进行位置和类别精准的城市数据构建，为智慧城市的实现提供大数据支撑。
附图说明
图1 本发明一种基于软件图纸的建筑物三维模型语义化方法流程图以及每一步骤得到的模型，
图2 本发明一个实施例的基于图纸的公寓建筑语义模型构建示意图，
图3 已知地理区域GL下的图纸总库K的数据组织构架图，
图4代表“公寓”的类型图片，
图5 GAN-DNN联合算法流程图，
其中附图标记，1图纸中公寓建筑图局部，2西外墙，3南外墙，4内墙，5楼层，6梁，7窗洞，8梁洞，GL为已知地理区域坐标系X-O-Y-Z（O为原点），L地理子区域坐标系x-o-y-z（o为原点）。
具体实施方式
下面根据图1-3对本发明的方法实现进行说明。
实施例1
如图2所示的某已知省会城市A地理坐标系GL下，在矢量Oo顶点处存在感兴趣的子区域。建立地理子区域坐标系L，L原点在局部1的楼层5，也即地基所在的xoy平面上，z轴沿着西外墙外表面和南外墙3的外表面的交线大致重合（由墙体垂直度和墙体外表面涂层材料涂抹质量决定）。而在L中划分出的一栋28层公寓建筑物的某一楼层图纸局部1（楼层为1楼）。该局部1属于参与了本实施例方法构建的训练集中一处建筑，对应的建筑物a在相应的软件图纸中的几何中心c（图未示）在L下的坐标作为该建筑物指针P1、P2、P3...，从而属于建立多个地理子区域图纸库中，而该地理区域GL中多个地理子区域L1。。。LN-1图纸库形成GL中的建筑物图纸总库K（参见图3）。
实施例2
接着进行建筑功能语义分类，将实施例1中的局部1作为训练图，实际训练训练集以及验证集两者比例为2:1。首先建筑功能类型进行分类，形成以类型文字图像作为识别单元，用文字“公寓”选择三号宋体、制作出计算机可识别的图形类型图片pij如图4所示，作为公寓这一类建筑分类的识别单元，对于L下的训练集图纸中每一栋建筑的几何中心坐标按照L中的从西往东，从北往南的顺序排列成矩阵M=
Figure 308487DEST_PATH_IMAGE014
，其中矩阵元am1即表示图2中局部1所在L下的西南角的一栋建筑矩阵元，am1包括了该栋建筑几何中心坐标Pm1、以及建筑构件参数。
其中建筑构件参数包括图2中每一面墙体、梁6、窗洞7、梁洞8的四顶点和中心坐标，及其面相对于坐标系L的XOY水平面的角度（参见实施例3），且每一行从左往右代表从西往东走向排列，每一列从上往下代表从北往南排列；相应的文字图片图4作为矩阵元的分类矩阵p=
Figure 977628DEST_PATH_IMAGE015
其中am1和对应的“公寓”字样图形对应。
则对于多个地理子区域L1。。。LN-1图纸库形成多个M1、M2、M3...和p之间通过第一机器学习训练SVM支持向量机建立文本图形化的文本语义对应关系f（M）=p。不存在被分析识别的建筑所在处用零矩阵元“0”表示。设置公寓标准和参数阈值包括同一竖直面上不同外墙几何中心间距定义的层高2.7m阈值±1m，顶的倾斜角度0-5°，误差0.01°（或按照国家建筑标准规定）时，通过M矩阵代入模型训练好的模型GAN-DNN联合模型GD（M）=p中计算就能获得相应的文本图片化的分类结果。
在L1坐标系下同一位置的建筑a1参数如下：
表1. L1坐标系下建筑a1的模型计算分类结果
Figure 927129DEST_PATH_IMAGE016
其中零为池塘区域。
实施例3
继续实施例2针对矩阵元am1构建文本化语义模型（其他矩阵元处理方法一致），包括如下步骤：
S3-1使用3Dmax软件提取建筑图纸中每一建筑构件，如图2包括西外墙2，南外墙3，内墙4，楼层5，梁6，窗洞7，梁洞8，获得所述每一建筑构件的最靠近x-o-y-z一个矩形面的四个顶点在L下的坐标，建立矩阵m西外墙=
Figure 547466DEST_PATH_IMAGE017
，m南外墙=
Figure 732460DEST_PATH_IMAGE018
，m内墙=
Figure 895588DEST_PATH_IMAGE019
，m楼层=
Figure 875045DEST_PATH_IMAGE020
，m梁=
Figure 15302DEST_PATH_IMAGE021
，m窗洞=
Figure 613774DEST_PATH_IMAGE022
，m梁洞=
Figure 756042DEST_PATH_IMAGE023
，其中bij22为建筑构件几何中心坐标(ij=西外墙、南外墙、内墙、楼层、梁、窗洞、梁洞)，其z轴坐标定义为该建筑构建在L下的高度，其他非零矩阵元为四个顶点坐标，所述矩形面的四个顶点可以是该建筑构件的一个面积最大、且离L原点距离最近的非楼层表面的四个顶点非楼层表面，或平行于L坐标系xoy坐标平面的一个面积最大、且离xoy坐标平面距离最近的楼层楼顶表面；
S3-2获取该建筑构件的线段bij11bij31或者bij13bij33(ij=西外墙、南外墙、内墙、楼层、梁、窗洞、梁洞)在L坐标系下与水平面xoy的夹角α，将α替代矩阵mij四个零元素之一，第一行第二列，则形成该建筑构件的参数矩阵如下：
s西外墙=
Figure 171980DEST_PATH_IMAGE024
，s南外墙=
Figure 439013DEST_PATH_IMAGE025
，s内墙=
Figure 841176DEST_PATH_IMAGE026
，s楼层=
Figure 837950DEST_PATH_IMAGE027
，s梁=
Figure 926254DEST_PATH_IMAGE028
，s窗洞=
Figure 883846DEST_PATH_IMAGE029
，s梁洞=
Figure 214333DEST_PATH_IMAGE030
，则所有参数矩阵构成形矩阵s=
Figure 206560DEST_PATH_IMAGE031
(
Figure 698721DEST_PATH_IMAGE032
和
Figure 533822DEST_PATH_IMAGE033
表示矩阵元相邻排列)；根据该建筑构件的bij22(ij=西外墙、南外墙、内墙、楼层、梁、窗洞、梁洞)矩阵元形成矩阵b=
Figure 74525DEST_PATH_IMAGE034
(
Figure 655679DEST_PATH_IMAGE035
和
Figure 85786DEST_PATH_IMAGE036
Figure 142603DEST_PATH_IMAGE037
表示矩阵元相邻排列),矩阵b中每一个元素对应了一个形矩阵s 和/或参数矩阵sij的矩阵元；S3-3建立建筑构件文本语义识别单元，用文字选择一定的三号宋体的图片q，作为公寓这一类建筑构件的识别单元，则q=
Figure 690259DEST_PATH_IMAGE038
(
Figure 781712DEST_PATH_IMAGE039
和表示文字图像矩阵元相邻排列).可见其中b和q元素是一一对应的，且都按照每一构件在L坐标系的位置进行排列.其排列规则是最外建筑构件（如外墙、楼层、顶）排布在矩阵的第一或最后一行（列）的元素，顶中心坐标rf楼顶22在第一行右端，楼层中心坐标fl楼层22在末行右两端，而内墙4则在矩阵第二行第二列的元素位置上排布。窗洞7，梁洞8，的bij22则在矩阵b中表示所述墙或顶的矩阵元最临近右和左位置的矩阵元位置表示。
S3-4根据b和q通过神经网络训练建立文本图形化的文本语义对应关系；GD（s）=q；则对于M矩阵中每个矩阵元建立不同楼层的总语义对应关系，则实施例1中M矩阵的矩阵元amn=
Figure 615676DEST_PATH_IMAGE040
，对应的q’=
Figure 300735DEST_PATH_IMAGE041
表2.L1坐标系下建筑a1的模型计算文本化语义识别结果
Figure 183240DEST_PATH_IMAGE042
可见别墅具有地表2层，地下1层，且给出了1楼的文本化语义识别结果。
实施例4
S4 建筑语义识别,包括,
S4-1抽取实施例3中步骤S3-3中矩阵M的矩阵元中rf和qrf数据建立与实施例2中步骤S2中矩阵M的矩阵中矩阵元对应的屋顶矩阵r=
Figure 365085DEST_PATH_IMAGE043
,以及对应的屋顶类型矩阵rs=
Figure 838792DEST_PATH_IMAGE044
，根据r和rs通过神经网络训练建立文本图形化的文本语义对应关系 GD（r）=rs；
S4-2通过GAN-DNN算法训练得到建筑类型GD（GD（M），GD（r））=as（4）。
S4-3选取图3中总库K中验证集图纸，对模型（1）-（4）进行验证，获得最终的模型。
表3.L1坐标系下建筑a1的模型计算文本化语义识别结果
Figure 276727DEST_PATH_IMAGE045
实施例5
S5建筑类型判别和非省会城市B数据库的建立，包括：
S5-1建立城市A所在省的邻省省会地理区域坐标系GL’，在GL’下建立城市B中市心区域L’；
S5-2获取建筑图纸中的形矩阵s’，矩阵b’，构建矩阵M’代入模型GD（M’）获得建筑功能类别p’，形矩阵s’代入模型GD（s’）获得矩阵q’，抽取rf’获得屋顶矩阵r’，r’代入模型GD（r’）得到建筑风格rs’，则建筑类型GD（GD（M’），GD（r’））=as；
S5-3将建筑类型rs’、所有形矩阵s’、建筑类型as’连同L’构建城市B建筑数据库以建立城市B市中心建筑物图纸总库K’。
本发明的方法能够在城市级别上精确进行建筑的语义识别，从而指导城市水电气、建筑本身、以及帮助其他行业搜寻目的智能管理和运用。

Claims (5)

1.一种基于软件图纸的建筑物三维模型语义化方法，其特征在于，
S1已知地理区域坐标系与图纸库的建立；
S2建筑功能语义分类；
S3构建文本化语义模型；
S4 建筑屋顶语义识别以及文本化语义模型的验证；
S5未知建筑类型判别和未知城市数据库的建立，其中，
步骤S1包括建立已知区域地理坐标系GL，将区域中建筑物或建筑物群给予划分，形成多个地理子区域坐标系L，在每一个坐标系L下划分出每一栋建筑物a，并将每一栋建筑物a在相应的软件图纸中的几何中心或预设点在L下的坐标作为该建筑物指针P，从而建立多个地理子区域图纸库，多个地理子区域图纸库形成GL中的建筑物图纸总库K；
步骤S2包括将总库K中的图纸分为训练集以及验证集，两者比例为5:1-1:1；
将建筑功能类型进行分类，以建筑功能类型文字图像作为识别单元，选择预设的字体大小、格式的文字形成文字图像pij作为建筑分类的识别单元，对于每一个L下的训练集图纸中每一栋建筑按照L中的位置顺序排列成矩阵M=
Figure 722470DEST_PATH_IMAGE001
，其中每一个矩阵元aij包括了一栋建筑的每一个建筑构件的几何中心坐标、建筑构件参数；相应的文字图像pij作为矩阵元的分类矩阵p=
Figure 374031DEST_PATH_IMAGE002
，则矩阵M和分类矩阵p之间通过第一机器学习模型公式(1)训练建立文本图形化的文本语义对应关系f（M）=p (1)，其中，不存在被分析识别的建筑所在处用零矩阵元表示；
步骤S3包括针对每一个L下的矩阵M的每一个矩阵元构建文本化语义模型，包括如下步骤：
S3-1使用软件提取软件图纸中每一建筑构件，获得所述每一建筑构件的一个矩形面的四个顶点在L下的坐标，建立矩阵mij=
Figure 12822DEST_PATH_IMAGE003
，其中bij22为建筑构件几何中心坐标，建筑构件几何中心的z轴坐标定义为该建筑构件在L下的高度，其他非零矩阵元为四个顶点坐标，且所述矩形面的四个顶点是该建筑构件的一个面积最大、且离L原点距离最近的非楼层楼顶表面的四个顶点，或平行于L坐标系xoy坐标平面的一个面积最大、且离xoy坐标平面距离最近的平面楼层表面或楼顶的下表面；对于具有弧面的建筑构件,所述的四个顶点则是在弧面能够依次连接而形成矩形的四个点；
S3-2获取该矩形面的线段bij11bij31或者bij13bij33在L坐标系下与GL水平面XOY的夹角α，将α替代矩阵mij四个零元素之一，形成该建筑构件的参数矩阵sij，则所有参数矩阵构成形矩阵s=
Figure 876873DEST_PATH_IMAGE004
；根据该建筑构件的bij22形成矩阵b=
Figure 425666DEST_PATH_IMAGE005
,矩阵b中每一个元素对应了一个相应位置的一个形矩阵s和/或参数矩阵sij的矩阵元；
S3-3建立建筑构件文本语义识别单元，选择预设的字体大小、格式的文字形成图片q，作为建筑构件的识别单元，则q=
Figure 857916DEST_PATH_IMAGE006
，其中b和q元素一一对应，且都按照每一构件在L坐标系的位置进行排列，其排列规则是:最外的建筑构件是排布在矩阵的第一或最后一行或列的元素，楼顶中心坐标rf是排布在矩阵的第一行左或右端的元素，楼层中心坐标fl是排布在矩阵的末行的左或右端的元素，而内部建筑构件则在矩阵非第一或最后一行或列的元素位置上排布，窗洞，梁洞，门洞的bij22则在矩阵b中表示墙或楼顶的矩阵元最邻近的矩阵元位置表示；
S3-4根据b和q通过第二机器学习模型公式(2)训练建立文本图形化的文本语义对应关系g（s）=h（b）=q （2），其中g（）为输入层，h（）为中间层，q为输出层；则对于矩阵M中每个矩阵元建立不同楼层的总语义对应关系，则aij=
Figure 859370DEST_PATH_IMAGE007
，对应的q’=
Figure 792691DEST_PATH_IMAGE008
，其中下标i和j为正整数，表示楼层数；
步骤S4包括,
S4-1抽取步骤S3-3中矩阵M的矩阵元中rf和qrf数据建立与步骤S2中矩阵M中矩阵元对应的屋顶矩阵r=
Figure 195990DEST_PATH_IMAGE009
,以及对应的屋顶类型矩阵rs=
Figure 88555DEST_PATH_IMAGE010
根据r和rs通过第三机器学***顶,或圆顶,或尖顶；
S4-2通过第四机器学习模型公式(4)获得建筑类型as=（p，rs）（4）,其中p为分类矩阵；
S4-3选取总库K中验证集图纸，对模型（1）-（4）进行验证，获得最终的模型。
2.根据权利要求1的所述方法，其特征在于，步骤S5包括：
S5-1建立未知地理区域GL’，在GL’下建立感兴趣子区域L’；
S5-2获取建筑图纸中的形矩阵s’，矩阵b’，构建矩阵M’代入模型（1）获得建筑功能类别p’，形矩阵s’代入模型（2）获得矩阵q’，抽取rf’获得屋顶矩阵r’，r’代入模型（3）得到建筑风格rs’，则建筑类型as=（p’，rs’）；
S5-3将建筑类型as和所有形矩阵s’连同L’构建城市建筑数据库以建立未知地理区域建筑物图纸总库K’。
3.根据权利要求1或2所述的方法，其特征在于，其中第一、第二、第三、第四机器学习模型包括生成对抗网络，深度神经网络模型，SVM支持向量机，决策树模型，逻辑回归，朴素贝叶斯。
4.根据权利要求3所述的方法，其特征在于，其中第一、第二、第三、第四机器学习模型均采用生成对抗网络-深度神经网络模型联合算法作为机器学习模型，包括：
Q1将多个L下的矩阵M、形矩阵s和屋顶矩阵r作为随机参数和阈值参数从输入端输入GAN算法中的生成器G，利用图纸经过GAN算法中的判别模型D判断类型是否是真，通过训练分别形成建筑功能分类模型GAN（M）（1’）、文本化语义模型GAM（s）（2’）和屋顶类型模型GAN（r）（3’）；
Q2使用某个L下的矩阵M’、形矩阵s’和屋顶矩阵r’分别代入训练好的模型（1’）-（3’）并分别生成建筑图片pic1、建筑构件图片pic2和屋顶类型图片pic3；
Q3将pic1-pic3作为输入端，分别以p、q、rs作为输出端，训练建立模型DNN（pic1）（5）、DNN(pic2)（6）、DNN(pic3)（7）；
Q4 将模型（1’）-（3’）的输出端分别作为模型（5）-（7）的输入端，构建生成对抗网络-深度神经网络模型联合算法GAN-DNN，则模型（1）即为GAN（M）-pic1-DNN（pic1）-p；模型（2）即为GAN（s）-pic2-DNN（pic2）-q；模型（3）即为GAN（r）-pic3-DNN（pic3）-rs，分别简记作：GD（M）=p；GD（s）=q；GD（r）=rs；
Q5将（GD（M），GD（r））数据对作为随机参数，建立GAN-DNN模型，从输出端输出as,则GAN（GD（M），GD（r））-pic4-DNN（pic4）-as，简记作：GD（GD（M），GD（r））=as，即为模型（4）。
5.根据权利要求4所述的方法，其特征在于，其中所述地理坐标系为笛卡尔坐标系或非欧几何坐标系。
CN202110327613.6A 2021-03-26 2021-03-26 建筑物三维模型语义化方法 Active CN112712592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110327613.6A CN112712592B (zh) 2021-03-26 2021-03-26 建筑物三维模型语义化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110327613.6A CN112712592B (zh) 2021-03-26 2021-03-26 建筑物三维模型语义化方法

Publications (2)

Publication Number Publication Date
CN112712592A CN112712592A (zh) 2021-04-27
CN112712592B true CN112712592B (zh) 2021-07-02

Family

ID=75550341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110327613.6A Active CN112712592B (zh) 2021-03-26 2021-03-26 建筑物三维模型语义化方法

Country Status (1)

Country Link
CN (1) CN112712592B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435833B (zh) * 2021-06-11 2022-05-03 泰瑞数创科技(北京)有限公司 智慧社区的城市三维模型协同管理方法与***
CN113436319B (zh) * 2021-07-01 2022-03-18 泰瑞数创科技(北京)有限公司 城市室内三维语义模型的异形排列矩阵构建方法及其***
CN114387417B (zh) * 2022-03-25 2022-05-27 北京飞渡科技有限公司 一种三维建筑建模方法、装置及三维建筑群建模方法
CN115393583B (zh) * 2022-07-21 2023-09-29 泰瑞数创科技(北京)股份有限公司 对墙体进行人工智能语义分割的方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10055114B2 (en) * 2016-01-22 2018-08-21 Johnson Controls Technology Company Building energy management system with ad hoc dashboard
CN108363867B (zh) * 2018-02-09 2021-04-20 广州大学 基于建筑图纸的建筑物自动建模方法
CN111368757A (zh) * 2020-03-09 2020-07-03 广联达科技股份有限公司 面向机器学习的柱大样建筑图纸图层分类方法及***
CN111815602B (zh) * 2020-07-06 2022-10-11 清华大学 基于深度学习和形态学的建筑pdf图纸墙体识别装置和方法
CN111597170B (zh) * 2020-07-21 2021-06-08 泰瑞数创科技(北京)有限公司 一种无损地由bim模型构建空间语义数据库的方法
CN112084719B (zh) * 2020-09-17 2022-08-02 招商局重庆交通科研设计院有限公司 基于计算机辅助设计和辅助仿真的道路交通智能设计平台
CN112270027B (zh) * 2020-10-29 2021-07-09 东南大学 基于实体模型的城市设计无纸化智能交互审查方法

Also Published As

Publication number Publication date
CN112712592A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN112712592B (zh) 建筑物三维模型语义化方法
CN110570428B (zh) 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及***
Chen et al. Topologically aware building rooftop reconstruction from airborne laser scanning point clouds
CN112052503B (zh) 一种基于人工智能的商业街区建筑体块生成的方法
CN111008422B (zh) 一种建筑物实景地图制作方法及***
CN108389255B (zh) 基于分层高程云图的地形几何参数提取方法
CN105976426B (zh) 一种快速的三维地物模型构建方法
CN111815776A (zh) 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法
US20230074265A1 (en) Virtual scenario generation method and apparatus, computer device and storage medium
CN107862738A (zh) 一种基于移动激光测量点云进行室内结构化三维重建方法
CN107833273B (zh) 基于三维仿真模型的倾斜摄影三维模型对象化应用方法
CN104835202A (zh) 一种三维虚拟场景快速构建方法
Laycock et al. Automatically generating large urban environments based on the footprint data of buildings
CN113436319B (zh) 城市室内三维语义模型的异形排列矩阵构建方法及其***
KR101551739B1 (ko) 3차원 지형상에 구조물을 위치시키는 방법
CN108921943A (zh) 一种基于车道级高精度地图的道路三维模型建模方法
CN116543117B (zh) 一种无人机影像的高精度大场景三维建模方法
CN104751511A (zh) 一种三维场景构建方法和装置
CN115661374B (zh) 一种基于空间划分和模型体素化的快速检索方法
CN115438133A (zh) 一种基于语义关系的地理实体几何表达方法
CN116069882A (zh) 空域网格图生成方法
CN114758086A (zh) 一种城市道路信息模型的构建方法及装置
She et al. 3D building model simplification method considering both model mesh and building structure
Adreani et al. A photorealistic 3D city modeling framework for smart city digital twin
Zhang et al. A geometry and texture coupled flexible generalization of urban building models

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 22 / F, building 683, zone 2, No. 5, Zhongguancun South Street, Haidian District, Beijing 100086

Patentee after: Terry digital technology (Beijing) Co.,Ltd.

Address before: 100089 22 / F, building 683, zone 2, 5 Zhongguancun South Street, Haidian District, Beijing

Patentee before: Terra-IT Technology (Beijing) Co.,Ltd.