CN112733246B - 建筑物的自动设计方法、装置、终端、存储介质及处理器 - Google Patents
建筑物的自动设计方法、装置、终端、存储介质及处理器 Download PDFInfo
- Publication number
- CN112733246B CN112733246B CN202110088028.5A CN202110088028A CN112733246B CN 112733246 B CN112733246 B CN 112733246B CN 202110088028 A CN202110088028 A CN 202110088028A CN 112733246 B CN112733246 B CN 112733246B
- Authority
- CN
- China
- Prior art keywords
- parameters
- design
- building
- model
- network model
- 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
Links
- 238000013461 design Methods 0.000 title claims abstract description 415
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 73
- 238000003062 neural network model Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000005457 optimization Methods 0.000 claims abstract description 66
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 20
- 230000003993 interaction Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 abstract description 26
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 10
- 238000003908 quality control method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012216 screening 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种建筑物的自动设计方法、装置、终端、存储介质及处理器,该方法包括:对建筑物的需求参数与建筑物的设计参数,利用生成式对抗神经网络模型进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型;利用建筑物的设计方案,对所述人工智能模型进行学习,得到优化模型;在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,作为待设计的建筑物的设计方案,以实现对待设计的建筑物的自动设计。该方案,通过根据住户需求自动设计小型住宅,使小型住宅的功能更全、空间布局和动线更合理,从而提升住户的居住体验。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种建筑物的自动设计方法、装置、终端、存储介质及处理器,尤其涉及一种基于人工智能的小型住宅自动设计方法、装置、终端、存储介质及处理器。
背景技术
相关方案中,虚拟设计技术已经得到普遍的应用,基于人工智能的自动虚拟设计技术开始在城市住宅、公共建筑进行探索。然而,由于城市住宅一般体量较大、内部构造较为复杂,自动设计实现效果并不理想,而且大型住宅一般有专业设计师介入,设计资源较为丰富。相比之下,诸如农村自建房屋等小型住宅,由于缺乏设计资源、不同地区的住宅特点差异大、住宅设计时往往没有遵循相关法律和规范体系,一些住宅建设存在盲目性、严重缺乏科学技术的支持,再加上相互攀比,造成此类小型住宅普遍存在高、大、空的现象,普遍存在功能不全、空间布局混乱、动线杂乱等问题,导致很多建成的房子居住体验不佳。
因此,需要引入更为自动化和智能化的设计技术,以提升小型住宅的设计品质和居住体验。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的目的在于,提供一种建筑物的自动设计方法、装置、终端、存储介质及处理器,以解决小型住宅的设计存在功能不全、空间布局混乱、动线杂乱等问题,影响住户的居住体验的问题,达到通过根据住户需求自动设计小型住宅,使小型住宅的功能更全、空间布局和动线更合理,从而提升住户的居住体验的效果。
本发明提供一种建筑物的自动设计方法,包括:对建筑物的需求参数与建筑物的设计参数,利用生成式对抗神经网络模型进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型;利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型;在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,作为待设计的建筑物的设计方案,以实现对待设计的建筑物的自动设计。
在一些实施方式中,对建筑物的需求参数与建筑物的设计参数,利用生成式对抗神经网络模型进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型,包括:定义建筑物的设计方案所涉及的总体参数;所述总体参数,能够体现建筑物的需求参数与建筑物的设计参数;所述总体参数,包括:固定参数和可调参数;所述固定参数是建筑物的设计方案中指定的参数,所述可调参数是建筑物的设计方案中能够优化的参数;收集建筑物的设计方案,形成建筑物的设计方案的产品库;根据定义的所述总体参数,对所述产品库中建筑物的设计方案进行提取,得到所述产品库中每个建筑物的需求参数与每个建筑物的设计参数;按照建筑物的设计规范,对所述产品库中每个建筑物的需求参数与每个建筑物的设计参数进行检验,剔除所述产品库中不符合所述设计规范的建筑物的需求参数和设计参数,得到所述产品库中符合所述设计规范的建筑物的需求参数和设计参数;构建生成式对抗神经网络模型,将所述产品库中符合所述设计规范的一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的训练集,利用所述生成式对抗神经网络模型对所述训练集进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型;其中,所述生成式对抗神经网络模型,包括:深度卷积网络模型和普通全连接网络模型;所述训练集,包括:建筑物的需求参数和设计参数中的户型布置图,以及建筑物的需求参数和设计参数中除户型布置图之外的其它数量参数;利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述训练集中的户型布置图进行训练;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述训练集中除户型布置图之外的其它数量参数进行训练。
在一些实施方式中,利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型,包括:将所述产品库中符合所述设计规范的另一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的学习集,利用所述生成式对抗神经网络模型对所述学习集进行学习,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型的优化模型;所述优化模型,包括:生成网络模型和对抗网络模型;其中,利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述学习集中的户型布置图进行学习;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述学习集中除户型布置图之外的其它数量参数进行学习。
在一些实施方式中,在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,包括:将住户对待设计的建筑物的当前需求参数中的固定参数,输入所述优化模型中的生成网络模型中,得到待设计的建筑物的户型图像组合;将住户对待设计的建筑物的当前需求参数中的可调参数,输入所述优化模型中的对抗网络模型中,得到待设计的建筑物的自动优化参数组合;对所述户型图像组合和所述自动优化参数组合进行鉴别和筛选后,输出符合所述设计规范的户型图像和自动优化参数;将符合所述设计规范的户型图像和自动优化参数进行合并,得到与住户对待设计的建筑物的当前需求参数对应的当前设计参数,并将所述当前设计参数通过可视化界面生成三维模型,以便住户通过虚拟交互展示模块观看所述当前设计参数的设计效果。
与上述方法相匹配,本发明另一方面提供一种建筑物的自动设计装置,包括:模型建立单元,被配置为对建筑物的需求参数与建筑物的设计参数,利用生成式对抗神经网络模型进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型;所述模型建立单元,还被配置为利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型;自动设计单元,被配置为在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,作为待设计的建筑物的设计方案,以实现对待设计的建筑物的自动设计。
在一些实施方式中,所述模型建立单元,对建筑物的需求参数与建筑物的设计参数,利用生成式对抗神经网络模型进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型,包括:定义建筑物的设计方案所涉及的总体参数;所述总体参数,能够体现建筑物的需求参数与建筑物的设计参数;所述总体参数,包括:固定参数和可调参数;所述固定参数是建筑物的设计方案中指定的参数,所述可调参数是建筑物的设计方案中能够优化的参数;收集建筑物的设计方案,形成建筑物的设计方案的产品库;根据定义的所述总体参数,对所述产品库中建筑物的设计方案进行提取,得到所述产品库中每个建筑物的需求参数与每个建筑物的设计参数;按照建筑物的设计规范,对所述产品库中每个建筑物的需求参数与每个建筑物的设计参数进行检验,剔除所述产品库中不符合所述设计规范的建筑物的需求参数和设计参数,得到所述产品库中符合所述设计规范的建筑物的需求参数和设计参数;构建生成式对抗神经网络模型,将所述产品库中符合所述设计规范的一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的训练集,利用所述生成式对抗神经网络模型对所述训练集进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型;其中,所述生成式对抗神经网络模型,包括:深度卷积网络模型和普通全连接网络模型;所述训练集,包括:建筑物的需求参数和设计参数中的户型布置图,以及建筑物的需求参数和设计参数中除户型布置图之外的其它数量参数;利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述训练集中的户型布置图进行训练;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述训练集中除户型布置图之外的其它数量参数进行训练。
在一些实施方式中,所述模型建立单元,利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型,包括:将所述产品库中符合所述设计规范的另一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的学习集,利用所述生成式对抗神经网络模型对所述学习集进行学习,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型的优化模型;所述优化模型,包括:生成网络模型和对抗网络模型;其中,利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述学习集中的户型布置图进行学习;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述学习集中除户型布置图之外的其它数量参数进行学习。
在一些实施方式中,所述自动设计单元,在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,包括:将住户对待设计的建筑物的当前需求参数中的固定参数,输入所述优化模型中的生成网络模型中,得到待设计的建筑物的户型图像组合;将住户对待设计的建筑物的当前需求参数中的可调参数,输入所述优化模型中的对抗网络模型中,得到待设计的建筑物的自动优化参数组合;对所述户型图像组合和所述自动优化参数组合进行鉴别和筛选后,输出符合所述设计规范的户型图像和自动优化参数;将符合所述设计规范的户型图像和自动优化参数进行合并,得到与住户对待设计的建筑物的当前需求参数对应的当前设计参数,并将所述当前设计参数通过可视化界面生成三维模型,以便住户通过虚拟交互展示模块观看所述当前设计参数的设计效果。
与上述装置相匹配,本发明再一方面提供一种终端,包括:以上所述的建筑物的自动设计装置。
与上述方法相匹配,本发明再一方面提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行以上所述的建筑物的自动设计方法。
与上述方法相匹配,本发明再一方面提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行以上所述的建筑物的自动设计方法。
由此,本发明的方案,通过建立混合了图像识别和深度神经网络的人工智能模型,利用该人工智能模型在学习大量设计方案后,自动按照住户需求生成新的设计方案,得到能够满足住户需求的小型住宅;通过根据住户需求自动设计小型住宅,使小型住宅的功能更全、空间布局和动线更合理,从而提升住户的居住体验。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的建筑物的自动设计方法的一实施例的流程示意图;
图2为本发明的方法中利用生成式对抗神经网络模型进行训练的一实施例的流程示意图;
图3为本发明的方法中利用所述优化模型对所述当前需求参数进行处理的一实施例的流程示意图;
图4为本发明的建筑物的自动设计装置的一实施例的结构示意图;
图5为基于人工智能的小型住宅自动设计方法的一实施例的流程示意图;
图6为基于人工智能的小型住宅自动设计方法的一实施例的设计方案示意图,(a)为虚拟设计方案;(b)为平面布置方案;(c)为区域划分和标记;(d)为补边及缩放;
图7为针对设计方案的D-DCGAN(即深度卷积对抗生成网络)的一实施例的结构示意图;
图8为GAN(即生成式对抗网络)模型训练与自动方案生成过程的一实施例的流程示意图;
图9为小型住宅自动设计装置的一实施例的结构示意图。
结合附图,本发明实施例中附图标记如下:
102-模型建立单元;104-自动设计单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例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。
根据本发明的实施例,提供了一种建筑物的自动设计方法,如图1所示本发明的方法的一实施例的流程示意图。该建筑物的自动设计方法可以包括:步骤S110至步骤S130。
在步骤S110处,对建筑物的需求参数与建筑物的设计参数,利用生成式对抗神经网络模型进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型,即建立至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型。
在一些实施方式中,步骤S110中对建筑物的需求参数与建筑物的设计参数,利用生成式对抗神经网络模型进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型的具体过程,参见以下示例性说明。
下面结合图2所示本发明的方法中利用生成式对抗神经网络模型进行训练的一实施例流程示意图,进一步说明步骤S110中利用生成式对抗神经网络模型进行训练的具体过程,包括:步骤S210至步骤S240。
步骤S210,定义建筑物的设计方案所涉及的总体参数。所述总体参数,能够体现建筑物的需求参数与建筑物的设计参数。所述总体参数,包括:固定参数和可调参数。所述固定参数是建筑物的设计方案中指定的参数,所述可调参数是建筑物的设计方案中能够优化的参数。
具体地,按照小型住宅的实际情况,选择所需的参数子集。首先预定义了小型住宅设计方案的总体参数化体系如表1,可分为必须在方案前指定的参数和可以自动优化的参数。其中,平面布置图直接以图片形式输入,数学上为一个离散矩阵。基本建筑参数包括占地面积、建筑面积、层数、层高、柱间距、主朝向角度、风格类型;房间划分参数包括起居室面积、庭院面积、阳台面积、厨房面积、卧室个数、卧室面积、卫生间个数、门总面积、窗总面积;房间逻辑关系参数如起居室直连数、厨房直连数、走廊净宽。定义参数体系后,达到的效果是可以按照该体系,将具体的设计方案转化为人工智能模型可识别的数据结构。
步骤S220,收集建筑物的设计方案,形成建筑物的设计方案的产品库;根据定义的所述总体参数,对所述产品库中建筑物的设计方案进行提取,得到所述产品库中每个建筑物的需求参数与每个建筑物的设计参数。
具体地,广泛收集已有的小型住宅设计方案,按所选的参数化体系,提取并形成既有小型住宅设计方案大数据库,最后合并形成统一格式存储的方案参数集合。更具体地:
户型布置图由实际平面与空间划分信息生成。首先由建筑信息模型或设计图纸确定标准的户型平面。然后划分标记空间区域,形成一个图片。然后对划分好的图片填充黑边,令其形状变成正方形,然后缩小至32*32像素。最后将图片转换为矩阵,矩阵里的每个元素都是指定了该处的户型空间类型的one-hot向量(即多分类标签)。例如:总共有6种空间区域,某个坐标属于卧室,则该处的元素可能为(0,1,0,0,0,0),另一个坐标属于客厅,则该处的元素可能为(0,0,0,1,0,0),等等。
其它数量参数,对于已经建立信息化模型(如数字孪生模型)的建筑,可以由模型辅助提取。对于仅有设计图纸的既有建筑,由人工识别并提取建筑的设计参数。例如:一个方案经参数化后,结果如下:
(238,446,3,3.2,90,[1,0,0,1,0],54,68,20,5,207,3,56,4,2)。每个元素分别对应占地面积、建筑面积、层数、层高、主朝向角度、风格类型、起居室面积、庭院面积、厨房面积、卧室个数、卧室面积、卫生间个数、窗总面积、起居室直连数、厨房直连数。
对于难以确定的建筑风格类型,由数据库的统计得出若干主要类型,然后采用单个向量标记,可以允许交叉风格。例如:得出的主要类型是:类型1,类型2,类型3,其它类型。如果某设计方案可以同时归为类型1和类型3,则它的风格类型向量为(1,0,1,0)。又如:按实际的设计风格,得出的主要类型是:实用型,体面型,居家型,低调型,其它类型。如果某设计方案可以同时归为实用型和居家型,则它的风格类型向量为(1,0,1,0,0)。
步骤S230,按照建筑物的设计规范,对所述产品库中每个建筑物的需求参数与每个建筑物的设计参数进行检验,剔除所述产品库中不符合所述设计规范的建筑物的需求参数和设计参数,得到所述产品库中符合所述设计规范的建筑物的需求参数和设计参数。
具体地,按照各规范文件,开发预设规则检查器。首先检查设计方案是否符合国家标准《住宅设计规范》各强制性条文,如有任何不符,直接判为0分。然后配置当地建筑设计管理规定,对超过软限制的方案确定一个得分的扣减,对违反硬性规定的直接定为0分。
步骤S240,构建生成式对抗神经网络模型,将所述产品库中符合所述设计规范的一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的训练集,利用所述生成式对抗神经网络模型对所述训练集进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型。
其中,所述生成式对抗神经网络模型,包括:深度卷积网络模型和普通全连接网络模型;所述训练集,包括:建筑物的需求参数和设计参数中的户型布置图,以及建筑物的需求参数和设计参数中除户型布置图之外的其它数量参数;利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述训练集中的户型布置图进行训练;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述训练集中除户型布置图之外的其它数量参数进行训练。
具体地,由建筑设计专家知识评判设计方案库中各方案的得分,并以参数化的初始方案集和对应的专家评判结果为GAN的训练集。其中,综合得分为前50%的认为是质量较好的方案,可作为人工智能模型的正向训练数据。综合得分后50%的方案作为模型的反向训练数据。构建生成对抗网络的结构。户型布置图由深度卷积网络(DCNN)来学习,其它数量参数由普通全连接深度网络(DNN)来学习,这两种网络组合形成GAN中的生成网络和鉴别网络的结构,称为D-DCGAN。
在步骤S120处,利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型。
在一些实施方式中,步骤S120中利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型,包括:将所述产品库中符合所述设计规范的另一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的学习集,利用所述生成式对抗神经网络模型对所述学习集进行学习,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型的优化模型。所述优化模型,包括:生成网络模型和对抗网络模型。
其中,利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述学习集中的户型布置图进行学习;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述学习集中除户型布置图之外的其它数量参数进行学习。
具体地,按GAN的理论,充分训练生成网络和对抗网络。首先用正向和反向数据训练鉴别网络,然后训练生成网络。误差达到足够小之后,结束训练,最后分别保存两个网络。
由此,通过采用了深度神经网络技术,可以整合优秀的设计师资源的住宅设计方案并智能化应用,解决了相关方案中设计方案难以参数化、无法自动生成的问题,取得的效果是提高了小型住宅设计专业性和自动化程度,有利于向非专业用户、农村居民等设计资源缺乏的地区引入优质设计资源。
在步骤S130处,在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,作为待设计的建筑物的设计方案,以实现对待设计的建筑物的自动设计。
由此,通过住宅设计方案的参数化体系,然后建立混合了图像识别和深度神经网络的人工智能模型,能够在学习大量设计方案后,自动按照用户要求生成新的设计方案,能够解决小型住宅设计资源缺乏的问题,为小型住宅设计提供自动化解决方案,从而,通过根据住户需求自动设计小型住宅,使小型住宅的功能更全、空间布局和动线更合理,从而提升住户的居住体验。
在一些实施方式中,在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数的具体过程,参见以下示例性说明。
下面结合图3所示本发明的方法中利用所述优化模型对所述当前需求参数进行处理的一实施例流程示意图,进一步说明步骤S130中利用所述优化模型对所述当前需求参数进行处理的具体过程,包括:步骤S310至步骤S340。
步骤S310,将住户对待设计的建筑物的当前需求参数中的固定参数,输入所述优化模型中的生成网络模型中,得到待设计的建筑物的户型图像组合。固定参数,即方案前指定参数。
步骤S320,将住户对待设计的建筑物的当前需求参数中的可调参数,输入所述优化模型中的对抗网络模型中,得到待设计的建筑物的自动优化参数组合。
具体地,在生成网络中输入用户希望的方案前指定参数,由网络输出大量的户型图像,其余的自动优化参数组合。然后整体输入鉴别网络,基于评分复核做质量控制,排除得分较低的组合,或遴选得分较高的前n个组合,确保输出较好的方案。
如在生成网络中输入用户希望的方案前指定参数,例如:用户输入占地面积、层数、层高、主朝向角度、风格类型、卧室个数、卫生间个数的指定参数包括300,2,3.4,60,[0,1,0,0,0],4,2。然后指定生成网络输出100个户型图像,其余的自动优化参数组合。然后整体输入鉴别网络,基于评分复核做质量控制,排除得分较低的组合,或遴选得分较高的前10个组合,确保输出较好的方案。
步骤S330,对所述户型图像组合和所述自动优化参数组合进行鉴别和筛选后,输出符合所述设计规范的户型图像和自动优化参数。
步骤S340,将符合所述设计规范的户型图像和自动优化参数进行合并,得到与住户对待设计的建筑物的当前需求参数对应的当前设计参数,并将所述当前设计参数通过可视化界面生成三维模型,以便住户通过虚拟交互展示模块观看所述当前设计参数的设计效果。
具体地,自动合并户型和参数,组合形成符合用户要求的大量新方案。然后在可视化界面由业主和设计师调整,得到自动设计成果。根据设计方案,建立三维模型,然后接入自动设计装置的虚拟交互展示模块,完成数字化的方案展示。
由此,通过计算机图形技术和VR三维可视化的技术,展示推荐的住宅设计方案,解决了相关方案中没有友好的虚拟交互展示住宅设计细节的问题,使非专业的用户可以直观体验、更有效地选定最满意的设计结果。
经大量的试验验证,采用本实施例的技术方案,通过建立混合了图像识别和深度神经网络的人工智能模型,利用该人工智能模型在学习大量设计方案后,自动按照住户需求生成新的设计方案,得到能够满足住户需求的小型住宅。通过根据住户需求自动设计小型住宅,使小型住宅的功能更全、空间布局和动线更合理,从而提升住户的居住体验。
根据本发明的实施例,还提供了对应于建筑物的自动设计方法的一种建筑物的自动设计装置。参见图4所示本发明的装置的一实施例的结构示意图。该建筑物的自动设计装置可以包括:模型建立单元102和自动设计单元104。
其中,模型建立单元102,被配置为对建筑物的需求参数与建筑物的设计参数,利用生成式对抗神经网络模型进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型,即建立至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型。该模型建立单元102的具体功能及处理参见步骤S110。
在一些实施方式中,所述模型建立单元102,对建筑物的需求参数与建筑物的设计参数,利用生成式对抗神经网络模型进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型,包括:
所述模型建立单元102,具体还被配置为定义建筑物的设计方案所涉及的总体参数。所述总体参数,能够体现建筑物的需求参数与建筑物的设计参数。所述总体参数,包括:固定参数和可调参数。所述固定参数是建筑物的设计方案中指定的参数,所述可调参数是建筑物的设计方案中能够优化的参数。该模型建立单元102的具体功能及处理还参见步骤S210。
具体地,按照小型住宅的实际情况,选择所需的参数子集。首先预定义了小型住宅设计方案的总体参数化体系如表1,可分为必须在方案前指定的参数和可以自动优化的参数。其中,平面布置图直接以图片形式输入,数学上为一个离散矩阵。基本建筑参数包括占地面积、建筑面积、层数、层高、柱间距、主朝向角度、风格类型;房间划分参数包括起居室面积、庭院面积、阳台面积、厨房面积、卧室个数、卧室面积、卫生间个数、门总面积、窗总面积;房间逻辑关系参数如起居室直连数、厨房直连数、走廊净宽。定义参数体系后,达到的效果是可以按照该体系,将具体的设计方案转化为人工智能模型可识别的数据结构。
所述模型建立单元102,具体还被配置为收集建筑物的设计方案,形成建筑物的设计方案的产品库;根据定义的所述总体参数,对所述产品库中建筑物的设计方案进行提取,得到所述产品库中每个建筑物的需求参数与每个建筑物的设计参数。该模型建立单元102的具体功能及处理还参见步骤S220。
具体地,广泛收集已有的小型住宅设计方案,按所选的参数化体系,提取并形成既有小型住宅设计方案大数据库,最后合并形成统一格式存储的方案参数集合。更具体地:
户型布置图由实际平面与空间划分信息生成。首先由建筑信息模型或设计图纸确定标准的户型平面。然后划分标记空间区域,形成一个图片。然后对划分好的图片填充黑边,令其形状变成正方形,然后缩小至32*32像素。最后将图片转换为矩阵,矩阵里的每个元素都是指定了该处的户型空间类型的one-hot向量(即多分类标签)。例如:总共有6种空间区域,某个坐标属于卧室,则该处的元素可能为(0,1,0,0,0,0),另一个坐标属于客厅,则该处的元素可能为(0,0,0,1,0,0),等等。
其它数量参数,对于已经建立信息化模型(如数字孪生模型)的建筑,可以由模型辅助提取。对于仅有设计图纸的既有建筑,由人工识别并提取建筑的设计参数。例如:一个方案经参数化后,结果如下:
(238,446,3,3.2,90,[1,0,0,1,0],54,68,20,5,207,3,56,4,2)。每个元素分别对应占地面积、建筑面积、层数、层高、主朝向角度、风格类型、起居室面积、庭院面积、厨房面积、卧室个数、卧室面积、卫生间个数、窗总面积、起居室直连数、厨房直连数。
对于难以确定的建筑风格类型,由数据库的统计得出若干主要类型,然后采用单个向量标记,可以允许交叉风格。例如:得出的主要类型是:类型1,类型2,类型3,其它类型。如果某设计方案可以同时归为类型1和类型3,则它的风格类型向量为(1,0,1,0)。又如:按实际的设计风格,得出的主要类型是:实用型,体面型,居家型,低调型,其它类型。如果某设计方案可以同时归为实用型和居家型,则它的风格类型向量为(1,0,1,0,0)。
所述模型建立单元102,具体还被配置为按照建筑物的设计规范,对所述产品库中每个建筑物的需求参数与每个建筑物的设计参数进行检验,剔除所述产品库中不符合所述设计规范的建筑物的需求参数和设计参数,得到所述产品库中符合所述设计规范的建筑物的需求参数和设计参数。该模型建立单元102的具体功能及处理还参见步骤S230。
具体地,按照各规范文件,开发预设规则检查器。首先检查设计方案是否符合国家标准《住宅设计规范》各强制性条文,如有任何不符,直接判为0分。然后配置当地建筑设计管理规定,对超过软限制的方案确定一个得分的扣减,对违反硬性规定的直接定为0分。
所述模型建立单元102,具体还被配置为构建生成式对抗神经网络模型,将所述产品库中符合所述设计规范的一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的训练集,利用所述生成式对抗神经网络模型对所述训练集进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型。该模型建立单元102的具体功能及处理还参见步骤S240。
其中,所述生成式对抗神经网络模型,包括:深度卷积网络模型和普通全连接网络模型。所述训练集,包括:建筑物的需求参数和设计参数中的户型布置图,以及建筑物的需求参数和设计参数中除户型布置图之外的其它数量参数。利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述训练集中的户型布置图进行训练;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述训练集中除户型布置图之外的其它数量参数进行训练。
具体地,由建筑设计专家知识评判设计方案库中各方案的得分,并以参数化的初始方案集和对应的专家评判结果为GAN的训练集。其中,综合得分为前50%的认为是质量较好的方案,可作为人工智能模型的正向训练数据。综合得分后50%的方案作为模型的反向训练数据。构建生成对抗网络的结构。户型布置图由深度卷积网络(DCNN)来学习,其它数量参数由普通全连接深度网络(DNN)来学习,这两种网络组合形成GAN中的生成网络和鉴别网络的结构,称为D-DCGAN。
所述模型建立单元102,还被配置为利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型。该模型建立单元102的具体功能及处理还参见步骤S120。
在一些实施方式中,所述模型建立单元102,利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型,包括:所述模型建立单元102,具体还被配置为将所述产品库中符合所述设计规范的另一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的学习集,利用所述生成式对抗神经网络模型对所述学习集进行学习,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型的优化模型。所述优化模型,包括:生成网络模型和对抗网络模型。
其中,利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述学习集中的户型布置图进行学习;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述学习集中除户型布置图之外的其它数量参数进行学习。
具体地,按GAN的理论,充分训练生成网络和对抗网络。首先用正向和反向数据训练鉴别网络,然后训练生成网络。误差达到足够小之后,结束训练,最后分别保存两个网络。
由此,通过采用了深度神经网络技术,可以整合优秀的设计师资源的住宅设计方案并智能化应用,解决了相关方案中设计方案难以参数化、无法自动生成的问题,取得的效果是提高了小型住宅设计专业性和自动化程度,有利于向非专业用户、农村居民等设计资源缺乏的地区引入优质设计资源。
自动设计单元104,被配置为在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,作为待设计的建筑物的设计方案,以实现对待设计的建筑物的自动设计。该自动设计单元104的具体功能及处理参见步骤S130。
由此,通过住宅设计方案的参数化体系,然后建立混合了图像识别和深度神经网络的人工智能模型,能够在学习大量设计方案后,自动按照用户要求生成新的设计方案,能够解决小型住宅设计资源缺乏的问题,为小型住宅设计提供自动化解决方案,从而,通过根据住户需求自动设计小型住宅,使小型住宅的功能更全、空间布局和动线更合理,从而提升住户的居住体验。
在一些实施方式中,所述自动设计单元104,在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,包括:
所述自动设计单元104,具体还被配置为将住户对待设计的建筑物的当前需求参数中的固定参数,输入所述优化模型中的生成网络模型中,得到待设计的建筑物的户型图像组合。固定参数,即方案前指定参数。该自动设计单元104的具体功能及处理还参见步骤S310。
所述自动设计单元104,具体还被配置为将住户对待设计的建筑物的当前需求参数中的可调参数,输入所述优化模型中的对抗网络模型中,得到待设计的建筑物的自动优化参数组合。该自动设计单元104的具体功能及处理还参见步骤S320。
具体地,在生成网络中输入用户希望的方案前指定参数,由网络输出大量的户型图像,其余的自动优化参数组合。然后整体输入鉴别网络,基于评分复核做质量控制,排除得分较低的组合,或遴选得分较高的前n个组合,确保输出较好的方案。
如在生成网络中输入用户希望的方案前指定参数,例如:用户输入占地面积、层数、层高、主朝向角度、风格类型、卧室个数、卫生间个数的指定参数包括300,2,3.4,60,[0,1,0,0,0],4,2。然后指定生成网络输出100个户型图像,其余的自动优化参数组合。然后整体输入鉴别网络,基于评分复核做质量控制,排除得分较低的组合,或遴选得分较高的前10个组合,确保输出较好的方案。
所述自动设计单元104,具体还被配置为对所述户型图像组合和所述自动优化参数组合进行鉴别和筛选后,输出符合所述设计规范的户型图像和自动优化参数。该自动设计单元104的具体功能及处理还参见步骤S330。
所述自动设计单元104,具体还被配置为将符合所述设计规范的户型图像和自动优化参数进行合并,得到与住户对待设计的建筑物的当前需求参数对应的当前设计参数,并将所述当前设计参数通过可视化界面生成三维模型,以便住户通过虚拟交互展示模块观看所述当前设计参数的设计效果。该自动设计单元104的具体功能及处理还参见步骤S340。
具体地,自动合并户型和参数,组合形成符合用户要求的大量新方案。然后在可视化界面由业主和设计师调整,得到自动设计成果。根据设计方案,建立三维模型,然后接入自动设计装置的虚拟交互展示模块,完成数字化的方案展示。
由此,通过计算机图形技术和VR三维可视化的技术,展示推荐的住宅设计方案,解决了相关方案中没有友好的虚拟交互展示住宅设计细节的问题,使非专业的用户可以直观体验、更有效地选定最满意的设计结果。
由于本实施例的装置所实现的处理及功能基本相应于前述图1至图3所示的方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
经大量的试验验证,采用本发明的技术方案,通过建立混合了图像识别和深度神经网络的人工智能模型,利用该人工智能模型在学习大量设计方案后,自动按照住户需求生成新的设计方案,得到能够满足住户需求的小型住宅,能够解决小型住宅设计资源缺乏的问题,为小型住宅设计提供自动化解决方案。
根据本发明的实施例,还提供了对应于建筑物的自动设计装置的一种终端。该终端可以包括:以上所述的建筑物的自动设计装置。
本发明的方案,提出一种基于人工智能算法的小型住宅自动设计方法和装置,涉及住宅自动设计领域,特别涉及一种基于人工智能算法——生成式对抗神经网络(GAN)的小型住宅自动设计方法和装置,能够解决小型住宅设计资源缺乏的问题,为小型住宅设计提供自动化解决方案。
具体地,本发明的方案,提出住宅设计方案的参数化体系,然后建立混合了图像识别和深度神经网络的人工智能模型,可以在学习大量设计方案后,自动按照用户要求生成新的设计方案。
下面结合图5至图9所示的例子,对本发明的方案的具体实现过程进行示例性说明。
在一些实施方式中,如图5所示,一种小型住宅自动设计方法,主要包括:
步骤1:定义小型建筑的主要参数。
其中,小型建筑,具体可以是独立式住宅。独立式住宅,是指独门独户的独栋住宅,是我国乡镇住宅模式的主体。
具体地,按照小型住宅的实际情况,选择所需的参数子集。首先预定义了小型住宅设计方案的总体参数化体系如表1,可分为必须在方案前指定的参数和可以自动优化的参数。其中,平面布置图直接以图片形式输入,数学上为一个离散矩阵。基本建筑参数包括占地面积、建筑面积、层数、层高、柱间距、主朝向角度、风格类型;房间划分参数包括起居室面积、庭院面积、阳台面积、厨房面积、卧室个数、卧室面积、卫生间个数、门总面积、窗总面积;房间逻辑关系参数如起居室直连数、厨房直连数、走廊净宽。定义参数体系后,达到的效果是可以按照该体系,将具体的设计方案转化为人工智能模型可识别的数据结构。
也就是说,按照小型住宅工程的实际情况,选择所需的参数子集。按照预定义小型住宅设计方案的总体参数化体系,确定了所需子集如表1。其中,平面布置图直接以图片形式输入,数学上为一个离散矩阵。基本建筑参数包括占地面积、建筑面积、层数、层高、柱间距、主朝向角度、风格类型;房间划分参数包括起居室面积、庭院面积、阳台面积、厨房面积、卧室个数、卧室面积、卫生间个数、门总面积、窗总面积;房间逻辑关系参数如起居室直连数、厨房直连数、走廊净宽。定义参数体系后,达到的效果是可以按照该体系,将具体的设计方案转化为人工智能模型可识别的数据结构。
表1:总体设计方案参数
步骤2:收集专业设计方案,形成小型建筑设计产品库。
具体地,广泛收集已有的小型住宅设计方案,按所选的参数化体系,提取并形成既有小型住宅设计方案大数据库,最后合并形成统一格式存储的方案参数集合。具体的步骤为:
步骤2.1:户型布置图由实际平面与空间划分信息生成。如图6所示,首先由建筑信息模型或设计图纸确定标准的户型平面。然后划分标记空间区域,形成一个图片。然后对划分好的图片填充黑边,令其形状变成正方形,然后缩小至32*32像素。最后将图片转换为矩阵,矩阵里的每个元素都是指定了该处的户型空间类型的one-hot向量(即多分类标签)。
例如:总共有6种空间区域,某个坐标属于卧室,则该处的元素可能为(0,1,0,0,0,0),另一个坐标属于客厅,则该处的元素可能为(0,0,0,1,0,0),等等。
步骤2.2:其它数量参数,对于已经建立信息化模型(如数字孪生模型)的建筑,可以由模型辅助提取。对于仅有设计图纸的既有建筑,由人工识别并提取建筑的设计参数。
例如:一个方案经参数化后,结果如下:
(238,446,3,3.2,90,[1,0,0,1,0],54,68,20,5,207,3,56,4,2)。每个元素分别对应占地面积、建筑面积、层数、层高、主朝向角度、风格类型、起居室面积、庭院面积、厨房面积、卧室个数、卧室面积、卫生间个数、窗总面积、起居室直连数、厨房直连数。
步骤2.3:对于难以确定的建筑风格类型,由数据库的统计得出若干主要类型,然后采用单个向量标记,可以允许交叉风格。
例如:得出的主要类型是:类型1,类型2,类型3,其它类型。如果某设计方案可以同时归为类型1和类型3,则它的风格类型向量为(1,0,1,0)。
又如:按实际的设计风格,得出的主要类型是:实用型,体面型,居家型,低调型,其它类型。如果某设计方案可以同时归为实用型和居家型,则它的风格类型向量为(1,0,1,0,0)。
步骤3:按照建筑设计规范文件,开发预设规则检查器。
具体地,按照各规范文件,开发预设规则检查器。首先检查设计方案是否符合国家标准《住宅设计规范》各强制性条文,如有任何不符,直接判为0分。然后配置当地建筑设计管理规定,对超过软限制的方案确定一个得分的扣减,对违反硬性规定的直接定为0分。
步骤4:构建生成对抗网络(D-DCGAN)模型,具体参见以下示例性说明。
步骤4.1:由建筑设计专家知识评判设计方案库中各方案的得分,并以参数化的初始方案集和对应的专家评判结果为GAN的训练集。具体为,综合得分为前50%的认为是质量较好的方案,可作为人工智能模型的正向训练数据。综合得分后50%的方案作为模型的反向训练数据。
步骤4.2:构建生成对抗网络的结构。户型布置图由深度卷积网络(DCNN)来学习,其它数量参数由普通全连接深度网络(DNN)来学习。如图7所示,这两种网络组合形成GAN中的生成网络和鉴别网络的结构,本发明的方案中称为D-DCGAN。
步骤4.3:按GAN的理论,充分训练生成网络和对抗网络。首先用正向和反向数据训练鉴别网络,然后训练生成网络。误差达到足够小之后,结束训练,最后分别保存两个网络。
步骤5:输入用户要求,自动输出大量新方案,如图8所示。
步骤5.1:在生成网络中输入用户希望的方案前指定参数,由网络输出大量的户型图像,其余的自动优化参数组合。然后整体输入鉴别网络,基于评分复核做质量控制,排除得分较低的组合,或遴选得分较高的前n个组合,确保输出较好的方案。
具体地,在生成网络中输入用户希望的方案前指定参数,例如:用户输入占地面积、层数、层高、主朝向角度、风格类型、卧室个数、卫生间个数的指定参数包括300,2,3.4,60,[0,1,0,0,0],4,2。然后指定生成网络输出100个户型图像,其余的自动优化参数组合。然后整体输入鉴别网络,基于评分复核做质量控制,排除得分较低的组合,或遴选得分较高的前10个组合,确保输出较好的方案。
步骤5.2:自动合并户型和参数,组合形成符合用户要求的大量新方案。然后在可视化界面由业主和设计师调整,得到自动设计成果。
步骤5.3:根据设计方案,建立三维模型,然后接入自动设计装置的虚拟交互展示模块,完成数字化的方案展示。
在一些实施方式中,本发明的方案,提出一种小型住宅自动设计的装置。如图9所示,小型住宅自动设计的装置,包括:操作***及图形支持模块1、数字孪生模型库模块2、GAN模块3和人机交互界面模块4。
其中,操作***及图形支持模块1,包含:(1)该装置所需的后台硬件***和前端触控操作屏幕,如该装置所需的嵌入式Linux***;(2)AI(即人工智能)模型的运行环境,即GAN的支持框架,使用开源的Pytorch环境构建;(3)图形显示硬件***。该操作***及图形支持模块1与GAN模块3有交互。
数字孪生模型库模块2,提供数字孪生模型库,存储和提供数字化的设计方案模型,或已有图纸及其参数。使用MySQL为基本存储软件。该数字孪生模型库模块2向GAN模块3提供基础数据。
GAN模块3,包含与GAN模型有关的领域知识评分、网络训练、优化方案输出、判别与质量控制、方案合并等。使用Pytorch提供的接口搭建本发明的方案提出的D-DCGAN网络。该模块接收来自人机交互界面模块4的用户输入,并向人机交互界面模块4输出结果。
人机交互界面模块4,为小型计算机***,包括设计方案查看功能、输入指定参数、方案反馈、方案导出功能,与小型住宅设计用户直接交互。交互部分使用装备了平板电脑的金属支架,方案查看的显示设备使用了市面上的普通VR(即虚拟现实)头盔。
可见,本发明的方案,采用了深度神经网络技术,可以整合优秀的设计师资源的住宅设计方案并智能化应用,解决了相关方案中设计方案难以参数化、无法自动生成的问题,取得的效果是提高了小型住宅设计专业性和自动化程度,有利于向非专业用户、农村居民等设计资源缺乏的地区引入优质设计资源。
本发明的方案,通过计算机图形技术和VR三维可视化的技术,展示推荐的住宅设计方案,解决了相关方案中没有友好的虚拟交互展示住宅设计细节的问题,使非专业的用户可以直观体验、更有效地选定最满意的设计结果。
由于本实施例的终端所实现的处理及功能基本相应于前述图4所示的装置的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
经大量的试验验证,采用本发明的技术方案,通过建立混合了图像识别和深度神经网络的人工智能模型,利用该人工智能模型在学习大量设计方案后,自动按照住户需求生成新的设计方案,得到能够满足住户需求的小型住宅,解决了相关方案中设计方案难以参数化、无法自动生成的问题,取得的效果是提高了小型住宅设计专业性和自动化程度。
根据本发明的实施例,还提供了对应于建筑物的自动设计方法的一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行以上所述的建筑物的自动设计方法。
由于本实施例的存储介质所实现的处理及功能基本相应于前述图1至图3所示的方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
经大量的试验验证,采用本发明的技术方案,通过建立混合了图像识别和深度神经网络的人工智能模型,利用该人工智能模型在学习大量设计方案后,自动按照住户需求生成新的设计方案,得到能够满足住户需求的小型住宅,有利于向非专业用户、农村居民等设计资源缺乏的地区引入优质设计资源。
根据本发明的实施例,还提供了对应于建筑物的自动设计方法的一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行以上所述的建筑物的自动设计方法。
由于本实施例的处理器所实现的处理及功能基本相应于前述图1至图3所示的方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
经大量的试验验证,采用本发明的技术方案,通过建立混合了图像识别和深度神经网络的人工智能模型,利用该人工智能模型在学习大量设计方案后,自动按照住户需求生成新的设计方案,得到能够满足住户需求的小型住宅,使非专业的用户可以直观体验、更有效地选定最满意的设计结果。
综上,本领域技术人员容易理解的是,在不冲突的前提下,上述各有利方式可以自由地组合、叠加。
以上所述仅为本发明的实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (8)
1.一种建筑物的自动设计方法,其特征在于,包括:
对建筑物的需求参数与建筑物的设计参数,利用生成式对抗神经网络模型进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型;
利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型,包括:定义建筑物的设计方案所涉及的总体参数;所述总体参数,能够体现建筑物的需求参数与建筑物的设计参数;所述总体参数,包括:固定参数和可调参数;所述固定参数是建筑物的设计方案中指定的参数,所述可调参数是建筑物的设计方案中能够优化的参数;收集建筑物的设计方案,形成建筑物的设计方案的产品库;根据定义的所述总体参数,对所述产品库中建筑物的设计方案进行提取,得到所述产品库中每个建筑物的需求参数与每个建筑物的设计参数;按照建筑物的设计规范,对所述产品库中每个建筑物的需求参数与每个建筑物的设计参数进行检验,剔除所述产品库中不符合所述设计规范的建筑物的需求参数和设计参数,得到所述产品库中符合所述设计规范的建筑物的需求参数和设计参数;构建生成式对抗神经网络模型,将所述产品库中符合所述设计规范的一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的训练集,利用所述生成式对抗神经网络模型对所述训练集进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型;其中,所述生成式对抗神经网络模型,包括:深度卷积网络模型和普通全连接网络模型;所述训练集,包括:建筑物的需求参数和设计参数中的户型布置图,以及建筑物的需求参数和设计参数中除户型布置图之外的其它数量参数;利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述训练集中的户型布置图进行训练;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述训练集中除户型布置图之外的其它数量参数进行训练;
在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,作为待设计的建筑物的设计方案,以实现对待设计的建筑物的自动设计。
2.根据权利要求1所述的建筑物的自动设计方法,其特征在于,利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型,包括:
将所述产品库中符合所述设计规范的另一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的学习集,利用所述生成式对抗神经网络模型对所述学习集进行学习,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型的优化模型;所述优化模型,包括:生成网络模型和对抗网络模型;
其中,利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述学习集中的户型布置图进行学习;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述学习集中除户型布置图之外的其它数量参数进行学习。
3.根据权利要求2所述的建筑物的自动设计方法,其特征在于,在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,包括:
将住户对待设计的建筑物的当前需求参数中的固定参数,输入所述优化模型中的生成网络模型中,得到待设计的建筑物的户型图像组合;
将住户对待设计的建筑物的当前需求参数中的可调参数,输入所述优化模型中的对抗网络模型中,得到待设计的建筑物的自动优化参数组合;
对所述户型图像组合和所述自动优化参数组合进行鉴别和筛选后,输出符合所述设计规范的户型图像和自动优化参数;
将符合所述设计规范的户型图像和自动优化参数进行合并,得到与住户对待设计的建筑物的当前需求参数对应的当前设计参数,并将所述当前设计参数通过可视化界面生成三维模型,以便住户通过虚拟交互展示模块观看所述当前设计参数的设计效果。
4.一种建筑物的自动设计装置,其特征在于,包括:
模型建立单元,被配置为对建筑物的需求参数与建筑物的设计参数,利用生成式对抗神经网络模型进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型;
所述模型建立单元,还被配置为利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型,包括:定义建筑物的设计方案所涉及的总体参数;所述总体参数,能够体现建筑物的需求参数与建筑物的设计参数;所述总体参数,包括:固定参数和可调参数;所述固定参数是建筑物的设计方案中指定的参数,所述可调参数是建筑物的设计方案中能够优化的参数;收集建筑物的设计方案,形成建筑物的设计方案的产品库;根据定义的所述总体参数,对所述产品库中建筑物的设计方案进行提取,得到所述产品库中每个建筑物的需求参数与每个建筑物的设计参数;按照建筑物的设计规范,对所述产品库中每个建筑物的需求参数与每个建筑物的设计参数进行检验,剔除所述产品库中不符合所述设计规范的建筑物的需求参数和设计参数,得到所述产品库中符合所述设计规范的建筑物的需求参数和设计参数;构建生成式对抗神经网络模型,将所述产品库中符合所述设计规范的一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的训练集,利用所述生成式对抗神经网络模型对所述训练集进行训练,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型;其中,所述生成式对抗神经网络模型,包括:深度卷积网络模型和普通全连接网络模型;所述训练集,包括:建筑物的需求参数和设计参数中的户型布置图,以及建筑物的需求参数和设计参数中除户型布置图之外的其它数量参数;利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述训练集中的户型布置图进行训练;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述训练集中除户型布置图之外的其它数量参数进行训练;
自动设计单元,被配置为在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,作为待设计的建筑物的设计方案,以实现对待设计的建筑物的自动设计。
5.根据权利要求4所述的建筑物的自动设计装置,其特征在于,所述模型建立单元,利用建筑物的设计方案,对所述人工智能模型进行学习,得到所述人工智能模型的优化模型,包括:
将所述产品库中符合所述设计规范的另一组建筑物的需求参数和设计参数,作为所述生成式对抗神经网络模型的学习集,利用所述生成式对抗神经网络模型对所述学习集进行学习,得到至少包含建筑物的需求参数与建筑物的设计参数之间的对应关系的人工智能模型的优化模型;所述优化模型,包括:生成网络模型和对抗网络模型;
其中,利用所述生成式对抗神经网络模型中的深度卷积网络模型,对所述学习集中的户型布置图进行学习;利用所述生成式对抗神经网络模型中的普通全连接网络模型,对所述学习集中除户型布置图之外的其它数量参数进行学习。
6.根据权利要求5所述的建筑物的自动设计装置,其特征在于,所述自动设计单元,在接收到住户对待设计的建筑物的当前需求参数的情况下,利用所述优化模型对所述当前需求参数进行处理,得到待设计的建筑物的当前设计参数,包括:
将住户对待设计的建筑物的当前需求参数中的固定参数,输入所述优化模型中的生成网络模型中,得到待设计的建筑物的户型图像组合;
将住户对待设计的建筑物的当前需求参数中的可调参数,输入所述优化模型中的对抗网络模型中,得到待设计的建筑物的自动优化参数组合;
对所述户型图像组合和所述自动优化参数组合进行鉴别和筛选后,输出符合所述设计规范的户型图像和自动优化参数;
将符合所述设计规范的户型图像和自动优化参数进行合并,得到与住户对待设计的建筑物的当前需求参数对应的当前设计参数,并将所述当前设计参数通过可视化界面生成三维模型,以便住户通过虚拟交互展示模块观看所述当前设计参数的设计效果。
7.一种终端,其特征在于,包括:如权利要求4至6中任一项所述的建筑物的自动设计装置;
或者,
所述终端,包括:处理器;所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至3中任一项所述的建筑物的自动设计方法。
8.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至3中任一项所述的建筑物的自动设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110088028.5A CN112733246B (zh) | 2021-01-22 | 2021-01-22 | 建筑物的自动设计方法、装置、终端、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110088028.5A CN112733246B (zh) | 2021-01-22 | 2021-01-22 | 建筑物的自动设计方法、装置、终端、存储介质及处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733246A CN112733246A (zh) | 2021-04-30 |
CN112733246B true CN112733246B (zh) | 2023-04-07 |
Family
ID=75593731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110088028.5A Active CN112733246B (zh) | 2021-01-22 | 2021-01-22 | 建筑物的自动设计方法、装置、终端、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733246B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379933B (zh) * | 2021-07-01 | 2022-04-01 | 南通市紫日机械有限公司 | 一种基于人工智能的金属板材自动化加工*** |
CN113536680A (zh) * | 2021-07-20 | 2021-10-22 | 杭州群核信息技术有限公司 | 家装设计方法、装置、计算机可读存储介质和处理器 |
CN113486136B (zh) * | 2021-08-04 | 2022-06-17 | 泰瑞数创科技(北京)有限公司 | 一种地理实体服务按需组装的方法及*** |
CN115712943B (zh) * | 2022-11-24 | 2024-01-30 | 中国建筑设计研究院有限公司 | 一种基于图像识别的乡村住宅户型平面生成方法和*** |
CN117494284B (zh) * | 2023-11-28 | 2024-05-31 | 安徽大学 | 一种基于绿色生态的环境设计方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657347A (zh) * | 2018-12-18 | 2019-04-19 | 上海荷福人工智能科技(集团)有限公司 | 一种基于人工智能的建筑施工图设计方法 |
CN111291442A (zh) * | 2020-02-28 | 2020-06-16 | 湖北工业大学 | 一种高层住宅被动式节能反向设计***及设计方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447046B (zh) * | 2016-10-17 | 2019-04-19 | 深圳市彬讯科技有限公司 | 一种基于机器学习的户型设计方案评测方法 |
DE102019108812A1 (de) * | 2019-04-04 | 2020-10-08 | raumdichter GmbH | Automatisches Erstellen eines Gebäudeplans |
US20210357543A1 (en) * | 2019-07-17 | 2021-11-18 | Smartscapes Studio, S.L. | Method and system for generating artificial intelligence-aided design solutions and training method and system of the same |
CN111383303A (zh) * | 2020-03-12 | 2020-07-07 | 深圳小库科技有限公司 | 一种自动生成住宅建筑平面的方法及装置 |
-
2021
- 2021-01-22 CN CN202110088028.5A patent/CN112733246B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657347A (zh) * | 2018-12-18 | 2019-04-19 | 上海荷福人工智能科技(集团)有限公司 | 一种基于人工智能的建筑施工图设计方法 |
CN111291442A (zh) * | 2020-02-28 | 2020-06-16 | 湖北工业大学 | 一种高层住宅被动式节能反向设计***及设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112733246A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733246B (zh) | 建筑物的自动设计方法、装置、终端、存储介质及处理器 | |
WO2023185458A1 (zh) | 建筑方案生成的方法、装置、计算机设备以及存储介质 | |
Best et al. | Design and construction | |
WO2023035592A1 (zh) | 室内设计方案获取方法、装置、计算机设备及存储介质 | |
CN100347930C (zh) | 一种电力数据采集与监控***及装置 | |
WO2020238022A1 (zh) | 三维空间视图显示方法、装置及存储介质 | |
CN112257328A (zh) | 家具布局方法及电子设备 | |
Ashour | Optimizing creatively in multi-objective optimization | |
CN110766519A (zh) | 一种房屋装修方案推荐***及其方法 | |
Deitrick | Evaluating implicit visualization of uncertainty for public policy decision support | |
CN114913300A (zh) | 一种实体三维模型自动建模方法 | |
Wang et al. | A survey of personalized interior design | |
Sun | Design and optimization of indoor space layout based on deep learning | |
CN111241619B (zh) | 一种规则驱动的协同交互式空间布局自动设计方法 | |
Wang et al. | Predicting the attractiveness of real-estate images by pairwise comparison using deep learning | |
Orzechowski | Measuring housing preferences using virtual reality and bayesian belief networks | |
Dong et al. | 5G virtual reality in the design and dissemination of contemporary urban image system under the background of big data | |
EP4275173B1 (en) | Computer-implemented reconstruction of interior rooms | |
JP7160295B1 (ja) | 学習モデルの生成方法、情報処理装置、情報処理方法、コンピュータプログラム | |
Chen et al. | Application research of virtual reality technology in green building design | |
CN113538452B (zh) | 家具布局及三维可视化方法、装置和设备 | |
WO2023174562A1 (en) | Computer-implemented recommendation system and visualization for interior design | |
WO2023174556A1 (en) | Computer-implemented modeling of interior rooms | |
WO2023174561A1 (en) | Generating synthetic interior room scene data for training ai-based modules | |
CN113284257A (zh) | 一种虚拟场景内容的模块化生成展示方法及*** |
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 |