CN116188728A - 一种建筑网格模型重构为cad指令模型的方法及装置 - Google Patents

一种建筑网格模型重构为cad指令模型的方法及装置 Download PDF

Info

Publication number
CN116188728A
CN116188728A CN202310465658.9A CN202310465658A CN116188728A CN 116188728 A CN116188728 A CN 116188728A CN 202310465658 A CN202310465658 A CN 202310465658A CN 116188728 A CN116188728 A CN 116188728A
Authority
CN
China
Prior art keywords
cad
model
reconstructed
grid model
neural network
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.)
Pending
Application number
CN202310465658.9A
Other languages
English (en)
Inventor
宋彬
郑泰日
张宇
朱旭平
何文武
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.)
Beijing Feidu Technology Co ltd
Original Assignee
Beijing Feidu Technology 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 Beijing Feidu Technology Co ltd filed Critical Beijing Feidu Technology Co ltd
Priority to CN202310465658.9A priority Critical patent/CN116188728A/zh
Publication of CN116188728A publication Critical patent/CN116188728A/zh
Pending legal-status Critical Current

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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明公开了一种建筑网格模型重构为CAD指令模型的方法及装置，涉及图像模型处理技术领域，将神经网络训练成能够全自动地、批量快速生成CAD指令模型，能够高规格地自动化生成人工建模级别的建筑。方案为：将待重构建筑网格模型按照等高度间距横向切割，得到不同高度的轮廓切片图片；使用第一神经网络识别轮廓切片图片中的线段；将各层轮廓切片图片对应的线段输入至第二神经网络，输出为各层轮廓切片图片对应的CAD生成命令；对CAD生成命令组分别加上对应的切片高度，合并成待重构建筑网格模型的CAD命令组；将待重构建筑网格模型的CAD命令组输入至第三神经网络，输出为待重构建筑网格模型对应的CAD指令模型。本发明主要用于建筑网格模型重构中。

Description

一种建筑网格模型重构为CAD指令模型的方法及装置
技术领域
本发明涉及图像模型处理技术领域，尤其涉及一种建筑网格模型重构为CAD指令模型的方法及装置。
背景技术
传统倾斜摄影基于多目重建的方法，通过对相机位姿的识别及连续数据中特征点的匹配，重建出带有纹理的稠密点云或者稠密网格。
上述方法存在以下缺点：由于玻璃，大面积纯色墙面特征点较少导致重建模型上存在破洞，凹陷或破碎；树木遮挡、建筑群落过于密集等因素导致空中相机各视角无法拍摄到建筑物之间的缝隙处，没有照片参与此处的空三和贴图导致重建模型在缝隙处有破洞或者粘连；由于无人机飞行次数和高度的限制导致建筑过高、过低的位置畸变严重；基于上述问题导致存在人工参与步骤，重建模型网格噪声过多，储存的点线面信息过多。
发明内容
本发明提供一种建筑网格模型重构为CAD指令模型的方法及装置，包括：将待重构建筑网格模型按照等高度间距横向切割，得到不同高度的轮廓切片图片；对每层轮廓切片图片，使用第一神经网络识别轮廓切片图片中的线段；将各层轮廓切片图片对应的线段输入至第二神经网络，输出为各层轮廓切片图片对应的CAD生成命令；对CAD生成命令组分别加上对应的切片高度，合并成待重构建筑网格模型的CAD命令组；将待重构建筑网格模型的CAD命令组输入至第三神经网络，输出为待重构建筑网格模型对应的CAD指令模型，相比于现有技术，本发明基于已有的大量数据集，将神经网络训练成能够全自动地、批量快速生成待重构建筑网格模型对应的CAD指令模型，能够高规格地自动化生成人工建模级别的建筑。
为达到上述目的，本发明采用如下技术方案：
本发明第一方面提供一种建筑网格模型重构为CAD指令模型的方法，包括：
将待重构建筑网格模型按照等高度间距横向切割，得到不同高度的轮廓切片图片。
对每层所述轮廓切片图片，使用第一神经网络识别所述轮廓切片图片中的线段。
将各层所述轮廓切片图片对应的线段输入至第二神经网络，输出为各层所述轮廓切片图片对应的CAD生成命令，即所述轮廓切片图片的CAD生成命令组。
对所述CAD生成命令组分别加上对应的切片高度，合并成所述待重构建筑网格模型的CAD命令组。
将所述待重构建筑网格模型的CAD命令组输入至第三神经网络，输出为所述待重构建筑网格模型对应的CAD指令模型。
进一步的，所述的建筑网格模型重构为CAD指令模型的方法，包括：将待重构建筑网格模型按照等高度为0.1m间距横向切割，得到不同高度的轮廓切片图片。
进一步的，所述的建筑网格模型重构为CAD指令模型的方法，所述第一神经网络包括：
所述第一神经网络为LCNN网络。
进一步的，所述的建筑网格模型重构为CAD指令模型的方法，所述第二神经网络包括：
所述第二神经网络为deepcad_1网络。
进一步的，所述的建筑网格模型重构为CAD指令模型的方法，所述第三神经网络包括：
所述第三神经网络为deepcad_2网络。
本发明第二方面提供一种建筑网格模型重构为CAD指令模型的装置，包括：
切割单元，用于将待重构建筑网格模型按照等高度间距横向切割，得到不同高度的轮廓切片图片。
识别单元，用于对每层所述轮廓切片图片，使用第一神经网络识别所述轮廓切片图片中的线段。
第一输入单元，用于将各层所述轮廓切片图片对应的线段输入至第二神经网络，输出为各层所述轮廓切片图片对应的CAD生成命令，即所述轮廓切片图片的CAD生成命令组。
合并单元，用于对所述CAD生成命令组分别加上对应的切片高度，合并成所述待重构建筑网格模型的CAD命令组。
第二输入单元，用于将所述待重构建筑网格模型的CAD命令组输入至第三神经网络，输出为所述待重构建筑网格模型对应的CAD指令模型。
本发明提供一种建筑网格模型重构为CAD指令模型的方法及装置，包括：将待重构建筑网格模型按照等高度间距横向切割，得到不同高度的轮廓切片图片；对每层轮廓切片图片，使用第一神经网络识别轮廓切片图片中的线段；将各层轮廓切片图片对应的线段输入至第二神经网络，输出为各层轮廓切片图片对应的CAD生成命令；对CAD生成命令组分别加上对应的切片高度，合并成待重构建筑网格模型的CAD命令组；将待重构建筑网格模型的CAD命令组输入至第三神经网络，输出为待重构建筑网格模型对应的CAD指令模型，相比于现有技术，本发明基于已有的大量数据集，将神经网络训练成能够全自动地、批量快速生成待重构建筑网格模型对应的CAD指令模型，能够高规格地自动化生成人工建模级别的建筑。
附图说明
为了更清楚地说明本发明实施例的技术方案，以下将对实施例描述中所需要使用的附图作简单地介绍，附图仅用于示出实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例中一种建筑网格模型重构为CAD指令模型的方法流程示意图；
图2为本发明实施例中另一种建筑网格模型重构为CAD指令模型的方法流程示意图；
图3为本发明实施例中一种建筑网格模型重构为CAD指令模型的装置组成示意图。
具体实施方式
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，所描述的实施例仅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。
除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明术领域的技术人员通常理解的含义相同；本发明中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本发明实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本发明实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
在本发明实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本发明实施例的描述中，术语“多个”指的是两个以上（包括两个），同理，“多组”指的是两组以上（包括两组），“多片”指的是两片以上（包括两片）。
在本发明实施例的描述中，技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”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，仅是为了便于描述本发明实施例和简化描述，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实施例的限制。
在本发明实施例的描述中，除非另有明确的规定和限定，技术术语“安装”“相连”“连接”“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；也可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明例中的具体含义。
实施例1
本发明实施例提供一种建筑网格模型重构为CAD指令模型的方法，如图1所示，包括：
101、将待重构建筑网格模型按照等高度间距横向切割，得到不同高度的轮廓切片图片。
102、对每层所述轮廓切片图片，使用第一神经网络识别所述轮廓切片图片中的线段。
103、将各层所述轮廓切片图片对应的线段输入至第二神经网络，输出为各层所述轮廓切片图片对应的CAD生成命令，即所述轮廓切片图片的CAD生成命令组。
104、对所述CAD生成命令组分别加上对应的切片高度，合并成所述待重构建筑网格模型的CAD命令组。
105、将所述待重构建筑网格模型的CAD命令组输入至第三神经网络，输出为所述待重构建筑网格模型对应的CAD指令模型。
本发明实施例提供一种建筑网格模型重构为CAD指令模型的方法，包括：将待重构建筑网格模型按照等高度间距横向切割，得到不同高度的轮廓切片图片；对每层轮廓切片图片，使用第一神经网络识别轮廓切片图片中的线段；将各层轮廓切片图片对应的线段输入至第二神经网络，输出为各层轮廓切片图片对应的CAD生成命令；对CAD生成命令组分别加上对应的切片高度，合并成待重构建筑网格模型的CAD命令组；将待重构建筑网格模型的CAD命令组输入至第三神经网络，输出为待重构建筑网格模型对应的CAD指令模型，相比于现有技术，本发明基于已有的大量数据集，将神经网络训练成能够全自动地、批量快速生成待重构建筑网格模型对应的CAD指令模型，能够高规格地自动化生成人工建模级别的建筑。
实施例2
本发明实施例提供一种建筑网格模型重构为CAD指令模型的方法，如图2所示，包括：
201、将待重构建筑网格模型按照等高度为0.1m间距横向切割，得到不同高度的轮廓切片图片。
202、对每层所述轮廓切片图片，使用LCNN网络识别所述轮廓切片图片中的线段。
LCNN:( Lookup-based Convolutional Neural Network )，基于查找的卷积神经网络。
卷积神经网络因为参数越来越多对计算机硬件要求越来越高，因此需要更高效的神经网络算法。LCNN切入点是CNN有很多相互关联的参数，进而充分利用参数之间的关联性来进行优化,把权向量组合成字典来表示参数空间。训练网络就变成了去训练一个字典和一些线性组合关系。字典的规模就需要找到效率和准确率之间的平衡。
LCNN解决了两个问题： 训练集数目少的问题; 减少循环迭代次数的问题,减少迭代次数的办法是让字典可以进行层间传递，用一个浅层训练出字典，然后往更深的层传递。
算法的主要内容:通过D、I、C来代替权张量W，因此可以通过减小字典的行数k或者线性组合的数目s来减少参数，从而提高运算速度；首先建立一个字典，让滤波器的权向量是字典中元素的线性组合；对每一层，定义一个共享的字典,k是字典D的大小，m是该层输入的个数，通过两个张量I和C来确定在字典D中的位置和需要相乘的系数，以此来线性组合成为一个卷积层的权张量W。
203、将各层所述轮廓切片图片对应的线段输入至deepcad_1网络，输出为各层所述轮廓切片图片对应的CAD生成命令，即所述轮廓切片图片的CAD生成命令组。
deepcad_1由encoder和decoder两部分组成。
具体地，将这些线段转化为n×4的矩阵（n对应n条线段，4对应每条线段两个顶点在图像上的横、纵坐标值），其中，线段顶点顺序无关，线段之间顺序无关。
将存储数据的值进行归一化，所有数映射到[0,1)区间。
将这些数据输入到神经网络的encoder部分降维，得到一个长度为256的latentvector，记作向量z。
将前面得到的z进入decoder部分升维，得到n×4的矩阵（n对应n条线段，4对应每条线段起点、终点在图像上的横、纵坐标值），这时得到的n条线段顺序为前一条线段的终点就是下一条线段的起点。全部首尾相连就得到了比合的建筑切片轮廓。
该网络的数据集由脚本自动生成的准确建筑轮廓作为groundtruth（gt），将gt图片添加噪声之后进行lcnn线段识别得到的结果和对应的gt构成训练数据对。
其中，该网络的损失函数为：推断得到的线段绘制成的轮廓与gt轮廓之间的2维倒角距离作为损失。
204、对所述CAD生成命令组分别加上对应的切片高度，合并成所述待重构建筑网格模型的CAD命令组。
205、将待重构建筑网格模型的CAD命令组输入至deepcad_2网络，输出为待重构建筑网格模型对应的CAD指令模型。
deepcad_2由encoder和decoder两部分组成。
具体地，将这些线段转化为n×5的矩阵（在前面的基础上添加每个轮廓切片所对应的高度位置）。
将矩阵进行归一化，所有数映射到[0,1)区间。
将这些数据输入到神经网络的encoder部分降维，得到一个长度为256的latentvector，记作向量z。
将前面得到的z进入decoder部分升维，得到n×4的矩阵（n对应n条命令，4对应每个命令专有的最多参数）其中的命令包括绘制线段指令、拉伸（extrude）指令。整栋建筑由不同高度的横切面轮廓及其对应的高度构成。每个横切面轮廓对应矩阵中的一组收尾相连的有序线段，这个横切面轮廓所在的高度对应上下拉伸指令的高度值。
该网络的数据集由脚本自动生成的准确建筑轮廓和随机的对应高度段作为groundtruth（gt），将gt图片添加噪声之后进行lcnn线段识别得到的结果和高度段对应的gt构成训练数据对。
其中，该网络的损失函数为：推断得到的cad命令对应的三维建筑与gt建筑同时转化成点云，上采样到近似点数（100000点）后计算三维倒角距离作为损失。
本发明实施例提供一种建筑网格模型重构为CAD指令模型的方法，包括：将待重构建筑网格模型按照等高度为0.1m间距横向切割将所述待重构建筑网格模型的CAD命令组输入至deepcad_2网络，输出为所述待重构建筑网格模型对应的CAD指令模型，得到不同高度的轮廓切片图片；对每层轮廓切片图片，使用LCNN网络识别轮廓切片图片中的线段；将各层轮廓切片图片对应的线段输入至deepcad_1网络，输出为各层轮廓切片图片对应的CAD生成命令；对CAD生成命令组分别加上对应的切片高度，合并成待重构建筑网格模型的CAD命令组；将待重构建筑网格模型的CAD命令组输入至deepcad_2网络，输出为待重构建筑网格模型对应的CAD指令模型，相比于现有技术，本发明基于已有的大量数据集，将神经网络训练成能够全自动地、批量快速生成待重构建筑网格模型对应的CAD指令模型，能够高规格地自动化生成人工建模级别的建筑。
实施例3
本发明实施例提供一种建筑网格模型重构为CAD指令模型的装置，如图3所示，包括：
切割单元31，用于将待重构建筑网格模型按照等高度间距横向切割，得到不同高度的轮廓切片图片。
识别单元32，用于对每层所述轮廓切片图片，使用第一神经网络识别所述轮廓切片图片中的线段。
第一输入单元33，用于将各层所述轮廓切片图片对应的线段输入至第二神经网络，输出为各层所述轮廓切片图片对应的CAD生成命令，即所述轮廓切片图片的CAD生成命令组。
合并单元34，用于对所述CAD生成命令组分别加上对应的切片高度，合并成所述待重构建筑网格模型的CAD命令组。
第二输入单元35，用于将所述待重构建筑网格模型的CAD命令组输入至第三神经网络，输出为所述待重构建筑网格模型对应的CAD指令模型。
本发明实施例提供一种建筑网格模型重构为CAD指令模型的装置，包括：切割单元将待重构建筑网格模型按照等高度为0.1m间距横向切割，得到不同高度的轮廓切片图片；识别单元对每层轮廓切片图片，使用LCNN网络识别轮廓切片图片中的线段；第一输入单元将各层轮廓切片图片对应的线段输入至deepcad_1网络，输出为各层轮廓切片图片对应的CAD生成命令；合并单元对CAD生成命令组分别加上对应的切片高度，合并成待重构建筑网格模型的CAD命令组；第二输入单元将待重构建筑网格模型的CAD命令组输入至deepcad_2网络，输出为待重构建筑网格模型对应的CAD指令模型，相比于现有技术，本发明基于已有的大量数据集，将神经网络训练成能够全自动地、批量快速生成待重构建筑网格模型对应的CAD指令模型，能够高规格地自动化生成人工建模级别的建筑。
最后应说明的是：以上各实施例仅用以说明本发明技术方案，非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (6)

1.一种建筑网格模型重构为CAD指令模型的方法，其特征在于，包括：
将待重构建筑网格模型按照等高度间距横向切割，得到不同高度的轮廓切片图片；
对每层所述轮廓切片图片，使用第一神经网络识别所述轮廓切片图片中的线段；
将各层所述轮廓切片图片对应的线段输入至第二神经网络，输出为各层所述轮廓切片图片对应的CAD生成命令，即所述轮廓切片图片的CAD生成命令组；
对所述CAD生成命令组分别加上对应的切片高度，合并成所述待重构建筑网格模型的CAD命令组；
将所述待重构建筑网格模型的CAD命令组输入至第三神经网络，输出为所述待重构建筑网格模型对应的CAD指令模型。
2.根据权利要求1所述的建筑网格模型重构为CAD指令模型的方法，其特征在于，包括：将待重构建筑网格模型按照等高度为0.1m间距横向切割，得到不同高度的轮廓切片图片。
3.根据权利要求1所述的建筑网格模型重构为CAD指令模型的方法，其特征在于，所述第一神经网络包括：
所述第一神经网络为LCNN网络。
4.根据权利要求1所述的建筑网格模型重构为CAD指令模型的方法，其特征在于，所述第二神经网络包括：
所述第二神经网络为deepcad_1网络。
5.根据权利要求1所述的建筑网格模型重构为CAD指令模型的方法，其特征在于，所述第三神经网络包括：
所述第三神经网络为deepcad_2网络。
6.一种建筑网格模型重构为CAD指令模型的装置，其特征在于，包括：
切割单元，用于将待重构建筑网格模型按照等高度间距横向切割，得到不同高度的轮廓切片图片；
识别单元，用于对每层所述轮廓切片图片，使用第一神经网络识别所述轮廓切片图片中的线段；
第一输入单元，用于将各层所述轮廓切片图片对应的线段输入至第二神经网络，输出为各层所述轮廓切片图片对应的CAD生成命令，即所述轮廓切片图片的CAD生成命令组；
合并单元，用于对所述CAD生成命令组分别加上对应的切片高度，合并成所述待重构建筑网格模型的CAD命令组；
第二输入单元，用于将所述待重构建筑网格模型的CAD命令组输入至第三神经网络，输出为所述待重构建筑网格模型对应的CAD指令模型。
CN202310465658.9A 2023-04-27 2023-04-27 一种建筑网格模型重构为cad指令模型的方法及装置 Pending CN116188728A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310465658.9A CN116188728A (zh) 2023-04-27 2023-04-27 一种建筑网格模型重构为cad指令模型的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310465658.9A CN116188728A (zh) 2023-04-27 2023-04-27 一种建筑网格模型重构为cad指令模型的方法及装置

Publications (1)

Publication Number Publication Date
CN116188728A true CN116188728A (zh) 2023-05-30

Family

ID=86452597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310465658.9A Pending CN116188728A (zh) 2023-04-27 2023-04-27 一种建筑网格模型重构为cad指令模型的方法及装置

Country Status (1)

Country Link
CN (1) CN116188728A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452775A (zh) * 2023-06-14 2023-07-18 北京飞渡科技股份有限公司 一种建筑立面划分方法、装置、介质及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101126722A (zh) * 2007-09-30 2008-02-20 西北工业大学 基于配准模型仿真的锥束ct射束硬化校正方法
CN115170734A (zh) * 2022-07-01 2022-10-11 大连理工大学 一种基于截面切片的三维回转结构重构方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101126722A (zh) * 2007-09-30 2008-02-20 西北工业大学 基于配准模型仿真的锥束ct射束硬化校正方法
CN115170734A (zh) * 2022-07-01 2022-10-11 大连理工大学 一种基于截面切片的三维回转结构重构方法及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ELONA DUPONT等: "CADOps-Net: Jointly Learning CAD Operation Types and Steps fromBoundary-Representations", 《2022 INTERNATIONAL CONFERENCE ON 3D VISION (3DV)》, pages 114 *
ROSELINE BÉNIÈRE等: "A comprehensive process of reverse engineering from 3D meshes to CAD models", 《COMPUTER-AIDED DESIGN》, pages 1382 *
RUNDI WU等: "DeepCAD: A Deep Generative Network for Computer-Aided Design Models", 《2021 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》, pages 6772 *
马国伟、王里: "《水泥基材料3D打印关键技术》", 西安电子科技大学出版社, pages: 66 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452775A (zh) * 2023-06-14 2023-07-18 北京飞渡科技股份有限公司 一种建筑立面划分方法、装置、介质及设备
CN116452775B (zh) * 2023-06-14 2023-09-19 北京飞渡科技股份有限公司 一种建筑立面划分方法、装置、介质及设备

Similar Documents

Publication Publication Date Title
CN108648269B (zh) 三维建筑物模型的单体化方法和***
CN111832655B (zh) 一种基于特征金字塔网络的多尺度三维目标检测方法
CN113096234B (zh) 利用多张彩色图片生成三维网格模型的方法及装置
CN112613097A (zh) 一种基于计算机视觉的bim快速化建模方法
CN106023147B (zh) 一种基于gpu的快速提取线阵遥感影像中dsm的方法及装置
CN109544672A (zh) 一种三维建筑模型纹理映射方法及装置
CN116188728A (zh) 一种建筑网格模型重构为cad指令模型的方法及装置
CN113592711B (zh) 点云数据不均匀的三维重建方法、***、设备及存储介质
CN115661374B (zh) 一种基于空间划分和模型体素化的快速检索方法
CN114758337A (zh) 一种语义实例重建方法、装置、设备及介质
CN114119902A (zh) 一种基于无人机倾斜三维模型的建筑物提取方法
CN115953551A (zh) 一种基于点云初始化和深度监督的稀疏网格辐射场表示方法
CN103679814A (zh) 一种三角形网格模型的处理方法及装置
CN113840127A (zh) 一种卫星视频影像获取水域自动掩膜处理dsm的方法
US11348261B2 (en) Method for processing three-dimensional point cloud data
CN117501313A (zh) 基于深度神经网络的毛发渲染***
CN116310060B (zh) 一种渲染数据的方法、装置、设备及存储介质
CN111260706A (zh) 一种基于单目相机的稠密深度图计算方法
CN117197356A (zh) 一种三维轻量化模型生成***及其生成方法
CN116012449A (zh) 一种基于深度信息的图像渲染方法及装置
CN113808006B (zh) 一种基于二维图像重建三维网格模型的方法及装置
CN115880421A (zh) 一种基于工业ct序列图像直接生成六面体网格方法
CN106570934A (zh) 针对大场景的空间隐函数建模方法
CN103679806B (zh) 自适应可视外壳生成方法及装置
CN117253012B (zh) 一种还原平面建筑自由曲面网格结构至三维空间的方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230530