本發(fā)明涉及圖像處理，具體涉及一種基于人工智能自動生成戶型圖的方法。

背景技術(shù)：

1、戶型圖是指展示房屋內(nèi)部布局的平面圖，通常用于法庭科學(xué)、建筑設(shè)計、室內(nèi)裝修以及房地產(chǎn)銷售等領(lǐng)域。戶型圖的主要目的是清晰地展示房屋的各個房間、空間及其相互關(guān)系，還可用于記錄案事件現(xiàn)場空間環(huán)境以及物證分布情況。

2、隨著法庭科學(xué)、建筑設(shè)計、房地產(chǎn)、智能家居等領(lǐng)域?qū)Ω咝?、?zhǔn)確且自動化的建筑設(shè)計工具需求日益增加。傳統(tǒng)的手工繪制、手動測量和人工設(shè)計方法已經(jīng)無法滿足現(xiàn)代建筑設(shè)計對于效率、精度的要求。尤其涉及到法庭科學(xué)領(lǐng)域，平面戶型圖要客觀地反映案事件現(xiàn)場的環(huán)境狀態(tài)及物證之間的位置關(guān)系，同時要反映出主要現(xiàn)場痕跡所處的位置及相互關(guān)系，對案件現(xiàn)場重建至關(guān)重要。因此，ai技術(shù)，尤其是計算機(jī)視覺、深度學(xué)習(xí)、3d建模和自動化設(shè)計等技術(shù)，正在成為這類任務(wù)的關(guān)鍵驅(qū)動力。

3、傳統(tǒng)行業(yè)的數(shù)字化轉(zhuǎn)型，建筑設(shè)計、改造、施工、運營等環(huán)節(jié)逐漸從傳統(tǒng)手工操作向數(shù)字化、自動化流程轉(zhuǎn)變。建筑信息建模(bim)、三維建模、虛擬現(xiàn)實(vr)等技術(shù)已經(jīng)廣泛應(yīng)用于建筑設(shè)計和施工管理。然而，許多已有建筑的戶型圖仍然以紙質(zhì)圖紙、老舊的cad文件或掃描圖紙形式存在，缺乏統(tǒng)一的標(biāo)準(zhǔn)化格式和精確度。

4、在這種背景下，基于ai的技術(shù)能夠從這些非數(shù)字化的建筑資料中快速提取結(jié)構(gòu)信息，自動生成精確的戶型圖，簡化了前期準(zhǔn)備工作。

5、現(xiàn)有的戶型生成方法，通常有以下幾種：1、由人工進(jìn)行手動繪制；2、使用cad(計算機(jī)輔助設(shè)計)軟件；3、使用在線繪圖工具；4、使用3d建模軟件(sketchup、blender、autodeskrevit等)；5、使用激光測量儀和掃描技術(shù)獲取空間數(shù)據(jù)，生成數(shù)字化戶型圖。

6、但是，現(xiàn)有技術(shù)在生成建筑戶型圖時，主要依賴人工測量、手工繪制或使用cad等軟件工具，這些技術(shù)方法有一些無法避免的技術(shù)缺點。首先，人工手繪時，由于測量工具或人員操作的差異，容易導(dǎo)致尺寸誤差，并且人工測量要耗費大量的時間，尤其是在建筑面積較大或者設(shè)計復(fù)雜的情況；其次，在使用軟件工具生成戶型圖，對操作人員的專業(yè)要求很高，需要經(jīng)過大量的專業(yè)培訓(xùn)。這對非專業(yè)人員(如普通用戶或新手)可能構(gòu)成障礙，尤其是在短時間內(nèi)要求快速完成繪制任務(wù)時。同時，即使是經(jīng)驗豐富的用戶，繪制戶型圖依然需要一定的時間。并且現(xiàn)有的使用激光測量儀和掃描技術(shù)獲取空間數(shù)據(jù)生成戶型圖的方法，需要較高的計算資源和時間。

7、為此提供一種基于人工智能自動生成戶型圖的方法解決上述問題。

技術(shù)實現(xiàn)思路

1、針對上述現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于人工智能自動生成戶型圖的方法，能夠自動從現(xiàn)有的點云數(shù)據(jù)中提取關(guān)鍵信息，自動生成戶型圖，極大地提高了繪制的速度，大大較少人工操作的時間和工作量。ai系統(tǒng)能夠基于數(shù)據(jù)進(jìn)行建模，而不是依賴人工測量或手繪，從而減少因人為失誤導(dǎo)致的尺寸誤差。對于多層建筑，ai不僅能夠繪制單層戶型，還能準(zhǔn)確生成多層結(jié)構(gòu)，并提供每一層的詳細(xì)信息。

2、為了實現(xiàn)上述目的，本發(fā)明采用的一種基于人工智能自動生成戶型圖的方法，包括：

3、s1、將房屋建筑的三維數(shù)據(jù)進(jìn)行正交投影，通過正交投影獲得彩色對地投影圖和密度對地投影圖；

4、其中，三維數(shù)據(jù)是三角網(wǎng)格數(shù)據(jù)，三角網(wǎng)格由多個三角形構(gòu)成；

5、三角形由角點和面組成；

6、其中角點是構(gòu)成三角形的基本點，而面則是由角點索引定義的三角形；

7、將三角網(wǎng)格數(shù)據(jù)轉(zhuǎn)換為點云數(shù)據(jù)，并且對點云數(shù)據(jù)進(jìn)行下采樣。

8、其中，將三角網(wǎng)格數(shù)據(jù)轉(zhuǎn)換為點云數(shù)據(jù)，需要提取三維網(wǎng)格數(shù)據(jù)中的所有角點的坐標(biāo)信息，即獲得轉(zhuǎn)換后的點云數(shù)據(jù)；

9、將點云數(shù)據(jù)進(jìn)行下采樣，下采樣采用的是均勻下采樣；

10、均勻下采樣的方法是通過在點云數(shù)據(jù)中構(gòu)建多個固定半徑的球體，然后在每個球體內(nèi)選擇距離球心最近的單點點云作為代表，其他點云被丟棄；這種方法選擇性的保留所需要的單點點云；

11、在構(gòu)建的每個球體內(nèi)，算法會計算所有點到球心的距離，并選擇距離最近的點作為該球體內(nèi)的代表點，每個球體內(nèi)的所有點將被這個最近的點替代，實現(xiàn)下采樣；

12、s11、彩色對地投影圖獲取的方法：將三角網(wǎng)格數(shù)據(jù)和點云數(shù)據(jù)進(jìn)行融合，利用三角網(wǎng)格中本身含有三維坐標(biāo)(x,y,z)信息，采用三角剖分的方案，該方案使用選定的二維平面(x,y)計算三角形頂角的二維位置，并由此得到三角片中的彩色信息得到彩色對地投影圖。

13、s12、密度對地投影圖得到的方法：將三角網(wǎng)格數(shù)據(jù)轉(zhuǎn)換為點云數(shù)據(jù)，將點云數(shù)據(jù)投影到xy平面上，使用平面點的密度值作為點云密度的表征，具體方法是將測區(qū)劃分為小的單元格，將單元格內(nèi)的點數(shù)與單元格的面積的比值作為密度的表征得到密度對地投影圖；

14、s2、利用預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)，對上述步驟s1獲取到的彩色對地投影圖和密度對地投影圖分別進(jìn)行特征提取，得到彩色特征向量f_c，密度特征向量f_d，以及融合后的特征f；

15、s3、將融合后的特征f送入預(yù)先訓(xùn)練好的序列預(yù)測網(wǎng)絡(luò)進(jìn)行序列預(yù)測，獲取到所有角點序列；

16、s4、預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)和預(yù)先訓(xùn)練的序列神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法分為兩個部分：

17、訓(xùn)練中的損失函數(shù)和標(biāo)簽文件生成；

18、其中，訓(xùn)練中的損失函數(shù)中采用的是匈牙利匹配算法，它負(fù)責(zé)將預(yù)測的檢測結(jié)果與真實標(biāo)注進(jìn)行匹配，確保坐標(biāo)和類別的一致性；與傳統(tǒng)的目標(biāo)檢測任務(wù)相似，匈牙利匹配算法需要考慮坐標(biāo)和類別的匹配；目標(biāo)檢測的坐標(biāo)匹配從常見的邊界框轉(zhuǎn)變?yōu)槎噙呅?；計算匹配誤差，首先需要將真實標(biāo)注的多邊形轉(zhuǎn)換為順時針順序；然后，以每個坐標(biāo)點為起點，計算預(yù)測多邊形與真實多邊形之間的最小誤差，采用l1損失，這個最小誤差被用作匹配誤差的度量；

19、其中，標(biāo)簽文件生成中通過人工打標(biāo)生成帶有一定噪聲的真值，通過解析標(biāo)簽文件形成網(wǎng)絡(luò)訓(xùn)練所需要的真值；

20、s5、將獲取到的初始平面圖進(jìn)行拓?fù)湔恚@取準(zhǔn)確的角點序列；

21、預(yù)測后的圖像進(jìn)行后處理步驟，膨脹操作將靠近的線段連接起來，以及直線校正，獲得更準(zhǔn)確的戶型圖分割結(jié)果；

22、若預(yù)測出來的角點仍然有錯位問題，采用最短距離算法對這些角點進(jìn)行進(jìn)一步整理，采用的是dijkstra算法,該算法的核心思想是貪心策略，即在每一步選擇當(dāng)前已知最短路徑的角點，然后更新其相鄰角點的最短路徑估計值；

23、s6、將s5準(zhǔn)確的角點序列通過語義識別與語義分割，賦予閉合區(qū)間語義內(nèi)容，然后將角點格式進(jìn)行轉(zhuǎn)換，并提交到客戶端，生成最終的房屋平面戶型圖。

24、作為上述方案的進(jìn)一步優(yōu)化，所述s2中彩色特征向量f_c和密度特征向量f_d采用的是殘差網(wǎng)絡(luò)resnet作為特征提取網(wǎng)絡(luò)，通過將層重新表述為學(xué)習(xí)殘差函數(shù)；

25、每個殘差塊試圖學(xué)習(xí)輸入和輸出之間的差異，在每個殘差塊中，輸入特征通過一個恒等映射直接傳遞到塊的輸出；

26、殘差塊內(nèi)部的卷積層學(xué)習(xí)的是輸入和輸出之間的殘差。

27、作為上述方案的進(jìn)一步優(yōu)化，在s2中將提取出來的彩色特征向量f_c與密度特征向量f_d采用特征金字塔網(wǎng)絡(luò)進(jìn)行融合。

28、作為上述方案的進(jìn)一步優(yōu)化，所述特征金字塔網(wǎng)絡(luò)包括自底向上的路徑和自頂向下的路徑；

29、其中，自底向上的路徑：是前饋backbone的一部分，每一級往上用step＝2的降采樣，輸出size相同的網(wǎng)絡(luò)部分叫一級，選擇每一級的最后一層特征圖，作為up-bottompathway的對應(yīng)相應(yīng)層數(shù)，經(jīng)過1x1卷積過后element?add的參考；

30、自頂向下的路徑：通過卷積和上采樣操作逐步生成高層特征圖，將頂層語義信息逐步傳遞到低層特征圖。

31、作為上述方案的進(jìn)一步優(yōu)化，所述特征金字塔網(wǎng)絡(luò)還包括橫向連接，利用橫向連接將彩色特征向量f_c與密度特征向量f_d的特征進(jìn)行融合；

32、使用上采樣操作將較高層級的特征圖進(jìn)行插值得到與相應(yīng)低層級特征圖尺寸相匹配的特征圖，然后通過逐元素相加的方式將彩色特征向量f_c與密度特征向量f_d進(jìn)行融合，獲取到融合后的特征f。

33、作為上述方案的進(jìn)一步優(yōu)化，所述序列預(yù)測網(wǎng)絡(luò)采用的是transformer，將提取的融合特征f輸入到transformer模型中

34、利用transformers的序列預(yù)測功能，直接輸出每個建筑房間的有序、變長的角點序列，transformer和位置編碼輸出多個有序的角點序列，通過簡單地按預(yù)測順序連接恢復(fù)平面布置圖。

35、作為上述方案的進(jìn)一步優(yōu)化，所述s3中還包括：

36、s31、將平面圖的重建任務(wù)轉(zhuǎn)化為預(yù)測多個多邊形的問題，其中每個多邊形象征著一個獨立的房間，這些多邊形通過一系列有序排列的角點序列來構(gòu)建；

37、每個房間被表示為一個閉合的多邊形，由一系列角點序列定義；

38、多邊形查詢信息首先在自注意力模塊中進(jìn)行交互，然后在多尺度可變形交叉注意力模塊中查詢密度圖中的不同區(qū)域；

39、通過共享的cnn網(wǎng)絡(luò)預(yù)測每個查詢位置作為角點的有效性；

40、實現(xiàn)了兩級查詢機(jī)制：一級用于查詢多邊形，另一級用于角點，以精細(xì)化預(yù)測多邊形的布局；

41、多邊形集表示為一個m×n×2的矩陣，其中m是多邊形的最大數(shù)量，n是每個多邊形角點的最大數(shù)量；

42、在訓(xùn)練過程中，引入多邊形匹配模塊來衡量預(yù)測多邊形和真實多邊形之間的差異，實現(xiàn)端到端的監(jiān)督和優(yōu)化。

43、作為上述方案的進(jìn)一步優(yōu)化，所述s3中還包括：

44、s32、利用可變形注意力機(jī)制對提取的圖像特征進(jìn)行編碼，這種機(jī)制能夠靈活地關(guān)注圖像中的關(guān)鍵區(qū)域；

45、對獲取的圖像特征進(jìn)行解碼；

46、解碼通過解碼器實現(xiàn)，解碼器由6層堆疊組成，每層包括三個主要模塊：自注意力模塊、多尺度可變形交叉注意力模塊和一個前饋網(wǎng)絡(luò)；

47、每個解碼器層接收來自編碼器的增強(qiáng)圖像特征和來自前一層的多邊形查詢信息。

48、作為上述方案的進(jìn)一步優(yōu)化，所述s3中還包括：

49、s33、解碼器最后一層輸出為一個m*n*c的矩陣，通過對角特征求平均來聚合每個房間的特征，獲得聚合后大小為m*c的特征矩陣；

50、最后，將矩陣輸入到一個線性投影層中，用softmax函數(shù)求每個房間的標(biāo)簽概率；m通常大于場景中房間的實際數(shù)量，使用額外的空類標(biāo)簽來表示無效房間；

51、每個角點都被建模為一個向量，該向量由三部分組成：cn、pn和ln；

52、pn表示角點在二維空間中的具體位置；

53、cn是一個二元標(biāo)志，用于指示該角點是否為房間邊界上的一個有效角點，其中，0表示無效，1表示有效；

54、ln代表該角點的語言信息；

55、模型的輸出是一組角點序列，每個序列代表一個房間的閉合多邊形；

56、一旦模型預(yù)測出這些有序的角點序列，只需簡單地將所有標(biāo)記為有效的角點連接起來，得到每個房間的多邊形表示。

57、作為上述方案的進(jìn)一步優(yōu)化，所述dijkstra算法步驟包括：

58、第一步、初始化：將源點到自身的距離設(shè)為0，到所有其他角點的距離設(shè)為無窮大；創(chuàng)建一個未訪問角點集合，將所有角點加入其中；

59、第二步、選擇角點：從未訪問角點集合中選擇一個距離源點最近的角點，將其加入已訪問集合；

60、第三步、更新距離：更新當(dāng)前角點的所有鄰接角點的距離；通過當(dāng)前角點到達(dá)鄰接角點的距離比已知的最短距離更短，則更新該鄰接角點的最短距離，并計算角點的朝向，使角點朝向趨近于整體的方向趨勢；

61、第四步、重復(fù)第二步和第三步，直到所有角點都被訪問或者達(dá)到目標(biāo)角點；

62、通過上述步驟方法，將角點進(jìn)行整理，同時也獲取到了角點c與角點的鏈接關(guān)系即邊e與封閉區(qū)間r。

63、本發(fā)明的一種基于人工智能自動生成戶型圖的方法，具備如下有益效果：

64、本發(fā)明的一種基于人工智能自動生成戶型圖的方法，房間的邊界通過角點序列的順序被隱式定義，從而省去了單獨預(yù)測邊的步驟；

65、fpn通過融合不同尺度的特征，充分利用了各尺度特征的優(yōu)勢，提升了模型的檢測能力；

66、通過將房間邊界的表示簡化為角點序列，避免了復(fù)雜的邊預(yù)測步驟，使建模過程更加高效；

67、該方法可以適應(yīng)不同形狀和大小的房間，因為它允許每個房間有不同數(shù)量的角點；

68、通過精確預(yù)測角點的位置和有效性，能夠獲得準(zhǔn)確的房間邊界表示。

69、參照后文的說明與附圖，詳細(xì)公開了本發(fā)明的特定實施方式，指明了本發(fā)明的原理可以被采用的方式，應(yīng)該理解，本發(fā)明的實施方式在范圍上并不因而受到限制，在所附權(quán)利要求的精神和條款的范圍內(nèi)，本發(fā)明的實施方式包括許多改變、修改和等同。