[发明专利]施工图的渲染方法

说明书

本发明提供了一种施工图的渲染方法。包括如下步骤：在待渲染的施工图中选出若干张施工图进行渲染，形成训练集；对训练集中的渲染特征进行提取，生成训练模型；在待渲染的施工图中选出至少一张施工图，利用第一训练模型进行渲染，得到渲染待验结果；根据损失函数计算渲染待验结果与真实渲染结果之间的误差值；所述误差值修正训练模型直至模型合格，利用训练模型对待渲染的施工图进行渲染。采用本发明，简化了施工图的渲染过程，智能化程度得到了提高，同时渲染效果的精细化程度得到了提升。

技术领域

本发明涉及数据分析及处理技术领域，具体而言，涉及一种施工图的渲染方法。

背景技术

本发明对于背景技术的描述属于与本发明相关的相关技术，仅仅是用于说明和便于理解本发明的发明内容，不应理解为申请人明确认为或推定申请人认为是本发明在首次提出申请的申请日的现有技术。

施工图是表示工程项目总体布局，建筑物、构筑物的外部形状、内部布置、结构构造、内外装修、材料作法以及设备、施工等要求的图样。施工图按种类可划分为建筑施工图、结构施工图、水电施工图等。施工图具有图纸齐全、表达准确、要求具体的特点；在工程领域，施工图是进行工程施工、编制施工预算和施工组织设计的依据，同时其具有良好的施工效果展示功能，因此施工图是进行技术管理的重要技术文件。目前我国的施工图画法已趋于成熟，但是对于施工图的渲染，通常采用人工渲染的方法，人工渲染的效率较低，尤其是对于复杂的施工图的渲染，往往无法做到精细化处理。

随着图像识别技术在各个领域中的广泛应用，当前，图像识别技术也被应用于施工图的渲染处理，以通过自动渲染的方式对施工图进行处理，解决施工图的人工渲染效率较低、精细化处理程度较低的问题，其具体原理在于对图像进行处理，识别施工图中的各个模块，而后对识别出的各个模块进行分别渲染，进而完成对施工图的渲染处理。但是上述渲染方式涉及到图像的分割、判断、模块渲染等操作，花费时间较长，同时渲染处理的准确程度较低。

针对上述问题，本发明提出了一种施工图的渲染方法。

发明内容

本发明提供了一种施工图的渲染方法，简化了施工图的渲染过程，智能化程度得到了提高，同时渲染效果的精细化程度得到了提升。

本发明的实施例提供了一种施工图的渲染方法，包括如下步骤：在待渲染的施工图中选出若干张施工图，被选出的施工图为第一施工图，对第一施工图进行渲染，形成训练集；对训练集中的渲染特征进行提取，生成第一训练模型；在待渲染的施工图中选出至少一张施工图，被选出的施工图为第二施工图；利用第一训练模型对第二施工图进行渲染，得到渲染待验结果；对第二施工图进行渲染，得到真实渲染结果；根据损失函数计算任意第二施工图的渲染待验结果与真实渲染结果之间的误差值；根据误差值修正第一训练模型，直至修正后的第一训练模型合格，得到第二训练模型；利用第二训练模型对待渲染的施工图进行渲染。

优选地，采用卷积神经网络对训练集中的渲染特征进行提取，生成第一训练模型。

优选地，卷积神经网络包括输入层、多个卷积层、多个池化层、多个全连接层、输出层；输入层用于获取第一施工图，并生成第一施工图的图像矩阵，生成的图像矩阵通过第一层卷积层进行卷积操作，得到第一输出特征值矩阵，第一输出特征值矩阵通过第二层卷积层进行卷积操作，得到第二输出特征值矩阵，重复进行卷积操作，直至通过第M层卷积层得到第 M输出特征值矩阵；第M输出特征值矩阵通过第一层池化层进行池化操作，得到第一池化特征值矩阵；第一池化特征值矩阵通过第(M+1)层卷积层得到第(M+1)输出特征值矩阵，重复进行卷积操作，直至通过第N层卷积层得到第N输出特征值矩阵；第N输出特征值矩阵通过第二层池化层进行池化操作，得到第二池化特征值矩阵；重复进行卷积操作以及池化操作，直至得到第P输出特征值矩阵；多个全连接层顺次相连，第一层全连接层与第P层卷积层相连，第一层全连接层获取第P输出特征值矩阵，最后一层全连接层与输出层相连；卷积层以及全连接层中的神经元通过激活函数进行非线性操作；其中，P、N、M均为正整数，且P＞N＞M。