[发明专利]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

说明书

本发明公开了一种基于深度学习和图像形态学的建筑PDF图纸墙体的识别装置，包括：PDF图纸转换模块，图纸墙体预识别模块，图纸信息过滤模块，图纸墙体精确识别模，PDF图纸转换模块为墙体预识别模型提供符合格式的数据源；图纸墙体预识别模块用于实现墙体预识别功能，图纸墙体预识别模块以PDF图纸转换模块输出的图纸分割块为输入，获得图纸墙体位置分布概率图；图纸信息过滤模块实现了原图纸中噪声信息过滤，为图纸墙体精确识别进行数据准备，图纸墙体精确识别模块以初步噪声过滤后的图纸为输入，实现图纸中墙体位置的精确识别。该建筑PDF图纸墙体识别装置，打通了图像类图纸与结构化电子图纸之间的数据壁垒，为后续的众多BIM应用提供了数据基础。

技术领域

本发明涉及非结构化图纸数据信息提取，应用于图纸自动审查、图纸重构等领域，尤其涉及一种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。

背景技术

建筑图纸是建筑建造施工过程中的重要指导依据，其中包含了建筑的结构设计、管线布局信息、消防系统部署等众多来自不同建筑领域的建筑信息。大型建筑图纸的单层导出图像分辨率通常在20K*20K左右，其中包括轴网、辅助线、实心墙体、空心墙体、标签、引线以及门窗等建筑领域相关构件。

在以AutoCAD为代表的图纸绘制软件出现前，早期建筑图纸绘制工作往往通过手工完成，近些年来，随着CAD技术的普遍应用，电子制图已经逐渐替代了传统的纸质绘图，并积累了大量的图纸数据。

BIM(Building Information Modeling)，建筑信息建模是一种实现建筑信息集成的技术。建筑信息建模技术可以整合建筑在多个维度、多个领域的信息，并应用在建筑的设计、施工、运行、维护等多个生命周期。

在与BIM数据有关的应用研究中，图纸自动识别技术一直是研究的重点，也是从图纸数据过渡到BIM数据应用的基础。图纸中的待识别对象可分为聚合类对象与非聚合类对象，聚合类对象包括门、烟感报警器、消防栓等符号类对象。这类对象的构成基本元素会聚集地出现在图纸中一个较小的范围内，聚合类对象包围盒内的无关信息量极少，可以用包围盒近似表达聚合类对象的空间位置信息。非聚合类对象包括墙体、管线等对象，这类对象无法采用包围盒描述位置信息。在非聚合类对象中，墙体识别是建筑的空间结构布局表示的关键，也是图纸自动识别中的难点，图纸内墙体对象的自动识别对建筑图纸的规范审查具有重大意义。

然而，目前大量存在的PDF、JPG等格式的电子图纸均属于图像类非结构化数据，其中对象的基本组成元素为点、直线、弧线等基本几何元素的像素表示，目前尚没有针对此类大型建筑图纸墙体识别的有效方法。

首先，墙体的尺度与原图纸的尺度比例波动幅度较大，导致一般的目标检测方法难以用于墙体识别。

其次，墙体的结构往往不固定，且规模可变范围较大，难以准确描述。在实际图纸中，表示墙体的线条在纹理层次上与图纸背景相似度较高，难以通过纹理特征区分。

在图纸墙体识别任务上，传统的图像形态学方法与基于深度学习的识别模型在建筑户型图墙体识别上都取得了不错的效果，但是两者都难以拓展到内容更加复杂的建筑图纸上，主要原因有以下几点：

(1)组成墙体对象的基本元素在图纸内的空间跨度过大。墙体对象在特定方向上与整张图纸的尺度比例在1:100与1:2之间。过大的尺度占比与剧烈的尺度抖动导致一般的目标检测方法在墙体检测任务上失效。

(2)墙体对象的结构不固定。墙体对象的结构、规模变化范围较大，难以精确描述。

(3)非聚合类对象与图纸的背景相似度高。墙体与图纸的轴网、辅助线等背景信息的边界并不清晰，需要借助更高层次的语义信息进行区分。

(4)基于形态学的户型图墙体识别方法主要作用于内容较单一、信息密度较低的户型图图纸。建筑图纸中的信息密度远高于户型图，过多的噪声叠加使分辨能力较弱的形态学方法失效。