基于装配式建筑AI设计的墙柱识别方法及装置

摘要

本发明涉及人工智能领域，公开了一种基于装配式建筑AI设计的墙柱识别方法及装置，用于提高墙柱智能识别的准确率。所述方法包括：基于预置的装配式协同设计平台获取样本图纸，并对所述样本图纸进行线条提取，得到样本线条数据；对所述样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据；对所述目标线段数据进行墙柱图纸转换，得到目标墙柱图纸。

权利要求

1.一种基于装配式建筑AI设计的墙柱识别方法，其特征在于，所述基于装配式建筑AI设计的墙柱识别方法包括：

基于预置的装配式协同设计平台获取样本图纸，并对所述样本图纸进行线条提取，得到样本线条数据；

对所述样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；具体的，调用预置的深度解析检测模型对所述样本线条数据进行线条特征识别，得到特征标识信息；对所述特征标识信息进行特征分类，得到目标特征类；根据所述目标特征类和所述特征标识信息对所述样本线条数据进行墙柱标注信息图像转换，得到带有标签的训练图像；其中，调用预置的深度解析检测模型对样本线条数据进行线条描摹，并对样本线条数据进行串联，将串联后的线条与特征图像中的特征图形进行对比，得到特征标识信息，将特征标识信息划分成特征的字符，并从时域和频域两个方面提取反映特征标识信息的特征，去除特征标识信息中的冗余特征，并将特征标识信息中不同的特征按照一定的比例融合成一个融合特征，采用极限学习机对特征标识信息对应的融合特征进行分类，得到目标特征类，将特征标识信息对应的融合特征导出为预设格式的训练数据并进行墙柱标注信息图像转换，得到带有标签的训练图像；

将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；

获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据；

对所述目标线段数据进行墙柱图纸转换，得到目标墙柱图纸；具体的，根据预设平行线选取规则对所述目标线段数据进行平行线选取，得到平行配对线；对所述平行配对线进行墙边和柱边分类提取，得到墙边数组和柱边数组；对所述墙边数组和所述柱边数组进行墙柱切割，生成目标墙柱图纸；其中，所述根据预设平行线选取规则对所述目标线段数据进行平行线选取，得到平行配对线，包括：根据所述目标线段数据生成墙体最大厚度；根据所述墙体最大厚度对所述目标线段数据进行平行线提取，得到初始平行线；对所述初始平行线进行距离分布运算，得到距离分布数据；根据所述距离分布数据对所述初始平行线进行筛选，得到平行配对线；所述对所述墙边数组和所述柱边数组进行墙柱切割，生成目标墙柱图纸，包括：对所述墙边数组和所述柱边数组进行墙柱区分，得到多个外轮廓；分别对每个外轮廓进行属性分析，得到每个外轮廓的属性数据；根据每个外轮廓的属性数据生成目标墙柱图纸。

2.根据权利要求1所述的基于装配式建筑AI设计的墙柱识别方法，其特征在于，所述将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型，包括：将所述训练图像输入预置的神经网络模型，通过所述神经网络模型对所述训练图像进行图像特征提取，得到训练特征图像；

对所述训练特征图像进行墙柱识别分类和特征点选取，得到目标训练结果；

根据所述目标训练结果对所述神经网络模型进行参数调优，并将参数调优后的神经网络模型作为所述墙柱识别模型。

3.根据权利要求1所述的基于装配式建筑AI设计的墙柱识别方法，其特征在于，所述获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据，包括：从所述装配式协同设计平台中查找待识别的目标原始图纸；

将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到初始线段数据；

对所述初始线段数据进行位置数据预测和标注，得到目标线段数据。

4.一种基于装配式建筑AI设计的墙柱识别装置，其特征在于，所述基于装配式建筑AI设计的墙柱识别装置包括：

获取模块，用于基于预置的装配式协同设计平台获取样本图纸，并对所述样本图纸进行线条提取，得到样本线条数据；

识别模块，用于对所述样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；具体的，调用预置的深度解析检测模型对所述样本线条数据进行线条特征识别，得到特征标识信息；对所述特征标识信息进行特征分类，得到目标特征类；根据所述目标特征类和所述特征标识信息对所述样本线条数据进行墙柱标注信息图像转换，得到带有标签的训练图像；其中，调用预置的深度解析检测模型对样本线条数据进行线条描摹，并对样本线条数据进行串联，将串联后的线条与特征图像中的特征图形进行对比，得到特征标识信息，将特征标识信息划分成特征的字符，并从时域和频域两个方面提取反映特征标识信息的特征，去除特征标识信息中的冗余特征，并将特征标识信息中不同的特征按照一定的比例融合成一个融合特征，采用极限学习机对特征标识信息对应的融合特征进行分类，得到目标特征类，将特征标识信息对应的融合特征导出为预设格式的训练数据并进行墙柱标注信息图像转换，得到带有标签的训练图像；

训练模块，用于将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；

处理模块，用于获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据；

输出模块，用于对所述目标线段数据进行墙柱图纸转换，得到目标墙柱图纸；具体的，根据预设平行线选取规则对所述目标线段数据进行平行线选取，得到平行配对线；对所述平行配对线进行墙边和柱边分类提取，得到墙边数组和柱边数组；对所述墙边数组和所述柱边数组进行墙柱切割，生成目标墙柱图纸；其中，所述根据预设平行线选取规则对所述目标线段数据进行平行线选取，得到平行配对线，包括：根据所述目标线段数据生成墙体最大厚度；根据所述墙体最大厚度对所述目标线段数据进行平行线提取，得到初始平行线；对所述初始平行线进行距离分布运算，得到距离分布数据；根据所述距离分布数据对所述初始平行线进行筛选，得到平行配对线；所述对所述墙边数组和所述柱边数组进行墙柱切割，生成目标墙柱图纸，包括：对所述墙边数组和所述柱边数组进行墙柱区分，得到多个外轮廓；

分别对每个外轮廓进行属性分析，得到每个外轮廓的属性数据；根据每个外轮廓的属性数据生成目标墙柱图纸。

5.一种基于装配式建筑AI设计的墙柱识别设备，其特征在于，所述基于装配式建筑AI设计的墙柱识别设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于装配式建筑AI设计的墙柱识别设备执行如权利要求1‑3中任一项所述的基于装配式建筑AI设计的墙柱识别方法。

6.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1‑3中任一项所述的基于装配式建筑AI设计的墙柱识别方法。

说明书

基于装配式建筑AI设计的墙柱识别方法及装置

技术领域

[0001] 本发明涉及人工智能领域，尤其涉及一种基于装配式建筑AI设计的墙柱识别方法及装置。

背景技术

[0002] 装配式建筑业的设计过程中，一般由装配式设计人员按照客户需求进行相关设计工作，然后把设计的图纸导出，这些图纸通常为CAD图形文件，后续建筑设计人员以此为基础，进行相关设计，这些功能需求导致协同设计平台在设计过程中需要具备CAD图形的编辑能力，另一方面在进行设计、渲染出图等过程中，设计人员需要进行复杂处理，这些图像需要根据装配式建筑设计的特点进行缩放、透明度、渐变、旋转、剪切、局部挖补等一系列图像处理操作，并将相关的操作和CAD图形融为一个整体。

[0003] 现有方案在识别图纸时，如果墙柱在同一图层，提取出的多边形，会是墙轮廓和柱轮廓的融合形状，无法简单直接得从中分离、切分出墙柱，使得图纸复原度低，也不符合业务实际场景，即现有方案的准确率低。

发明内容

[0004] 本发明提供了一种基于装配式建筑AI设计的墙柱识别方法及装置，用于提高墙柱智能识别的准确率。

[0005] 本发明第一方面提供了一种基于装配式建筑AI设计的墙柱识别方法，所述基于装配式建筑AI设计的墙柱识别方法包括：基于预置的装配式协同设计平台获取样本图纸，并对所述样本图纸进行线条提取，得到样本线条数据；对所述样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据；对所述目标线段数据进行墙柱图纸转换，得到目标墙柱图纸。

[0006] 可选的，在本发明第一方面的第一种实现方式中，所述对所述样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像，包括：调用预置的深度解析检测模型对所述样本线条数据进行线条特征识别，得到特征标识信息；对所述特征标识信息进行特征分类，得到目标特征类；根据所述目标特征类和所述特征标识信息对所述样本线条数据进行墙柱标注信息图像转换，得到带有标签的训练图像。

[0007] 可选的，在本发明第一方面的第二种实现方式中，所述将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型，包括：将所述训练图像输入预置的神经网络模型，通过所述神经网络模型对所述训练图像进行图像特征提取，得到训练特征图像；对所述训练特征图像进行墙柱识别分类和特征点选取，得到目标训练结果；根据所述目标训练结果对所述神经网络模型进行参数调优，并将参数调优后的神经网络模型作为所述墙柱识别模型。

[0008] 可选的，在本发明第一方面的第三种实现方式中，所述获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据，包括：从所述装配式协同设计平台中查找待识别的目标原始图纸；将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到初始线段数据；对所述初始线段数据进行位置数据预测和标注，得到目标线段数据。

[0009] 可选的，在本发明第一方面的第四种实现方式中，所述对所述目标线段数据进行墙柱图纸转换，得到目标墙柱图纸，包括：根据预设平行线选取规则对所述目标线段数据进行平行线选取，得到平行配对线；对所述平行配对线进行墙边和柱边分类提取，得到墙边数组和柱边数组；对所述墙边数组和所述柱边数组进行墙柱切割，生成目标墙柱图纸。

[0010] 可选的，在本发明第一方面的第五种实现方式中，所述根据预设平行线选取规则对所述目标线段数据进行平行线选取，得到平行配对线，包括：根据所述目标线段数据生成墙体最大厚度；根据所述墙体最大厚度对所述目标线段数据进行平行线提取，得到初始平行线；对所述初始平行线进行距离分布运算，得到距离分布数据；根据所述距离分布数据对所述初始平行线进行筛选，得到平行配对线。

[0011] 可选的，在本发明第一方面的第六种实现方式中，所述对所述墙边数组和所述柱边数组进行墙柱切割，生成目标墙柱图纸，包括：对所述墙边数组和所述柱边数组进行墙柱区分，得到多个外轮廓；分别对每个外轮廓进行属性分析，得到每个外轮廓的属性数据；根据每个外轮廓的属性数据生成目标墙柱图纸。

[0012] 本发明第二方面提供了一种基于装配式建筑AI设计的墙柱识别装置，所述基于装配式建筑AI设计的墙柱识别装置包括：获取模块，用于基于预置的装配式协同设计平台获取样本图纸，并对所述样本图纸进行线条提取，得到样本线条数据；识别模块，用于对所述样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；训练模块，用于将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；处理模块，用于获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据；输出模块，用于对所述目标线段数据进行墙柱图纸转换，得到目标墙柱图纸。

[0013] 可选的，在本发明第二方面的第一种实现方式中，所述识别模块具体用于：调用预置的深度解析检测模型对所述样本线条数据进行线条特征识别，得到特征标识信息；对所述特征标识信息进行特征分类，得到目标特征类；根据所述目标特征类和所述特征标识信息对所述样本线条数据进行墙柱标注信息图像转换，得到带有标签的训练图像。

[0014] 可选的，在本发明第二方面的第二种实现方式中，所述训练模块具体用于：将所述训练图像输入预置的神经网络模型，通过所述神经网络模型对所述训练图像进行图像特征提取，得到训练特征图像；对所述训练特征图像进行墙柱识别分类和特征点选取，得到目标训练结果；根据所述目标训练结果对所述神经网络模型进行参数调优，并将参数调优后的神经网络模型作为所述墙柱识别模型。

[0015] 可选的，在本发明第二方面的第三种实现方式中，所述处理模块具体用于：从所述装配式协同设计平台中查找待识别的目标原始图纸；将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到初始线段数据；对所述初始线段数据进行位置数据预测和标注，得到目标线段数据。

[0016] 可选的，在本发明第二方面的第四种实现方式中，所述输出模块还包括：选取单元，用于根据预设平行线选取规则对所述目标线段数据进行平行线选取，得到平行配对线；提取单元，用于对所述平行配对线进行墙边和柱边分类提取，得到墙边数组和柱边数组；切割单元，用于对所述墙边数组和所述柱边数组进行墙柱切割，生成目标墙柱图纸。

[0017] 可选的，在本发明第二方面的第五种实现方式中，所述选取单元具体用于：根据所述目标线段数据生成墙体最大厚度；根据所述墙体最大厚度对所述目标线段数据进行平行线提取，得到初始平行线；对所述初始平行线进行距离分布运算，得到距离分布数据；根据所述距离分布数据对所述初始平行线进行筛选，得到平行配对线。

[0018] 可选的，在本发明第二方面的第六种实现方式中，所述切割单元具体用于：对所述墙边数组和所述柱边数组进行墙柱区分，得到多个外轮廓；分别对每个外轮廓进行属性分析，得到每个外轮廓的属性数据；根据每个外轮廓的属性数据生成目标墙柱图纸。

[0019] 本发明第三方面提供了一种基于装配式建筑AI设计的墙柱识别设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于装配式建筑AI设计的墙柱识别设备执行上述的基于装配式建筑AI设计的墙柱识别方法。

[0020] 本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于装配式建筑AI设计的墙柱识别方法。

[0021] 本发明提供的技术方案中，基于装配式协同设计平台获取样本图纸，并对所述样本图纸进行线条提取，得到样本线条数据；对所述样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据；对所述目标线段数据进行墙柱图纸转换，得到目标墙柱图纸。本发明在识别目标原始图纸时，在墙柱识别模型中能够非常快速较为正确的区分出墙和柱，并且完整复原图纸轮廓，本发明运用深度学习解决了同图层下的墙柱智能分析，能高效及准确的识别出墙柱的信息，提高了墙柱智能识别的准确率。

附图说明

[0022] 图1为本发明实施例中基于装配式建筑AI设计的墙柱识别方法的一个实施例示意图；

[0023] 图2为本发明实施例中基于装配式建筑AI设计的墙柱识别方法的另一个实施例示意图；

[0024] 图3为本发明实施例中基于装配式建筑AI设计的墙柱识别装置的一个实施例示意图；

[0025] 图4为本发明实施例中基于装配式建筑AI设计的墙柱识别装置的另一个实施例示意图；

[0026] 图5为本发明实施例中基于装配式建筑AI设计的墙柱识别设备的一个实施例示意图；

[0027] 图6为本发明实施例中墙柱结构示意图；

[0028] 图7为本发明实施例中目标墙柱图纸示意图。

具体实施方式

[0029] 本发明实施例提供了一种基于装配式建筑AI设计的墙柱识别方法及装置，用于提高墙柱智能识别的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0030] 为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于装配式建筑AI设计的墙柱识别方法的一个实施例包括：

[0031] 101、基于预置的装配式协同设计平台获取样本图纸，并对样本图纸进行线条提取，得到样本线条数据；

[0032] 可以理解的是，本发明的执行主体可以为基于装配式建筑AI设计的墙柱识别装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

[0033] 具体的，首先获取协平台编辑后的图纸，然后通过图纸中墙柱一体数据中提取的若干线条，其中，服务器以线条的一端为头点，另一端为尾点，分别赋予其头点及尾点一个活动范围阈值，在服务器对样本图纸进行线条提取时，对头点与尾点位置进行扫描，以生成样本线条数据。

[0034] 102、对样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；

[0035] 具体的，服务器使用Mask‑RCNN神经网络对图纸内容进行分析，进一步对样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像，其中，服务器将样本线条数据智能识别提取为标注信息分布表，服务器在加载完样本线条数据后，通过识别样本线条数据图元的图层信息，并结合样本线条数据所标注的尺寸数据，同时结合识别样本线条数据上的层高数据信息，从而得到带有标签的训练图像，可精确迅速地识别出样本线条数据中的墙柱标信息，提高了数据处理的效率。

[0036] 103、将训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；

[0037] 具体的，服务器将训练图像对神经网络模型进行训练，使模型能充分学习每种模型的图纸含有墙柱识别分类的特征点，其中，服务器获取训练图像作为神经网络模型的训练数据，训练图像包括不含噪声的干净段数据及包含噪声的噪声段数据，计算训练数据的标注信息参数，根据标注信息参数构建噪声特征向量，将噪声特征向量输入神经网络模型进行训练，得到墙柱识别模型。

[0038] 104、获取待识别的目标原始图纸，并将目标原始图纸输入墙柱识别模型进行墙柱智能识别，得到目标线段数据；

[0039] 具体的，服务器获取多张结构图框，图6为墙柱结构示意图，对多张结构图框进行解析获取多个图元，将所有获取的图元输入对应的目标原始图纸，对初始模板图像上的图框进行墙柱智能识别，得到目标线段数据，其中，在将目标原始图纸输入墙柱识别模型进行识别时，服务器将这些数据通过先确定墙体最大厚度，统计所有平行配对线的距离分布，得到目标线段数据其中平行配对线的要求需要方向相反，长度与距离的比例大于四，然后采集满足要求的平行配对线，得到目标线段数据。

[0040] 105、对目标线段数据进行墙柱图纸转换，得到目标墙柱图纸。

[0041] 具体的，服务器对目标线段数据进行位置解析，确定与目标线段数据对应的位置信息，进一步的，服务器根据位置信息进行墙柱图元生成，得到对应的墙柱图元，最终服务器根据该墙柱图元进行墙柱图纸转换，得到目标墙柱图纸。

[0042] 本发明实施例中，基于装配式协同设计平台获取样本图纸，并对样本图纸进行线条提取，得到样本线条数据；对样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；将训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；获取待识别的目标原始图纸，并将目标原始图纸输入墙柱识别模型进行墙柱智能识别，得到目标线段数据；对目标线段数据进行墙柱图纸转换，得到目标墙柱图纸。本发明在识别目标原始图纸时，在墙柱识别模型中能够非常快速较为正确的区分出墙和柱，并且完整复原图纸轮廓，本发明运用深度学习解决了同图层下的墙柱智能分析，能高效及准确的识别出墙柱的信息，提高了墙柱智能识别的准确率。

[0043] 请参阅图2，本发明实施例中基于装配式建筑AI设计的墙柱识别方法的另一个实施例包括：

[0044] 201、基于预置的装配式协同设计平台获取样本图纸，并对样本图纸进行线条提取，得到样本线条数据；

[0045] 202、对样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；

[0046] 具体的，调用预置的深度解析检测模型对样本线条数据进行线条特征识别，得到特征标识信息；对特征标识信息进行特征分类，得到目标特征类；根据目标特征类和特征标识信息对样本线条数据进行墙柱标注信息图像转换，得到带有标签的训练图像。

[0047] 其中，服务器调用预置的深度解析检测模型对样本线条数据进行线条描摹，并对样本线条数据进行串联，进一步的，服务器将串联后的线条与特征图像以及特征图形进行对比，得到特征标识信息，进一步的，服务器将特征标识信息划分成许多易于提取特征的字符，并从时域和频域两个方面来提取反映特征标识信息的特征，同时去除特征标识信息中的冗余特征，并将不同的特征按照一定的比例融合成一个融合特征，进而服务器采用极限学习机对特征标识信息进行分类，得到目标特征类，进一步的，服务器将特征标识信息导出为预设格式的训练数据，其中，服务器将特征标识信息设置为正向传播，模型类型设置为Mask‑RCNN，批量大小设置为500，最佳权重通过学习率公式计算出最佳学习率，通过上述信息进行墙柱标注信息图像转换，得到带有标签的训练图像。

[0048] 203、将训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；

[0049] 具体的，将训练图像输入预置的神经网络模型，通过神经网络模型对训练图像进行图像特征提取，得到训练特征图像；对训练特征图像进行墙柱识别分类和特征点选取，得到目标训练结果；根据目标训练结果对神经网络模型进行参数调优，并将参数调优后的神经网络模型作为墙柱识别模型。

[0050] 其中，服务器将训练图像输入预置的神经网络模型，提取训练图像的有效区域图像及像素点颜色值数据并进行色块分割，获取有效区域图像的图像数据，对有效区域图像进行多等份细分，获得有效区域图像的细分区域，对细分区域进行连通域确认、线段识别和线长计量，以获取细分区域的图像特征数据，得到训练特征图像，对得到训练特征图像进行统计、组合处理，以获取图像特征点，采用图像特征点来描述图像特征，得到目标训练结果，最终，服务器根据目标训练结果对神经网络模型进行参数调优，并将参数调优后的神经网络模型作为墙柱识别模型。

[0051] 204、获取待识别的目标原始图纸，并将目标原始图纸输入墙柱识别模型进行墙柱智能识别，得到目标线段数据；

[0052] 具体的，从装配式协同设计平台中查找待识别的目标原始图纸；将目标原始图纸输入墙柱识别模型进行墙柱智能识别，得到初始线段数据；对初始线段数据进行位置数据预测和标注，得到目标线段数据。

[0053] 其中，服务器从装配式协同设计平台中查找待识别的目标原始图纸，对目标原始图纸进行识别，结合预先设置的识别策略进行数据识别、分析，进而根据目标原始图纸中的目标物规划出目标区域作为初始线段数据，最后根据预设位置参数对初始线段数据进行融合识别，对初始线段数据进行位置数据预测和标注，得到目标线段数据。

[0054] 205、根据预设平行线选取规则对目标线段数据进行平行线选取，得到平行配对线；

[0055] 具体的，根据目标线段数据生成墙体最大厚度；根据墙体最大厚度对目标线段数据进行平行线提取，得到初始平行线；对初始平行线进行距离分布运算，得到距离分布数据；根据距离分布数据对初始平行线进行筛选，得到平行配对线。

[0056] 具体的，服务器通过目标线段数据确定墙体最大厚度，统计所有平行配对线的距离分布，其中平行配对线的要求需要方向相反，长度与距离的比例大于四，然后取的满足要求的平行配对线，得到平行配对线。

[0057] 206、对平行配对线进行墙边和柱边分类提取，得到墙边数组和柱边数组；

[0058] 具体的，服务器对平行配对线进行墙边与柱边划分，然后针对单个外轮廓进行处理，首先由未知属性中的最长线出发，判断若存在满足要求的平行配对线，则最长线为墙边，算法继续。若不存在，则最长线为柱边，而后沿着最长线继续进行分类提取，得到墙边数组和柱边数组。

[0059] 207、对墙边数组和柱边数组进行墙柱切割，生成目标墙柱图纸。

[0060] 具体的，对墙边数组和柱边数组进行墙柱区分，得到多个外轮廓；分别对每个外轮廓进行属性分析，得到每个外轮廓的属性数据；根据每个外轮廓的属性数据生成目标墙柱图纸。

[0061] 其中，进一步的将分类好的数据进行对应的墙柱切割，需要说明的是，切割点为外轮廓的凹点，且凹点前后边必须是，一个是墙边，另一个是柱边。

[0062] 其中在切割时存在三个情况，切割情况一为存在另一个凹点，当满足条件一条边与切割点的一条边平行逆向，另一条边与切割点的另一条边共线且同向。切割线，连接两点生成一个切割线，来切割外轮廓，切割后的两个子外轮廓重新回到区分墙边与柱边的环节，切割情况二为存在夹角为锐角或直角的切割点，以柱边为延长边，如果柱边是凹点的前驱线则正向延长，反之则逆向延长，遇到其他线段则停止延长，延长出的最短线作为切割线切分外轮廓，切割后的两个子外轮廓重新回到区分墙边与柱边的环节，切割情况三为对于夹角为钝角的切割点，取切割点的墙边的垂直线作为延长线，剩余处理同切割情况二，结束切割的条件就是这三个情况都不存在。

[0063] 进一步的根据外轮廓的边的属性进行区分墙柱，如果存在一条柱边则视为柱子，反之则视为墙柱子生成整个外轮廓作为柱子的外轮廓线墙体生成根据墙边的平行配对数量依次梳理一对一配对的墙边，相互都是唯一配对，且一侧相互连接存在墙端；连接两墙边的另一端，生成一个完整的墙，剩余的部分继续处理，最后服务器根据每个外轮廓的属性数据生成目标墙柱图纸，图7为目标墙柱图纸示意图。

[0064] 本发明实施例中，基于装配式协同设计平台获取样本图纸，并对样本图纸进行线条提取，得到样本线条数据；对样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；将训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；获取待识别的目标原始图纸，并将目标原始图纸输入墙柱识别模型进行墙柱智能识别，得到目标线段数据；对目标线段数据进行墙柱图纸转换，得到目标墙柱图纸。本发明在识别目标原始图纸时，在墙柱识别模型中能够非常快速较为正确的区分出墙和柱，并且完整复原图纸轮廓，本发明运用深度学习解决了同图层下的墙柱智能分析，能高效及准确的识别出墙柱的信息，提高了墙柱智能识别的准确率。

[0065] 上面对本发明实施例中基于装配式建筑AI设计的墙柱识别方法进行了描述，下面对本发明实施例中基于装配式建筑AI设计的墙柱识别装置进行描述，请参阅图3，本发明实施例中基于装配式建筑AI设计的墙柱识别装置一个实施例包括：

[0066] 获取模块301，用于基于预置的装配式协同设计平台获取样本图纸，并对所述样本图纸进行线条提取，得到样本线条数据；

[0067] 识别模块302，用于对所述样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；

[0068] 训练模块303，用于将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；

[0069] 处理模块304，用于获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据；

[0070] 输出模块305，用于对所述目标线段数据进行墙柱图纸转换，得到目标墙柱图纸。

[0071] 本发明实施例中，基于装配式协同设计平台获取样本图纸，并对所述样本图纸进行线条提取，得到样本线条数据；对所述样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据；对所述目标线段数据进行墙柱图纸转换，得到目标墙柱图纸。本发明在识别目标原始图纸时，在墙柱识别模型中能够非常快速较为正确的区分出墙和柱，并且完整复原图纸轮廓，本发明运用深度学习解决了同图层下的墙柱智能分析，能高效及准确的识别出墙柱的信息，提高了墙柱智能识别的准确率。

[0072] 请参阅图4，本发明实施例中基于装配式建筑AI设计的墙柱识别装置另一个实施例包括：

[0073] 获取模块301，用于基于预置的装配式协同设计平台获取样本图纸，并对所述样本图纸进行线条提取，得到样本线条数据；

[0074] 识别模块302，用于对所述样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；

[0075] 训练模块303，用于将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；

[0076] 处理模块304，用于获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据；

[0077] 输出模块305，用于对所述目标线段数据进行墙柱图纸转换，得到目标墙柱图纸。

[0078] 可选的，所述识别模块302具体用于：调用预置的深度解析检测模型对所述样本线条数据进行线条特征识别，得到特征标识信息；对所述特征标识信息进行特征分类，得到目标特征类；根据所述目标特征类和所述特征标识信息对所述样本线条数据进行墙柱标注信息图像转换，得到带有标签的训练图像。

[0079] 可选的，所述训练模块303具体用于：将所述训练图像输入预置的神经网络模型，通过所述神经网络模型对所述训练图像进行图像特征提取，得到训练特征图像；对所述训练特征图像进行墙柱识别分类和特征点选取，得到目标训练结果；根据所述目标训练结果对所述神经网络模型进行参数调优，并将参数调优后的神经网络模型作为所述墙柱识别模型。

[0080] 可选的，所述处理模块304具体用于：从所述装配式协同设计平台中查找待识别的目标原始图纸；将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到初始线段数据；对所述初始线段数据进行位置数据预测和标注，得到目标线段数据。

[0081] 可选的，所述输出模块305还包括：

[0082] 选取单元3051，用于根据预设平行线选取规则对所述目标线段数据进行平行线选取，得到平行配对线；

[0083] 提取单元3052，用于对所述平行配对线进行墙边和柱边分类提取，得到墙边数组和柱边数组；

[0084] 切割单元3053，用于对所述墙边数组和所述柱边数组进行墙柱切割，生成目标墙柱图纸。

[0085] 可选的，所述选取单元3051具体用于：根据所述目标线段数据生成墙体最大厚度；根据所述墙体最大厚度对所述目标线段数据进行平行线提取，得到初始平行线；对所述初始平行线进行距离分布运算，得到距离分布数据；根据所述距离分布数据对所述初始平行线进行筛选，得到平行配对线。

[0086] 可选的，所述切割单元3053具体用于：对所述墙边数组和所述柱边数组进行墙柱区分，得到多个外轮廓；分别对每个外轮廓进行属性分析，得到每个外轮廓的属性数据；根据每个外轮廓的属性数据生成目标墙柱图纸。

[0087] 本发明实施例中，基于装配式协同设计平台获取样本图纸，并对所述样本图纸进行线条提取，得到样本线条数据；对所述样本线条数据进行墙柱标注信息识别，得到带有标签的训练图像；将所述训练图像输入预置的神经网络模型进行模型训练，得到墙柱识别模型；获取待识别的目标原始图纸，并将所述目标原始图纸输入所述墙柱识别模型进行墙柱智能识别，得到目标线段数据；对所述目标线段数据进行墙柱图纸转换，得到目标墙柱图纸。本发明在识别目标原始图纸时，在墙柱识别模型中能够非常快速较为正确的区分出墙和柱，并且完整复原图纸轮廓，本发明运用深度学习解决了同图层下的墙柱智能分析，能高效及准确的识别出墙柱的信息，提高了墙柱智能识别的准确率。

[0088] 上面图3和图4从模块化功能实体的角度对本发明实施例中的基于装配式建筑AI设计的墙柱识别装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于装配式建筑AI设计的墙柱识别设备进行详细描述。

[0089] 图5是本发明实施例提供的一种基于装配式建筑AI设计的墙柱识别设备的结构示意图，该基于装配式建筑AI设计的墙柱识别设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于装配式建筑AI设计的墙柱识别设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在基于装配式建筑AI设计的墙柱识别设备500上执行存储介质530中的一系列指令操作。

[0090] 基于装配式建筑AI设计的墙柱识别设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的基于装配式建筑AI设计的墙柱识别设备结构并不构成对基于装配式建筑AI设计的墙柱识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

[0091] 本发明还提供一种基于装配式建筑AI设计的墙柱识别设备，所述基于装配式建筑AI设计的墙柱识别设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于装配式建筑AI设计的墙柱识别方法的步骤。

[0092] 本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于装配式建筑AI设计的墙柱识别方法的步骤。

[0093] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0094] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read‑only memory， ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

[0095] 以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述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精神和范围。