技术特征：
1.一种对墙体进行人工智能语义分割的方法，其特征包括如下步骤，s1获取一个小区的每一栋楼的多图层建筑图纸，几何类型为polygon；其中多图层包括顶图层数据、基底图层数据、墙图层数据、窗图层数据、门图层数据；s2对步骤s1的数据进行楼栋字段、户字段进行赋值，形成楼栋语义和户语义；s3对于墙图层数据和窗图层数据进行语义分割，并且形成最终模型包围盒数据，用于后继的要素构造实体算法。2.根据权利要求1所述的方法，其特征在于，步骤s3中墙图层数据和窗图层数据进行语义分割具体包括：s3-1：整个流程的预备输入一个参数对象；s3-2：根据s3-1，分析出输入图层，此输入图层是持久化图层、内存图层、上下文图层、数据库图层中任一者；s3-3：根据s3-1，分析出被延长长度参数；s3-4：对s3-2的输入图层进行几何融合处理，使之成为一个多边形的单独的要素；s3-5：对s3-4的单独要素剔除其多边形中间的洞；s3-6：对s3-5、s3-2的输入图层的面数据，进行线抽稀，形成一个线数据，线数据中的每段和其相邻段的角度差小于预设的角度δ
angle
，δ
angle
＜0.1
°
；s3-7：对s3-6的线数据，进行延长，长度为步骤s3-3的参数；s3-8：对s3-7延长后的线数据，进行多边形化处理，形成新的多边形数据；s3-9：对s3-8的多边形数据进行墙体提取，此时所有墙体均基于户语义进行了几何切割；s3-10：对s3-9切割后的数据进行语义赋值，形成墙语义和窗语义；s3-11：对s3-10的所有要素数据，根据相关文件标准，进行持久化，以备后继处理。3.根据权利要求2所述的方法，其特征在于，s3-9中切割的方法如下：对于所述小区中的每一栋中的每一非公共户的墙体，在图纸俯视视角，从先左往右或从右往左，再从上往下或从下往上进行切割，所述切割的原则是设定一条直线切割线，在切割线竖直状态下，从左往右或从右往左进行移动过程中，只要遇到所述视角下水平的墙体或窗体的一末端即进行竖直分割；而在切割线水平状态下，从上往下或从下往上移动过程中，只要遇到所述水平的墙体的墙面即进行水平分割，以最终生成对于所有非公共户套内墙体的矩形切割几何图形；s3-10中所述语义赋值包括，每一个矩形切割几何图形按照材料种类进行彩色值赋予，以及矩形对角线的两个端点在小区中的地理坐标。4.根据权利要求3所述的方法，其特征在于，在步骤s3对于墙图层数据和窗图层数据进行语义分割之后，形成生成的最终模型包围盒数据之前还包括如下步骤：s4对于多个不同小区的每一栋建筑进行步骤s1-s3，形成小区语义，同时基于已经分割的墙语义以及窗语义生成多维度标绘图像，划分成训练集、验证集、测试集，比例为5-1:1:1-3，并且以多维度标绘图像的训练集为输入端进行生成对抗网络的训练，形成墙体语义分割模型；s5根据待语义标注的建筑图纸中根据设计需要而设置墙体的位置或寻找到已设计完成的图纸中需要标注的墙体的位置，以及墙体材料，而将墙、窗、坐标对应的彩色值填入具
有步骤s4中划分样式的空白多维度标绘图像像素中，并且将填满颜色值的多维度标绘图像输入墙体语义分割模型中以完成墙体语义分割。5.根据权利要求4所述的方法，其特征在于，步骤s4中基于已经分割的墙语义以及窗语义生成多维度标绘图像，具体包括如下步骤：s4-1根据小区语义、楼栋语义、户语义将一个空白图像区域划分为多维度的空白格点方阵；s4-2对于每一个户语义格点中按照所述墙语义和窗语义中的所述地理坐标和墙和窗的水平和竖直位置情况而赋予户语义格点以墙彩色值、窗彩色值，以及根据预设映射规则而由坐标转换成的坐标彩色值，形成多像素图像，以生成多维度标绘图像。6.根据权利要求5所述的方法，其特征在于，其中s4-1具体包括：s4-1-1按照小区语义将空白图像划分成多个小区格点，并且每个小区格点都有对应的小区语义值，所述小区语义值为小区的编号、预设代表小区的地理坐标、代表小区的小区色彩值中任一项或其组合；s4-1b对于每一个划分形成的小区格点中进一步划分多个楼栋格点，并且每个楼栋格点都有对应的楼栋语义值，所述楼栋语义值为楼栋的编号、预设代表楼栋的地理坐标、代表楼栋的楼栋色彩值中任一项或其组合；s4-1-3对于每一个划分形成的楼栋格点中进一步划分多个户格点，并且每个户格点都有对应的户语义值，所述户语义值为户的编号、预设代表户的地理坐标、代表户的户色彩值中任一项或其组合；并且按照楼层排布而从楼栋格点中继续划分多个楼层格点，每个楼层格点中进行划分多个所述户格点；其中s4-2具体包括：s4-2-1在每个户格点中，先从左往右或者从右往左，再从上至下或从下至上，依次排布每一个墙彩色值及墙对应的两个对角线端点坐标彩色值、每一个窗彩色值及窗对应的两个对角线端点坐标彩色值，所述对角线端点坐标彩色值按照在所述视角下的左上右下，或者右上左下的顺序排布，而墙彩色值及墙对应的两个对角线端点坐标彩色值之间，以及窗彩色值及窗对应的两个对角线端点坐标彩色值之间则可以是先是排布前者再后者或者反之排布，每一个墙、窗、端点坐标，这三者对应的彩色值排布具体是对应形成一个赋予对应的彩色值的像素点而被排布在所述的每个户格点中；具体的每个墙和每个窗各自的对应的所述像素点排布是在所述视角下，同样是所述先从左往右或者从右往左，再从上至下或从下至上找到每个墙或每个窗的顺序进行排序；s4-2-2将每一个楼栋格点作为多维度标绘图像，将被填充上彩色值的所述空白图像划分成多个多维度标绘图像。7.根据权利要求6所述的方法，其特征在于，其中坐标彩色值选择右上端点坐标彩色值左下端点坐标彩色值，或左上端点坐标彩色值右下端点坐标彩色值的顺序排布，每一个端点坐标彩色值的排序包括，在所述视角下端点的横坐标彩色值和端点的纵坐标彩色值，或反之。8.根据权利要求5-7中任一项所述的方法，其特征在于，其中所述户格点形成h
×
h的矩阵，自然数1≤h≤3，楼层格点形成j
×
j的矩阵，自然数2≤j≤6，楼栋格点为n
×
n，自然数2≤n≤10，小区格点为m
×
m，自然数m≥1，每一个户格点为5k
×
5k个像素，自然数k≥7；对于
空白的户格点、楼层格点、楼栋格点、小区格点都采用白色值赋值。9.根据权利要求8所述的方法，其特征在于，步骤s4中以多维度标绘图像的训练集为输入端进行生成对抗网络(gan)的训练，形成墙体语义分割模型具体包括：s4-3将选一组训练集中的多维度标绘图像连同给定的噪声输入生成器g中，形成一组第一赝图；优选地，所述给定的噪声为均匀分布函数或正态分布函数；s4-4：将一组第一赝图与多组真实的语义分割后的建筑图纸一起输入判别器d中进行识别分类，重复步骤s4-3和s4-4，每次选的一组训练集中多维度标绘图像都不同，每一次计算损失函数值，反向传播依次精细调整d网络参数，直到在多组真实的语义分割后的建筑图纸中以一定正确率识别出对应的最初输入一组第一赝图为止，完成判别器d的训练形成判别器d’，其中判别器d的判别真假的依据是将赝图与真实的语义分割后的建筑图纸进行差分而输入fc中输出给softmax函数进行二分类；s4-5：将选一组训练集中多维度标绘图像连同给定的噪声输入生成器g中，形成一组第二赝图；s4-6：将一组第二赝图与多组真实的语义分割后的建筑图纸一起输入判别器d’中进行识别分类，重复步骤s4-5和s4-6，每次选的组训练集中多维度标绘图像都不同，每一次计算损失函数值，反向传播依次精细调整g网络参数，直到在多组真实的语义分割后的建筑图纸中以一定正确率识别出对应的最初输入一组第二赝图为止，完成生成器g的训练形成生成器g’，作为墙体语义分割模型。10.根据权利要求9所述的方法，其特征在于，其中，生成器g和判别器d都为卷积神经网络模型，步骤s4-4判别器d具体训练过程是，多组真实的语义分割后的建筑图纸与多组第一赝图输入cnn模型得到的特征提取结果形成各自多组特征图，作差分后形成差分图，将其输入全连接fc中经过softmax函数分类，采用验证集验证准确率，并计算损失函数值进行反向传播调整cnn网络，直到准确率达到阈值和损失函数值趋稳为止。11.根据权利要求9或10所述的方法，其特征在于，其中s5中的所述墙体的位置的所述设置和所述标注是同样按照步骤s3-9中的几何切割方法分别进行绘制而设置和切割而标注，而按照s4-2-1中的排序填入具有步骤s4中划分样式的空白多维度标绘图像像素中；将几何切割方法得到的每一个矩形切割几何图形进行编号，并以按照s4-2-1中的墙和窗的彩色值排布顺序进行编号，以方便矩形切割几何图的搜寻并实现各所述彩色值按照s4-2-1中的排布顺序进行排布，以快速生成多维度标绘图像。
技术总结
本发明提供一种对墙体进行人工智能语义分割的方法，包括S1获取一个小区的每一栋楼的多图层建筑图纸，几何类型为Polygon；其中多图层包括顶图层数据、基底图层数据、墙图层数据、窗图层数据、门图层数据；S2对步骤S1的数据文件进行楼栋字段、户字段进行赋值，形成楼栋语义和户语义；S3对于墙图层数据和窗图层数据进行语义分割，并且形成生成的最终模型包围盒数据，用于后继的要素构造实体算法，以及其后的对抗生成网络的语义分割建模。实现事毕同步完成语义分割结果，与事后进行语义分割相比，获得了相当于几何数据处理的语义分割算法实现的精确语义分割结果，还大大提高了语义分割效率。率。率。
技术研发人员：刘俊伟 李同高
受保护的技术使用者：泰瑞数创科技（北京）股份有限公司
技术研发日：2022.07.21
技术公布日：2022/11/25