施工图和竣工图的比对方法、装置、终端设备及存储介质与流程

本发明涉建筑设计领域，尤其涉及一种施工图和竣工图的比对方法、装置、终端设备及存储介质。

背景技术：

1、在过去，施工图与竣工图的图纸比对工作需要由专业人员完成，存在人力和时间成本高、可能在非核心建筑构件部分出现疏漏等问题。

2、而当前经常使用的计算机图纸比对技术，只能准确地找到图元本身的位置漂移、颜色和纹理变动、缺失或增改等信息，但在一些需要结合建筑学意义的特征分析的场景中往往会出现误差。例如两套图纸坐标系不一致，或者建筑构件图层属性整体调整等，这些在人工比对时不会被认为是改动内容，但会被现有计算机图纸比对技术认定为改动。此外，针对一些构件更改导致空间拓扑关系发生变化的场景中，现有的技术往往仅能发现组成构件的图元本身的改动或缺失，而无法发现建筑空间之间的拓扑关系的破坏问题；

3、因此，如何准确高效地进行施工图和竣工图的比对，保证建筑项目的质量和效率是一个亟需解决的问题。

技术实现思路

1、本发明提供了一种施工图和竣工图的比对方法、装置、终端设备及存储介质，能够实现对不同格网范围、不同播发频率的施工图和竣工图的比对。

2、本发明提供了一种施工图和竣工图的比对方法，包括：获取施工图所对应的各个施工子图框，以及获取竣工图所对应的各个竣工子图框；

3、将各所述施工子图框和各所述竣工子图框输入至预设的模型网络中，以使所述模型网络根据各所述施工子图框和各所述竣工子图框，获取所述施工图与所述竣工图的相似度；

4、其中，所述模型网络的训练包括，包括：

5、以各个施工子图框作为第一训练集，以各竣工子图框作为第二训练集；

6、将所述第一训练集以及第二训练集输入至预设的待训练模型网络中，以通过所述待训练模型网络，分别获取所述第一训练集和第二训练集的全局特性向量，以及分别获取第一训练集和第二训练集的局部特性向量；

7、根据所提取的全局特性向量以及局部特性向量以及预设的损失函数，通过最小化损失函数，生成训练后的模型网络。

8、进一步的，所述模型网络包括：convn层以及深度卷积残差块；

9、所述convn层，用于分别对所述第一训练集和第二训练集进行多层卷积计算，分别获取所述第一训练集和第二训练集的全局信息特征；

10、所述深度卷积残差块，用于根据所获取的全局信息特征，从所述所获取的全局信息特征中，提取图纸整体布局中的图元信息以及建筑拓扑关系信息；

11、以根据所获取的图元信息以及建筑拓扑关系信息，确定所述第一训练集和第二训练集的全局特性向量。

12、进一步的，所述深度卷积残差块包括：depwiseconv层以及groupbatchnorm层；

13、所述depwiseconv层，用于根据全局信息特征，将多通道的输入特征矩阵进行单通道的卷积计算，获取通道数一致的中间特征；

14、所述groupbatchnorm层，用于对中间特征进行归一化处理，以获取图纸整体布局中的图元信息以及建筑拓扑关系信息。

15、进一步的，所述模型网络还包括：第一scconv层、self-attention层、第一focus层、第二scconv层、第二focus层以及特征融合层；

16、所述第一scconv层，用于分别对所述第一训练集和第二训练集进行空间和通道的重组卷积，获取用于表征图纸局部几何、纹理以及轮廓边界信息的多尺度特征向量；

17、所述self-attention层，用于根据所获取的多尺度特征向量，获取第一训练集和第二训练集所对应的图纸局部序列特征；

18、所述第一focus层，用于对获取的图纸局部序列特征进行分类，获取patchembedding特征向量；

19、所述第二scconv层，用于对所获取的patch embedding特征向量进行去除冗余特征，获取基础特征；

20、所述第二focus层，用于对所获取的patch embedding特征向量进行拆分和采样，获取多尺度特征；

21、所述特征融合层，用于将获取的基础特征以及多尺度特征进行融合，以获取第一训练集和第二训练集所对应的的局部特性向量。

22、进一步的，所述模型网络还包括：conv层；

23、所述conv层，用于对输入模型网络的第一训练集和第二训练集进行一维卷积处理，以对输入的第一训练集和第二训练集进行降维、升维、跨通道特征整合以及参数简化。

24、在上述方法项实施例的基础上，本发明对应提供了装置项实施例；

25、本发明提供了一种施工图和竣工图的比对装置，包括：包括：子图框获取模块以及相似度输出模块；

26、所述子图框获取模块，用于获取施工图所对应的各个施工子图框，以及获取竣工图所对应的各个竣工子图框；

27、所述相似度输出模块，用于将各所述施工子图框和各所述竣工子图框输入至预设的模型网络中，以使所述模型网络根据各所述施工子图框和各所述竣工子图框，获取所述施工图与所述竣工图的相似度；

28、其中，所述模型网络的训练包括，包括：

29、以各个施工子图框作为第一训练集，以各竣工子图框作为第二训练集；

30、将所述第一训练集以及第二训练集输入至预设的待训练模型网络中，以通过所述待训练模型网络，分别获取所述第一训练集和第二训练集的全局特性向量，以及分别获取第一训练集和第二训练集的局部特性向量；

31、根据所提取的全局特性向量以及局部特性向量以及预设的损失函数，通过最小化损失函数，生成训练后的模型网络。

32、在上述方法项实施例的基础上，本发明对应提供了一终端设备项实施例；

33、本发明提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现本发明任意一项所述的施工图和竣工图的比对方法。

34、在上述方法项实施例的基础上，本发明对应提供了一存储介质项实施例；

35、本发明提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行本发明任意一项所述的施工图和竣工图的比对方法。

36、本发明的实施例，具有如下有益效果：

37、本发明提供了一种施工图和竣工图的比对方法、装置、设备以及存储介质；所述方法，通过获取施工图所对应的各个施工子图框，以及竣工图所对应的各个竣工子图框之后，将各个子图框输入至，预设的模型网络中，通过所述模型网络，提取出用于表征图纸整体布局和建筑拓扑关系的全局特性向量，和提取出用于表征图纸局部结构和属性的局部特性向量，再通过模型网络的最小化损失函数，来输出施工图与所述竣工图的相似度。通过实施本发明，在进行施工图和竣工图比对的过程中，不仅能够通过局部特性向量准确地识别图元本身的位置漂移、颜色和纹理变动、缺失或增改等信息，还能够通过全局特征向量识别建筑空间之间的拓扑关系，识别结果更符合建筑学意义，提高施工图和竣工图比对的准确性和高效性。