建筑平面图是将新建建筑物或构筑物的墙、门窗、楼梯、地面及内部功能布局等建筑情况，以水平投影方法和相应的图例所组成的图纸。建筑平面图按工种分类一般可分为建筑施工图、结构施工图和设备施工图。
建筑设计是指建筑物建造前，设计师按照建设任务，把施工过程和使用过程中所存在的或可能发生的问题，事先做好通盘的设想，拟定好解决这些问题的办法、方案，用图纸和文件表达出来，建筑平面图是一种通用的表达方式。
AI+建筑设计，通过对建筑平面图的空间，构件进行识别理解，辅助进一步的平面图设计或设计的质量稽查。其中连续的墙构件，是围合空间的重要构件之一。
△建筑平面图的样例图
今天，小览将带领大家一起学习一下在AlphaDraw筑绘通的研发中，如何将图像分割模型应用于建筑平面图墙轮廓的提取中。
图像分割综述
图像分割是对图像中属于某个类别的每个像素进行分类的过程，可以认为是对图像中每个像素进行分类的问题。
语义分割(全像素语义分割)将一些原始数据(如:平面图像)作为输入并将它们转换为具有突出显示的感兴趣区域的掩膜，其中图像中的每个像素根据其所属的对象被分配类别ID。
实例分割的不同之处在于它为图像中特定对象的每个实例提供唯一标签。比如，一张图像中有3只Dog，将3只Dog分割出并分配同一个dog标签是语义分割，将3只Dog分割出并分配不同的dog标签则为实例分割。
「图像分割用例」
△图像分割用例
手写识别: Junjo等人在2019 年的研究论文中展示了如何使用语义分割从手写文档中提取单词和线条以识别手写字符。
人像前后景分离: Google肖像模式。
虚拟试装等: 通过衣服分割与匹配进行虚拟试装。
自动驾驶: 分割交通周围环境的所有像素含义，比如车道，行人等，进而指导车辆自动行驶;如下图自动驾驶图例所示。
△用于自动驾驶的图像分割结果实例
「模型与方法」
图像分割的难点及应用
△图像分割在墙轮廓提取的应用系统
「难点1.」
建筑平面图轴线，标尺，引注等使得建筑平面图复杂难读难识别，如上图(a)。墙图层命名规范较丰富，单独的墙图层难以泛化性提取。去除0图层等噪声图层，得到较为干净的全图层平面图，如上图(b)。
「难点2.」
建筑平面图画幅较大，墙轮廓相对于画幅比例较小，不易直接resize平面图到800x800。使用滑动窗口将建筑平面图切为多个800x800的面片，如上图(c)。
「难点3.」
墙轮廓的形状/颜色/周围环境纹理复杂多变，训练数据集要求较大。构建墙分割结果的轮廓可信度探测器，主动探测墙轮廓识别失败的图纸加入难例数据集。
难例挖掘与Feed Back Loop优化系统，使得训练数据集可以有目的地快速丰富并快速优化模型。如上图所示。
研发环境及结果呈现
墙的分割分为”承重墙”和”非承重墙”2个二级类别，合并为”墙类”一级类别。墙的轮廓提取提取”承重墙”和”非承重墙”二级类，”墙类”由”承重墙”和”非承重墙”合并得到。
这里，模型训练的评测方法是miou，但在场景应用中，我们基于墙轮廓的面积进行结果评测，True Positive为墙轮廓分割正确的面积，False Positive为墙轮廓误分割的面积，False Negative为墙轮廓漏分割的面积。
△测试结果
测试结果如上图所示，结果样例呈现如下图展示，实验结果说明该系统性图像分割方案可以较好的分割出墙轮廓。
△墙类分割的建筑平面图实例
△承重墙/非承重墙/墙类分割的建筑平面图实例
参考文献：
[1].Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 3431-3440.
[2].Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[C]//International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015: 234-241.
[3].Badrinarayanan V, Kendall A, Cipolla R. Segnet: A deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 39(12): 2481-2495.
[4]. Chen L C, Papandreou G, Kokkinos I, et al. Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 40(4): 834-848.
[5].Lin G, Milan A, Shen C, et al. Refinenet: Multi-path refinement networks for high-resolution semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1925-1934.
©版权归品览所有
未经授权请勿转载
RECOMMENDED
AI论技 | 一种基于目标检测方法的建筑图纸中的门窗构件识别方法
AI论技 | 如何利用弹性伸缩AI算法运行容器使识图服务性能更加优化？
AI论技 | 基于目标检测和图像处理方法的建筑专业总平面图楼栋轮廓的精准识别方法
一键试用 筑绘通
点击阅读原文或扫码
即刻预约
AlphaDraw筑绘通正逐步上线施工图领域各专业的新模块：包含建筑、结构、暖通、电气、给排水、室内六大专业，47个一级系统，共计180个二级模块。同时，小览也会陆续更新新模块内容及操作教程，敬请期待吧！
品览是AI建筑设计智造者，专注于建筑设计AI服务，致力于为地产企业和设计院客户提供AI设计出图服务。自主研发的建筑AI智能设计云平台AlphaDraw「筑绘通」，基于计算机视觉技术，建筑设计知识库和生成式强化学习算法帮助客户自动完成施工图设计。仅需上传建筑方案图纸就可以自动完善成套施工图，并符合各地设计规范，助力企业标准化出图、效率质量双提升。
本文来自微信公众号“品览Pinlan”（ID：pinlandata）。大作社经授权转载，该文观点仅代表作者本人，大作社平台仅提供信息存储空间服务。
