[發(fā)明專利]建筑三維模型映射及存儲(chǔ)方法、裝置、電子設(shè)備及介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202210136793.4
• 申請(qǐng)日: 2022-02-15
• 公開（公告）號(hào): CN114168795B
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計(jì)）人: 伍倜;莊海華;袁立剛;劉百平;劉曲堅(jiān)
• 申請(qǐng)（專利權(quán)）人: 中航建筑工程有限公司
• 主分類號(hào): G06F16/84
• 分類號(hào): G06F16/84;G06F16/81;G06F16/55;G06V10/764;G06V10/74;G06V10/762;G06V10/82;G06K9/62;G06N3/00
• 代理公司: 長(zhǎng)沙知行亦創(chuàng)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 43240
• 代理人: 嚴(yán)理佳

1.一種建筑三維模型映射及存儲(chǔ)方法，其特征在于，所述方法包括：

根據(jù)目標(biāo)建筑包含的施工階段構(gòu)建原始階段族群；

獲取所述目標(biāo)建筑不同施工階段對(duì)應(yīng)的建筑三維模型的建筑圖像集合；

利用預(yù)訓(xùn)練的GANomaly分類模型對(duì)所述建筑圖像集合進(jìn)行分類，得到建筑分類結(jié)果；

利用烏鴉混合聚類算法對(duì)所述建筑分類結(jié)果中建筑三維模型對(duì)應(yīng)的構(gòu)件圖像集合進(jìn)行聚類，得到構(gòu)件聚類結(jié)果；

根據(jù)所述建筑分類結(jié)果構(gòu)建第一映射節(jié)點(diǎn)，以及根據(jù)所述構(gòu)件聚類結(jié)果構(gòu)建第二映射節(jié)點(diǎn)；

將所述第一映射節(jié)點(diǎn)及所述第二映射節(jié)點(diǎn)對(duì)應(yīng)的建筑三維模型映射到所述原始階段族群中，得到標(biāo)準(zhǔn)階段族群；

對(duì)所述標(biāo)準(zhǔn)階段族群中的建筑數(shù)據(jù)進(jìn)行對(duì)象型數(shù)據(jù)轉(zhuǎn)化，并將轉(zhuǎn)化完成的數(shù)據(jù)存儲(chǔ)到預(yù)構(gòu)建的對(duì)象型數(shù)據(jù)庫中。

2.如權(quán)利要求1中所述的建筑三維模型映射及存儲(chǔ)方法，其特征在于，所述利用預(yù)訓(xùn)練的GANomaly分類模型對(duì)所述建筑圖像集合進(jìn)行分類，包括：

利用所述GANomaly分類模型中的生成網(wǎng)絡(luò)提取所述建筑圖像集合中圖像的第一潛在特征；

利用所述第一潛在特征進(jìn)行圖像重構(gòu)，得到重構(gòu)建筑圖像集合；

利用所述生成網(wǎng)絡(luò)提取所述重構(gòu)建筑圖像集合中重構(gòu)圖像的第二潛在特征；

利用所述GANomaly分類模型中的判別網(wǎng)絡(luò)計(jì)算所述第一潛在特征及所述第二潛在特征的差異值；

判斷所述差異值是否大于預(yù)設(shè)的差異閾值；

確定差異值大于所述差異閾值的圖像為平面凹凸規(guī)則圖像，確定差異值不大于所述差異閾值的圖像為平面不凹凸規(guī)則圖像。

3.如權(quán)利要求2所述的建筑三維模型映射及存儲(chǔ)方法，其特征在于，所述利用預(yù)訓(xùn)練的GANomaly分類模型對(duì)所述建筑圖像集合進(jìn)行分類之前，所述方法還包括：

利用預(yù)設(shè)的生成器提取建筑平面訓(xùn)練集合中訓(xùn)練圖像的原始特征向量；

利用所述生成器重構(gòu)所述建筑平面訓(xùn)練集合中的訓(xùn)練圖像，得到重構(gòu)訓(xùn)練圖像集合；

利用預(yù)設(shè)的判別器計(jì)算所述建筑平面訓(xùn)練集合及所述重構(gòu)訓(xùn)練圖像集合的判別損失；

提取所述重構(gòu)訓(xùn)練圖像 集合中的標(biāo)準(zhǔn)特征向量，基于所述原始特征向量及所述標(biāo)準(zhǔn)特征向量計(jì)算所述生成器的生成損失；

根據(jù)所述生成損失及所述判別損失調(diào)整生成器及判別器的參數(shù)，在所述判別損失及所述生成損失不滿足預(yù)設(shè)的損失閾值時(shí)，返回所述利用預(yù)設(shè)的生成器提取建筑平面訓(xùn)練集合中訓(xùn)練圖像的原始特征向量的步驟，直至所述判別損失及所述生成損失滿足所述損失閾值時(shí)，將所述生成器作為生成網(wǎng)絡(luò)，以及將所述判別器作為判別網(wǎng)絡(luò)，匯總所述生成網(wǎng)絡(luò)及所述判別網(wǎng)絡(luò)，得到所述GANomaly分類模型。

4.如權(quán)利要求3所述的建筑三維模型映射及存儲(chǔ)方法，其特征在于，所述基于所述原始特征向量及所述標(biāo)準(zhǔn)特征向量計(jì)算所述生成器的生成損失，包括：

利用所述原始特征向量及所述標(biāo)準(zhǔn)特征向量計(jì)算特征損失；

利用所述建筑平面訓(xùn)練集合及所述重構(gòu)訓(xùn)練圖像集合計(jì)算圖像損失；

對(duì)所述特征損失及所述圖像損失進(jìn)行加權(quán)計(jì)算，得到所述生成損失。

5.如權(quán)利要求1所述的建筑三維模型映射及存儲(chǔ)方法，其特征在于，所述烏鴉混合聚類算法包括烏鴉搜索算法及K-means聚類算法，所述利用烏鴉混合聚類算法對(duì)所述建筑分類結(jié)果中建筑三維模型對(duì)應(yīng)的構(gòu)件圖像集合進(jìn)行聚類，得到構(gòu)件聚類結(jié)果，包括：

利用所述烏鴉搜索算法從所述構(gòu)件圖像集合中選取預(yù)設(shè)個(gè)數(shù)的初始聚類中心；

利用所述K-means聚類算法依次計(jì)算所述構(gòu)建圖像集合中每個(gè)構(gòu)件圖像到所述初始聚類中心的距離，并將所述每個(gè)構(gòu)件圖像分到距離最小的初始聚類中心對(duì)應(yīng)的類別中，得到多個(gè)類別簇；

重新計(jì)算每個(gè)類別簇的聚類中心，并返回依次計(jì)算所述構(gòu)建圖像集合中每個(gè)構(gòu)件圖像到所述初始聚類中心的距離的步驟，直至所述多個(gè)類別簇的聚類中心收斂，確定收斂的類別簇作為所述構(gòu)件聚類結(jié)果。