一种CAD构件自动识别方法及BIM建模方法与流程

计算;推算;计数设备的制造及其应用技术一种cad构件自动识别方法及bim建模方法技术领域1.本发明涉及计算机辅助设计领域，具体的说是一种cad构件自动识别方法及bim建模方法。背景技术：2.在bim设计过程中，有大量的二维cad图纸。但是随着现今设计行业的发展，在进行建筑设计过程中需要有三维的bim模型作为设计交付物，例如revit模型等。这样很多二维cad需要通过bim翻模，绘制出bim模型。在cad图中存在有大量的点状构件，例如：电气的开关、插座、灯具等，暖通的风机、风口、风机盘管等，给排水的水阀、马桶、洗脸盆等，以及建筑中的各种类别门、窗等。各种类型的构件达到几百个甚至上千个，设计师在翻模的过程中，需要根据cad中不同的构件的外观对照相对应的图例来确定其类型。目前，设计师翻模主要采用两种方法，分别是人工识别的方法和软件识别的方法。3.人工识别的方法主要是设计师从原始cad图纸中找到cad构件块，然后对比图例确定类别，接着在revit等bim软件中确定尺寸，工作量巨大，容易出现遗漏，还容易出现识别错误的情况。4.软件识别的方法主要是利用revit等bim软件从原始cad图纸中提取出cad构件块，然后同样依赖人工进行识别，同样存在效率低下、耗时长和错误率高的问题。技术实现要素：5.为了解决现有技术中的翻模过程存在的效率低和错误率高的不足，本发明提供一种cad构件自动识别方法及bim建模方法，识别速度快、效率高、准确度高。6.为了实现上述目的，本发明采用的具体方案为：一种cad构件自动识别方法，包括如下步骤：s1、采集多个cad构件样本图像组成样本库，并且基于样本库训练预测算法；s2、从待识别的原始cad图纸中提取出所有cad构件块，并且将所有cad构件块转换为构件图像；s3、通过预测算法对构件图像进行预测得到预测结果，并且从样本库中提取出与预测结果相匹配的cad构件样本图像作为图例图像；s4、基于图例图像确定构件图像的布置角度；s5、根据预测结果对cad构件块进行解析得到cad构件块的尺寸信息。7.作为上述cad构件自动识别方法的进一步优化：s1中，样本库包括多个样本类别，每个样本类别包括多个cad构件样本图像，预测算法采用yolo算法。8.作为上述cad构件自动识别方法的进一步优化：s2的具体方法包括：s21、从原始cad图纸中遍历出所有cad构件块组成构件块集合；s22、遍历构件块集合，并且对每一个cad构件块进行线段解析得到若干个构造线段；s23、将构造线段用第一颜色的像素描绘在第二颜色的背景上得到构件图像，第一颜色与第二颜色不同。9.作为上述cad构件自动识别方法的进一步优化：s4的具体方法包括：s41、构建直角坐标系，并且将构件图像和图例图像置入到直角坐标系中；s42、分别将构件图像和图例图像中的构造线段在投影到直角坐标系的两个坐标轴上，得到构件投影直方图和图例投影直方图；s43、判断构件投影直方图和图例投影直方图的匹配度是否达到预设的匹配阈值，若达到则执行s45，否则执行s44；s44、旋转构件图像并且重新生成构件投影直方图，直到构件投影直方图与图例投影直方图的匹配度达到匹配阈值；s45、将0°或者构件图像的旋转角度作为构件图像的布置角度。10.作为上述cad构件自动识别方法的进一步优化：s43和s44中，匹配阈值设置为90％。11.作为上述cad构件自动识别方法的进一步优化：s5的具体方法包括：s51、确定构件图像对应的cad构件块的最小外包矩形；s52、确定最小外包矩形的尺寸；s53、根据最小外包矩形的尺寸和预测结果确定cad构件块中构造线段的长度信息和角度信息；s54、将cad构件块中所有构造线段的长度信息和角度信息整合成cad构件块的尺寸信息。12.一种bim建模方法，包括如下步骤：p1、通过上述的一种cad构件自动识别方法从原始cad图纸中识别出所有构件，并且确定cad构件的位置信息；p2、将cad构件的位置信息、布置角度和尺寸信息整合为参数信息，并且将参数信息存储为中间文件；p3、根据中间文件生成bim模型。13.有益效果：本发明实现了从原始cad图纸中识别出cad构件的目的，并且，整个过程中无需人工参与，实现了自动识别，效率更高，又能够避免人工识别过程中因为疲劳等原因造成的识别错误的情况，因此准确度更高。附图说明14.图1是本发明的流程图。具体实施方式15.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。16.请参阅图1，一种cad(computer aided design，计算机辅助设计)构件自动识别方法，包括s1至s5。17.s1、采集多个cad构件样本图像组成样本库，并且基于样本库训练预测算法。cad构件样本图像的选取可以参考具体行业的标准件图像。s1中，样本库包括多个样本类别，每个样本类别包括多个cad构件样本图像，每个cad构件样本图像为一个样本型号，为了便于后续处理，cad构件样本图像采用矩形图像，可以以cad构件样本图像的中心点为原点，从原点开始向上的方向为0°方向，并且将cad构件样本图像中cad构件的布置角度定为0°。在本实施例中，预测算法采用yolo(you only look once，real-time objection detection)算法，yolo算法在训练完成后，可以得到一个预测模型。18.s2、从待识别的原始cad图纸中提取出所有cad构件块，并且将所有cad构件块转换为构件图像。s2的具体方法包括s21至s23。19.s21、从原始cad图纸中遍历出所有cad构件块组成构件块集合。在autocad等常用的cad软件中，原始cad图纸内的cad构件块均是独立存在的，因此可以直接将所有的cad构件块遍历出来。20.s22、遍历构件块集合，并且对每一个cad构件块进行线段解析得到若干个构造线段。线段解析也可以直接利用autocad等cad软件进行，属于本领域的常规技术，在此不再赘述。21.s23、将构造线段用第一颜色的像素描绘在第二颜色的背景上得到构件图像，第一颜色与第二颜色不同。通过使构件图像中背景与构造线段的颜色不同，更加便于对构件图像进行识别，识别出构件图像对应的cad构件块的具体类型。第一颜色与第二颜色的差别越大，则越有利于对构件图像进行识别，在本实施例中，第一颜色采用黑色，第二颜色采用白色。构件图像也采用矩形图像，便于后续处理。22.s3、通过预测算法对构件图像进行预测得到预测结果，并且从样本库中提取出与预测结果相匹配的cad构件样本图像作为图例图像。具体地说，将构件图像输入到s1中训练得到的预测模型中，利用预测模型对构件图像进行预测，预测结果包括预测类别和预测型号两个部分，其中预测类别是所有样本类别中的其中一个，预测型号是该样本类别中所有的样本型号中的一个，因此预测结果指向了一个具体的cad构件样本图像，该cad构件样本图像即为图例图像。23.s4、基于图例图像确定构件图像的布置角度。s4的具体方法包括s41至s45。24.s41、构建直角坐标系，并且将构件图像和图例图像置入到直角坐标系中。更具体地说，将构件图像和图例图像置入到直角坐标系的第一象限中，并且使构件图像的长和宽分别与两个坐标轴平行，还可以使构件图像的左下角与直角坐标系的原点重合。25.s42、分别将构件图像和图例图像中的构造线段在投影到直角坐标系的两个坐标轴上，得到构件投影直方图和图例投影直方图。构件投影直方图和图例投影直方图均包括两个部分，分别是构造线段投影到x轴和y轴上得到的结果。直方图中，横坐标为构造线段的像素在x轴或者y轴上的位置，纵坐标为x轴或者y轴上同位置的像素数量。26.s43、判断构件投影直方图和图例投影直方图的匹配度是否达到预设的匹配阈值，若达到则执行s45，否则执行s44。s43和s44中，匹配阈值设置为90％。匹配度可以通过在x轴或者y轴上同位置的像素数量来计算。如果构件投影直方图和图例投影直方图的匹配度直接达到匹配阈值，则说明构件图像的布置角度与图例图像的布置角度相同，即0°。27.匹配度的计算方法为：首先计算直方图中所有像素点的总个数，然后将直方图中每个位置上的像素点个数除以像素点总个数，得到每个位置上在像素数量占比；之后计算构件投影直方图和图例投影直方图中同一个位置上两个像素数量占比之间的差值，如果差值与图例投影直方图上该位置的像素数量占比的比值不超过10％，则说明构件投影直方图和图例投影直方图在该位置是匹配的；随后计算构件投影直方图和图例投影直方图中匹配的位置个数与图例投影直方图中位置总个数的比例值，该比例值即为匹配度，如果匹配度超过90％，则构件投影直方图和图例投影直方图是匹配的。28.s44、旋转构件图像并且重新生成构件投影直方图，直到构件投影直方图与图例投影直方图的匹配度达到匹配阈值。如果构件投影直方图和图例投影直方图的匹配度达不到匹配阈值，则需要对构件图像旋转，直到匹配度达到匹配阈值，此时构件图像的布置角度变为0°，因为构件图像是通过旋转后布置角度才变为0°，说明构件图像原本的布置角度并非0°，而旋转角度就是原始的布置角度。29.s45、将0°或者构件图像的旋转角度作为构件图像的布置角度。因为构件图像中主要的部分是cad构件块，因此构件图像的布置角度，实际就是cad构件块的布置角度，也是cad构件的布置角度。30.s5、根据预测结果对cad构件块进行解析得到cad构件块的尺寸信息。s5的具体方法包括s51至s54。31.s51、确定构件图像对应的cad构件块的最小外包矩形。32.s52、确定最小外包矩形的尺寸。33.s53、根据最小外包矩形的尺寸和预测结果确定cad构件块中构造线段的长度信息和角度信息。34.s54、将cad构件块中所有构造线段的长度信息和角度信息整合成cad构件块的尺寸信息。35.至此已经得到了cad构件块的布置角度以及其中所有构造线段的长度信息和角度信息，并且确定了cad构件块的类别和型号，实现了从原始cad图纸中识别出cad构件的目的，并且，整个过程中无需人工参与，实现了自动识别，效率更高，又能够避免人工识别过程中因为疲劳等原因造成的识别错误的情况，因此准确度更高。36.基于上述cad构件自动识别方法，本发明还提供一种bim(building information modeling，建筑信息模型)建模方法，包括p1至p3。37.p1、通过上述的一种cad构件自动识别方法从原始cad图纸中识别出所有构件，并且确定cad构件的位置信息。位置信息是cad构件在原始cad图纸中的位置，可以基于原始cad图纸的坐标原点确定，属于常规手段，在此不再赘述。38.p2、将cad构件的位置信息、布置角度和尺寸信息整合为参数信息，并且将参数信息存储为中间文件。39.p3、根据中间文件生成bim模型。在本实施例中，可以将中间文件输入到revit软件，并且通过将原始cad图纸的坐标转换到revit中的坐标的方法，将cad构件的位置信息转换为revit中的模型位置，以使revit能够通过中间文件快速自动建模，大幅提升bim建模的速度。40.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!