Fast AI 人工智能审图平台 - 建筑图纸设计效率的倍增器

一、 AI 审图的需求背景

建筑信息模型 BIM，在建筑设计领域正成为一个关键、甚至强制的过程，用以确保规划、设计和建设协作的高效，BIM 允许多个利益相关者和 AEC（建筑设计、工程、建筑施工）专业人员在一个模型中协作规划、设计和施工建筑物。

目前建筑设计行业大都使用 CAD 软件绘制施工图（如图 1 所示），人工绘制的住宅 CAD 图纸需要通过审图程序或软件来判断是否存在违背国家标准的地方，目前大部分都依靠经验丰富的工程师来进行审核，但工作量大、效率低，因此通过软件 AI 图像识别的方式替代人工进行自动化审图迫在眉睫。由于住宅 CAD 图纸来自于各个设计院，没有一个标准和统一，不同的设计院以及设计人员会根据自己的喜好习惯绘制出不同格式的 CAD 图。而现有的专业审图软件，由于它只能直接从图元识别，不是基于图层，因此只能审查采用专用绘图工具绘制的 CAD 图。   

图 1 住宅建筑的 CAD 图纸

另外，原来的审图软件准确率低，如果 CAD 的画图不规范就难以识别，删除的内容:的使用范围受到限制，审图效率低，浪费大量人力和时间。AI 审图产品的愿景和目标，就是形成一套集“自动导入设计图”、“自动区域划分、构件识别、强条审查”、“自动导出结果”于一体的全自动智能审图流程。针对构件体数据结构化，运用滴普 AI 算法团队研发的深度学习方案。

二、 建筑审图的难点

在采用软件审图的实践过程中，我们发现建筑行业各设计院住宅设计图纸的构件画法不统一，单位结构体不规范，某些不同组件外形相似，导致容易识别错误，如下图 2 所示。而且似的业务逻辑很难穷举，上百家设计院的标准各有不同，不同设计师的画法也有差异，从长远发展来看，业务逻辑会越堆砌越多，算法代码工程的维护成本比较高。因此，在传统审图算法的基础上，我们需要采用一些特殊措施和优化工作，来应对这些难点问题。

图 2 审图中的典型构件

三、 技术方案

依靠图像，用深度学习模型训练各个构件，区域的所有画法的图像，结合图中位置上下文特征信息判断（例如卧室中检测出则判断为窗户）；目前，构件识别与构件测量的精度问题仍然是现有解决方案中的软肋，技术痛点主要也集中在这些方面。我们基于深度学习的图像检测与分类算法，借鉴在玻璃盖板缺陷检测领域的工程实践，把“构件识别”作为 AI 算法的切入点进行深入研究，致力于提高审图精度。审图的大致流程如下图 3 所示：

图 3 AI 智能审图技术方案

图纸信息结构化：

1. 使用深度学习目标检测模型训练各类图纸构件在图纸中的位置，类别和朝向等信息，在构件多样化的场景下相对于传统算法有更好的鲁棒性；

2. 使用深度学习分割模型对图纸的各区域进行划分和分类，如各个房间，房间类型，墙体区域；

3. 使用 OCR 模型对图纸内的描述文字进行识别和归档；

实施方式：

对 png 进行拆分和颜色分层；

使用模型对各层进行目标检测，得到各个组件的目标框；

对各层各块目标框进行组合；

根据数据结果，对数据增强的方案：旋转角度，strock，遮挡和干扰。

4. 结构化数据分析和审查：

对检测结果进行统计性分析，根据既定的设计理念和规则，对构建和区域的相互关系进行判断，标注出设计缺陷；使用神经网络将区域关联的构件做 CBOW 或者 skip-gram 模型训练，学习构件之间的关系和隐含信息，再用位置和学习到的向量信息完善监督或者非监督审查算法；

四、 实施效果

在训练过程中对数据进行尺度上的缩放并且旋转，使目标检测模型对不同尺度和朝向的构件识别能力提升；在网络中加入多层可变卷积，可变卷积可以学习目标的形变，可以进一步提高模型的泛化能力；训练集图片 43 张+自生成图片，验证集 42 张；

部分构件如立管，可退窗等，由于数据数量较少(<10 个)，所以检测效果较差；

目前单个构件分类的平均精度约为 84.2%，目标检测平均精度均值mAP 56%。

五、 结论展望

滴普 Fast AI 人工智能审图平台从住宅设计图的构件开始，形成一套集“自动导入设计图”、“自动区域划分、构件识别、强条审查”、“自动导出结果”于一体的全自动智能审图流程，同时为建筑信息自动建模打下基础，最终将规划设计、施工、运维管理等建筑全寿命周期内的所有信息集成在一起，实现数据的汇总与管理。