Fast AI人工智慧審圖平台-建築圖紙設計效率的倍增器
一、 AI審圖的需求背景
建築資訊模型BIM，在建築設計領域正成為一個關鍵、甚至強制的過程，用以確保規劃、設計和建設協作的高效，BIM允許多個利益相關者和 AEC（建築設計、工程、建築施工）專業人員在一個模型中協作規劃、設計和施工建築物。
目前建築設計行業大都使用CAD軟體繪製施工圖（如圖1所示），人工繪製的住宅CAD圖紙需要通過審圖程式或軟體來判斷是否存在違背國家標準的地方，目前大部分都依靠經驗豐富的工程師來進行審核，但工作量大、效率低，因此通過軟體AI影像識別的方式替代人工進行自動化審圖迫在眉睫。由於住宅CAD圖紙來自於各個設計院，沒有一個標準和統一，不同的設計院以及設計人員會根據自己的喜好習慣繪製出不同格式的CAD圖。而現有的專業審圖軟體，由於它只能直接從圖元識別，不是基於圖層，因此只能審查採用專用繪圖工具繪製的CAD圖。
圖1 住宅建築的CAD圖紙
另外，原來的審圖軟體準確率低，如果CAD的畫圖不規範就難以識別，刪除的內容:的使用範圍受到限制，審圖效率低，浪費大量人力和時間。AI審圖產品的願景和目標，就是形成一套集「自動導入設計圖」、「自動區域劃分、構件識別、強條審查」、「自動導出結果」於一體的全自動智慧審圖流程。針對構件體數據結構化，運用滴普AI演算法團隊研發的深度學習方案。
二、 建築審圖的難點
在採用軟體審圖的實踐過程中，我們發現建築行業各設計院住宅設計圖紙的構件畫法不統一，單位結構體不規範，某些不同組件外形相似，導致容易識別錯誤，如下圖2所示。而且似的業務邏輯很難窮舉，上百家設計院的標準各有不同，不同設計師的畫法也有差異，從長遠發展來看，業務邏輯會越堆砌越多，演算法程式碼工程的維護成本比較高。因此，在傳統審圖演算法的基礎上，我們需要採用一些特殊措施和優化工作，來應對這些難點問題。
圖2 審圖中的典型構件
三、 技術方案
依靠影像，用深度學習模型訓練各個構件，區域的所有畫法的影像，結合圖中位置上下文特徵資訊判斷（例如卧室中檢測出則判斷為窗戶）；目前，構件識別與構件測量的精度問題仍然是現有解決方案中的軟肋，技術痛點主要也集中在這些方面。我們基於深度學習的影像檢測與分類演算法，借鑒在玻璃蓋板缺陷檢測領域的工程實踐，把「構件識別」作為AI演算法的切入點進行深入研究，致力於提高審圖精度。審圖的大致流程如下圖3所示：
圖3 AI智慧審圖技術方案
圖紙資訊結構化：
1. 使用深度學習目標檢測模型訓練各類圖紙構件在圖紙中的位置，類別和朝向等資訊，在構件多樣化的場景下相對於傳統演算法有更好的魯棒性；
2. 使用深度學習分割模型對圖紙的各區域進行劃分和分類，如各個房間，房間類型，牆體區域；
3. 使用OCR模型對圖紙內的描述文字進行識別和歸檔；
實施方式：
對png進行拆分和顏色分層；
使用模型對各層進行目標檢測，得到各個組件的目標框；
對各層各塊目標框進行組合；
根據數據結果，對數據增強的方案：旋轉角度，strock，遮擋和干擾。
4. 結構化數據分析和審查：
對檢測結果進行統計性分析，根據既定的設計理念和規則，對構建和區域的相互關係進行判斷，標註出設計缺陷；使用神經網路將區域關聯的構件做CBOW或者skip-gram模型訓練，學習構件之間的關係和隱含資訊，再用位置和學習到的向量資訊完善監督或者非監督審查演算法；
四、 實施效果
在訓練過程中對數據進行尺度上的縮放並且旋轉，使目標檢測模型對不同尺度和朝向的構件識別能力提升；在網路中加入多層可變卷積，可變卷積可以學習目標的形變，可以進一步提高模型的泛化能力；訓練集圖片43張+自生成圖片，驗證集42張；
部分構件如立管，可退窗等，由於數據數量較少(<10個)，所以檢測效果較差；
目前單個構件分類的平均精度約為84.2%，目標檢測平均精度均值mAP 56%。
五、 結論展望
滴普Fast AI人工智慧審圖平台從住宅設計圖的構件開始，形成一套集「自動導入設計圖」、「自動區域劃分、構件識別、強條審查」、「自動導出結果」於一體的全自動智慧審圖流程，同時為建築資訊自動建模打下基礎，最終將規劃設計、施工、運維管理等建築全壽命周期內的所有資訊集成在一起，實現數據的匯總與管理。
