[发明专利]一种基于深度学习的BIM三维重建方法

权利要求书

1.一种基于深度学习的BIM三维重建方法，其特征在于，包括以下步骤：

S1，采用扫描仪采集需要识别的室内建筑场景的点云数据；

S2，构建所采用的PA-Net网络，该网络对点云数据进行特征提取和对特征矩阵进行联合分割；

S3，采用训练数据集对PA-Net网络进行训练，得到训练好的模型；

S4，将S1所采集到的需要识别的室内建筑场景的点云数据输入S3训练好的PA-Net模型，输出得到实例分割矩阵；

S5，将S4所得包含语义信息实例分割矩阵利用IFC标准逆向生成BIM模型。

2.根据权利要求1所述的一种基于深度学习的BIM三维重建方法，其特征在于，所述S2包括：

所述PA-Net网络包括点云处理网络PointNet和联合分割模块ASIS，

S2-1，设计与搭建点云处理网络PointNet，该网络模块用于完成对点云数据进行特征提取；

S2-2，设计联合分割模块ASIS，完成对PointNet提取的特征矩阵的语义分割和实例分割。

3.根据权利要求2所述的一种基于深度学习的BIM三维重建方法，其特征在于，所述S3包括：

联合分割网络系统由3部分组成：①负责点云特征提取的主干网络PointNet；②负责融合实例、语义信息的联合分割模块即ASIS模块；③负责实例分割的分类器；

输入的点云矩阵仅包含每个点的坐标信息(x,y,z)与颜色信息(R,G,B)，表示矩阵维度的大小为N×6，N代表所有点云数据的数量；

PA-Net网络框架的主干网络负责对输入的点云进行初步特征提取，并得到特征矩阵。

4.根据权利要求2所述的一种基于深度学习的BIM三维重建方法，其特征在于，所述PointNet包括PointNet网络结构：

令为全连接FC网络的第k-1层的输出矢量，l_k-1,1表示全连接网络的第k-1层的第1个神经元，l_k-1,2表示全连接网络的第k-1层的第2个神经元，表示全连接网络的第k-1层的第N个神经元的输出，因此第k层神经网络上每一个神经元的输出为：

其中，N_k-1表示的是第k-1层隐藏层上神经元个数，

W_k(i,j)表示第k层隐藏层的权重矩阵W_k的第i行第j列，

l_k-1(j)表示第k-1层的第j列偏置，

b_k(i)表示第k层隐藏层的偏置矢量b_k的第i行，

W_k(i)表示第k层隐藏层的权重矩阵W_k的第i行，

l_k-1表示第k-1层的偏置即第k-1层网络的输入，

(·)^T表示矩阵转置，

N_k表示的是第k层隐藏层上神经元个数，

W_k和b_k分别为第k层隐藏层的权重矩阵和偏置矢量，

于是第k层隐藏层的输出为：

l_k＝W_kl_k-1+b_k，

其中，W_k和b_k分别为第k层隐藏层的权重矩阵和偏置矢量；

l_k-1为第k-1层网络的输入；

将求出的l_k作为下一层网络的输入；

一个2D卷积层网络由多个卷积滤波器组成，每个滤波器处理不同通道上的数据，通过滑动窗口对数据进行卷积求和；

令为CNN第k-1层的输出数据，其中表示第k-1层输出，表示第k-1层输出矩阵的第1个通道输出，表示第k-1层输出矩阵的第2个通道输出，表示第k-1层输出矩阵的第C_k-1个通道输出，表示第k-1层输出的维度大小为H_k-1×W_k-1×C_k-1，表示第k-1层输出矩阵的第c个通道输出，表示第k-1层输出的维度大小为H_k-1×W_k-1，H_k-1和W_k-1分别表示矩阵的行数和列数，C_k-1表示第k-1层卷积神经网络输出的通道数；于是第k层卷积神经网络上第c个通道上第i行第j列的输出为：

其中，和b_k分别表示第k层的权重张量和偏置矢量，

C_k表示第k层卷积神经网络输出的通道数，

C_k-1表示第k-1层卷积神经网络输出的通道数，

M表示卷积滤波器的总行数和总列数，

表示第c个通道，z表示为k-1层的递增通道数，第k层的权重张量，

C_K表示通道数，C_K＝1...C_k-1，

m表示卷积滤波器的行数，

n表示积滤波器的列数，

为z通道CNN第k-1层的输出，

表示第k层第c个通道的偏置矢量，

S为卷积滤波器在输入数据上滑动的步长，

因此我们可以得到第k层卷积神经网络上第c个通道上的输出矩阵为：

其中，表示第k层卷积神经网络上第c个通道上第1行第1列的输出，

表示第k层卷积神经网络上第c个通道上第2行第1列的输出，

表示第k层卷积神经网络上第c个通道上第行第1列的输出，

表示第k层卷积神经网络上第c个通道上第1行第2列的输出，

表示第k层卷积神经网络上第c个通道上第2行第2列的输出，

表示第k层卷积神经网络上第c个通道上第行第2列的输出，

表示第k层卷积神经网络上第c个通道上第1行第列的输出，

表示第k层卷积神经网络上第c个通道上第2行第列的输出，

表示第k层卷积神经网络上第c个通道上第行第列的输出，

H_k-1和W_k-1分别表示矩阵的行数和列数，

M表示卷积滤波器的总行数和总列数，

S为卷积滤波器在输入数据上滑动的步长，

故CNN第k层的输出数据为：

其中，表示第k层输出矩阵的第1个通道输出，

表示第k层输出矩阵的第2个通道输出，

表示第k层输出矩阵的第C_k个通道输出，

表示矩阵维度大小为

H_k-1和W_k-1分别表示矩阵的行数和列数，

M表示卷积滤波器的总行数和总列数，

S为卷积滤波器在输入数据上滑动的步长，

C_k表示第k层卷积神经网络输出的通道数；

同样的，为了使得数据进行非线性变换，每层卷积神经网络网络后面需接激活函数，因此卷积神经网络每层的变换公式可以简写为如下：

其中，为CNN第k层的输出数据，

和分别表示第k层的权重张量和偏置矢量，

为CNN第k-1层的输出；

f(·)为ReLu激活函数f(x)＝max(0,x)。