AI 图像识别 + 几何算法重构,底层为自研 CAD 与渲染引擎
对扫描图纸的线条、标注、墙体门窗符号进行识别分区
区分承重墙与非承重墙,提取尺寸信息
由二维轮廓自动生成闭合的三维空间模型
对透视变形与比例失真进行自动校正
识别逻辑高度依赖「利用 CAD 本身的数据特性」——图元、图层、连接关系本身就是结构化信息,比纯像素识别更稳定、更快。
自主研发 CAD 与渲染引擎,决定了在 CAD 数据解析与几何重建 上具备较深的自建能力。
| 识别对象 | 采用手段 | 产出 / 价值 |
|---|---|---|
| 线条、标注 | 矢量图元解析 + 识别分区 | 排除图框、标注等干扰,锁定有效墙线 |
| 墙体 | 轮廓还原 + 承重/非承重判别 | 生成闭合三维空间模型的几何基础 |
| 门、窗 | CAD 图层语义直接读取 | 规避图像识别的不稳定性 |
| 尺寸与比例 | 尺寸信息提取 + 自动校正 | 修正透视变形与比例失真 |
分而治之 + 连接关系推理:把海量离散线条串成完整墙线轮廓
| 步骤 | 动作 | 逻辑含义 |
|---|---|---|
| 1 | 获取户型的平面图 | 输入二维图纸 |
| 2 | 在平面图中确定户型区域的包围区域 | 先框定「哪里是房子」,排除图框、标注等干扰 |
| 3 | 划分包围区域,得到多个子区域 | 空间分块,降低线条匹配的复杂度 |
| 4 | 获取平面图中的多条线条 | 提取矢量线条元素 |
| 5 | 确定每条线条对应的子区域 | 将线条归属到各分块 |
| 6 | 根据线条所属子区域确定其连接线条的下一连接线条,得到连接链条和/或线条轮廓 | 沿连接关系把离散线条串成墙线轮廓 |
| 7 | 根据连接链条和线条轮廓获取墙体轮廓 | 由轮廓还原墙体 |
| 8 | 根据平面图的图层信息获取门窗信息 | 直接利用 CAD 图层语义识别门窗 |
| 9 | 根据门窗信息和墙体轮廓信息生成户型信息 | 输出完整户型数据 |
流程数据由 MySQL tech_steps 表驱动,修改数据库即可更新本表,无需改动 PHP 代码。
先框定户型包围盒、切成子区域,把海量线条按区域归类,显著降低线条匹配复杂度。
在局部区域内沿「下一连接线条」把断线串联成连接链条与线条轮廓,进而还原墙体。
门窗直接借用 CAD 图层信息识别,避开图像识别的不稳定,是「用 CAD 自身数据特性」的典型体现。
用训练好的模型识别并优化墙体,自动完成户型临摹图与绘制
对预设户型墙体训练集的样本图像进行标记
建立监督学习所需的标注样本
将已标记的样本图像输入预设神经网络模型训练
学习墙体形态与线条特征
训练结果满足期望阈值时,得到用于户型墙体绘制的模型
达到期望阈值后固化模型
将待绘制户型图输入训练好的模型,自动输出户型墙体绘制结果
完成临摹图识别与墙体优化
户型生图:从图纸识别到 720° 全景方案,最快数分钟出多套
神笔 AI 的核心差异在于识别后直接衔接风格方案与拆单生产链路:户型识别 → 风格方案生成 → 720° 全景 → 拆单生产,形成从「一张图纸」到「可落地订单」的闭环,而不只停留于图纸结构化。
CAD 几何解析 × 图像深度学习,两条路线互补并行
| 对比维度 | 通道 A · CAD 几何解析 | 通道 B · 图像深度学习 |
|---|---|---|
| 输入 | 矢量图纸(CAD 图元 / 图层) | 图片、扫描件、临摹图 |
| 核心方法 | 包围区域分块、线条归属、连接链推理、图层语义 | 样本标记 → 神经网络训练 → 墙体识别与优化 |
| 优势 | 速度快、结构准,直接复用 CAD 数据特性 | 覆盖无矢量数据的图纸,靠模型优化提升准确度 |
| 对应专利 | 户型区域分块 + 线条连接链(9 步) | 神经网络墙体绘制模型(4 阶段) |
| 典型产出 | 墙体轮廓 + 门窗信息 → 完整户型信息 | 墙体绘制结果 / 户型临摹图 |
| 共性短板 | 依赖图纸是否具备规范图层 | 依赖标注样本质量与期望阈值 |
智绘家采用「CAD 几何解析 + 图像深度学习」双路线并行:一条解决 CAD 矢量的快速结构化,一条解决图片 / 临摹图的墙体识别,与酷家乐的双通道思路殊途同归。差异更多体现在识别之后的方案生成与拆单生产链路衔接深度上。