技术解析 · 户型识别引擎 · v1.0.0

智绘家的
户型识别逻辑

可概括为 AI 图像识别 + 几何算法重构:先对扫描图纸的线条、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,再自动生成闭合的三维空间模型; 同时具备透视变形与比例失真的自动校正能力。

2条并行技术通道
9步区域分块流程
TS+C++混合语言架构
720°全景方案输出
01

总体技术路线

AI 图像识别 + 几何算法重构,底层为自研 CAD 与渲染引擎

识别主流程

  1. 1
    识别分区

    对扫描图纸的线条、标注、墙体门窗符号进行识别分区

  2. 2
    属性判别

    区分承重墙与非承重墙,提取尺寸信息

  3. 3
    几何重构

    由二维轮廓自动生成闭合的三维空间模型

  4. 4
    失真校正

    对透视变形与比例失真进行自动校正

关键判断

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。

底层架构

上层TypeScript业务逻辑 / 交互 / 数据组织
↕
底层C++几何计算 / 高性能解析
自研 CAD 引擎CAD 数据解析
自研渲染引擎三维空间呈现

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
02

户型区域分块 + 线条连接链

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

1 框定包围区域
2 划分子区域
3 提取矢量线条
4 线条归属分区
5 推理连接链条
6 还原墙体轮廓
7 读取门窗图层
8 输出户型信息
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。

▦

分而治之

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。

⛓

连接关系推理

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。

▤

图层语义复用

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。

“

该专利方案的价值在于:利用 CAD 本身的数据特性,快速获取户型信息;步骤 9 汇总门窗信息与墙体轮廓信息,输出完整户型数据。

03

核心专利解析二:神经网络墙体绘制模型

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

训练侧
模型训练01

样本标记

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

模型训练02

模型训练

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

模型训练03

收敛判定

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

模型固化 · 投入应用
应用侧
应用04

自动绘制

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

04

神笔 AI 与户型库

户型生图:从图纸识别到 720° 全景方案,最快数分钟出多套

01上传户型图进入识别流程
02自动识别承重墙 / 门 / 窗
03人工核对拖拽标注并修正
04风格选择内置风格或上传参考图
05方案输出多套 720° 全景方案

能力拆解

识别对象承重墙、门、窗
人工介入识别后手动拖拽核对标注并修正
风格来源内置风格库 / 自定义参考图
交付形态多套 720° 全景方案
时效最快数分钟
核心差异

识别不是终点,而是生产链路的起点

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。

户型识别→风格方案→全景呈现→拆单生产
05

双通道技术对照

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
≈

结论:殊途同归

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。

真实识别

上传图纸,看引擎真跑一遍

上传 DXF 矢量图,自研几何引擎真执行包围盒检测、交点打断、连接链推理、闭合环房间识别与图层门窗解析;上传户型图片,U-Net 神经网络输出墙体语义分割。两者都生成真实户型数据,并可直接进入 720° 全景。

两套引擎均为本项目可运行代码:PHP 几何引擎在 engine/,PyTorch U-Net 在 ai/。训练数据由程序合成,训练脚本与权重一并交付。