基于改进Faster R-CNN的二维图纸中建筑构件识别方法

自2010年以来,我国既有建筑占比不断扩大,而既有建筑普遍面临能源消耗大、CO_2排放量居高等问题。BIM作为数字化产物,包含运维管理中所需要的大量数据,可通过提高运维管理效率解决既有建筑当前的难题。然而,现存的老旧建筑缺少BIM,且手工重建BIM费时费力。再者,作为当前主流的重建技术,激光扫描和摄影测量因成本高和精度低而难以满足要求。因此,为了克服上述局限性,本文提出了基于二维图纸的建筑构件识别方法,通过改进的Faster R-CNN实现建筑构件信息自动提取,为后续BIM的自动重生成提供数据支持。具体地,采用ResNet-101代替传统的VGG-16作为特征提取网络,再通过改进初始锚框尺寸和非极大值抑制算法,使得改进后的Faster R-CNN更适用于建筑构件小目标识别。实验结果表明,改进后的Faster R-CNN在建筑构件的识别上具有出色表现,mAP达到93.8%。另外,通过基于Tesseract的OCR技术实现了对图纸中文本信息的识别和提取。