建筑施工图像的构造方法、装置、设备和可读存储介质与流程

本发明涉及图像处理，具体涉及一种建筑施工图像的构造方法、装置、设备和可读存储介质。

背景技术：

1、随着人工智能技术的逐步发展，深度学习模型已经广泛应用于各行各业中，特别地，建筑施工领域也将深度神经网络模型应用于实际的施工场景。由于深度学习模型的训练过程依赖于大量的标注数据，而经常使用的标注数据大多为通用领域图像数据，施工领域图像数据较少，实际的场景应用便对施工领域数据获取产生较大需求。

2、常规施工领域的图像数据的获取一般有两种方式：一种是通过相关人员到实际施工地区进行采集以及标注，该方式的执行过程较为繁琐以及耗时，效率较低。同时，部分需求场景无法获取真实图像，如重大火灾等灾害场景，难以通过在现实中模拟获取真实的图像数据。第二种方式是使用合成图像数据技术，包括二维数据增强算法和深度学习模型。二维增强算法虽然能够实现图像的平移、旋转、拉伸等变化，但是该方式不容易区分前景背景、不能观察物体背面、不能调整物体材质。深度学习模型是基于文字或其他图像来合成新的图像或视频数据的方法，该方式无法精细地调整目标的旋转角度、位置、位姿信息，标注位置较为固定，也无法获得准确的深度学习任务的标签信息。

3、针对现有技术无法快速且准确地生成批量还原施工现场环境的图像的技术问题，目前未存在有效的解决办法。

技术实现思路

1、本发明的目的在于提供了一种建筑施工图像的构造方法、装置、设备和可读存储介质，能够解决无法快速且准确地生成批量还原施工现场环境的图像的技术问题。

2、本发明的一个方面提供了一种建筑施工图像的构造方法，该方法包括：获取待合成的施工背景图像和施工设备对应的三维模型；通过施工设备的类别确定施工设备在施工背景图像中的合成区域；分别确定施工背景图像和施工设备对应的三维模型的目标调整参数，通过目标调整参数分别对施工背景图像和施工设备对应的三维模型进行处理，生成目标施工背景图像和目标施工设备模型；按照合成区域将目标施工背景图像和目标施工设备模型进行合成，生成建筑施工图像将批量建筑施工图像作为训练集输入至初始的深度神经网络模型中，以实现对建筑施工图像的识别。

3、可选地，分别确定施工背景图像和施工设备对应的三维模型的目标调整参数，包括：获取预设配置文件，其中，预设配置文件包含调整项目和调整项目对应的调整参数；将施工背景图像和施工设备对应的三维模型分别与预设配置文件的调整项目进行匹配，分别获得施工背景图像的目标调整参数和施工设备对应的三维模型的目标调整参数，其中，施工设备对应的三维模型的目标调整参数为相机参数、光源信息、位姿参数、材质纹理参数和尺寸信息。

4、可选地，若目标调整参数为相机参数，通过目标调整参数对施工设备对应的三维模型设备对应的三维模型进行处理，包括：获取施工设备对应的三维模型的真实相机参数，其中，真实相机参数包括真实相机的摆放位置和朝向角度；确定施工设备对应的三维模型的参考相机参数，其中，参考相机参数为模拟实际施工场景中的监控设备的观察角度，包括参考相机的摆放位置和朝向角度；建立真实相机的摆放位置和朝向角度与施工设备对应的三维模型的像素点的映射关系；通过映射关系和参考相机的摆放位置和朝向角度确定参考相机下的像素点分布位置，并基于确定的像素点分布位置形成新的施工设备对应的三维模型。

5、可选地，若目标调整参数为光源信息，通过目标调整参数对施工设备对应的三维模型进行处理，包括：获取固定光源的第一光照位置和第一光照强度，通过第一光照位置和第一光照强度对施工设备对应的三维模型进行处理，生成固定光源下的施工设备对应的三维模型；获取移动光源的第二光照位置和第二光照强度，通过第二光照位置和第二光照强度对固定光源下的施工设备对应的三维模型进行处理，生成叠加光源下的施工设备对应的三维模型。

6、可选地，通过目标调整参数对施工设备对应的三维模型进行处理，还包括：获取预设位姿参数对施工设备对应的三维模型进行角度调整，生成不同角度的施工设备对应的三维模型；获取施工设备关联的材质纹理信息，通过材质纹理信息分别对不同角度的施工设备对应的三维模型进行调整，生成不同材质类别的施工设备的三维模型；确定施工设备的三维模型的目标合成尺寸，通过目标合成尺寸分别对不同材质的施工设备的三维模型进行调整，生成多个目标施工设备模型。

7、可选地，按照合成区域将目标施工背景图像和目标施工设备模型进行合成，生成建筑施工图像，包括：将目标施工设备模型转换为二维施工设备图像；在目标施工背景图像中确定与合成区域对应的目标合成区域；比较目标合成区域与二维施工设备图像的尺寸大小；若目标合成区域的尺寸大于等于二维施工设备图像的尺寸，通过二维施工设备图像的像素点对目标合成区域的全部/部分像素点进行替换；若目标合成区域的尺寸小于二维施工设备图像的尺寸，通过目标合成区域的中心点和二维施工设备图像的尺寸确定最终合成区域，并通过二维施工设备图像的像素点对所述最终合成区域内的像素点进行替换。

8、本发明的另一个方面提供了一种建筑施工图像的构造装置，该装置包括：获取模块，用于获取待合成的施工背景图像和施工设备对应的三维模型；确定模块，用于通过施工设备的类别确定施工设备在施工背景图像中的合成区域；调整模块，用于分别确定施工背景图像和施工设备对应的三维模型的目标调整参数，通过目标调整参数分别对施工背景图像和施工设备对应的三维模型进行处理，生成目标施工背景图像和目标施工设备模型；合成模块，用于按照合成区域将目标施工背景图像和目标施工设备模型进行合成，生成建筑施工图像；训练模块，用于将批量建筑施工图像作为训练集输入至初始的深度神经网络模型中，以实现对建筑施工图像的识别。

9、可选地，合成模块还用于：将目标施工设备模型转换为二维施工设备图像；在目标施工背景图像中确定与合成区域对应的目标合成区域；比较目标合成区域与二维施工设备图像的尺寸大小；若目标合成区域的尺寸大于等于二维施工设备图像的尺寸，通过二维施工设备图像的像素点对目标合成区域的全部/部分像素点进行替换；若目标合成区域的尺寸小于二维施工设备图像的尺寸，通过目标合成区域的中心点和二维施工设备图像的尺寸确定最终合成区域，并通过二维施工设备图像的像素点对最终合成区域内的像素点进行替换。

10、本发明的再一个方面提供了一种计算机设备，该计算机设备包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现上述任一实施例的建筑施工图像的构造方法。

11、本发明的又一个方面提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例的建筑施工图像的构造方法。进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

12、本发明通过配置调整参数来自动合成任意数量级的图像并自动标注；能够对图像的视角、光照等环境因素进行调整，获取更多的视觉信息。同时，三维模型可以实现对施工设备图像随意进行变换，提高了还原真实建筑施工场景的准确度。