一、推荐架构：混合式方案 #

• 规则式模块：处理图纸中标准化元素（如尺寸线格式、房间标签常见位置），利用几何规则（如尺寸线与房间轮廓的连接关系）快速匹配确定性高的关联，适配规范图纸场景。
• 机器学习模块：针对布局差异大、标注不规范的图纸，用预训练的语义分割/目标检测模型提取房间、门窗、文本的几何与语义信息，弥补规则的局限性。
• 混合逻辑：先用ML模块完成基础元素检测与分割，再通过规则模块校验、修正关联结果，最后结合两者输出结构化数据，平衡准确性与适应性。

二、尺寸文本与房间关联的最优方法 #

• 空间邻近性匹配：将OCR识别的尺寸文本bounding box中心，与房间分割后的轮廓做距离计算，优先匹配距离最近且处于房间轮廓延伸区域（尺寸线通常标注在房间外侧）的房间。
• 尺寸线几何关联：用OpenCV检测尺寸线的线段，追踪线段端点与房间轮廓的交点，通过线段连接关系将尺寸与对应房间绑定（比如尺寸线两端指向房间的两条边）。
• 上下文语义关联：训练小型文本-几何关联模型，输入房间轮廓特征、文本位置与内容，学习两者的关联模式；或用图神经网络（GNN）将房间、文本、尺寸线作为节点，空间连接作为边，自动推理关联关系。
• 规则校验：对初步匹配结果，用常识规则过滤（如卧室尺寸不会超过客厅，面积计算需符合尺寸乘积），修正错误关联。

三、平面图结构理解的技术选型 #

• 语义分割：采用U-Net或其变体（如Attention U-Net），在RPLAN、FloorPlanCAD等建筑平面图数据集上预训练，实现房间、墙体、门窗的像素级分割，精准获取房间几何轮廓。
• 目标检测：用YOLOv8或Faster R-CNN检测图纸中的房间标签、尺寸标注、门窗等离散元素，输出每个元素的bounding box与类别，为后续关联提供基础。
• 图论建模：将分割得到的房间作为节点，门窗作为连接节点的边，构建平面图拓扑图。通过图结构可快速遍历房间间的连接关系，便于应用供暖计算的自定义规则。

四、缺失比例信息的处理建议 #

• 已知尺寸反推比例：从OCR识别的有效尺寸中，选取与房间轮廓像素长度对应的标注尺寸，计算像素与实际长度的比例（如标注3m的房间像素长度为300，则比例为1px=1cm）；若有多个有效尺寸，取平均比例降低误差。
• 标准尺寸校准：利用常见房间的标准尺寸（如卧室宽度通常为3-4m），匹配分割得到的房间像素宽度反推比例；优先选择图纸中已知功能的房间（如卫生间）进行校准。
• 用户补充 fallback：当无法自动反推比例时，提供交互界面让用户输入一个关键参考尺寸（如某面墙的实际长度），以此计算全局比例。

五、相关库、模型与研究资源 #

库 #

• OpenCV：用于图像预处理（去噪、二值化）、轮廓检测、尺寸线追踪。
• Tesseract/EasyOCR：OCR文本提取，EasyOCR对建筑图纸中的工程字体适配性更好。
• Shapely：处理房间轮廓的几何计算（面积、长度、距离）。
• PyTorch/TensorFlow：搭建与训练语义分割、目标检测模型。

预训练模型 #

• FloorNet：针对建筑平面图的语义分割模型，可直接用于房间、墙体的分割。
• PlanNet：从平面图中提取拓扑结构与语义信息的模型。
• YOLOv8-PLAN：针对建筑图纸元素优化的目标检测模型，能精准识别房间标签、尺寸标注。

研究论文 #

• 《FloorplanNet: A Unified Framework for Floorplan Reconstruction from 3D Point Clouds》：介绍平面图结构解析的端到端模型。
• 《Text Detection and Recognition in Architectural Drawings》：针对建筑图纸中OCR与文本关联的研究。
• 《Graph-Based Floorplan Analysis for Automated Space Allocation》：利用图论建模处理平面图结构的方法。

内容的提问来源于stack exchange，提问作者Narmeen Zafar