基于CGAN的居住区景观功能平面生成方法_曲广滨.pdf

DOI：10.13905/ki.dwjz.2022.12.002基于CGAN的居住区景观功能平面生成方法GENERATIVE DESIGN METHOD OF LANDSCAPE FUNCTIONAL LAYOUT IN RESIDENTIAL AREASBASED ON CONDITIONAL GENERATIVE ADVERSARIAL NETS曲广滨，薛博洋（哈尔滨工业大学建筑学院，寒地城乡人居环境科学与技术工业和信息化部重点实验室，哈尔滨 150001）QU Guangbin,XUE Boyang（School of Architecture,Harbin Institute of Technology,Key Laboratory of Cold Region Urban and Rural Human SettlementEnvironment Science and Technology,Ministry of Industry and Information Technology,Harbin 150001,China）【摘要】在居住区景观方案设计过程中方案需要满足设计规范的要求，这使设计师往往需要对方案进行反复的修改，导致设计效率较低。文中以深度学习为切入点，基于CGAN构建居住区景观功能平面生成设计方法，其中包括数据集制作、CGAN模型构建和生成图像的验证。结果表明该方法生成的方案绿地率在37%以上，大寒日2h以上日照的绿地占比在54%以上，可以满足设计规范要求。模型训练完成后，可以在3s内生成多个居住区景观功能平面方案。该方法可以为设计师提供多方案比对的参考，减少方案因不满足规范而做出的修改，从而提高居住区景观设计效率和质量。【关键词】风景园林；居住区景观设计；验证评价【中图分类号】TU984.12【文献标志码】A【文章编号】1001-6864（2022）12-0005-05Abstract：Residential landscape design are subjected to the requirements of design specifications,which makes designers often modify the design repeatedly,resulting in low design efficiency.Taking deep learning as the startingpoint,the design method of residential landscape functional layout generation is established.The method is based onconditional generative adversarial nets(CGAN),including data set production,CGAN model construction,and verification of generated images.The results show that the green space rate of the layout generated by the method is morethan 37%,and the green space exposed to sunshine for more than 2h in great cold days for more than 54%,whichmeets the requirements of design specifications.Within 3s,residential landscape designs are generated after trainingthe modules.This method may provide the reference for designers to compare multiple landscape functional layouts,and reduce the modification of the design due to the inconsistency with the specification,improving the design efficiency and quality.Key words：landscape architecture;residential landscape design;verification and evaluation0引言在居住区景观设计领域，居住区项目开发在质量和效率方面对景观设计方案提出了极高的要求。在设计过程中往往需要先构建居住区景观功能平面，再通过设计规范的验证后再进行后续的设计。既有的设计方法依赖主观制定的设计决策，为了满足居住区设计规范的要求，景观功能平面往往需要进行反复的修改，这也对整体设计效率的提高提出了挑战。所以减少因不符合设计规范而做出的修改，对于景观设计效率提高具有一定的意义。近些年深度学习的快速发展为设计方案图像的生成提供了新的解决思路。越来越多的新技术、新模型的出现提高了景观研究和传统的景观设计工作的效率1。图像生成领域在近几年成为研究的热点，其中CGAN是在图像生成领域应用较多的一种重要模型2。研究基于图像生成的研究方法，深度学习的CGAN模型与风景园林设计的研究结合，旨在构建基于CGAN的景观功能分区平面的生成设计方法。由于设计过程中往往需要先构建从宏观尺度到中观尺度的居住基金项目 黑龙江省哲学社科研究规划项目（HSSK20210013）；教育部新农科研究与改革实践项目（SJGZ20200057）共同资助表1设计规范限定景观功能类型绿地硬质场地道路交通规范限定指标绿地率绿地日照消防扑救面老年人活动场地、儿童活动场地内部道路连通性道路宽度道路与建筑距离验证方法建模验证建模验证建模验证目视解译目视解译建模验证建模验证5低温建筑技术-建筑技术Dec.2022 No.294选取相同类型的方案图像制作数据集图像模型训练和验证过程训练数据集制作CGAN模型构建模型适用性验证数据集制作CGAN模型构建模型适用性验证确定待生成的居住区类型参考图片标注和格式居住区建筑平均层数居住区建筑气候区划居住区面积规模居住区容积率选取已建成居住区的卫星图或符合设计规范的平面图居住区强排方案总平面图软硬质景观平面图景观功能平面图JPG图像格式256像素256像素标注的色块信息对应标注颜色输入居住区强排方案总平面图输入软硬质景观平面图输入景观功能平面图构建CGAN模型1：强排方案到软硬质平面构建CGAN模型2：软硬质平面到功能平面输出CGAN模型2的生成器确定学习率确定参数确定训练代数输出CGAN模型1的生成器测试集中强排方案图像输入模型1生成图像验证输入训练完成的CGAN模型1中绿地日照验证绿地率指标验证消防规范验证输入训练完成的CGAN模型2中验证总结该模型的适用性道路连通性和道路宽度验证活动场地验证区景观功能平面，景观设计工作可以在景观功能平面的基础上进行。所以文中方法旨在构建景观功能平面阶段为设计师提供设计参考，其中生成图像的验证指标如表1所示。1基于GAN模型图像生成的相关研究在图像生成领域中，近年设计师尝试选取多种GAN模型进行相关设计图像生成的研究。在景观图像生成研究方面，Kinugawa等3训练了一个GAN模型用来识别全景照片的深度信息。Cao等4构建GAN模型来估计住宅环境的天空视野因子（SVF）。周怀宇等5使用CycleGAN模型，实现了景观用地类型色块图和景观平面渲染图相互转换的模型，同时实现了渲染图的分析模型。Liu等6通过CGAN模型模拟中国古典园林的平面图像生成。在建筑规划领域图像生成方面，Zheng等7通过pix2pix模型训练住宅的平面图，用于住宅平面的生成。Li等8使用CycleGAN模型实现了素描图到实景图的转换，获得了理想的图像生成效果。Chao等9利用3种GAN模型研究医院建筑的平面图像生成，并进行分析比较。Zheng 等10使用CGAN模型进行图像转换研究，证明了卫星图到功能分区图、功能分区图到卫星图转换生成的可行性。刘跃中等11使用CGAN模型进行城市设计中宏观尺度设计和微观尺度设计的图像生成探索，结果表明该模型可以有效的支持城市设计过程中的决策。孙澄等12研究CGAN强排方案生成方法，生成了符合设计规范的可以高效利用土地的居住区强排模型。目前在景观图像生成方面已有研究关注点为图像风格转换的转换，相关研究对于居住区景观功能平面生成的关注较少。已有的模型训练使用的景观数据集较为宽泛，并未聚焦到居住区景观平面图像的生成中，在居住区景观领域适用性较低。所以从居住区景观功能平面生成的角度进行研究，构建基于CGAN的居住区景观功能分区的生成设计方法，为相关研究提供参考。2基于CGAN的景观功能平面生成的流程设计生成训练流程如图1所示，首先构建用于训练的数据集。根据图像的制作标准进行训练数据集制作。使用确定相关参数的CGAN模型进行训练。最后将测试集中的图像输入到训练完成的CGAN模型的生成器中，得到输出的景观功能平面，并对图像进行筛选和验证，从而验证总结该模型的适用性。图1基于CGAN的居住区景观功能平面生成方法流程对多个训练完成并通过验证的CGAN模型输入标注外部道路、建筑布局、用地红线和入口位置的居住区强排方案总平面图（下文简称强排方案），可以快速的生成符合相关设计规范的多个居住区景观功能分区平面，为设计师的多方案选择提供数据方面的参考，有助于提升设计师的设计质量和效率。在训练流程构建方面。由于CGAN模型在训练生成的过程中可解释性较差、不确定性较高，所以在方法中分阶段构建两个生成模型，便于对模型的生成效果进行验证和研究。同时可以在中间的生成过程施加人工干预，从而提高最终生成图像结果的适用性。两个阶段模型分别为从强排方案到居住区软硬质景观平面图的CGAN模型和从居住区软硬质景观平面图到居住区景观功能平面的CGAN模型。根据两个阶段的过程，数据集中分别构建具有对应标注的强排方案、居住区软硬质景观平面图、居住区景观功6能平面。2.1数据集制作和标签设计数据集中的图像需要满足GB 50180-2018 城市居住区规划设计标准 中的要求，从而满足方案的规范性。由于不同类别的居住区之间差异较大，需要满足的规范指标也不相同，所以数据集需要进行分类，从而增加模型的适用性。参考相关的设计规范标准文件，分类因素包括建筑气候区划、居住区建筑平均层数、居住区规模、城市规模，具体的分类方式与设计规范保持一致，以方便后续对生成图像验证。在数据集制作中，针对生成设计地块的具体类型进行同类型数据集的构建，使数据集内的图像具有较强的相似规律，从而增加模型训练结果的适用性，便于进行生成图像的验证。在训练数据集方面，参考已有的相关研究，构建120组居住区平面图像的训练集和20组平面图像的测试集，测试集不参加训练。通过预实验表明数据量可以达到相对满意的图像生成结果。数据集图像模式采用色块图的标注方式，图像的尺寸为长宽=256像素256像素，而更高的分辨率会增加计算的时间，降低模型效率。所以选取分辨率作为统一的分辨率，选取的图像格式为JPG。在训练集图像标注方面如图2所示，强排方案标注居住区周边城市道路、居住区入口、内部建筑、地块红线四部分。居住区软硬质景观平面图在上述标注的基础上添加软质景观和硬质景观的标注。居住区景观功能平面主要对软硬质景观空间进行细化标注，硬质景观要素方面添加内部道路、活动广场、停车场地、运动场地的景观类型标注。软质景观要素方面添加水体、绿地等景观类型标注。2.2居住区景观功能平面CGAN模型构建原始的GAN模型由两部分组成，分别为生成器（下文简记为G）和判别器（下文简记为D）。模型通过生成器和判别器的相互对抗博弈的方式进行学习，生成器用于生成图像，判别器用于判断图像是真实的样本中图像而不是生成图像的概率。