CN110059690A - 基于深度卷积神经网络的户型图语义自动分析方法及系统 - Google Patents
基于深度卷积神经网络的户型图语义自动分析方法及系统 Download PDFInfo
- Publication number
- CN110059690A CN110059690A CN201910242006.2A CN201910242006A CN110059690A CN 110059690 A CN110059690 A CN 110059690A CN 201910242006 A CN201910242006 A CN 201910242006A CN 110059690 A CN110059690 A CN 110059690A
- Authority
- CN
- China
- Prior art keywords
- floor plan
- convolutional neural
- neural networks
- region
- semanteme
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 93
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims description 69
- 230000006870 function Effects 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 16
- 238000004883 computer application Methods 0.000 abstract description 2
- 239000002131 composite material Substances 0.000 abstract 1
- 238000013461 design Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的户型图语义自动分析方法及系统，方法包括：获取包含户型图的第一图像；采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象，所述户型图的第一对象包括户型图中区域的轮廓、户型图中区域的位置、户型图中区域的尺寸和户型图中区域的功能。本发明采用了深度卷积神经网络算法来准确识别出户型图中区域的轮廓、区域的位置、区域的尺寸以及区域的功能等具体布局信息，从而通过语义自动识别提供了更丰富的细节信息，效率高且更加方便。本发明可广泛应用于计算机应用领域。
Description
技术领域
本发明涉及计算机应用领域，尤其是一种基于深度卷积神经网络的户型图语义自动分析方法及系统。
背景技术
目前室内设计行业在户型图建模方面所采用的方法是：将户型图导入建模软件，然后使用手工的方式进行描绘、建模，设计效率低。随着相关行业的发展，室内设计需要处理的数据变得更加繁杂，虽然市面已经有了整理户型数据的工具，用户只要搜索出自己的小区就可以生成户型的三维模型，但这些工具对于一些较新的小区是缺乏户型数据的，而且其数据的处理效率也很低。另外，目前还出现了户型图的自动识别方案，能通过AI算法自动判断从互联网爬取的图片是户型图还是其他图片(如植物图片等)，但该方案不能识别出户型图的具体布局(如墙、门、窗、每一地方的功能等)，未能提供更丰富的细节信息来方便设计。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种效率高和方便的基于深度卷积神经网络的户型图语义自动分析方法及系统。
本发明所采取的第一技术方案是：
基于深度卷积神经网络的户型图语义自动分析方法，包括以下步骤：
获取包含户型图的第一图像；
采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象，所述户型图的第一对象包括户型图中区域的轮廓、户型图中区域的位置、户型图中区域的尺寸和户型图中区域的功能。
进一步，所述获取包含户型图的第一图像这一步骤，具体为：
通过对户型拍照的方式获取包含户型图的第一图像并上传；
或者，通过互联网搜索的方式获取包含户型图的第一图像；
或者，通过第三方接口获取包含户型图的第一图像。
进一步，所述采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象这一步骤，具体包括：
根据训练样本采用Mask R-CNN算法进行模型训练，得到户型图语义识别模型；
将第一图像输入户型图语义识别模型，识别得到户型图的第一对象。
进一步，所述根据训练样本采用Mask R-CNN算法进行模型训练，得到户型图语义识别模型这一步骤，具体包括：
对训练样本进行分类标注，得到标注后的训练样本，所述分类标注在训练样本中标注出第一区域，所述第一区域包括卧室、厕所、客厅、厨房和阳台；
采用Mask R-CNN算法对标注后的训练样本进行模型训练，得到户型图语义识别模型。
进一步，所述采用Mask R-CNN算法对训练样本进行模型训练，得到户型图语义识别模型这一步骤，具体包括：
将训练集输入Mask R-CNN框架中进行特征图获取并生成候选区域；
通过Mask R-CNN框架的分支网络对候选区域进行分类并生成边界框和掩模，其中，分类并生成边界框用于识别户型图的种类和户型图中区域的功能；分支网络中掩模分支以像素到像素的方式预测户型图像的分割掩模，从而自动识别户型图并生成户型图语义识别模型。
进一步，还包括以下步骤：
根据户型图的第一对象生成户型的模型。
本发明所采取的第二技术方案是：
基于深度卷积神经网络的户型图语义自动分析系统，包括：
获取模块，用于获取包含户型图的第一图像；
语义自动识别模块，用于采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象，所述户型图的第一对象包括户型图中区域的轮廓、户型图中区域的位置、户型图中区域的尺寸和户型图中区域的功能。
进一步，所述语义自动识别模块包括：
训练单元，用于根据训练样本采用Mask R-CNN算法进行模型训练，得到户型图语义识别模型；
识别单元，用于将第一图像输入户型图语义识别模型，识别得到户型图的第一对象。
进一步，所述识别单元具体包括：
分类标注子单元，用于对训练样本进行分类标注，得到标注后的训练样本，所述分类标注在训练样本中标注出第一区域，所述第一区域包括卧室、厕所、客厅、厨房和阳台；
训练子单元，用于采用Mask R-CNN算法对标注后的训练样本进行模型训练，得到户型图语义识别模型。
本发明所采取的第三技术方案是：
基于深度卷积神经网络的户型图语义自动分析系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如本发明所述的基于深度卷积神经网络的户型图语义自动分析方法。
本发明的有益效果是：本发明基于深度卷积神经网络的户型图语义自动分析方法及系统，采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象，采用了深度卷积神经网络算法来准确识别出户型图中区域的轮廓、区域的位置、区域的尺寸以及区域的功能等具体布局信息，从而通过语义自动识别提供了更丰富的细节信息，效率高且更加方便。
附图说明
图1为本发明实施例提供的基于深度卷积神经网络的户型图语义自动分析方法流程图；
图2为Mask R-CNN算法的框架图；
图3为本发明具体实施例户型图的细节对象自动识别方案的实现流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。
如图1所示，本发明实施例提供了一种基于深度卷积神经网络的户型图语义自动分析方法，包括以下步骤：
获取包含户型图的第一图像；
采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象，所述户型图的第一对象包括户型图中区域的轮廓、户型图中区域的位置、户型图中区域的尺寸和户型图中区域的功能。
具体地，第一图像可以通过对户型拍照、互联网搜索或第三方合作商提供等方式获取。
卷积神经网络(Convolutional Neural Network，CNN)是一种深度学习框架，它是一种前馈神经网络，由一个或多个卷积层和顶端的全连通层(对应经典的神经网络)组成，同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网络能够利用输入数据的二维结构。相比较其他深度、前馈神经网络，卷积神经网络需要估计的参数更少，使之成为一种颇具吸引力的深度学习结构。大量的研究和应用早已证明，卷积神经网络在图像和文本上具有非常强的特征抽取能力。而深度卷积神经网络是卷积神经网络的结构基础上构建的更深的网络，其一般由卷积层、池化层、全连接层三种神经网络以及一个输出层组成，其优势在于通过对原始信号进行逐层特征变换，将样本由在原空间的特征表示变换到新的特征空间，自动地学习到层次化的特征表示，从而更有利于分类或特征的可视化。深度卷积神经网络算法可采用具有物体轮廓检测和语义分割能力的Mask R-CNN算法来实现。
户型图中区域的轮廓可以是窗体、门等区域的轮廓。户型图中区域的位置可以是窗、门等在户型图中的位置。户型图中区域的尺寸是窗体、门等尺寸大小。户型图中区域的功能包括厅、卧室、厨房等等。
由此可见，本实施例采用了深度卷积神经网络算法来准确识别出户型图中区域的轮廓、区域的位置、区域的尺寸以及区域的功能等具体布局信息，从而通过语义自动识别提供了更丰富的细节信息，可以减少设计师在描绘轮廓上的时间，而花更多时间在设计上，提高了效率，且更加方便。
进一步作为优选的实施方式，所述获取包含户型图的第一图像这一步骤，具体为：
通过对户型拍照的方式获取包含户型图的第一图像并上传；
或者，通过互联网搜索的方式获取包含户型图的第一图像；
或者，通过第三方接口获取包含户型图的第一图像。
具体地，用户可上传自己拍摄的、从网上搜索或第三方提供的户型图照片。由此可见，本实施例对输入的原始户型图数据(即第一图像)并没有特殊的要求或限制，通用性强，可让用户灵活选择获取或采集户型图数据的方式。
进一步作为优选的实施方式，所述采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象这一步骤，具体包括：
根据训练样本采用Mask R-CNN算法进行模型训练，得到户型图语义识别模型；
将第一图像输入户型图语义识别模型，识别得到户型图的第一对象。
具体地，训练样本是具体的布局已确定或知道的户型图数据，其可以预先给定，也可以是采用本发明的语义自动分析方法后得到的结果数据。
Mask R-CNN算法是一种在有效检测目标的同时输出高质量的实例分割掩模算法，延伸了Fast R-CNN算法，通过在每个感兴趣区域上添加用于预测割掩模的分支，与用于分类和边界框回归的现有分支并行，使其训练更加简单且更容易推广到其他任务中。Mask R-CNN算法是目标检测的一个分支技术，目前目标检测技术在人脸检测、车辆检测、行人检测等领域应用较为广泛，但在户型图识别领域尚未有成熟的应用。Mask R-CNN算法具有物体轮廓检测和语义分割能力。
由此可见，本实施例首次用Mask R-CNN算法来进行户型图自动识别，省去了设计师在描绘轮廓上的时间，效率更高，且能准确识别出户型图中区域的轮廓、区域的位置、区域的尺寸以及区域的功能等具体布局信息。
进一步作为优选的实施方式，所述根据训练样本采用Mask R-CNN算法进行模型训练，得到户型图语义识别模型这一步骤，具体包括：
对训练样本进行分类标注，得到标注后的训练样本，所述分类标注在训练样本中标注出第一区域，所述第一区域包括卧室、厕所、客厅、厨房和阳台；
采用Mask R-CNN算法对标注后的训练样本进行模型训练，得到户型图语义识别模型。
具体地，分类标注可采用标注软件(包括导入单元、轮廓描绘单元、标注单元和导出单元)来完成：导入单元将训练样本导入轮廓描绘单元进行轮廓描绘，然后通过标注单元进行标注，最后经导出单元导出标注后的训练样本。标注时可在第一图像中标注出卧室、厕所、客厅、厨房和阳台等。标注后的训练样本经导出单元导出的格式可为JSON格式，便于后续导入Mask R-CNN框架中进行训练并生成户型图语义识别模型。
进一步作为优选的实施方式，所述采用Mask R-CNN算法对训练样本进行模型训练，得到户型图语义识别模型这一步骤，具体包括：
将训练样本输入Mask R-CNN框架中进行特征图获取并生成候选区域；
通过Mask R-CNN框架的分支网络对候选区域进行分类并生成边界框和掩模，其中，分类并生成边界框用于识别户型图的种类和户型图中区域的功能；分支网络中掩模分支以像素到像素的方式预测户型图像的分割掩模，从而自动识别户型图并生成户型图语义识别模型。
具体地，如图2所示，Mask R-CNN算法由Faster-rcnn、ROIAlign和FCN三大模块构成：
(1)Faster R-CNN部分：输入预处理过的户型图数据到神经网络中，获得对应的特征图feature map，对特征图中的点设定ROI(感兴趣区域)，将这些ROI输入到RPN网络进行分类，过滤筛选出一部分ROI。
(2)ROIAlign部分：对上一步处理完的ROI进行ROIAlign(用于进行像素的校正)，基于双线性插值方法，利用feature map上距离采样点最近的四个像素得到其像素值。
(3)FCN部分：对每一个ROI进行FCN(全卷积)操作，生成MASK掩模。
由上述内容可知，Mask R-CNN是一个两阶段的框架，第一个阶段扫描图像并生成候选区域(即有可能包含一个目标的区域)，第二个阶段分类候选区域并生成边界框和掩模。分类并生成边界框用于识别户型图的种类和户型图中区域的功能：厅、卧室、厨房等，更加具体到墙、门、窗等各个地方。掩模分支是应用于每个ROI的小FCN，以像素到像素的方式预测户型图像的分割掩模，从而达到自动识别户型图并生成语义识别模型的目的。
进一步作为优选的实施方式，还包括以下步骤：
根据户型图的第一对象生成户型的模型。
具体地，本实施例在获取到户型图的第一对象这一细节信息后，可生成户型的模型，设计时就可以在户型的模型上放上家具等物品开始进行设计，这样可以减少在设计师在描绘轮廓的时间，而花更多时间在设计上，提高了效率。
如图3所示，本具体实施例运用了MaskR-CNN算法技术，基于深度卷积神经网络，提出了一种对户型图的细节对象(即布局)自动识别的方案。该方案使用深度学习目前最新的物体轮廓检测卷积神经网络算法MaskR-CNN，能够准确地识别户型图的墙、门、窗、每一地方的功能(厅、卧室、厨房等等)以及尺寸大小等布局，并进行建模，提高了室内设计行业的生产效率，降低了工作人力成本，用户只需把从房地产商拿到的户型图拍照，然后上传进行识别即可。该方案可通过python开发语言进行实现，详细实现流程如下：
1.数据处理：通过用户自己拍摄上传的、从网上搜索或第三方提供的户型图照片获取户型图数据，将得到的户型图数据导入到标注软件中，并用轮廓描绘单元的工具对其轮廓进行描绘加工，然后通过标注单元对描绘形成的区域进行分为7类，用7种命名标注，分为卧室(bedroom)、厕所(toilet)、客厅(livingroom)、厨房(kitchen)、阳台(balcony)。标注后将结果导出为JSON格式，便于后续导入生成人工智能训练网络。
2.生成人工智能训练网络：MaskR-CNN是一种在有效检测目标的同时输出高质量的实例分割掩模mask，是一个两阶段的框架，第一个阶段扫描图像并生成候选区域(即有可能包含一个目标的区域)，第二个阶段分类提议并生成边界框和掩模。MaskR-CNN也是目标检测的一个分支技术，目前目标检测技术在人脸检测、车辆检测、行人检测等领域应用较为广泛，但在户型图识别领域尚未有成熟的应用。Mask R-CNN技术延伸了Fast R-CNN技术，通过在每个感兴趣区域上添加用于预测割掩模的分支，与用于分类和边界框回归的现有分支并行，使其训练更加简单且更容易推广到其他任务中。Mask R-CNN技术中的分类和边界框主要用于识别户型图的种类：厅、卧室、厨房等等，更加具体到墙、门、窗各个地方。而掩模分支用于每个ROI的小FCN，以像素到像素的方式预测户型图像的分割掩模，从而达到自动识别户型图并生成语义自动识别模型的目的。
3.训练数据集：对前面数据处理过后导出的图片进行训练，使该系统不断进行训练、学习，最终生成一个人工智能训练网络，可以对户型图进行自动识别建模工作。
与图1的方法相对应，本发明实施例还提供了一种基于深度卷积神经网络的户型图语义自动分析系统，包括：
获取模块，用于获取包含户型图的第一图像；
语义自动识别模块，用于采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象，所述户型图的第一对象包括户型图中区域的轮廓、户型图中区域的位置、户型图中区域的尺寸和户型图中区域的功能。
进一步作为优选的实施方式，所述语义自动识别模块包括：
训练单元，用于根据训练样本采用Mask R-CNN算法进行模型训练，得到户型图语义识别模型；
识别单元，用于将第一图像输入户型图语义识别模型，识别得到户型图的第一对象。
进一步作为优选的实施方式，所述识别单元具体包括：
分类标注子单元，用于对训练样本进行分类标注，得到标注后的训练样本，所述分类标注在训练样本中标注出第一区域，所述第一区域包括卧室、厕所、客厅、厨房和阳台；
训练子单元，用于采用Mask R-CNN算法对标注后的训练样本进行模型训练，得到户型图语义识别模型。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
与图1的方法相对应，本发明实施例还提供了一种基于深度卷积神经网络的户型图语义自动分析系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如本发明所述的基于深度卷积神经网络的户型图语义自动分析方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
综上所述，本发明根据用户上传的自己拍照的、第三方提供的或者从网上搜索的户型图照片，通过深度学习目前最新的物体轮廓检测卷积神经网络算法，准确识别出户型图的墙体轮廓，门窗的位置以及尺寸等布局，此外还能识别出每一块区域的功能，然后生成户型的模型，设计时就可以直接在生成的户型模型上放上家具等物品进行设计，这样可以减少设计师在描绘户轮廓上的时间，而花更多时间在设计上，提高了效率。而对于普通的用户来说，该技术可以让用户自己快速地设计想要的房子。在通过本发明的方法识别出每一块区域的功能后，用户可以选择自己喜爱的装修风格，然后通过AI来设计房子，自己再进行微调，所以该技术也将推动未来使用AI来设计房子的发展。该技术方案在房地产销售、室内设计等领域具有广阔的市场应用前景。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：包括以下步骤：
获取包含户型图的第一图像；
采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象，所述户型图的第一对象包括户型图中区域的轮廓、户型图中区域的位置、户型图中区域的尺寸和户型图中区域的功能。
2.根据权利要求1所述的基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：所述获取包含户型图的第一图像这一步骤，具体为：
通过对户型拍照的方式获取包含户型图的第一图像并上传；
或者，通过互联网搜索的方式获取包含户型图的第一图像；
或者，通过第三方接口获取包含户型图的第一图像。
3.根据权利要求1所述的基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：所述采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象这一步骤，具体包括：
根据训练样本采用Mask R-CNN算法进行模型训练，得到户型图语义识别模型；
将第一图像输入户型图语义识别模型，识别得到户型图的第一对象。
4.根据权利要求3所述的基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：所述根据训练样本采用Mask R-CNN算法进行模型训练，得到户型图语义识别模型这一步骤，具体包括：
对训练样本进行分类标注，得到标注后的训练样本，所述分类标注在训练样本中标注出第一区域，所述第一区域包括卧室、厕所、客厅、厨房和阳台；
采用Mask R-CNN算法对标注后的训练样本进行模型训练，得到户型图语义识别模型。
5.根据权利要求4所述的基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：所述采用Mask R-CNN算法对训练样本进行模型训练，得到户型图语义识别模型这一步骤，具体包括：
将训练样本输入Mask R-CNN框架中进行特征提取并生成候选区域；
通过Mask R-CNN框架的分支网络对候选区域进行分类并生成边界框和掩模，其中，分类并生成边界框用于识别户型图的种类和户型图中区域的功能；分支网络中掩模分支以像素到像素的方式预测户型图像的分割掩模，从而自动识别户型图并生成户型图语义识别模型。
6.根据权利要求1所述的基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：还包括以下步骤：
根据户型图的第一对象生成户型的模型。
7.基于深度卷积神经网络的户型图语义自动分析系统，其特征在于：包括：
获取模块，用于获取包含户型图的第一图像；
语义自动识别模块，用于采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象，所述户型图的第一对象包括户型图中区域的轮廓、户型图中区域的位置、户型图中区域的尺寸和户型图中区域的功能。
8.根据权利要求7所述的基于深度卷积神经网络的户型图语义自动分析系统，其特征在于：所述语义自动识别模块包括：
训练单元，用于根据训练样本采用Mask R-CNN算法进行模型训练，得到户型图语义识别模型；
识别单元，用于将第一图像输入户型图语义识别模型，识别得到户型图的第一对象。
9.根据权利要求8所述的基于深度卷积神经网络的户型图语义自动分析系统，其特征在于：所述识别单元具体包括：
分类标注子单元，用于对训练样本进行分类标注，得到标注后的训练样本，所述分类标注在训练样本中标注出第一区域，所述第一区域包括卧室、厕所、客厅、厨房和阳台；
训练子单元，用于采用Mask R-CNN算法对标注后的训练样本进行模型训练，得到户型图语义识别模型。
10.基于深度卷积神经网络的户型图语义自动分析系统，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6任一项所述的基于深度卷积神经网络的户型图语义自动分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910242006.2A CN110059690A (zh) | 2019-03-28 | 2019-03-28 | 基于深度卷积神经网络的户型图语义自动分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910242006.2A CN110059690A (zh) | 2019-03-28 | 2019-03-28 | 基于深度卷积神经网络的户型图语义自动分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110059690A true CN110059690A (zh) | 2019-07-26 |
Family
ID=67317527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910242006.2A Pending CN110059690A (zh) | 2019-03-28 | 2019-03-28 | 基于深度卷积神经网络的户型图语义自动分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110059690A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598333A (zh) * | 2019-09-16 | 2019-12-20 | 广东三维家信息科技有限公司 | 光源位置的确定方法、装置及电子设备 |
| CN110633553A (zh) * | 2019-10-09 | 2019-12-31 | 郑豪 | 一种住宅户型平面图自动生成方法和系统 |
| CN110942013A (zh) * | 2019-11-22 | 2020-03-31 | 佛山科学技术学院 | 一种基于深度神经网络的卫星影像特征提取方法及系统 |
| CN111079746A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车轴箱弹簧故障图像识别方法 |
| CN111091618A (zh) * | 2019-12-17 | 2020-05-01 | 吉林吉动盘古网络科技股份有限公司 | 基于户型数据驱动的组合式室内布局方法和系统 |
| CN111177821A (zh) * | 2019-12-02 | 2020-05-19 | 江苏艾佳家居用品有限公司 | 一种基于户型图拼接的自动布局方法及系统 |
| CN111506940A (zh) * | 2019-12-13 | 2020-08-07 | 江苏艾佳家居用品有限公司 | 一种基于3d结构光家具、饰品及灯具一体化智能化局方法 |
| CN111985518A (zh) * | 2020-02-18 | 2020-11-24 | 广东三维家信息科技有限公司 | 门窗检测方法及其模型训练的方法、装置 |
| CN112116613A (zh) * | 2020-09-25 | 2020-12-22 | 贝壳技术有限公司 | 模型训练方法、图像分割方法、图像矢量化方法及其系统 |
| CN112417539A (zh) * | 2020-11-16 | 2021-02-26 | 杭州群核信息技术有限公司 | 基于语言描述的户型设计方法和装置以及系统 |
| WO2021217340A1 (zh) * | 2020-04-27 | 2021-11-04 | Li Jianjun | 基于ai的通用智能家居方案自动化设计方法及装置 |
| CN113674418A (zh) * | 2021-08-26 | 2021-11-19 | 深圳须弥云图空间科技有限公司 | 针对户型图中元素的处理方法、装置、介质及电子设备 |
| CN113705111A (zh) * | 2021-09-22 | 2021-11-26 | 百安居信息技术(上海)有限公司 | 一种基于深度学习的装修家具自动布局方法及系统 |
| CN113946900A (zh) * | 2021-12-21 | 2022-01-18 | 深圳小库科技有限公司 | 一种基于户型轮廓和分布特征快速推荐相似户型的方法 |
| CN115712943A (zh) * | 2022-11-24 | 2023-02-24 | 中国建筑设计研究院有限公司 | 一种基于图像识别的乡村住宅户型平面生成方法和系统 |
| CN116468329A (zh) * | 2023-04-26 | 2023-07-21 | 广东雅建建设科技股份有限公司 | 一种室内装修设计施工智能管理系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971098A (zh) * | 2014-05-19 | 2014-08-06 | 北京明兰网络科技有限公司 | 户型图中墙体的识别方法及户型图长度比例自动校正方法 |
| CN106844614A (zh) * | 2017-01-18 | 2017-06-13 | 天津中科智能识别产业技术研究院有限公司 | 一种户型图功能区域快速识别系统 |
| CN108304848A (zh) * | 2018-01-10 | 2018-07-20 | 链家网（北京）科技有限公司 | 户型特征的自动提取方法、系统、电子设备和存储介质 |
| CN108648053A (zh) * | 2018-05-10 | 2018-10-12 | 南京衣谷互联网科技有限公司 | 一种用于虚拟试衣的成像方法 |
| CN108764022A (zh) * | 2018-04-04 | 2018-11-06 | 链家网（北京）科技有限公司 | 一种图像识别方法及系统 |
| CN108763606A (zh) * | 2018-03-12 | 2018-11-06 | 江苏艾佳家居用品有限公司 | 一种基于机器视觉的户型图元素自动提取方法与系统 |
| CN108804815A (zh) * | 2018-06-08 | 2018-11-13 | 杭州群核信息技术有限公司 | 一种基于深度学习辅助识别cad中墙体的方法和装置 |
| CN108898610A (zh) * | 2018-07-20 | 2018-11-27 | 电子科技大学 | 一种基于mask-RCNN的物体轮廓提取方法 |
| CN108985229A (zh) * | 2018-07-17 | 2018-12-11 | 北京果盟科技有限公司 | 一种基于深度神经网络的智能广告替换方法及系统 |
| CN109359538A (zh) * | 2018-09-14 | 2019-02-19 | 广州杰赛科技股份有限公司 | 卷积神经网络的训练方法、手势识别方法、装置及设备 |
| CN109472191A (zh) * | 2018-09-17 | 2019-03-15 | 西安电子科技大学 | 一种基于时空上下文的行人重识别与追踪方法 |
| CN109492416A (zh) * | 2019-01-07 | 2019-03-19 | 南京信息工程大学 | 一种基于安全区域的大数据图像保护方法和系统 |
-
2019
- 2019-03-28 CN CN201910242006.2A patent/CN110059690A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971098A (zh) * | 2014-05-19 | 2014-08-06 | 北京明兰网络科技有限公司 | 户型图中墙体的识别方法及户型图长度比例自动校正方法 |
| CN106844614A (zh) * | 2017-01-18 | 2017-06-13 | 天津中科智能识别产业技术研究院有限公司 | 一种户型图功能区域快速识别系统 |
| CN108304848A (zh) * | 2018-01-10 | 2018-07-20 | 链家网（北京）科技有限公司 | 户型特征的自动提取方法、系统、电子设备和存储介质 |
| CN108763606A (zh) * | 2018-03-12 | 2018-11-06 | 江苏艾佳家居用品有限公司 | 一种基于机器视觉的户型图元素自动提取方法与系统 |
| CN108764022A (zh) * | 2018-04-04 | 2018-11-06 | 链家网（北京）科技有限公司 | 一种图像识别方法及系统 |
| CN108648053A (zh) * | 2018-05-10 | 2018-10-12 | 南京衣谷互联网科技有限公司 | 一种用于虚拟试衣的成像方法 |
| CN108804815A (zh) * | 2018-06-08 | 2018-11-13 | 杭州群核信息技术有限公司 | 一种基于深度学习辅助识别cad中墙体的方法和装置 |
| CN108985229A (zh) * | 2018-07-17 | 2018-12-11 | 北京果盟科技有限公司 | 一种基于深度神经网络的智能广告替换方法及系统 |
| CN108898610A (zh) * | 2018-07-20 | 2018-11-27 | 电子科技大学 | 一种基于mask-RCNN的物体轮廓提取方法 |
| CN109359538A (zh) * | 2018-09-14 | 2019-02-19 | 广州杰赛科技股份有限公司 | 卷积神经网络的训练方法、手势识别方法、装置及设备 |
| CN109472191A (zh) * | 2018-09-17 | 2019-03-15 | 西安电子科技大学 | 一种基于时空上下文的行人重识别与追踪方法 |
| CN109492416A (zh) * | 2019-01-07 | 2019-03-19 | 南京信息工程大学 | 一种基于安全区域的大数据图像保护方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张晓明等: "基于卷积神经网络和语义信息的场景分类", 《软件》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598333A (zh) * | 2019-09-16 | 2019-12-20 | 广东三维家信息科技有限公司 | 光源位置的确定方法、装置及电子设备 |
| CN110598333B (zh) * | 2019-09-16 | 2023-05-16 | 广东三维家信息科技有限公司 | 光源位置的确定方法、装置及电子设备 |
| CN110633553A (zh) * | 2019-10-09 | 2019-12-31 | 郑豪 | 一种住宅户型平面图自动生成方法和系统 |
| CN110633553B (zh) * | 2019-10-09 | 2023-07-18 | 郑豪 | 一种住宅户型平面图自动生成方法和系统 |
| CN110942013A (zh) * | 2019-11-22 | 2020-03-31 | 佛山科学技术学院 | 一种基于深度神经网络的卫星影像特征提取方法及系统 |
| CN111177821B (zh) * | 2019-12-02 | 2022-07-08 | 江苏艾佳家居用品有限公司 | 一种基于户型图拼接的自动布局方法及系统 |
| CN111177821A (zh) * | 2019-12-02 | 2020-05-19 | 江苏艾佳家居用品有限公司 | 一种基于户型图拼接的自动布局方法及系统 |
| CN111079746A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车轴箱弹簧故障图像识别方法 |
| CN111506940A (zh) * | 2019-12-13 | 2020-08-07 | 江苏艾佳家居用品有限公司 | 一种基于3d结构光家具、饰品及灯具一体化智能化局方法 |
| CN111506940B (zh) * | 2019-12-13 | 2022-08-12 | 江苏艾佳家居用品有限公司 | 一种基于3d结构光家具、饰品及灯具一体化智能化布局方法 |
| CN111091618A (zh) * | 2019-12-17 | 2020-05-01 | 吉林吉动盘古网络科技股份有限公司 | 基于户型数据驱动的组合式室内布局方法和系统 |
| CN111985518A (zh) * | 2020-02-18 | 2020-11-24 | 广东三维家信息科技有限公司 | 门窗检测方法及其模型训练的方法、装置 |
| WO2021217340A1 (zh) * | 2020-04-27 | 2021-11-04 | Li Jianjun | 基于ai的通用智能家居方案自动化设计方法及装置 |
| CN112116613A (zh) * | 2020-09-25 | 2020-12-22 | 贝壳技术有限公司 | 模型训练方法、图像分割方法、图像矢量化方法及其系统 |
| CN112417539B (zh) * | 2020-11-16 | 2023-10-03 | 杭州群核信息技术有限公司 | 基于语言描述的户型设计方法和装置以及系统 |
| CN112417539A (zh) * | 2020-11-16 | 2021-02-26 | 杭州群核信息技术有限公司 | 基于语言描述的户型设计方法和装置以及系统 |
| CN113674418A (zh) * | 2021-08-26 | 2021-11-19 | 深圳须弥云图空间科技有限公司 | 针对户型图中元素的处理方法、装置、介质及电子设备 |
| CN113674418B (zh) * | 2021-08-26 | 2024-04-19 | 深圳须弥云图空间科技有限公司 | 针对户型图中元素的处理方法、装置、介质及电子设备 |
| CN113705111A (zh) * | 2021-09-22 | 2021-11-26 | 百安居信息技术(上海)有限公司 | 一种基于深度学习的装修家具自动布局方法及系统 |
| CN113705111B (zh) * | 2021-09-22 | 2024-04-26 | 百安居网络技术(上海)有限公司 | 一种基于深度学习的装修家具自动布局方法及系统 |
| CN113946900A (zh) * | 2021-12-21 | 2022-01-18 | 深圳小库科技有限公司 | 一种基于户型轮廓和分布特征快速推荐相似户型的方法 |
| CN113946900B (zh) * | 2021-12-21 | 2022-03-29 | 深圳小库科技有限公司 | 一种基于户型轮廓和分布特征快速推荐相似户型的方法 |
| CN115712943B (zh) * | 2022-11-24 | 2024-01-30 | 中国建筑设计研究院有限公司 | 一种基于图像识别的乡村住宅户型平面生成方法和系统 |
| CN115712943A (zh) * | 2022-11-24 | 2023-02-24 | 中国建筑设计研究院有限公司 | 一种基于图像识别的乡村住宅户型平面生成方法和系统 |
| CN116468329A (zh) * | 2023-04-26 | 2023-07-21 | 广东雅建建设科技股份有限公司 | 一种室内装修设计施工智能管理系统 |
| CN116468329B (zh) * | 2023-04-26 | 2024-01-30 | 广东雅建建设科技股份有限公司 | 一种室内装修设计施工智能管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059690A (zh) | 基于深度卷积神经网络的户型图语义自动分析方法及系统 | |
| Huang et al. | Architectural drawings recognition and generation through machine learning | |
| WO2020224424A1 (zh) | 图像处理方法、装置、计算机可读存储介质和计算机设备 | |
| Rahbar et al. | Generating synthetic space allocation probability layouts based on trained conditional-GANs | |
| Sester | Knowledge acquisition for the automatic interpretation of spatial data | |
| Falomir et al. | Describing images using qualitative models and description logics | |
| CN109191455A (zh) | 一种基于ssd卷积网络的大田作物病虫害检测方法 | |
| CN105117399B (zh) | 一种图像搜索方法和装置 | |
| Surikov et al. | Floor plan recognition and vectorization using combination unet, faster-rcnn, statistical component analysis and ramer-douglas-peucker | |
| CN110245238A (zh) | 基于规则推理和句法图式的图嵌入方法及系统 | |
| Hmida et al. | Knowledge base approach for 3d objects detection in point clouds using 3d processing and specialists knowledge | |
| Wang et al. | A survey of personalized interior design | |
| CN105468574B (zh) | 装饰字体的合成方法 | |
| Parente et al. | Integration of convolutional and adversarial networks into building design: A review | |
| CN112488132B (zh) | 一种基于语义特征增强的细粒度图像分类方法 | |
| CN111382294A (zh) | 一种基于人工智能图像识别的中医辅助判断方法 | |
| CN111882545B (zh) | 基于双向信息传递及特征融合的织物疵点检测方法 | |
| Wu | Research on embroidery image recognition based on deep learning | |
| CN113516055A (zh) | 一种用于物品搜索的机器人问答方法 | |
| Yu et al. | Towards Cross-Modal Point Cloud Retrieval for Indoor Scenes | |
| CN103198117B (zh) | 基于内容的图像伪相关重排序方法 | |
| CN112581528B (zh) | 一种基于主动学习的衣物关键点辅助标注及预测优化方法 | |
| CN111210508A (zh) | 一种基于三维建模的目标识别装置 | |
| Lu et al. | Deep conditional color harmony model for image aesthetic assessment | |
| Tian et al. | Guest editorial: multimedia computing with interpretable machine learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
| RJ01 | Rejection of invention patent application after publication |