CN110111298A - 智能户型尺寸验证方法、装置、设备及可读存储介质 - Google Patents
智能户型尺寸验证方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110111298A CN110111298A CN201910202230.9A CN201910202230A CN110111298A CN 110111298 A CN110111298 A CN 110111298A CN 201910202230 A CN201910202230 A CN 201910202230A CN 110111298 A CN110111298 A CN 110111298A
- Authority
- CN
- China
- Prior art keywords
- floor plan
- dimentional
- dimension
- house type
- dimension information
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明属于人工智能技术领域,公开了一种智能户型尺寸验证方法,包括:获取待识别的二维户型图;基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确;若所述尺寸信息不正确,则基于预设规则对所述尺寸信息进行修改,并将修改后的所述尺寸信息标示在所述二维户型图上。本发明还公开了一种智能户型尺寸验证装置、设备及可读存储介质。本发明提高了户型图中的尺寸识别的准确率,对误标的尺寸信息进行修改。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种智能户型尺寸验证方法、装置、设备及可读存储介质。
背景技术
对于有尺寸标注的户型图,房间的大小、窗户的长度、墙体的厚度等信息一般会标注在户型图的四周,但是有些户型图中的尺寸标注却存在“误标”和“错标”的情况,会导致用户对住房的各个区域的大小及比例判断错误,甚至出现买房“误购”的现象。现有的对户型图比例进行自动修正的方法中,对户型图尺寸识别的速率与准确率都不高,因此,如何更加精确、快速的识别户型图中各区域尺寸是亟待解决的难点。
发明内容
本发明的主要目的在于提供一种智能户型尺寸验证方法、装置、设备及可读存储介质,旨在解决现有技术中对户型图中的尺寸识别准确率低的技术问题。
为实现上述目的,本发明提供一种智能户型尺寸验证方法,所述智能户型尺寸验证方法包括:
获取待识别的二维户型图;
基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确;
若所述尺寸信息不正确,则基于预设规则对所述尺寸信息进行修改,并将修改后的所述尺寸信息标示在所述二维户型图上。
可选地,所述获取待识别的二维户型图的步骤包括:
当接收到基于二维户型图的尺寸识别请求时,获取所述尺寸识别请求对应的二维户型图。
可选地,所述基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确的步骤之前,还包括:
获取待训练的二维户型图样本,并基于所述二维户型图样本对预设的尺寸识别模型进行离线训练;
保存离线训练后的所述预设的尺寸识别模型。
可选地,所述获取待训练的二维户型图样本,并基于所述二维户型图样本对预设的尺寸识别模型进行离线训练的步骤包括:
获取待训练的二维户型图样本,其中,所述待训练的二维户型图样本带有尺寸信息;
基于所述二维户型图样本对预设的尺寸识别模型进行离线训练,以便所述预设的尺寸识别模型输出所述二维户型图样本的尺寸信息;
当检测到所述预设的尺寸识别模型开始收敛时,确认所述预设的尺寸识别模型离线训练完成。
可选地,所述基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确的步骤包括:
将所述待识别的二维户型图输入至预设的尺寸识别模型中,得到所述预设的尺寸识别模型输出的所述二维户型图中的尺寸信息,其中,所述尺寸信息包括线段信息、尺寸数字;
基于比例尺恒等式对所述尺寸信息进行验证,并判断所述尺寸信息是否正确。
可选地,所述将所述待识别的二维户型图输入至预设的尺寸识别模型中,得到所述预设的尺寸识别模型输出的所述二维户型图中的尺寸信息的步骤包括:
对所述二维户型图进行预处理;
将预处理后的所述二维户型图输入至预设的卷积神经网络中,得到所述预设的卷积神经网络输出的所述二维户型图的特征图;
基于区域候选网络RPN对所述特征图进行识别,得到所述特征图中的线段信息,其中,所述线段信息包括线段坐标、线段方向、线段长度;
基于场景文本检测算法CTPN对所述特征图中的尺寸数字进行识别,得到所述尺寸数字的位置信息及尺寸数字对应的数值。
可选地,所述若所述尺寸信息不正确,则基于预设规则对所述尺寸信息进行修改,并将修改后的所述尺寸信息标示在所述二维户型图上的步骤包括:
若所述尺寸数字不正确,则基于比例尺恒等式对所述尺寸数字进行修改,并将修改后的所述尺寸数字标示在所述二维户型图上。
此外,为实现上述目的,本发明还提供一种智能户型尺寸验证装置,所述智能户型尺寸验证装置包括:
户型图获取模块,用于获取待识别的二维户型图;
尺寸识别模块,用于基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确;
尺寸修改模块,用于若所述尺寸信息不正确,则基于预设规则对所述尺寸信息进行修改,并将修改后的所述尺寸信息标示在所述二维户型图上。
此外,为实现上述目的,本发明还提供一种智能户型尺寸验证设备,所述智能户型尺寸验证设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能户型尺寸验证程序,所述智能户型尺寸验证程序被所述处理器执行时实现如上所述的智能户型尺寸验证方法的步骤。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质上存储有智能户型尺寸验证程序,所述智能户型尺寸验证程序被处理器执行时实现如上所述的智能户型尺寸验证方法的步骤。
本发明属于人工智能技术领域,提出了一种智能户型尺寸验证方法,首先获取待识别的二维户型图,并基于预设的尺寸识别模型对该二维户型图进行识别,以便预设的尺寸识别模型输出该二维户型图中的尺寸信息,进一步地判断该尺寸信息是否正确,若不正确,则基于预设规则对尺寸信息进行修改,并将修改后的尺寸信息标示在二维户型图上。本发明提出的智能户型尺寸验证方法,通过预设的尺寸识别模型进行二维户型图的尺寸信息识别,识别尺寸的方法新颖、识别速度快且准确率高,当识别出二维户型图中存在错误标注的尺寸信息时,则基于一定规则对误标的尺寸信息进行更正,将正确的尺寸信息标示在户型图中,以便用户正确判断该户型图中各区域大小及比例关系,提升了用户的体验度。
附图说明
图1为本发明实施例方案中涉及的智能户型尺寸验证设备的硬件结构示意图;
图2为本发明智能户型尺寸验证方法第一实施例的流程示意图;
图3为图2中的步骤S20的细化流程示意图;
图4为本发明智能户型尺寸验证方法第二实施例的流程示意图;
图5为本发明智能户型尺寸验证装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:获取待识别的二维户型图;基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确;若所述尺寸信息不正确,则基于预设规则对所述尺寸信息进行修改,并将修改后的所述尺寸信息标示在所述二维户型图上。通过本发明实施例的技术方案,解决了现有技术中对户型图中的尺寸识别准确率低的技术问题。
如图1所示,图1为本发明实施例方案中涉及的智能户型尺寸验证设备的硬件结构示意图。
本发明实施例涉及的智能户型尺寸验证方法主要应用于智能户型尺寸验证设备,该智能户型尺寸验证设备可以是PC、便携计算机、移动终端等具有显示和处理功能的设备。
如图1所示,该智能户型尺寸验证设备可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,智能户型尺寸验证设备还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、Wi-Fi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。当然,智能户型尺寸验证设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的智能户型尺寸验证设备结构并不构成对智能户型尺寸验证设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及智能户型尺寸验证程序。在图1中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001、存储器1005可以设置在智能户型尺寸验证装置中,所述智能户型尺寸验证装置通过处理器1001调用存储器1005中存储的智能户型尺寸验证程序,并执行本发明实施例提供的智能户型尺寸验证方法。
本实施例提供的方案,首先获取待识别的二维户型图,并基于预设的尺寸识别模型对该二维户型图进行识别,以便预设的尺寸识别模型输出该二维户型图中的尺寸信息,进一步地判断该尺寸信息是否正确,若不正确,则基于预设规则对尺寸信息进行修改,并将修改后的尺寸信息标示在二维户型图上。本发明提出的智能户型尺寸验证方法,通过预设的尺寸识别模型进行二维户型图的尺寸信息识别,识别尺寸的方法新颖、识别速度快且准确率高,当识别出二维户型图中存在错误标注的尺寸信息时,则基于一定规则对误标的尺寸信息进行更正,将正确的尺寸信息标示在户型图中,以便用户正确判断该户型图中各区域大小及比例关系,提升了用户的体验度。
基于上述硬件结构,提出本发明智能户型尺寸验证方法实施例。
参照图2,图2为本发明智能户型尺寸验证方法第一实施例的流程示意图,在该实施例中,所述方法包括:
步骤S10,获取待识别的二维户型图;
首先,当用户或工作人员需要进行户型图的尺寸识别时,即可在尺寸识别终端中进行操作,上传需进行尺寸识别的二维户型图,并触发户型图尺寸识别指令,其中,该尺寸识别终端可以是个人计算机、手机、平板电脑等。当尺寸识别终端接收到基于二维户型图的尺寸识别请求时,即可获取该尺寸识别请求对应的二维户型图,并将其放入预设的尺寸识别模型中,以便该预设的尺寸识别模型将二维户型图中的尺寸一一识别出来。
步骤S20,基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确;若是,则执行步骤S30;
在本实施例中,使用预设的尺寸识别模型对输入的二维户型图进行尺寸识别,以输出其中的尺寸信息,具体地,如图3所示,所述步骤S20具体包括:
步骤S21,将所述待识别的二维户型图输入至预设的尺寸识别模型中,得到所述预设的尺寸识别模型输出的所述二维户型图中的尺寸信息,其中,所述尺寸信息包括线段信息、尺寸数字;
在本实施例中,预设的尺寸识别模型中对二维户型图中的尺寸标注进行识别包括三个部分:对二维户型图中的线段进行识别、对尺寸标注的数字进行识别,其中,对线段进行识别采用的算法是Faster R-CNN,对数字进行识别采用的是CTPN(场景文本检测)+DenseNet。
具体地,对二维户型图中的线段进行识别的过程如下:首先,对输入的二维户型图进行预处理,主要包括去均值、归一化及白化处理,去均值的目的是把输入的样本数据中各个维度都中心化为0,即把样本中的中心拉回到坐标系原点上;归一化的目的是将数据的幅度归一化到同样的范围,减少各维度数据取值范围的差异而带来的干扰;白化是对数据各个特征轴上的幅度归一化。通过上述步骤,对二维户型图进行了特征加强。
进一步地,将预处理后的二维户型图输入至预设的卷积神经网络中,进行特征图的提取。具体地,在本实施例中,预设的卷积神经网络包括13个卷积层、13个激励层和4个池化层,对于卷积层的卷积核kernel为3*3,填充值为1,填充值的作用是为了使卷积层不改变输入和输出矩阵大小;池化层的卷积核为2*2,步幅为2*2。通过对二维户型图进行卷积、激励、池化等操作,可得到一个特征向量,该特征向量即表征了该二维户型图对应的特征图的向量信息。
进一步地,将上述获得的特征图输入至RPN(区域候选网络)中,进行线段的初步定位与识别。首先,将上述特征图进行一个3*3的卷积计算,获得一个256维的向量,再基于尺度变换的方式计算这256维向量每个像素的9个anchors(候选窗口),以便基于soft max对anchors进行分类,以确定anchors的foreground(前景)和background(背景);同时,计算对于anchors的bounding box regression偏移量,以此初步确定Proposal(候选区域)。最后,基于foreground anchors和bounding box regression偏移量获取最终的Proposal,并剔除太小和超出边界的Proposal,即可完成目标线段的定位。进一步地,对上述完成线段初步定位与识别的特征图和经过预设的卷积神经网络获得的特征图,进行max_pooling(最大池化)处理,以便输出固定大小的特征图。
进一步地,对上一步获得的固定大小的特征图进行更细化的定位与识别。具体地,是通过full connect(全连接)层与soft max对上述获得的候选区域的特征图进行计算,用于更加精确的目标线段确定。可以理解的是,在本实施例中,在通过full connect(全连接)层进行目标线段的判断时,还采用了SVD(Singular Value Decomposition,奇异值分解)算法进行分解以加速全连接层的计算。具体地,是把一个全连接层拆分为两个全连接层,第一个全连接层不含偏置,第二个全连接层含偏置,计算过程如下:
假设全连接层的输入数据为x,输出数据为y,全连接层参数为W,尺寸为u×v,则该层的全连接计算为y=Wx,计算复杂度为u×v。若将W进行SVD分解,并用前t个特征值近似代替,即:W=U∑VT≈U(u,1:t)*∑(1:t,1:t)*V(v,1:t)T,那么原来的前向传播分解成两步:y=Wx=U*(∑·VT)*x=U*z,计算复杂度为u×t+v×t,若t<min(u,v),则这种分解会大大减少计算量。
通过Faster R-CNN算法对二维户型图进行处理后,即可得到二维户型图中的目标线段的线段信息,包括线段坐标、线段朝向及线段长度等,具体地,线段长度是指线段的像素长度。
具体地,对二维户型图中的尺寸数字进行识别的过程如下:采用CTPN算法,首先,利用VGG-16(卷积神经网络模型)的前5个卷积层进行特征图提取,确定该二维户型图的特征图,大小为W*H*C;然后,利用一个3*3的滑动窗口在该特征图上提取特征,也就是每个滑动窗口都能得到一个长度为3*3*C的特征向量,这个这些特征向量将用来预测和k个anchor(候选窗口)之间的偏移距离,即每一个窗口中心都会预测出k个text propsoal(目标待选区域);将上一步得到的特征向量输入到一个双向的LSTM(Long Short-TermMemory,长短期记忆网络)中,得到长度为W*256的输出,然后将这个结果输入到一个512维的全连接层,并进行输出,输出层主要包括三个部分,依次为2k个vertical coordinate,2k个score和k个side-refinement,其中,2k个vertical coordinate表示选择框的高度和中心的y轴坐标,2k个score表示的是k的anchor的类别信息,说明其是否为字符,k个side-refinement表示的是选择框的水平偏移量。在本实施例中,anchor(候选窗口)的水平宽度都是16个像素,最后使用基于图的文本行构造算法,将得到的一个个文本段合并成文本行。
进一步地,基于DenseNet算法进行文本信息,即尺寸数字的识别,具体地,DenseNet模型中共有5层,相比于传统的卷积神经网络,DenseNet中每一层的输入来自前面所有层的输出,这种连接方式使得特征和梯度的传递更加有效,网络也更加容易训练。
步骤S22,基于比例尺恒等式对所述尺寸信息进行验证,并判断所述尺寸信息是否正确。
基于DenseNet算法识别出该二维户型图上标注的尺寸的数字后,进一步地,将识别出的线段与数字匹配对应起来,以评估比例尺是否正确,从而判断尺寸标注的数字是否准确。
具体地,是根据比例尺恒等式来判断,即:X1/X2=L1/L2,其中,X1、X2表示的是线段的像素长度,L1、L2表示的是二维户型图中标注的尺寸数字代表的长度,若识别出的线段长度和尺寸数字满足上述比例尺恒等式,则表明二维户型图中的尺寸标注是正确的,若不满足,则表明二维户型图中的尺寸标注是错误的。
步骤S30,基于预设规则对所述尺寸信息进行修改,并将修改后的所述尺寸信息标示在所述二维户型图上。
进一步地,若识别出的线段长度和尺寸数字不满足比例尺恒等式,则表明二维户型图中的尺寸标注是错误的,进一步地利用比例尺恒等式,修改误标的尺寸长度,在比例尺恒等式中,X1、X2表示的是线段的像素长度,是基于Faster R-CNN从二维户型图中识别得到,因此,基于线段长度的准确性,通过比例尺恒等式,可以对误标的尺寸数字进行修改。并将修改后的正确的尺寸标注数值标示在该二维户型图上,具体地,可以是标示在该误标的尺寸标注数值旁,以便用户正确判断该户型图中各区域大小及比例关系。
在本实施例中,首先获取待识别的二维户型图,并基于预设的尺寸识别模型对该二维户型图进行识别,以便预设的尺寸识别模型输出该二维户型图中的尺寸信息,进一步地判断该尺寸信息是否正确,若不正确,则基于预设规则对尺寸信息进行修改,并将修改后的尺寸信息标示在二维户型图上。本发明提出的智能户型尺寸验证方法,通过预设的尺寸识别模型进行二维户型图的尺寸信息识别,识别尺寸的方法新颖、识别速度快且准确率高,当识别出二维户型图中存在错误标注的尺寸信息时,则基于一定规则对误标的尺寸信息进行更正,将正确的尺寸信息标示在户型图中,以便用户正确判断该户型图中各区域大小及比例关系,提升了用户的体验度。
进一步的,参照图4,基于上述实施例,提出本发明智能户型尺寸验证方法第二实施例,在本实施例中,所述步骤S20之前还包括:
步骤S40,获取待训练的二维户型图样本,并基于所述二维户型图样本对预设的尺寸识别模型进行离线训练;
在本实施例中,使用预设的尺寸识别模型对输入的二维户型图进行尺寸识别,以输出其中的尺寸信息,可以理解的是,该预设的尺寸识别模型是事先经过离线训练得到的。
具体地,通过获取大量的待训练的二维户型图样本,对预设的尺寸识别模型进行离线训练,在本实施例中,该待训练的二维户型图样本是带有少量标注的二维平面户型图样本,其中的标注可以是对户型图中的墙体、装饰组件、户型尺寸及住房区域等进行标注。
进一步地,将该带有标注的二维户型图样本输入至预设的尺寸识别模型中进行离线训练,该预设的尺寸识别模型输出的结果是该二维户型图样本中的尺寸信息。具体地,通过二维户型图样本对预设的尺寸识别模型进行离线训练的过程,与上述预设的尺寸识别模型对二维户型图进行识别的过程相同,首先,通过对二维户型图进行预处理,主要包括去均值、归一化及白化处理等,对二维户型图进行特征加强;其次,将预处理后的二维户型图输入至预设的卷积神经网络中,预设的卷积神经网络包括13个卷积层、13个激励层和4个池化层,通过对二维户型图样本进行卷积、激励、池化等操作,进行特征图的提取;进一步地,利用RPN确定特征图中的线段及其所在位置;最后,通过full connect(全连接)层与soft max进行线段的精确定位。
基于以上过程,通过二维户型图样本对预设的尺寸识别模型不断地进行离线训练,离线训练过程中,当检测到预设的尺寸识别模型开始收敛时,即可判定当前离线训练完成,具体地,判定预设的尺寸识别模型收敛可以包括但不限于以下几种情况:训练次数达到了预设次数、训练时间达到了预设时间、训练的损失函数趋近于零,具体可根据实际情况进行设置。
步骤S50,保存离线训练后的所述预设的尺寸识别模型。
进一步地,当确定预设的尺寸识别模型的离线训练完成后,保存该离线训练后的尺寸识别模型,以便将其用于二维户型图的尺寸在线识别中。
在本实施例中,通过待训练的二维户型图样本,对预设的尺寸识别模型进行离线训练,当检测到预设的尺寸识别模型开始收敛时,判定离线训练完成。本发明提出的智能户型尺寸验证方法,通过二维户型图样本,事先对预设的尺寸识别模型进行离线训练,有效地提高了尺寸识别模型后续进行在线识别的速度和准确率。
此外,本发明实施例还提供一种智能户型尺寸验证装置。
参照图5,图5为本发明智能户型尺寸验证装置第一实施例的功能模块示意图。
本实施例中,所述智能户型尺寸验证装置包括:
户型图获取模块10,用于获取待识别的二维户型图;
尺寸识别模块20,用于基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确;
尺寸修改模块30,用于若所述尺寸信息不正确,则基于预设规则对所述尺寸信息进行修改,并将修改后的所述尺寸信息标示在所述二维户型图上。
进一步地,所述户型图获取模块10具体包括:
户型图获取单元,用于当接收到基于二维户型图的尺寸识别请求时,获取所述尺寸识别请求对应的二维户型图。
进一步地,所述智能户型尺寸验证装置还包括:
离线训练单元,用于获取待训练的二维户型图样本,并基于所述二维户型图样本对预设的尺寸识别模型进行离线训练;
模型保存单元,用于保存离线训练后的所述预设的尺寸识别模型。
进一步地,所述离线训练单元具体包括:
户型图样本获取子单元,用于获取待训练的二维户型图样本,其中,所述待训练的二维户型图样本带有尺寸信息;
离线训练子单元,用于基于所述二维户型图样本对预设的尺寸识别模型进行离线训练,以便所述预设的尺寸识别模型输出所述二维户型图样本的尺寸信息;
离线训练完成子单元,用于当检测到所述预设的尺寸识别模型开始收敛时,确认所述预设的尺寸识别模型离线训练完成。
进一步地,所述尺寸识别模块20具体包括:
尺寸识别单元,用于将所述待识别的二维户型图输入至预设的尺寸识别模型中,得到所述预设的尺寸识别模型输出的所述二维户型图中的尺寸信息,其中,所述尺寸信息包括线段信息、尺寸数字;
尺寸验证单元,用于基于比例尺恒等式对所述尺寸信息进行验证,并判断所述尺寸信息是否正确。
进一步地,所述尺寸识别单元具体包括:
预处理子单元,用于对所述二维户型图进行预处理;
特征图提取子单元,用于将预处理后的所述二维户型图输入至预设的卷积神经网络中,得到所述预设的卷积神经网络输出的所述二维户型图的特征图;
线段信息识别子单元,用于基于区域候选网络RPN对所述特征图进行识别,得到所述特征图中的线段信息,其中,所述线段信息包括线段坐标、线段方向、线段长度;
尺寸数字识别子单元,用于基于场景文本检测算法CTPN对所述特征图中的尺寸数字进行识别,得到所述尺寸数字的位置信息及尺寸数字对应的数值。
进一步地,所述尺寸修改模块30具体包括:
尺寸修改单元,用于若所述尺寸数字不正确,则基于比例尺恒等式对所述尺寸数字进行修改,并将修改后的所述尺寸数字标示在所述二维户型图上。
其中,上述智能户型尺寸验证装置中各个模块与上述智能户型尺寸验证方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
此外,本发明实施例还提出一种可读存储介质,所述可读存储介质上存储有智能户型尺寸验证程序,所述智能户型尺寸验证程序被处理器执行时实现如上所述的智能户型尺寸验证方法的步骤。
其中,智能户型尺寸验证程序被执行时所实现的方法可参照本发明智能户型尺寸验证方法的各个实施例,此处不再赘述。
本实施例提供的方案,首先获取待识别的二维户型图,并基于预设的尺寸识别模型对该二维户型图进行识别,以便预设的尺寸识别模型输出该二维户型图中的尺寸信息,进一步地判断该尺寸信息是否正确,若不正确,则基于预设规则对尺寸信息进行修改,并将修改后的尺寸信息标示在二维户型图上。本发明提出的智能户型尺寸验证方法,通过预设的尺寸识别模型进行二维户型图的尺寸信息识别,识别尺寸的方法新颖、识别速度快且准确率高,当识别出二维户型图中存在错误标注的尺寸信息时,则基于一定规则对误标的尺寸信息进行更正,将正确的尺寸信息标示在户型图中,以便用户正确判断该户型图中各区域大小及比例关系,提升了用户的体验度。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种智能户型尺寸验证方法,其特征在于,所述智能户型尺寸验证方法包括以下步骤:
获取待识别的二维户型图;
基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确;
若所述尺寸信息不正确,则基于预设规则对所述尺寸信息进行修改,并将修改后的所述尺寸信息标示在所述二维户型图上。
2.如权利要求1所述的智能户型尺寸验证方法,其特征在于,所述获取待识别的二维户型图的步骤包括:
当接收到基于二维户型图的尺寸识别请求时,获取所述尺寸识别请求对应的二维户型图。
3.如权利要求1所述的智能户型尺寸验证方法,其特征在于,所述基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确的步骤之前,还包括:
获取待训练的二维户型图样本,并基于所述二维户型图样本对预设的尺寸识别模型进行离线训练;
保存离线训练后的所述预设的尺寸识别模型。
4.如权利要求3所述的智能户型尺寸验证方法,其特征在于,所述获取待训练的二维户型图样本,并基于所述二维户型图样本对预设的尺寸识别模型进行离线训练的步骤包括:
获取待训练的二维户型图样本,其中,所述待训练的二维户型图样本带有尺寸信息;
基于所述二维户型图样本对预设的尺寸识别模型进行离线训练,以便所述预设的尺寸识别模型输出所述二维户型图样本的尺寸信息;
当检测到所述预设的尺寸识别模型开始收敛时,确认所述预设的尺寸识别模型离线训练完成。
5.如权利要求1所述的智能户型尺寸验证方法,其特征在于,所述基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确的步骤包括:
将所述待识别的二维户型图输入至预设的尺寸识别模型中,得到所述预设的尺寸识别模型输出的所述二维户型图中的尺寸信息,其中,所述尺寸信息包括线段信息、尺寸数字;
基于比例尺恒等式对所述尺寸信息进行验证,并判断所述尺寸信息是否正确。
6.如权利要求5所述的智能户型尺寸验证方法,其特征在于,所述将所述待识别的二维户型图输入至预设的尺寸识别模型中,得到所述预设的尺寸识别模型输出的所述二维户型图中的尺寸信息的步骤包括:
对所述二维户型图进行预处理;
将预处理后的所述二维户型图输入至预设的卷积神经网络中,得到所述预设的卷积神经网络输出的所述二维户型图的特征图;
基于区域候选网络RPN对所述特征图进行识别,得到所述特征图中的线段信息,其中,所述线段信息包括线段坐标、线段方向、线段长度;
基于场景文本检测算法CTPN对所述特征图中的尺寸数字进行识别,得到所述尺寸数字的位置信息及尺寸数字对应的数值。
7.如权利要求1所述的智能户型尺寸验证方法,其特征在于,所述若所述尺寸信息不正确,则基于预设规则对所述尺寸信息进行修改,并将修改后的所述尺寸信息标示在所述二维户型图上的步骤包括:
若所述尺寸数字不正确,则基于比例尺恒等式对所述尺寸数字进行修改,并将修改后的所述尺寸数字标示在所述二维户型图上。
8.一种智能户型尺寸验证装置,其特征在于,所述智能户型尺寸验证装置包括:
户型图获取模块,用于获取待识别的二维户型图;
尺寸识别模块,用于基于预设的尺寸识别模型对所述二维户型图进行识别,以输出所述二维户型图中的尺寸信息,并判断所述尺寸信息是否正确;
尺寸修改模块,用于若所述尺寸信息不正确,则基于预设规则对所述尺寸信息进行修改,并将修改后的所述尺寸信息标示在所述二维户型图上。
9.一种智能户型尺寸验证设备,其特征在于,所述智能户型尺寸验证设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能户型尺寸验证程序,所述智能户型尺寸验证程序被所述处理器执行时实现如权利要求1至7中任一项所述的智能户型尺寸验证方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有智能户型尺寸验证程序,所述智能户型尺寸验证程序被处理器执行时实现如权利要求1至7中任一项所述的智能户型尺寸验证方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910202230.9A CN110111298A (zh) | 2019-03-16 | 2019-03-16 | 智能户型尺寸验证方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910202230.9A CN110111298A (zh) | 2019-03-16 | 2019-03-16 | 智能户型尺寸验证方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110111298A true CN110111298A (zh) | 2019-08-09 |
Family
ID=67484312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910202230.9A Pending CN110111298A (zh) | 2019-03-16 | 2019-03-16 | 智能户型尺寸验证方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110111298A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222508A (zh) * | 2020-01-13 | 2020-06-02 | 江苏艾佳家居用品有限公司 | 基于roi的户型图比例尺识别方法、装置、计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568038A (zh) * | 2011-12-28 | 2012-07-11 | 西北工业大学 | 将二维工程图上的尺寸转移到三维cad模型上的方法 |
JP2013218736A (ja) * | 2013-07-29 | 2013-10-24 | Canon Marketing Japan Inc | 情報処理装置、設計モデル管理システム、情報処理装置の制御方法、及びプログラム |
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 |
CN108268748A (zh) * | 2018-04-26 | 2018-07-10 | 南京信息工程大学 | 一种基于机器学习的住宅户型图电气设计方法 |
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 |
-
2019
- 2019-03-16 CN CN201910202230.9A patent/CN110111298A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568038A (zh) * | 2011-12-28 | 2012-07-11 | 西北工业大学 | 将二维工程图上的尺寸转移到三维cad模型上的方法 |
JP2013218736A (ja) * | 2013-07-29 | 2013-10-24 | Canon Marketing Japan Inc | 情報処理装置、設計モデル管理システム、情報処理装置の制御方法、及びプログラム |
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 |
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 |
CN108268748A (zh) * | 2018-04-26 | 2018-07-10 | 南京信息工程大学 | 一种基于机器学习的住宅户型图电气设计方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222508A (zh) * | 2020-01-13 | 2020-06-02 | 江苏艾佳家居用品有限公司 | 基于roi的户型图比例尺识别方法、装置、计算机设备 |
CN111222508B (zh) * | 2020-01-13 | 2022-08-12 | 江苏艾佳家居用品有限公司 | 基于roi的户型图比例尺识别方法、装置、计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232311B (zh) | 手部图像的分割方法、装置及计算机设备 | |
CN108229509B (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN108229296B (zh) | 人脸皮肤属性识别方法和装置、电子设备、存储介质 | |
CN110728209B (zh) | 一种姿态识别方法、装置、电子设备及存储介质 | |
CN105825524B (zh) | 目标跟踪方法和装置 | |
CN109934847B (zh) | 弱纹理三维物体姿态估计的方法和装置 | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN111259889A (zh) | 图像文本识别方法、装置、计算机设备及计算机存储介质 | |
CN108399386A (zh) | 饼图中的信息提取方法及装置 | |
US20160125243A1 (en) | Human body part detection system and human body part detection method | |
CN103793926B (zh) | 基于样本重选择的目标跟踪方法 | |
CN110033018A (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
CN111368682B (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
US11941838B2 (en) | Methods, apparatuses, devices and storage medium for predicting correlation between objects | |
CN111985518A (zh) | 门窗检测方法及其模型训练的方法、装置 | |
CN109816634B (zh) | 检测方法、模型训练方法、装置及设备 | |
CN109345460B (zh) | 用于矫正图像的方法和装置 | |
Ghazaei et al. | Dealing with ambiguity in robotic grasping via multiple predictions | |
US20230290174A1 (en) | Weakly supervised semantic parsing | |
CN111382791B (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
CN110059721A (zh) | 户型图区域识别方法、装置、设备及计算机可读存储介质 | |
US20220300774A1 (en) | Methods, apparatuses, devices and storage media for detecting correlated objects involved in image | |
CN110111298A (zh) | 智能户型尺寸验证方法、装置、设备及可读存储介质 | |
CN113378852A (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
CN110321821B (zh) | 基于三维投影的人脸对齐初始化方法及装置、存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190809 |