CN110633553B - 一种住宅户型平面图自动生成方法和系统 - Google Patents

一种住宅户型平面图自动生成方法和系统 Download PDF

Info

Publication number
CN110633553B
CN110633553B CN201910952689.0A CN201910952689A CN110633553B CN 110633553 B CN110633553 B CN 110633553B CN 201910952689 A CN201910952689 A CN 201910952689A CN 110633553 B CN110633553 B CN 110633553B
Authority
CN
China
Prior art keywords
house type
room
neural network
information
rooms
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.)
Active
Application number
CN201910952689.0A
Other languages
English (en)
Other versions
CN110633553A (zh
Inventor
郑豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201910952689.0A priority Critical patent/CN110633553B/zh
Publication of CN110633553A publication Critical patent/CN110633553A/zh
Application granted granted Critical
Publication of CN110633553B publication Critical patent/CN110633553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种住宅户型平面图自动生成方法和系统，包括：获取用户的矢量坐标格式的户型边界信息；根据所述户型边界信息，使用训练好的人工神经网络模型生成生成若干房间，从中提取合理房间，对所有的合理房间进行排列组合，获得多件矢量坐标格式的户型平面图；对每件矢量坐标格式的户型平面图进行拓补学优化，获得对应的色块平面图；根据每件色块平面图，使用训练好的生成对抗式神经网络模型生成对应的户型平面彩绘图；所有的户型平面彩绘图构成最终的住宅户型平面图。本发明能够针对用户给定的居住建筑的室内户型边界，快速生成多种可行的室内设计平面图，以满足各种用户的需要。

Description

一种住宅户型平面图自动生成方法和系统
技术领域
本发明涉及住宅户型计算机设计领域，尤指一种住宅户型平面图自动生成方法和系统。
背景技术
随着房地产行业的发展，全国各地的住宅楼建造的越来越多，对住宅户型的设计需求量也越来越大。
目前市面上常见的住宅户型平面图设计方法主要有两种：
一是算法驱动的生成式设计方法。该方法，需要用户输入每种户型图的详细参数，比如户型边界和卧室客厅等各个房间的数量和面积，然后服务器根据用户的输入要求，运行枚举和优化等算法，计算出合适的输出户型平面图。该方法根据随机变量的不同，可以对同一种输入生成多种可行的解，但是每生成一种解都需要大量的时间(实测5分钟左右)，难以满足持续增长的需求量。
二是数据驱动的单一神经网络，对平面图以图像的模式进行机器学习，然后使用拟合的数学模型生成平面图。这种方法，只要求用户输入户型边界，基于生成图像类的单一神经网络模式，服务器生成唯一对应的解。因此生成出来的解不能保证每个房间的配置是用户想要的，但生成时间很快(实测1秒左右)。比如用户给了一个100平方米左右的房间，那神经网络模型有极大可能返回一个3室2厅的户型(因为训练数据集里大部分都是这种户型)。但用户可能想要2室1厅的结构，目前这种技术没法做到。
由于对于用户提供的户型边界，只能输出一种合适的解，难以满足用户多方面的评价标准，实践中生成的平面图经常被用户拒绝，没有可选择性。
发明内容
本发明的目的是提供一种住宅户型平面图自动生成方法和系统，能够针对用户给定的居住建筑的室内户型边界，快速生成多种可行的室内设计平面图，以满足各种用户的需要。
本发明提供的技术方案如下：
一种住宅户型平面图自动生成方法，包括：获取用户的矢量坐标格式的户型边界信息；根据所述户型边界信息，使用训练好的人工神经网络模型生成若干房间；从所述若干房间中提取合理房间；对所有的合理房间进行排列组合，获得多件矢量坐标格式的户型平面图；对每件矢量坐标格式的户型平面图进行拓补学优化，获得对应的色块平面图；根据每件色块平面图，使用训练好的生成对抗式神经网络模型生成对应的户型平面彩绘图；所有的户型平面彩绘图构成最终的住宅户型平面图。
进一步，获得所述训练好的人工神经网络模型和所述训练好的生成对抗式神经网络模型包含：收集若干设计好的包含各种户型的住宅户型平面图，根据每个设计好的住宅户型平面图获得对应的户型边界信息、矢量坐标格式的户型平面图、色块平面图、和户型平面彩绘图；将所有的户型边界信息和矢量坐标格式的户型平面图构成第一训练数据，将所有的色块平面图和户型平面彩绘图构成第二训练数据；用所述第一训练数据训练人工神经网络；当所述第一训练数据的户型平面图中每个房间所对应的单位网格输出正确的房间信息时，所述人工神经网络收敛；当所述人工神经网络收敛时，得到训练好的人工神经网络模型；用所述第二训练数据训练生成对抗式神经网络；当所述生成对抗式神经网络收敛时，得到训练好的生成对抗式神经网络模型。
进一步，所述的根据所述户型边界信息，使用训练好的人工神经网络模型生成若干房间，包括：根据所述户型边界信息，将对应的户型边界在x轴向和y轴向按不等比例缩放至预设尺寸的网格中，获得训练好的人工神经网络模型的输入层神经元信息，所述输入层神经元信息包括被户型边界覆盖到的单位网格、x轴向和y轴向的缩放比例、户型边界的对外开门位置信息；根据所述输入层神经元信息，使用所述训练好的人工神经网络模型获得输出层神经元信息，所述输出层神经元信息包括所有单位网格上的房间信息；根据所有单位网格上的房间信息生成若干房间。
进一步，所述根据所有单位网格上的房间信息生成若干房间，包括：根据每个单位网格上的房间信息判断所述单位网格上是否存在房间；当所述单位网格上存在房间时，根据所述单位网格上的房间信息得到所述房间的位置及尺寸信息；根据所有得到的房间的位置及尺寸信息，生成若干房间。
进一步，所述房间的位置信息为所述房间的中心点坐标。
进一步，所述的从所述若干房间中提取合理房间，包括：选择输出概率大于预设概率门限的、位置信息正确的、在户型边界内的、长宽比例合适的房间，作为合理房间。
进一步，所述的对每件矢量坐标格式的户型平面图进行拓补学优化，获得对应的色块平面图，包括：将所述矢量坐标格式的户型平面图中各个房间的房间边框向外扩展至互相贴合，并根据房间类型用预设颜色填充，获得对应的色块平面图。
本发明还提供一种住宅户型平面图自动生成系统，包括：户型边界获取模块，用于获取用户的矢量坐标格式的户型边界信息；矢量图生成模块，用于根据所述户型边界信息，使用训练好的人工神经网络模型生成若干房间；从所述若干房间中提取合理房间；对所有的合理房间进行排列组合，获得多件矢量坐标格式的户型平面图；色块图生成模块，用于对每件矢量坐标格式的户型平面图进行拓补学优化，获得对应的色块平面图；彩绘图生成模块，用于根据每件色块平面图，使用训练好的生成对抗式神经网络模型生成对应的户型平面彩绘图；所有的户型平面彩绘图构成最终的住宅户型平面图。
进一步，还包括：模型构建模块，用于收集若干设计好的包含各种户型的住宅户型平面图，根据每个设计好的住宅户型平面图获得对应的户型边界信息、矢量坐标格式的户型平面图、色块平面图、和户型平面彩绘图；将所有的户型边界信息和矢量坐标格式的户型平面图构成第一训练数据，将所有的色块平面图和户型平面彩绘图构成第二训练数据；用所述第一训练数据训练人工神经网络；当所述第一训练数据的户型平面图中每个房间所对应的单位网格输出正确的房间信息时，所述人工神经网络收敛；当所述人工神经网络收敛时，得到训练好的人工神经网络模型；用所述第二训练数据训练生成对抗式神经网络；当所述生成对抗式神经网络收敛时，得到训练好的生成对抗式神经网络模型。
进一步，所述矢量图生成模块，进一步用于根据所述户型边界信息，将对应的户型边界在x轴向和y轴向按不等比例缩放至预设尺寸的网格中，获得训练好的人工神经网络模型的输入层神经元信息，所述输入层神经元信息包括被户型边界覆盖到的单位网格、x轴向和y轴向的缩放比例、户型边界的对外开门位置信息；根据所述输入层神经元信息，使用所述训练好的人工神经网络模型获得输出层神经元信息，所述输出层神经元信息包括所有单位网格上的房间信息；根据所有单位网格上的房间信息生成若干房间。
通过本发明提供的一种住宅户型平面图自动生成方法和系统，能够带来以下有益效果：
本发明针对用户给定的居住建筑的室内户型边界，可以快速生成多种可行的室内设计平面图，以满足各种用户的需要。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对一种住宅户型平面图自动生成方法和系统的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明的一种住宅户型平面图自动生成方法的一个实施例的流程图；
图2是本发明的一种住宅户型平面图自动生成方法的另一个实施例的流程图；
图3是本发明的一种住宅户型平面图自动生成系统的一个实施例的结构示意图；
图4是本发明的一种住宅户型平面图自动生成系统的另一个实施例的结构示意图；
图5-a是一种矢量坐标格式的户型边界的示意图，图5-b是一种矢量坐标格式的户型平面图的示意图，图5-c是一种色块平面图的示意图，图5-d是一种图片格式的户型平面彩绘图的示意图；
图6是一种人工神经网络模型的结构示意图；
图7是一种从若干房间中提取合理房间的示意图；
图8是一种根据合理房间生成多件矢量坐标格式的户型平面图的示意图；
图9是一种拓扑学优化的过程示意图。
附图标号说明：
100.户型边界获取模块，200.矢量图生成模块，300.色块图生成模块，400.彩绘图生成模块，500.模型构建模块。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
在本发明的一个实施例中，如图1所示，一种住宅户型平面图自动生成方法，包括：
步骤S200获取用户的矢量坐标格式的户型边界信息。
具体的，矢量坐标格式的户型边界信息，又称为矢量CAD格式的户型边界信息，是指通过CAD矢量图表示的户型外边界，如图5-a所示。CAD矢量图与位图(又称像素图)不一样，它不是图片格式的数据文件。可以通过现有软件将图片格式的毛坯住宅户型图，转换为CAD矢量图，从所述CAD矢量图中提取矢量坐标格式的户型边界信息。
步骤S310根据所述户型边界信息，使用训练好的人工神经网络模型生成若干房间；
步骤S320从所述若干房间中提取合理房间；
步骤S330对所有的合理房间进行排列组合，获得多件矢量坐标格式的户型平面图。
具体的，人工神经网络模型采用人工神经网络(ANN，Artificial NeuralNetworks)结构构建，至少包括一个输入层和一个输出层，输入层和输出层各包含若干神经元。
矢量坐标格式的户型边界信息需要符合人工神经网络的输入层格式。将户型边界信息输入训练好的人工神经网络模型，得到输出层神经元信息。输出层神经元信息反映了各种可能的各种类型的房间，此处的房间是指非过道的有一定功能的区域，比如，卧室、客厅、餐厅、卫生间、厨房、阳台等，由房间边界所围成的封闭框称为房间边框。
从模型输出的各种可能的房间中提取合理房间。合理性的判断遵循一定的经验准则，比如，选择发生概率高(是指高于预设概率门限)的房间，从这些房间中进一步挑选位置信息正确的房间，再进一步选择在户型边界内的房间。位置信息正确的房间是指输出的房间的位置信息和生成该房间的输出神经元的位置相匹配，换而言之，是指按预设规则根据该房间的位置信息，该房间应该由该输出神经元产生。在户型边界内的房间是指该房间在户型边界内的面积占整个房间面积的比例大于预设比例门限。
如图7所示，左边是人工神经网络模型输出的各种房间，右边是提取出的合理房间。得到的合理房间可能存在多个，面积上还可能存在重叠。
对所有的合理房间做排列组合，通过采用不同的方式剔除重叠部分，剩下不重叠的合理房间，生成多件户型内房间布局(即矢量坐标格式的户型平面图)。生成过程如图8所示，左边为所挑选出的合理房间，右边为排列组合，3种排列组合仅是示意。
矢量坐标格式的户型平面图是使用普通规则图形框(通常为矩形框，也可能存在圆形或半圆形等曲线框，比如半圆形的阳台)简化表示房间的户型平面图，比如，如图5-b所示，每个矩形框用于表示一种房间，比如卧室、客厅、餐厅、厕所、厨房、阳台等。
由于人工神经网络模型是经过大量的设计好的住宅户型平面图的训练得到，所以该模型输出的房间具有一定的合理性，根据这些房间得到的矢量坐标格式的户型平面图也具有一定的合理性。
步骤S400对每件矢量坐标格式的户型平面图进行拓补学优化，获得对应的色块平面图。
具体的，色块平面图(如图5-c所示)是使用色块简化表示房间的户型平面图，用不同的色块表示户型中不同功能区域，比如绿色表示卧室、蓝色客厅、青色餐厅，紫色厕所，黄色厨房，黑色阳台等。
虽然由人工神经网络模型输出的户型平面图布局已有很高的初步合理性，但还不够精确，所以需要拓补学优化进一步优化布局，同时将矢量坐标格式的平面图转换为图片格式的平面图(即将矢量图转换为位图)。
步骤S500根据每件色块平面图，使用训练好的生成对抗式神经网络模型生成对应的户型平面彩绘图。
步骤S600所有的户型平面彩绘图构成最终的住宅户型平面图。
具体的，使用训练好的生成对抗式神经网络模型，通过将每个色块转换成相应的彩绘图案，比如，绿色为卧室，将绿色色块转换为彩绘的卧室图案，从而将每件色块平面图转换为对应的户型平面彩绘图(如图5-d所示)。所有的户型平面彩绘图构成了最终的户型平面图，供客户从中选择合适的，以满足各类用户的需要。
第一种现有技术采用遗传算法，使用随机的初始状态作为优化计算的开始状态，因此需要大量的运算量将这个随机而不合理的解优化至合理。而本实施例使用训练好的神经网络模型进行户型平面图设计，且使用人工神经网络的输出作为初始状态，其已经具有合理性，只是精确度不足，将初始状态优化至完全合理的状态，大大减轻了运算量，提高了运行速度。
本实施例，通过使用人工神经网络模型和矢量坐标格式处理数据，可根据用户的户型边界信息生成多件矢量坐标格式的户型平面图；再通过生成对抗式神经网络模型将每件矢量坐标格式的户型平面图转换为图片格式的户型平面彩绘图，从而得到多件最终的户型平面图，供客户选择。本实施例相比于第二种现有技术，提供了多种输出方案供用户选择，大大增加了用户接受度。
在本发明的另一个实施例中，如图2所示，一种住宅户型平面图自动生成方法，包括：
步骤S100获得训练好的人工神经网络模型和生成对抗式神经网络模型。
步骤S200获取用户的矢量坐标格式的户型边界信息。
步骤S340根据所述户型边界信息，将对应的户型边界在x轴向和y轴向按不等比例缩放至预设尺寸的网格中，获得训练好的人工神经网络模型的输入层神经元信息，所述输入层神经元信息包括被户型边界覆盖到的单位网格、x轴向和y轴向的缩放比例、户型边界的对外开门位置信息；
步骤S350根据所述输入层神经元信息，使用所述训练好的人工神经网络模型获得输出层神经元信息，所述输出层神经元信息包括所有单位网格上的房间信息；
步骤S360根据所有单位网格上的房间信息生成若干房间。
步骤S370选择输出概率大于预设概率门限的、位置信息正确的、在户型边界内的、长宽比例合适的房间，作为合理房间；
步骤S380对所有的合理房间进行排列组合，获得多件矢量坐标格式的户型平面图。
步骤S410将所述矢量坐标格式的户型平面图中各个房间的房间边框向外扩展至互相贴合，并根据房间类型用预设颜色填充，获得对应的色块平面图。
步骤S500根据每件色块平面图，使用训练好的生成对抗式神经网络模型生成对应的户型平面彩绘图。
步骤S600所有的户型平面彩绘图构成最终的住宅户型平面图。
具体的，采用图6所示结构的人工神经网络构建人工神经网络模型。该结构包括一个输入层、四个隐藏层和一个输出层，每层与相邻层之间全连接。
输入层包含108个神经元，隐藏层的每层包含2000个神经元，输出层包含1000个神经元。激活函数为S型(sigmoid)函数，损失函数为均方误差(MSE)函数。隐藏层默认层数为4，默认神经元数为2000，这个配置在实际使用中，可根据实际情况和模型表现做调整，比如可增加或减少隐藏层层数、调整每层的神经元数。
确定人工神经网络的输入层和输出层格式：
输入层神经元信息用于反映户型边界和户型边界的对外开门位置信息。
可选地，将户型边界按不等比例缩放至10X10的网格中，然后每个小网格(即单位网格)被户型边界覆盖到的面积依次作为神经网络的前100个神经元(a1-a100)。第101和第102号神经元(scaleX、scaleY)表示缩放过程中X轴向和Y轴向的缩放比例。第103到第108号神经元(x1,y1,x2,y2,x3,y3)表示户型边界的对外开门位置信息。
输出层神经元信息用于反映每个单位网格上的房间信息，比如房间的存在标识、房间类型、房间位置和房间尺寸等。
与输入层格式相对应，输出层包含100组神经元，分别对应10X10网格中的小网格。每个小网格对应一组神经元信息，每组神经元信息用于反映小网格上是否存在房间。可选地，当存在某种类型的房间的中心点位于对应的小网格内，则表明小网格上存在房间；否则，表明小网格上不存在房间。当然，在房间边框为矩形框时，也可以采用房间边框的左上角是否位于对应的小网格内，来判断小网格上是否存在房间。当小网格上不存在房间时，对应的神经元信息均为无效值，比如-1。当小网格上存在房间时，对应的神经元信息均为有效值，比如0、1、2等非-1的值。
进一步地，每组神经元包含10个神经元，其中，前6个神经元(tk，k＝1,2，……6)分别表示6种类型的房间(卧室，客厅，餐厅，卫生间，厨房，阳台)的中心点是否位于该网格位置，从而说明该网格位置是否存在6种类型的房间之一。如果存在，则6个神经元中相应的那个神经元数值为1，其余为0，比如t1为1，则表示该网格位置存在卧室。如果不存在，则6个神经元的数值均为0。后4个神经元(x,y,w,h)为该房间的房间边框的坐标信息，依次为，边框中心点的x坐标和y坐标，边框在x方向上的长度w和在y方向上的长度h。其中，x、y坐标反映了房间的位置，长度w和h反映了房间的尺寸。
以上仅是一个示例，显然每组神经元所包含的神经元数目和每个神经元所表达的信息可以因不同的设计方式而不同，比如，用1个神经元表示房间是否存在、用3个神经元表示存在的房间类型、用2个神经元表示房间位置、用2个神经元表示房间尺寸。房间类型也可能有7种或更多。房间位置也可通过其他方式表达，比如房间边框的左上角坐标、或右下角坐标等。
采用生成对抗式神经网络构建生成对抗式神经网络模型。
首先，在服务器端对上述两种神经网络模型进行训练。服务器端收集大量的设计好的住宅户型平面图，包含各种户型设计，比如一室一厅、两室一厅、两室两厅、三室两厅等，这样有利于提高模型的泛化能力。根据每个设计好的住宅户型平面图获得对应的户型边界信息、矢量坐标格式的户型平面图、色块平面图、和户型平面彩绘图，如图5所示。
户型边界信息的具体表达方式需要符合人工神经网络的输入层格式。矢量坐标格式的户型平面图的具体表达方式需要符合人工神经网络的输出层格式，即，存在房间的小网格对应的数据需为有效值，不存在房间的小网格对应的数据为无效值；具体的，比如，户型平面图中一个房间边框的中心点所在的小网格对应的那组数据需为有效值，否则为无效值，比如-1。
将所有的户型边界信息和矢量坐标格式的户型平面图构成第一训练数据，将所有的色块平面图和对应的户型平面彩绘图构成第二训练数据。对训练数据而言，户型平面彩绘图，就是设计好的住宅户型平面图本身。
用第一训练数据训练ANN神经网络。在训练的过程中，有效值参与运算、影响网络权重，无效值不参与运算，也不会更新网络权重。ANN神经网络对于训练数据的输入，只要在相应的有房间边框中心点存在的小网格中输出了正确的边框信息，既视为收敛。其他没有中心点存在的小网格，不计算损失，因此即使ANN神经网络在那些小网格上因其他样本训练输出有效数据，也不会影响本样本训练的收敛。
比如某个训练样本是三室一厅(三个卧室，一个客厅，一个卫生间)的布局，那么ANN神经网络对这个样本收敛的表现是，它在这5个边框对应的小网格中输出了正确的分类和位置大小信息。但是，其他的95个小网格因为不受到无效数据的影响，也可能会输出一些信息(这些信息其实是在其他样本训练时候根据其他样本的有效信息得到的)，这些信息不影响本样本的收敛性判断。
当ANN神经网络针对所有输入样本都收敛时，得到训练好的人工神经网络模型，并保存。
用所述第二训练数据训练GAN神经网络。当GAN神经网络收敛时，得到训练好的生成对抗式神经网络模型，并保存。
客户端读取用户输入的户型边界信息。使用训练好的人工神经网络模型获得若干房间，其中输入层神经元、输出层神经元格式如前所述。
根据输出层神经元信息，从所述若干房间中提取合理房间。输出的100组神经元数据，每组根据前6个神经元判断是否存在房间，如果其中有1个神经元数值为1，则表明存在相应类型的房间；如果不存在数值为1的神经元，则表明不存在房间。当存在房间时，再根据后4个神经元判断该房间是否合理。比如，人工神经网络模型输出100个房间，从中选择概率较高的、中心点正确的、在户型边界内的、长宽比例合适的房间，作为合理房间。中心点正确的房间是指该房间的中心点位置和生成该房间的小网格的位置对应上，否则视为无效输出。长宽比例合适的房间是指该房间的长宽比例满足第二预设标准。
然后对所有合理房间做排列组合，生成多件户型内房间布局(即矢量坐标格式的户型平面图)。
将每件矢量CAD格式的布局数据进行拓补学优化，并转换为图片格式的色块简化表示的户型平面图。由于人工神经网络模型是根据已知的设计好的户型图数据训练得到，因此经上述方法得到的平面图布局已经具有很高的初步合理性，拓补学优化只需要将原先不够精确的各个房间边界优化至互相贴合并不重叠即可，不需要重新枚举各个房间的位置，因此大大减少了运算量。可选的拓补学优化算法为：每个边框图形初始都是一个长方形，算法每次将各个图形的边框沿着四条边的方向扩大一个相同的步长量，如果两个边框相交了，那这两个边框在相交的方向上不再扩大，直到所有边框都相交，最后保留户型边框内的图形即可。拓补学优化的过程及效果如图9所示。
使用训练好的生成对抗式神经网络模型，依次读取每件色块平面图，将每个色块转换成相应的彩绘图案，比如，绿色为卧室，将绿色色块转换为彩绘的卧室图案，如此得到对应的户型平面彩绘图。所有的户型平面彩绘图构成了最终的户型平面图，供客户从中选择合适的，以满足各类用户的需要。
输入层神经元数、输出层神经元数、输入层格式、输出层格式、网格数目、房间位置信息的定义都是可以根据具体情况进行调整，本实施例仅是一个示意。
本实施例，通过使用两种人工智能神经网络模型组合进行户型平面图设计，可针对用户给定的户型边界，快速生成多种可行的户型平面图。
在本发明的一个实施例中，如图3所示，一种住宅户型平面图自动生成系统，包括：
户型边界获取模块100，用于获取用户的矢量坐标格式的户型边界信息。
具体的，矢量坐标格式的户型边界信息，又称为矢量CAD格式的户型边界信息，是指通过CAD矢量图表示的户型外边界，如图5-a所示。CAD矢量图与位图(又称像素图)不一样，它不是图片格式的数据文件。可以通过现有软件将图片格式的毛坯住宅户型图，转换为CAD矢量图，从所述CAD矢量图中提取矢量坐标格式的户型边界信息。
矢量图生成模块200，用于根据所述户型边界信息，使用训练好的人工神经网络模型生成若干房间；从所述若干房间中提取合理房间；对所有的合理房间进行排列组合，获得多件矢量坐标格式的户型平面图。
具体的，人工神经网络模型采用人工神经网络(ANN，Artificial NeuralNetworks)结构构建，至少包括一个输入层和一个输出层，输入层和输出层各包含若干神经元。
将矢量坐标格式的户型边界信息需要符合人工神经网络的输入层格式。将户型边界信息输入训练好的人工神经网络模型，得到输出层神经元信息。输出层神经元信息反映了各种可能的各种类型的房间，此处的房间是指非过道的有一定功能的区域，比如，卧室、客厅、餐厅、卫生间、厨房、阳台等，由房间边界所围成的封闭框称为房间边框。
从模型输出的各种可能的房间中提取合理房间。合理性的判断遵循一定的经验准则，比如，选择发生概率高(是指高于预设概率门限)的房间，从这些房间中进一步挑选位置信息正确的房间，再进一步选择在户型边界内的房间。位置信息正确的房间是指输出的房间的位置信息和生成该房间的输出神经元的位置相匹配，换而言之，是指按预设规则根据该房间的位置信息，该房间应该由该输出神经元产生。在户型边界内的房间是指该房间在户型边界内的面积占整个房间面积的比例大于预设比例门限。
如图7所示，左边是人工神经网络模型输出的各种房间，右边是提取出的合理房间。得到的合理房间可能存在多个，面积上还可能存在重叠。
对所有的合理房间做排列组合，通过采用不同的方式剔除重叠部分，剩下不重叠的合理房间，生成多件户型内房间布局(即矢量坐标格式的户型平面图)。生成过程如图8所示，左边为所挑选出的合理房间，右边为排列组合，3种排列组合仅是示意。
矢量坐标格式的户型平面图是使用普通规则图形框(通常为矩形框，也可能存在圆形或半圆形等曲线框，比如半圆形的阳台)简化表示房间的户型平面图，比如，如图5-b所示，每个矩形框用于表示一种房间，比如卧室、客厅、餐厅、厕所、厨房、阳台等。
由于人工神经网络模型是经过大量的设计好的住宅户型平面图的训练得到，所以该模型输出的房间具有一定的合理性，根据这些房间得到的矢量坐标格式的户型平面图也具有一定的合理性。
色块图生成模块300，用于对每件矢量坐标格式的户型平面图进行拓补学优化，获得对应的色块平面图。
具体的，色块平面图(如图5-c所示)是使用色块简化表示房间的户型平面图，用不同的色块表示户型中不同功能区域，比如绿色表示卧室、蓝色客厅、青色餐厅，紫色厕所，黄色厨房，黑色阳台等。
虽然由人工神经网络模型输出的户型平面图布局已有很高的初步合理性，但还不够精确，所以需要拓补学优化进一步优化布局，同时将矢量坐标格式的平面图转换为图片格式的平面图(即将矢量图转换为位图)。
彩绘图生成模块400，用于根据每件色块平面图，使用训练好的生成对抗式神经网络模型生成对应的户型平面彩绘图(如图5-d所示)；所有的户型平面彩绘图构成最终的住宅户型平面图。
具体的，对抗式神经网络模型采用生成对抗式神经网络(GAN，GenerativeAdversarial Networks)构建。
使用训练好的生成对抗式神经网络模型，通过将每个色块转换成相应的彩绘图案，比如，绿色为卧室，将绿色色块转换为彩绘的卧室图案，从而将每件色块平面图转换为对应的户型平面彩绘图。所有的户型平面彩绘图构成了最终的户型平面图，供客户从中选择合适的，以满足各类用户的需要。
第一种现有技术采用遗传算法，使用随机的初始状态作为优化计算的开始状态，因此需要大量的运算量将这个随机而不合理的解优化至合理。而本实施例使用训练好的神经网络模型进行户型平面图设计，且使用人工神经网络的输出作为初始状态，其已经具有合理性，只是精确度不足，将初始状态优化至完全合理的状态，大大减轻了运算量，提高了运行速度。
本实施例，通过使用人工神经网络模型和矢量坐标格式处理数据，可根据用户的户型边界信息生成多件矢量坐标格式的户型平面图；再通过生成对抗式神经网络模型将每件矢量坐标格式的户型平面图转换为图片格式的户型平面彩绘图，从而得到多件最终的户型平面图，供客户选择。本实施例相比于第二种现有技术，提供了多种输出方案供用户选择，大大增加了用户接受度。
在本发明的另一个实施例中，如图4所示，一种住宅户型平面图自动生成系统，包括：
模型构建模块500，用于获得训练好的人工神经网络模型和生成对抗式神经网络模型。
户型边界获取模块100，用于获取用户的矢量坐标格式的户型边界信息。
矢量图生成模块200，用于根据所述户型边界信息，将对应的户型边界在x轴向和y轴向按不等比例缩放至预设尺寸的网格中，获得训练好的人工神经网络模型的输入层神经元信息，所述输入层神经元信息包括被户型边界覆盖到的单位网格、x轴向和y轴向的缩放比例、户型边界的对外开门位置信息；根据所述输入层神经元信息，使用所述训练好的人工神经网络模型获得输出层神经元信息，所述输出层神经元信息包括所有单位网格上的房间信息；根据所有单位网格上的房间信息生成若干房间；选择输出概率大于预设概率门限的、位置信息正确的、在户型边界内的、长宽比例合适的房间，作为合理房间；对所有的合理房间进行排列组合，获得多件矢量坐标格式的户型平面图。
色块图生成模块300，用于将所述矢量坐标格式的户型平面图中各个房间的房间边框向外扩展至互相贴合，并根据房间类型用预设颜色填充，获得对应的色块平面图。
彩绘图生成模块400，用于根据每件色块平面图，使用训练好的生成对抗式神经网络模型生成对应的户型平面彩绘图；所有的户型平面彩绘图构成最终的住宅户型平面图。
具体的，采用图6所示结构的人工神经网络构建人工神经网络模型。该结构包括一个输入层、四个隐藏层和一个输出层，每层与相邻层之间全连接。
输入层包含108个神经元，隐藏层的每层包含2000个神经元，输出层包含1000个神经元。激活函数为S型(sigmoid)函数，损失函数为均方误差(MSE)函数。隐藏层默认层数为4，默认神经元数为2000，这个配置在实际使用中，可根据实际情况和模型表现做调整，比如可增加或减少隐藏层层数、调整每层的神经元数。
确定人工神经网络的输入层和输出层格式：
输入层神经元信息用于反映户型边界和户型边界的对外开门位置信息。
可选地，将户型边界按不等比例缩放至10X10的网格中，然后每个小网格(即单位网格)被户型边界覆盖到的面积依次作为神经网络的前100个神经元(a1-a100)。第101和第102号神经元(scaleX、scaleY)表示，缩放过程中X轴向和Y轴向的缩放比例。第103到第108号神经元(x1,y1,x2,y2,x3,y3)表示户型边界的对外开门位置信息。
输出层神经元信息用于反映每个单位网格上的房间信息，比如房间的存在标识、房间类型、房间位置和房间尺寸等。
与输入层格式相对应，输出层包含100组神经元，分别对应10X10网格中的小网格。每个小网格对应一组神经元信息，每组神经元信息用于反映小网格上是否存在房间。可选地，当存在某种类型的房间的中心点位于对应的小网格内，则表明小网格上存在房间；否则，表明小网格上不存在房间。当然，在房间边框为矩形框时，也可以采用房间边框的左上角是否位于对应的小网格内，来判断小网格上是否存在房间。当小网格上不存在房间时，对应的神经元信息均为无效值，比如-1。当小网格上存在房间时，对应的神经元信息均为有效值，比如0、1、2等非-1的值。
进一步地，每组神经元包含10个神经元，其中，前6个神经元(tk，k＝1,2，……6)分别表示6种类型的房间(卧室，客厅，餐厅，卫生间，厨房，阳台)的中心点是否位于该网格位置，从而说明该网格位置是否存在6种类型的房间之一。如果存在，则6个神经元中相应的那个神经元数值为1，其余为0。后4个神经元(x,y,w,h)为该房间边框的坐标信息，依次为，边框中心点的x和y坐标，边框在x方向上的长度w和在y方向上的长度h。其中，x、y坐标反映了房间的位置，长度w和h反映了房间的尺寸。
以上仅是一个示例，显然每组神经元所包含的神经元数目和每个神经元所表达的信息可以因不同的设计方式而不同，比如，用1个神经元表示房间是否存在、用3个神经元表示存在的房间类型、用2个神经元表示房间位置、用2个神经元表示房间尺寸。房间类型也可能有7种或更多。房间位置也可通过其他方式表达，比如房间边框的左上角坐标、或右下角坐标等。
采用生成对抗式神经网络构建生成对抗式神经网络模型。
首先，在服务器端对上述两种神经网络模型进行训练。服务器端收集大量的设计好的住宅户型平面图，包含各种户型设计，比如一室一厅、两室一厅、两室两厅、三室两厅等，这样有利于提高模型的泛化能力。根据每个设计好的住宅户型平面图获得对应的户型边界信息、矢量坐标格式的户型平面图、色块平面图、和户型平面彩绘图，如图5所示。
户型边界信息的具体表达方式需要符合人工神经网络的输入层格式。矢量坐标格式的户型平面图的具体表达方式需要符合人工神经网络的输出层格式，即，存在房间的小网格对应的数据需为有效值，不存在房间的小网格对应的数据为无效值；具体的，比如，户型平面图中一个房间边框的中心点所在的小网格对应的那组数据需为有效值，否则为无效值，比如-1。
将所有的户型边界信息和矢量坐标格式的户型平面图构成第一训练数据，将所有的色块平面图和对应的户型平面彩绘图构成第二训练数据。对训练数据而言，户型平面彩绘图，就是设计好的住宅户型平面图本身。
用第一训练数据训练ANN神经网络。在训练的过程中，有效值参与运算、影响网络权重，无效值不参与运算，也不会更新网络权重。ANN神经网络对于训练数据的输入，只要在相应的有房间边框中心点存在的小网格中输出了正确的边框信息，既视为收敛。其他没有中心点存在的小网格，不计算损失，因此即使ANN神经网络在那些小网格上因其他样本训练输出有效数据，也不会影响本样本训练的收敛。
比如某个训练样本是三室一厅(三个卧室，一个客厅，一个卫生间)的布局，那么ANN神经网络对这个样本收敛的表现是，它在这5个边框对应的小网格中输出了正确的分类和位置大小信息。但是，其他的95个小网格因为不受到无效数据的影响，也可能会输出一些信息(这些信息其实是在其他样本训练时候根据其他样本的有效信息得到的)，这些信息不影响本样本的收敛性判断。
当ANN神经网络针对所有输入样本都收敛时，得到训练好的人工神经网络模型，并保存。
用所述第二训练数据训练GAN神经网络。当GAN神经网络收敛时，得到训练好的生成对抗式神经网络模型，并保存。
客户端读取用户输入的户型边界信息。使用训练好的人工神经网络模型获得若干房间，其中输入层神经元、输出层神经元格式如前所述。
根据输出层神经元信息，从所述若干房间中提取合理房间。输出的100组神经元数据，每组根据前6个神经元判断是否存在房间，如果其中有1个神经元数值为1，则表明存在相应类型的房间；如果不存在数值为1的神经元，则表明不存在房间。当存在房间时，再根据后4个神经元判断该房间是否合理。比如，人工神经网络模型输出100个房间，从中选择概率较高的、中心点正确的、在户型边界内的、长宽比例合适的房间，作为合理房间。中心点正确的房间是指该房间的中心点位置和生成该房间的小网格的位置对应上，否则视为无效输出。长宽比例合适的房间是指该房间的长宽比例满足第二预设标准。
然后对所有合理房间做排列组合，生成多件户型内房间布局(即矢量坐标格式的户型平面图或矢量CAD格式的布局数据)。
将每件矢量CAD格式的布局数据进行拓补学优化，并转换为图片格式的色块简化表示的户型平面图。由于人工神经网络模型是根据已知的设计好的户型图数据训练得到，因此经上述方法得到的的平面图布局已经具有很高的初步合理性，拓补学优化只需要将原先不够精确的各个房间边界优化至互相贴合并不重叠即可，不需要重新枚举各个房间的位置，因此大大减少了运算量。可选的拓补学优化算法为：每个边框图形初始都是一个长方形，算法每次将各个图形的边框沿着四条边的方向扩大一个相同的步长量，如果两个边框相交了，那这两个边框在相交的方向上不再扩大，直到所有边框都相交，最后保留户型边框内的图形即可。拓补学优化的过程及效果如图9所示。
使用训练好的生成对抗式神经网络模型，依次读取每件色块平面图，将每个色块转换成相应的彩绘图案，比如，绿色为卧室，将绿色色块转换为彩绘的卧室图案，如此得到对应的户型平面彩绘图。所有的户型平面彩绘图构成了最终的户型平面图，供客户从中选择合适的，以满足各类用户的需要。
输入层神经元数、输出层神经元数、输入层格式、输出层格式、网格数目、房间位置信息的定义都是可以根据具体情况进行调整，本实施例仅是一个示意。
本实施例，通过使用两种人工智能神经网络模型组合进行户型平面图设计，可针对用户给定的户型边界，快速生成多种可行的户型平面图。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种住宅户型平面图自动生成方法，其特征在于，包括：
获取用户的矢量坐标格式的户型边界信息；
根据所述户型边界信息，使用训练好的人工神经网络模型在所述户型边界信息确定的区域的基础上生成若干房间；所述房间是指非过道的有一定功能的二维区域；
从所述若干房间中提取合理房间；
对所有的合理房间进行排列组合，获得多件矢量坐标格式的户型平面图；
对每件矢量坐标格式的户型平面图进行拓扑学优化，获得对应的色块平面图；
根据每件色块平面图，使用训练好的生成对抗式神经网络模型生成对应的户型平面彩绘图；
所有的户型平面彩绘图构成最终的住宅户型平面图。
2.根据权利要求1所述的住宅户型平面图自动生成方法，其特征在于，获得所述训练好的人工神经网络模型和所述训练好的生成对抗式神经网络模型包含：
收集若干设计好的包含各种户型的住宅户型平面图，根据每个设计好的住宅户型平面图获得对应的户型边界信息、矢量坐标格式的户型平面图、色块平面图、和户型平面彩绘图；
将所有的户型边界信息和矢量坐标格式的户型平面图构成第一训练数据，将所有的色块平面图和户型平面彩绘图构成第二训练数据；
用所述第一训练数据训练人工神经网络；
当所述第一训练数据的户型平面图中每个房间所对应的单位网格输出正确的房间信息时，所述人工神经网络收敛；
当所述人工神经网络收敛时，得到训练好的人工神经网络模型；
用所述第二训练数据训练生成对抗式神经网络；
当所述生成对抗式神经网络收敛时，得到训练好的生成对抗式神经网络模型。
3.根据权利要求2所述的住宅户型平面图自动生成方法，其特征在于，所述的根据所述户型边界信息，使用训练好的人工神经网络模型生成若干房间，包括：
根据所述户型边界信息，将对应的户型边界在x轴向和y轴向按不等比例缩放至预设尺寸的网格中，获得训练好的人工神经网络模型的输入层神经元信息，所述输入层神经元信息包括被户型边界覆盖到的单位网格、x轴向和y轴向的缩放比例、户型边界的对外开门位置信息；
根据所述输入层神经元信息，使用所述训练好的人工神经网络模型获得输出层神经元信息，所述输出层神经元信息包括所有单位网格上的房间信息；
根据所有单位网格上的房间信息生成若干房间。
4.根据权利要求3所述的住宅户型平面图自动生成方法，其特征在于，所述根据所有单位网格上的房间信息生成若干房间，包括：
根据每个单位网格上的房间信息判断所述单位网格上是否存在房间；
当所述单位网格上存在房间时，根据所述单位网格上的房间信息得到所述房间的位置及尺寸信息；
根据所有得到的房间的位置及尺寸信息，生成若干房间。
5.根据权利要求4所述的住宅户型平面图自动生成方法，其特征在于：
所述房间的位置信息为所述房间的中心点坐标。
6.根据权利要求4所述的住宅户型平面图自动生成方法，其特征在于，所述的从所述若干房间中提取合理房间，包括：
选择输出概率大于预设概率门限的、位置信息正确的、在户型边界内的、长宽比例合适的房间，作为合理房间。
7.根据权利要求3所述的住宅户型平面图自动生成方法，其特征在于，所述的对每件矢量坐标格式的户型平面图进行拓扑学优化，获得对应的色块平面图，包括：
将所述矢量坐标格式的户型平面图中各个房间的房间边框向外扩展至互相贴合，并根据房间类型用预设颜色填充，获得对应的色块平面图。
8.一种住宅户型平面图自动生成系统，其特征在于，包括：
户型边界获取模块，用于获取用户的矢量坐标格式的户型边界信息；
矢量图生成模块，用于根据所述户型边界信息，使用训练好的人工神经网络模型在所述户型边界信息确定的区域的基础上生成若干房间；所述房间是指非过道的有一定功能的二维区域；从所述若干房间中提取合理房间；对所有的合理房间进行排列组合，获得多件矢量坐标格式的户型平面图；
色块图生成模块，用于对每件矢量坐标格式的户型平面图进行拓扑学优化，获得对应的色块平面图；
彩绘图生成模块，用于根据每件色块平面图，使用训练好的生成对抗式神经网络模型生成对应的户型平面彩绘图；所有的户型平面彩绘图构成最终的住宅户型平面图。
9.根据权利要求8所述的住宅户型平面图自动生成系统，其特征在于，还包括：
模型构建模块，用于收集若干设计好的包含各种户型的住宅户型平面图，根据每个设计好的住宅户型平面图获得对应的户型边界信息、矢量坐标格式的户型平面图、色块平面图、和户型平面彩绘图；将所有的户型边界信息和矢量坐标格式的户型平面图构成第一训练数据，将所有的色块平面图和户型平面彩绘图构成第二训练数据；用所述第一训练数据训练人工神经网络；当所述第一训练数据的户型平面图中每个房间所对应的单位网格输出正确的房间信息时，所述人工神经网络收敛；当所述人工神经网络收敛时，得到训练好的人工神经网络模型；用所述第二训练数据训练生成对抗式神经网络；当所述生成对抗式神经网络收敛时，得到训练好的生成对抗式神经网络模型。
10.根据权利要求9所述的住宅户型平面图自动生成系统，其特征在于：
所述矢量图生成模块，进一步用于根据所述户型边界信息，将对应的户型边界在x轴向和y轴向按不等比例缩放至预设尺寸的网格中，获得训练好的人工神经网络模型的输入层神经元信息，所述输入层神经元信息包括被户型边界覆盖到的单位网格、x轴向和y轴向的缩放比例、户型边界的对外开门位置信息；根据所述输入层神经元信息，使用所述训练好的人工神经网络模型获得输出层神经元信息，所述输出层神经元信息包括所有单位网格上的房间信息；根据所有单位网格上的房间信息生成若干房间。
CN201910952689.0A 2019-10-09 2019-10-09 一种住宅户型平面图自动生成方法和系统 Active CN110633553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910952689.0A CN110633553B (zh) 2019-10-09 2019-10-09 一种住宅户型平面图自动生成方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910952689.0A CN110633553B (zh) 2019-10-09 2019-10-09 一种住宅户型平面图自动生成方法和系统

Publications (2)

Publication Number Publication Date
CN110633553A CN110633553A (zh) 2019-12-31
CN110633553B true CN110633553B (zh) 2023-07-18

Family

ID=68976028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910952689.0A Active CN110633553B (zh) 2019-10-09 2019-10-09 一种住宅户型平面图自动生成方法和系统

Country Status (1)

Country Link
CN (1) CN110633553B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383303A (zh) * 2020-03-12 2020-07-07 深圳小库科技有限公司 一种自动生成住宅建筑平面的方法及装置
CN111598972B (zh) * 2020-04-03 2021-06-29 深圳大学 户型图生成方法、装置、计算机设备和存储介质
CN111524208A (zh) * 2020-04-24 2020-08-11 广东博智林机器人有限公司 海报排布模型的训练方法、海报生成方法及装置
CN111666617B (zh) * 2020-05-25 2021-09-14 清华大学 基于对抗生成网络的剪力墙结构布置方法和装置
EP3929790A1 (de) * 2020-06-23 2021-12-29 SPB Systemisches Planen und Bauen GmbH Netzwerkbasiertes verfahren für einen entwurf von mindestens einem wohngebäude
CN112199748B (zh) * 2020-09-30 2023-11-24 中国科学院深圳先进技术研究院 基于人类活动信息的平面图设计方法、装置及终端设备
CN113434945A (zh) * 2021-06-30 2021-09-24 杭州群核信息技术有限公司 户型方案的生成方法及装置
CN113742996A (zh) * 2021-07-28 2021-12-03 杭州群核信息技术有限公司 橱柜布局的处理方法和装置
CN113449355A (zh) * 2021-09-01 2021-09-28 江苏华邦工程造价咨询有限公司 一种基于人工智能的建筑户型图自动生成方法
CN114092491A (zh) * 2021-11-17 2022-02-25 华南师范大学 一种建筑户型语义分割图矢量化方法及装置
CN114494741A (zh) * 2021-12-17 2022-05-13 上海品览数据科技有限公司 一种基于改进普氏分析的cad平面图户型对比方法
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8731234B1 (en) * 2008-10-31 2014-05-20 Eagle View Technologies, Inc. Automated roof identification systems and methods
CN110059690A (zh) * 2019-03-28 2019-07-26 广州智方信息科技有限公司 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
CN110059721A (zh) * 2019-03-16 2019-07-26 平安城市建设科技(深圳)有限公司 户型图区域识别方法、装置、设备及计算机可读存储介质
CN110188495A (zh) * 2019-06-04 2019-08-30 中住(北京)数据科技有限公司 一种基于深度学习的二维户型图生成三维户型图的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070094268A1 (en) * 2005-10-21 2007-04-26 Tabe Joseph A Broadband centralized transportation communication vehicle for extracting transportation topics of information and monitoring terrorist data
JP2015006650A (ja) * 2013-06-26 2015-01-15 須知 晃一 システム構成構造細胞複合諸物体の製造方法と構成材料
US10192275B2 (en) * 2015-03-30 2019-01-29 Creed Smith Automated real estate valuation system
CN106528904B (zh) * 2016-07-09 2018-05-04 陈志静 住宅户型图建筑结构智能识别及功能区自动规划设计方法
CN109711443A (zh) * 2018-12-14 2019-05-03 平安城市建设科技(深圳)有限公司 基于神经网络的户型图识别方法、装置、设备及存储介质
CN110059383A (zh) * 2019-04-04 2019-07-26 清华大学建筑设计研究院有限公司 基于bim的住宅产业化的建筑方案设计方法及系统
CN110059750A (zh) * 2019-04-17 2019-07-26 广东三维家信息科技有限公司 户型形状识别方法、装置和设备
CN110111426A (zh) * 2019-04-18 2019-08-09 贝壳技术有限公司 一种动静分离格局房屋的确定方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8731234B1 (en) * 2008-10-31 2014-05-20 Eagle View Technologies, Inc. Automated roof identification systems and methods
CN110059721A (zh) * 2019-03-16 2019-07-26 平安城市建设科技(深圳)有限公司 户型图区域识别方法、装置、设备及计算机可读存储介质
CN110059690A (zh) * 2019-03-28 2019-07-26 广州智方信息科技有限公司 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
CN110188495A (zh) * 2019-06-04 2019-08-30 中住(北京)数据科技有限公司 一种基于深度学习的二维户型图生成三维户型图的方法

Also Published As

Publication number Publication date
CN110633553A (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
CN110633553B (zh) 一种住宅户型平面图自动生成方法和系统
CN113987637B (zh) 基于生成对抗网络的楼盖结构设计方法和装置
CN112417539B (zh) 基于语言描述的户型设计方法和装置以及系统
CN114491740B (zh) 物理与多模态数据驱动的建筑结构生成方法及设备
CN111090899B (zh) 一种用于城市建筑空间布局设计方法
CN106126816B (zh) 重复建筑自动感知下的大规模als建筑点云建模方法
CN110827398A (zh) 基于深度神经网络的室内三维点云自动语义分割算法
Konstantakopoulos et al. A robust utility learning framework via inverse optimization
CN110262865A (zh) 构建游戏场景的方法及装置、计算机存储介质、电子设备
CN110289987B (zh) 基于表征学习的多智能体系统网络抗攻击能力评估方法
CN112733246A (zh) 建筑物的自动设计方法、装置、终端、存储介质及处理器
WO2021068061A1 (en) System and method for generating 3d models from specification documents
CN114065348B (zh) 一种人群应急疏散方法、系统、终端以及存储介质
CN115511255A (zh) 一种智慧园区的立体智能管理方法及系统
Borkowski et al. Towards semantic navigation in mobile robotics
Bulbul Procedural generation of semantically plausible small-scale towns
CN110991230B (zh) 基于旋转候选框的任意方向遥感影像舰船检测方法及系统
Huang et al. Weatherization adoption in a multilayer social network: An agent-based approach
Jianfeng et al. Construction of intelligent building design system based on BIM and AI
CN115775055B (zh) 多层建筑人员疏散时间的预测方法、装置、设备及介质
Hauglustaine et al. Interactive tool aiding to optimise the building envelope during the sketch design
CN116562332A (zh) 一种人机共融环境下的机器人社交性运动规划方法
CN111241619A (zh) 一种规则驱动的协同交互式空间布局自动设计方法
CN103778284B (zh) 一种以建筑功能进行数字化立面设计的方法
WO2020248343A1 (zh) 多层级迁移模拟方法和装置

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
GR01 Patent grant
GR01 Patent grant