CN110826135A - 家居排布方法、装置、神经网络构建方法及存储介质 - Google Patents
家居排布方法、装置、神经网络构建方法及存储介质 Download PDFInfo
- Publication number
- CN110826135A CN110826135A CN201911072661.4A CN201911072661A CN110826135A CN 110826135 A CN110826135 A CN 110826135A CN 201911072661 A CN201911072661 A CN 201911072661A CN 110826135 A CN110826135 A CN 110826135A
- Authority
- CN
- China
- Prior art keywords
- energy function
- function value
- layout
- total energy
- furniture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000010276 construction Methods 0.000 title abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 230
- 238000005286 illumination Methods 0.000 claims description 61
- 238000011156 evaluation Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 27
- 230000004048 modification Effects 0.000 abstract description 18
- 238000012986 modification Methods 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 13
- 230000007547 defect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 239000000470 constituent Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- NHXLMOGPVYXJNR-UHFFFAOYSA-N srif Chemical group N1C(=O)C(C(C)O)NC(=O)C(CCCCN)NC(=O)C(CC=2C3=CC=CC=C3NC=2)NC(=O)C(CC=2C=CC=CC=2)NC(=O)C(CC=2C=CC=CC=2)NC(=O)C(CC(N)=O)NC(=O)C(CCCCN)NC(=O)C(NC(=O)CNC(=O)C(C)N)CSSCC(C(O)=O)NC(=O)C(CO)NC(=O)C(C(O)C)NC(=O)C1CC1=CC=CC=C1 NHXLMOGPVYXJNR-UHFFFAOYSA-N 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本申请公开一种家居排布方法、装置、神经网络构建方法及存储介质,其中,家居排布方法包括判断所述总能量函数值是否满足预设条件;若是,则将所述初始排布方案作为最终排布方案输出;若否,对所述初始排布方案进行调整,并重新输入至所述神经网络中计算所述初始排布方案的总能量函数值,直至所述总能量函数值符合预设条件等步骤。本申请具有家居排计算速度快、家具与灯具的设计布局更合理,用户后续修改的工作量低这类优点,同时,本本申请能够为用户公开修改建议。
Description
技术领域
本申请涉及家具设计技术领域,具体而言,涉及一种家居排布方法、装置、神经网络构建方法及存储介质。
背景技术
现如今的房地产行业发展迅速,其对于家具布局设计和室内灯光布局设计的需求越来越大,而现有的设计技术由于耗时、效率、成本等方面的限制,往往越来越难以满足该需求,从而导致供不应求的局面,反过来形成制约房地产行业发展的瓶颈之一。
传统的家具布局设计和室内灯光布局设计基本靠人工完成,由没有专业背景的个人根据个人经验、喜好进行反复试错的方式,不停挪动各家具的位置直到自己满意或因缺乏体力、时间等原因最终妥协为止,而对于灯具、光源的布局设计更是难以着手;或由专业设计师根据自己的相关专业知识与从业经验,投入大量的时间完成布局设计。对于没有专业背景的个人来说,受限于精力、经验、时间等因素,最终的布局情况往往导致实际使用效率不高、布局不合理、不美观、成本不合理等问题;对于专业设计师来说则是耗时长、工作量大、重复工作率高,从而导致成果方案的设计成本过高,而且设计师的个人设计水平、设计喜好与从业经验也会导致设计布局普适性偏低。
发明内容
本申请实施例的目的在于公开一种家居排布方法、装置、神经网络构建方法及存储介质,用于实现快速输出待布局的最优家具排布方案技术效果。
为了解决上述技术问题,本申请采用了如下技术方案:
本申请第一方面公开一种家居排布方法,该方法包括:
接收待布置空间的特征信息;
从元素数据库中提取与待布置空间相对应的布局元素,布局元素的特征信息包括家具的特征信息、灯具的特征信息中的至少一项;
根据待布置空间的特征信息,对布局元素进行初始化布置,获得初始排布方案;
将初始排布方案输入预先构建的神经网络中,拟合计算初始排布方案的总能量函数值;
判断总能量函数值是否满足预设条件;若是,则将初始排布方案作为最终排布方案输出;若否,对初始排布方案进行调整,并重新输入至神经网络中计算初始排布方案的总能量函数值,直至总能量函数值符合预设条件。
本申请实施例能够利用能量函数来评价家具与灯具排布的好坏。具体地,某种家具与灯具排布方案的能量函数的值越低,则该排布方案越好。与此同时,本申请实施例能够利用深度神经网络计算能量函数的值以提高排布方案计算速度,可以克服传统的计算方法直接求解每个家具的能量函数或评分函数而导致的数据处理速度慢,耗时大这类缺陷。
本申请实施例还能够处理灯具产生的光照作用在家具上所带来的相关影响,从而实现家具与灯具的布局设计完成的同时,使得家具与灯具的设计布局更合理,大幅减免用户后续修改的工作量。
在一些实施例中,根据待布置空间的特征信息,对布局元素进行初始化布置,获得初始排布方案,包括:
根据布局元素的种类及数量在布局元素数据库匹配布局元素的属性数据;
根据布局元素的属性数据与布局元素的摆放位置信息确定布局元素的特征信息,以基于布局元素的特征信息确定预设排布方案。
本申请实施例能够根据布局元素的属性数据与布局元素的摆放位置信息确定布局元素的特征信息,预设排布方案。
在一些实施例中,将初始排布方案输入预先构建的神经网络中,拟合计算初始排布方案的总能量函数值,包括:
加权累积每个布局元素的可使用能量函数值并得到可使用总能量函数值,其中,可使用能量函数值根据布局元素的最小需求使用空间和实际使用空间之间的差计算得到;
加权累积计每个布局元素的可视范围中被遮挡面积并得到不可遮挡总能量函数值;
加权累积计每个布局元素的碰撞面积并得到碰撞总能量函数值;
加权累积每个布局元素对应的离墙距离差并得到离墙距离总能量函数值,其中,离墙距离差包括布局元素在至少一个方向上的离墙距离差;
加权累积每个布局元素的相对位置能量函数值并得到相对位置总能量函数值,其中,相对位置能量函数值根据布局元素需要相对角度与实际相对角度的差平方及需要相对距离与实际相对距离的差平方计算得到;
加权累积每个布局元素的照度能量函数值并得到照度总能量函数值,其中,照度能量函数值根据布局元素的实际接受照度值、最小需要照度值、最大需要照度值计算得到;
加权累积可使用总能量函数值、不可遮挡总能量函数值、碰撞总能量函数值、离墙距离总能量函数值、相对位置总能量函数值、照度总能量函数值并得到总能量函数值。
本申请实施例能够从布局元素的可用性、碰撞可能性、离墙距离等方面综合考虑布局元素的能量函数,进而可使得布输出的排布方案更加合理,进一步减少用户后续的修改工作量。
在一些实施例中,判断总能量函数值是否满足预设条件,包括:
判断总能量函数值是否小于预设能量函数值时,若是,则判断为符合预设条件。
在一些实施例中,判断总能量函数值是否满足预设条件,还包括:
当总能量函数值大于等于预设能量函数值时,判断神经网络当前的拟合计算次数是否等于大于预设迭代阈值,若是,则判断为符合预设条件。
本申请实施例能够根据拟合计算次数判断为符合预设条件,进而防止过度计算,进而可防止输出排布方案过慢。
在一些实施例中,方法还包括:
根据灯具的种类和数量计算光照强度评价函数值,若光照强度评价函数值在预设照强度值域范围外,则输出灯具评价结果;
和/或根据每个家具的占用面积及待布置空间的空间面积利用评价函数值,若空间面积利用评价函数值在预设面积占用值域外,则输出家具占用面积评价报告;
和/或,将家具的对应的优先权重与预设权重阈值比较,当家具的对应的优先权重小于预设权重阈值时,输出家具重要性评价报告。
本申请实施例能够基于布局元素的种类和数量将输出的排布方案与现有标准方案或者用户特性方案进行比对,进而生成评价报告以向用户提供改进方案,故具有更好的用户体验感,同时能够进降低用户选择布局元素的时间。
在一些实施例中,方法还包括:
接收用户基于评价结果的反馈指令,并根据反馈指令输出最终排布方案,或从元素数据库中重新提取布局元素,并重新生成初始排布方案。
本申请实施例能够根据用户的反馈指令找到用户满意的排布方案,故具有更优的用户使用体验感。
本申请第二方面公开一种神经网络构建方法,该方法包括:
获取至少一个训练样本的标注数据集,标注数据集包括至少一个布局元素的摆放位置信息、和/或待布置空间的特征信息;
从元素数据库中提取布局元素的属性信息,以根据属性信息与摆放位置信息得到布局元素的特征信息;
根据布局元素的特征信息和待布置空间的特征信息构建神经网络,其中,建神经网络包括输入层、隐含层、输入层。
本申请实施例能够利用深度神经网络计算能量函数的值以提高排布方案计算速度,可以克服传统的计算方法直接求解每个家具的能量函数或评分函数而导致的数据处理速度慢,耗时大这类缺陷。
本申请第三方面公开了一种家居排布装置,装置,包括:
接收单元,用于接收待布置空间的特征信息;
提取单元,用于从元素数据库中提取与待布置空间相对应的布局元素,布局元素的特征信息包括家具的特征信息、灯具的特征信息中的至少一项;
初始化单元,用于根据待布置空间的特征信息,对布局元素进行初始化布置,获得初始排布方案;
计算单元,用于将初始排布方案输入预先构建的神经网络中,拟合计算初始排布方案的总能量函数值;
判断单元,用于判断总能量函数值是否满足预设条件;若是,则将初始排布方案作为最终排布方案输出;若否,对初始排布方案进行调整,并重新输入至神经网络中计算初始排布方案的总能量函数值,直至总能量函数值符合预设条件。
本申请第四方面公开一种家居排布装置,该装置包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行本申请第一方面和第二方面的一种神经网络构建方法。
本申请第四方面公开一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时,实现本申请第一方面和第二方面的一种神经网络构建方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例公开的一种家居排布方法的流程示意图;
图2为本申请实施例公开的一种家居排布方法的流程示意图;
图3为本申请实施例公开的一种神经网络构建方法的流程示意图;
图4为本申请实施例公开的一种家居排布装置的结构示意图;
图5为本申请实施例公开的一种家居排布装置的结构示意图;
图6为本申请实施例公开的一种神经网络构建装置的结构示意图;
图7为本申请实施例公开的一种家居排布装置的结构示意图;
图8为本申请实施例公开的一种神经网络的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,图1是本申请实施例公开的一种家居排布方法的流程示意图。如图1所示,该方法包括步骤:
101、接收待布置空间的特征信息;
在本申请实施例中,待布置空间的特征信息可以从用户输入的待布置空间的信息中提取,其中,待布置空间的信息是待布置空间所有组成元素的信息,如门、窗、空调孔等元素。
在本申请实施例中,布局元素可以是家具,例如,沙发、凳子、桌子等家具,布局元素也可以是灯具,例如,台灯、挂灯等灯具。
在本申请实施例中,可选地,基于待布置空间所有组成元素在坐标中的最小六面体包围盒表示从待布置空间的信息中提取待布置空间的特征信息。
示例性地,待布置空间的组成元素i用能囊括它的最小六面体包围盒表示,Oi为包围盒的中心点,则元素i的特征信息包括元素i在三维坐标系中的中心点x轴坐标xi、中心点y轴坐标yi、中心点z轴坐标zi、包围盒x轴长度lengthi、包围盒y轴长度widthi、包围盒z轴长度heighti。
需要说明地是,所有元素的特征信息的集合即房间特征信息。
在本申请实施例中,可选地,待布置空间可以是毛胚房,也可以是需二次装修的房屋,本申请对待布置空间具体类型不作限定。
102、从元素数据库中提取与待布置空间相对应的布局元素并得到布局元素特征信息,布局元素的特征信息包括家具的特征信息、灯具的特征信息中的至少一项。
在本申请实施例中,元素数据库可以是预先构建,其中,元素数据库中存储大量布局元素的属性信息。例如,包括但不限于布局元素在三维空间尺寸大小、型号、材质、价格等属性信息。
103、根据待布置空间的特征信息,对布局元素进行初始化布置,获得初始排布方案。
在本申请实施例中,首先根据待布置空间的三维空间关系,初始化最小总能量函数值,然后基于待布置空间的特征信息和最小总能量函数获得初始排布方案。
在本申请实施例中,可选地,布局元素在待布置空间中的摆放位置信息包括中心点x轴坐标信息、中心点y轴坐标信息、中心点z轴坐标信息、摆放方向信息中的至少一项,
104、将初始排布方案输入预先构建的神经网络中,拟合计算初始排布方案的总能量函数值;
105、判断总能量函数值是否满足预设条件;若是,则将初始排布方案作为最终排布方案输出;若否,对初始排布方案进行调整,并重新输入至神经网络中计算初始排布方案的总能量函数值,直至总能量函数值符合预设条件。
在本申请实施例中,作为一种可选的实施方式,步骤103包括子步骤:
1031、根据布局元素的种类及数量在布局元素数据库匹配布局元素的属性数据;
1032、根据布局元素的属性数据与布局元素的摆放位置信息确定布局元素的特征信息,以基于布局元素的特征信息确定预设排布方案。
在申请实施例中,随机初始化布局元素在待布置空间中的摆放位置信息,其中,初始排布方案中包括每个布局元素在待布置空间中的摆放位置信息,然后讲布局元素的摆放位置信息与对应的布局元素的属性信息结合,得到布局元素的特征信息。
在本申请实施例中,作为一种可选的实施方式,步骤104可以包括:
加权累积每个布局元素的可使用能量函数值并得到可使用总能量函数值,其中,可使用能量函数值根据布局元素的最小需求使用空间和实际使用空间之间的差计算得到。
具体地,以i表示某个布局元素,j表示某个方向,Sij表示i布局元素在
wa_ij表示i布局元素在j方向上的可使用性的权重,则有分段函数:
则布局元素i的可使用性能量函数为:
则待布局空间的总可使用性能量函数为:
加权累积计每个布局元素的可视范围中被遮挡面积并得到不可遮挡总能量函数值。
具体地,以公司以布局元素i中心点Oi为圆心,距离rij为最低合理视场半径,j为某个连续可视范围,则有对应n°ij为该布局元素i的第j个连续可视范围的扇形圆心角的角度度数,则布局元素i的连续可视范围j的要求可视面积为扇形面积Sod_i=π×rij 2/360°×n°ij,若有其他布局元素k与该连续可视范围重叠,则通过计算可得布局元素k与Sod_i的遮挡面积为Sjk,则该布局元素i的不可遮挡能量函数为:
该待布局空间的不可遮挡总能量函数为:
加权累积计每个布局元素的碰撞面积并得到碰撞总能量函数值。
具体地,计算两个布局元素(布局元素包括家具与灯具)之间的不合理重叠或超出范围的不合理面积,包括布局元素i与门m的遮挡面积Mim,布局元素i与另一布局元素j的遮挡面积Jij,布局元素i超出房间范围的不合理面积Ci,则该布局元素i的碰撞能量函数为:
其中wm、wj、wc是对应项的权重,该待布局空间布局元素碰撞的总能量为:
加权累积每个布局元素对应的离墙距离差并得到离墙距离总能量函数值,其中,离墙距离差包括布局元素在至少一个方向上的离墙距离差。
可选地,加权累积每个布局元素对应的离墙距离差并得到离墙距离总能量函数值,包括:
加权累积每个布局元素对应的离墙距离差对应的离墙距离能量函数值;
根据离墙距离能量函数值计算离墙距离总能量函数值。
具体地,每个布局元素(布局元素包括家具和灯具)与每个方向的墙都有预设的合理离墙距离,以i表示某个布局元素,以j表示某个方向的墙,dij表示布局元素i与方向j的墙的合理离墙距离,表示布局元素i与方向j的墙的实际离墙距离,则该布局元素i与方向j的墙的离墙距离能量函数为分段函数:
该布局元素i的总离墙距离能量函数为:
该待布局空间的总离墙距离能量函数为:
加权累积每个布局元素的相对位置能量函数值并得到相对位置总能量函数值,其中,相对位置能量函数值根据布局元素需要相对角度与实际相对角度的差平方及需要相对距离与实际相对距离的差平方计算得到。
具体地,当两个家具之间存在相对角度与距离的要求时,以i表示某家具对,预设该家具对要求的相对角度和相对距离σ,该家具对实际的相对角度和相对距离σ′,表示相对角度偏差的权重,wσ_i表示相对距离偏差的权重,则有该家具对的相对位置能量函数为:
Ep_i=wφ_i×(φ-φ′)2+wσ_i×(σ-σ′)2
该待布局空间的家具对相对位置的总能量函数为:
加权累积每个布局元素的照度能量函数值并得到照度总能量函数值,其中,照度能量函数值根据布局元素的实际接受照度值、最小需要照度值、最大需要照度值计算得到;
具体地,对应不同种类的房间或场所,给不同用途的每个家具设定接受照度的范围,则照度的总能量函数定义为加权累积所有家具的照度能量函数值。以i表示某个家具,Eavi表示家具i的实际接受的照度,Eavi_min表示家具i需要的最小照度,Eavi_max表示家具i需要的最大照度,Energyi表示家具i的照度能量函数,wl_i表示家具i的照度权重,则有分段函数:
该家具i的照度能量函数定义为:
Ee_i=Energyi×wl_i
该待布局空间的所有家具总照度能量函数定义为:
加权累积可使用总能量函数值、不可遮挡总能量函数值、碰撞总能量函数值、离墙距离总能量函数值、相对位置总能量函数值、照度总能量函数值并得到总能量函数值。
具体地,对于该方案的总能量函数的定义为上述的各类能量函数的线性组合:
Etotal=W1Ea_total+W2Ev_total+W3Eo_total+W4Ew_total+W5Ep_total+W6Ee_total
其中,W1、W2、W3、W4、W5、W6是对应各类能量函数的权重。
在本申请实施例中,作为一种可选的实施方式,步骤105中的判断总能量函数值是否满足预设条件的具体方式为:
判断总能量函数值是否小于预设能量函数值时,若是,则判断为符合预设条件;
当总能量函数值大于等于预设能量函数值时,判断神经网络当前的拟合计算次数是否等于大于预设迭代阈值,若是,则判断为符合预设条件。
本申请实施例能够利用能量函数来评价家具与灯具排布的好坏。具体地,某种家具与灯具排布方案的能量函数的值越低,则该排布方案越好。与此同时,本申请实施例能够利用深度神经网络计算能量函数的值以提高排布方案计算速度,可以克服传统的计算方法直接求解每个家具的能量函数或评分函数而导致的数据处理速度慢,耗时大这类缺陷。
本申请实施例还能够处理灯具产生的光照作用在家具上所带来的相关影响,从而实现家具与灯具的布局设计完成的同时,使得家具与灯具的设计布局更合理,大幅减免用户后续修改的工作量。
实施例二
请参阅图2,图2是本申请实施例公开的一种家居排布方法的流程示意图。如图2所示,该方法包括:
201、接收待布置空间的特征信息;
202、从元素数据库中提取与待布置空间相对应的布局元素,布局元素的特征信息包括家具的特征信息、灯具的特征信息中的至少一项;
203、根据待布置空间的特征信息,对布局元素进行初始化布置,获得初始排布方案。
204、将初始排布方案输入预先构建的神经网络中,拟合计算初始排布方案的总能量函数值;
205、判断总能量函数值是否满足预设条件;若是,则将初始排布方案作为最终排布方案输出;若否,对初始排布方案进行调整,并重新输入至神经网络中计算初始排布方案的总能量函数值,直至总能量函数值符合预设条件。
206、根据灯具的种类和数量计算光照强度评价函数值,若光照强度评价函数值在预设照强度值域范围外,则输出灯具评价结果。
示意性地,以i表示某个家具,j表示某个灯具,Aj表示灯具j实际所公开的照度,Si表示i家具所需的照度,则有该待布局空间总照度供需比值为:
其中,定义rmin和rmax是预设的照度供需比值允许阈值范围的下限与上限,当ratio小于rmin时认为当前方案总体过暗,系统提出让用户增加灯具的数量或修改灯具种类以增加整体照度的修改建议;ratio大于rmax时认为当前方案总体过亮,系统提出让用户减少灯具的数量或修改灯具种类以减少整体照度的评价结果。
在本申请实施例中,作为一种可选的实施方式,该方法还可以包括步骤:
根据每个家具的占用面积及待布置空间的空间面积利用评价函数值,若空间面积利用评价函数值在预设面积占用值域外,则输出家具占用面积评价报告。
示例性地,遍历方案中所有的家具,则有对应的家具i的面积为Si,该待布局空间内的所有家具的总面积为房间的面积为Sr,则有房间空余面积率为ratio=1-Sall/Sr,若ratio小于根据过往经验总结的阈值则认为房间空余面积过大,则系统提出增加家具的修改建议,并按照家具类别的重要性从高到低,将未被选择的家具类型作为参考增加的家具类别建议;若ratio大于根据过往经验总结的阈值则认为房间空余面积过小,则系统提出减少家具的修改建议,并按照家具类别的重要性从低到高,将已被选择的家具类型作为参考减少的家具类别评价结果。
在本申请实施例中,作为一种可选的实施方式,该方法还可以包括步骤:
将家具的对应的优先权重与预设权重阈值比较,当家具的对应的优先权重小于预设权重阈值时,输出家具重要性评价报告。
示例性地,如表1所示,不同类型的房间所需要的家具类别预设一个所需家具类别优先权重表,对该待布局空间中的每个家具类别给定一个优先权重,在用户挑选家具种类的时候,基于用户的习惯、当地的风俗习惯、房间的尺寸大小给出一个筛选权重。定义预设权重阈值S,在该待布局空间的所需家具类别优先权重表中优先权重大于S的家具应被选中,若用户没有选择该家具,则系统评价当前方案的家具种类不合理,并对用户提出该家具应被选择的评价结果。
在本申请实施例中,作为一种可选的实施方式,方法还包括接收用户基于评价结果的反馈指令,并根据反馈指令输出最终排布方案,或从元素数据库中重新提取布局元素,并重新生成初始排布方案。
本申请实施例能够对设计方案的家具与灯具的种类与数量的合理性进行评价,并基于评价函数的结果提出修改建议以供用户的后续修改。
实施例三
请参阅图3,图3是本申请实施例公开的一种神经网络构建方法的流程示意图。如图3所示,该方法包括:
301、获取至少一个训练样本的标注数据集,标注数据集包括至少一个布局元素的摆放位置信息、和/或待布置空间的特征信息;
302、从元素数据库中提取布局元素的属性信息,以根据属性信息与摆放位置信息得到布局元素的特征信息;
303、根据布局元素的特征信息和待布置空间的特征信息构建神经网络,其中,建神经网络包括输入层、隐含层、输入层。
示例性地,如图8所示,神经网络包括输入层、隐含层、输入层。
在本申请实施例中,作为一种可选的实施方式,使用平方损失函数(L2loss)作为本申请实施例中神经网络的损失函数并依靠反向传播算法训练神经网络。
具体的,X为一种特定的毛胚房,家具,灯具的房间排布方案,F(X)为神经网络的输出值,即该待布局空间排布方案能量函数值的预测值;Y(X)为该待布局空间排布方案能量函数值的真实值,该真实值可通过公式计算Etotal得到,L2loss可由如下公式进行构建:
L2 loss=|F(X)-Y(X)|2。
本申请实施例能够利用深度神经网络计算能量函数的值以提高排布方案计算速度,可以克服传统的计算方法直接求解每个家具的能量函数或评分函数而导致的数据处理速度慢,耗时大这类缺陷。
..
实施例四
请参阅图4,图4是本申请实施例公开的一种家居排布装置的结构示意图。如图4所示,该装置包括:
接收单元401,用于接收待布置空间的特征信息;
提取单元402,用于从元素数据库中提取与待布置空间相对应的布局元素,布局元素的特征信息包括家具的特征信息、灯具的特征信息中的至少一项;
初始化单元403,用于根据待布置空间的特征信息,对布局元素进行初始化布置,获得初始排布方案;
计算单元404,用于将初始排布方案输入预先构建的神经网络中,拟合计算初始排布方案的总能量函数值;
判断单元405,用于判断总能量函数值是否满足预设条件;若是,则将初始排布方案作为最终排布方案输出;若否,对初始排布方案进行调整,并重新输入至神经网络中计算初始排布方案的总能量函数值,直至总能量函数值符合预设条件。
在本申请实施例中,作为一种可选的实施方式,初始化单元403包括:
匹配子单元,用于根据布局元素的种类及数量在布局元素数据库匹配布局元素的属性数据;
确定子单元,用于根据布局元素的属性数据与布局元素的摆放位置信息确定布局元素的特征信息,以基于布局元素的特征信息确定预设排布方案。
在本申请实施例中,作为一种可选的实施方式,计算单元404执行将初始排布方案输入预先构建的神经网络中,拟合计算初始排布方案的总能量函数值的具体方式为:
加权累积每个布局元素的可使用能量函数值并得到可使用总能量函数值,其中,可使用能量函数值根据布局元素的最小需求使用空间和实际使用空间之间的差计算得到;
加权累积计每个布局元素的可视范围中被遮挡面积并得到不可遮挡总能量函数值;
加权累积计每个布局元素的碰撞面积并得到碰撞总能量函数值;
加权累积每个布局元素对应的离墙距离差并得到离墙距离总能量函数值,其中,离墙距离差包括布局元素在至少一个方向上的离墙距离差;
加权累积每个布局元素的相对位置能量函数值并得到相对位置总能量函数值,其中,相对位置能量函数值根据布局元素需要相对角度与实际相对角度的差平方及需要相对距离与实际相对距离的差平方计算得到;
加权累积每个布局元素的照度能量函数值并得到照度总能量函数值,其中,照度能量函数值根据布局元素的实际接受照度值、最小需要照度值、最大需要照度值计算得到;
加权累积可使用总能量函数值、不可遮挡总能量函数值、碰撞总能量函数值、离墙距离总能量函数值、相对位置总能量函数值、照度总能量函数值并得到总能量函数值。
在本申请实施例中,作为一种可选的实施方式,判断单元405执行判断总能量函数值是否满足预设条件步骤的具体方式为:
判断总能量函数值是否小于预设能量函数值时,若是,则判断为符合预设条件;
当总能量函数值大于等于预设能量函数值时,判断神经网络当前的拟合计算次数是否等于大于预设迭代阈值,若是,则判断为符合预设条件。
需要说明地,关于本申请实施例的家居排布装置的示例性说明及详细描述请参考本申请实施例一中的相关内容描述,在此不作赘述。
本申请实施例的装置通过执行家具排布方法,能够利用能量函数来评价家具与灯具排布的好坏。具体地,某种家具与灯具排布方案的能量函数的值越低,则该排布方案越好。与此同时,本申请实施例能够利用深度神经网络计算能量函数的值以提高排布方案计算速度,可以克服传统的计算方法直接求解每个家具的能量函数或评分函数而导致的数据处理速度慢,耗时大这类缺陷。
本申请实施例还能够处理灯具产生的光照作用在家具上所带来的相关影响,从而实现家具与灯具的布局设计完成的同时,使得家具与灯具的设计布局更合理,大幅减免用户后续修改的工作量。
实施例五
请参阅图5,图5是本申请实施例公开的一种家居排布装置的结构示意图。如图5所示,该装置除了包括接收单元401、提取单元402、初始化单元403、计算单元404、判断单元405外,还包括评价单元406,其中:
评价单元406,用于根据灯具的种类和数量计算光照强度评价函数值,若光照强度评价函数值在预设照强度值域范围外,则输出灯具评价结果。
在本申请实施例中,作为一种可选的实施方式,评价单元406还用于根据每个家具的占用面积及待布置空间的空间面积利用评价函数值,若空间面积利用评价函数值在预设面积占用值域外,则输出家具占用面积评价报告。
在本申请实施例中,作为一种可选的实施方式,评价单元406还用于将家具的对应的优先权重与预设权重阈值比较,当家具的对应的优先权重小于预设权重阈值时,输出家具重要性评价报告。
本申请实施例中,作为一种可选的实施方式,该装置接收单元401还用于接收用户基于评价结果的反馈指令,并根据反馈指令输出最终排布方案,或从元素数据库中重新提取布局元素,并重新生成初始排布方案。
需要说明地,关于本申请实施例的家居排布装置的示例性说明及详细描述请参考本申请实施例二中的相关内容描述,在此不作赘述。
本申请实施例能够对设计方案的家具与灯具的种类与数量的合理性进行评价,并基于评价函数的结果提出修改建议以供用户的后续修改。
实施例六
请参阅图6,图6是本申请实施例公开的一种神经网络构建装置的结构示意图。如图6所示,该装置包括:
获取模块501、获取至少一个训练样本的标注数据集,标注数据集包括至少一个布局元素的摆放位置信息、和/或待布置空间的特征信息;
提取模块502、从元素数据库中提取布局元素的属性信息,以根据属性信息与摆放位置信息得到布局元素的特征信息;
构建模块503、根据布局元素的特征信息和待布置空间的特征信息构建神经网络,其中,建神经网络包括输入层、隐含层、输入层。
示例性地,如图8所示,神经网络包括输入层、隐含层、输入层。
在本申请实施例中,作为一种可选的实施方式,使用平方损失函数(L2loss)作为本申请实施例中神经网络的损失函数并依靠反向传播算法训练神经网络。
需要说明地,关于本申请实施例的家居排布装置的示例性说明及详细描述请参考本申请实施例三中的相关内容描述,在此不作赘述。
本申请实施例能够利用深度神经网络计算能量函数的值以提高排布方案计算速度,可以克服传统的计算方法直接求解每个家具的能量函数或评分函数而导致的数据处理速度慢,耗时大这类缺陷。
实施例七
请参阅图7,图7是本申请实施例公开的一种家居排布装置的结构示意图。如图7所示,该装置包括:
存储器602和处理器601,存储器602中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器601执行本申请实施例一至三的家居排布方法的步骤,或者执行本申请实施例四的神经网络构建方法。
本申请实施例的装置通过执行家具排布方法,能够利用能量函数来评价家具与灯具排布的好坏。具体地,某种家具与灯具排布方案的能量函数的值越低,则该排布方案越好。与此同时,本申请实施例能够利用深度神经网络计算能量函数的值以提高排布方案计算速度,可以克服传统的计算方法直接求解每个家具的能量函数或评分函数而导致的数据处理速度慢,耗时大这类缺陷。
本申请实施例的装置还能够处理灯具产生的光照作用在家具上所带来的相关影响,从而实现家具与灯具的布局设计完成的同时,使得家具与灯具的设计布局更合理,大幅减免用户后续修改的工作量。
实施例八
本申请实施例公开一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时,执行本申请实施例一至三的家居排布方法的步骤,或者执行本申请实施例四的神经网络构建方法。
本申请实施例的计算机可读存储介质通过执行家具排布方法,能够利用能量函数来评价家具与灯具排布的好坏。具体地,某种家具与灯具排布方案的能量函数的值越低,则该排布方案越好。与此同时,本申请实施例能够利用深度神经网络计算能量函数的值以提高排布方案计算速度,可以克服传统的计算方法直接求解每个家具的能量函数或评分函数而导致的数据处理速度慢,耗时大这类缺陷。
本申请实施例的计算机可读存储介质还能够处理灯具产生的光照作用在家具上所带来的相关影响,从而实现家具与灯具的布局设计完成的同时,使得家具与灯具的设计布局更合理,大幅减免用户后续修改的工作量。
实施例九
本申请施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行本申请实施例一至三的家居排布方法的步骤,或者执行本申请实施例四的神经网络构建方法。
本申请实施例的计算机程序产品通过执行家具排布方法,能够利用能量函数来评价家具与灯具排布的好坏。具体地,某种家具与灯具排布方案的能量函数的值越低,则该排布方案越好。与此同时,本申请实施例能够利用深度神经网络计算能量函数的值以提高排布方案计算速度,可以克服传统的计算方法直接求解每个家具的能量函数或评分函数而导致的数据处理速度慢,耗时大这类缺陷。
本申请实施例的计算机程序产品还能够处理灯具产生的光照作用在家具上所带来的相关影响,从而实现家具与灯具的布局设计完成的同时,使得家具与灯具的设计布局更合理,大幅减免用户后续修改的工作量。
在本申请所公开的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用于使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (11)
1.一种家居排布方法,其特征在于,所述方法包括:
接收待布置空间的特征信息;
从元素数据库中提取与所述待布置空间相对应的布局元素,所述布局元素的特征信息包括家具的特征信息、灯具的特征信息中的至少一项;
根据所述待布置空间的特征信息,对所述布局元素进行初始化布置,获得初始排布方案;
将所述初始排布方案输入预先构建的神经网络中,拟合计算所述初始排布方案的总能量函数值;
判断所述总能量函数值是否满足预设条件;若是,则将所述初始排布方案作为最终排布方案输出;若否,对所述初始排布方案进行调整,并重新输入至所述神经网络中计算所述初始排布方案的总能量函数值,直至所述总能量函数值符合预设条件。
2.如权利要求1所述的方法,其特征在于,所述根据所述待布置空间的特征信息,对所述布局元素进行初始化布置,获得初始排布方案,包括:
根据所述布局元素的种类及数量在所述布局元素数据库匹配所述布局元素的属性数据;
根据所述布局元素的属性数据与所述布局元素的摆放位置信息确定所述布局元素的特征信息,以基于所述布局元素的特征信息确定所述预设排布方案。
3.根据权利要求1所述的方法,其特征在于,将所述初始排布方案输入预先构建的神经网络中,拟合计算所述初始排布方案的总能量函数值,包括:
加权累积每个所述布局元素的可使用能量函数值并得到可使用总能量函数值,其中,可使用能量函数值根据所述布局元素的最小需求使用空间和实际使用空间之间的差计算得到;
加权累积计每个所述布局元素的可视范围中被遮挡面积并得到不可遮挡总能量函数值;
加权累积计每个所述布局元素的碰撞面积并得到碰撞总能量函数值,其中;
加权累积每个所述布局元素对应的离墙距离差并得到离墙距离总能量函数值,其中,所述离墙距离差包括所述布局元素在至少一个方向上的离墙距离差;
加权累积每个所述布局元素的相对位置能量函数值并得到相对位置总能量函数值,其中,所述相对位置能量函数值根据所述布局元素需要相对角度与实际相对角度的差平方及需要相对距离与实际相对距离的差平方计算得到;
加权累积每个所述布局元素的照度能量函数值并得到照度总能量函数值,其中,照度能量函数值根据所述布局元素的实际接受照度值、最小需要照度值、最大需要照度值计算得到;
加权累积所述可使用总能量函数值、所述不可遮挡总能量函数值、碰撞总能量函数值、离墙距离总能量函数值、相对位置总能量函数值、照度总能量函数值并得到所述总能量函数值。
4.如权利要求1所述的方法,其特征在于,所述判断所述总能量函数值是否满足预设条件,包括:
判断所述总能量函数值是否小于所述预设能量函数值时,若是,则判断为符合预设条件。
5.如权利要求4所述的方法,其特征在于,所述判断所述总能量函数值是否满足预设条件,还包括:
当所述总能量函数值大于等于所述预设能量函数值时,判断所述神经网络当前的拟合计算次数是否等于大于预设迭代阈值,若是,则判断为符合预设条件。
6.如权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
根据所述灯具的种类和数量计算光照强度评价函数值,若光照强度评价函数值在预设照强度值域范围外,则输出灯具评价结果;
和/或根据每个所述家具的占用面积及所述待布置空间的空间面积利用评价函数值,若空间面积利用评价函数值在预设面积占用值域外,则输出家具占用面积评价报告;
和/或,将所述家具的对应的优先权重与预设权重阈值比较,当所述家具的对应的优先权重小于所述预设权重阈值时,输出家具重要性评价报告。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
接收用户基于所述评价结果的反馈指令,并根据所述反馈指令输出所述最终排布方案,或从所述元素数据库中重新提取所述布局元素,并重新生成所述初始排布方案。
8.一种神经网络构建方法,其特征在于,所述方法包括:
获取至少一个训练样本的标注数据集,所述标注数据集包括至少一个布局元素的摆放位置信息、和/或待布置空间的特征信息;
从元素数据库中提取所述布局元素的属性信息,以根据所述属性信息与所述摆放位置信息得到所述布局元素的特征信息;
根据所述布局元素的特征信息和所述待布置空间的特征信息构建神经网络,其中,所述建神经网络包括输入层、隐含层、输入层。
9.一种家居排布装置,其特征在于,所述装置包括:
接收单元,用于接收待布置空间的特征信息;
提取单元,用于从元素数据库中提取与所述待布置空间相对应的布局元素,所述布局元素的特征信息包括家具的特征信息、灯具的特征信息中的至少一项;
初始化单元,用于根据所述待布置空间的特征信息,对所述布局元素进行初始化布置,获得初始排布方案;
计算单元,用于将所述初始排布方案输入预先构建的神经网络中,拟合计算所述初始排布方案的总能量函数值;
判断单元,用于判断所述总能量函数值是否满足预设条件;若是,则将所述初始排布方案作为最终排布方案输出;若否,对所述初始排布方案进行调整,并重新输入至所述神经网络中计算所述初始排布方案的总能量函数值,直至所述总能量函数值符合预设条件。
10.一种家居排布装置,其特征在于,所述装置包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至8中任一项所述的家居排布方法的步骤。
11.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,执行如权利要求1至8中任一项所述的家居排布方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072661.4A CN110826135A (zh) | 2019-11-05 | 2019-11-05 | 家居排布方法、装置、神经网络构建方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072661.4A CN110826135A (zh) | 2019-11-05 | 2019-11-05 | 家居排布方法、装置、神经网络构建方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826135A true CN110826135A (zh) | 2020-02-21 |
Family
ID=69552721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911072661.4A Pending CN110826135A (zh) | 2019-11-05 | 2019-11-05 | 家居排布方法、装置、神经网络构建方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826135A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420501A (zh) * | 2021-06-10 | 2021-09-21 | 南京邮电大学 | 一种改进的人工神经网络室内光源布局方法 |
CN113420357A (zh) * | 2021-06-28 | 2021-09-21 | 杭州群核信息技术有限公司 | 一种卫浴柜设计方法、装置、电子设备和存储介质 |
CN113449356A (zh) * | 2021-09-01 | 2021-09-28 | 深圳须弥云图空间科技有限公司 | 室内自动布局方法、装置、计算机设备及计算机可读存储介质 |
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 |
CN114417485A (zh) * | 2022-03-11 | 2022-04-29 | 深圳小库科技有限公司 | 室内装修的布局方法、装置、电子设备和可读存储介质 |
CN115408764A (zh) * | 2022-11-01 | 2022-11-29 | 江西立盾光电科技有限公司 | 一种室内led灯的布置方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984904A (zh) * | 2018-07-17 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的家居设计方法 |
CN109740243A (zh) * | 2018-12-29 | 2019-05-10 | 江苏艾佳家居用品有限公司 | 一种基于分件强化学习技术的家具布局方法及系统 |
KR20190106867A (ko) * | 2019-08-27 | 2019-09-18 | 엘지전자 주식회사 | 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법 |
CN110363853A (zh) * | 2019-07-15 | 2019-10-22 | 贝壳技术有限公司 | 家具摆放方案生成方法、装置以及设备、存储介质 |
-
2019
- 2019-11-05 CN CN201911072661.4A patent/CN110826135A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984904A (zh) * | 2018-07-17 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的家居设计方法 |
CN109740243A (zh) * | 2018-12-29 | 2019-05-10 | 江苏艾佳家居用品有限公司 | 一种基于分件强化学习技术的家具布局方法及系统 |
CN110363853A (zh) * | 2019-07-15 | 2019-10-22 | 贝壳技术有限公司 | 家具摆放方案生成方法、装置以及设备、存储介质 |
KR20190106867A (ko) * | 2019-08-27 | 2019-09-18 | 엘지전자 주식회사 | 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법 |
Non-Patent Citations (2)
Title |
---|
刘米兰等: "基于复合模型的家居场景生成方法", 《计算机学报》 * |
王公儒: "《作业系统调度优化理论与方法》", 华中科技大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113420501A (zh) * | 2021-06-10 | 2021-09-21 | 南京邮电大学 | 一种改进的人工神经网络室内光源布局方法 |
CN113420501B (zh) * | 2021-06-10 | 2024-04-02 | 南京邮电大学 | 一种改进的人工神经网络室内光源布局方法 |
CN113420357A (zh) * | 2021-06-28 | 2021-09-21 | 杭州群核信息技术有限公司 | 一种卫浴柜设计方法、装置、电子设备和存储介质 |
CN113449356A (zh) * | 2021-09-01 | 2021-09-28 | 深圳须弥云图空间科技有限公司 | 室内自动布局方法、装置、计算机设备及计算机可读存储介质 |
CN114417485A (zh) * | 2022-03-11 | 2022-04-29 | 深圳小库科技有限公司 | 室内装修的布局方法、装置、电子设备和可读存储介质 |
CN114417485B (zh) * | 2022-03-11 | 2022-06-14 | 深圳小库科技有限公司 | 室内装修的布局方法、装置、电子设备和可读存储介质 |
CN115408764A (zh) * | 2022-11-01 | 2022-11-29 | 江西立盾光电科技有限公司 | 一种室内led灯的布置方法及系统 |
CN115408764B (zh) * | 2022-11-01 | 2023-03-24 | 江西立盾光电科技有限公司 | 一种室内led灯的布置方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826135A (zh) | 家居排布方法、装置、神经网络构建方法及存储介质 | |
CN109740243B (zh) | 一种基于分件强化学习技术的家具布局方法及系统 | |
Moglia et al. | A review of Agent-Based Modelling of technology diffusion with special reference to residential energy efficiency | |
CN111709061B (zh) | 室内物品自动摆放处理方法、装置以及设备、存储介质 | |
Zhang et al. | Some similarity measures for triangular fuzzy number and their applications in multiple criteria group decision-making | |
US20140278268A1 (en) | Method for mapping elements of a construction project | |
US11875296B2 (en) | Optimizing building design and architecture for sustainability certification | |
Caldas et al. | Painting with light: An interactive evolutionary system for daylighting design | |
CN113449355A (zh) | 一种基于人工智能的建筑户型图自动生成方法 | |
Henderson et al. | Automatic generation of constrained furniture layouts | |
Jin et al. | Lighting layout optimization for 3D indoor scenes | |
Gilner et al. | Application of artificial intelligence in sustainable building design-optimisation methods | |
CN106952346A (zh) | 一种基于画平面多边形生成吊顶3d模型的系统及方法 | |
Na et al. | Performance evaluation of building designs with BIM-based spatial patterns | |
Lu et al. | A BIM tool for carbon footprint assessment of building design | |
WO2022059670A1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
KR102204458B1 (ko) | 인테리어 설계 및 비용 시뮬레이션 방법 및 장치 | |
CN111241619B (zh) | 一种规则驱动的协同交互式空间布局自动设计方法 | |
US20230076988A1 (en) | Method for automatically furnishing a 3d room based on user preferences | |
CN116341081A (zh) | 一种建筑设计多目标快速优化设计辅助系统及方法 | |
KR20210125685A (ko) | 증강 현실을 활용한 가구 배치 표시 방법 | |
Hasti et al. | Role of Technology for Interior Design Sectors in Creative Economic Development | |
Gilani et al. | Advancing Occupant Modeling for Building Design and Code Compliance. | |
CN114186306A (zh) | 结构设计中的柱放置的可定制强化学习 | |
Plebe et al. | Optimizing costs and quality of interior lighting by genetic algorithm |
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: 20200221 |
|
RJ01 | Rejection of invention patent application after publication |