CN111291800A - 房屋装修类型分析方法、系统、电子设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种房屋装修类型分析方法、系统、电子设备及存储介质，该方法包括：根据待检测房间的多张图像得到房间分类结果；若房间分类结果为非毛坯房间，则按照预设检测类别对多张图像分别进行模型预测，得到每一张图像所对应的检测类别预测结果；获取每一张图像所包含的预设检测类别的置信度数值；从置信度数值小于预设类别置信度数值的图像的检测类别预测结果中，去除置信度数值所对应的预设检测类别，得到最终预测结果；根据最终预测结果确定待检测房间的装修类型。该方法通过设置预设类别置信度数值，将每一张图像中置信度低的检测类别过滤掉，提高了房屋装修类型分析的准确性。

Description

房屋装修类型分析方法、系统、电子设备及可读存储介质

技术领域

本发明涉及房屋装修领域，具体涉及到一种房屋装修类型分析方法、系统、电子设备及可读存储介质。

背景技术

在房屋地产领域中，不同装修类型的房屋具有不同的租金价格，通常房屋装修越好其租金也越高。用户可根据需要选择不同装修类型的房屋，找到符合自身需求的房源。

随着科技的快速发展，出租房源的房屋照片通常被放到各种租房APP软件上，用户可以通过查阅房源APP软件上的房屋照片确定房屋的装修情况。故通过房屋图片快速识别出房屋装修类型，减少人工审核图片做出推荐的时间就显得尤为重要。目前，主要是通过对固定形态物体的检测与识别，多见于各类型材料的缺陷检测，根据缺陷检测结果确定房屋的装修类型。然而，在实际应用中通过上述方法得到的房屋装修类型存在准确度低的问题。

发明内容

有鉴于此，本发明实施例提供了一种房屋装修类型分析方法、系统、电子设备及可读存储介质，以解决现有技术确定房屋装修类型不准确的问题。

为此，本发明实施例提供了如下技术方案：

根据第一方面，本发明实施例提供了一种房屋装修类型分析方法，包括：根据待检测房间的多张图像得到用于表征待检测房间是否为毛坯房间的房间分类结果；若所述房间分类结果表征所述待检测房间为非毛坯房间，则按照预设检测类别对多张所述图像分别进行模型预测，得到每一张图像所对应的检测类别预测结果；获取每一张图像所包含的所述预设检测类别的置信度数值；从所述置信度数值小于预设类别置信度数值的图像的检测类别预测结果中，去除所述置信度数值所对应的预设检测类别，得到最终预测结果；根据所述最终预测结果确定所述待检测房间的装修类型。

可选地，根据待检测房间的多张图像得到用于表征待检测房间是否为毛坯房间的房间分类结果，包括：获取待检测房间的多张图像；对多张所述图像分别进行分类得到每一张图像所对应的单张图像分类结果；根据所述单张图像分类结果确定毛坯图像的图像数量和置信度；根据所述毛坯图像的图像数量和置信度计算得到所述待侦测房间的毛坯数值；判断所述待检测房间的毛坯数值是否大于预设毛坯数值；若所述待检测房间的毛坯数值大于所述预设毛坯数值，则所述待检测房间的房间分类结果为毛坯房间；若所述待检测房间的毛坯数值小于或者等于所述预设毛坯数值，则所述待检测房间的房间分类结果为非毛坯房间。

可选地，根据所述单张图像分类结果确定毛坯图像的图像数量和置信度，包括：根据所述单张图像分类结果确定毛坯图像的图像数量；获取每一张毛坯图像中各个像素点所对应的像素点置信度；根据所述像素点置信度确定每一张毛坯图像所对应的置信度。

可选地，根据所述像素点置信度确定每一张毛坯图像所对应的置信度的步骤之前，还包括：去除毛坯图像中各个像素点所对应的毛坯区域内所有的像素点置信度，其中，所述毛坯区域的面积数值小于预设毛坯连通域数值。

可选地，对多张所述图像分别进行分类得到每一张图像所对应的单张图像分类结果的步骤之前，还包括：对多张所述图像分别进行尺寸缩放以使每一张所述图像缩放至预设大小。

可选地，根据所述最终预测结果确定所述待检测房间的装修类型，包括：将每一张图像所对应的最终预测结果进行聚类，得到所述预设检测类别所对应聚类信息；根据所述聚类信息确定所述待检测房间的装修类型。

可选地，根据所述聚类信息确定所述待检测房间的装修类型，包括：根据所述聚类信息和预设类别权重进行评分，得到评分数值；将所述评分数值与装修类型的预设区间数值进行比较，确定所述待检测房间的装修类型。

根据第二方面，本发明实施例提供了一种房屋装修类型分析系统，包括：第一处理模块，用于根据待检测房间的多张图像得到用于表征待检测房间是否为毛坯房间的房间分类结果；第二处理模块，用于若所述房间分类结果表征所述待检测房间为非毛坯房间，则按照预设检测类别对多张所述图像分别进行模型预测，得到每一张图像所对应的检测类别预测结果；第一获取模块，用于获取每一张图像所包含的所述预设检测类别的置信度数值；第三处理模块，用于从所述置信度数值小于预设类别置信度数值的图像的检测类别预测结果中，去除所述置信度数值所对应的预设检测类别，得到最终预测结果；第四处理模块，用于根据所述最终预测结果确定所述待检测房间的装修类型。

可选地，所述第一处理模块包括：第一获取单元，用于获取待检测房间的多张图像；第一处理单元，用于对多张所述图像分别进行分类得到每一张图像所对应的单张图像分类结果；第二处理单元，用于根据所述单张图像分类结果确定毛坯图像的图像数量和置信度；第三处理单元，用于根据所述毛坯图像的图像数量和置信度计算得到所述待侦测房间的毛坯数值；第一判断单元，用于判断所述待检测房间的毛坯数值是否大于预设毛坯数值；第四处理单元，用于若所述待检测房间的毛坯数值大于所述预设毛坯数值，则所述待检测房间的房间分类结果为毛坯房间；第五处理单元，用于若所述待检测房间的毛坯数值小于或者等于所述预设毛坯数值，则所述待检测房间的房间分类结果为非毛坯房间。

可选地，所述第二处理单元包括：第一处理子单元，用于根据所述单张图像分类结果确定毛坯图像的图像数量；获取子单元，用于获取每一张毛坯图像中各个像素点所对应的像素点置信度；第二处理子单元，用于根据所述像素点置信度确定每一张毛坯图像所对应的置信度。

可选地，所述第二处理单元还包括：第三处理子单元，用于去除毛坯图像中各个像素点所对应的毛坯区域内所有的像素点置信度，其中，所述毛坯区域的面积数值小于预设毛坯连通域数值。

可选地，所述第一处理模块还包括：第六处理单元，用于对多张所述图像分别进行尺寸缩放以使每一张所述图像缩放至预设大小。

可选地，所述第四处理模块包括：第七处理单元，用于将每一张图像所对应的最终预测结果进行聚类，得到所述预设检测类别所对应聚类信息；第八处理单元，用于根据所述聚类信息确定所述待检测房间的装修类型。

可选地，所述第八处理单元包括：第四处理子单元，用于根据所述聚类信息和预设类别权重进行评分，得到评分数值；第六处理子单元，用于将所述评分数值与装修类型的预设区间数值进行比较，确定所述待检测房间的装修类型。

根据第三方面，本发明实施例提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器执行上述第一方面任意一项所述的房屋装修类型分析方法。

根据第四方面，本发明实施例提供了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指令，计算机指令用于使计算机执行上述第一方面任意一项所述的房屋装修类型分析方法。

本发明实施例技术方案，具有如下优点：

本发明实施例提供了一种房屋装修类型分析方法、系统、电子设备及可读存储介质，其中，该方法包括：根据待检测房间的多张图像得到用于表征待检测房间是否为毛坯房间的房间分类结果；若所述房间分类结果表征所述待检测房间为非毛坯房间，则按照预设检测类别对多张所述图像分别进行模型预测，得到每一张图像所对应的检测类别预测结果；获取每一张图像所包含的所述预设检测类别的置信度数值；从所述置信度数值小于预设类别置信度数值的图像的检测类别预测结果中，去除所述置信度数值所对应的预设检测类别，得到最终预测结果；根据所述最终预测结果确定所述待检测房间的装修类型。该方法根据待检测房间的分类结果对非毛坯房间进行检测类别的预测，得到每一张图像的检测类别预测结果；通过设置预设类别置信度数值，将每一张图像中置信度低的检测类别过滤掉，得到检测类别的最终预测结果，进而确定待检测房间的装修类型，提高了房屋装修类型分析的准确性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。

图1为本发明实施例的房屋装修类型分析方法的一个具体示例的流程图；

图2为本发明实施例的房屋装修类型分析方法的另一个具体示例的流程图；

图3为本发明实施例的房屋装修类型分析方法的另一个具体示例的流程图；

图4为本发明实施例的房屋装修类型分析方法的另一个具体示例的流程图；

图5为本发明实施例的房屋装修类型分析方法的另一个具体示例的流程图；

图6为本发明实施例的房屋装修类型分析方法的另一个具体示例的流程图；

图7为本发明实施例的房屋装修类型分析方法的另一个具体示例的流程图；

图8为本发明实施例的房屋装修类型分析系统的一个具体示例的框图；

图9为本发明实施例的电子设备的示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

现有技术中对固定形态物体的检测与识别，多见于各类型材料的缺陷检测。这种类型的检测形态比较单一，干扰信息比较少，所以神经网络技术可以直接对图像进行分割，即对其每个像素进行类别分析。上述方法适用于场景较为统一，图像呈现的环境信息干扰较小的场景。然而，在实际中，室内照片场景的复杂环境是多种多样，在灵活多变的拍照形式以及房间摆设的情况下，通过上述方法难以对其进行直接分析。故本实施例中，根据待检测房间的分类结果对非毛坯房间进行检测类别的预测，得到每一张图像的检测类别预测结果；通过设置预设类别置信度数值，将每一张图像中置信度低的检测类别过滤掉，得到检测类别的最终预测结果，进而确定待检测房间的装修类型，提高了房屋装修类型分析的准确性。

基于此，本发明实施例提供了一种房屋装修类型分析方法，如图1所示，该方法可以包括步骤S1-S5。

步骤S1：根据待检测房间的多张图像得到用于表征待检测房间是否为毛坯房间的房间分类结果。

作为示例性的实施例，先获取待检测房间的多张图像，对多张照片进行图像识别确定待检测房间的房间分类结果。房间分类结果包括毛坯房间和非毛坯房间，上述非毛坯房间也可以称为装修过的房间，具体可以对待检测房间的图像进行图像识别来确定待检测房间的具体情况，是未装修过的毛坯房间还是已经装修过的正常房间，本实施例对房间分类结果的获取方法仅作示意性说明，不以此为限。

步骤S2：若房间分类结果表征待检测房间为非毛坯房间，则按照预设检测类别对多张图像分别进行模型预测，得到每一张图像所对应的检测类别预测结果。

作为示例性的实施例，若房间分类结果表征待检测房间为毛坯房间，则说明待检测房间是未经过装修的毛坯房间，无需对其进行装修类型的区分。若房间分类结果表征待检测房间为非毛坯房间，则说明待检测房间是经过装修的房间，之后，根据预设检测类别对每一张图像分别进行模型预测，得到每一张图像所对应的检测类别预测结果，以便后续对其装修类型作进一步的区分，确定待检测房间的装修类型，具体的装修类型可以包括简单装修，精装修和豪华装修等，仅以此为例，不以此为限。具体地，模型预测的种类取决于要检测的预先设定的检测类别种类，也就是预设检测类别，上述预设检测类别可以是预先设置好的检测类别，如裂纹、破损墙面、浓艳壁纸等，本实施例中，将预设检测类别分为10种，仅以此为例，不以此为限。

步骤S3：获取每一张图像所包含的预设检测类别的置信度数值。

作为示例性的实施例，每一张图像经模型预测后检测出来的检测类别的种类有多有少，每一张图片包含的检测类别的种类也各不相同，各种检测类别的置信度也不相同。具体地，可通过模型预测得到每一张图像所包含的预设检测类别的置信度数值。

步骤S4：从置信度数值小于预设类别置信度数值的图像的检测类别预测结果中，去除置信度数值所对应的预设检测类别，得到最终预测结果。

作为示例性的实施例，可先判断置信度数值是否小于预设类别置信度数值，预设类别置信度数值可以是预先设置好的类别置信度数值，其数值大小可根据实际情况合理设置。具体地，每一种预设检测类别对应一个预设类别置信度数值，本实施例中，预设类别置信度数值设置为0.6，即每一种预设检测类别所对应的预设类别置信度数值均为0.6，在其它示例性实施例中，不同的预设检测类别也可以对应不同的预设类别置信度数值，根据需要合理设置即可。对每一张图像中所包含的检测类别的置信度数值分别与其所对应的预设类别置信度数值进行比较，得到置信度数值与预设类别置信度数值的大小关系。若置信度数值小于预设类别置信度数值，则从每一张图像的检测类别预测结果中去除置信度数值所对应的预设检测类别，得到最终预测结果。

作为示例性的实施例，若置信度数值小于预设类别置信度数值，则说明该置信度数值所对应的预设检测类别的可信度较低，为了得到更加准确的类别预测结果，需要将这些置信度较小的类别去除，保留置信度较高的类别，得到检测类别的最终预测结果，提高数据处理的准确度。若置信度数值大于或者等于预设类别置信度数值，则说明该置信度数值所对应的预设检测类别的可信度较高，无需对其作任何操作。通过预设类别置信度数值去除图像中所包含的可信度较低的检测类型，消除了无关干扰，提高了检测类型确定的准确度，使得最终得到的装修类型的可信度更高。

步骤S5：根据最终预测结果确定待检测房间的装修类型。

作为示例性的实施例，根据检测类别的最终预测结果得到待检测房间的装修类型，在本实施例中，装修类型可以包括简单装修，精装修和豪华装修。具体地，预先将房间的装修类型进行区间划分，不同的装修类别对应不同的分数值，根据预测结果对待检测房间的装修进行评分，之后将待检测房间的评分与各个区间的分数值进行比较，确定所属的区间，从而得到装修类型，仅以此为例，不以此为限。

通过上述步骤，根据待检测房间的分类结果对非毛坯房间进行检测类别的预测，得到每一张图像的检测类别预测结果；通过设置预设类别置信度数值，将每一张图像中置信度低的检测类别过滤掉，得到检测类别的最终预测结果，进而确定待检测房间的装修类型，提高了房屋装修类型分析的准确性。

作为示例性的实施例，步骤S1根据待检测房间的多张图像得到用于表征待检测房间是否为毛坯房间的房间分类结果的步骤中，如图2所示，具体可包括步骤S11-S17。

步骤S11：获取待检测房间的多张图像。

作为示例性的实施例，可通过相机或者手机等具有拍照功能的装置对待检测房间进行拍照，得到多张图像。在其它示例性的实施例中，也可以从图库中得到待检测房间的多张照片，本实施例对此仅作示意性说明，并不以此为限。

步骤S12：对多张图像分别进行分类得到每一张图像所对应的单张图像分类结果。

作为示例性的实施例，采用语义分割模型(segmentation model)来做分类器，进行一个简单类别的过滤，得到每一张照片的分类结果。具体地，通过图像语义分割模型对所有图像分别进行类别区分，得到每一张图像的分类结果，从而根据每一张图像的分类结果得到该待检测房间的房间分类结果，如正常房间和未装修过得毛坯房间。

步骤S13：根据单张图像分类结果确定毛坯图像的图像数量和置信度。

作为示例性的实施例，对每一张图像的单张图像分类结果进行处理分析，得到分类为毛坯房间的图像数量和图像所对应的置信度。需要说明的是，在本实施例中，由于毛坯图像的识别准确性较高，故根据毛坯图像确定待检测房间的房间分类结果，在其它实施例中，也可以根据非毛坯图像确定房间分类结果，例如，根据单张图像分类结果确定非毛坯图像的图像数量和置信度。

步骤S14：根据毛坯图像的图像数量和置信度计算得到待侦测房间的毛坯数值。

作为示例性的实施例，每一张图像都可以有一个毛坯与正常房间的分类，可根据分类将多张图像分为毛坯图像和非毛坯图像，之后根据毛坯图像的数量及置信度关系得到待检测房间的毛坯数值，对整个房间进行区分。

具体地，先得到毛坯图像的图像数量占总的图像数量的比值，毛坯图像所对应的置信度，上述毛坯图像所对应的置信度可以是将多张毛坯图像的置信度求平均值，将平均值作为总的置信度；然后，获取比值和总的置信度的权重，计算两者的加权和，得到待侦测房间的毛坯数值。

步骤S15：判断待检测房间的毛坯数值是否大于预设毛坯数值。若待检测房间的毛坯数值大于预设毛坯数值，则说明待检测房间为毛坯房间，执行步骤S16；若毛坯数值小于或者等于预设数值，则说明待检测房间为非毛坯房间，执行步骤S17。

作为示例性的实施例，预设毛坯数值是预先设置好的数值，具体可以是0.2，仅以此为例，不以此为限，在其它示例性的实施例中，可根据实际需要合理设置。

步骤S16：若待检测房间的毛坯数值大于预设毛坯数值，则待检测房间的房间分类结果为毛坯房间。

作为示例性的实施例，若待检测房间的毛坯数值大于预设毛坯数值，表明待检测房间是毛坯房间，则房间分类结果为毛坯房间。

步骤S17：若待检测房间的毛坯数值小于或者等于预设毛坯数值，则待检测房间的房间分类结果为非毛坯房间。

作为示例性的实施例，若待检测房间的毛坯数值小于或者等于预设毛坯数值，表明待检测房间是非毛坯房间，则房间分类结果为非毛坯房间。

例如，一套房间有10张图像，其中5张属于毛坯房间且这5张置信度都为0.8。毛坯图像所占的比值为5/10＝0.5，比值的权重为0.6；毛坯图像的总的置信度为(0.8+0.8+0.8+0.8+0.8)/5＝0.8，置信度权重为0.4，则待检测房间的毛坯数值的计算规则如下：0.6*5+0.4*0.8＝0.62，由于毛坯数值0.62大预设毛坯数值0.2，因此，待检测房间属于毛坯房间。本实施例对此仅作示意性描述，不以此为限。

通过上述步骤，根据每一张图像所对应的单张图像分类结果确定毛坯图像的图像数量和置信度，根据图像数量和置信度确定待检测房间的房间分类结果，增加了分类结果的准确性。

作为示例性的实施例，步骤S13根据单张图像分类结果确定毛坯图像的图像数量和置信度的步骤中，如图3所示，包括步骤S131-S133。

步骤S131：根据单张图像分类结果确定毛坯图像的图像数量。

具体地，每一张图像对应一个单张图像分类结果，对单张图像分类结果进行统计分析，去除非毛坯房间的图像，保留毛坯房间的图像，得到分类结果为毛坯房间所包含的图像数量，从而确定毛坯房间的图像数量。

步骤S132：获取毛坯图像中各个像素点所对应的像素点置信度。

作为示例性的实施例，通过segmentation model得到毛坯房间图像中每一个像素的点的置信度，仅以此为例，不以此为限。

步骤S133：根据像素点置信度确定每一张毛坯图像所对应的置信度。

作为示例性的实施例，从每一张毛坯图像的像素点置信度中查找最大值，并将最大值作为对应图像的置信度；在其它示例性的实施例中，也可以采用所有像素点置信度的平均值作为该图像的置信度，还可以是在图像中选取预设数量的像素点，根据选取的像素点的置信度得到该图像所对应的置信度，例如，可以选取图像中置信度最高的三个像素点，将这三个像素点所对应的像素点置信度的平均值作为图像所对应的置信度，本实施例对此仅作示意性说明，并不以此为限。

作为示例性的实施例，步骤S133根据像素点置信度确定每一张毛坯图像所对应的置信度的步骤之前，如图4所示，还包括步骤S134。

步骤S134：去除毛坯图像中各个像素点所对应的毛坯区域内所有的像素点置信度，其中，毛坯区域的面积数值小于预设毛坯连通域数值。

作为示例性的实施例，先获取预设毛坯连通域数值，预设毛坯连通域数值可以是预先设置好的数值，用于去除区域面积较小的干扰信息，预设毛坯连通域数值的大小可根据需要合理设置。毛坯区域的面积通常较大，若只有一个像素点或者几个像素点构成的小区域显示为毛坯，则认为该像素点的数值错误，根据预设毛坯连通域数值去除这些错误信息，得到准确的数据。之后，判断每一张毛坯图像中各个像素点所对应的毛坯区域的毛坯区域面积数值是否小于预设毛坯连通域数值，也就是将每一张毛坯图像中各个像素点所对应的毛坯区域的毛坯区域面积数值与预设毛坯连通域数值进行比较。若像素点所对应的毛坯区域面积数值小于预设毛坯连通域数值，则去除毛坯区域内所有的像素点置信度。

作为示例性的实施例，若像素点所对应的毛坯区域面积数值小于预设毛坯连通域数值，则该像素点所在的毛坯区域面积过小，这些数据为干扰数据或者错误数据，需将这些数据去除以提高精确度，故去除毛坯区域内所有的像素点置信度。

通过上述步骤，通过预设毛坯连通域数值去除区域较小的部分，增加数据处理的准确性。

作为示例性的实施例，步骤S12对多张图像分别进行分类得到每一张图像所对应的单张图像分类结果的步骤之前，如图5所示，还包括步骤S18。

步骤S18：对多张图像分别进行尺寸缩放以使每一张图像缩放至预设大小。

作为示例性的实施例，预设大小可以是预先设置好的图像尺寸，具体可以为一个比例区间，可根据需要合理设置。

通过上述步骤，将图像缩放到一个比例区间，实现了图像尺度的统一控制，便于后续对图片进行处理以及显示存储。

作为示例性的实施例，步骤S5根据最终预测结果确定待检测房间的装修类型的步骤中，如图6所示，包括步骤S51-S52。

步骤S51：将每一张图像所对应的最终预测结果进行聚类，得到预设检测类别所对应聚类信息。

作为示例性的实施例，房屋的最终决策不能只通过一张图片决定，只有一整套图片才能决定一间房间的装修种类，故对所有图片检测的结果进行聚合操作，通过对每一张图片的模型预测得到各个类别的详细信息，比如破损有多少个，面积为多少；之后，对各个类别进行聚类，得到每个检测类别所对应聚类信息。

步骤S52：根据聚类信息确定待检测房间的装修类型。

作为示例性的实施例，步骤S52根据聚类信息确定所述待检测房间的装修类型的步骤中，如图7所示，包括步骤S521-S522。

步骤S521：根据聚类信息和预设类别权重进行评分，得到评分数值。

作为示例性的实施例，由于确定房屋装修类别中，各个检测类别对确定房屋类别的权重并不相同，例如，破损面积与个数、裂纹的多少和面积大小，这两种类别的权重不同。故需要对每个类别给与不同的权重，这些权重的分配需要根据对预测结果数据的分析，可视化来决定。比如类别1所对应的权重系数为1，类别2所对应的权重系数为5。之后，通过每个类别的个数乘以权重系数得出最终的评分数值。

步骤S522：将评分数值与装修类型的预设区间数值进行比较，确定所述待检测房间的装修类型。

作为示例性的实施例，预设区间数值可根据需要合理设置，通过预设区间数值对各个类别进行划分，例如，装修类型1为0～100分，装修类型2为100～200分，装修类型类别3为超出200分，具体地，装修类型1可以是豪华装修，装修类型2可以是精装修，装修类型3可以是简装修。将评分数值与装修类型的预设区间数值进行比较，确定评分数值的所属预设区间数值，得到待检测房间的装修类型。

需要说明的是，本实施例中采用的是缺陷检测，故装修类型的分值越高，则装修越差；在其它实施例中，装修类型的分值与装修好坏的关系需要根据检测的具体检测类别确定。

通过上述步骤，得到待检测房间全部的最终预测结果之后，需要对其进行聚合，将每张图像出现的全部要检测的问题的数量，面积做一个累加操作，然后根据上述描述的评分规则，对整个待检测房间进行综合评分，得到待检测房间的装修类型。

在本实施例中还提供了一种房屋装修类型分析系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本实施例还提供一种房屋装修类型分析系统，如图8所示，包括：第一处理模块81、第二处理模块82、第一获取模块83、第三处理模块84和第四处理模块85。

第一处理模块81，用于根据待检测房间的多张图像得到用于表征待检测房间是否为毛坯房间的房间分类结果；详细内容参考步骤S1所述。

第二处理模块82，用于若所述房间分类结果表征所述待检测房间为非毛坯房间，则按照预设检测类别对多张所述图像分别进行模型预测，得到每一张图像所对应的检测类别预测结果；详细内容参考步骤S2所述。

第一获取模块83，用于获取每一张图像所包含的所述预设检测类别的置信度数值；详细内容参考步骤S3所述。

第三处理模块84，用于从所述置信度数值小于预设类别置信度数值的图像的检测类别预测结果中，去除所述置信度数值所对应的预设检测类别，得到最终预测结果；详细内容参考步骤S4所述。

第四处理模块85，用于根据所述最终预测结果确定所述待检测房间的装修类型；详细内容参考步骤S5所述。

作为示例性的实施例，所述第一处理模块包括：第一获取单元，用于获取待检测房间的多张图像，详细内容参考步骤S11所述；第一处理单元，用于对多张所述图像分别进行分类得到每一张图像所对应的单张图像分类结果，详细内容参考步骤S12所述；第二处理单元，用于根据所述单张图像分类结果确定毛坯图像的图像数量和置信度，详细内容参考步骤S13所述；第三处理单元，用于根据所述毛坯图像的图像数量和置信度计算得到所述待侦测房间的毛坯数值，详细内容参考步骤S14所述；第一判断单元，用于判断所述待检测房间的毛坯数值是否大于预设毛坯数值，详细内容参考步骤S15所述；第四处理单元，用于若所述待检测房间的毛坯数值大于所述预设毛坯数值，则所述待检测房间的房间分类结果为毛坯房间，详细内容参考步骤S16所述；第五处理单元，用于若所述待检测房间的毛坯数值小于或者等于所述预设毛坯数值，则所述待检测房间的房间分类结果为非毛坯房间，详细内容参考步骤S17所述。

作为示例性的实施例，所述第二处理单元包括：第一处理子单元，用于根据所述单张图像分类结果确定毛坯图像的图像数量，详细内容参考步骤S131所述；获取子单元，用于获取每一张毛坯图像中各个像素点所对应的像素点置信度，详细内容参考步骤S132所述；第二处理子单元，用于根据所述像素点置信度确定每一张毛坯图像所对应的置信度，详细内容参考步骤S133所述。

作为示例性的实施例，所述第二处理单元还包括：第三处理子单元，用于去除毛坯图像中各个像素点所对应的毛坯区域内所有的像素点置信度，其中，所述毛坯区域的面积数值小于预设毛坯连通域数值，详细内容参考步骤S134所述。

作为示例性的实施例，所述第一处理模块还包括：第六处理单元，用于对多张所述图像分别进行尺寸缩放以使每一张所述图像缩放至预设大小，详细内容参考步骤S18所述。

作为示例性的实施例，所述第四处理模块包括：第七处理单元，用于将每一张图像所对应的最终预测结果进行聚类，得到所述预设检测类别所对应聚类信息，详细内容参考步骤S51所述；第八处理单元，用于根据所述聚类信息确定所述待检测房间的装修类型，详细内容参考步骤S52所述。

作为示例性的实施例，所述第八处理单元包括：第四处理子单元，用于根据所述聚类信息和预设类别权重进行评分，得到评分数值，详细内容参考步骤S521所述；第六处理子单元，用于将所述评分数值与装修类型的预设区间数值进行比较，确定所述待检测房间的装修类型，详细内容参考步骤S522所述。

本实施例中的房屋装修类型分析系统是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。

本发明实施例还提供了一种电子设备，如图9所示，该电子设备包括一个或多个处理器91以及存储器92，图9中以一个处理器91为例。

该控制器还可以包括：输入装置93和输出装置94。

处理器91、存储器92、输入装置93和输出装置94可以通过总线或者其他方式连接，图9中以通过总线连接为例。

处理器91可以为中央处理器(Central Processing Unit，CPU)。处理器91还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者是任何常规的处理器等。

存储器92作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的房屋装修类型分析方法对应的程序指令/模块。处理器91通过运行存储在存储器92中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的房屋装修类型分析方法。

存储器92可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器92可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器92可选包括相对于处理器91远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置93可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置94可包括显示屏等显示设备。

一个或者多个模块存储在存储器92中，当被一个或者多个处理器91执行时，执行如图1-7所示的房屋装修类型分析方法。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指示相关的硬件来完成，被执行的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述房屋装修类型分析方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种房屋装修类型分析方法，其特征在于，包括：

根据待检测房间的多张图像得到用于表征待检测房间是否为毛坯房间的房间分类结果；

若所述房间分类结果表征所述待检测房间为非毛坯房间，则按照预设检测类别对多张所述图像分别进行模型预测，得到每一张图像所对应的检测类别预测结果；

获取每一张图像所包含的所述预设检测类别的置信度数值；

从所述置信度数值小于预设类别置信度数值的图像的检测类别预测结果中，去除所述置信度数值所对应的预设检测类别，得到最终预测结果；

根据所述最终预测结果确定所述待检测房间的装修类型。

2.如权利要求1所述的房屋装修类型分析方法，其特征在于，根据待检测房间的多张图像得到用于表征待检测房间是否为毛坯房间的房间分类结果，包括：

获取待检测房间的多张图像；

对多张所述图像分别进行分类得到每一张图像所对应的单张图像分类结果；

根据所述单张图像分类结果确定毛坯图像的图像数量和置信度；

根据所述毛坯图像的图像数量和置信度计算得到所述待侦测房间的毛坯数值；

判断所述待检测房间的毛坯数值是否大于预设毛坯数值；

若所述待检测房间的毛坯数值大于所述预设毛坯数值，则所述待检测房间的房间分类结果为毛坯房间；

若所述待检测房间的毛坯数值小于或者等于所述预设毛坯数值，则所述待检测房间的房间分类结果为非毛坯房间。

3.如权利要求2所述的房屋装修类型分析方法，其特征在于，根据所述单张图像分类结果确定毛坯图像的图像数量和置信度，包括：

根据所述单张图像分类结果确定毛坯图像的图像数量；

获取每一张毛坯图像中各个像素点所对应的像素点置信度；

根据所述像素点置信度确定每一张毛坯图像所对应的置信度。

4.如权利要求3所述的房屋装修类型分析方法，其特征在于，根据所述像素点置信度确定每一张毛坯图像所对应的置信度的步骤之前，还包括：

去除毛坯图像中各个像素点所对应的毛坯区域内所有的像素点置信度，其中，所述毛坯区域的面积数值小于预设毛坯连通域数值。

5.如权利要求2所述的房屋装修类型分析方法，其特征在于，对多张所述图像分别进行分类得到每一张图像所对应的单张图像分类结果的步骤之前，还包括：

对多张所述图像分别进行尺寸缩放以使每一张所述图像缩放至预设大小。

6.如权利要求1-5中任一所述的房屋装修类型分析方法，其特征在于，根据所述最终预测结果确定所述待检测房间的装修类型，包括：

将每一张图像所对应的最终预测结果进行聚类，得到所述预设检测类别所对应聚类信息；

根据所述聚类信息确定所述待检测房间的装修类型。

7.如权利要求6所述的房屋装修类型分析方法，其特征在于，根据所述聚类信息确定所述待检测房间的装修类型，包括：

根据所述聚类信息和预设类别权重进行评分，得到评分数值；

将所述评分数值与装修类型的预设区间数值进行比较，确定所述待检测房间的装修类型。

8.一种房屋装修类型分析系统，其特征在于，包括：

第一处理模块，用于根据待检测房间的多张图像得到用于表征待检测房间是否为毛坯房间的房间分类结果；

第二处理模块，用于若所述房间分类结果表征所述待检测房间为非毛坯房间，则按照预设检测类别对多张所述图像分别进行模型预测，得到每一张图像所对应的检测类别预测结果；

第一获取模块，用于获取每一张图像所包含的所述预设检测类别的置信度数值；

第三处理模块，用于从所述置信度数值小于预设类别置信度数值的图像的检测类别预测结果中，去除所述置信度数值所对应的预设检测类别，得到最终预测结果；

第四处理模块，用于根据所述最终预测结果确定所述待检测房间的装修类型。

9.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7任意一项所述的房屋装修类型分析方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任意一项所述的房屋装修类型分析方法。

Images