CN111340954A - 户型墙体绘制方法及其模型训练的方法、装置 - Google Patents

Abstract

本发明提供了一种户型墙体绘制方法及其模型训练的方法、装置，涉及图像处理技术领域，该模型训练方法包括：首先对预设户型墙体训练集的户型墙体样本图像进行标记；再将已标记的户型墙体样本图像输入至预设的神经网络模型中进行训练，当神经网络模型的训练结果满足预设的期望阈值时，得到用于户型墙体绘制的模型。将待绘制的户型图输入至预先训练好的户型墙体绘制模型中即可自动输出户型墙体绘制的结果。该方案利用已完成训练的相关神经网络模型来对户型图中的墙体进行识别，并通过模型对户型图中的墙体进行优化，进一步提升户型图中户型墙体的识别准确度，实现了在家装设计过程中自动完成户型临摹图以及绘制的过程。

Description

户型墙体绘制方法及其模型训练的方法、装置

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种户型墙体绘制方法及其模型训练的方法、装置。

背景技术

墙体是户型图的骨架，墙体识别的好坏直接决定了最终户型图识别的质量。如今的户型图琳琅满目，各式各样，没有统一的样式和标准，设计师需要对照客户提供的户型图进行重新绘制，不利于设计师高效进行设计。在现有技术中的相关家装设计过程中，缺少一种可以自动完成户型临摹图以及绘制的方式方法。

发明内容

有鉴于此，本发明的目的在于提供一种户型墙体绘制方法及其模型训练的方法、装置，利用已完成训练的相关神经网络模型来对户型图中的墙体进行识别，并通过模型对户型图中的墙体进行优化，进一步提升户型图中户型墙体的识别准确度，实现了在家装设计过程中自动完成户型临摹图以及绘制的过程。

第一方面，本发明实施例提供了一种用于户型墙体绘制的模型训练方法，该方法包括：

对预设户型墙体训练集的户型墙体样本图像进行标记；

将已标记的户型墙体样本图像输入至预设的神经网络模型中进行训练；

当神经网络模型的训练结果满足预设的期望阈值时，得到用于户型墙体绘制的模型。

在一些实施方式中，上述对预设户型墙体训练集的户型墙体样本图像进行标记的步骤，包括：

遍历户型墙体训练集中的户型图，对户型图中的墙体进行标记，得到墙体标记结果；

将墙体标记结果绘制在对应的户型图中。

在一些实施方式中，上述墙体标记结果，包括：

墙体轮廓标记结果、门窗标记结果、命名空间标记结果以及比例尺标记结果中的一种或多种。

在一些实施方式中，上述神经网络模型为Mask-RCNN网络模型。

第二方面，本发明实施例提供了一种户型墙体绘制方法，该方法包括：

获取待绘制的户型图；

将待绘制的户型图输入至预先训练好的户型墙体绘制模型中，输出户型墙体绘制的结果；户型墙体绘制模型通过第一方面任一项的用于户型墙体绘制的模型训练方法训练得到。

在一些实施方式中，上述将待绘制的户型图输入至预先完成训练的户型墙体绘制模型中，输出户型墙体绘制的结果的步骤之后，还包括：

通过图像提取算法，对户型墙体绘制的结果中的墙体中线进行提取；

对提取的墙体中线进行合并操作，使得墙体中线达到预设的墙体绘制要求。

第三方面，本发明实施例提供了一种用于户型墙体绘制的模型训练装置，该装置包括：

样本获取模块，用于对预设户型墙体训练集的户型墙体样本图像进行标记；

模型训练模块，用于将已标记的户型墙体样本图像输入至预设的神经网络模型中进行训练；

模型获取模块，当神经网络模型的训练结果满足预设的期望阈值时，得到用于户型墙体绘制的模型。

第四方面，本发明实施例提供了一种户型墙体绘制装置，该装置包括：

待绘制户型图获取模块，用于获取待绘制的户型图；

户型墙体绘制结果输出模块，将待绘制的户型图输入至预先完成训练的户型墙体绘制模型中，输出户型墙体绘制的结果；户型墙体绘制模型通过权利要求1-4任一项的用于户型墙体绘制的模型训练方法训练得到。

第五方面，本发明实施例提供了一种电子设备，该电子设备包括：处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如第一方面和第二方面提供的方法。

第六方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行第一方面和第二方面提供的方法。

本发明实施例带来了以下有益效果：本发明实施例提供了一种户型墙体绘制方法及其模型训练的方法、装置，在用于户型墙体绘制的模型训练过程中，首先对预设户型墙体训练集的户型墙体样本图像进行标记；再将已标记的户型墙体样本图像输入至预设的神经网络模型中进行训练，当神经网络模型的训练结果满足预设的期望阈值时，得到用于户型墙体绘制的模型。当训练完成的户型墙体绘制模型进行墙体绘制的过程中，首先获取待绘制的户型图；然后将待绘制的户型图输入至预先训练好的户型墙体绘制模型中，输出户型墙体绘制的结果。在户型墙体绘制的过程中采用语义分割检测的方式对进行户型墙体进行多维度检测，检测结果包含户型墙体线条结果，后续可使用图像处理方法对该线条结果进行优化，如可对墙体中线进行优化处理，包括：合并相近墙体中线、删除重叠墙体中线、延长墙体中线、闭合墙体中线等操作，实现了在家装设计过程中自动完成户型临摹图以及绘制的过程。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

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为本发明实施例提供的用于户型墙体绘制的模型训练方法的流程图；

图2为本发明实施例提供的用于户型墙体绘制的模型训练方法中步骤S101的流程图；

图3为本发明实施例提供的户型墙体绘制方法的流程图；

图4为本发明实施例提供的户型墙体绘制方法中步骤S302之后的方法流程图；

图5为本发明实施例提供的用于户型墙体绘制的模型训练装置的结构示意图；

图6为本发明实施例提供的户型墙体绘制装置的结构示意图；

图7为本发明实施例提供的一种电子设备的结构示意图。

图标：

501-样本获取模块；502-模型训练模块；503-模型获取模块；601-待绘制户型图获取模块；602-户型墙体绘制结果输出模块；101-处理器；102-存储器；103-总线；104-通信接口。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

墙体是户型图的骨架，墙体识别的好坏直接决定了最终户型图识别的质量。如今的户型图琳琅满目，各式各样，没有统一的样式和标准，设计师需要对照客户提供的户型图进行重新绘制，不利于设计师高效进行设计。在现有技术中的相关家装设计过程中，缺少一种可以自动完成户型临摹图以及绘制的方式方法。

在互联网时代，室内设计师可以借助3D室内设计软件来进行设计，得到家装设计方案。目前市面上的户型图琳琅满目，各式各样，没有统一的样式、标准，设计师需要对照客户提供的户型图重新在3D室内软件上进行绘制，才能进一步进行后续方案的设计，这是一件繁琐的工作，不利于设计师高效进行设计。所以室内设计师迫切希望有一种可以自动识别户型图的系统，而自动识别户型图设计到户型临摹图的墙体识别、门窗识别、命名空间识别、比例尺识别等等，而在这些识别任务中，户型临摹图墙体识别更是重中之重，因为墙体是户型图的骨架，墙体识别的好坏直接决定了最终户型图识别的质量。

考虑到现有家居设计领域中户型墙体绘制过程存在的上述问题，本发明的目的在于提供一种户型墙体绘制方法及其模型训练的方法、装置，该技术可以应用于家居设计时的户型墙体绘制过程中，可以采用相关的软件或硬件实现，下面通过实施例进行描述。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种用于户型墙体绘制的模型训练方法进行详细介绍，该方法的流程图如图1所示，包括：

步骤S101，对预设户型墙体训练集的户型墙体样本图像进行标记。

预设的户型墙体训练集是一个包含各类户型图的集合，户型图多为平面图，用来描述户型的平面结果、尺寸等参数数据。户型图中的房间多为矩形结构，一些特殊的户型是非规则矩形，但也大都是由直线构成的，极少会有户型图中具有圆弧的。

在对户型墙体样本图像进行的标记，可以是对户型房间名称的标记，也包括对户型墙面线条的标记；还可包括其它特殊标记，例如是否有承重墙、是否有窗户、是否有阳台等。标记的结果可绘制在样本图像中，也可保存在样本图像的相关属性参数中。

将上述完成标记的户型墙体样本图像进行整理后，可保存在相关的属性库中，该属性库可以利用计算机领域中数据库进行建立，并利用计算机进行管控。

步骤S102，将已标记的户型墙体样本图像输入至预设的神经网络模型中进行训练。

该初始神经网络模型在训练图层输入之前已完成初始化，此时的神经网络模型状态可以是刚刚完成初始化过程，此时并未开始训练；也可以是已经训练中的状态。

将已完成标记的户型墙体样本图像输入至该神经网络模型后，通过相关运算改变模型的相关参数，以此提升模型的识别精度。例如，训练图层训练过程中对神经网络模型的惩罚因子进行优化，惩罚因子是表征误差的宽容度的参数，惩罚因子的数值越大，表明越不能容忍误差的出现，相对而言更容易出现过拟合的现象；反之，惩罚因子的数值越小，相对而言更容易出现欠拟合的现象。

将已完成特征提取的户型墙体样本图像输入至预设的神经网络模型中进行训练的过程中还包括模型其它参数的优化，在此不再赘述。

步骤S103，当神经网络模型的训练结果满足预设的期望阈值时，得到用于户型墙体绘制的模型。

模型在训练中是对相关参数进行优化，在优化过程中可采用粒子群优化算法进一步对神经网络模型中的相关参数进行优化计算。粒子群优化算法也称为粒子群算法，可完成人工神经网络中的连接权值的训练、结构设计、学习规则调整、特征选择、连接权值的初始化和规则提取等。

模型在训练的过程中，将已完成标记的户型墙体样本图像输入至预设的神经网络模型中得到输出结果，对输出的结果进行判断从而确定该模型的性能是否达到要求。例如可根据损失函数的数值，来对模型的训练过程进行判定，当损失函数的数值达到预设的阈值时，则认为该模型的性能满足要求，即可停止模型的训练，得到用于户型墙体绘制的模型。

在本发明实施例提到的用于户型墙体样本的模型训练方法中可见，该模型训练的过程中，对户型图中墙体进行了标签标记，有助于提升模型训练的效果，进一步提升户型图中户型墙体的识别准确度，实现了在家装设计过程中自动完成户型临摹图以及绘制的过程。

在一些实施方式中，上述对预设户型墙体训练集的户型墙体样本图像进行标记的步骤S101，如图2所示，包括：

步骤S201，遍历户型墙体训练集中的户型图，对户型图中的墙体进行标记，得到墙体标记结果。

在对户型墙体训练集中的户型图进行遍历，对遍历过程中获取的每一张户型图进行标记。标记的目的是对户型图中所包含的墙体进行标记，由于墙体在平面图中大都是直线，因此可采用数字图像处理中的相关直线提取算法得以实现，例如可采用特征检测算法中的霍夫线变换，对户型图中的直线进行提取；也可以使用LSD(Line Segment Detector)直线段检测算法得以实现。

在对户型图进行直线提取后，可根据相关判断条件去掉非墙体的线条后，即可得到墙体标记的结果。该结果可临时保存在数字图像中，以属性的方式进行保存。

步骤S202，将墙体标记结果绘制在对应的户型图中。

根据墙体标记结果，将其绘制在对应的户型图中，绘制的线条需要跟户型图中的背景颜色保持区分，尽可能的凸显墙体的线条。

在一些实施方式中，上述墙体标记结果，包括：墙体轮廓标记结果、门窗标记结果、命名空间标记结果以及比例尺标记结果中的一种或多种。

墙体轮廓是对墙体整体的形状进行标记；门窗的标记结果是用来对门窗的位置进行标记；命名空间的标记是指墙体所包含的房间名称进行的标记；比例尺标记是标记在户型图之外，用来作为比例尺参考的标记。

在一些实施方式中，上述神经网络模型为Mask-RCNN网络模型。

所述户型墙体绘制的神经网络模型是基于深度学习方法训练所得，所用网络模型为Mask-RCNN网络，不同于物体检测，这是一种针对图像领域的实例分割模型，对图像识别结果更加精确。

本发明实施例提供了一种户型墙体绘制方法，如图3所示，该方法包括：

步骤S301，获取待绘制的户型图。

待制的户型图作为输入图像，与模型训练过程中的图像来源并不相同，待制的户型图可通过将家居领域的绘制工具中绘制所得，也可将户型数据输入至相关渲染工具后通过渲染得到。

步骤S302，将待绘制的户型图输入至预先训练好的户型墙体绘制模型中，输出户型墙体绘制的结果。

户型墙体绘制模型通过上述实施例提到的用于户型墙体绘制的模型训练方法训练得到。通过将待绘制的户型图输入至预先训练好的户型墙体绘制模型中，即可自动输出户型墙体绘制的结果。

在一些实施方式中，在步骤S302之后，如图4所示，包括：

步骤S401，通过图像提取算法，对户型墙体绘制的结果中的墙体中线进行提取。

由于墙体是有厚度的，因此需要对墙体厚度的中线进行提取。中线提取的过程可采用相关数字图像算法，对墙体厚度的一半进行绘制，可用相关特征提取算法得以实现。

步骤S402，对提取的墙体中线进行合并操作，使得墙体中线达到预设的墙体绘制要求。

用图像处理方法对墙体识别框进行中线进行提取后，再对墙体中线进行优化处理，具体可包括：合并相近墙体中线、删除重叠墙体中线、延长墙体中线、闭合墙体中线等操作。经过上述优化处理后，使得墙体中线达到预设的墙体绘制要求。

在户型墙体绘制方法的实施方式中，上述户型墙体绘制模型，其实现原理及产生的技术效果和前述用于户型墙体绘制的模型训练方法的实施例相同，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。

对应于上述用于户型墙体绘制的模型训练方法的实施例，本实施例还提供一种用于户型墙体绘制的模型训练装置，如图5所示，该装置包括：

样本获取模块501，用于对预设户型墙体训练集的户型墙体样本图像进行标记；

模型训练模块502，用于将已标记的户型墙体样本图像输入至预设的神经网络模型中进行训练；

模型获取模块503，当神经网络模型的训练结果满足预设的期望阈值时，得到用于户型墙体绘制的模型。

本发明实施例所提供的用于户型墙体绘制的模型训练装置，其实现原理及产生的技术效果和前述用于户型墙体绘制的模型训练方法的实施例相同，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。

对应于上述户型墙体绘制方法的实施例，本实施例还提供一种户型墙体绘制装置，如图6所示，该装置包括：

待绘制户型图获取模块601，用于获取待绘制的户型图；

户型墙体绘制结果输出模块602，将待绘制的户型图输入至预先完成训练的户型墙体绘制模型中，输出户型墙体绘制的结果；户型墙体绘制模型通过第一方面任一项的用于户型墙体绘制的模型训练方法训练得到。

本发明实施例所提供的一种户型墙体绘制装置，其实现原理及产生的技术效果和前述户型墙体绘制方法的实施例相同，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。

本实施例还提供一种电子设备，为该电子设备的结构示意图如图7所示，该设备包括处理器101和存储器102；其中，存储器102用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述用于户型墙体绘制的模型训练方法以及户型墙体绘制方法。

图7所示的电子设备还包括总线103和通信接口104，处理器101、通信接口104和存储器102通过总线103连接。

其中，存储器102可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接，将封装好的IPv4报文或IPv4报文通过网络接口发送至用户终端。

处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102，处理器101读取存储器102中的信息，结合其硬件完成前述实施例的方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行前述实施例的方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，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，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案的部分可以用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，包括若干指令用以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)执行本发明各个实施例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-OnlyMemory)、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。

最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种用于户型墙体绘制的模型训练方法，其特征在于，所述方法包括：

对预设户型墙体训练集的户型墙体样本图像进行标记；

将已标记的所述户型墙体样本图像输入至预设的神经网络模型中进行训练；

当所述神经网络模型的训练结果满足预设的期望阈值时，得到用于户型墙体绘制的模型。

2.根据权利要求1所述的用于户型墙体绘制的模型训练方法，其特征在于，对预设户型墙体训练集的户型墙体样本图像进行标记的步骤，包括：

遍历户型墙体训练集中的户型图，对所述户型图中的墙体进行标记，得到墙体标记结果；

将所述墙体标记结果绘制在对应的所述户型图中。

3.根据权利要求2所述的用于户型墙体绘制的模型训练方法，其特征在于，所述墙体标记结果，包括：

墙体轮廓标记结果、门窗标记结果、命名空间标记结果以及比例尺标记结果中的一种或多种。

4.根据权利要求1所述的用于户型墙体绘制的模型训练方法，其特征在于，所述神经网络模型为Mask-RCNN网络模型。

5.一种户型墙体绘制方法，其特征在于，所述方法包括：

获取待绘制的户型图；

将所述待绘制的户型图输入至预先训练好的户型墙体绘制模型中，输出户型墙体绘制的结果；所述户型墙体绘制模型通过权利要求1-4任一项所述的用于户型墙体绘制的模型训练方法训练得到。

6.根据权利要求5所述的户型墙体绘制方法，其特征在于，将所述待绘制的户型图输入至预先完成训练的户型墙体绘制模型中，输出户型墙体绘制的结果的步骤之后，还包括：

通过图像提取算法，对所述户型墙体绘制的结果中的墙体中线进行提取；

对提取的所述墙体中线进行合并操作，使得所述墙体中线达到预设的墙体绘制要求。

7.一种用于户型墙体绘制的模型训练装置，其特征在于，所述装置包括：

样本获取模块，用于对预设户型墙体训练集的户型墙体样本图像进行标记；

模型训练模块，用于将已标记的所述户型墙体样本图像输入至预设的神经网络模型中进行训练；

模型获取模块，当所述神经网络模型的训练结果满足预设的期望阈值时，得到用于户型墙体绘制的模型。

8.一种户型墙体绘制装置，其特征在于，所述装置包括：

待绘制户型图获取模块，用于获取待绘制的户型图；

户型墙体绘制结果输出模块，将所述待绘制的户型图输入至预先完成训练的户型墙体绘制模型中，输出户型墙体绘制的结果；所述户型墙体绘制模型通过权利要求1-4任一项所述的用于户型墙体绘制的模型训练方法训练得到。

9.一种电子设备，其特征在于，包括：处理器和存储装置；所述存储装置上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至5任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质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运行时执行上述权利要求1至5任一项所述方法的步骤。

Images