CN111612890A - 二维户型图自动生成三维模型的方法、装置和电子设备 - Google Patents
二维户型图自动生成三维模型的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111612890A CN111612890A CN202010438948.0A CN202010438948A CN111612890A CN 111612890 A CN111612890 A CN 111612890A CN 202010438948 A CN202010438948 A CN 202010438948A CN 111612890 A CN111612890 A CN 111612890A
- Authority
- CN
- China
- Prior art keywords
- house type
- dimensional
- scale
- window
- space
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
-
- 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)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种二维户型图自动生成三维模型的方法、装置和电子设备,涉及户型图的技术领域,包括获取二维户型图;采用预先训练的墙体检测模型获取二维户型图中的墙体识别框;提取墙体识别框的中线,并对所述中线进行优化处理,得到墙体识别结果;其中,所述优化处理包括合并中线、删除重叠中线、延长中线和闭合中线;分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图;将二维户型图的识别结果图解析为xml文件,将所述xml文件渲染成三维模型。本发明能够准确的自动识别出墙体,实现将二维户型图自动转换三维模型,提高转换的准确率,提高工作效率。
Description
技术领域
本发明涉及户型图技术领域,尤其是涉及一种二维户型图自动生成三维模型的方法、装置和电子设备。
背景技术
目前,在家居设计领域,设计师可以在室内设计软件上直接设计家居方案,减少绘制的成本,提高家居行业从营销、导购、设计、下单的转化率。而户型图在无人干预的情况下转化为三维模型极为重要。现有的将二维户型图转为三维模型识别准确率不高,例如,虽然可以识别出部分墙体,但是经过实践发现,大概率下不能够直接识别出来全部的墙体,经常需要设计师手动描绘进行补充,可见设计师的工作效率并未减低,户型绘制的成本依旧很高,难以全心专注于高质量方案的设计上。
发明内容
本发明的目的在于提供一种二维户型图自动生成三维模型的方法、装置和电子设备,准确的自动识别出墙体,实现将二维户型图自动转换三维模型,提高转换的准确率,提高工作效率。
第一方面,本发明提供的一种二维户型图自动生成三维模型的方法,包括:
获取二维户型图;
采用预先训练的墙体检测模型获取二维户型图中的墙体识别框;提取墙体识别框的中线,并对所述中线进行优化处理,得到墙体识别结果;
分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图;
将二维户型图的识别结果图解析为xml文件,将所述xml文件渲染成三维模型。
在可选的实施方式中,分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图包括:
采用预先训练的基于YOLO V3的门类检测模型识别门类的位置以及宽度;其中,所述门类包括单开门和双开门;
采用预先训练的基于Mask R-CNN的窗类检测模型识别窗类的位置和宽度;其中,所述窗类包括窗、阳台和飘窗。
在可选的实施方式中,所述墙体检测模型为基于Mask R-CNN的识别模型;对所述中线进行优化处理包括:
根据门类的位置以及宽度、窗类的位置以及宽度采用图像识别方法调整墙体识别框的中线;其中,所述优化处理包括合并中线、删除重叠中线、延长中线和闭合中线。
在可选的实施方式中,分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图还包括:
采用预先训练的基于Mask R-CNN的比例尺和空间命名分类模型对比例尺和空间命名进行分类识别;
采用预先训练的基于YOLO V3的比例尺和空间命名检测模型识别比例尺和空间命名;
采用光学字符识别方法识别空间命名的名称和比例尺的数值;
根据墙体识别结果、门类的位置以及宽度、窗类的位置以及宽度确定闭合区域;
将识别的空间命名的名称对应到相应的闭合区域中。
第二方面,实施例提供的一种二维户型图自动生成三维模型的装置,包括:
获取模块,用于获取二维户型图;
第一检测模块,用于采用预先训练的墙体检测模型获取二维户型图中的墙体识别框;提取墙体识别框的中线,并对所述中线进行优化处理,得到墙体识别结果;其中,所述优化处理包括合并中线、删除重叠中线、延长中线和闭合中线;
第二检测模块,用于分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图;
转换模块,用于将二维户型图的识别结果图解析为xml文件,将所述xml文件渲染成三维模型。
在可选的实施方式中,第二检测模块包括:
门类检测模块,用于采用预先训练的基于YOLO V3的门类检测模型识别门类的位置以及宽度;其中,所述门类包括单开门和双开门;
窗类检测模块,用于采用预先训练的基于Mask R-CNN的窗类检测模型识别窗类的位置和宽度;其中,所述窗类包括窗、阳台和飘窗。
在可选的实施方式中,所述墙体检测模型为基于Mask R-CNN的识别模型;第一检测模块包括:
图像调整模块,用于根据门类的位置以及宽度、窗类的位置以及宽度采用图像识别方法调整墙体识别框的中线。
在可选的实施方式中,第二检测模块还包括:
比例尺和空间命名第一检测模块,用于采用预先训练的基于Mask R-CNN的比例尺和空间命名分类模型对比例尺和空间命名进行分类识别;
比例尺和空间命名第二检测模块,用于采用预先训练的基于YOLO V3的比例尺和空间命名检测模型识别比例尺和空间命名;
文字识别模块,用于采用光学字符识别方法识别空间命名的名称和比例尺的数值;
闭合区域模块,用于根据墙体识别结果、门类的位置以及宽度、窗类的位置以及宽度确定闭合区域;
空间命名对应模块,用于将识别的空间命名的名称对应到相应的闭合区域中。
第三方面,实施例提供一种电子设备,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计算机程序,所述处理器执行所述计算机程序时实现所述前述实施方式任一项所述的方法的步骤。
第四方面,实施例提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行所述前述实施方式任一项所述方法。
本发明提供的一种二维户型图自动生成三维模型的方法、装置和电子设备,由于采用预先训练的墙体检测模型获取二维户型图中的墙体识别框;提取墙体识别框的中线,并对所述中线进行优化处理,从而准确的自动识别出墙体;然后,分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图;再将二维户型图的识别结果图解析为xml文件,将所述xml文件渲染成三维模型,从而实现将二维户型图自动转换三维模型,提高转换的准确率,提高工作效率。
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二维户型图自动生成三维模型的方法的流程图;
图2为本发明实施例提供的二维户型图自动生成三维模型的方法的另一个流程图;
图3为本发明实施例提供的二维户型图自动生成三维模型的装置的系统原理图;
图4为本发明实施例提供的电子设备的原理图。
图标:31-获取模块;32-第一检测模块;33-第二检测模块;34-转换模块;400-电子设备;401-通信接口;402-处理器;403-存储器;404-总线。
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,下面将结合本发明实施例中的附图,对本发明实施例中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。通常在此处附图中描述和示出的本发明实施例的组件可以采用各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
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。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
在家居设计领域,设计师在室内设计软件上设计家居方案时,经常需要将二维户型图转换为三维户型图。目前,常用的转换方法为从图像中提取墙体线条、获取门的宽度以及位置、获取窗的宽度以及位置、识别出各个空间的名称以及所属范围、获取比例尺的数值,再将识别出以上信息的图像转成三维模型,提供给设计师做家居方案设计。但是,现有的将二维户型图转为三维模型的准确度有待提高。现有的方法虽然可以识别出部分墙体,但是其比例尺、门、窗的识别效果不佳,且经过实践发现,大概率下不能够直接识别出来墙体。经常需要设计师手动描绘,设计师的工作效率并未减低,户型绘制的成本依旧很高,难以全心专注于高质量方案的设计上。
基于此,本发明提供了一种二维户型图自动生成三维模型的方法、装置和电子设备,准确的自动识别出墙体,实现将二维户型图自动转换三维模型,提高转换的准确率,提高工作效率;下面通过实施例对本发明进行详细介绍。
参照图1,本实施例提出的一种二维户型图自动生成三维模型的方法,包括:
S110,获取二维户型图;
S120,采用预先训练的墙体检测模型获取二维户型图中的墙体识别框;提取墙体识别框的中线,并对所述中线进行优化处理,得到墙体识别结果;
具体地,墙体检测模型为基于神经网络的识别模型,本实施例通过预先训练的神经网络模型识别门、窗类和墙体。
具体的训练过程为,获取一定数量的二维户型图作为训练集,并分别在这些图像上人工标注门类、窗类和墙体的标签;这些标签分别包括了门类、窗类、墙体的类别和位置信息;训练YOLO V3和Mask R-CNN模型,其中门类的检测采用YOLO V3模型,窗类和墙体采用Mask R-CNN模型。得到训练后的神经网络模型后,输入一张新的二维户型图(验证集),训练后的神经网络模型会输出二维户型图上门、窗和墙体所属的类别和对应的位置信息;最终,得到训练的神经网络模型。
采用基于神经网络的识别模型(即墙体检测模型)检测出墙体识别框后,识别出具有一定厚度的墙体的中线(即平行于墙体并穿过墙体的中心线),采用图像处理的方法对识别出的墙体进行合并相近墙体的中线、延长中线、闭合中线、删除重叠墙体中线等预处理,得到最终的墙体识别结果。
S130,分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图;
具体地,空间命名指的是二维户型图中的卧式、餐厅、客厅、厨房等这些空间的名称。本实施例首先识别出空间命名和比例尺,然后对二者进行分类,然后采用光学字符识别来分别识别出空间命名的文字内容和比例尺数值。
本实施例中二维户型图的识别结果图包括墙体识别结果,门类、窗类、空间命名和比例尺的识别结果。
S140,将二维户型图的识别结果图解析为xml文件,将所述xml文件渲染成三维模型。
具体地,将二维户型图的识别结果图按照预设解析规则解析成xml结构化的数据文件,该xml文件用三维家渲染引擎即可渲染成三维模型。
本实施例能够准确识别出墙的位置,准确识别出窗类的位置和宽度,准确识别出空间命名和比例尺,本实施例能够实现将二维户型图自动转换成三维模型,提高转换效率和转换的准确率。
可选地,上述实施例中的步骤S130包括如下步骤:
采用预先训练的基于YOLO V3的门类检测模型识别门类的位置以及宽度;其中,所述门类包括单开门和双开门;
采用预先训练的基于Mask R-CNN的窗类检测模型识别窗类的位置和宽度;其中,所述窗类包括窗、阳台和飘窗。
具体地,YOLO的核心思想就是利用整张图作为网络的输入,直接在输出层回归bounding box(边界框)的位置及其所属的类别。
Mask R-CNN是一个两阶段的框架,第一个阶段扫描图像并生成提议(proposals,即有可能包含一个目标的区域),第二阶段分类提议并生成边界框和掩码。Mask R-CNN扩展自Faster R-CNN,由同一作者在去年提出。Faster R-CNN是一个流行的目标检测框架,MaskR-CNN将其扩展为实例分割框架。
根据单开门、双开门的显著特征,采用基于YOLO V3的门类检测模型分类识别出单开门和双开门的位置,并计算它们的宽度。同样地,根据窗、阳台和飘窗的显著特征,采用基于Mask R-CNN的门类检测模型分类识别出窗、阳台和飘窗的位置,并计算它们的宽度。本实施例中的窗为普通窗。
本实施例中门类的位置、窗类的位置分别指的是门类在墙体中的位置,窗类在墙体中的位置。
可选地,上述实施例中的墙体检测模型为基于Mask R-CNN的识别模型;上述实施例中的对所述中线进行优化处理包括如下步骤:
根据门类的位置以及宽度、窗类的位置以及宽度采用图像识别方法调整墙体识别框的中线;其中,所述优化处理包括合并中线、删除重叠中线、延长中线和闭合中线。
具体地,由于可能存在的误差,例如墙体的长度不够,因此本实施例还根据墙体、门类、窗类的识别结果对中线的识别结果进行补充微调,从而使得调整后的墙体满足图像中实际墙体的长度。
可选地,上述实施例中的步骤S130还包括:
采用预先训练的基于Mask R-CNN的比例尺和空间命名分类模型对比例尺和空间命名进行分类识别;
采用预先训练的基于YOLO V3的比例尺和空间命名检测模型识别比例尺和空间命名;
采用光学字符识别方法识别空间命名的名称和比例尺的数值;
根据墙体识别结果、门类的位置以及宽度、窗类的位置以及宽度确定闭合区域;
将识别的空间命名的名称对应到相应的闭合区域中。
具体地,首先采用基于Mask R-CNN的比例尺和空间命名分类模型识别出比例尺和空间命名的位置,然后进行分类识别,再分别识别出两种的文字的具体含义。
参照图2,为本实施例的一种可能的实施步骤:
S201,获取二维户型图;
S202,根据墙体检测模型检测二维户型图中的墙体;
S203,根据门类检测模型检测二维户型图中的单开门和双开门以及对应的门的位置和宽度;
S204,根据窗类检测模型检测二维户型图中的普通窗、阳台、飘窗以及对应的位置和宽度;
S205,根据比例尺和空间命名分类模型、比例尺和空间命名检测模型和光学字符识别方法检测二维户型图的空间命名的区域以及名称;
S206,根据比例尺和空间命名分类模型、比例尺和空间命名检测模型和光学字符识别方法检测二维户型图的比例尺;
S207,将上述提取的门、窗、墙体、空间区域和比例尺信息输出完整的户型xml文件;
S208,根据xml转化成三维模型。
本实施例能够准确识别出墙体,墙体、门类、窗类、空间命名及比例尺分别采用不同的识别模型进行独立识别后,再利用彼此的信息进行微调整,整个过程无需人工干预,且识别准确度高。
参见图3,实施例提供的一种二维户型图自动生成三维模型的装置,包括:
获取模块31,用于获取二维户型图;
第一检测模块32,用于采用预先训练的墙体检测模型获取二维户型图中的墙体识别框;提取墙体识别框的中线,并对所述中线进行优化处理,得到墙体识别结果;
第二检测模块33,用于分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图;
转换模块34,用于将二维户型图的识别结果图解析为xml文件,将所述xml文件渲染成三维模型。
可选地,上述实施例中的第二检测模块33包括:
门类检测模块,用于采用预先训练的基于YOLO V3的门类检测模型识别门类的位置以及宽度;其中,所述门类包括单开门和双开门;
窗类检测模块,用于采用预先训练的基于Mask R-CNN的窗类检测模型识别窗类的位置和宽度;其中,所述窗类包括窗、阳台和飘窗。
优选地,上述实施例中的所述墙体检测模型为基于Mask R-CNN的识别模型;上述实施例中的第一检测模块32包括:
图像调整模块,用于根据门类的位置以及宽度、窗类的位置以及宽度采用图像识别方法调整墙体识别框的中线;其中,所述优化处理包括合并中线、删除重叠中线、延长中线和闭合中线。
可选地,上述实施例中的第二检测模块33还包括:
比例尺和空间命名第一检测模块,用于采用预先训练的基于Mask R-CNN的比例尺和空间命名分类模型对比例尺和空间命名进行分类识别;
比例尺和空间命名第二检测模块,用于采用预先训练的基于YOLO V3的比例尺和空间命名检测模型识别比例尺和空间命名;
文字识别模块,用于采用光学字符识别方法识别空间命名的名称和比例尺的数值。
参见图4,本发明实施例还提供了一种电子设备400,包括通信接口401、处理器402、存储器403以及总线404,处理器402、通信接口401和存储器403通过总线404连接;上述存储器403用于存储支持处理器402执行上述实施例中方法的计算机程序,上述处理器402被配置为用于执行该存储器403中存储的程序。
可选地,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,程序代码使处理器402执行如上述实施例中的方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种二维户型图自动生成三维模型的方法,其特征在于,包括:
获取二维户型图;
采用预先训练的墙体检测模型获取二维户型图中的墙体识别框;提取墙体识别框的中线,并对所述中线进行优化处理,得到墙体识别结果;
分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图;
将二维户型图的识别结果图解析为xml文件,将xml文件渲染成三维模型。
2.根据权利要求1所述的方法,其特征在于,分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图,包括:
采用预先训练的基于YOLO V3的门类检测模型识别门类的位置以及宽度;其中,所述门类包括单开门和双开门;
采用预先训练的基于Mask R-CNN的窗类检测模型识别窗类的位置和宽度;其中,所述窗类包括窗、阳台和飘窗。
3.根据权利要求2所述的方法,其特征在于,所述墙体检测模型为基于Mask R-CNN的识别模型;对所述中线进行优化处理包括:
根据门类的位置以及宽度、窗类的位置以及宽度采用图像识别方法调整墙体识别框的中线;其中,所述优化处理包括合并中线、删除重叠中线、延长中线和闭合中线。
4.根据权利要求2所述的方法,其特征在于,分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图,还包括:
采用预先训练的基于Mask R-CNN的比例尺和空间命名分类模型对比例尺和空间命名进行分类识别;
采用预先训练的基于YOLO V3的比例尺和空间命名检测模型识别比例尺和空间命名;
采用光学字符识别方法识别空间命名的名称和比例尺的数值;
根据墙体识别结果、门类的位置以及宽度、窗类的位置以及宽度确定闭合区域;
将识别的空间命名的名称对应到相应的闭合区域中。
5.一种二维户型图自动生成三维模型的装置,其特征在于,包括:
获取模块,用于获取二维户型图;
第一检测模块,用于采用预先训练的墙体检测模型获取二维户型图中的墙体识别框;提取墙体识别框的中线,并对所述中线进行优化处理,得到墙体识别结果;
第二检测模块,用于分别检测出二维户型图中的门类、窗类、空间命名和比例尺,得到二维户型图的识别结果图;
转换模块,用于将二维户型图的识别结果图解析为xml文件,将所述xml文件渲染成三维模型。
6.根据权利要求5所述的装置,其特征在于,第二检测模块包括:
门类检测模块,用于采用预先训练的基于YOLO V3的门类检测模型识别门类的位置以及宽度;其中,所述门类包括单开门和双开门;
窗类检测模块,用于采用预先训练的基于Mask R-CNN的窗类检测模型识别窗类的位置和宽度;其中,所述窗类包括窗、阳台和飘窗。
7.根据权利要求6所述的装置,其特征在于,所述墙体检测模型为基于Mask R-CNN的识别模型;第一检测模块包括:
图像调整模块,用于根据门类的位置以及宽度、窗类的位置以及宽度采用图像识别方法调整墙体识别框的中线;其中,所述优化处理包括合并中线、删除重叠中线、延长中线和闭合中线。
8.根据权利要求6所述的装置,其特征在于,第二检测模块还包括:
比例尺和空间命名第一检测模块,用于采用预先训练的基于MaskR-CNN的比例尺和空间命名分类模型对比例尺和空间命名进行分类识别;
比例尺和空间命名第二检测模块,用于采用预先训练的基于YOLO V3的比例尺和空间命名检测模型识别比例尺和空间命名;
文字识别模块,用于采用光学字符识别方法识别空间命名的名称和比例尺的数值;
闭合区域模块,用于根据墙体识别结果、门类的位置以及宽度、窗类的位置以及宽度确定闭合区域;
空间命名对应模块,用于将识别的空间命名的名称对应到相应的闭合区域中。
9.一种电子设备,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计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至4任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至4任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438948.0A CN111612890B (zh) | 2020-05-21 | 2020-05-21 | 二维户型图自动生成三维模型的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438948.0A CN111612890B (zh) | 2020-05-21 | 2020-05-21 | 二维户型图自动生成三维模型的方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612890A true CN111612890A (zh) | 2020-09-01 |
CN111612890B CN111612890B (zh) | 2023-08-22 |
Family
ID=72195828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010438948.0A Active CN111612890B (zh) | 2020-05-21 | 2020-05-21 | 二维户型图自动生成三维模型的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612890B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205418A (zh) * | 2022-09-15 | 2022-10-18 | 武汉智筑完美家居科技有限公司 | 户型图重构方法、装置及电子设备、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816772A (zh) * | 2018-12-28 | 2019-05-28 | 南京维伍网络科技有限公司 | 一种由cad户型文件快速生成虚拟现实场景的处理方法 |
CN109993797A (zh) * | 2019-04-04 | 2019-07-09 | 广东三维家信息科技有限公司 | 门窗位置检测方法及装置 |
CN110096949A (zh) * | 2019-03-16 | 2019-08-06 | 平安城市建设科技(深圳)有限公司 | 户型图智能识别方法、装置、设备及计算机可读存储介质 |
US20190266394A1 (en) * | 2018-02-26 | 2019-08-29 | Abc Fintech Co., Ltd. | Method and device for parsing table in document image |
CN110197225A (zh) * | 2019-05-28 | 2019-09-03 | 广东三维家信息科技有限公司 | 基于深度学习的户型空间匹配方法和系统 |
CN110414477A (zh) * | 2019-08-06 | 2019-11-05 | 广东三维家信息科技有限公司 | 图像比例尺检测方法及装置 |
-
2020
- 2020-05-21 CN CN202010438948.0A patent/CN111612890B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190266394A1 (en) * | 2018-02-26 | 2019-08-29 | Abc Fintech Co., Ltd. | Method and device for parsing table in document image |
CN109816772A (zh) * | 2018-12-28 | 2019-05-28 | 南京维伍网络科技有限公司 | 一种由cad户型文件快速生成虚拟现实场景的处理方法 |
CN110096949A (zh) * | 2019-03-16 | 2019-08-06 | 平安城市建设科技(深圳)有限公司 | 户型图智能识别方法、装置、设备及计算机可读存储介质 |
CN109993797A (zh) * | 2019-04-04 | 2019-07-09 | 广东三维家信息科技有限公司 | 门窗位置检测方法及装置 |
CN110197225A (zh) * | 2019-05-28 | 2019-09-03 | 广东三维家信息科技有限公司 | 基于深度学习的户型空间匹配方法和系统 |
CN110414477A (zh) * | 2019-08-06 | 2019-11-05 | 广东三维家信息科技有限公司 | 图像比例尺检测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205418A (zh) * | 2022-09-15 | 2022-10-18 | 武汉智筑完美家居科技有限公司 | 户型图重构方法、装置及电子设备、存储介质 |
CN115205418B (zh) * | 2022-09-15 | 2022-12-13 | 武汉智筑完美家居科技有限公司 | 户型图重构方法、装置及电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111612890B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3543960B1 (en) | Information processing device, information processing method, and program | |
CN110348441B (zh) | 增值税发票识别方法、装置、计算机设备及存储介质 | |
CN111611643B (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN111862119A (zh) | 基于Mask-RCNN的语义信息提取方法 | |
CN112597773B (zh) | 文档结构化方法、系统、终端及介质 | |
CN112232371B (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
CN112116613B (zh) | 图像矢量化方法及系统 | |
CN102663454B (zh) | 一种字符书写规范度评测的方法和装置 | |
CN110245620B (zh) | 一种基于注意力的非最大化抑制方法 | |
CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
CN113850162A (zh) | 一种视频审核方法、装置及电子设备 | |
CN115034200A (zh) | 图纸信息提取方法、装置、电子设备及存储介质 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
Oskouie et al. | Automated recognition of building façades for creation of As-Is Mock-Up 3D models | |
CN111523169B (zh) | 一种装修方案生成方法、装置、电子设备及存储介质 | |
CN113609892A (zh) | 深度学习与景区知识图谱融合的手写诗词识别方法 | |
CN113396424A (zh) | 用于自动化材料提取的系统和方法 | |
Norzaki et al. | A comparative study of template matching, ISO cluster segmentation, and tree canopy segmentation for homogeneous tree counting | |
CN111680131A (zh) | 基于语义的文档聚类方法、系统及计算机设备 | |
CN117252842A (zh) | 一种飞机蒙皮缺陷检测及网络模型训练方法 | |
CN115984662A (zh) | 一种多模态数据预训练及识别方法、装置、设备及介质 | |
CN116704542A (zh) | 图层分类方法、装置、设备及存储介质 | |
CN111612890B (zh) | 二维户型图自动生成三维模型的方法、装置和电子设备 | |
CN114581732A (zh) | 一种图像处理及模型训练方法、装置、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |