CN112417539B - 基于语言描述的户型设计方法和装置以及系统 - Google Patents
基于语言描述的户型设计方法和装置以及系统 Download PDFInfo
- Publication number
- CN112417539B CN112417539B CN202011279236.5A CN202011279236A CN112417539B CN 112417539 B CN112417539 B CN 112417539B CN 202011279236 A CN202011279236 A CN 202011279236A CN 112417539 B CN112417539 B CN 112417539B
- Authority
- CN
- China
- Prior art keywords
- house type
- layout
- graph
- type design
- language description
- 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
Links
- 238000013461 design Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 238000009877 rendering Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000013138 pruning Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 238000012938 design process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于语言描述的户型设计方法和装置以及系统,包括:获取用户的语音数据并转换成文本数据;提取文本数据中关于户型设计的属性信息,并以属性信息为节点,按照文本语义对节点进行连接,形成属性语义图;采用基于神经网络构建的布局预测模型对属性语义图进行布局预测,输出预测的户型布局图,并对户型布局图进行优化处理,获得优化的户型布局图;采用基于生成式对抗网络构建的纹理生成模型根据文本语义生成纹理信息;依据优化的户型布局图和纹理信息生成三维场景模型并渲染得到多视角的场景渲染图。该户型设计方法和装置以及系统根据用户的语音数据进行自动化户型设计,在设计户型满足用户需求的基础上,提升了户型设计效率。
Description
技术领域
本发明属于户型设计领域,具体涉及一种基于语言描述的户型设计方法和装置以及系统。
背景技术
房屋设计是一项较为专业、并且复杂繁重的人工工作,通常需要设计者接受多年的设计培训,以及一定的经验积累,并且在实际设计时,依然需要花费大量时间去了解客户需求,结合自身专业知识以及设计经验来进行平面布局设计此外,初步的设计结果不一定能获得客户满意的结果,后续可能还有多次修改,进一步拉长总体流程耗时。因此,如何快速有效的绘制出尽量符合用户需求的设计样例尤为重要
目前的人工设计流程,需要首先根据客户的语言描述,大致确定户型总体面积,拥有的房间以及房间之间的相互关系,整体的风格等信息,并根据设计师的经验和专业知识,依靠客户传达的设计信息,来进行平面上户型空间布局的设计,以及具体设计内部的基本硬装和软装,布局需要满足客户的要求,内部地板、瓷砖等地面材料和墙面材料也要满足用户对于整体风格的需求。以上所述都对设计师与客户的有效信息交流、信息的正确解读,以及设计师的设计能力具有很高的要求。因此,设计出一种能够自动解读客户语言描述中的关键结构与风格信息,并设计出符合信息内容的室内户型布局和基本硬装的自动设计系统,显得十分关键。
申请公布号为CN105844065A的专利申请公开了一种家居户型设计系统及方法,申请公布号为CN110781539A的专利申请公开了一种户型图自动设计方法及系统。这两种户型设计方法均是采用传统图形处理方法实现家居设计。申请公布号为CN108831452A的专利申请公开了一种智能语音识别装修服务管理系统。该系统直接是将语音信息与数据库进行匹配来实现装修设计,但是用户个体差异性非常大,这种匹配设计方法设计的结果并不能满足用户需求。
发明内容
有鉴于此,本发明的目的是提供一种基于语言描述的户型设计方法和装置以及系统,根据用户的语音数据进行自动化户型设计,在设计户型满足用户需求的基础上,提升了户型设计效率。
为实现上述发明目的,本发明提供以下技术方案:
第一方面,提供了一种基于语言描述的户型设计方法,包括以下步骤:
获取用户的语音数据,并将语音数据转换成文本数据;
提取文本数据中关于户型设计的属性信息,所述属性信息包括房间本身属性信息和房间之间关系信息,并以属性信息为节点,按照文本语义对节点进行连接,形成属性语义图;
采用基于神经网络构建的布局预测模型对属性语义图进行布局预测,输出预测的户型布局图,并对户型布局图进行优化处理,获得优化的户型布局图;
采用基于生成式对抗网络构建的纹理生成模型根据文本数据的语义信息生成纹理数据;
依据优化的户型布局图和纹理信息生成三维场景模型并渲染得到多视角的场景渲染图。
第二方面,提供了一种基于语言描述的户型设计装置,包括存储器、处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述处理器执行所述计算机程序时实现第一方面提供的基于语言描述的户型设计方法。
第三方面,提供了一种基于语言描述的户型设计系统,包括终端、与终端通信连接的服务端,所述终端包括语音采集模块和展示模块;所述服务端包括第二方面提供的基于语言描述的户型设计装置和存储器;
所述终端通过语音采集模块采用用户的语音数据,并发送至所述户型设计装置;
所述服务端通过户型设计装置依据语音数据进行户型设计,输出户型布局图、三维场景模型和场景渲染图并存储于储存器;
所述终端从存储器下载户型布局、三维场景模型和场景渲染图,并通过展示模块进行可视化。
与现有技术相比,具有的有益效果至少包括:
本发明提供的基于语言描述的户型设计方法和装置以及系统,以语音数据为基础,依次通过语音数据到文本数据转换,文本数据中属性信息提取,依据属性信息预测户型布局图,依据文本语义预测纹理信息,依据户型布局图和纹理信息生成三维场景模型和场景渲染图,实现户型的自动设计,由于整个设计过程以用户的语音数据为基础,这样能够保证设计结果符合用户需求,且整个设计过程结合深度学习处理技术、基础图形处理技术、三维重建技术和渲染技术,大大提升了设计效率。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,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前提下,还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于语言描述的户型设计方法的流程示意图;
图2是本发明实施例提供的属性语义图的示例图;
图3是本发明实施例提供的布局预测模型的结构示意图;
图4是本发明实施例提供的对户型布局图进行优化处理的流程图;
图5是本发明实施例提供的基于语言描述的户型设计系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
为了解决人工户型设计效率低的问题,本发明将问题拆解为多个步骤和子问题,语音信息的处理,语音信息转换成文本,文本信息的编码和有效信息的提取,有效信息转换为布局和设计这几部分。针对这几部分问题本发明实施例提供了一种基于语言描述的户型设计方法和装置以及系统。具体包括解析语言信息并提取结构和风格描述,根据结构描述生成户型平面布局,根据风格描述进行室内硬装软装自动设计等步骤。
图1是本发明实施例提供的基于语言描述的户型设计方法的流程示意图。如图1所示,实施例提供的基于语言描述的户型设计方法包括以下步骤:
步骤1,获取用户的语音数据,并将语音数据转换成文本数据。
通过语音采集装置采集用户的语音数据,该语音数据中包含了用户对户型设计的各种需求语义,实施例提供的户型设计方法均是依据这些用户设计需求语义。在获得语音数据后,将语音数据转换成文本数据,可以采用任意一种语音转文字的方法,并不受限制。
步骤2,提取文本数据中关于户型设计的属性信息,依据属性信息生成属性语义图。
经语音数据转换得到的文本数据中包含了各类型信息,在本实施例中,仅关心与户型设计的相关信息,因此对文本数据进行关键的属性信息提取,可以采用斯坦福提出的文本解析器(Sandford Scene Graph Parser)拆解输入的文本数据,也就是文本描述语句,生成半结构化的语义数据,从语义数据中提取关于户型设计的属性信息,该属性信息包括房间本身属性信息和房间之间关系信息。其中,房间本身属性信息包括房间类型、房间面积、房间在户型中方位、房间风格。房间类型包括厨房、卧室、客厅、客餐厅、书房、卫生间等。方位主要包括房间在户型中的位置和方向,例如东北角落、正北方等描述。房间风格包含墙面地板的材质和颜色等表现装修风格的信息。房间之间关系信息包括包含关系、相邻关系、连通关系,即一个房间内嵌套另一个房间,两个房间相邻,两个房间之间通过门窗处于连通状态等。
在获得属性信息的基础上,以属性信息为节点,按照文本语义对节点进行连接,形成属性语义图。图2是本发明实施例提供的属性语义图的示例图,其中(a)为根据房间本身属性信息构建的属性语义图,(b)为根据房间之间关系信息构建的属性语义图,当然,也可以同时根据房间本身属性信息和房间之间关系信息构建属性语义图。如图2所示,该属性语义图清晰明了地表达了用户的户型设计需求信息。
步骤3,采用基于神经网络构建的布局预测模型对属性语义图进行布局预测,输出预测的户型布局图。
神经网络模型具有处理速度快且准确的优点,实施例中,采用神经网络来构建布局预测模型,用于对属性语义图进行布局预测,生成户型布局图。
在一个具体实施方式中,布局预测模型包括特征提取单元和布局生成单元;
特征提取单元采用图卷积网络(graph convolutional network,GCN)提取属性语义图的节点特征;
布局生产单元采用边框回归网络(Bounding-Box regression network,)根据节点特征和节点位置实现矩形边框范围预测,输出多个闭合多边形组成户型布局图。
对属性语义图的节点进行初始编码,形成初始化节点特征矩阵X,同时构建表示节点之间邻接关系的邻接矩阵A,并将初始化节点特征矩阵X和邻接矩阵A输入至图卷积网络,图卷积网络依据事前优化确定的连接权重参数对输入的特征矩阵X和邻接矩阵A进行连接映射,最终输出节点特征矩阵X’。在连接映射过程中,节点之间邻接关系也映射到节点中,因此,节点特征矩阵X’中不仅包含了节点本身的属性特征,还包括了节点之间的关系特征。
由于节点特征矩阵X’包含了由属性特征和关系特征组成的户型设计信息,因此,可以根据节点特征矩阵X’进行户型布局预测。采用一个边框回归网络根据节点特征矩阵X’和节点位置信息对房间的矩形边框范围预测,获得多个闭合多边形,每个户闭合多边形可以作为一个房间候选区域,组成户型布局图。
本实施例中,边框回归网络可以采用MLP网络(Multi layer perception),其中,图卷积网络的网络参数和边框回归网络中的网络参数均是通过端到端的学习过程优化确定的。具体地,以属性语义图和真实户型布局图为一组样本对图卷积网络和边框回归网络进行训练,以优化网络参数。
步骤4,对户型布局图进行优化处理,获得优化的户型布局图。
经过布局预测模型预测得到的户型布局图线条杂乱,需要进行优化处理。优化处理包括对户型布局图中的闭合多边形进行线条优化,闭合多边形类型识别,以及门窗生成。其中,线条优化包括线段合并、线段删减、线段延长。
图4是本发明实施例提供的对户型布局图进行优化处理的流程图。结合图4详细说明对户型布局图进行优化处理步骤。具体过程为:
(a)将图4(A)中每个闭合多边形的四条边界线提取,得到图4(B);
(b)将图4(B)中距离较近且相互平行的线段进行合并,以去除房间之间的细长重叠区域,得到图4(C);该步骤可能会导致一些缺口以及突出的线,如图4(C)所示;
(c)将图4(C)中所有线段在相交处进行打断,并且对一定阈值之内的小缺口通过延长两侧相互垂直的线段到交点处以去除缺口,同时对详相交点处突出的线段删除;得到图4(D),图4(D)中形成较多闭合的多边形区域;
(d)依据初始预测的户型布局图中的房间区域对图4(D)中每个闭合多变形区域进行房间类型识别和轮廓生成,以确定房间类型和对应的房间轮廓,具体地,可以按照每个闭合多边形区域与每个初始预测的房间区域的重叠比例和中心距离判断区域所属的房间类型,最后通过这些区域来生成最终的房间区域轮廓,得到图4(E);
(e)在图4(E)的房间轮廓上生成门窗,实现时可以根据一些规则来生成门窗,具体地,根据属性语义图中呈现的房间之间的关系信息生成门和窗,即可以在两个相连房间所共享的轮廓边上生成门,并在每个房间与户型外部相连的轮廓边上生成窗户,得到图4(F),图4(F)即为优化后的户型布局图。
步骤5,采用基于生成式对抗网络构建的纹理生成模型根据文本数据生成纹理数据。
在户型设计时,用户提供的语音数据中还包括了纹理信息,且户型设计时纹理信息是必不可少的,因此,还需要从语音数据中提取纹理信息生成纹理数据,用户后续的户型渲染。
实施例中,采用生成式对抗网络来构建纹理生成模型,利用纹理生成模型根据输入的文本数据生成纹理数据。具体地,纹理生成模型的构建过程为:
准备样本集,每个样本由文本数据和对应的真实纹理数据组成;
构建生成式对抗网络,该生成式对抗网络包括生成器和判别器,其中,生成器用于根据输入的文本数据生成纹理数据,判别器用于判别输入的纹理数据是真实纹理数据还是生成纹理数据,即判别纹理数据的质量和效果。实施例中,生成器和判别器均采用卷积神经网络构建,生成器采用卷积神经网络构建以便于调整输出纹理数据的尺寸。
利用样本集对生成式对抗网络进行训练来优化生成式对抗网络参数,训练时,还以材质特征和颜色特征两方面来对生成的纹理数据进行评判,训练结束后,提取参数确定的生成器作为纹理生成模型,用来生成纹理数据,该纹理数据以贴图的形式表示,即形成纹理图案。
应用时,直接将文本数据输入至纹理生成模型中,经计算生成纹理图案。
步骤6,依据优化的户型布局图生成三维场景模型,依据三维场景模型和纹理信息渲染得到多视角的场景渲染图。
在获得户型布局图和纹理数据,就可以进行场景三维重建和场景渲染了。可以根据户型布局图和纹理数据,并配合一些默认的设置参数,比如内墙外墙的普遍默认宽度,门窗的高度等信息,采用三维重建方法完成三维场景的建模,获得三维场景模型。在此基础上,根据三维场景模型和纹理数据,并结合默认配置的一些相机位置、打光方式来生成多个视角的场景渲染图。
实施例还提供了一种基于语言描述的户型设计装置,包括存储器、处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述处理器执行所述计算机程序时实现上述基于语言描述的户型设计方法。
实际应用中,计算机存储器可以为在近端的易失性存储器,如RAM,还可以是非易失性存储器,如ROM,FLASH,软盘,机械硬盘等,还可以是远端的存储云。计算机处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA),即可以通过这些处理器实现基于语言描述的户型设计方法步骤。
上述基于语言描述的户型设计方法和装置可以实现从语音数据到3d户型结构的生成,但是实际应用中,还会涉及到用户交互、修改和更新的问题。针对这些问题,利用上述户型设计方法和装置,以及实际场景中可能需要的步骤和操作,实施例还设计了一种基于语言描述的户型设计系统,来实现用户的交互设计。
图5是本发明实施例提供的基于语言描述的户型设计系统的结构示意图。如图5所示,实施例提供的户型设计系统包括终端501、与终端通信连接的服务端502,所述终端501包括语音采集模块5011和展示模块5012;所述服务端502包括上述基于语言描述的户型设计装置5021和存储器5022;
终端501通过语音采集模块5011采用用户的语音数据,并发送至所述户型设计装置5021;
服务端502通过户型设计装置5021依据语音数据进行户型设计,输出户型布局图、三维场景模型和场景渲染图并存储于储存器5022;
终端501从存储器5022下载户型布局、三维场景模型和场景渲染图,并通过展示模块5012进行可视化。
在另外一个实时方式中,终端501还包括编辑模块5013,用户通过该编辑模块5013对户型布局图和/或三维场景模型进行调整,调整后的户型布局图和/或三维场景模型会发送至服务端502;
服务端502通过户型设计装置5021依据调整后的户型布局图生成三维场景模型,并多视角渲染三维场景模型,获得场景渲染图。
利用上述基于语言描述的户型设计系统,用户可以不断地通过终端输入设计需求的语音数据,对服务端返回的可视化三维场景模型和场景渲染图不满意时,可以重新通过终端输入改进内容的语音数据,服务端会基于改进的语音数据做设计调整,同时,用户还可以直接通过终端的编辑模型修改户型布局图和三维场景模型,服务端返回修改后的户型布局图和三维场景模型对应的场景渲染图,直到满意为止。
上述提供的基于语言描述的户型设计方法和装置以及系统,以语音数据为基础,依次通过语音数据到文本数据转换,文本数据中属性信息提取,依据属性信息预测户型布局图,依据文本数据预测纹理信息,依据户型布局图和纹理信息生成三维场景模型和场景渲染图,实现户型的自动设计,由于整个设计过程以用户的语音数据为基础,这样能够保证设计结果符合用户需求,且整个设计过程结合深度学习处理技术、基础图形处理技术、三维重建技术和渲染技术,大大提升了设计效率。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于语言描述的户型设计方法,其特征在于,包括以下步骤:
获取用户的语音数据,并将语音数据转换成文本数据;
提取文本数据中关于户型设计的属性信息,所述属性信息包括房间本身属性信息和房间之间关系信息,并以属性信息为节点,按照文本语义对节点进行连接,形成属性语义图;
采用基于神经网络构建的布局预测模型对属性语义图进行布局预测,输出预测的户型布局图,并对户型布局图进行优化处理,获得优化的户型布局图;
采用基于生成式对抗网络构建的纹理生成模型根据文本数据的语义信息生成纹理数据;
依据优化的户型布局图和纹理信息生成三维场景模型并渲染得到多视角的场景渲染图;
其中,所述布局预测模型包括特征提取单元和布局生成单元;
所述特征提取单元采用图卷积网络提取属性语义图的节点特征;
所述布局生产单元采用边框回归网络根据节点特征和节点位置实现矩形边框范围预测,输出多个闭合多边形组成户型布局图。
2.如权利要求1所述的基于语言描述的户型设计方法,其特征在于,所述优化处理包括对户型布局图中的闭合多边形进行线条优化,闭合多边形类型识别,以及门窗生成。
3.如权利要求2所述的基于语言描述的户型设计方法,其特征在于,所述线条优化包括线段合并、线段删减、线段延长。
4.如权利要求1所述的基于语言描述的户型设计方法,其特征在于,所述房间本身属性信息包括房间类型、房间面积、房间在户型中方位、房间风格;所述房间之间关系信息包括包含关系、相邻关系、连通关系。
5.一种基于语言描述的户型设计装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~4任一项所述的基于语言描述的户型设计方法。
6.一种基于语言描述的户型设计系统,包括终端、与终端通信连接的服务端,其特征在于,所述终端包括语音采集模块和展示模块;所述服务端包括权利要求5所述的基于语言描述的户型设计装置和存储器;
所述终端通过语音采集模块采用用户的语音数据,并发送至所述户型设计装置;
所述服务端通过户型设计装置依据语音数据进行户型设计,输出户型布局图、三维场景模型和场景渲染图并存储于储存器;
所述终端从存储器下载户型布局、三维场景模型和场景渲染图,并通过展示模块进行可视化。
7.如权利要求6所述的基于语言描述的户型设计系统,其特征在于,所述终端还包括编辑模块,用户通过该编辑模块对户型布局图和/或三维场景模型进行调整,调整后的户型布局图和/或三维场景模型会发送至服务端;
服务端通过户型设计装置依据调整后的户型布局图生成三维场景模型,并多视角渲染三维场景模型,获得场景渲染图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279236.5A CN112417539B (zh) | 2020-11-16 | 2020-11-16 | 基于语言描述的户型设计方法和装置以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011279236.5A CN112417539B (zh) | 2020-11-16 | 2020-11-16 | 基于语言描述的户型设计方法和装置以及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417539A CN112417539A (zh) | 2021-02-26 |
CN112417539B true CN112417539B (zh) | 2023-10-03 |
Family
ID=74832015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011279236.5A Active CN112417539B (zh) | 2020-11-16 | 2020-11-16 | 基于语言描述的户型设计方法和装置以及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417539B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399998B (zh) * | 2021-12-03 | 2022-09-27 | 北京百度网讯科技有限公司 | 语音处理方法、装置、设备、存储介质及程序产品 |
CN114373054A (zh) * | 2021-12-27 | 2022-04-19 | 华南理工大学 | 一种自动生成三维房屋布局的方法、系统、装置及介质 |
CN114547749B (zh) * | 2022-03-03 | 2023-03-24 | 如你所视(北京)科技有限公司 | 户型预测方法、装置以及存储介质 |
CN114912175B (zh) * | 2022-05-07 | 2024-03-08 | 合肥工业大学 | 一种自动生成矢量化室内布局平面图的方法 |
CN116051729B (zh) * | 2022-12-15 | 2024-02-13 | 北京百度网讯科技有限公司 | 三维内容生成方法、装置和电子设备 |
CN116578915B (zh) * | 2023-04-11 | 2024-06-11 | 广州极点三维信息科技有限公司 | 一种基于图神经网络的结构化户型解析方法和系统 |
CN117312527A (zh) * | 2023-10-31 | 2023-12-29 | 杭州群核信息技术有限公司 | 家居布局的生成方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08263260A (ja) * | 1995-03-20 | 1996-10-11 | Hitachi Ltd | テキスト読み上げ方法 |
CN108831452A (zh) * | 2018-04-27 | 2018-11-16 | 合肥尧威智能科技有限公司 | 一种智能语音识别装修服务管理系统 |
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 |
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 |
CN110738996A (zh) * | 2019-10-24 | 2020-01-31 | 深圳小蛙出海科技有限公司 | 一种语音控制打印机打印的方法及一种打印终端 |
CN110826340A (zh) * | 2019-11-06 | 2020-02-21 | 广东三维家信息科技有限公司 | 评价文本生成方法、装置及电子设备 |
CN111104879A (zh) * | 2019-12-09 | 2020-05-05 | 贝壳技术有限公司 | 房屋功能间的识别方法和装置、可读存储介质、电子设备 |
CN111340938A (zh) * | 2020-02-21 | 2020-06-26 | 贝壳技术有限公司 | 用于获得房屋布局信息的方法、网络模型训练方法及装置 |
CN111858954A (zh) * | 2020-06-29 | 2020-10-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 面向任务的文本生成图像网络模型 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9292646B2 (en) * | 2014-06-18 | 2016-03-22 | Taiwan Semiconductor Manufacturing Company, Ltd. | Integrated circuit design system with balanced color assignment |
-
2020
- 2020-11-16 CN CN202011279236.5A patent/CN112417539B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08263260A (ja) * | 1995-03-20 | 1996-10-11 | Hitachi Ltd | テキスト読み上げ方法 |
CN108831452A (zh) * | 2018-04-27 | 2018-11-16 | 合肥尧威智能科技有限公司 | 一种智能语音识别装修服务管理系统 |
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 |
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 |
CN110738996A (zh) * | 2019-10-24 | 2020-01-31 | 深圳小蛙出海科技有限公司 | 一种语音控制打印机打印的方法及一种打印终端 |
CN110826340A (zh) * | 2019-11-06 | 2020-02-21 | 广东三维家信息科技有限公司 | 评价文本生成方法、装置及电子设备 |
CN111104879A (zh) * | 2019-12-09 | 2020-05-05 | 贝壳技术有限公司 | 房屋功能间的识别方法和装置、可读存储介质、电子设备 |
CN111340938A (zh) * | 2020-02-21 | 2020-06-26 | 贝壳技术有限公司 | 用于获得房屋布局信息的方法、网络模型训练方法及装置 |
CN111858954A (zh) * | 2020-06-29 | 2020-10-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 面向任务的文本生成图像网络模型 |
Non-Patent Citations (2)
Title |
---|
叶武剑 ; 高海健 ; 翁韶伟 ; 高智 ; 王善进 ; 张春玉 ; 刘怡俊 ; .基于CGAN网络的二阶段式艺术字体渲染方法.广东工业大学学报.2019,(03),全文. * |
张蔚 ; 王腾 ; 卢政达 ; 杨思宇 ; 孟维亮 ; 郭建伟 ; 张晓鹏 ; .基于CNN 的住宅平面图元素识别与布局语义分析.中国体视学与图像分析.第25卷(第02期),第174-182页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112417539A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417539B (zh) | 基于语言描述的户型设计方法和装置以及系统 | |
Khoshelham et al. | 3D modelling of interior spaces: Learning the language of indoor architecture | |
Zhang et al. | Generative design and performance optimization of residential buildings based on parametric algorithm | |
Lin et al. | Semantic decomposition and reconstruction of residential scenes from LiDAR data | |
Martinovic et al. | Bayesian grammar learning for inverse procedural modeling | |
CN103942388B (zh) | 一种大规模建筑信息模型与三维数字城市集成方法 | |
Yin et al. | Generating 3d building models from architectural drawings: A survey | |
CN109816772B (zh) | 一种由cad户型文件快速生成虚拟现实场景的处理方法 | |
CN112287138B (zh) | 一种城市信息模型的组织调度方法、装置和设备 | |
CN112883476B (zh) | 建筑空间的布局方法、装置及电子设备 | |
CN111008422A (zh) | 一种建筑物实景地图制作方法及系统 | |
KR101741015B1 (ko) | 공동주택의 환경성능·에너지 해석을 위한 통합 분석 시스템 및 분석 방법 | |
CN104573231A (zh) | 基于bim的智慧楼宇系统和方法 | |
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 | |
WO2023124160A1 (zh) | 一种自动生成三维房屋布局的方法、系统、装置及介质 | |
CN110111410A (zh) | 一种基于空间数据库的二三维管网数据组织及显示方法 | |
CN108446830B (zh) | 一种基于移动设备端的户型日照分析方法 | |
Bassier et al. | Automated semantic labelling of 3D vector models for scan-to-BIM | |
CN115619963B (zh) | 一种基于内容感知的城市建筑物实体建模方法 | |
CN108595768A (zh) | 一种厨房空间的自动布局系统及装置 | |
Kuroczyński et al. | Digital reconstruction of cultural heritage–questions of documentation and visualisation standards for 3D content | |
Mao et al. | Graph-based 3D building semantic segmentation for sustainability analysis | |
Sun | Design and optimization of indoor space layout based on deep learning | |
WO2024032717A1 (zh) | 智能设备地理信息图谱的构建方法、设备和系统 | |
CN115906245A (zh) | 基于Revit的BIM建筑模型外立面建模方法及系统 |
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 |