CN113705111B - 一种基于深度学习的装修家具自动布局方法及系统 - Google Patents
一种基于深度学习的装修家具自动布局方法及系统 Download PDFInfo
- Publication number
- CN113705111B CN113705111B CN202111105412.8A CN202111105412A CN113705111B CN 113705111 B CN113705111 B CN 113705111B CN 202111105412 A CN202111105412 A CN 202111105412A CN 113705111 B CN113705111 B CN 113705111B
- Authority
- CN
- China
- Prior art keywords
- furniture
- house type
- sample
- deep learning
- layout
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005034 decoration Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 238000013461 design Methods 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000452 restraining 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]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的装修家具自动布局方法及系统。所述方法包括：根据家具平面布局户型空间样本构建深度学习训练的样本；基于所述样本建立家具自动布局深度学习模型并训练；接收输入的户型图并输出家具平面布局图；将输出的家具平面布局图作为所述家具平面布局户型空间样本进行模型迭代。本发明解决了传统家具布局模型复杂，准确率低，设计表达弱，泛化能力差的问题。
Description
技术领域
本发明涉及家具布局领域，特别是涉及一种基于深度学习的装修家具自动布局方法及系统。
背景技术
目前现有技术中，对于装修家具的自动布局主要以规则来表达设计师的灵感，或者以启发式的最优解来计算家具的在空间的最佳位置。然而第一种方法主要问题在于，设计师的抽象的设计灵感很难具体；其次，要表达所有户型的设计，规则难以枚举，最重要的是一旦用规则来进行布局，无法满足用户的多样化设计需求。第二种方法主要对核心家具进行相对位置上的约束，并且构造评估函数，不断地去更新核心家具的位置，让其按较大的评估分数的方向去做位置调整，且该方法不适合复杂的空间，计算耗时时间长，无法及时输出相应的布局效果图。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于深度学习的装修家具自动布局方法及系统，用于解决现有技术中的以上问题。
为实现上述目的及其他相关目的，本发明提供一种基于深度学习的装修家具自动布局方法，所述方法包括：根据家具平面布局户型空间样本构建深度学习训练的样本；基于所述样本建立家具自动布局深度学习模型并训练；接收输入的户型图并输出家具平面布局图；将输出的家具平面布局图作为所述家具平面布局户型空间样本进行模型迭代。
于本发明一实施例中，所述方法中所述构建深度学习训练的样本包括：对户型样本进行精品家具设计以作为所述家具平面布局户型空间样本；获取所述家具平面布局户型空间样本的每一户型空间的矢量数据；平移并转化所述户型空间的矢量数据和家具点位信息；根据转化后的所述户型空间的矢量数据绘制3通道的RGB图片；标注所述家具平面布局户型空间样本核心家具的boundingbox。
于本发明一实施例中，所述方法中所述根据转化后的所述户型空间的矢量数据绘制3通道的RGB图片包括：将所述家具平面布局户型空间样本按空间类型在第一通道以不同的像素值绘制；将所述家具平面布局户型空间样本按门的类型在第二通道以不同的像素值绘制；将所述家具平面布局户型空间样本按窗的类型在第三通道以不同的像素值绘制。
于本发明一实施例中，所述方法中基于所述样本建立家具自动布局深度学习模型包括：对深度学习训练的样本3通道RGB图片大小尺寸通过opencv的resize函数进行统一化处理以生成448*448*3大小图片；通过CSPNet卷积网络抽取统一化处理后的3通道RGB图片的语义特征生成14*14*45数组，其中，45表示所述3通道RGB图片的9个锚框与每个锚框对应5个值的乘积，每个锚框对应5个值分别为期望目标对应的类别数值、目标的中心位置横坐标数值、纵坐标数值，目标的宽和高；将所述每个锚框对应5个值分别和标注信息计算类别损失和回归损失。
于本发明一实施例中，所述方法对深度学习训练的样本3通道RGB图片大小尺寸进行统一化处理之前还包括：对所述3通道RGB图片在较短的尺寸维度进行补零操作。
于本发明一实施例中，所述方法还包括：通过focalloss进行计算类别损失。
于本发明一实施例中，所述方法还包括：通过GIOU损失进行计算回归损失以预测目标位置，其中，GIOULOSS的计算公式为：GIOULOSS＝1-GIOU； 其中，A为3通道RGB图片中家具物体的目标框信息，B为目标家具物体预测框信息，C为根据A、B最小外接外接矩形信息。
为实现上述目的及其他相关目的，本发明提供基于深度学习的装修家具自动布局系统，所述系统包括：深度学习训练的样本构建模块，用于对原始户型样本进行处理以获取所述深度学习训练的样本；家具自动布局深度学习模型建立模块，用于对深度学习训练的样本信息继续处理以建立所述家具自动布局深度学习模型；输入输出模块：用于接收输入的户型图并输出家具平面布局图。
为实现上述目的及其他相关目的，本发明提供一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序被处理器加载执行时，实现所述的基于深度学习的装修家具自动布局方法。
为实现上述目的及其他相关目的，本发明提供一种电子设备，包括：处理器、存储器及通信接口；其中，所述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使所述电子设备执行所述的基于深度学习的装修家具自动布局方法；所述通信接口用于实现访问装置与其他设备之间的通信。
如上所述，本发明提供的一种基于深度学习的装修家具自动布局方法及系统，解决了传统家具布局模型复杂，准确率低，设计表达弱，泛化能力差的问题。本发明以户型空间的聚类为结果，统计了一定数量的户型数据，并基于此进行家具布局的设计制作深度学习的具有科学性和分布均衡性的样本，能够很好的指导模型进行学习。该模型采用位置回归和类别预测的深度学习模型，将设计师的灵感以家具的类型和位置在不同的户型空间中表达出来。
附图说明
图1显示为本发明一实施例中的基于深度学习的装修家具自动布局方法的流程示意图。
图2显示为本发明一实施例中的构建深度学习训练的样本方法的流程示意图。
图3显示为本发明一实施例中的建立家具自动布局深度学习模型方法的的流程示意图。
图4显示为本发明一实施例中的户型样本聚类示意图。
图5显示为本发明一实施例中的3通道RGB图片的示意图。
图6显示为本发明一实施例中的电子设备的结构示意图。
图7显示为本发明一实施例中的基于深度学习的装修家具自动布局系统的模块示意图。
图8显示为本发明一实施例中的电子设备的结构示意图。。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。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的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。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
为了解决现有技术中传统家具布局模型复杂，准确率低，设计表达弱，泛化能力差的问题，本发明提供一种基于深度学习的装修家具自动布局方法及系统。
如图1所示，本实施例提供一种基于深度学习的装修家具自动布局方法，该方法包括如下步骤：
S11：根据家具平面布局户型空间样本构建深度学习训练的样本。
具体地，根据图2所示的如下步骤构建深度学习训练的样本。
S111:对户型图样本进行设计以生成家具平面布局户型空间样本。
具体地，根据户型空间聚类结果，分析户型各个空间的类型分布，在每个类型选择一定数量均衡分布的样本进行大师方案的设计以完成精品方案库的构建。需要说明的是，对于进行大师方案设计的样本数量越多越好。
在此之前，根据户型数据样本库获取户型样本的矢量数据，并基于户型样本的矢量数据对空间类型进行数据划分。由于每张户型样本每个户型空间都有墙线，门，窗的矢量数据，因此根据这3个维度进行对户型样本所有户型空间类别进行聚类。聚类结果如图4所示：第1列为根据户型空间样本墙线进行的聚类，构建5个墙线聚类中心，第2列为在每类墙线中心的基础上，进行了门的聚类，如第3类墙线中心，构建了2个门的聚类中心，第3列为在每类墙线和相应类别的门的基础上，进行了窗的聚类，如第3类墙线的第1类门的聚类中心上，构建了2个窗的聚类中心。
S112:平移并转化家具平面布局户型空间样本矢量数据和家具的点位信息。
具体地，将家具平面布局户型空间样本矢量数据和家具的点位信息进行平移，并转化为正整数。
S113:根据转化后的的矢量数据绘制三通道RGB图片。
具体地，将转化后的户型空间样本的矢量数据绘制成3通道的RGB图片，将各个空间根据空间类型以不同的像素值在第一通道绘制；将各个类型的门，比如标准门和推拉门推拉门用不同的像素值在第二通道绘制；将各个类型的窗，比如标准窗，落地窗和飘窗用不同的像素值在第三通道绘制，如图5所示。
S114:在三通道RGB图片中的标注核心家具的boundingbox。
具体地，对进行大师方案的设计后的户型样本中的核心家具区域的boundingbox进行标注，即将核心家具区域的左上角和右下角的点在3通道RGB图片对应位置标注出来。例如将客餐厅的沙发区、电视区和餐桌区，卧室的卧室床区，衣柜区，书桌区等区域位置的左上角和右下角的点在在3通道RGB图片对应位置标注出来。
综上，三通道RGB图片和各个区域或其组合类型的boundingbox为家具平面布局户型空间样本数据。
S12：基于所述样本建立家具自动布局深度学习模型并训练。
具体地，根据图3所示的如下步骤建立深度学习训练的样本。
S121:将RGB图的尺寸大小进行统一化处理。
具体地，由于绘制而成的三通道RGB图片样本的大小不一致，在通过卷积神经网络进行语义特征提取之前，将样本的尺度大小进行统一化处理。
较佳地，将三通道RGB图片通过opencv的resize函数进行图片大小放缩，生成448*448*3的图片。需要说明的是，由于各个样本的长宽比不一致，需提前在图片长宽尺寸较短的维度进行补零操以保证图片能进行等比例放缩。
S122:提取统一化处理后的RGB通道图的语义特征。
具体地，通过CSPNet卷积网络抽取三通道RGB图的语义特征，并将语义特征转换成期望的家具类型和位置信息。
进一步地，在经过CSPNet卷积网络后，将448*448*3图片数据生成14*14*45的数组。其中，将448*448均分为14*14等分，每等份负责相应的区域；45为5*9，9表示卷积后的每个点对应原448*448*3图片的9个锚框，长宽比例不一致，每个锚框对应5个值，分别为对应目标的类别数值、目标的中心x，中心y，目标的宽和目标的高。
需要说明的是，使用CSPNet卷积网络进行目标的定位检测和目标的类型预测，可以提升网络的学习能力，同时提升处理速度和减少内存消耗。
S123:构建深度学习模型的损失函数。
具体地，通过构建类别损失函数和回归损失函数进行反向传播以优化模型参数。
进一步地，通过focalloss进行计算类别损失。
进一步地，通过计算GIOU损失计算回归损失以预测目标位置。如图6所示，A为3通道RGB图片中家具物体区域的目标框信息，，B为目标家具物体区域预测框信息，C为A、B最小外接外接矩形框信息。
进一步地，GIOULOSS的计算公式为：
GIOULOSS＝1-GIOU；
当GIOULOSS越趋近于0时，预测位置区域目标位置。
S124:训练迭代深度学习模型。
具体地，将S11构建的深度学习训练的样本输入到S12建立的建立家具自动布局深度学习模型，不断进行迭代训练，最终计算并优化模型参数。
S13：接收输入的户型图并输出家具平面布局图。
具体地，家具自动布局深度学习模型在接收到用户输入的户型图后输出家具平面布局图。
S14：将输出的家具平面布局图作为所述家具平面布局户型空间样本进行模型迭代。
具体地，将根据S13输出的家具平面布局图反向转换为矢量数据作为后处理模块，作为所述家具平面布局户型空间样本进行模型训练和迭代。
实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。基于这样的理解，本发明还提供一种计算机程序产品，包括一个或多个计算机指令。所述计算机指令可以存储在计算机可读存储介质中。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。
参阅图7，本实施例提供一种基于深度学习的装修家具自动布局系统70，作为一款软件搭载于电子设备中，以在运行时执行前述方法实施例所述的基于深度学习的装修家具自动布局方法。由于本系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
本实施例的基于深度学习的装修家具自动布局系统70具体包括：深度学习训练的样本构建模块71、家具自动布局深度学习模型建立模块72、输入输出模块73。深度学习训练的样本构建模块71用于对原始户型样本进行处理以获取所述深度学习训练的样本；家具自动布局深度学习模型建立模块72用于对深度学习训练的样本信息继续处理以建立所述家具自动布局深度学习模型；输入输出模块73用于接收输入的户型图并输出家具平面布局图。
本领域技术人员应当理解，图7实施例中的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个或多个物理实体上。且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，家具自动布局深度学习模型建立模块72可以为单独设立的处理元件，也可以集成在某一个芯片中实现，此外，也可以以程序代码的形式存储于存储器中，由某一个处理元件调用并执行家具自动布局深度学习模型建立模块72的功能。其它模块的实现与之类似。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
参阅图8，本实施例提供一种电子设备，电子设备可以是便携式电脑、智能手机、平板电脑等设备。详细的，电子设备至少包括通过总线81连接的：存储器82、处理器83，通信接口84，其中，通信接口84用于用于实现数据访问装置与其他设备之间的通信其中，存储器82用于存储计算机程序，处理器83用于执行存储器82存储的计算机程序，以执行前述方法实施例中的全部或部分步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral PomponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，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(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，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。
综上所述，本发明提供的一种基于深度学习的装修家具自动布局方法及系统，本发明以户型空间的聚类为结果，统计了一定数量的户型数据，并基于此进行家具布局的设计制作深度学习的样本，将这些具有科学性和分布均衡性的样本输入基于位置回归和类别预测的深度学习模型中进行不断的学习，并且不断的增加学习样本进行模型的迭代，最后在输入户型图后将设计师的灵感以家具的类型和位置在不同的户型空间中表达出来，以达到快速生成家装设计效果图的效果。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种基于深度学习的装修家具自动布局方法，其特征在于，包括：
根据家具平面布局户型空间样本构建深度学习训练的样本；
根据户型空间聚类结果，分析户型各个空间的类型分布，在每个类型选择一定数量均衡分布的样本进行方案库的构建；
根据户型数据样本库获取户型样本的矢量数据，并基于户型样本的矢量数据对空间类型进行数据划分，由于每张户型样本每个户型空间都有墙线，门，窗的矢量数据，因此根据这3个维度进行对户型样本所有户型空间类别进行聚类；
基于所述样本建立家具自动布局深度学习模型并训练；
对深度学习训练的样本3通道RGB图片大小尺寸通过opencv的resize函数进行统一化处理以生成448*448*3大小图片；
通过CSPNet卷积网络抽取统一化处理后的3通道RGB图片的语义特征生成14*14*45数组，其中，45表示所述3通道RGB图片的9个锚框与每个锚框对应5个值的乘积，每个锚框对应5个值分别为期望目标对应的类别数值、目标的中心位置横坐标数值、纵坐标数值，目标的宽和高；
将所述每个锚框对应5个值分别和标注信息计算类别损失和回归损失；
通过GIOU损失进行计算回归损失以预测目标位置，其中，GIOULOSS的计算公式为：
；
；
；
其中，A为3通道RGB图片中家具物体的目标框信息，B为目标家具物体预测框信息，C为A、B最小外接外接矩形框信息；
接收输入的户型图并输出家具平面布局图；
将输出的家具平面布局图作为所述家具平面布局户型空间样本进行模型迭代。
2.根据权利要求1所述的方法，其特征在于，所述构建深度学习训练的样本包括：
对户型样本进行精品家具设计以作为所述家具平面布局户型空间样本；
获取所述家具平面布局户型空间样本的每一户型空间的矢量数据；
平移并转化所述户型空间的矢量数据和家具点位信息；
根据转化后的所述户型空间的矢量数据绘制3通道的RGB图片；
标注所述家具平面布局户型空间样本核心家具的boundingbox。
3.根据权利要求2所述的方法，其特征在于，所述根据转化后的所述户型空间的矢量数据绘制3通道的RGB图片包括：
将所述家具平面布局户型空间样本按空间类型在第一通道以不同的像素值绘制；
将所述家具平面布局户型空间样本按门的类型在第二通道以不同的像素值绘制；
将所述家具平面布局户型空间样本按窗的类型在第三通道以不同的像素值绘制。
4.根据权利要求1所述的方法，其特征在于，对深度学习训练的样本3通道RGB图片大小尺寸进行统一化处理之前还包括：
对所述3通道RGB图片在较短的尺寸维度进行补零操作。
5.根据权利要求4所述的方法，其特征在于，还包括：
通过focalloss进行计算类别损失。
6.一种基于深度学习的装修家具自动布局系统，其特征在于，所述系统包括：
深度学习训练的样本构建模块，用于对原始户型样本进行处理以获取所述深度学习训练的样本；根据户型空间聚类结果，分析户型各个空间的类型分布，在每个类型选择一定数量均衡分布的样本进行方案库的构建
根据户型数据样本库获取户型样本的矢量数据，并基于户型样本的矢量数据对空间类型进行数据划分，由于每张户型样本每个户型空间都有墙线，门，窗的矢量数据，因此根据这3个维度进行对户型样本所有户型空间类别进行聚类；
家具自动布局深度学习模型建立模块，用于对深度学习训练的样本信息继续处理以建立所述家具自动布局深度学习模型；
输入输出模块：用于接收输入的户型图并输出家具平面布局图。
7.一种计算机可读存储介质，其中存储有计算机程序，其特征在于，所述计算机程序被处理器加载执行时，实现如权利要求1至5中任一所述的基于深度学习的装修家具自动布局方法。
8.一种电子设备，其特征在于，包括：处理器、存储器及通信接口；其中，
所述存储器用于存储计算机程序；
所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如权利要求1至5中任一所述的基于深度学习的装修家具自动布局方法；
所述通信接口用于实现访问装置与其他设备之间的通信。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111105412.8A CN113705111B (zh) | 2021-09-22 | 2021-09-22 | 一种基于深度学习的装修家具自动布局方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111105412.8A CN113705111B (zh) | 2021-09-22 | 2021-09-22 | 一种基于深度学习的装修家具自动布局方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705111A CN113705111A (zh) | 2021-11-26 |
| CN113705111B true CN113705111B (zh) | 2024-04-26 |
Family
ID=78661568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111105412.8A Active CN113705111B (zh) | 2021-09-22 | 2021-09-22 | 一种基于深度学习的装修家具自动布局方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705111B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114675913B (zh) * | 2021-12-13 | 2023-09-22 | 北京百度网讯科技有限公司 | 页面布局信息处理方法、装置、电子设备和介质 |
| CN114462207B (zh) * | 2022-01-07 | 2023-03-14 | 广州极点三维信息科技有限公司 | 一种家装饰品模板的匹配方法、系统、设备及介质 |
| CN114491772B (zh) * | 2022-03-23 | 2022-09-13 | 清华大学 | 一种户型布局生成方法及装置 |
| CN115221207B (zh) * | 2022-06-21 | 2023-04-11 | 广州极点三维信息科技有限公司 | 一种智能家居方案设计方法、系统、装置及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109871604A (zh) * | 2019-01-31 | 2019-06-11 | 浙江工商大学 | 基于深度对抗网络模型的室内功能区划分方法 |
| 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 |
| CN110210377A (zh) * | 2019-05-30 | 2019-09-06 | 南京维狸家智能科技有限公司 | 一种用于三维户型重建的墙体及门窗信息获取方法 |
| CN111161379A (zh) * | 2019-12-13 | 2020-05-15 | 江苏艾佳家居用品有限公司 | 基于深度学习的空户型特征检测的室内家居自动布局算法 |
| CN111310862A (zh) * | 2020-03-27 | 2020-06-19 | 西安电子科技大学 | 复杂环境下基于图像增强的深度神经网络车牌定位方法 |
| CN111325223A (zh) * | 2018-12-13 | 2020-06-23 | 中国电信股份有限公司 | 深度学习模型的训练方法、装置和计算机可读存储介质 |
| CN111382805A (zh) * | 2020-04-02 | 2020-07-07 | 贝壳技术有限公司 | 用于处理房屋的户型矢量数据的方法、电子设备和介质 |
| US10831976B1 (en) * | 2019-05-30 | 2020-11-10 | International Business Machines Corporation | Predicting local layout effects in circuit design patterns |
| CN112507815A (zh) * | 2020-11-24 | 2021-03-16 | 北京超维世纪科技有限公司 | 关于指针式仪器仪表盘刻度人工智能图像识别算法及系统 |
| CN112613343A (zh) * | 2020-12-01 | 2021-04-06 | 浙江大学 | 一种基于改进YOLOv4的河道废弃物监测方法 |
| CN113297956A (zh) * | 2021-05-22 | 2021-08-24 | 温州大学 | 一种基于视觉的手势识别方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751261B (zh) * | 2018-07-23 | 2024-05-28 | 第四范式（北京）技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
| CN109740243B (zh) * | 2018-12-29 | 2022-07-08 | 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 |
| US11574353B2 (en) * | 2019-10-09 | 2023-02-07 | Target Brands, Inc. | Compatibility based furniture recommendations |
| CN110705650B (zh) * | 2019-10-14 | 2023-10-24 | 深制科技(苏州)有限公司 | 一种基于深度学习的钣金布局方法 |
-
2021
- 2021-09-22 CN CN202111105412.8A patent/CN113705111B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325223A (zh) * | 2018-12-13 | 2020-06-23 | 中国电信股份有限公司 | 深度学习模型的训练方法、装置和计算机可读存储介质 |
| CN109871604A (zh) * | 2019-01-31 | 2019-06-11 | 浙江工商大学 | 基于深度对抗网络模型的室内功能区划分方法 |
| 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 |
| CN110210377A (zh) * | 2019-05-30 | 2019-09-06 | 南京维狸家智能科技有限公司 | 一种用于三维户型重建的墙体及门窗信息获取方法 |
| US10831976B1 (en) * | 2019-05-30 | 2020-11-10 | International Business Machines Corporation | Predicting local layout effects in circuit design patterns |
| CN111161379A (zh) * | 2019-12-13 | 2020-05-15 | 江苏艾佳家居用品有限公司 | 基于深度学习的空户型特征检测的室内家居自动布局算法 |
| CN111310862A (zh) * | 2020-03-27 | 2020-06-19 | 西安电子科技大学 | 复杂环境下基于图像增强的深度神经网络车牌定位方法 |
| CN111382805A (zh) * | 2020-04-02 | 2020-07-07 | 贝壳技术有限公司 | 用于处理房屋的户型矢量数据的方法、电子设备和介质 |
| CN112507815A (zh) * | 2020-11-24 | 2021-03-16 | 北京超维世纪科技有限公司 | 关于指针式仪器仪表盘刻度人工智能图像识别算法及系统 |
| CN112613343A (zh) * | 2020-12-01 | 2021-04-06 | 浙江大学 | 一种基于改进YOLOv4的河道废弃物监测方法 |
| CN113297956A (zh) * | 2021-05-22 | 2021-08-24 | 温州大学 | 一种基于视觉的手势识别方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于OpenCV的三维户型图智能重建;肖毅 等;《信息与电脑(理论版)》;20180325(第06期);第35-36页 * |
| 方圆圆.《人脸识别与美颜算法实战 基于Python、机器学习与深度学习》.机械工业出版社,2020,(第1版),第42-45页. * |
| 融合GIoU和Focal loss 的YOLOv3 目标检测算法;邹承明，薛榕刚;《计算机工程与应用》;第56卷(第24期);第214-222页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113705111A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113705111B (zh) | 一种基于深度学习的装修家具自动布局方法及系统 | |
| CN111476138B (zh) | 建筑图纸构件识别模型构建方法、识别方法及相关设备 | |
| CN112257328B (zh) | 家具布局方法及电子设备 | |
| CN109753641B (zh) | 一种更改对象位置的方法、装置、电子设备及存储介质 | |
| US11410060B1 (en) | System and method for utilizing a logical graphical model for scenario analysis | |
| CN111832437A (zh) | 建筑图纸识别方法、电子设备及相关产品 | |
| WO2020248365A1 (zh) | 智能分配模型训练内存方法、装置及计算机可读存储介质 | |
| CN111160242A (zh) | 图像目标检测方法、系统、电子终端及存储介质 | |
| US20210397596A1 (en) | Lookup table activation functions for neural networks | |
| CN114969417A (zh) | 图像重排序方法、相关设备及计算机可读存储介质 | |
| CN113516029B (zh) | 基于部分标注的图像人群计数方法、装置、介质及终端 | |
| CN110019952B (zh) | 视频描述方法、系统及装置 | |
| CN113239785A (zh) | 一种基于卷积神经网络的户型自动识别的方法、系统、存储介质及电子设备 | |
| CN113742804B (zh) | 家具布局图生成方法、装置、设备及存储介质 | |
| CN112199748B (zh) | 基于人类活动信息的平面图设计方法、装置及终端设备 | |
| CN104598662B (zh) | 电路设计的移植方法和系统 | |
| CN113808192B (zh) | 一种户型图生成方法、装置、设备及存储介质 | |
| CN111667046A (zh) | 深度学习加速方法及用户终端 | |
| CN114550187A (zh) | 图纸中门窗的识别方法、装置、电子设备和存储介质 | |
| CN110413819B (zh) | 一种图片描述信息的获取方法及装置 | |
| US10643395B2 (en) | Real-time spatial authoring in augmented reality using additive and subtractive modeling | |
| CN112991540A (zh) | 房屋模型的区域分割方法和装置、存储介质、电子设备 | |
| WO2023185917A1 (zh) | 一种芯片的模块排布方法及相关设备 | |
| CN113744004A (zh) | 推送内容的确定方法、装置及设备 | |
| CN114967998A (zh) | 操作栏的展示方法、电子设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240320 Address after: No. 344, Sanlin Road, Pudong New Area, Shanghai Applicant after: B&T Home Network Technology (Shanghai) Co.,Ltd. Country or region after: China Address before: 200120 B & Q Pudong business building, No. 393 Yinxiao Road, Pudong New Area, Shanghai Applicant before: Baianju information technology (Shanghai) Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |