CN113743009B - 基于表示学习的柜类智能设计方法、装置、设备及介质 - Google Patents

基于表示学习的柜类智能设计方法、装置、设备及介质 Download PDF

Info

Publication number
CN113743009B
CN113743009B CN202111016350.3A CN202111016350A CN113743009B CN 113743009 B CN113743009 B CN 113743009B CN 202111016350 A CN202111016350 A CN 202111016350A CN 113743009 B CN113743009 B CN 113743009B
Authority
CN
China
Prior art keywords
information
cabinet body
cabinet
design
furniture
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
Application number
CN202111016350.3A
Other languages
English (en)
Other versions
CN113743009A (zh
Inventor
柯建生
戴振军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Pole 3d Information Technology Co ltd
Original Assignee
Guangzhou Pole 3d Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Pole 3d Information Technology Co ltd filed Critical Guangzhou Pole 3d Information Technology Co ltd
Priority to CN202111016350.3A priority Critical patent/CN113743009B/zh
Publication of CN113743009A publication Critical patent/CN113743009A/zh
Application granted granted Critical
Publication of CN113743009B publication Critical patent/CN113743009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/16—Customisation or personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于表示学习的柜类智能设计方法、装置、设备及介质，方法包括：获取历史数据中的柜体信息以及柜体空间环境信息；根据所述柜体信息以及所述柜体空间环境信息构建特征工程；根据所述特征工程中的离散特征，构建编码学习模型；对所述编码学习模型进行训练，得到历史柜体对象的空间编码以及编码预测模型；向所述编码预测模型中输入待布局空间信息以及标准家居板件信息，得到目标设计空间编码，该编码与历史柜体对象的空间编码求解相似度，确定相似度最高的为柜体对象。本发明为归类定制设计过程提供了一个快速的、合理的及满足多样性的柜体设计方案，提高柜类设计的效率，可广泛应用于智能家居技术领域。

Description

基于表示学习的柜类智能设计方法、装置、设备及介质
技术领域
本发明涉及智能家居技术领域，尤其是基于表示学习的柜类智能设计方法、装置、设备及介质。
背景技术
随着经济社会的不断发展，家具个性化定制已经成为一种大趋势。快速、智能的家居设计模式是家居设计软件适应个性化定制潮流的重要因素。而在整个家居定制中，柜类设计无疑是最复杂且最具备定制属性的一个重要环节。柜类个性化定制主要需求场景有：在用户提供的一个家居场景下，设计师需要在一个特定的区域为用户设计出一个合适的柜体。然而，这种纯人工设计模式耗时比较长，并且需要依赖设计师的专业知识以及对现有柜类产品库的熟悉程度，另外这个特定区域的空间环境(周围)及家具摆放也会对整个定制柜类设计带来影响，因而整个过程具有设计周期长，设计成本高等特点。
现有的柜类智能设计方法大多还难以将智能技术应用到一个完整的柜类定制设计流程当中。首先，这些技术缺乏柜体类别(如衣柜、电视柜、餐边柜、书柜等)的概念，一部分技术对所有柜类当成统一的柜体进行处理，另一部分智能方法仅针对特定柜体(如衣柜一个品类)；另外，这些技术在智能化设计上主要对设计规则、生产规则等规则限制条件的智能化辅助设计。
在现有技术下，柜类设计工作减少了一些设计错误的情况出现，在设计的合理性上提供了一定的帮助，但整个流程还是需要设计师参与到柜体每一个空间的设计当中，而这恰恰是整项工作最花费时间和精力的一步。
发明内容
有鉴于此，本发明实施例提供基于表示学习的柜类智能设计方法、装置、设备及介质。
本发明的一方面提供了一种基于表示学习的柜类智能设计方法，包括：
获取历史数据中的柜体信息以及柜体空间环境信息；
根据所述柜体信息以及所述柜体空间环境信息构建特征工程；
根据所述特征工程中的离散特征，构建编码学习模型；
对所述编码学习模型进行训练，得到历史柜体对象的空间编码以及编码预测模型；
向所述编码预测模型中输入待布局空间信息以及标准家居板件信息，得到目标设计空间编码；
计算所述目标设计空间编码与历史柜体对象的设计空间编码之间的相似度，将相似度最高的对象确定为柜体对象。
可选地，所述方法还包括采集历史数据的步骤，该步骤包括：
获取定制家居行业内历史的全屋定制设计方案和和单独定制柜设计方案；
其中，所述全屋定制设计方案和和单独定制柜设计方案中包含柜体以及柜体周围的家具摆放信息。
可选地，所述获取历史数据中的柜体信息以及柜体空间环境信息，包括：
从所述历史数据中获取空间结构信息，所述空间结构信息包括三维变换矩阵以及大小；所述三维变换矩阵包括物体在三维空间上的朝向信息以及所述物体的起点坐标值；
从所述历史数据中获取家具信息，所述家具信息包括家具摆放的三维变换矩阵、家具大小以及家具类别；
从所述历史数据中获取房间分布信息；
根据所述家具信息形成家具功能区，并确定所述家具功能区的三维变换矩阵和大小；
确定所述家具功能区中的主部件；
根据所述空间结构信息和所述家具信息，识别柜体以及所述柜体的空间环境。
可选地，所述根据所述空间结构信息和所述家具信息，识别柜体以及所述柜体的空间环境，包括：
根据所述空间结构信息和所述家具信息，获取柜体的三维变换矩阵及所述柜体的大小；
获取所述柜体在六个方位中距离中心柜体最近的目标功能区；
获取所述目标功能区的相对于六个方位的方位信息，所述方位信息包括所述目标功能区的类型、总体三维变换矩阵、总体大小和各个方位与中心柜体的距离；
整合六个方位的方位信息作为所述柜体的空间环境信息；
根据所述空间环境信息，计算柜体在当前空间下的合理设计大小。
可选地，所述根据所述柜体信息以及所述柜体空间环境信息构建特征工程，包括：
对所述柜体空间环境信息中的功能区大小特征的宽、高、深进行处理；
根据所述柜体信息以及所述柜体空间环境信息，生成离散特征；
其中，所述宽和深采用分桶策略进行处理；所述高采用聚类策略进行处理。
可选地，所述根据所述特征工程中的离散特征，构建编码学习模型，包括：
获取所述特征工程中构建得到的离散特征；
建立每个离散特征的嵌入向量矩阵；
计算每个离散特征的注意力，根据所述嵌入向量矩阵和所述注意力，确定注意力层的输出值；
在对比层初始化一个嵌入向量矩阵，将该嵌入向量矩阵与所述注意力层的输出值相乘，得到隐层表示与数据库中所有柜体的相似度；
根据所述对比层中的正样，通过负采样策略获取多个负样，并通过交叉熵损失完成学习模型的训练。
可选地，所述方法还包括：
在需要搭建组合柜的位置拉伸一个三维矩形框，该三维矩形框用于表征柜体的三维变换矩阵和大小；
根据所述三维矩形框获取矩形框空间环境信息，生成该空间环境信息对应的向量化表示；
根据所述三维矩形框与所述空间环境信息计算该空间下的合理设计大小；
根据所述合理设计大小，从数据库中获取环境信息向量集；
将所述向量化表示与所述环境信息向量集进行矩阵乘积运算，得到该空间环境信息与该环境信息集的相似度向量；
根据所述相似度向量，选取一个柜体作为当前三维场景下设计出的柜体对象。
本发明实施例的另一方面提供了一种基于表示学习的柜类智能设计装置，包括：
第一模块，用于获取历史数据中的柜体信息以及柜体空间环境信息；
第二模块，用于根据所述柜体信息以及所述柜体空间环境信息构建特征工程；
第三模块，用于根据所述特征工程中的离散特征，构建编码学习模型；
第四模块，用于对所述编码学习模型进行训练，得到历史柜体对象的空间编码以及编码预测模型；
第五模块，用于向所述编码预测模型中输入待布局空间信息以及标准家居板件信息，得到目标设计空间编码；
第六模块，用于计算所述目标设计空间编码与历史柜体对象的设计空间编码之间的相似度，将相似度最高的对象确定为柜体对象。
本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例获取历史数据中的柜体信息以及柜体空间环境信息；根据所述柜体信息以及所述柜体空间环境信息构建特征工程；根据所述特征工程中的离散特征，构建编码学习模型；对所述编码学习模型进行训练，得到历史柜体对象的空间编码以及编码预测模型；向所述编码预测模型中输入待布局空间信息以及标准家居板件信息，得到目标设计空间编码，该编码与历史柜体对象的空间编码求解相似度，确定相似度最高的为柜体对象。本发明为归类定制设计过程提供了一个快速的、合理的及满足多样性的柜体设计方案，提高柜类设计的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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整体流程图；
图2为本发明实施例提供的学习模型的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术存在的问题，本发明的一方面提供了一种基于表示学习的柜类智能设计方法，包括：
获取历史数据中的柜体信息以及柜体空间环境信息；
根据所述柜体信息以及所述柜体空间环境信息构建特征工程；
根据所述特征工程中的离散特征，构建编码学习模型；
对所述编码学习模型进行训练，得到历史柜体对象的空间编码以及编码预测模型；
向所述编码预测模型中输入待布局空间信息以及标准家居板件信息，得到目标设计空间编码；
计算所述目标设计空间编码与历史柜体对象的设计空间编码之间的相似度，将相似度最高的对象确定为柜体对象。
可选地，所述方法还包括采集历史数据的步骤，该步骤包括：
获取定制家居行业内历史的全屋定制设计方案和和单独定制柜设计方案；
其中，所述全屋定制设计方案和和单独定制柜设计方案中包含柜体以及柜体周围的家具摆放信息。
可选地，所述获取历史数据中的柜体信息以及柜体空间环境信息，包括：
从所述历史数据中获取空间结构信息，所述空间结构信息包括三维变换矩阵以及大小；所述三维变换矩阵包括物体在三维空间上的朝向信息以及所述物体的起点坐标值；
从所述历史数据中获取家具信息，所述家具信息包括家具摆放的三维变换矩阵、家具大小以及家具类别；
从所述历史数据中获取房间分布信息；
根据所述家具信息形成家具功能区，并确定所述家具功能区的三维变换矩阵和大小；
确定所述家具功能区中的主部件；
根据所述空间结构信息和所述家具信息，识别柜体以及所述柜体的空间环境。
可选地，所述根据所述空间结构信息和所述家具信息，识别柜体以及所述柜体的空间环境，包括：
根据所述空间结构信息和所述家具信息，获取柜体的三维变换矩阵及所述柜体的大小；
获取所述柜体在六个方位中距离中心柜体最近的目标功能区；
获取所述目标功能区的相对于六个方位的方位信息，所述方位信息包括所述目标功能区的类型、总体三维变换矩阵、总体大小和各个方位与中心柜体的距离；
整合六个方位的方位信息作为所述柜体的空间环境信息；
根据所述空间环境信息，计算柜体在当前空间下的合理设计大小。
可选地，所述根据所述柜体信息以及所述柜体空间环境信息构建特征工程，包括：
对所述柜体空间环境信息中的功能区大小特征的宽、高、深进行处理；
根据所述柜体信息以及所述柜体空间环境信息，生成离散特征；
其中，所述宽和深采用分桶策略进行处理；所述高采用聚类策略进行处理。
可选地，所述根据所述特征工程中的离散特征，构建编码学习模型，包括：
获取所述特征工程中构建得到的离散特征；
建立每个离散特征的嵌入向量矩阵；
计算每个离散特征的注意力，根据所述嵌入向量矩阵和所述注意力，确定注意力层的输出值；
在对比层初始化一个嵌入向量矩阵，将该嵌入向量矩阵与所述注意力层的输出值相乘，得到隐层表示与数据库中所有柜体的相似度；
根据所述对比层中的正样，通过负采样策略获取多个负样，并通过交叉熵损失完成学习模型的训练。
可选地，所述方法还包括：
在需要搭建组合柜的位置拉伸一个三维矩形框，该三维矩形框用于表征柜体的三维变换矩阵和大小；
根据所述三维矩形框获取矩形框空间环境信息，生成该空间环境信息对应的向量化表示；
根据所述三维矩形框与所述空间环境信息计算该空间下的合理设计大小；
根据所述合理设计大小，从数据库中获取环境信息向量集；
将所述向量化表示与所述环境信息向量集进行矩阵乘积运算，得到该空间环境信息与该环境信息集的相似度向量；
根据所述相似度向量，选取一个柜体作为当前三维场景下设计出的柜体对象。
本发明实施例的另一方面提供了一种基于表示学习的柜类智能设计装置，包括：
第一模块，用于获取历史数据中的柜体信息以及柜体空间环境信息；
第二模块，用于根据所述柜体信息以及所述柜体空间环境信息构建特征工程；
第三模块，用于根据所述特征工程中的离散特征，构建编码学习模型；
第四模块，用于对所述编码学习模型进行训练，得到历史柜体对象的空间编码以及编码预测模型；
第五模块，用于向所述编码预测模型中输入待布局空间信息以及标准家居板件信息，得到目标设计空间编码；
第六模块，用于计算所述目标设计空间编码与历史柜体对象的设计空间编码之间的相似度，将相似度最高的对象确定为柜体对象。
本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
下面结合说明书附图，对本发明的具体实现原理进行详细描述：
参考图1，图1为基于表示学习的柜类智能设计方法的流程图，首先，线下训练学习的流程如下：
1.准备数据集。
a.数据来源。这部分数据集是由定制家居行业内过往的全屋定制设计方案(包含归类定制)和单独定制柜设计方案组成。这些设计方案大部分完整地包含了柜体以及柜体周围的家具摆放，可以很好地表达柜体信息以及柜体空间环境信息。
b.数据解析。对于每一份定制设计方案数据文件，我们需要读取并分辨出其中一些主要内容：
i.空间结构(墙体、门、窗、梁、柱)的三维变换矩阵(包含了物体在三维空间上的朝向以及起点坐标x，y，z值)、大小(长，宽，高)；
ii.家具摆放的三维变换矩阵(同上)、大小(同上)、家具类别；
iii.房间分布，即区分出方案中的每个房间，并将上述空间结构和家具根据位置关系判断它们的房间所属。
c.组合家具形成功能区。我们不将家具独立地处理，而是把它们形成一个个家具组合，典型地，对于卧室场景，我们把床与床头柜组合成床品区，把书桌书柜桌椅组合成桌椅区，而衣柜组合自身组合形成衣柜区。另外，为了对齐操作，我们把墙体门窗也同样地组合成墙体区，特别地，一个墙体区仅有一堵墙，因此一个房间至少有四个墙体区。在组合成功能区的过程中，需要同时计算出整个功能区的总体三维变换矩阵和总体大小。
d.定义功能区中的主部件。每个功能区都应该有一个主部件，如墙体区的主部件是墙，床品区的主部件是床，衣柜区的主部件定义为该组合衣柜里体积最大的衣柜。
e.识别柜体及其空间环境。通过上述(a)(b)两小步，我们已经清楚哪些房间存在哪些柜体，我们遍历这些柜体，执行以下操作以获取柜体环境信息：
i.直接获得柜体的三维变换矩阵及其大小；
ii.分别获取柜体周围(前、后、左、右、上、下)六个方位中，距离中心柜体最近的功能区，获取功能区的类型、总体三维变换矩阵、总体大小和与中心柜体的距离等作为该方位的方位信息；
iii.整合六个方位信息作为该柜体空间环境信息；
iv.根据柜体空间环境信息，计算柜体在该空间下的合理设计大小。
f.至此，我们已经得到了包含历史数据中每个柜体的合理设计大小，真实柜体设计大小、空间环境信息的数据集，在本文中都以数据集代指。
2.建立特征工程。
a.数据源。数据源为第1步得到的数据集。
b.我们得到的柜体空间环境信息包括(前、后、左、右、上、下)六个方位。
c.每个方位包含的特征有：
i.功能区类别；
ii.功能区总体朝向；在这个家居设计场景中，我们的功能区主要有四种朝向类型(东、南、西、北)，我们根据功能区的总体三维变换矩阵求解出功能区整体在DIYHome三维场景下的角度值，根据角度值得到朝向类型。
iii.功能区大小；
iv.功能区整体与柜体的距离；
v.功能区中主部件与柜体的距离；
vi.功能区中的最近次部件与柜体的距离。
d.特征处理：
i.类别型特征直接使用离散特征；
ii.功能区大小特征，需要对宽、高、深分开处理。其中，宽和深采用分桶策略，高通过聚类实现，因为一般而言，定制柜体的高度往往都是某几个特定的值。
需要说明的是，本申请的分桶策略是指对宽等距划分成10类，对深等距划分成5类。
本申请的聚类策略是指采用k-means算法将高划分成10类。
iii.其他连续型特征采用分桶策略，特别地，距离为0的专门作为一桶。
e.至此，我们得到的特征工程里的特征都为离散特征。
3.建立表示学习模型。如图2所示，
a.输入层。输入直接采用特征工程里的离散特征。
b.嵌入层。嵌入层接收输入层的输入，建立每个特征的嵌入向量矩阵，其特征大小长度为128。
c.注意力层。注意力层接收嵌入层的输入，求出每个特征的注意力，注意力与嵌入层的输出相乘，作为注意力层的输出。我们称这个输出为隐层表示，这个表示即整合了上述基础特征的特征向量。
d.对比层。对比层初始化了一个嵌入向量矩阵，该矩阵大小的行数量为数据库中柜体的数量，列为特征大小的长度(同上)。对比层接收注意力层的输出作为该层输入，用输入与嵌入向量矩阵做矩阵乘法运算，得到该隐层表示与数据库中所有柜体的相似度。
e.损失计算。对比层有一个相似度向量，其中存在一个正样，再通过负采样策略得到若干个负样，使用交叉熵损失完成训练。
4.线下训练过程。
a.设定训练轮次为30轮；
b.每轮次遍历数据库中所有的柜体，其对应于一个空间环境特征，每轮次批处理128个样本；
c.设定学习率为0.001，采用余弦学习率衰减策略。
5.线上模型推理。
a.线上同样采用特征工程里的离散特征作为输入。
b.获取对比层的相似度输出。
其次，线上设计使用的流程如下：
1.在DIYHome软件中打开一个设计方案，该方案已经设计好整个房间环境，现在需要设计师在一个特定的位置设计一个组合柜；
2.设计师在需要搭建组合柜的位置拉伸一个三维矩形框，该矩形框表达了柜体的三维变换矩阵和大小；
3.设计师在该三维矩形框上点击调用智能设计模块，软件获取矩形框空间环境信息，该信息作为模型的输入，模型输出该环境信息的向量化表示；
4.DIYHome软件根据三维矩形框与环境信息计算出该空间下的合理设计大小；
5.DIYHome推荐系统根据第4点的合理设计大小，在数据库中做召回，得到召回后的环境信息向量集；
6.将该向量化表示与环境信息向量集做矩阵乘积运算，得到该空间环境信息与该环境信息集的相似度向量，从而可以得到其中的top5相似环境，将该top5相似环境对应的过往设计柜体返回到软件前端，在软件前端作缩略图显示，供设计师选择；
7.设计师选择其中一个柜体，DIYHome在该三维场景下建立柜体对象。
对于DIYHome的使用者而言，即全屋定制或柜体定制设计师，他们在软件上的使用流程如下：
1.在DIYHome软件中打开一个设计方案；
2.设计师在需要搭建组合柜的位置拉伸一个三维矩形框；
3.设计师在该三维矩形框上点击调用智能设计模块，软件返回智能推荐的柜体页面；
4.设计师选择其中一个柜体，DIYHome在该三维场景下建立柜体对象。
综上所述，本发明实现了对大量历史设计方案中的柜体的向量化表示，同时使用一种针对高维空间中海量数据的高效检索方法，为归类定制设计过程提供了一个快速的、合理的及满足多样性的柜体设计方案，提高柜类设计的效率。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述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以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所述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-Only Memory)、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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.基于表示学习的柜类智能设计方法，其特征在于，包括：
获取历史数据中的柜体信息以及柜体空间环境信息；
根据所述柜体信息以及所述柜体空间环境信息构建特征工程；
根据所述特征工程中的离散特征，构建编码学习模型；
对所述编码学习模型进行训练，得到历史柜体对象的空间编码以及编码预测模型；
向所述编码预测模型中输入待布局空间信息以及标准家居板件信息，得到目标设计空间编码；
计算所述目标设计空间编码与历史柜体对象的设计空间编码之间的相似度，将相似度最高的对象确定为柜体对象；
所述获取历史数据中的柜体信息以及柜体空间环境信息，包括：
从所述历史数据中获取空间结构信息，所述空间结构信息包括三维变换矩阵以及大小；所述三维变换矩阵包括物体在三维空间上的朝向信息以及所述物体的起点坐标值；
从所述历史数据中获取家具信息，所述家具信息包括家具摆放的三维变换矩阵、家具大小以及家具类别；
从所述历史数据中获取房间分布信息；
根据所述家具信息形成家具功能区，并确定所述家具功能区的三维变换矩阵和大小；
确定所述家具功能区中的主部件；
根据所述空间结构信息和所述家具信息，识别柜体以及所述柜体的空间环境；
所述根据所述空间结构信息和所述家具信息，识别柜体以及所述柜体的空间环境，包括：
根据所述空间结构信息和所述家具信息，获取柜体的三维变换矩阵及所述柜体的大小；
获取所述柜体在六个方位中距离中心柜体最近的目标功能区；
获取所述目标功能区的相对于六个方位的方位信息，所述方位信息包括所述目标功能区的类型、总体三维变换矩阵、总体大小和各个方位与中心柜体的距离；
整合六个方位的方位信息作为所述柜体的空间环境信息；其中，所述六个方位的方位信息是指所述柜体的前、后、左、右、上、下六个方位的方位信息；
根据所述空间环境信息，计算柜体在当前空间下的合理设计大小；
所述方法还包括：
在需要搭建组合柜的位置拉伸一个三维矩形框，该三维矩形框用于表征柜体的三维变换矩阵和大小；
根据所述三维矩形框获取矩形框空间环境信息，生成该空间环境信息对应的向量化表示；
根据所述三维矩形框与所述空间环境信息计算该空间下的合理设计大小；
根据所述合理设计大小，从数据库中获取环境信息向量集；
将所述向量化表示与所述环境信息向量集进行矩阵乘积运算，得到该空间环境信息与该环境信息向量集的相似度向量；
根据所述相似度向量，选取一个柜体作为当前三维场景下设计出的柜体对象。
2.根据权利要求1所述的基于表示学习的柜类智能设计方法，其特征在于，所述方法还包括采集历史数据的步骤，该步骤包括：
获取定制家居行业内历史的全屋定制设计方案和单独定制柜设计方案；
其中，所述全屋定制设计方案和单独定制柜设计方案中包含柜体以及柜体周围的家具摆放信息。
3.根据权利要求1所述的基于表示学习的柜类智能设计方法，其特征在于，所述根据所述柜体信息以及所述柜体空间环境信息构建特征工程，包括：
对所述柜体空间环境信息中的功能区大小特征的宽、高、深进行处理；
根据所述柜体信息以及所述柜体空间环境信息，生成离散特征；
其中，所述宽和深采用分桶策略进行处理；所述高采用聚类策略进行处理。
4.根据权利要求1所述的基于表示学习的柜类智能设计方法，其特征在于，所述根据所述特征工程中的离散特征，构建编码学习模型，包括：
获取所述特征工程中构建得到的离散特征；
建立每个离散特征的嵌入向量矩阵；
计算每个离散特征的注意力，根据所述嵌入向量矩阵和所述注意力，确定注意力层的输出值；
在对比层初始化一个嵌入向量矩阵，将该嵌入向量矩阵与所述注意力层的输出值相乘，得到隐层表示与数据库中所有柜体的相似度；
根据所述对比层中的正样，通过负采样策略获取多个负样，并通过交叉熵损失完成学习模型的训练。
5.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-4中任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-4中任一项所述的方法。
CN202111016350.3A 2021-08-31 2021-08-31 基于表示学习的柜类智能设计方法、装置、设备及介质 Active CN113743009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111016350.3A CN113743009B (zh) 2021-08-31 2021-08-31 基于表示学习的柜类智能设计方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111016350.3A CN113743009B (zh) 2021-08-31 2021-08-31 基于表示学习的柜类智能设计方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113743009A CN113743009A (zh) 2021-12-03
CN113743009B true CN113743009B (zh) 2022-07-01

Family

ID=78734457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111016350.3A Active CN113743009B (zh) 2021-08-31 2021-08-31 基于表示学习的柜类智能设计方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113743009B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN115455192B (zh) * 2022-08-16 2023-06-16 广州极点三维信息科技有限公司 一种基于定制柜体工艺知识图谱的数据处理方法以及系统
CN115795627B (zh) * 2022-12-28 2023-09-26 广州极点三维信息科技有限公司 一种家具特征构建方法、系统、装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740243A (zh) * 2018-12-29 2019-05-10 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
CN111104704A (zh) * 2019-12-10 2020-05-05 杭州群核信息技术有限公司 柜体内部布局设计方法、装置、系统以及存储介质
CN111651819A (zh) * 2020-05-27 2020-09-11 广东博智林机器人有限公司 一种家装设计方法、装置、电子设备及存储介质
CN112818229A (zh) * 2021-01-29 2021-05-18 广州极点三维信息科技有限公司 基于家居空间的饰品推荐方法、系统、装置及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10956626B2 (en) * 2019-07-15 2021-03-23 Ke.Com (Beijing) Technology Co., Ltd. Artificial intelligence systems and methods for interior design
CN112926441B (zh) * 2021-02-24 2021-11-30 广州极点三维信息科技有限公司 基于机器视觉的家居识别方法、系统、装置及介质
CN113256390A (zh) * 2021-06-16 2021-08-13 平安科技（深圳）有限公司 一种产品推荐方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740243A (zh) * 2018-12-29 2019-05-10 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
CN111104704A (zh) * 2019-12-10 2020-05-05 杭州群核信息技术有限公司 柜体内部布局设计方法、装置、系统以及存储介质
CN111651819A (zh) * 2020-05-27 2020-09-11 广东博智林机器人有限公司 一种家装设计方法、装置、电子设备及存储介质
CN112818229A (zh) * 2021-01-29 2021-05-18 广州极点三维信息科技有限公司 基于家居空间的饰品推荐方法、系统、装置及介质

Also Published As

Publication number Publication date
CN113743009A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN113743009B (zh) 基于表示学习的柜类智能设计方法、装置、设备及介质
Kosara et al. Parallel sets: Interactive exploration and visual analysis of categorical data
Gibson et al. A survey of two-dimensional graph layout techniques for information visualisation
CN110737778A (zh) 基于知识图谱和Transformer的专利推荐方法
Liang et al. Image feature selection using genetic programming for figure-ground segmentation
Korhonen Interactive methods
Sohrabi et al. TSGV: a table-like structure-based greedy method for materialized view selection in data warehouses
Tseng et al. Connector-based approach to assembly planning using a genetic algorithm
US20140006403A1 (en) Method and apparatus for selecting clusterings to classify a data set
Strug et al. Supporting the design process with hypergraph genetic operators
Tian et al. A new analysis of the value of unlabeled data in semi-supervised learning for image retrieval
CN114239116A (zh) 一种基于风格迁移的bim设计推荐方法
Pejic et al. Linear kitchen layout design via machine learning
Zhang et al. Efficient history matching with dimensionality reduction methods for reservoir simulations
CN116628136A (zh) 基于声明式推理的协同查询处理方法、系统、电子设备
Su et al. Geometric computation based assembly sequencing and evaluating in terms of assembly angle, direction, reorientation, and stability
CN115795627A (zh) 一种家具特征构建方法、系统、装置及介质
Racec et al. Computational Intelligence in Interior Design: State-of-the-Art and Outlook
Song et al. Web3D-based automatic furniture layout system using recursive case-based reasoning and floor field
Sun et al. BubbleFormer: Bubble Diagram Generation via Dual Transformer Models
CN113379569A (zh) 餐饮垃圾精细化产排图谱的绘制方法、系统、装置及介质
Schmid et al. A taxonomy of attribute scoring functions
CN112085522A (zh) 一种工程项目的造价数据处理方法、系统、装置及介质
Machwe et al. Reducing user fatigue within an interactive evolutionary design system using clustering and case-based reasoning
Wilson et al. Identifying key socioecological factors influencing the expression of egalitarianism and inequality among foragers

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