CN113808192A - 一种户型图生成方法、装置、设备及存储介质 - Google Patents
一种户型图生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113808192A CN113808192A CN202111114006.8A CN202111114006A CN113808192A CN 113808192 A CN113808192 A CN 113808192A CN 202111114006 A CN202111114006 A CN 202111114006A CN 113808192 A CN113808192 A CN 113808192A
- Authority
- CN
- China
- Prior art keywords
- house type
- area
- adjustment model
- building
- graph
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000000007 visual effect Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 33
- 238000012800 visualization Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 14
- 230000002787 reinforcement Effects 0.000 description 12
- 230000002093 peripheral effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005253 cladding Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种户型图生成方法、装置、设备及存储介质，包括：获取初始户型图像；对初始户型图像进行元素识别，获得户型界面可视图，户型界面可视图中包括初始户型图像中不同类别的建筑元素；基于户型界面可视化图对应的建筑元素的类别和位置，确定面积调整模型，面积调整模型包括建筑元素调整模型、比例调整模型或元素参数调整模型中的至少一项；基于面积调整模型对户型界面可视图进行面积识别，获得建筑面积；基于初始户型图和建筑面积，生成目标户型图，目标户型图包括目标户型图和建筑面积。本发明能够准确识别户型图和建筑面积，提升了户型图应用的精准性。
Description
技术领域
本发明涉及数据处理技术领域，特别是涉及一种户型图生成方法、装置、设备及存储介质。
背景技术
目前，在户型图的生成过程中通常是基于对拍照获得的户型图进行校正处理，然后识别出墙体等元素，生成三维户型图，但是并不对该户型对应的建筑面积进行精准识别，而房屋面积的计算偏差会给购房者造成直接经济损失，从而使得识别后的户型在实际应用过程中并不准确。
发明内容
针对于上述问题，本发明提供一种户型图生成方法、装置、设备及存储介质，实现了能够精准识别建筑面积，提升了户型图应用的精准性。
为了实现上述目的，本发明提供了如下技术方案：
一种户型图生成方法，包括：
获取初始户型图像；
对所述初始户型图像进行元素识别，获得户型界面可视图，所述户型界面可视图中包括所述初始户型图像中不同类别的建筑元素；
基于所述户型界面可视化图对应的建筑元素的类别和位置，确定面积调整模型，所述面积调整模型包括建筑元素调整模型、比例调整模型或元素参数调整模型中的至少一项；
基于所述面积调整模型对所述户型界面可视图进行面积识别，获得建筑面积；
基于所述初始户型图和所述建筑面积，生成目标户型图，所述目标户型图包括目标户型图和所述建筑面积。
可选地，所述对所述初始户型图像进行元素识别，获得户型界面可视图，包括：
对所述初始户型图像进行编码获得第一向量；
对所述第一向量进行识别，得到建筑元素和类别；
对不同的建筑元素和类别进行对应的可视化处理，获得户型界面可视图。
可选地，所述面积调整模型，包括：
建筑元素调整模型，所述建筑元素调整模型为基于包括各个建筑元素的训练样本训练得到的，能够输出建筑元素删减和/或保持不变的概率的模型；
或，
比例调整模型，所述比例调整模型为基于包括各个建筑元素的训练样本训练得到的，能够输出户型图比例缩放概率的模型；
或，
元素参数调整模型，所述元素参数调整为基于包括各个建筑元素种类和数量的训练样本训练得到，输出墙体厚度变化参数概率的模型。
可选地，所述方法还包括：
将所述户型界面可视化图，输入至选择模型中，获得每一面积调整模型的概率值；
基于所述每一面积调整模型的概率值，确定目标面积调整模型，所述选择模型为基于户型界面可视化图的训练样本以及各个面积调整模型训练得到的，用于输入各个面积调整模型选择概率的神经网络模型。
可选地，所述基于所述面积调整模型对所述户型界面可视图进行面积识别，获得建筑面积，包括：
将所述户型界面可视图输入至所述面积调整模型，获得第二向量；
基于所述第二向量，确定建筑元素的位置和尺寸信息；
根据所述建筑元素的位置和尺寸信息，计算得到建筑面积。
可选地，所述方法还包括：
检测是否存在输入建筑面积；
如果是，计算所述建筑面积和输入建筑面积的误差；
基于所述误差对所述面积调整模型进行参数调整，获得调整后的面积调整模型。
可选地，所述获取初始户型图像，包括：
获取初始图像；
对所述初始图像进行图像预处理，得到初始户型图像，所述图像预处理包括灰度图处理、二值化处理和边缘检测处理。
一种户型图生成装置，包括：
获取单元，用于获取初始户型图像；
第一识别单元，用于对所述初始户型图像进行元素识别，获得户型界面可视图，所述户型界面可视图中包括所述初始户型图像中不同类别的建筑元素；
确定单元，用于基于所述户型界面可视化图对应的建筑元素的类别和位置，确定面积调整模型，所述面积调整模型包括建筑元素调整模型、比例调整模型或元素参数调整模型中的至少一项；
第二识别单元，用于基于所述面积调整模型对所述户型界面可视图进行面积识别，获得建筑面积；
生成单元，用于基于所述初始户型图和所述建筑面积，生成目标户型图，所述目标户型图包括目标户型图和所述建筑面积。
一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如上述中任意一项所述的一种户型图生成方法。
一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述中任意一项所述的一种户型图生成方法。
相较于现有技术，本发明提供了一种户型图生成方法、装置、设备及存储介质，包括：获取初始户型图像；对初始户型图像进行元素识别，获得户型界面可视图，户型界面可视图中包括初始户型图像中不同类别的建筑元素；基于户型界面可视化图对应的建筑元素的类别和位置，确定面积调整模型，面积调整模型包括建筑元素调整模型、比例调整模型或元素参数调整模型中的至少一项；基于面积调整模型对户型界面可视图进行面积识别，获得建筑面积；基于初始户型图和建筑面积，生成目标户型图，目标户型图包括目标户型图和建筑面积。本发明能够准确识别户型图和建筑面积，提升了户型图应用的精准性。
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作简单地介绍，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种户型图生成方法的流程示意图；
图2为本发明实施例提供的一种户型图生成装置的结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在本发明实施例中提供了一种户型图生成方法，参见图1，该方法可以包括以下步骤：
S101、获取初始户型图像。
其中，初始户型图像为针对户型采集得到的2D图像。在得到该采集图像时，需要通过图像预处理对采集图像进行处理，其中，图像预处理包括灰度图处理、二值化处理和边缘检测处理。灰度化处理是指将图像中各像素的颜色的三个分量变为一个分量的处理过程，处理后的所述灰度图像中，每个像素只有一个采样颜色的图像。二值化处理是指将将图像上的像素点的灰度值均设置为0或255，以使图像呈现出明显的黑白效果的处理。在具体实现中，二值化的阀值可以根据实际需要由用户设置。需要说明的是，当户型图图像为彩色图像时，各像素点处不同颜色的梯度可能存在差异，如果直接对彩色图像进行边缘检测，可能会导致轮廓线被错误地提取。
S102、对所述初始户型图像进行元素识别，获得户型界面可视图。
所述户型界面可视图中包括所述初始户型图像中不同类别的建筑元素。可以通过对应的目标模型进行识别，如将初始户型图像输入至目标模型中进行元素识别，可以基于该目标模型识别得到对应的向量，然后对向量进行分析，得到建筑元素的位置和种类，其中，建筑元素包括墙、门和窗等。即在本发明实施例的一种实施方式中，生成户型界面可视图的过程包括：
对所述初始户型图像进行编码获得第一向量；
对所述第一向量进行识别，得到建筑元素和类别；
对不同的建筑元素和类别进行对应的可视化处理，获得户型界面可视图。
其中，第一向量是指将初始户型图像进行编码后得到的向量，例如，初始户型图像为2D图片，可以通过目标模型的卷积层的编码器将2D图片(256x256x3)编码成8x8x512向量。
进一步地，不同类型类别的墙体，门，窗，的轮廓用不同颜色可视化。即为创建的虚拟2D环境，得到户型界面可视图。例如，环境的2D界面图尺寸为256x256。
S103、基于所述户型界面可视化图对应的建筑元素的类别和位置，确定面积调整模型。
其中，面积调整模型包括建筑元素调整模型、比例调整模型或元素参数调整模型中的至少一项。其中，建筑元素调整模型，所述建筑元素调整模型为基于包括各个建筑元素的训练样本训练得到的，能够输出建筑元素删减和/或保持不变的概率的模型；比例调整模型，所述比例调整模型为基于包括各个建筑元素的训练样本训练得到的，能够输出户型图比例缩放概率的模型；元素参数调整模型，所述元素参数调整为基于包括各个建筑元素种类和数量的训练样本训练得到，输出墙体厚度变化参数概率的模型。
基于实际的应用场景，可以选择不同的面积调整模型，以获得对当前户型界面可视图的对应的调整策略，可以为后续精准计算建筑面积提供数据基础。
S104、基于所述面积调整模型对所述户型界面可视图进行面积识别，获得建筑面积。
S105、基于所述初始户型图和所述建筑面积，生成目标户型图，所述目标户型图包括目标户型图和所述建筑面积。
基于确定的面积调整模型对户型界面可视图中的建筑元素的数量、位置和尺寸等信息进行调整，在调整完成后可以对建筑面积进行精准计算，从而获得与该建筑面积匹配的目标户型图。
本发明实施例提供了一种户型图生成方法，包括：获取初始户型图像；对初始户型图像进行元素识别，获得户型界面可视图，户型界面可视图中包括初始户型图像中不同类别的建筑元素；基于户型界面可视化图对应的建筑元素的类别和位置，确定面积调整模型，面积调整模型至少包括建筑元素调整模型、比例调整模型或元素参数调整模型；基于面积调整模型对户型界面可视图进行面积识别，获得建筑面积；基于初始户型图和建筑面积，生成目标户型图，目标户型图包括目标户型图和建筑面积。本发明能够准确识别户型图和建筑面积，提升了户型图应用的精准性。
下面对本发明实施例中的处理过程进行详细说明，其中，在本发明实施例中基于模型处理的过程，可以获得对应模型训练的过程的技术方案，本发明对此不进行详细说明。
首先，在本发明实施例中包括户型图识别过程，例如，通过户型图识别模型进行处理，其中，户型图识别模型包括卷积层和全连接层，具体的，使用CNN(卷积)编码器将2D图片(256x256x3)编码成8x8x512向量，其中CNN解码器由4层CNN(卷积)层构成，参数分别为:128x128x32,64x64x64，32x32x64，16x16x64。其中，128x128x32参数表示为下：128x128表示卷积层二维尺寸取值为128，128；32表示核的数量。使用FC(全连接)解码器将上面的输出解码成(N1+N2+N3+1+4)向量，其中FC解码器由2层FC(全连接)层构成，得到建筑元素(墙，门，窗)的位置和类别，参数分别为:(16x16x64,32)，(32,N1+N2+N3+1+4)。其中，(16x16x64,32)表示此FC层输入通道个数为16x16x64，输出通道个数为32(此层全连接计算核的数量)。其中N1表示墙有N1类，N2表示门有N2类，N3表示窗有N3类，1表示背景的类别。4维向量表示元素(门，窗，墙)的位置(外轮廓左下，右上两个顶点的坐标(x1,y1)(x2,y2))。其中元素的类别为输出的前(N1+N2+N3+1)位最大值对应的类别。
将上述处理得到的结果进行可视化处理，不同类别的墙体，门，窗，的轮廓用不同颜色可视化。即为创建的虚拟2D环境，即户型界面可视图。该环境的2D界面图尺寸为256x256。
在本发明实施例中将精准确定建筑面积的过程，可以基于不同的面积调整模型与实际的应用需求相结合，对建筑元素进行调整。
其中，建筑元素调整模型用于输出建筑元素删减和/或保持不变的概率。例如，建立(M1+M2+M3)*2向量，其中M1为墙的个数，M2为门的个数,M3为窗的个数。对于每一个元素(门，窗，墙)，相应的二维向量第一位表示删减该元素，第二位表示该元素保持不变的概率。
比例调整模型，用于输出户型图比例缩放概率。例如，建立1x2向量，其中第一位表示比例尺放大概率，第二位表示比例尺缩小概率。
元素参数调整模型，用于输出墙体厚度变化参数概率。例如，建立(M1+M2+M3)*2向量，其中M1为墙的个数，M2为门的个数,M3为窗的个数。对于每一个元素(门，窗，墙)，其中第一位表示墙体厚度增加概率，第二位表示墙体厚度减小概率。
对应的，面积调整模型还可以包括调节墙的位置的模型，因此，在本发明实施例中可以基于实际需求对面积调整模型进行增加或者调整，本发明对此不进行限制。
对应的，在本发明实施例中还包括建立自学习网络，通过自学习网络能够确定在各个面积调整模型中确定出目标面积调整模型。即将所述户型界面可视化图，输入至选择模型中，获得每一面积调整模型的概率值；基于所述每一面积调整模型的概率值，确定目标面积调整模型，所述选择模型为基于户型界面可视化图的训练样本以及各个面积调整模型训练得到的，用于输入各个面积调整模型选择概率的神经网络模型。
例如，构建墙位置精细化智能体(agent)网络，此网络输入为各个面积调整模型(建筑元素调整模型、比例调整模型和元素参数调整模型)的可视化，输出为1x3维向量，3表示子任务的个数。表示选取各个子任务的概率值。该模块由4层CNN构成，参数为:128x128x32，64x64x64，32x32x64，16x16x64。和两层FC(全连接)解码器构成，参数为:(16x16x64,32)，(32,1x3)。
具体的，建立各个面积调整模型中的各个模型的得分网络。
对应于，建筑元素调整模型学习网络模块由器由4层CNN(卷积)层构成，参数分别为:128x128x32,64x64x64,32x32x64,16x16x64。其中128x128x32参数意思如下,(128x128表示卷积层二维尺寸取值为128,128,32表示核的数量)。和两层FC(全连接)解码器构成，参数分别为:(16x16x64,32),(32,(M1+M2+M3)*2)。输入为的2D虚拟环境可视化，大小为256x256,输出为(M1+M2+M3)*2向量，其中，各个参数的含义请参见上述举例说明的实施例中的参数说明，对此不进行赘述。
比例调整模型的学习网络模块由器由4层CNN(卷积)层构成，参数分别为:128x128x32,64x64x64,32x32x64,16x16x64。其中128x128x32参数意思如下,(128x128表示卷积层二维尺寸取值为128,128,32表示核的数量)。和两层FC(全连接)解码器构成，参数分别为:(16x16x64,32),(32,2)。输入为4-2的2D虚拟环境可视化，大小为256x256,输出为2维向量。
元素参数调整模型的学习网络模块由器由4层CNN(卷积)层构成，参数分别为:128x128x32,64x64x64,32x32x64,16x16x64。其中128x128x32参数意思如下,(128x128表示卷积层二维尺寸取值为128,128,32表示核的数量)。和两层FC(全连接)解码器构成，参数分别为:(16x16x64,32),(32,3)。输入为4-2的2D虚拟环境可视化，大小为256x256,输出为2维向量。
在本发明实施例的一种实施方式中，所述基于所述面积调整模型对所述户型界面可视图进行面积识别，获得建筑面积，包括：
将所述户型界面可视图输入至所述面积调整模型，获得第二向量；
基于所述第二向量，确定建筑元素的位置和尺寸信息；
根据所述建筑元素的位置和尺寸信息，计算得到建筑面积。
其中，第二向量为面积调整模型将元素特征转换为的向量。
具体的，可以通过面积调整模型获得第二向量后，然后进行识别得到各个建筑元素，如门，窗，墙的位置，尺寸，计算得到建筑面积。
对应的，在本发明实施例还包括若有建筑面积输入，计算所述建筑面积和输入建筑面积的误差。基于所述误差对所述面积调整模型进行参数调整，获得调整后的面积调整模型。
在本发明的一种实施方式中，还包括建立各个面积调整模型的执行器网络，其中，建筑元素调整模型学习网络模块得到的输出向量(M1+M2+M3)*2判断最大概率值对应的删减某个元素。比例调整模型的学习网络模块得到的输出向量2判断最大概率值对应比例尺扩大一步(即为原比例尺的1.0001)，或比例尺减少一步(即为原比例尺的0.9999)。元素参数调整模型的学习网络模块得到的输出向量(M1+M2+M3)*2判断最大概率值对应扩大某个墙体厚度一步(即为原墙体的1.0001),缩小某墙体厚度一步(即为原墙体的0.9999)。
在本发明实施例中建立各个面积调整模型得分网络，该模块由器由4层CNN(卷积)层构成，参数分别为:128x128x32,64x64x64,32x32x64,16x16x64。其中128x128x32参数意思如下：(128x128表示卷积层二维尺寸取值为128,128,32表示核的数量)。和两层FC(全连接)解码器构成，参数分别为:(16x16x64,32),(1)。输入为2D虚拟环境可视化，大小为256x256,1维向量，取值维0-100。
需要说明的是，在本发明实施例中的户型识别模型中的CNN(卷积)编码器，FC(全连接)解码器，自学习网络，各个面积调整模型中的自学习，得分网络即这些网络的参数取值为随机。
每一次训练时计算每一样本和目标的误差梯度，户型识别过程中的CNN(卷积)编码器，FC(全连接)解码器整体的训练过程，其目标为标好的户型图个元素的位置和尺寸，类别。自学习网络网络，各个面积调整模型中的学习网络整体的训练过程，其目标为标好的户型图个元素的尺寸，尺寸。分数计算为户型图中元素预测位置和标好的位置的重叠IOU。
每次数据集所有样本经过一次完整训练后，得到数据集中所有样本的平均分数，当第N次和第N+1次训练之后，所得数据集的平均分数均大于95分，并且保持不变后，即停止训练，停止跟新网络参数。假设有2个训练过程1-2，分值计算如上，目标与现有目标完全不同为0，完全一样为100。
需要说明的是，在本发明实施例中基于课程强化学习的户型图识别和建筑面积识别精确化方法是一种可行的技术方案，包括但不限于类似的(其他CNN，图卷积，强化学习，机器学习)的方法。
交互方式所依赖地设备(手机,pad)，包括但不限于类似可视化的设备，例如网络电视，PC屏幕，XBOX，VR眼镜，车载屏幕等等。
在本发明实施例中建筑元素不局限于墙、窗、门，还可以是其他元素，例如，柱，烟道，包立管等等。
在本发明实施例中基于课程强化学习的户型图识别和建筑面积的识别，可以对不同户型或者不同户型中包括的不同建筑元素时可以实现对应的位置和类别的识别，以及不同元素调整后的对应面积的计算过程，从而实现了精准对建筑面积进行识别的过程，使得最终生成的目标户型图与面积相匹配，更加符合实际应用的需求。
需要说明的是在本发明实施例中通过课程强化学习进行了户型图和建筑面积的精准识别，其中，课程强化学习(Curriculum Reinforcement Learning)，通过在强化学习中通过定义由易到难的多阶段任务，来实现泛化能力的提高和收敛速度的加快。课程强化学习的核心思想是智能体在环境中学习，根据环境的状态(或观测到的)，执行动作，并根据环境的反馈来指导更好地动作。在本发明实施例中通过应用课程强化学习，可以建立对应的面积调整模型、户型图识别模型以及建筑面积识别模型，使得这些模型能够提前向相关网络提供有关候选动作的强化信号，以及更多的奖惩信息(内部强化信号)，以减少不确定性并提高学习速度。例如，在面积调整模型的创建过程中，通过强化学习训练得到的网络模型可以使得模型的输出更加符合应用环境，并且使得模型训练过程中的收敛速度加快，更便于模型的训练和应用。从而使得识别后的信息精准度更高，更符合实际的应用需求。
参见图2，在本发明实施例中还提供了一种户型图生成装置，包括：
获取单元10，用于获取初始户型图像；
第一识别单元20，用于对所述初始户型图像进行元素识别，获得户型界面可视图，所述户型界面可视图中包括所述初始户型图像中不同类别的建筑元素；
确定单元30，用于基于所述户型界面可视化图对应的建筑元素的类别和位置，确定面积调整模型，所述面积调整模型包括建筑元素调整模型、比例调整模型或元素参数调整模型中的至少一项；
第二识别单元40，用于基于所述面积调整模型对所述户型界面可视图进行面积识别，获得建筑面积；
生成单元50，用于基于所述初始户型图和所述建筑面积，生成目标户型图，所述目标户型图包括目标户型图和所述建筑面积。
进一步地，所述第一识别单元具体用于：
对所述初始户型图像进行编码获得第一向量；
对所述第一向量进行识别，得到建筑元素和类别；
对不同的建筑元素和类别进行对应的可视化处理，获得户型界面可视图。
可选地，所述面积调整模型，包括：
建筑元素调整模型，所述建筑元素调整模型为基于包括各个建筑元素的训练样本训练得到的，能够输出建筑元素删减和/或保持不变的概率的模型；
或，
比例调整模型，所述比例调整模型为基于包括各个建筑元素的训练样本训练得到的，能够输出户型图比例缩放概率的模型；
或，
元素参数调整模型，所述元素参数调整为基于包括各个建筑元素种类和数量的训练样本训练得到，输出墙体厚度变化参数概率的模型。
进一步地，所述装置还包括：
模型输入单元，用于将所述户型界面可视化图，输入至选择模型中，获得每一面积调整模型的概率值；
模型确定单元，用于基于所述每一面积调整模型的概率值，确定目标面积调整模型，所述选择模型为基于户型界面可视化图的训练样本以及各个面积调整模型训练得到的，用于输入各个面积调整模型选择概率的神经网络模型。
进一步地，所述第二识别单元具体用于：
将所述户型界面可视图输入至所述面积调整模型，获得第二向量；
基于所述第二向量，确定建筑元素的位置和尺寸信息；
根据所述建筑元素的位置和尺寸信息，计算得到建筑面积。
可选地，所述装置还包括：
检测单元，用于检测是否存在输入建筑面积；
计算单元，用于如果是，计算所述建筑面积和输入建筑面积的误差；
模型调整单元，用于基于所述误差对所述面积调整模型进行参数调整，获得调整后的面积调整模型。
可选地，所述获取单元具体用于：
获取初始图像；
对所述初始图像进行图像预处理，得到初始户型图像，所述图像预处理包括灰度图处理、二值化处理和边缘检测处理。
本发明实施例提供了一种户型图生成装置，包括：获取初始户型图像；对初始户型图像进行元素识别，获得户型界面可视图，户型界面可视图中包括初始户型图像中不同类别的建筑元素；基于户型界面可视化图对应的建筑元素的类别和位置，确定面积调整模型，面积调整模型包括建筑元素调整模型、比例调整模型或元素参数调整模型中的至少一项；基于面积调整模型对户型界面可视图进行面积识别，获得建筑面积；基于初始户型图和建筑面积，生成目标户型图，目标户型图包括目标户型图和建筑面积。本发明能够准确识别户型图和建筑面积，提升了户型图应用的精准性。
在本发明实施例中还提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如上述中任意一项所述的一种户型图生成方法。
基于前述实施例，在本发明实施例中还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述中任意一项所述的一种户型图生成方法。
下面是对本申请应用的计算机设备进行说明，该计算机设备可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio LayerIII，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV，动态影像专家压缩标准音频层面4)播放器。计算机设备还可能被称为用户设备、便携式终端等其他名称。通常，计算机设备包括有：处理器和存储器。处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital SignalProcessing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU(GraphicsProcessing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是有形的和非暂态的。存储器还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器所执行以实现本申请中提供的家具布局图生成方法。
在一些实施例中，计算机设备还可选包括有：外围设备接口和至少一个外围设备。具体地，外围设备包括：触摸显示屏、摄像头和电源中的至少一种。外围设备接口可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器和存储器。在一些实施例中，处理器、存储器和外围设备接口被集成在同一芯片或电路板上；在一些其他实施例中，处理器、存储器和外围设备接口中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种户型图生成方法，其特征在于，包括：
获取初始户型图像；
对所述初始户型图像进行元素识别，获得户型界面可视图，所述户型界面可视图中包括所述初始户型图像中不同类别的建筑元素；
基于所述户型界面可视化图对应的建筑元素的类别和位置，确定面积调整模型，所述面积调整模型包括建筑元素调整模型、比例调整模型或元素参数调整模型中的至少一项；
基于所述面积调整模型对所述户型界面可视图进行面积识别，获得建筑面积；
基于所述初始户型图和所述建筑面积，生成目标户型图，所述目标户型图包括目标户型图和所述建筑面积。
2.根据权利要求1所述的方法，其特征在于，所述对所述初始户型图像进行元素识别，获得户型界面可视图，包括：
对所述初始户型图像进行编码获得第一向量；
对所述第一向量进行识别，得到建筑元素和类别；
对不同的建筑元素和类别进行对应的可视化处理，获得户型界面可视图。
3.根据权利要求1所述的方法，其特征在于，所述面积调整模型，包括：
建筑元素调整模型，所述建筑元素调整模型为基于包括各个建筑元素的训练样本训练得到的，能够输出建筑元素删减和/或保持不变的概率的模型；
或，
比例调整模型，所述比例调整模型为基于包括各个建筑元素的训练样本训练得到的，能够输出户型图比例缩放概率的模型；
或，
元素参数调整模型，所述元素参数调整为基于包括各个建筑元素种类和数量的训练样本训练得到，输出墙体厚度变化参数概率的模型。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述户型界面可视化图，输入至选择模型中，获得每一面积调整模型的概率值；
基于所述每一面积调整模型的概率值，确定目标面积调整模型，所述选择模型为基于户型界面可视化图的训练样本以及各个面积调整模型训练得到的，用于输入各个面积调整模型选择概率的神经网络模型。
5.根据权利要求1所述的方法，其特征在于，所述基于所述面积调整模型对所述户型界面可视图进行面积识别，获得建筑面积，包括：
将所述户型界面可视图输入至所述面积调整模型，获得第二向量；
基于所述第二向量，确定建筑元素的位置和尺寸信息；
根据所述建筑元素的位置和尺寸信息，计算得到建筑面积。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
检测是否存在输入建筑面积；
如果是，计算所述建筑面积和输入建筑面积的误差；
基于所述误差对所述面积调整模型进行参数调整，获得调整后的面积调整模型。
7.根据权利要求1所述的方法，其特征在于，所述获取初始户型图像，包括：
获取初始图像；
对所述初始图像进行图像预处理，得到初始户型图像，所述图像预处理包括灰度图处理、二值化处理和边缘检测处理。
8.一种户型图生成装置，其特征在于，包括：
获取单元，用于获取初始户型图像；
第一识别单元，用于对所述初始户型图像进行元素识别，获得户型界面可视图，所述户型界面可视图中包括所述初始户型图像中不同类别的建筑元素；
确定单元，用于基于所述户型界面可视化图对应的建筑元素的类别和位置，确定面积调整模型，所述面积调整模型包括建筑元素调整模型、比例调整模型或元素参数调整模型中的至少一项；
第二识别单元，用于基于所述面积调整模型对所述户型界面可视图进行面积识别，获得建筑面积；
生成单元，用于基于所述初始户型图和所述建筑面积，生成目标户型图，所述目标户型图包括目标户型图和所述建筑面积。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如权利要求1-7中任意一项所述的一种户型图生成方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的一种户型图生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111114006.8A CN113808192B (zh) | 2021-09-23 | 2021-09-23 | 一种户型图生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111114006.8A CN113808192B (zh) | 2021-09-23 | 2021-09-23 | 一种户型图生成方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113808192A true CN113808192A (zh) | 2021-12-17 |
| CN113808192B CN113808192B (zh) | 2024-04-09 |
Family
ID=78940146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111114006.8A Active CN113808192B (zh) | 2021-09-23 | 2021-09-23 | 一种户型图生成方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113808192B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115375873A (zh) * | 2022-10-24 | 2022-11-22 | 深圳小库科技有限公司 | 一种建筑空间的处理方法、装置及相关设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101614807A (zh) * | 2009-06-18 | 2009-12-30 | 东南大学 | 基于数字图像技术的建筑容积率确定方法 |
| CN108804815A (zh) * | 2018-06-08 | 2018-11-13 | 杭州群核信息技术有限公司 | 一种基于深度学习辅助识别cad中墙体的方法和装置 |
| JP2019028657A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社パスコ | 建物領域抽出用の学習済みモデル |
| CN112116613A (zh) * | 2020-09-25 | 2020-12-22 | 贝壳技术有限公司 | 模型训练方法、图像分割方法、图像矢量化方法及其系统 |
| US20210049812A1 (en) * | 2018-01-18 | 2021-02-18 | Snaptrude Technologies Private Limited | Three-dimensional building information model generation systems and methods |
| CN113327324A (zh) * | 2021-06-25 | 2021-08-31 | 广东博智林机器人有限公司 | 三维建筑模型的构建方法、装置、计算机设备及存储介质 |
-
2021
- 2021-09-23 CN CN202111114006.8A patent/CN113808192B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101614807A (zh) * | 2009-06-18 | 2009-12-30 | 东南大学 | 基于数字图像技术的建筑容积率确定方法 |
| JP2019028657A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社パスコ | 建物領域抽出用の学習済みモデル |
| US20210049812A1 (en) * | 2018-01-18 | 2021-02-18 | Snaptrude Technologies Private Limited | Three-dimensional building information model generation systems and methods |
| CN108804815A (zh) * | 2018-06-08 | 2018-11-13 | 杭州群核信息技术有限公司 | 一种基于深度学习辅助识别cad中墙体的方法和装置 |
| CN112116613A (zh) * | 2020-09-25 | 2020-12-22 | 贝壳技术有限公司 | 模型训练方法、图像分割方法、图像矢量化方法及其系统 |
| CN113327324A (zh) * | 2021-06-25 | 2021-08-31 | 广东博智林机器人有限公司 | 三维建筑模型的构建方法、装置、计算机设备及存储介质 |
Non-Patent Citations (7)
| Title |
|---|
| XINHAN DI ET AL.: "End-to-end generative floor-plan and layout with attributeds and relation graph", ARXIV * |
| XINHAN DI ET AL.: "Multi agent reinforcement learning of 3D furniture layout simulation in indoor graphics scenes", ARXIV * |
| XINHAN DI ET AL.: "Structural plan of indoor scenes with personalized preferences", ARXIV * |
| XINHAN DI ET AL: "Deep reinforcement learning for producing furniture layout in indoor scenes", ARXIV * |
| XINHAN DI: "Adversarial model for rotated indoor scenes planning", ARXIV * |
| XINHAN DI: "Deep layout of custom-size furniture through multiple-domain learning", ARXIV * |
| YULI ZHANG ET AL.: "The direction-aware, learnable, additive kernels and the adversrial network for deep floor plan recognition", ARXIV * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115375873A (zh) * | 2022-10-24 | 2022-11-22 | 深圳小库科技有限公司 | 一种建筑空间的处理方法、装置及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113808192B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10861225B2 (en) | Neural network processing for multi-object 3D modeling | |
| CN110189336B (zh) | 图像生成方法、系统、服务器及存储介质 | |
| CN112836064A (zh) | 知识图谱补全方法、装置、存储介质及电子设备 | |
| CN114758337B (zh) | 一种语义实例重建方法、装置、设备及介质 | |
| CN112749609B (zh) | 人体图像分割方法、装置、计算机设备及存储介质 | |
| CN110582783B (zh) | 训练装置、图像识别装置、训练方法和计算机可读信息存储介质 | |
| CN114792359B (zh) | 渲染网络训练和虚拟对象渲染方法、装置、设备及介质 | |
| US11941838B2 (en) | Methods, apparatuses, devices and storage medium for predicting correlation between objects | |
| CN112241565A (zh) | 建模方法及相关装置 | |
| CN111368668B (zh) | 三维手部识别方法、装置、电子设备及存储介质 | |
| CN111652181A (zh) | 目标跟踪方法、装置及电子设备 | |
| CN116758100A (zh) | 一种3d医学图像分割系统及方法 | |
| CN113780326A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
| CN113808192A (zh) | 一种户型图生成方法、装置、设备及存储介质 | |
| CN111815748B (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
| CN117315758A (zh) | 面部表情的检测方法、装置、电子设备及存储介质 | |
| CN111078008B (zh) | 一种早教机器人的控制方法 | |
| WO2024077791A1 (zh) | 视频生成方法、装置、设备与计算机可读存储介质 | |
| CN113742804B (zh) | 家具布局图生成方法、装置、设备及存储介质 | |
| EP4086853A2 (en) | Method and apparatus for generating object model, electronic device and storage medium | |
| CN110197459A (zh) | 图像风格化生成方法、装置及电子设备 | |
| CN115346028A (zh) | 虚拟环境主题处理方法及装置 | |
| CN111507143B (zh) | 表情图像效果生成方法、装置和电子设备 | |
| CN115714888B (zh) | 视频生成方法、装置、设备与计算机可读存储介质 | |
| CN110111298A (zh) | 智能户型尺寸验证方法、装置、设备及可读存储介质 |
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 |