CN115718937A - 基于神经网络的户型改造设计方法、装置、设备 - Google Patents

Abstract

本申请涉及一种基于神经网络的套内户型改造设计方法、装置、设备和存储介质。该方法包括：获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；利用所述改造设计参考信息修改所述套内户型结构图像。

Description

基于神经网络的户型改造设计方法、装置、设备

技术领域

本申请涉及建筑设计技术领域，特别是涉及一种基于神经网络的户型改造设计方法、装置、设备。

背景技术

对房屋的改造已经成为流行设计的一种，改造可以使得房屋更匹配房主的需求、空间利用率更高；传统平面设计是通过人工进行设计，设计完成之后，通过设计人员按照多年的行业经验对房屋布局进行调整，例如修改不同功能区的面积、不同功能区的形状、以及不同功能区的门窗朝向和分布；或者根据房屋用户的意见进行修改，从而使得设计结果和人们的使用需要更加匹配。

然而传统的设计过程中，纯粹依靠设计人员按照人工经验进行房屋布局调整的方式，可能存在效率低和优化不全面的问题，导致建筑模型的设计质量不高；改造设计难以满足用户多样性需求，生成的平面设计图经没有可选择性。

发明内容

基于此，有必要针对上述技术问题，提供一种基于神经网络的套内户型改造设计方法、装置、设备。

第一方面，本申请实施例提供一种基于神经网络的户型改造设计方法，所述方法包括：

获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；

接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；

利用所述改造设计参考信息修改所述套内户型结构图像。

在一实施方式中，所述方法还包括：

将修改后的套内户型结构图像输入生成对抗神经网络进行图像转换，得到平面设计效果图。

在一实施方式中，所述利用生成对抗神经网络对所述套内户型结构图像进行识别，包括：

利用生成对抗神经网络识别所述套内户型结构图像的户型结构、功能区域面积的参数信息；

根据所述套内户型结构图像的户型结构、功能区域面积的参数信息，以及用户输入的改造需求数据构建户型结构布局约束参数；

利用所述户型结构布局约束参数匹配户型数据。

在一实施方式中，所述利用所述改造设计参考信息修改所述套内户型结构图像，包括：

基于所述户型数据按照预设规则生成户型内部结构图；

基于所述内部结构图修改所述套内户型结构图像，修改后的套内户型结构图像符合用户输入的改造需求数据中的至少一种约束。

在一实施方式中，神经网络模型包括生成器和判别器；所述生成对抗神经网络训练方法包括：

将套内户型结构图像样本输入所述生成器，并根据所述生成器的输出结果和套内功能区标签的真实值计算生成器损失值；

将所述生成器的输出结果输入所述判别器，根据所述判别器的输出结果和所述套内功能区标签的真实值计算判别器损失值；

根据所述生成器损失值和所述判别器损失值，对所述生成器和所述判别器进行反馈训练，得到训练好的所述生成器和所述判别器，以得到所述生成对抗神经网络。

在一实施方式中，所述生成对抗神经网络还包括全局识别子网络、局部识别子网络和融合子网络；所述方法还包括：

将所述套内户型结构图像输入所述全局识别子网络，得到全局特征图；

将所述套内户型结构图像按照功能区划分为多个局部图像，并将所述局部图像输入所属局部识别子网络，得到每个局部图像对应的局部特征图；

采用所述融合子网络将所述局部特征图按照预设的权重参数和所述全局特征图进行融合，修改所述套内户型结构图像。

第二方面，本申请实施例提供一种基于神经网络的户型改造设计装置，所述装置包括：

获取模块，用于获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；

识别模块，用于接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；

修改模块，用于利用所述改造设计参考信息修改所述套内户型结构图像。

在一实施方式中，所述装置还包括：

转换模块，用于将修改后的套内户型结构图像输入生成对抗神经网络进行图像转换，得到平面设计效果图。

在一实施方式中，所述识别模块包括：

信息获取单元，用于利用生成对抗神经网络识别所述套内户型结构图像的户型结构、功能区域面积的参数信息；

构建单元，用于根据所述套内户型结构图像的户型结构、功能区域面积的参数信息，以及用户输入的改造需求数据构建户型结构布局约束参数；

匹配单元，用于利用所述户型结构布局约束参数匹配户型数据。

在一实施方式中，所述修改模块，包括：

生成单元，用于基于所述户型数据按照预设规则生成户型内部结构图；

修改单元，用于基于所述内部结构图修改所述套内户型结构图像，修改后的套内户型结构图像符合用户输入的改造需求数据中的至少一种约束。

第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；

接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；

利用所述改造设计参考信息修改所述套内户型结构图像。

第四方面，本申请实施例提供一种计算机可读存储介质，其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以下步骤：

获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；

接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；

利用所述改造设计参考信息修改所述套内户型结构图像。

上述基于神经网络的套内户型改造设计方法、装置、计算机设备和存储介质，接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，利用所述改造设计参考信息修改所述套内户型结构图像。可以根据用户的实际需求作为约束条件，基于生成对抗神经网络能够输出改造设计参考信息，并利用生成对抗神经网络对套内户型结构图像进行修改，以符合用户的需求；从而完成户型的需求改造。该方法能够避免传统的人工按照经验对套内布局进行设计和优化可能导致的调整效率低、准确度低、调整不全面以及人工学习成本高的问题，可提供给用户多种改造选择，降低了人工学习成本，极大的节约了设计的时间和人力。

附图说明

图1为一个实施例中计算机设备的内部结构图；

图2为一个实施例提供的基于神经网络的套内户型改造设计方法的流程示意图；

图2a为一个实施例提供的房屋内部的套内户型结构图像；

图2b为一个实施提供的一层建筑内部的另一套内户型结构图像；

图2c为一个实施提供的一层建筑内部的平面设计效果图；

图3为另一个实施例提供的生成对抗神经网络训练方法的流程示意图；

图4为又一个实施例提供的另一种生成对抗神经网络训练方法的流程示意图；

图5为一个实施例提供的基于神经网络的套内户型改造设计装置的结构示意图。

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。

本申请实施例提供的基于神经网络的套内户型改造设计方法，可以适用于图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储下述实施例中的识别网络，有关识别网络的具体描述参见下述实施例中的具体描述。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的，该计算机设备可以是服务器，可以是台式机，可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。当然，输入装置和显示屏也可以不属于计算机设备的一部分，可以是计算机设备的外接设备。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

需要说明的是，下述方法实施例的执行主体可以是基于神经网络的套内户型改造设计装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。

图2为一个实施例提供的基于神经网络的套内户型改造设计方法的流程示意图。本实施例涉及的是计算机设备采用生成对抗网络自动对房屋的套内布局进行识别改造设计的具体过程。如图2所示，所述方法包括：

S11、获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息。

本实施例中，计算机设备获取三维建筑模型，具体可在三维建筑设计软件中打开所需要设计的三维建筑模型，该软件具有将三维建筑模型的三维图像转换为二维图形的功能；三维建筑模型可能包含多种建筑结构、不同设计风格等，根据所述三维建筑模型中各建筑结构生成对应套内户型结构图像(二维平面图)；其中所述套内户型结构图像由用户在三维建筑模型中选取某层建筑确定。当然，三维建筑设计软件也可以将僵住的套内户型结构图像预先存储，也可以接收其他设备发送的套内户型结构图像。

所述套内户型结构图像包含有墙体，墙体将户型分割成不同的功能区域，但功能区域尚未定义或已经定义，每一块区域用于表征不同功能区的分布。具体可以与墙体等长、等宽的矩形作为区域划分，例如将一侧墙体的宽度向对面墙体投影，连接投影与墙体形成的区域。当然如果套内户型结构图像已有明显的功能区域划分，则不需要再进行划分。

所述套内户型结构图像包括户型边界信息、户型区域的尺寸信息。所述户型边界信息在一实施例为墙体的可改造信息，例如可改造墙体、承重墙体；所述户型区域的尺寸信息包括可改造区域的长宽或面积，可改造墙体的大小等等。当然所述套内户型结构图像还可以包括其他信息，例如朝阳位置、采光参数、区域之间的连接关系及可能关系等等。以上所述信息可以用来对应匹配用户输入的改造需求数据。例如用户需要一室带厅，那么则可以将户型内较大区域划为卧室，卧室附近靠采光区划为阳台或活动区域。

需要说明的是，上述套内户型结构图像为计算机设备将建筑模型进行三维到二维的转换，得到上述套内户型结构图像。可选地，上述套内户型结构图像可以如图2a或2b所示，图2a为一个实施例中的房屋内部空间的套内户型结构图；图2b为一个实施例提供的一层建筑内部的套内户型结构图像，该套内户型结构图像能够解析建筑模型中建筑物内部的不同的区域的尺寸信息。

S12、接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息。

在本申请的实施例中，使用的神经网络模型采用多个标注了套内功能区标签的图像进行训练得，通过约束条件训练得到需要的神经网络模型；在本实施例中可采用对抗神经神经网络模型对图形图像进行识别。具体的神经网络模型的训练过程在此不再赘述。当然也可以使用多个神经网络模型进行识别和修改；例如使用第一生成对抗网络模型对套内户型结构图像进行识别，使用第二生成对抗网络模型对套内户型结构图像做修改处理或做图像转换实现平面设计图输出。

而所述的用户改造需求数据包括用户对户型设计的要求，例如用户对图2a的要求为单身居住、需要有客厅、不需要两室、干湿分离、空间优先等，则根据用户的需求对套内户型结构图像的识别结果进行划分，得到不同的功能区，该划分的功能区应最符合用户的需求。由于三维建筑模型中导出的套内户型结构图像只有墙体隔开的空间，未进行区域划分与设计；因此可以通过生成对抗神经网络进行识别并进行图形数据的相似性计算，计算可以得到相似的户型以及最接近用户需求的户型结构设计。

在一实施例中，所述根据用户改造需求数据得到所述建筑模型的套内户型结构图像的识别结果，包括以下实现步骤：

根据所述套内户型结构图像匹配相似户型，根据相似户型确定户型结构；

根据所述用户改造需求数据修改所述户型结构的不同功能区的标记，形成套内户型结构图像识别结果，以适应所述用户改造需求数据。

即首先生成对抗神经网络根据算法匹配所述套内户型结构图像做相似度分析，找到最相似户型的若干个户型结构。将图像输入值图形识别申请网络模型中，模型提取图像的图形数据进行转换成信息矩阵，得到一定的信息参数从而根据该信息参数确定训练过程中适用于该室内布局图像的户型设计结构。在其他实施例中，也可以采用除生成对抗神经网络之外的算法模型，例如图形识别神经网络。

因此根据用户所需要的设计需求来修改相应的是室内布局图像的户型结构，例如原来有两室，根据用户需求改为一室，那么户型结构则由原来的两室改为一室。那么在做平面设计效果图时则只需在一室的位置放置床，而在其他位置(例如改掉的另一室)则可以根据客厅进行设计。

例如，上述生成对抗神经网络经过识别得到的布局特征为卧室面积为20平米，若卧室的面积小于或大于20平米，则认为该卧室的面积与设计要求不匹配。又例如上述生成对抗神经网络经过识别得到的布局特征为餐厅和卧室不相邻，如果上述套内户型结构图像中的餐厅和卧室邻接，则认为该餐厅或者卧室的位置与设计要求不匹配。再如，例如上述识别网络经过识别得到套内面积小于一定面积的时候，则认为属于紧凑型户型，因此卫生间的门采用谷仓门，而不是移动门，如果上述套内户型结构图像中的卫生间门为移动门，则认为该卫生间的门可以更换为谷仓门。

可选地，上述识别结果可以包括但不限于不同区域的面积的特征，还可以包括不同区域的相对位置的特征，还可以包括不同区域的长宽比、朝向等特征，还可以包括不同区域配置的不同种类的门窗等配件的特征。

在本申请的实施例中，一方面利用生成对抗神经网络提取套内户型结构图像的有效信息，另一方面将用户输入的改造需求数据做特征处理，与前述有效信息做匹配利用。

S13、利用所述改造设计参考信息修改所述套内户型结构图像。

例如将原来的套内户型三室改为两室加一书房加一衣帽间。图像的修改根据生成对抗神经网络根据识别和约束输出结果。

在本申请实施例中所述生成对抗神经网络可采用生成对抗神经网络(GenerativeAdversarial Networks，简称GAN)。具体的，计算机设备将上述套内户型结构图像的识别结果输入生成对抗神经网络(GAN)中进行修改，可以得到适用于所述套内户型结构图像的改造设计图，即对原始所述套内户型结构图像做修改处理，使得修改后的套内户型结构图像表达的户型结构符合用户的需求。

在一实施方式中，pix2pix网络是GAN网络中的一种，主要是采用cGAN网络的结构，它包括了一个生成器和一个判别器。生成器采用的是一个U-net的结构，其结构有点类似Encoder-decoder，总共包含15层，分别有8层卷积层作为encoder，7层反卷积层。这里使用coarse-to-file生成器，将生成器拆分成两个子网络G＝{G1,G2}：全局生成器网络G1和局部增强网络G2，前者输入和输出的分辨率保持一致(如1024x512)，后者输出尺寸(2048x1024)是输入尺寸(1024x512)的4倍(长宽各两倍)。进一步地，如果想要得到更高分辨率的图像，只需要增加更多的局部增强网络即可(如G＝{G1,G2,G3})。另外还可以使用一个multi-scale判别器和一个鲁棒的loss约束函数，从而成功合成2048x1024的逼真图像。

进一步地，上述识别网络为GAN网络，该GAN网络包括生成器和判别器，因此该GAN网络的训练过程可以包括对生成器和判别器的训练过程，计算机设备获取生成对抗神经网络模型，该生成对抗神经网络模型为GAN网络，可以是直接读取存储器上存储的生成对抗神经网络模型，还可以是从数据平台下载的生成对抗神经网络模型，对此本实施例不做限定。例如可以如图3所示，训练过程包括：

S21、获取多个标注了套内功能区标签的套内户型结构图像样本。

具体的，计算机设备可以读取存储器上存储的多个套内户型结构图像样本，也可以是接收其他数据库传输的套内户型结构图像样本。其中，该套内户型结构图像样本为标注了套内功能区标签的套内户型结构图像样本，例如一个两室两厅的套内户型图，将其对应的功能区间，如主卧、次卧、客体、餐厅、厨房、卫生间、阳台等分别标注对应的标签，从而得打套内户型结构图像样本。

可选地，计算机设备还可以对上述获取的套内户型结构图像样本进行筛选，删除一些不可用的图像，例如删除不清楚的图像，或者不合适的图像，得到更为有效的套内户型结构图像样本以确保训练的有效性和训练得到的识别网络的精度。可选地，所述套内功能区标签包括：厨房、主卧、次卧、书房、阳台、卫生间、楼道、过道、会议室、疏散楼梯、消防电梯、管井中的至少一个。

S22、将所述套内户型结构图像样本输入所述生成器，并根据所述生成器的输出结果和所述套内功能区标签的真实值计算生成器损失值。

S23、将所述生成器的输出结果输入所述判别器，根据所述判别器的输出结果和所述套内功能区标签的真实值计算判别器损失值。

S24、根据所述生成器损失值和所述判别器损失值，对所述生成器和所述判别器进行反馈训练，得到训练好的所述生成器和所述判别器，以得到所述生成对抗神经网络。

具体的，计算机设备将上述套内户型结构图像样本分别输入生成器，该生成器得到一个输出结果，然后将输出结果和该套内户型结构图像样本中的套内功能区标签的真实值进行比较，得到表征二者差异度的生成器损失值。计算机设备将上述套内户型结构图像样本分别输入判别器，该判别器得到一个输出结果，然后将输出结果和该套内户型结构图像样本中的套内功能区标签的真实值进行比较，得到表征二者差异度的判别器损失值。

之后，计算机设备将上述生成器损失值和判别器损失值，结合预设的收敛要求对生成器和判别器的参数进行调整，生成器损失值和判别器损失值满足上述收敛要求，得到训练好的生成器和判别器，该训练好的生成器和判别器构成上述识别网络。可选地，上述收敛要求可以是对生成器损失值和判别器损失值的收敛范围的要求，也可以是将生成器损失值和判别器损失值进行加权求和的收敛范围的要求，对此本实施例不做限定。

可选地，上述步骤的一种可能的实现方式可以包括：获取套内户型结构图像；将所述套内户型结构图像输入生成对抗神经网络进行处理，修改所述套内户型结构图。具体的，计算机设备可以先从数据库或者存储器上读取多个套内户型结构图像，然后将这些套内户型结构图像输入生成对抗神经网络进行处理，确定符合用户要求的划分区后输入GAN网络，通过对网络的整体特征和局部特征分别进行识别并融合，得到更为转换后的套内户型结构图像，即对套内户型结构图像进行平面设计，例如在户型内贴入桌椅、沙发、马桶等等设计效果。

可选地，上述GAN网络包括全局识别子网络、局部识别子网络和融合子网络，还将所述套内户型结构图像按照功能区划分为多个局部图像，并将所述局部图像输入所属是局部识别子网络，得到每个局部图像对应的局部特征图；采用所述融合子网络将所述局部特征图按照预设的权重参数和所述全局特征图进行融合，修改所述套内户型结构图。具体的，计算机设备可以将套内户型结构图像首先输入全局识别子网络，得到全局特征图。同时计算机设备将套内户型结构图像进行划分，例如是按照不同的功能区进行划分，还可以是均匀划分，得到多个子图像，将这多个子图像分别输入局部识别子网络中的不同的通道中，对不同的子图像进行识别，得到每个子图像对应的局部特征图。然后计算机设备可以将这些局部特征图按照和全局特征图采用上述融合子网络进行融合，套内户型结构图像。

可选地，采用融合子网络进行融合的过程可以是将多个局部特征图将按照预设的权重进行加权，然后和全局特征图进行向量叠加的过程。本实施例所提供的方法能够采用GAN网络对套内户型结构图像进行处理，得到更为清晰化的套内户型结构图像，进而使得平面设计效果图更加真实，符合用户需求。

有上述可知，上述GAN网络采用多个标注了套内功能区标签的图像进行训练得到的生成式对抗网络，因而该识别网络能够对上述套内户型结构图像的功能区进行识别，并利用生成器和判别器实现图像修图，从而得到套内户型结构图像的改造设计图。

本实施例中，计算机设备接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，利用所述改造设计参考信息修改所述套内户型结构图像。可以根据用户的实际需求作为约束条件，基于生成对抗神经网络能够输出改造设计参考信息，并利用生成对抗神经网络对套内户型结构图像进行修改，以符合用户的需求；从而完成户型的需求改造。该方法能够避免传统的人工按照经验对套内布局进行设计和优化可能导致的调整效率低、准确度低、调整不全面以及人工学习成本高的问题，可提供给用户多种改造选择，降低了人工学习成本，极大的节约了设计的时间和人力。

进一步地，所述于神经网络的户型改造设计方法还包括下述步骤：

将修改后的套内户型结构图像输入生成对抗神经网络进行图像转换，得到平面设计效果图。

如图2c所示，为一种套内户型结构图像经生成对抗神经网络处理后，做平面设计后的平面设计效果图，在原有的室内布局图的户型结构内实现了室内的装饰设计。可以理解的是，在套内户型结构图像的基础上可以通过贴图的方式实现平面设计效果图；但采用神经网络模型进行自动化识别，可以根据GAN网络的图像转换特性进行相似户型的室内设计。

为了更为详细的描述本申请所提供的技术方案，此处以一个具体的实施例对本申请进行详细的描述，如图4所示，包括：

S31、获取套内户型结构图像和生成对抗神经网络模型；其中，所述生成对抗神经网络模型包括全局识别子网络、局部识别子网络和融合子网络，所述生成对抗神经网络模型为GAN网络。

S32、将所述套内户型结构图像输入所述全局识别子网络，得到全局特征图，以及将所述套内户型结构图像按照功能区划分为多个局部图像，并将所述局部图像输入所属局部识别子网络，得到每个局部图像对应的局部特征图。

S33、采用所述融合子网络将所述局部特征图按照预设的权重参数和所述全局特征图进行融合，修改套内户型结构图像。

S34、获取生成对抗神经网络模型和多个标注了套内功能区标签的套内户型结构图像样本；其中，所述生成对抗神经网络模型包括生成器和判别器，所述套内功能区标签包括：厨房、主卧、次卧、书房、阳台、卫生间、楼道、过道、会议室、疏散楼梯、消防电梯、管井中的至少一个。

S35、将所述套内户型结构图像样本输入所述生成器，并根据所述生成器的输出结果和所述套内功能区标签的真实值计算生成器损失值，以及将所述生成器的输出结果输入所述判别器，根据所述判别器的输出结果和所述套内功能区标签的真实值计算判别器损失值，并根据所述生成器损失值和所述判别器损失值，对所述生成器和所述判别器进行反馈训练，得到训练好的所述生成器和所述判别器，以得到识别网络。

S36、获建筑模型的套内户型结构图像，并将所述套内户型结构图像输入所述GAN网络进行识别，得到所述基于神经网络的套内户型改造设计结果。其中，所述识别结果用于展示不同区域的平面设计效果，所述套内户型结构图像用于表征建筑模型中不同功能区的分布。

本实施例中的步骤的详细描述和技术效果可以参见前述实施例所述，此处不再赘述。

应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

为了更为详细的描述本申请所提供的技术方案，上述步骤S12还包括以下详细步骤，所述利用生成对抗神经网络对所述套内户型结构图像进行识别，具体包括：

利用生成对抗神经网络识别所述套内户型结构图像的户型结构、功能区域面积的参数信息。

根据所述套内户型结构图像的户型结构、功能区域面积的参数信息，以及用户输入的改造需求数据构建户型结构布局约束参数；

利用所述户型结构布局约束参数匹配户型数据。

在本申请实施例中，生成对抗神经网络模型对输入的图像可提取其特定特征作为识别信息，其中套内户型结构图像包含有户型结构和区域面积。户型结构可以通过识别图中线型进行识别，区域面积可以根据图像中的标注信息进行提取。提取上述信息进行卷积网络，而用户输入的改造需求数据则被描述成神经网络的约束参数，该约束参数决定生成对抗神经网络模型的输出数据。而套内户型结构图像所表达的户型面积以及墙体结构也是约束生成对抗神经网络的参数，即需要筛选符合户型结构的改造设计，显然120平的户型不符合60平的户型设计。然后利用上述约束参数作为约束条件输出可用的户型数据，该户型数据可以有多个，从而可以给用户有多种选择的体验。

进一步地，上述步骤中，所述利用所述改造设计参考信息修改所述套内户型结构图像，包括：

基于所述户型数据按照预设规则生成户型内部结构图；

基于所述内部结构图修改所述套内户型结构图像，修改后的套内户型结构图像符合用户输入的改造需求数据中的至少一种约束。

在一个实施例中，所述预设规则可以是根据用户输入的改造需求数据中的权重设定；例如用户输入的改造需求数据中，采光比重大于空间需求比重，则优先将采光权重较大的内部结构生成并前置。所述内部结构图可以理解为除外围墙体之外的内部隔断墙体的结构；所述外围墙体即可以围合房间最大面积的墙体。

为提供更多选择性，一般可以将最符合用户需求的套内户型结构改造结果的排序在前，往往改造后的结果也不符合用户的需求，或者用户的需求之间产生矛盾，则用户可以选择减少需求或调整需求；然而重新进行识别则浪费时间、浪费计算能力。那么可以在进行改造设计过程中针对用户的需求进行调整处理，使得输出的结果至少满足一种用户的需求；用户也可以预览各种输出效果，从而可以确定更好的设计方案。

在一个实施例中，如图5所示，提供了一种基于神经网络的套内户型改造设计装置，包括：

获取模块100，用于获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；

识别模块200，用于接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；

修改模块300，用于利用所述改造设计参考信息修改所述套内户型结构图像。

在本申请实施例中，所述装置还包括：

转换模块400，用于将修改后的套内户型结构图像输入生成对抗神经网络进行图像转换，得到平面设计效果图。

在本申请实施例中，所述识别模块200包括：

信息获取单元，用于利用生成对抗神经网络识别所述套内户型结构图像的户型结构、功能区域面积的参数信息；

构建单元，用于根据所述套内户型结构图像的户型结构、功能区域面积的参数信息，以及用户输入的改造需求数据构建户型结构布局约束参数；

匹配单元，用于利用所述户型结构布局约束参数匹配户型数据。

在本申请实施例中，所述修改模块300包括：

生成单元，用于基于所述户型数据按照预设规则生成户型内部结构图；

修改单元，用于基于所述内部结构图修改所述套内户型结构图像，修改后的套内户型结构图像符合用户输入的改造需求数据中的至少一种约束。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；

接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；

利用所述改造设计参考信息修改所述套内户型结构图像。

应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。

应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；

接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；

利用所述改造设计参考信息修改所述套内户型结构图像。

应当清楚的是，本申请实施例中处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种基于神经网络的户型改造设计方法，其特征在于，所述方法包括：

获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；

接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；

利用所述改造设计参考信息修改所述套内户型结构图像。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将修改后的套内户型结构图像输入生成对抗神经网络进行图像转换，得到平面设计效果图。

3.根据权利要求1所述的方法，其特征在于，所述利用生成对抗神经网络对所述套内户型结构图像进行识别，包括：

利用生成对抗神经网络识别所述套内户型结构图像的户型结构、功能区域面积的参数信息；

根据所述套内户型结构图像的户型结构、功能区域面积的参数信息，以及用户输入的改造需求数据构建户型结构布局约束参数；

利用所述户型结构布局约束参数匹配户型数据。

4.根据权利要求3所述的方法，其特征在于，所述利用所述改造设计参考信息修改所述套内户型结构图像，包括：

基于所述户型数据按照预设规则生成户型内部结构图；

基于所述内部结构图修改所述套内户型结构图像，修改后的套内户型结构图像符合用户输入的改造需求数据中的至少一种约束。

5.根据权利要求1所述的方法，其特征在于，神经网络模型包括生成器和判别器；所述生成对抗神经网络训练方法包括：

将套内户型结构图像样本输入所述生成器，并根据所述生成器的输出结果和套内功能区标签的真实值计算生成器损失值；

将所述生成器的输出结果输入所述判别器，根据所述判别器的输出结果和所述套内功能区标签的真实值计算判别器损失值；

根据所述生成器损失值和所述判别器损失值，对所述生成器和所述判别器进行反馈训练，得到训练好的所述生成器和所述判别器，以得到所述生成对抗神经网络。

6.根据权利要求5所述的方法，其特征在于，所述生成对抗神经网络还包括全局识别子网络、局部识别子网络和融合子网络；所述方法还包括：

将所述套内户型结构图像输入所述全局识别子网络，得到全局特征图；

将所述套内户型结构图像按照功能区划分为多个局部图像，并将所述局部图像输入所属局部识别子网络，得到每个局部图像对应的局部特征图；

采用所述融合子网络将所述局部特征图按照预设的权重参数和所述全局特征图进行融合，修改所述套内户型结构图像。

7.一种基于神经网络的户型改造设计装置，其特征在于，所述装置包括：

获取模块，用于获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；

识别模块，用于接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；

修改模块，用于利用所述改造设计参考信息修改所述套内户型结构图像。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

转换模块，用于将修改后的套内户型结构图像输入生成对抗神经网络进行图像转换，得到平面设计效果图。

9.根据权利要求7所述的装置，其特征在于，所述识别模块包括：

信息获取单元，用于利用生成对抗神经网络识别所述套内户型结构图像的户型结构、功能区域面积的参数信息；

构建单元，用于根据所述套内户型结构图像的户型结构、功能区域面积的参数信息，以及用户输入的改造需求数据构建户型结构布局约束参数；

匹配单元，用于利用所述户型结构布局约束参数匹配户型数据。

10.根据权利要求9所述的装置，其特征在于，所述修改模块，包括：

生成单元，用于基于所述户型数据按照预设规则生成户型内部结构图；

修改单元，用于基于所述内部结构图修改所述套内户型结构图像，修改后的套内户型结构图像符合用户输入的改造需求数据中的至少一种约束。

11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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至6中任一项所述方法的步骤。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

Images