CN115730369A - 一种基于神经网络的建造材料分析方法、介质、终端和装置 - Google Patents

Abstract

本发明公开了一种基于神经网络的建造材料分析方法、介质、终端和装置，利用基于大数据的神经网络模型对目标对象在特定光环境下的渲染图或者实景图进行分析识别，生成目标对象中不同建造材料在目标光环境下，比如实际光环境下的真实材质参数，从而方便设计师根据真实材质参数选择建造材料的种类以及材质工艺，不仅提高了建造材料的选择效率，而且保证了最后建造出的实体在该实际光环境下的显示效果与渲染图的一致性，更加符合用户期望。同时，还可以根据该真实材质参数对实景图的实景虚拟效果进行调整优化，保证了目标对象的建造材质以及虚拟显示效果与真实情况的一致性，提高了用户的观看体验。

Description

一种基于神经网络的建造材料分析方法、介质、终端和装置

技术领域

本发明涉及建筑领域，尤其涉及一种基于神经网络的建造材料分析方法、介质、终端和装置。

背景技术

目前设计行业中，设计师对于建造材料的比选和表达，一般通过CAD二维图纸或者渲染后的二维设计效果图等方式来实现。比如在建筑行业，得到建筑的二维设计效果图后，设计师或者施工人员通常直接根据该渲染后的效果图并凭借经验选择建筑材料、材料工艺等，不仅需要耗费大量时间、人力以及费用进行材料比对，而且因为建筑所处的光环境等会对该建筑的显示效果产生较大影响，因此直接根据设计效果图选择的建筑材料通常不能实现和设计图一致的建筑效果，达不到用户的预期设计要求。同时，当获取到一些建筑的实景图或者实景影像后，现有技术通常直接采用虚拟现实技术并利用该实景图/影像进行实景虚拟，这种方式容易因为光线等原因呈现错误的建筑材质表达，比如将实际建筑中的雕花等镂空设计在虚拟实景中呈现为不透明的黑窗等，影响虚拟效果和用户体验。当然不仅仅是在建筑行业，在游戏设计、三维虚拟建模等设计行业也存在相同的问题。

发明内容

本发明提供了一种基于神经网络的建造材料分析方法、介质、终端和装置，解决了以上所述的技术问题。

本发明解决上述技术问题的技术方案如下：一种基于神经网络的建造材料分析方法，包括以下步骤：

步骤1，获取目标图像，所述目标图像为包含目标对象的渲染图或者实景图；

步骤2，获取目标光环境图，利用训练完成的预设神经网络模型对所述目标图像进行分析识别，生成所述目标对象中不同建造材料在所述获取目标光环境图下的真实材质参数，以生成对应的建造材料选择方案。

在一个优选实施方式中，所述预设神经网络模型包括训练完成的语义分割网络、材质预测网络和材质转译网络，所述步骤2包括以下具体步骤：

步骤201，利用所述语义分割网络对所述目标图像进行识别，生成对应的材质分割图，所述材质分割图采用不同颜色对所述目标对象的不同建造材料进行标记；

步骤202，利用所述材质预测网络对所述材质分割图进行分析，生成所述目标图像的当前光环境图以及目标对象在当前光环境图下的材质参数图，所述材质参数图包含所述目标对象中不同建造材料分别对应的渲染材质参数；

步骤203，获取目标光环境图，利用所述材质转译网络将每种建造材料在当前光环境图下的渲染材质参数转译为所述目标光环境图下的真实材质参数，并生成对应的建造材料选择方案。

在一个优选实施方式中，所述步骤203中获取目标光环境图具体为：判断是否获取到所述目标对象的实际光环境图，若是，则将所述实际光环境图作为所述目标光环境图，否则，将所述目标图像的当前光环境图作为所述目标光环境图。

在一个优选实施方式中，当所述目标光环境图为所述目标对象的实际光环境图时，还包括步骤3优化调整步骤，具体为：

步骤301，根据所述真实材质参数模拟生成所述目标对象在所述实际光环境图下的第一真实效果图；

步骤302，获取用户指令，并根据用户指令对所述第一真实效果图进行调整，生成第二真实效果图；

步骤303，将所述第二真实效果图作为新的目标图像，并重复步骤1-步骤3，直至生成满足用户需求的目标真实效果图。

在一个优选实施方式中，还包括光环境模拟步骤，具体为：

步骤S401，获取所述目标对象的动态光环境图；

步骤S402，基于所述目标图像、所述材质分割图并利用预训练完成的光环境转换网络将所述建造材料的真实材质参数转换为所述动态光环境图下的显示材质参数；

步骤S403，根据所述显示材质参数模拟所述目标对象在所述动态光环境图下的动态显示效果。

在一个优选实施方式中，生成对应的建造材料选择方案具体为：根据所述目标对象中建造材料的真实材质参数生成每种建造材料的可选材料工艺、可选材料种类、每种可选材料工艺对应的第一选择概率以及每种可选材料种类对应的第二选择概率中的一个或者多个。

在一个优选实施方式中，还包括虚拟现实优化步骤，具体为：

获取目标对象中每种建造材料的真实材质参数以及根据所述目标对象的实景图生成的虚拟现实模型；

将每种建造材料的真实材质参数与虚拟现实模型中对应建造材料的显示效果进行对比，根据对比结果对所述虚拟现实模型进行优化。

在一个优选实施方式中，每种材质参数均包括建造材料的色彩值、纹理值、反射率、透明度以及自发光参数中的任意一个或者多个。

在一个优选实施方式中，每种光环境图均包括多个光环境参数，所述光环境参数包括环境光强、环境色温、环境大气、地理参数以及环境阴影中的任意一个或者多个。

本发明实施例的第二方面提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现以上所述的基于神经网络的建造材料分析方法。

本发明实施例的第三方面提供了一种基于神经网络的建造材料分析终端，包括所述的计算机可读存储介质和处理器，所述处理器执行所述计算机可读存储介质上的计算机程序时实现以上所述基于神经网络的建造材料分析方法的步骤。

本发明实施例的第四方面提供了一种基于神经网络的建造材料分析装置，包括获取模块和材料分析模块，

所述获取模块用于获取目标图像，所述目标图像为包含目标对象的渲染图或者实景图；

所述材料分析模块用于获取目标光环境图，利用训练完成的预设神经网络模型对所述目标图像进行分析识别，生成所述目标对象中不同建造材料在所述目标光环境图下的真实材质参数，以生成对应的建造材料选择方案。

本发明的有益效果在于：本发明提供了一种建造材料分析方法、介质、终端和装置，利用基于大数据的神经网络模型对目标对象在特定光环境下的渲染图或者实景图进行分析识别，生成目标对象中不同建造材料在目标光环境下，比如实际光环境下的真实材质参数，从而方便设计师根据真实材质参数选择建造材料的种类以及材质工艺，不仅提高了建造材料的选择效率，而且保证了最后建造出的实体在该实际光环境下的显示效果与渲染图的一致性，更加符合用户期望。同时，还可以根据该真实材质参数对实景图的实景虚拟效果进行调整优化，保证了目标对象的建造材质以及虚拟显示效果与真实情况的一致性，提高了用户的观看体验。

为使发明的上述目的、特征和优点能更明显易懂，下文特举本发明较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是实施例1提供的基于神经网络的建造材料分析方法的流程示意图；

图2是实施例1提供的基于神经网络的建造材料分析方法的应用效果图；

图3是实施例2提供的基于神经网络的建造材料分析方法的流程示意图；

图4是实施例2提供的基于神经网络的建造材料分析方法的应用效果图；

图5是实施例3提供的基于神经网络的建造材料分析装置的结构示意图；

图6是实施例4提供的基于神经网络的建造材料分析终端的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。

图1是实施例1提供的基于神经网络的建造材料分析方法的流程示意图，该实施例的目标图像为包含至少一个目标对象的渲染图，通过对该渲染图进行神经网络分析，得到目标对象中不同建造材料的真实材质参数。如图1所示，包括以下步骤：

步骤1，获取目标图像，所述目标图像为包含目标对象的渲染图。通常来说，在生成目标对象的建模图后会提供一个特定的光环境，比如一定的光强、色温等等，从而形成该目标对象的比较美观的渲染图，包括目标建筑的场景渲染图或者游戏场景中某一个物体，比如游艇、飞机等进行建模生成的游艇渲染图或者飞机渲染图等等。

步骤2，获取目标光环境图，利用训练完成的预设神经网络模型对所述目标图像进行分析识别，生成所述目标对象中不同建造材料在所述目标光环境图下的真实材质参数，以生成对应的建造材料选择方案。

这里的目标光环境图可以是目标对象所处的实际光环境图。具体来说，渲染图中给定的光环境通常与目标对象，比如目标建筑的实际光环境不一致，这里的实际光环境指的是最后建造好的实体所处的实际光环境，通过环境光传感器即可采集到各种实际光环境参数。比如在武汉光谷建造一个写字楼，实际光环境即是该写字楼所处地理位置的光环境，主要受环境光强、环境色温、环境大气、地理参数（包括经纬度、时间等）以及环境阴影（比如写字楼附近另一栋建筑形成的环境阴影）等多种环境参数的影响。因为实际光环境通常与渲染图中给定的光环境不一致，容易导致按照渲染图选择的建造材料最后修建完工后，其真实显示效果与渲染图差异较大。

一个具体实施例中，所述预设神经网络模型包括训练完成的语义分割网络、材质预测网络和材质转译网络，所述步骤2包括以下具体步骤：

步骤201，利用所述语义分割网络对所述目标图像进行识别，生成对应的材质分割图，所述材质分割图采用不同颜色对所述目标对象的不同建造材料进行标记，比如采用第一颜色对外墙进行标记，采用第二颜色对玻璃进行标记，采用第三颜色对门进行标记等等。当然在其他实施例中，该材质分割图除了对目标对象的不同建造材料进行标记外，还采用不同颜色对目标图像的不同对象进行分割和标记，比如对树木、草丛、路面以及写字楼分割后采用不同颜色分别进行标记，如图2所示。

然后执行步骤202，利用所述材质预测网络对所述材质分割图进行分析生成所述目标图像的当前光环境图，同时将所述渲染图和所述材质分割图进行通道合并从而生成目标对象在当前光环境图下的材质参数图，所述材质参数图包含所述目标对象中不同建造材料分别对应的渲染材质参数，比如建造材料的色彩值、纹理值、反射率、透明度以及自发光参数等等。如图2所示，输入的材质分割图经过材质预测网络分析后得到五种不同的建造材料，对于建造材料1，渲染参数包括漫射色彩值为f963ce、反射色彩值为748a9f、透明度为0、反射值为100、光泽度为0.5。

然后执行步骤203，获取所述实际光环境图，并利用所述材质转译网络将每种建造材料在当前光环境图下的渲染材质参数转译为所述实际光环境图下的真实材质参数。如图2所示，经过所述材质转译网络转译后，对于建造材料1，真实材质参数转换为材质颜色23219c、最大概率材质种类为1、材质纹理为747570、材质反射系数为50、材质粗糙程度为12、材质透明度为0。同时可以根据这些建造材料的真实材质参数进行建造材料选择，生成建造材料选择方案，包括每种建造材料的可选材料工艺、可选材料种类、每种可选材料工艺对应的第一选择概率以及每种可选材料种类对应的第二选择概率中的一个或者多个。从而使建造好的实体更加贴近真实世界中该物体的实际显示效果。

具体来说，比如针对外墙的真实材料参数（色彩值23219c，最大概率材质种类为混凝土，纹理值747570，反射率50，粗糙度12，透明度0）可以得到可选材料包括混凝土，陶土板和铝板，概率分别为81%，12%，6%，这里选择概率可以基于材质转译网络直接生成。同样的，可选材料工艺包括表面处理工艺、色彩喷涂工艺以及离子注入工艺等，该选择方案不仅包括根据真实材质参数生成可选材料工艺以及工艺选择概率，还包括每个工艺的具体工艺参数，比如采用什么样的离子比例、原材料比例以及表面工艺（包括磨砂粗细度）等等，从而实现建造材料在实际光环境下显示效果与渲染图的一致。

在其他实施例中，当没有获取到目标对象所处的实际光环境图时，也可以将所述目标图像的当前光环境图作为所述目标光环境图，再通过材质转译网络进行转译并基于生成的真实材质参数进行建造材料选择，相对直接根据渲染图进行材料选择效率更高、结果也更加符合用户预期。

以上实施例是将预设神经网络模型分割成了语义分割网络、材质预测网络和材质转译网络，并采用标记好的不同训练样本数据，包括多个目标对象的渲染图、实物图以及光环境图等等分别对三种神经网络进行训练，使每个神经网络分别达到预设训练目标。在其他实施例中，亦可以将该语义分割网络、材质预测网络和材质转译网络融合成一个或者其他数量的神经网络模型，并采用标记好的训练样本对该神经网络模型进行整体训练，从而根据输入的渲染图直接输出该渲染图中各种目标对象的不同建造材料对应的真实材质参数数据。在实际应用过程中，语义分割网络可以采用但不限于U-Net网络、材质预测网络可以采用但不限于CNN网络和材质转译网络可以采用但不限于Transformer网络等，具体训练方法在现有技术文件中存在相关记载，在此不进行详细说明。

一个更加优选的实施例中，在生成了建造材料的真实材料参数后，还可以根据该真实材质参数模拟生成并显示所述目标对象在实际光环境图下的真实效果图，从而方便用户更加直观看到真实的实际建筑效果。在此基础上还可以包含步骤3，即优化调整步骤：

步骤301，根据所述真实材质参数模拟生成所述目标对象在所述实际光环境图下的第一真实效果图；

步骤302，获取用户指令，并根据用户指令对所述第一真实效果图进行调整，生成第二真实效果图；

步骤303，将所述第二真实效果图作为新的目标图像，并重复步骤1-步骤3，直至生成满足用户需求的目标真实效果图以及对应的真实材质参数。这样用户可以直接对目标对象在实际光环境图下的真实效果图进行修改，直至达到用户满意的显示效果，即生成第二真实效果图，然后根据第二真实效果图得到更加准确的真实材质参数，进一步满足用户的设计要求。

一个优选实施例中，所述基于神经网络的建造材料分析方法还包括光环境模拟步骤，具体为：

步骤S401，获取所述目标对象的动态光环境图，比如不同时间段、不用天气、不同季节等多个场景下的动态光环境图；

步骤S402，基于所述目标图像、所述材质分割图并利用预训练完成的光环境转换网络将所述建造材料的真实材质参数转换为所述动态光环境图下的显示材质参数；

步骤S403，根据所述显示材质参数模拟所述目标对象在所述动态光环境图下的动态显示效果。

这里光环境转换网络可以采用CLIP模型串联Diffusion扩散模型，CLIP模型用来将材质参数结合动态光环境参数转化成新的光环境下材质的显示参数，Diffusion模型将该材质新的显示参数结合原目标对象的材质分割图生成新的光环境下该目标对象的显示数据。

以上实施例利用基于大数据的神经网络模型对目标对象在特定光环境下的渲染图进行分析识别，生成目标对象中不同建造材料在目标光环境下，比如实际光照条件、地理参数下的真实材质参数，从而方便设计师根据真实材质参数选择建造材料的种类以及材质工艺，不仅提高了建造材料的选择效率，而且保证了最后建造出的实体在该实际光环境下的显示效果与渲染图的一致性，更加符合用户期望。

图3是实施例2提供的基于神经网络的建造材料分析方法的流程示意图，该实施例的目标图像为包含至少一个目标对象的实景图，通过对该实景图进行神经网络分析，得到目标对象中不同建造材料的真实材质参数，从而对实景图的虚拟现实效果进行优化。如图3所示，包括以下步骤：

步骤1，获取目标图像，所述目标图像为包含目标对象的实景图，比如通过无人机采集到的名胜古迹图片或者影像。

步骤2，获取目标光环境图，利用训练完成的预设神经网络模型对所述目标图像进行分析识别，生成所述目标对象中不同建造材料在所述获取目标光环境图下的真实材质参数，如图4所示。这里分析识别步骤与实施例1的过程基本相同，在此不进行详细说明。

然后即可执行虚拟现实优化步骤，具体为：

步骤601，获取目标对象中每种建造材料的真实材质参数以及根据所述目标对象的实景图生成的虚拟现实模型；

步骤602，将每种建造材料的真实材质参数与虚拟现实模型中对应建造材料的显示效果进行对比，根据对比结果对所述虚拟现实模型进行优化。这样即可根据该真实材质参数对实景图的实景虚拟效果进行调整优化，保证了目标对象的建造材质以及虚拟显示效果与真实情况的一致性，比如避免因为光线等原因将雕花镂空虚拟为黑色色块，提高了用户的观看体验。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本发明实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现以上所述的基于神经网络的建造材料分析方法。

图5是实施例3提供的基于神经网络的建造材料分析装置的结构示意图，如图5所示，包括获取模块100和材料分析模块200，

所述获取模块100用于获取目标图像，所述目标图像为包含目标对象的渲染图或者实景；

所述材料分析模块200用于获取目标光环境图，利用训练完成的预设神经网络模型对所述目标图像进行分析识别，生成所述目标对象中不同建造材料在所述目标光环境图下的真实材质参数，以生成对应的建造材料选择方案。

一个优选实施例中，所述材料分析模块200具体包括：

语义分割单元201，用于利用所述语义分割网络对所述目标图像进行识别，生成对应的材质分割图，所述材质分割图采用不同颜色对所述目标对象的不同建造材料进行标记；

预测单元202，用于利用所述材质预测网络对所述材质分割图进行分析，生成所述目标图像的当前光环境图以及目标对象在当前光环境图下的材质参数图，所述材质参数图包含所述目标对象中不同建造材料分别对应的渲染材质参数；

转译单元203，用于获取目标光环境图，利用所述材质转译网络将每种建造材料在当前光环境图下的渲染材质参数转译为所述目标光环境图下的真实材质参数，并生成对应的建造材料选择方案。

一个优选实施例中，所述转译单元203包括光环境获取单元2031，所述光环境获取单元2031用于判断是否获取到所述目标对象的实际光环境图，若是，则将所述实际光环境图作为所述目标光环境图，否则，将所述目标图像的当前光环境图作为所述目标光环境图。

一个优选实施例中，该建造材料分析装置还包括优化调整模块300，所述优化调整模块300具体包括：

第一模拟单元301，用于根据所述真实材质参数模拟生成所述目标对象在所述实际光环境图下的第一真实效果图；

调整单元302，用于获取用户指令，并根据用户指令对所述第一真实效果图进行调整，生成第二真实效果图；

控制单元303，用于将所述第二真实效果图作为新的目标图像，并重复驱动材料分析模块200，直至生成满足用户需求的目标真实效果图。

一个优选实施例中，该建造材料分析装置还包括模拟模块400，所述模拟模块400具体包括：

第一获取单元401，用于获取所述目标对象的动态光环境图；

动态分析单元402，用于基于所述目标图像、所述材质分割图并利用预训练完成的光环境转换网络将所述建造材料的真实材质参数转换为所述动态光环境图下的显示材质参数；

第二模拟单元403，用于根据所述显示材质参数模拟所述目标对象在所述动态光环境图下的动态显示效果。

一个优选实施例中，该建造材料分析装置还包括建造材料选择模块500，所述建造材料选择模块500用于根据所述目标对象中建造材料的真实材质参数生成建造材料的选择方案，所述选择方案包括每种建造材料的可选材料工艺、可选材料种类、每种可选材料工艺对应的第一选择概率以及每种可选材料种类对应的第二选择概率中的一个或者多个。

一个优选实施例中，该建造材料分析装置还包括虚拟现实优化模块600，所述虚拟现实优化模块600包括：

第二获取单元601，用于获取目标对象中每种建造材料的真实材质参数以及根据所述目标对象的实景图生成的虚拟现实模型；

优化单元602，用于以及将每种建造材料的真实材质参数与虚拟现实模型中对应建造材料的显示效果进行对比，根据对比结果对所述虚拟现实模型进行优化。

本发明实施例还提供了一种基于神经网络的建造材料分析终端，包括所述的计算机可读存储介质和处理器，所述处理器执行所述计算机可读存储介质上的计算机程序时实现以上所述基于神经网络的建造材料分析方法的步骤。图6是本发明实施例4提供的基于神经网络的建造材料分析终端的结构示意图，如图6所示，该实施例的基于神经网络的建造材料分析终端8包括：处理器80、可读存储介质81以及存储在所述可读存储介质81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个方法实施例中的步骤，例如图1或者图3所示的步骤1至步骤2。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块的功能，例如图5所示模块100至200的功能。

示例性的，所述计算机程序82可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述可读存储介质81中，并由所述处理器80执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述基于神经网络的建造材料分析终端8中的执行过程。

所述基于神经网络的建造材料分析终端8可包括，但不仅限于，处理器80、可读存储介质81。本领域技术人员可以理解，图6仅仅是基于神经网络的建造材料分析终端8的示例，并不构成对基于神经网络的建造材料分析终端8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于神经网络的建造材料分析终端还可以包括电源管理模块、运算处理模块、输入输出设备、网络接入设备、总线等。

所称处理器80可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述可读存储介质81可以是所述基于神经网络的建造材料分析终端8的内部存储单元，例如基于神经网络的建造材料分析终端8的硬盘或内存。所述可读存储介质81也可以是所述基于神经网络的建造材料分析终端8的外部存储设备，例如所述基于神经网络的建造材料分析终端8上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述可读存储介质81还可以既包括所述基于神经网络的建造材料分析终端8的内部存储单元也包括外部存储设备。所述可读存储介质81用于存储所述计算机程序以及所述基于神经网络的建造材料分析终端所需的其他程序和数据。所述可读存储介质81还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。

Claims (10)

1.一种基于神经网络的建造材料分析方法，其特征在于，包括以下步骤：

步骤1，获取目标图像，所述目标图像为包含目标对象的渲染图或者实景图；

步骤2，获取目标光环境图，利用训练完成的预设神经网络模型对所述目标图像进行分析识别，生成所述目标对象中不同建造材料在所述目标光环境图下的真实材质参数，以生成对应的建造材料选择方案。

2.根据权利要求1所述基于神经网络的建造材料分析方法，其特征在于，所述预设神经网络模型包括训练完成的语义分割网络、材质预测网络和材质转译网络，所述步骤2包括以下具体步骤：

步骤201，利用所述语义分割网络对所述目标图像进行识别，生成对应的材质分割图，所述材质分割图采用不同颜色对所述目标对象的不同建造材料进行标记；

步骤202，利用所述材质预测网络对所述材质分割图进行分析，生成所述目标图像的当前光环境图以及目标对象在当前光环境图下的材质参数图，所述材质参数图包含所述目标对象中不同建造材料分别对应的渲染材质参数；

步骤203，获取目标光环境图，并利用所述材质转译网络将每种建造材料在当前光环境图下的渲染材质参数转译为所述目标光环境图下的真实材质参数，并生成对应的建造材料选择方案。

3.根据权利要求2所述基于神经网络的建造材料分析方法，其特征在于，所述步骤203中获取目标光环境图具体为：判断是否获取到所述目标对象的实际光环境图，若是，则将所述实际光环境图作为所述目标光环境图，否则，将所述目标图像的当前光环境图作为所述目标光环境图。

4.根据权利要求3所述基于神经网络的建造材料分析方法，其特征在于，当所述目标光环境图为所述目标对象的实际光环境图时，还包括步骤3优化调整步骤，具体为：

步骤301，根据所述真实材质参数模拟生成所述目标对象在所述实际光环境图下的第一真实效果图；

步骤302，获取用户指令，并根据用户指令对所述第一真实效果图进行调整，生成第二真实效果图；

步骤303，将所述第二真实效果图作为新的目标图像，并重复步骤1-步骤3，直至生成满足用户需求的目标真实效果图。

5.根据权利要求2所述基于神经网络的建造材料分析方法，其特征在于，还包括光环境模拟步骤，具体为：

步骤S401，获取所述目标对象的动态光环境图；

步骤S402，基于所述目标图像、所述材质分割图并利用预训练完成的光环境转换网络将所述建造材料的真实材质参数转换为所述动态光环境图下的显示材质参数；

步骤S403，根据所述显示材质参数模拟所述目标对象在所述动态光环境图下的动态显示效果。

6.根据权利要求1-5任一所述基于神经网络的建造材料分析方法，其特征在于，生成对应的建造材料选择方案具体为：根据所述目标对象中建造材料的真实材质参数生成每种建造材料的可选材料工艺、可选材料种类、每种可选材料工艺对应的第一选择概率以及每种可选材料种类对应的第二选择概率中的一个或者多个。

7.根据权利要求6所述基于神经网络的建造材料分析方法，其特征在于，每种材质参数均包括建造材料的色彩值、纹理值、反射率、透明度以及自发光参数中的任意一个或者多个；每种光环境图均包括多个光环境参数，所述光环境参数包括环境光强、环境色温、环境大气、地理参数以及环境阴影中的任意一个或者多个。

8.一种基于神经网络的建造材料分析装置，其特征在于，包括获取模块和材料分析模块，

所述获取模块用于获取目标图像，所述目标图像为包含目标对象的渲染图或者实景图；

所述材料分析模块用于获取目标光环境图，利用训练完成的预设神经网络模型对所述目标图像进行分析识别，生成所述目标对象中不同建造材料在所述目标光环境图下的真实材质参数，以生成对应的建造材料选择方案。

9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-7任一所述的基于神经网络的建造材料分析方法。

10.一种基于神经网络的建造材料分析终端，包括所述的计算机可读存储介质和处理器，所述处理器执行所述计算机可读存储介质上的计算机程序时实现权利要求1-7任一所述基于神经网络的建造材料分析方法的步骤。

Images