CN116644503B - 一种基于人工智能的房屋装修设计方法及其系统 - Google Patents
一种基于人工智能的房屋装修设计方法及其系统 Download PDFInfo
- Publication number
- CN116644503B CN116644503B CN202310896754.9A CN202310896754A CN116644503B CN 116644503 B CN116644503 B CN 116644503B CN 202310896754 A CN202310896754 A CN 202310896754A CN 116644503 B CN116644503 B CN 116644503B
- Authority
- CN
- China
- Prior art keywords
- house
- decoration
- information
- dimensional model
- module
- 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
- 238000005034 decoration Methods 0.000 title claims abstract description 229
- 238000013461 design Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000009877 rendering Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—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]
- G06F30/20—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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及房屋装修设计领域，公开了一种基于人工智能的房屋装修设计方法及其系统，采集用户待装修房屋的多张房屋图像，从多张房屋图像中提取出房屋基础信息；获取用户的装修需求信息，分别对房屋基础信息和装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息；将房屋特征信息和装修特征信息输入神经网络模型中，生成房屋装修设计方案；从多张房屋图像中获取待装修房屋的房屋户型、房屋总面积、房间数量和各个房间的长宽高，根据房屋户型、房屋总面积、房间数量各个房间的长宽高和房屋装修设计方案构建用户待装修房屋的装修三维模型；获取装修三维模型的设计参数，并输出装修三维模型和设计参数；本发明提高了装修设计效率。
Description
技术领域
本发明涉及房屋装修设计领域，具体涉及一种基于人工智能的房屋装修设计方法及其系统。
背景技术
装修，又称装潢或装饰，是指在一定区域和范围内进行的，包括水电施工、墙体、地板、天花板、景观等所实现的，依据一定设计理念和美观规则形成的一整套施工方案和设计方案，房屋装修前必须根据用户喜好的设计风格或者设计理念选择设计方案。
随着互联网家装行业的兴起，尤其是互联网家装可以提供较多的装修方案供用户预览和选择，使得越来越多的用户更倾向于选择互联网家装进行房屋装修，目前房屋装修设计方案都由设计师创作得到，设计方案耗时较长，成本投入高，无法很好地满足用户需求。
发明内容
本发明的目的是为了解决上述问题，设计了一种基于人工智能的房屋装修设计方法及其系统。
本发明第一方面提供一种基于人工智能的房屋装修设计方法，该方法包括以下步骤：
采集用户待装修房屋的多张房屋图像，从多张房屋图像中提取出房屋基础信息；
获取用户的装修需求信息，分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息；
将所述房屋特征信息和装修特征信息输入神经网络模型中，生成房屋装修设计方案；
从多张房屋图像中获取待装修房屋的房屋户型、房屋总面积、房间数量和各个房间的长宽高，根据所述房屋户型、房屋总面积、房间数量各个房间的长宽高和所述房屋装修设计方案构建用户待装修房屋的装修三维模型；
获取所述装修三维模型的设计参数，并输出所述装修三维模型和所述设计参数；
所述分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息，包括：
分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到所述房屋基础信息对应的第一特征点集合和所述装修需求信息对应的第二特征点集合；
采用最小二乘法分别对所述第一特征点集合中任意一个特征点和所述第二特征点集合中任意一个特征点进行曲线拟合，分别得到第一误差值和第二误差值；
当所述第一误差值和所述第二误差值的平方和为最小值时，完成特征点匹配，得到房屋特征信息和装修特征信息。
可选的，在本发明第一方面的第一种实现方式中，所述分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息之前，还包括：
获取所述房屋基础信息和所述装修需求信息，生成待处理数据集；
构建kd树存储结构，选取所述待处理数据集中任意一点为采样点，计算所述采样点的多个邻近点；
利用PCA算法得到所述待处理数据集的法向量和曲率值，计算所述采样点的光顺平滑权重参数和特征域权重参数；
根据所述采样点的光顺平滑权重参数和特征域权重参数，得到光顺平滑权重特征域权重；
根据所述光顺平滑权重特征域权重，得到双边过滤因子，并基于所述双边过滤因子确定所述采样点的几何位置，生成去噪后的待处理数据集，其中所述去噪后的待处理数据集包括去噪后的房屋基础信息和去噪后的装修需求信息。
可选的，在本发明第一方面的第二种实现方式中，所述神经网络模型的生成过程包括以下步骤：
获取房屋装修设计的历史设计数据库，其中所述历史设计数据库包括已经完成设计的历史装修设计方案及每个历史装修设计方案的历史设计信息，其中历史设计信息至少包括房屋特征信息和装修特征信息；
对所述历史设计数据库进行数据标准化处理，并将数据标准化处理后的历史设计数据库划分为训练集和测试集；
将所述训练集输入卷积神经网络中，其中将所述每个历史装修设计方案的历史设计信息作为输入数据，已经完成设计的历史装修设计方案作为输出数据；
在训练过程中，随着层数的加深，从所述训练集中提取到的特征维度增加，输出层利用卷积层对高维隐藏层特征进行降维整合操作，得到神经网络模型；
将所述测试集输入所述神经网络模型中，对所述测试集中历史设计信息进行测试，得到所述历史设计信息对应的历史装修设计方案。
可选的，在本发明第一方面的第三种实现方式中，所述卷积神经网络隐藏层全部由卷积层组成，每个卷积层均在上一层的基础上对数据进行卷积操作。
可选的，在本发明第一方面的第四种实现方式中，每个卷积层的参数包括卷积核数量、卷积核尺寸与激活函数，卷积核尺寸表示每个卷积核能接受上层的数据，卷积核数量表示当前卷积层输出的数据维度。
可选的，在本发明第一方面的第五种实现方式中，所述根据所述房屋户型、房屋总面积、房间数量各个房间的长宽高和所述房屋装修设计方案构建用户待装修房屋的装修三维模型，包括：
获取所述房屋户型、房屋总面积、房间数量各个房间的长宽高，得到坐标参数，并根据所述坐标参数构建第一三维模型；
采用三维几何形状编码器学习得到所述第一三维模型各个顶点的偏移矢量；
根据所述第一三维模型各个顶点的偏移矢量，采用三维几何形状解码器对所述第一三维模型进行变形，得到第二三维模型；
对所述房屋装修设计方案进行采样，得到物品数据、位置数据和颜色数据，根据所述物品数据和所述位置数据对第二三维模型进行物品添加，得到第三三维模型；
构建调色板，根据所述颜色数据通过颜色选择网络选择调色板中的颜色，进行整合处理，得到颜色选择信息；
将所述颜色选择信息和调色板相乘，生成表面颜色预测，根据所述表面颜色预测对所述第三三维模型进行渲染，生成装修三维模型。
本发明第二方面提供了一种基于人工智能的房屋装修设计系统，该系统包括数据获取模块、特征提取模块、方案生成模块、模型构建模块和参数输出模块，其中，所述数据获取模块，用于采集用户待装修房屋的多张房屋图像，从多张房屋图像中提取出房屋基础信息；
所述特征提取模块，用于获取用户的装修需求信息，分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息；
所述方案生成模块，用于将所述房屋特征信息和装修特征信息输入神经网络模型中，生成房屋装修设计方案；
所述模型构建模块，用于从多张房屋图像中获取待装修房屋的房屋户型、房屋总面积、房间数量和各个房间的长宽高，根据所述屋户型、房屋总面积、房间数量各个房间的长宽高和所述房屋装修设计方案构建用户待装修房屋的装修三维模型；
所述参数输出模块，用于获取所述装修三维模型的设计参数，并输出所述装修三维模型和所述设计参数。
可选的，在本发明第二方面的第一种实现方式中，所述特征提取模块包括生成子模块、拟合子模块和匹配子模块，其中，所述生成子模块，用于分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到所述房屋基础信息对应的第一特征点集合和所述装修需求信息对应的第二特征点集合；
所述拟合子模块，用于采用最小二乘法分别对所述第一特征点集合中任意一个特征点和所述第二特征点集合中任意一个特征点进行曲线拟合，分别得到第一误差值和第二误差值；
所述匹配子模块，用于当所述第一误差值和所述第二误差值的平方和为最小值时，完成特征点匹配，得到房屋特征信息和装修特征信息。
可选的，在本发明第二方面的第二种实现方式中，所述模型构建模块包括构建子模块、学习子模块、变形子模块、采样子模块、选择子模块和渲染子模块，其中，所述构建子模块，用于获取所述房屋户型、房屋总面积、房间数量各个房间的长宽高，得到坐标参数，并根据所述坐标参数构建第一三维模型；
所述学习子模块，用于采用三维几何形状编码器学习得到所述第一三维模型各个顶点的偏移矢量；
所述变形子模块，用于根据所述第一三维模型各个顶点的偏移矢量，采用三维几何形状解码器对所述第一三维模型进行变形，得到第二三维模型；
所述采样子模块，用于对所述房屋装修设计方案进行采样，得到物品数据、位置数据和颜色数据，根据所述物品数据和所述位置数据对第二三维模型进行物品添加，得到第三三维模型；
所述选择子模块，用于构建调色板，根据所述颜色数据通过颜色选择网络选择调色板中的颜色，进行整合处理，得到颜色选择信息；
所述渲染子模块，用于将所述颜色选择信息和调色板相乘，生成表面颜色预测，根据所述表面颜色预测对所述第三三维模型进行渲染，生成装修三维模型。
本发明提供的技术方案中，通过获取用户待装修房屋的房屋基础信息和装修需求信息，其中所述房屋基础信息至少包括房屋户型、房屋总面积、房间数量和各个房间的长宽高；分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息；将所述房屋特征信息和装修特征信息输入神经网络模型中，生成房屋装修设计方案；根据所述房屋户型、房屋总面积、房间数量各个房间的长宽高和所述房屋装修设计方案构建用户待装修房屋的装修三维模型；获取所述装修三维模型的设计参数，并输出所述装修三维模型和所述设计参数；本发明根据用户的房屋情况和设计需求生成房屋装修设计方案，更好地满足用户需求，提升用户体验，通过构建三维模型，提高了交互方式的多样性，有助于满足用户更多元化的交互需求，提高了装修设计效率，节省了装修设计成本。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例提供的基于人工智能的房屋装修设计方法的第一个实施例示意图；
图2为本发明实施例提供的基于人工智能的房屋装修设计方法的第二个实施例示意图；
图3为本发明实施例提供的基于人工智能的房屋装修设计方法的第三个实施例示意图；
图4为本发明实施例提供的基于人工智能的房屋装修设计系统的一种结构示意图；
图5为本发明实施例提供的基于人工智能的房屋装修设计系统的另一种结构示意图。
具体实施方式
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、设备、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1本发明实施例提供的基于人工智能的房屋装修设计方法的第一个实施例示意图，该方法具体包括以下步骤：
步骤101、采集用户待装修房屋的多张房屋图像，从多张房屋图像中提取出房屋基础信息；
本实施例中，房屋基础信息至少包括房屋户型、房屋总面积、房间数量和各个房间的长宽高；
步骤102、获取用户的装修需求信息，分别对房屋基础信息和装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息；
本实施例中，分别对房屋基础信息和装修需求信息进行关键特征提取，得到房屋基础信息对应的第一特征点集合和装修需求信息对应的第二特征点集合；采用最小二乘法分别对第一特征点集合中任意一个特征点和第二特征点集合中任意一个特征点进行曲线拟合，分别得到第一误差值和第二误差值；当第一误差值和第二误差值的平方和为最小值时，完成特征点匹配，得到房屋特征信息和装修特征信息；
步骤103、将房屋特征信息和装修特征信息输入神经网络模型中，生成房屋装修设计方案；
本实施例中，将房屋特征信息和装修特征信息输入神经网络模型，神经网络模型为卷积神经网络，通过卷积层对房屋特征信息和装修特征信息进行卷积运算，分别得到房屋特征信息和装修特征信息对应的房屋特征向量和装修特征向量，并发送至全连接层，通过全连接层对房屋特征向量和装修特征向量进行融合后，计算出该待装修房屋面对不同房屋装修设计方案下的匹配度，将所述匹配度按从高到低进行排序，筛选出最匹配的房屋装修设计方案作为待装修房屋的房屋装修设计方案，由输出层对该房屋装修设计方案进行输出；
步骤104、从多张房屋图像中获取待装修房屋的房屋户型、房屋总面积、房间数量和各个房间的长宽高，根据房屋户型、房屋总面积、房间数量各个房间的长宽高和房屋装修设计方案构建用户待装修房屋的装修三维模型；
本实施例中，获取房屋户型、房屋总面积、房间数量各个房间的长宽高，得到坐标参数，并根据坐标参数构建第一三维模型；采用三维几何形状编码器学习得到第一三维模型各个顶点的偏移矢量；根据第一三维模型各个顶点的偏移矢量，采用三维几何形状解码器对第一三维模型进行变形，得到第二三维模型；对房屋装修设计方案进行采样，得到物品数据、位置数据和颜色数据，根据物品数据和位置数据对第二三维模型进行物品添加，得到第三三维模型；构建调色板，根据颜色数据通过颜色选择网络选择调色板中的颜色，进行整合处理，得到颜色选择信息；将颜色选择信息和调色板相乘，生成表面颜色预测，根据表面颜色预测对第三三维模型进行渲染，生成装修三维模型；
步骤105、获取装修三维模型的设计参数，并输出装修三维模型和设计参数。
本发明实施例中，通过获取用户待装修房屋的房屋基础信息和装修需求信息，其中房屋基础信息至少包括房屋户型、房屋总面积、房间数量和各个房间的长宽高；分别对房屋基础信息和装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息；将房屋特征信息和装修特征信息输入神经网络模型中，生成房屋装修设计方案；根据房屋户型、房屋总面积、房间数量各个房间的长宽高和房屋装修设计方案构建用户待装修房屋的装修三维模型；获取装修三维模型的设计参数，并输出装修三维模型和设计参数；本发明根据用户的房屋情况和设计需求生成房屋装修设计方案，更好地满足用户需求，提升用户体验，通过构建三维模型，提高了交互方式的多样性，有助于满足用户更多元化的交互需求，提高了装修设计效率，节省了装修设计成本。
请参阅图2，本发明实施例提供的基于人工智能的房屋装修设计方法的第二个实施例示意图，该方法包括：
步骤201、获取房屋基础信息和装修需求信息，生成待处理数据集；
步骤202、构建kd树存储结构，选取待处理数据集中任意一点为采样点，计算采样点的多个邻近点；
步骤203、利用PCA算法得到待处理数据集的法向量和曲率值，计算采样点的光顺平滑权重参数和特征域权重参数；
步骤204、根据采样点的光顺平滑权重参数和特征域权重参数，得到光顺平滑权重特征域权重；
步骤205、根据光顺平滑权重特征域权重，得到双边过滤因子，并基于双边过滤因子确定采样点的几何位置，生成去噪后的待处理数据集。
本实施例中，去噪后的待处理数据集包括去噪后的房屋基础信息和去噪后的装修需求信息。
本发明实施例中，获取房屋基础信息和装修需求信息，生成待处理数据集，构建kd树存储结构，选取待处理数据集中任意一点为采样点，计算采样点的多个邻近点，利用PCA算法得到待处理数据集的法向量和曲率值，计算采样点的光顺平滑权重参数和特征域权重参数，根据采样点的光顺平滑权重参数和特征域权重参数，得到光顺平滑权重特征域权重，根据光顺平滑权重特征域权重，得到双边过滤因子，并基于双边过滤因子确定采样点的几何位置，生成去噪后的待处理数据集；本发明对房屋基础信息和装修需求信息进行特征信息提取，有效地满足用户需求，提升用户体验。
请参阅图3，本发明实施例提供的基于人工智能的房屋装修设计方法的第三个实施例示意图，该方法包括：
步骤301、获取房屋装修设计的历史设计数据库，其中历史设计数据库包括已经完成设计的历史装修设计方案及每个历史装修设计方案的历史设计信息，其中历史设计信息至少包括房屋特征信息和装修特征信息；
步骤302、对历史设计数据库进行数据标准化处理，并将数据标准化处理后的历史设计数据库划分为训练集和测试集；
步骤303、将训练集输入卷积神经网络中，其中将每个历史装修设计方案的历史设计信息作为输入数据，已经完成设计的历史装修设计方案作为输出数据；
本实施例中，卷积神经网络隐藏层全部由卷积层组成，每个卷积层均在上一层的基础上对数据进行卷积操作；每个卷积层的参数包括卷积核数量、卷积核尺寸与激活函数，卷积核尺寸表示每个卷积核能接受上层的数据，卷积核数量表示当前卷积层输出的数据维度；
步骤304、在训练过程中，随着层数的加深，从训练集中提取到的特征维度增加，输出层利用卷积层对高维隐藏层特征进行降维整合操作，得到神经网络模型；
步骤305、将测试集输入神经网络模型中，对测试集中历史设计信息进行测试，得到历史设计信息对应的历史装修设计方案。
本发明实施例中，获取房屋装修设计的历史设计数据库，其中历史设计数据库包括已经完成设计的历史装修设计方案及每个历史装修设计方案的历史设计信息，对历史设计数据库进行数据标准化处理，并将数据标准化处理后的历史设计数据库划分为训练集和测试集，将训练集输入卷积神经网络中，其中将每个历史装修设计方案的历史设计信息作为输入数据，已经完成设计的历史装修设计方案作为输出数据，在训练过程中，随着层数的加深，从训练集中提取到的特征维度增加，输出层利用卷积层对高维隐藏层特征进行降维整合操作，得到神经网络模型，将测试集输入神经网络模型中，对测试集中历史设计信息进行测试，得到历史设计信息对应的历史装修设计方案；本发明构建神经网络模型提高了装修设计效率，节省了装修设计成本。
请参阅图4，本发明实施例提供的基于人工智能的房屋装修设计系统的一种结构示意图，该系统包括数据获取模块、特征提取模块、方案生成模块、模型构建模块和参数输出模块，其中，数据获取模块401，用于采集用户待装修房屋的多张房屋图像，从多张房屋图像中提取出房屋基础信息；
特征提取模块402，用于获取用户的装修需求信息，分别对房屋基础信息和装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息；
方案生成模块403，用于将房屋特征信息和装修特征信息输入神经网络模型中，生成房屋装修设计方案；
模型构建模块404，用于从多张房屋图像中获取待装修房屋的房屋户型、房屋总面积、房间数量和各个房间的长宽高，根据屋户型、房屋总面积、房间数量各个房间的长宽高和房屋装修设计方案构建用户待装修房屋的装修三维模型；
参数输出模块405，用于获取装修三维模型的设计参数，并输出装修三维模型和设计参数。
请参阅图5，本发明实施例中基于人工智能的房屋装修设计系统的另一种结构示意图包括：
数据获取模块401，用于采集用户待装修房屋的多张房屋图像，从多张房屋图像中提取出房屋基础信息；
特征提取模块402，用于获取用户的装修需求信息，分别对房屋基础信息和装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息；
方案生成模块403，用于将房屋特征信息和装修特征信息输入神经网络模型中，生成房屋装修设计方案；
模型构建模块404，用于从多张房屋图像中获取待装修房屋的房屋户型、房屋总面积、房间数量和各个房间的长宽高，根据屋户型、房屋总面积、房间数量各个房间的长宽高和房屋装修设计方案构建用户待装修房屋的装修三维模型；
参数输出模块405，用于获取装修三维模型的设计参数，并输出装修三维模型和设计参数。
本实施例中，特征提取模块包括生成子模块、拟合子模块和匹配子模块，其中，生成子模块4021，用于分别对房屋基础信息和装修需求信息进行关键特征提取，得到房屋基础信息对应的第一特征点集合和装修需求信息对应的第二特征点集合；
拟合子模块4022，用于采用最小二乘法分别对第一特征点集合中任意一个特征点和第二特征点集合中任意一个特征点进行曲线拟合，分别得到第一误差值和第二误差值；
匹配子模块4023，用于当第一误差值和第二误差值的平方和为最小值时，完成特征点匹配，得到房屋特征信息和装修特征信息。
本实施例中，模型构建模块包括构建子模块、学习子模块、变形子模块、采样子模块、选择子模块和渲染子模块，其中，构建子模块4041，用于获取房屋户型、房屋总面积、房间数量各个房间的长宽高，得到坐标参数，并根据坐标参数构建第一三维模型；
学习子模块4042，用于采用三维几何形状编码器学习得到第一三维模型各个顶点的偏移矢量；
变形子模块4043，用于根据第一三维模型各个顶点的偏移矢量，采用三维几何形状解码器对第一三维模型进行变形，得到第二三维模型；
采样子模块4044，用于对房屋装修设计方案进行采样，得到物品数据、位置数据和颜色数据，根据物品数据和位置数据对第二三维模型进行物品添加，得到第三三维模型；
选择子模块4045，用于构建调色板，根据颜色数据通过颜色选择网络选择调色板中的颜色，进行整合处理，得到颜色选择信息；
渲染子模块4046，用于将颜色选择信息和调色板相乘，生成表面颜色预测，根据表面颜色预测对第三三维模型进行渲染，生成装修三维模型。
通过上述方案的实施，本发明根据用户的房屋情况和设计需求生成房屋装修设计方案，更好地满足用户需求，提升用户体验，通过构建三维模型，提高了交互方式的多样性，有助于满足用户更多元化的交互需求，提高了装修设计效率，节省了装修设计成本。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于人工智能的房屋装修设计方法，其特征在于，该方法包括以下步骤：
采集用户待装修房屋的多张房屋图像，从多张房屋图像中提取出房屋基础信息；
获取用户的装修需求信息，分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息；
将所述房屋特征信息和装修特征信息输入神经网络模型中，生成房屋装修设计方案；
从多张房屋图像中获取待装修房屋的房屋户型、房屋总面积、房间数量和各个房间的长宽高，根据所述房屋户型、房屋总面积、房间数量、各个房间的长宽高和所述房屋装修设计方案构建用户待装修房屋的装修三维模型；
获取所述装修三维模型的设计参数，并输出所述装修三维模型和所述设计参数；
所述分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息，包括：
分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到所述房屋基础信息对应的第一特征点集合和所述装修需求信息对应的第二特征点集合；
采用最小二乘法分别对所述第一特征点集合中任意一个特征点和所述第二特征点集合中任意一个特征点进行曲线拟合，分别得到第一误差值和第二误差值；
当所述第一误差值和所述第二误差值的平方和为最小值时，完成特征点匹配，得到房屋特征信息和装修特征信息；
所述分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息之前，还包括：
获取所述房屋基础信息和所述装修需求信息，生成待处理数据集；
构建kd树存储结构，选取所述待处理数据集中任意一点为采样点，计算所述采样点的多个邻近点；
利用PCA算法得到所述待处理数据集的法向量和曲率值，计算所述采样点的光顺平滑权重参数和特征域权重参数；
根据所述采样点的光顺平滑权重参数和特征域权重参数，得到光顺平滑权重特征域权重；
根据所述光顺平滑权重特征域权重，得到双边过滤因子，并基于所述双边过滤因子确定所述采样点的几何位置，生成去噪后的待处理数据集，其中所述去噪后的待处理数据集包括去噪后的房屋基础信息和去噪后的装修需求信息。
2.如权利要求1所述的一种基于人工智能的房屋装修设计方法，其特征在于，所述神经网络模型的生成过程包括以下步骤：
获取房屋装修设计的历史设计数据库，其中所述历史设计数据库包括已经完成设计的历史装修设计方案及每个历史装修设计方案的历史设计信息，其中历史设计信息至少包括房屋特征信息和装修特征信息；
对所述历史设计数据库进行数据标准化处理，并将数据标准化处理后的历史设计数据库划分为训练集和测试集；
将所述训练集输入卷积神经网络中，其中将所述每个历史装修设计方案的历史设计信息作为输入数据，已经完成设计的历史装修设计方案作为输出数据；
在训练过程中，随着层数的加深，从所述训练集中提取到的特征维度增加，输出层利用卷积层对高维隐藏层特征进行降维整合操作，得到神经网络模型；
将所述测试集输入所述神经网络模型中，对所述测试集中历史设计信息进行测试，得到所述历史设计信息对应的历史装修设计方案。
3.如权利要求2所述的一种基于人工智能的房屋装修设计方法，其特征在于，所述卷积神经网络隐藏层全部由卷积层组成，每个卷积层均在上一层的基础上对数据进行卷积操作。
4.如权利要求2所述的一种基于人工智能的房屋装修设计方法，其特征在于，每个卷积层的参数包括卷积核数量、卷积核尺寸与激活函数，卷积核尺寸表示每个卷积核能接受上层的数据，卷积核数量表示当前卷积层输出的数据维度。
5.如权利要求1所述的一种基于人工智能的房屋装修设计方法，其特征在于，所述根据所述房屋户型、房屋总面积、房间数量、各个房间的长宽高和所述房屋装修设计方案构建用户待装修房屋的装修三维模型，包括：
获取所述房屋户型、房屋总面积、房间数量、各个房间的长宽高，得到坐标参数，并根据所述坐标参数构建第一三维模型；
采用三维几何形状编码器学习得到所述第一三维模型各个顶点的偏移矢量；
根据所述第一三维模型各个顶点的偏移矢量，采用三维几何形状解码器对所述第一三维模型进行变形，得到第二三维模型；
对所述房屋装修设计方案进行采样，得到物品数据、位置数据和颜色数据，根据所述物品数据和所述位置数据对第二三维模型进行物品添加，得到第三三维模型；
构建调色板，根据所述颜色数据通过颜色选择网络选择调色板中的颜色，进行整合处理，得到颜色选择信息；
将所述颜色选择信息和调色板相乘，生成表面颜色预测，根据所述表面颜色预测对所述第三三维模型进行渲染，生成装修三维模型。
6.一种基于人工智能的房屋装修设计系统，其特征在于，该系统包括数据获取模块、特征提取模块、方案生成模块、模型构建模块和参数输出模块，其中，
所述数据获取模块，用于采集用户待装修房屋的多张房屋图像，从多张房屋图像中提取出房屋基础信息；
所述特征提取模块，用于获取用户的装修需求信息，分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息；
所述方案生成模块，用于将所述房屋特征信息和装修特征信息输入神经网络模型中，生成房屋装修设计方案；
所述模型构建模块，用于从多张房屋图像中获取待装修房屋的房屋户型、房屋总面积、房间数量和各个房间的长宽高，根据所述房屋户型、房屋总面积、房间数量、各个房间的长宽高和所述房屋装修设计方案构建用户待装修房屋的装修三维模型；
所述参数输出模块，用于获取所述装修三维模型的设计参数，并输出所述装修三维模型和所述设计参数；
所述特征提取模块包括生成子模块、拟合子模块和匹配子模块，其中，
所述生成子模块，用于分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到所述房屋基础信息对应的第一特征点集合和所述装修需求信息对应的第二特征点集合；
所述拟合子模块，用于采用最小二乘法分别对所述第一特征点集合中任意一个特征点和所述第二特征点集合中任意一个特征点进行曲线拟合，分别得到第一误差值和第二误差值；
所述匹配子模块，用于当所述第一误差值和所述第二误差值的平方和为最小值时，完成特征点匹配，得到房屋特征信息和装修特征信息；
所述分别对所述房屋基础信息和所述装修需求信息进行关键特征提取，得到房屋特征信息和装修特征信息之前，还包括：
获取所述房屋基础信息和所述装修需求信息，生成待处理数据集；
构建kd树存储结构，选取所述待处理数据集中任意一点为采样点，计算所述采样点的多个邻近点；
利用PCA算法得到所述待处理数据集的法向量和曲率值，计算所述采样点的光顺平滑权重参数和特征域权重参数；
根据所述采样点的光顺平滑权重参数和特征域权重参数，得到光顺平滑权重特征域权重；
根据所述光顺平滑权重特征域权重，得到双边过滤因子，并基于所述双边过滤因子确定所述采样点的几何位置，生成去噪后的待处理数据集，其中所述去噪后的待处理数据集包括去噪后的房屋基础信息和去噪后的装修需求信息。
7.如权利要求6所述的一种基于人工智能的房屋装修设计系统，其特征在于，所述模型构建模块包括构建子模块、学习子模块、变形子模块、采样子模块、选择子模块和渲染子模块，其中，
所述构建子模块，用于获取所述房屋户型、房屋总面积、房间数量、各个房间的长宽高，得到坐标参数，并根据所述坐标参数构建第一三维模型；
所述学习子模块，用于采用三维几何形状编码器学习得到所述第一三维模型各个顶点的偏移矢量；
所述变形子模块，用于根据所述第一三维模型各个顶点的偏移矢量，采用三维几何形状解码器对所述第一三维模型进行变形，得到第二三维模型；
所述采样子模块，用于对所述房屋装修设计方案进行采样，得到物品数据、位置数据和颜色数据，根据所述物品数据和所述位置数据对第二三维模型进行物品添加，得到第三三维模型；
所述选择子模块，用于构建调色板，根据所述颜色数据通过颜色选择网络选择调色板中的颜色，进行整合处理，得到颜色选择信息；
所述渲染子模块，用于将所述颜色选择信息和调色板相乘，生成表面颜色预测，根据所述表面颜色预测对所述第三三维模型进行渲染，生成装修三维模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310896754.9A CN116644503B (zh) | 2023-07-21 | 2023-07-21 | 一种基于人工智能的房屋装修设计方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310896754.9A CN116644503B (zh) | 2023-07-21 | 2023-07-21 | 一种基于人工智能的房屋装修设计方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116644503A CN116644503A (zh) | 2023-08-25 |
| CN116644503B true CN116644503B (zh) | 2023-12-08 |
Family
ID=87640298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310896754.9A Active CN116644503B (zh) | 2023-07-21 | 2023-07-21 | 一种基于人工智能的房屋装修设计方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116644503B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110955925A (zh) * | 2019-10-12 | 2020-04-03 | 北京华跃博弈科技有限公司 | 一种基于bim技术的户型装修模拟展示系统 |
| CN113222686A (zh) * | 2021-04-08 | 2021-08-06 | 复旦大学 | 一种装修设计方案推荐方法 |
| CN113538101A (zh) * | 2021-07-26 | 2021-10-22 | 杨浩松 | 一种基于人工智能的家装定制方法、系统及存储介质 |
| CN113593005A (zh) * | 2021-06-10 | 2021-11-02 | 瑞祥集团(河北)科技材料有限公司 | 一种结合三维模型定制化装修管理方法和系统 |
| CN114332366A (zh) * | 2021-12-24 | 2022-04-12 | 西运才 | 数字城市单体房屋点云立面3d特征提取方法 |
| CN114511668A (zh) * | 2021-03-19 | 2022-05-17 | 深圳思为科技有限公司 | 获取三维装修图像的方法、装置、设备及存储介质 |
| WO2023035592A1 (zh) * | 2021-09-09 | 2023-03-16 | 深圳须弥云图空间科技有限公司 | 室内设计方案获取方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
| 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 |
-
2023
- 2023-07-21 CN CN202310896754.9A patent/CN116644503B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110955925A (zh) * | 2019-10-12 | 2020-04-03 | 北京华跃博弈科技有限公司 | 一种基于bim技术的户型装修模拟展示系统 |
| CN114511668A (zh) * | 2021-03-19 | 2022-05-17 | 深圳思为科技有限公司 | 获取三维装修图像的方法、装置、设备及存储介质 |
| CN113222686A (zh) * | 2021-04-08 | 2021-08-06 | 复旦大学 | 一种装修设计方案推荐方法 |
| CN113593005A (zh) * | 2021-06-10 | 2021-11-02 | 瑞祥集团(河北)科技材料有限公司 | 一种结合三维模型定制化装修管理方法和系统 |
| CN113538101A (zh) * | 2021-07-26 | 2021-10-22 | 杨浩松 | 一种基于人工智能的家装定制方法、系统及存储介质 |
| WO2023035592A1 (zh) * | 2021-09-09 | 2023-03-16 | 深圳须弥云图空间科技有限公司 | 室内设计方案获取方法、装置、计算机设备及存储介质 |
| CN114332366A (zh) * | 2021-12-24 | 2022-04-12 | 西运才 | 数字城市单体房屋点云立面3d特征提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 面向室内装饰的现代家居设计图像风格迁移研究;冯威;诸跃进;肖金球;段杰;周惟;;计算机应用与软件(07);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116644503A (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390638B (zh) | 一种高分辨率三维体素模型重建方法 | |
| CN109977918A (zh) | 一种基于无监督域适应的目标检测定位优化方法 | |
| CN106599515B (zh) | 基于stl网格特征识别的汽车覆盖件板料冲压工艺优选方法 | |
| CN109992693A (zh) | 户型匹配方法及装置 | |
| CN107292234A (zh) | 一种基于信息边缘和多模态特征的室内场景布局估计方法 | |
| CN110969606B (zh) | 一种纹理表面缺陷检测方法及系统 | |
| CN111125397B (zh) | 一种基于卷积神经网络的布料图像检索方法 | |
| CN110322529A (zh) | 一种基于深度学习辅助艺术绘画的方法 | |
| CN112686816A (zh) | 一种基于内容注意力机制和掩码先验的图像补全方法 | |
| CN115393583B (zh) | 对墙体进行人工智能语义分割的方法 | |
| CN116702302B (zh) | 一种用于半导体生产线的布局寻优方法及装置 | |
| CN112634438A (zh) | 基于对抗网络的单帧深度图像三维模型重建方法及装置 | |
| CN114782645B (zh) | 虚拟数字人制作方法、相关设备及可读存储介质 | |
| CN116644503B (zh) | 一种基于人工智能的房屋装修设计方法及其系统 | |
| CN116051936A (zh) | 基于时空分离外部注意力的叶绿素浓度有序补全方法 | |
| CN115471641A (zh) | 一种三维室内场景补全方法、装置、设备及存储介质 | |
| CN109658508B (zh) | 一种多尺度细节融合的地形合成方法 | |
| CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 | |
| CN110757806A (zh) | 一种面向3d打印的双类形状密铺方法及系统 | |
| CN112231848B (zh) | 一种构建车辆喷涂模型的方法及系统 | |
| CN113807497A (zh) | 一种增强纹理细节的非配对图像翻译方法 | |
| CN110379003A (zh) | 基于单张图像的三维头部重建方法 | |
| CN113256543A (zh) | 一种基于图卷积神经网络模型的点云补全方法 | |
| CN116844004A (zh) | 一种面向数字孪生场景的点云自动语义化建模方法 | |
| CN112686817A (zh) | 一种基于不确定性估计的图像补全方法 |
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 |