CN116933380A - 基于深度学习的户型图拆解分析方法及系统 - Google Patents
基于深度学习的户型图拆解分析方法及系统 Download PDFInfo
- Publication number
- CN116933380A CN116933380A CN202311169936.2A CN202311169936A CN116933380A CN 116933380 A CN116933380 A CN 116933380A CN 202311169936 A CN202311169936 A CN 202311169936A CN 116933380 A CN116933380 A CN 116933380A
- Authority
- CN
- China
- Prior art keywords
- house type
- target
- sample
- element feature
- target house
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 137
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000002093 peripheral effect Effects 0.000 claims abstract description 40
- 238000013461 design Methods 0.000 claims abstract description 24
- 238000005034 decoration Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012546 transfer Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000000547 structure data Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000779 smoke Substances 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于深度学习的户型图拆解分析方法及系统,涉及数据处理技术领域,该方法包括:采集目标户型图的基本信息;以元素特征集合为索引对目标户型图纸集进行元素提取,获得目标元素特征集合;基于目标元素特征集合对目标户型图进行拆解,获得N个功能区域和N个功能区域信息集合;获得N个功能区域外围结构参数集;结合目标户型层高、目标户型位置生成N个功能区域的N个框体结构系数;根据N个框体结构系数对目标户型图的N个功能区域进行家装设计。本发明解决了现有技术中存在户型图拆解周期长,拆解分析准确度低,无法为后续家装设计提供可靠依据的技术问题,达到了提升户型图拆解分析效率,提高分析质量的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于深度学习的户型图拆解分析方法及系统。
背景技术
随着新技术的开发和利用,通过模块化和标准化的设计,大幅提升了户型图拆解分析的效率。然而,户型拆解分析随着户型所建设的位置不同对应的分析结果之间的差别较大,且随着户型与建设当地环境结合度越来越高,标准化户型设计越来越少,户型复杂度和差异度越来越明显,目前虽然也有利用智能化的算法来缩短拆解分析的时间,但与户型实际情况偏差较大,导致分析结果准确度差。现有技术中存在户型图拆解周期长,拆解分析准确度低,无法为后续家装设计提供可靠依据的技术问题。
发明内容
本申请提供了基于深度学习的户型图拆解分析方法及系统,用于针对解决现有技术中存在户型图拆解周期长,拆解分析准确度低,无法为后续家装设计提供可靠依据的技术问题。
鉴于上述问题,本申请提供了基于深度学习的户型图拆解分析方法及系统。
本申请的第一个方面,提供了基于深度学习的户型图拆解分析方法,所述方法包括:
采集目标户型图的基本信息,其中,所述基本信息包括目标户型图纸集、目标户型层高、目标户型位置;
以元素特征集合为索引对所述目标户型图纸集进行元素提取,获得目标元素特征集合,所述目标元素特征集合具有位置标识;
基于所述目标元素特征集合对所述目标户型图进行拆解,获得N个功能区域和N个功能区域信息集合;
基于所述目标户型图纸集和N个功能区域信息集合采集所述N个功能区域的建筑外围护结构参数,获得N个功能区域外围结构参数集;
根据N个功能区域外围结构参数集、目标户型层高、目标户型位置生成所述N个功能区域的N个框体结构系数;
根据N个框体结构系数对目标户型图的N个功能区域进行家装设计。
本申请的第二个方面,提供了基于深度学习的户型图拆解分析系统,所述系统包括:
基本信息采集模块,所述基本信息采集模块用于采集目标户型图的基本信息,其中,所述基本信息包括目标户型图纸集、目标户型层高、目标户型位置;
目标元素特征获得模块,所述目标元素特征获得模块用于以元素特征集合为索引对所述目标户型图纸集进行元素提取,获得目标元素特征集合,所述目标元素特征集合具有位置标识;
功能区域获得模块,所述功能区域获得模块用于基于所述目标元素特征集合对所述目标户型图进行拆解,获得N个功能区域和N个功能区域信息集合;
结构参数集获得模块,所述结构参数集获得模块用于基于所述目标户型图纸集和N个功能区域信息集合采集所述N个功能区域的建筑外围护结构参数,获得N个功能区域外围结构参数集;
框体结构系数获得模块,所述框体结构系数获得模块用于根据N个功能区域外围结构参数集、目标户型层高、目标户型位置生成所述N个功能区域的N个框体结构系数;
家装设计模块,所述家装设计模块用于根据N个框体结构系数对目标户型图的N个功能区域进行家装设计。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
采集目标户型图的基本信息,其中,基本信息包括目标户型图纸集、目标户型层高、目标户型位置;以元素特征集合为索引对目标户型图纸集进行元素提取,获得目标元素特征集合,目标元素特征集合具有位置标识;基于目标元素特征集合对目标户型图进行拆解,获得N个功能区域和N个功能区域信息集合;基于目标户型图纸集和N个功能区域信息集合采集N个功能区域的建筑外围护结构参数,获得N个功能区域外围结构参数集;根据N个功能区域外围结构参数集、目标户型层高、目标户型位置生成N个功能区域的N个框体结构系数;根据N个框体结构系数对目标户型图的N个功能区域进行家装设计。达到了提升户型图拆解分析效率,提高分析结果可靠性,为进行家装设计提供可靠依据的技术效果。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为本申请实施例提供的基于深度学习的户型图拆解分析方法流程示意图;
图2为本申请实施例提供的基于深度学习的户型图拆解分析方法中生成元素特征集合的流程示意图;
图3为本申请实施例提供的基于深度学习的户型图拆解分析方法中生成N个功能区域的N个框体结构系数的流程示意图;
图4为本申请实施例提供的基于深度学习的户型图拆解分析系统结构示意图。
附图标记说明:基本信息采集模块11,目标元素特征获得模块12,功能区域获得模块13,结构参数集获得模块14,框体结构系数获得模块15,家装设计模块16。
具体实施方式
本申请通过提供了基于深度学习的户型图拆解分析方法及系统,用于针对解决现有技术中存在户型图拆解周期长,拆解分析准确度低,无法为后续家装设计提供可靠依据的技术问题。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,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、产品或服务器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模块。
实施例一
如图1所示,本申请提供了基于深度学习的户型图拆解分析方法,其中,所述方法包括:
S100:采集目标户型图的基本信息,其中,所述基本信息包括目标户型图纸集、目标户型层高、目标户型位置;
在本申请的一个实施例中,所述目标户型图为需要进行拆解分析的任意一个户型图。通过从存放户型图的数据库中调用所述目标户型图的相关信息,生成所述基本信息。其中,所述基本信息用于对目标户型图相关的图纸和应用信息进行描述,包括目标户型图纸集、目标户型层高、目标户型位置。所述目标户型图纸集包括户型主视图、侧视图、俯视图。所述目标户型层高是所述目标户型图对应的楼层距离水平面的高度。所述目标户型位置是对所述目标户型图对应的地理位置。通过对目标户型图的基本信息进行采集,为后续进行贴合实际应用的户型拆解分析做铺垫。
S200:以元素特征集合为索引对所述目标户型图纸集进行元素提取,获得目标元素特征集合,所述目标元素特征集合具有位置标识;
进一步的,所述以元素特征集合为索引对所述目标户型图纸集进行元素提取,获得目标元素特征集合,本申请实施例步骤S200还包括:
获取户型图中的墙体信息,生成第一元素特征集,其中,所述墙体信息包括承重墙和非承重墙;
获取户型图中的空间参数,生成第二元素特征集,其中,所述空间参数包括空间尺寸、空间面积;
获取户型图中的物品标识类型,生成第三元素特征集,其中,所述物品标识类型包括厨具标识、电器标识、家居标识、水暖标识;
根据第一元素特征集、第二元素特征集和第三元素特征集生成所述元素特征集合。
在一个可能的实施例中,所述目标户型图纸集中描述了住房的平面空间布局,并在图纸中对住房空间中具有的元素进行标记。所述元素特征集合用于对图纸中标记的元素进行特征提取,将图纸中的标记转换为数据信息。通过以元素特征集合为索引,对所述目标户型图纸集进行元素提取,从而获得所述目标元素特征集合。其中,所述目标元素特征集合用于对目标户型图中具有的元素特征类型进行数据提取,且所述目标元素特征集合具有位置标识。所述位置标识用于对目标元素特征在住房中的具体位置进行描述。
优选的,通过以户型图中墙体的功能作为墙体信息,其中,所述墙体信息包括承重墙和非承重墙,从而获得第一元素特征集,所述第一元素特征集从墙体功能的角度进行元素提取。承重墙用于支撑上部楼层重量以及将相邻两个空间隔开,非承重墙仅用于将相邻两个空间隔开。所述空间参数用于对目标户型图中墙体隔开的空间进行描述,包括空间尺寸、空间面积,基于所述空间参数生成所述第二元素特征集。其中,所述第二元素特征集用于从空间参数的角度进行元素提取。所述物品标识类型用于对每个空间内摆放的物品进行描述,优选的,不同的物品标识类型反映了不同空间的功能,包括厨具标识、电器标识、家居标识、水暖标识。优选的,当空间内具有剪刀、菜刀、案板、抽油烟机等厨具标识,表明该空间的功能用途为厨房。进而,将所述第一元素特征集、第二元素特征集和第三元素特征集进行汇总,生成所述元素特征集合。
S300:基于所述目标元素特征集合对所述目标户型图进行拆解,获得N个功能区域和N个功能区域信息集合;
进一步的,如图2所示,所述基于所述目标元素特征集合对所述目标户型图进行拆解,本申请实施例步骤S300还包括:
获取多个样本元素特征集合、多个样本功能区域和多个样本功能区域信息集合构建户型拆解分析模型;
从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第一样本元素特征,构建第一拆解分析节点,所述第一拆解分析节点用于判断所述多个样本元素特征集合与第一样本元素特征的多个匹配度是否满足预设匹配度;
若是,则存储至第一拆解分析节点的第一叶子节点中;
若否,则添加进第一待拆解分析结果。
进一步的,本申请实施例步骤S300还包括:
再次从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第二样本元素特征,构建第二拆解分析节点,所述第二拆解分析节点用于判断所述第一待拆解分析结果与第一样本元素特征的多个匹配度是否满足预设匹配度,获得第二叶子节点和第二待拆解分析结果;
再次从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第P样本元素特征,构建第P拆解分析节点,所述第P拆解分析节点用于判断第P-1待拆解分析结果与第P-1样本元素特征的多个匹配度是否满足预设匹配度,获得第P叶子节点和第P待拆解分析结果;
利用多个样本功能区域和多个样本功能区域信息集合匹配第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果,区匹配结果中的众数,分别对第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果进行标识;
根据所述第一拆解分析节点、第二拆解分析节点和第P拆解分析节点,以及标识后的第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果生成所述户型拆解分析模型;
将所述目标元素特征集合传输至所述户型拆解分析模型中进行户型拆解,获得所述N个功能区域和N个功能区域信息集合。
在一个实施例中,在获得所述目标元素特征集合之后,根据所述目标元素特征集合反映出所述目标户型图具有的元素特征对目标户型图进行拆解,获得所述N个功能区域和N个功能区域信息集合。其中,所述N个功能区域用于对目标户型图内根据墙体信息和位置标识划分出的N个空间进行描述。所述N个功能区域信息集合用于对所述目标户型图内根据墙体信息和位置标识划分出的N个空间尺寸、空间面积以及空间用于进行描述。
优选的,所述户型拆解分析模型用于对目标户型图进行快速准确的拆解分析,利用决策树算法,在每个拆解分析节点进行决策判断,从而提高户型拆解分析效率。通过从户型拆解数据库中调取多个样本元素特征集合、多个样本功能区域和多个样本功能区域信息集合,其中,所述户型拆解数据库基于进行户型拆解后的数据信息上传汇总获得。进而,通过从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第一样本元素特征,构建第一拆解分析节点,其中,所述第一拆解分析节点用于判断所述多个样本元素特征集合与第一样本元素特征的多个匹配度是否满足预设匹配度。若是,则存储至第一拆解分析节点的第一叶子节点中;若否,则添加进第一待拆解分析结果。所述预设匹配度由本领域技术人员自行设置,在此不做限制,可选的,预设匹配度为95%。通过利用Word2Vec多个样本元素特征集合与第一样本元素特征分别转换为多个样本词向量集合和第一样本词向量,通过利用余弦相似度分别计算多个样本词向量集合和第一样本词向量的相似度,将计算结果作为多个匹配度。进而,将所述多个匹配度与预设匹配度进行比较,若大于预设匹配度,则将对应的样本元素特征集合存储至第一拆解分析节点的第一叶子节点中,若小于等于,则添加进第一待拆解分析结果,继续在下一个拆解分析节点进行分析。
优选的,基于同样的原理,再次从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第二样本元素特征,构建第二拆解分析节点,所述第二拆解分析节点用于判断所述第一待拆解分析结果与第一样本元素特征的多个匹配度是否满足预设匹配度,获得第二叶子节点和第二待拆解分析结果,然后再次从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第P样本元素特征,构建第P拆解分析节点,所述第P拆解分析节点用于判断第P-1待拆解分析结果与第P-1样本元素特征的多个匹配度是否满足预设匹配度,获得第P叶子节点和第P待拆解分析结果。进而,利用多个样本功能区域和多个样本功能区域信息集合匹配第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果,根据匹配结果将每个叶子节点以及待拆解分析结果中出现数量最多的样本功能区域和样本功能区域信息集合对第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果进行标识。从而获得了用于拆解分析匹配的第一拆解分析节点、第二拆解分析节点和第P拆解分析节点,以及标识后的第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果,从而以第一拆解分析节点、第二拆解分析节点和第P拆解分析节点为所述户型拆解分析模型的框架,以标识后的第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果作为模型输出的结果,组成所述户型拆解分析模型。
优选的,将所述目标元素特征集合传输至所述户型拆解分析模型中进行户型拆解,逐一与第一拆解分析节点、第二拆解分析节点和第P拆解分析节点进行拆解分析,获得将存储有目标元素特征集合的第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果对应的标识信息,获得所述N个功能区域和N个功能区域信息集合。
另一种可能的实施方式,在获得所述目标元素特征集合之后,将所述目标元素特征集合和目标户型图输入基于卷积神经网络构建的户型图拆解模型中,经过所述户型图拆解模型中输入层、卷积层、池化层的分析,通过输出层输出户型图拆解结果。其中,所述户型图拆解结果中包括N个功能区域和N个功能区域信息集合。优选的,通过对多个样本目标户型图中的卧室、客厅、餐厅、厨房、阳台、主卧、客卧、书房进行标记,获得标记结果。其中,标记结果中不同功能区域具有与其他功能区域区分开的框。优选的,所述框为户型图中墙体的位置,且当功能区域具有开放式区域,如卧室的门,此时标注的框中将门的位置留出。优选的,当标记结果中两个功能区域为相邻功能区域时,墙体和门窗位置在拆解后的区域中都进行保留,也就是说两个相邻的功能区域具有公用的墙体和门窗。优选的,在获得标记结果后,利用多个样本目标户型图、多个样本目标元素特征集合和标记结果中组成训练数据,并对标记结果进行标识作为监督数据。然后,利用训练数据对基于卷积神经网络进行训练学习,并在训练过程中利用标识后的标记结果进行监督,根据监督过程中输出的准确度,对卷积神经网络进行参数调整,直至输出结果达到收敛,从而获得训练完成的所述户型图拆解模型。达到了大幅度提升户型图拆解的效率和准确性,以及提高户型图拆解的智能化程度的技术效果。
S400:基于所述目标户型图纸集和N个功能区域信息集合采集所述N个功能区域的建筑外围护结构参数,获得N个功能区域外围结构参数集;
进一步的,本申请实施例步骤S400还包括:
以南立面开窗结构为索引,对所述目标户型图纸集的N个功能区域进行结构数据提取,获得N个南向窗墙比;
以屋面天窗结构为索引进行结构数据提取,获得N个区域天窗面积占比和N个天窗传热系数;
以屋顶坡度为索引进行结构数据提取,获得N个不透明屋顶坡度和N个透明屋顶坡度;
根据所述N个南向窗墙比、N个区域天窗面积占比、N个天窗传热系数、N个不透明屋顶坡度和N个透明屋顶坡度生成所述N个功能区域外围结构参数集。
优选的,通过根据所述目标户型图纸集对目标户型图对应的户型结构进行分析,采集N个功能区域的建筑外围护结构参数,获得所述N个功能区域的建筑外围护结构参数。其中,所述N个功能区域的建筑外围护结构参数用于分别对N个功能区域对应的建筑结构设计参数进行描述,为后续进行户型不同功能区域的框体结构情况分析提供基础数据。
在一个实施例中,通过以南立面开窗结构为索引,对所述目标户型图纸集的N个功能区域进行结构数据提取,获得N个南向窗墙比,南向窗墙比为朝南的窗户与窗户所在墙面的面积比值,进而,以屋面天窗结构为索引进行结构数据提取,获得N个区域天窗面积占比和N个天窗传热系数,所述区域天窗面积占比为区域内天窗占房顶的面积大小,天窗传热系数与天窗的材质有关,为天窗在稳定的传热条件下,当两侧空气的温度差在1℃时,一小时内通过一平方米面积所传递的热量,传热系数越低越,框体结构系数越大,然后以屋顶坡度为索引进行结构数据提取,获得N个不透明屋顶坡度和N个透明屋顶坡度,进而将所述N个南向窗墙比、N个区域天窗面积占比、N个天窗传热系数、N个不透明屋顶坡度和N个透明屋顶坡度进行汇总生成所述N个功能区域外围结构参数集。通过对N个功能区域的建筑外围护结构参数进行采集,为后续从户型实际应用的角度进行家装分析,提供数据依据。
S500:根据N个功能区域外围结构参数集、目标户型层高、目标户型位置生成所述N个功能区域的N个框体结构系数;
进一步的,如图3所示,本申请实施例步骤S500还包括:
以N个功能区域外围结构参数集为x轴,以目标户型层高为y轴,以目标户型位置为z轴,构建框体结构系数计量模块的框架;
获取多个样本功能区域外围结构参数集、多个样本目标户型层高、多个样本目标户型位置输入框体结构系数计量模块的框架中,获得多个样本坐标点,并利用对应的多个样本框体结构系数对多个样本坐标点进行标识;
根据标识后的多个样本坐标点和框体结构系数计量模块的框架生成所述框体结构系数计量模块;
将根据N个功能区域外围结构参数集、目标户型层高、目标户型位置输入所述框体结构系数计量模块中,生成所述N个功能区域的N个框体结构系数。
进一步的,本申请实施例步骤S500还包括:
根据所述N个功能区域外围结构参数集、目标户型层高、目标户型位置生成N个目标坐标点;
采集分别距离N个目标坐标点满足预设距离值的N个样本坐标点集合进行系数均值化处理,获得N个框体结构系数。
在一个可能的实施例中,通过对N个功能区域外围结构参数集、目标户型层高、目标户型位置进行分析,生成所述N个功能区域的N个框体结构系数。其中,所述N个框体结构系数用于对N个功能区域的区域能量散失性能,框体结构系数越大,对应能量散失性能越小,框体结构系数越小,对应能量散失性能越大。
优选的,所述框体结构系数计量模块用于对N个功能区域对应的框体结构系数进行计量,框架构成为以N个功能区域外围结构参数集为x轴,以目标户型层高为y轴,以目标户型位置为z轴。通过获取多个样本功能区域外围结构参数集、多个样本目标户型层高、多个样本目标户型位置输入框体结构系数计量模块的框架中,获得多个样本坐标点,根据对应坐标轴上的数值获得坐标点,并利用对应的多个样本框体结构系数对多个样本坐标点进行标识,根据标识后的多个样本坐标点和框体结构系数计量模块的框架生成所述框体结构系数计量模块,进而将N个功能区域外围结构参数集、目标户型层高、目标户型位置输入所述框体结构系数计量模块中,生成N个目标坐标点,通过采集分别距离N个目标坐标点满足预设距离值的N个样本坐标点集合进行系数均值化处理,获得N个框体结构系数。
S600:根据N个框体结构系数对目标户型图的N个功能区域进行家装设计。
在一个实施例中,通过根据所述N个框体结构系数确定进行目标户型图的N个功能区域家装设计依据,如框体结构系数小的地方铺设的保温层厚度与框体结构系数大的地方铺设的保温层厚度不同。从而,达到了提升户型图拆解分析效率,提高分析结果可靠性,为进行家装设计提供可靠依据的技术效果。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过对目标户型图的基本信息进行获取,并根据元素特征集合对目标户型图纸集进行元素提取,获得目标元素特征集合,进而对目标户型图进行拆解,获得对应的N个功能区域和N个功能区域信息集合,实现了为贴合目标户型图的实际应用分析提供数据的目标,进而根据N个功能区域外围结构参数集、目标户型层高、目标户型位置进行分析,生成N个功能区域的N个框体结构系数,对目标户型图的N个功能区域进行家装设计。达到了缩短户型图拆解时间,提升拆解分析效率,结合实际应用进行分析,提供可靠的家装设计依据的技术效果。
实施例二
基于与前述实施例中基于深度学习的户型图拆解分析方法相同的发明构思,如图4所示,本申请提供了基于深度学习的户型图拆解分析系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
基本信息采集模块11,所述基本信息采集模块11用于采集目标户型图的基本信息,其中,所述基本信息包括目标户型图纸集、目标户型层高、目标户型位置;
目标元素特征获得模块12,所述目标元素特征获得模块12用于以元素特征集合为索引对所述目标户型图纸集进行元素提取,获得目标元素特征集合,所述目标元素特征集合具有位置标识;
功能区域获得模块13,所述功能区域获得模块13用于基于所述目标元素特征集合对所述目标户型图进行拆解,获得N个功能区域和N个功能区域信息集合;
结构参数集获得模块14,所述结构参数集获得模块14用于基于所述目标户型图纸集和N个功能区域信息集合采集所述N个功能区域的建筑外围护结构参数,获得N个功能区域外围结构参数集;
框体结构系数获得模块15,所述框体结构系数获得模块15用于根据N个功能区域外围结构参数集、目标户型层高、目标户型位置生成所述N个功能区域的N个框体结构系数;
家装设计模块16,所述家装设计模块16用于根据N个框体结构系数对目标户型图的N个功能区域进行家装设计。
进一步的,所述目标元素特征获得模块12用于执行如下方法:
获取户型图中的墙体信息,生成第一元素特征集,其中,所述墙体信息包括承重墙和非承重墙;
获取户型图中的空间参数,生成第二元素特征集,其中,所述空间参数包括空间尺寸、空间面积;
获取户型图中的物品标识类型,生成第三元素特征集,其中,所述物品标识类型包括厨具标识、电器标识、家居标识、水暖标识;
根据第一元素特征集、第二元素特征集和第三元素特征集生成所述元素特征集合。
进一步的,所述功能区域获得模块13用于执行如下方法:
获取多个样本元素特征集合、多个样本功能区域和多个样本功能区域信息集合构建户型拆解分析模型;
从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第一样本元素特征,构建第一拆解分析节点,所述第一拆解分析节点用于判断所述多个样本元素特征集合与第一样本元素特征的多个匹配度是否满足预设匹配度;
若是,则存储至第一拆解分析节点的第一叶子节点中;
若否,则添加进第一待拆解分析结果。
进一步的,所述功能区域获得模块13用于执行如下方法:
再次从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第二样本元素特征,构建第二拆解分析节点,所述第二拆解分析节点用于判断所述第一待拆解分析结果与第一样本元素特征的多个匹配度是否满足预设匹配度,获得第二叶子节点和第二待拆解分析结果;
再次从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第P样本元素特征,构建第P拆解分析节点,所述第P拆解分析节点用于判断第P-1待拆解分析结果与第P-1样本元素特征的多个匹配度是否满足预设匹配度,获得第P叶子节点和第P待拆解分析结果;
利用多个样本功能区域和多个样本功能区域信息集合匹配第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果,区匹配结果中的众数,分别对第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果进行标识;
根据所述第一拆解分析节点、第二拆解分析节点和第P拆解分析节点,以及标识后的第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果生成所述户型拆解分析模型;
将所述目标元素特征集合传输至所述户型拆解分析模型中进行户型拆解,获得所述N个功能区域和N个功能区域信息集合。
进一步的,所述结构参数集获得模块14用于执行如下方法:
以南立面开窗结构为索引,对所述目标户型图纸集的N个功能区域进行结构数据提取,获得N个南向窗墙比;
以屋面天窗结构为索引进行结构数据提取,获得N个区域天窗面积占比和N个天窗传热系数;
以屋顶坡度为索引进行结构数据提取,获得N个不透明屋顶坡度和N个透明屋顶坡度;
根据所述N个南向窗墙比、N个区域天窗面积占比、N个天窗传热系数、N个不透明屋顶坡度和N个透明屋顶坡度生成所述N个功能区域外围结构参数集。
进一步的,所述框体结构系数获得模块15用于执行如下方法:
以N个功能区域外围结构参数集为x轴,以目标户型层高为y轴,以目标户型位置为z轴,构建框体结构系数计量模块的框架;
获取多个样本功能区域外围结构参数集、多个样本目标户型层高、多个样本目标户型位置输入框体结构系数计量模块的框架中,获得多个样本坐标点,并利用对应的多个样本框体结构系数对多个样本坐标点进行标识;
根据标识后的多个样本坐标点和框体结构系数计量模块的框架生成所述框体结构系数计量模块;
将根据N个功能区域外围结构参数集、目标户型层高、目标户型位置输入所述框体结构系数计量模块中,生成所述N个功能区域的N个框体结构系数。
进一步的,所述框体结构系数获得模块15用于执行如下方法:
根据所述N个功能区域外围结构参数集、目标户型层高、目标户型位置生成N个目标坐标点;
采集分别距离N个目标坐标点满足预设距离值的N个样本坐标点集合进行系数均值化处理,获得N个框体结构系数。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.基于深度学习的户型图拆解分析方法,其特征在于,所述方法包括:
采集目标户型图的基本信息,其中,所述基本信息包括目标户型图纸集、目标户型层高、目标户型位置;
以元素特征集合为索引对所述目标户型图纸集进行元素提取,获得目标元素特征集合,所述目标元素特征集合具有位置标识;
基于所述目标元素特征集合对所述目标户型图进行拆解,获得N个功能区域和N个功能区域信息集合;
基于所述目标户型图纸集和N个功能区域信息集合采集所述N个功能区域的建筑外围护结构参数,获得N个功能区域外围结构参数集;
根据N个功能区域外围结构参数集、目标户型层高、目标户型位置生成所述N个功能区域的N个框体结构系数;
根据N个框体结构系数对目标户型图的N个功能区域进行家装设计。
2.如权利要求1所述的方法,其特征在于,所述以元素特征集合为索引对所述目标户型图纸集进行元素提取,获得目标元素特征集合,所述方法包括:
获取户型图中的墙体信息,生成第一元素特征集,其中,所述墙体信息包括承重墙和非承重墙;
获取户型图中的空间参数,生成第二元素特征集,其中,所述空间参数包括空间尺寸、空间面积;
获取户型图中的物品标识类型,生成第三元素特征集,其中,所述物品标识类型包括厨具标识、电器标识、家居标识、水暖标识;
根据第一元素特征集、第二元素特征集和第三元素特征集生成所述元素特征集合。
3.如权利要求2所述的方法,其特征在于,所述基于所述目标元素特征集合对所述目标户型图进行拆解,所述方法包括:
获取多个样本元素特征集合、多个样本功能区域和多个样本功能区域信息集合构建户型拆解分析模型;
从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第一样本元素特征,构建第一拆解分析节点,所述第一拆解分析节点用于判断所述多个样本元素特征集合与第一样本元素特征的多个匹配度是否满足预设匹配度;
若是,则存储至第一拆解分析节点的第一叶子节点中;
若否,则添加进第一待拆解分析结果。
4.如权利要求3所述的方法,其特征在于,所述方法包括:
再次从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第二样本元素特征,构建第二拆解分析节点,所述第二拆解分析节点用于判断所述第一待拆解分析结果与第一样本元素特征的多个匹配度是否满足预设匹配度,获得第二叶子节点和第二待拆解分析结果;
再次从所述多个样本元素特征集合中不放回随机选取一样本元素特征集合作为第P样本元素特征,构建第P拆解分析节点,所述第P拆解分析节点用于判断第P-1待拆解分析结果与第P-1样本元素特征的多个匹配度是否满足预设匹配度,获得第P叶子节点和第P待拆解分析结果;
利用多个样本功能区域和多个样本功能区域信息集合匹配第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果,区匹配结果中的众数,分别对第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果进行标识;
根据所述第一拆解分析节点、第二拆解分析节点和第P拆解分析节点,以及标识后的第一叶子节点、第二叶子节点、第P叶子节点和第P待拆解分析结果生成所述户型拆解分析模型;
将所述目标元素特征集合传输至所述户型拆解分析模型中进行户型拆解,获得所述N个功能区域和N个功能区域信息集合。
5.如权利要求1所述的方法,其特征在于,所述方法包括:
以南立面开窗结构为索引,对所述目标户型图纸集的N个功能区域进行结构数据提取,获得N个南向窗墙比;
以屋面天窗结构为索引进行结构数据提取,获得N个区域天窗面积占比和N个天窗传热系数;
以屋顶坡度为索引进行结构数据提取,获得N个不透明屋顶坡度和N个透明屋顶坡度;
根据所述N个南向窗墙比、N个区域天窗面积占比、N个天窗传热系数、N个不透明屋顶坡度和N个透明屋顶坡度生成所述N个功能区域外围结构参数集。
6.如权利要求1所述的方法,其特征在于,所述方法包括:
以N个功能区域外围结构参数集为x轴,以目标户型层高为y轴,以目标户型位置为z轴,构建框体结构系数计量模块的框架;
获取多个样本功能区域外围结构参数集、多个样本目标户型层高、多个样本目标户型位置输入框体结构系数计量模块的框架中,获得多个样本坐标点,并利用对应的多个样本框体结构系数对多个样本坐标点进行标识;
根据标识后的多个样本坐标点和框体结构系数计量模块的框架生成所述框体结构系数计量模块;
将根据N个功能区域外围结构参数集、目标户型层高、目标户型位置输入所述框体结构系数计量模块中,生成所述N个功能区域的N个框体结构系数。
7.如权利要求6所述的方法,其特征在于,所述方法包括:
根据所述N个功能区域外围结构参数集、目标户型层高、目标户型位置生成N个目标坐标点;
采集分别距离N个目标坐标点满足预设距离值的N个样本坐标点集合进行系数均值化处理,获得N个框体结构系数。
8.基于深度学习的户型图拆解分析系统,其特征在于,所述系统包括:
基本信息采集模块,所述基本信息采集模块用于采集目标户型图的基本信息,其中,所述基本信息包括目标户型图纸集、目标户型层高、目标户型位置;
目标元素特征获得模块,所述目标元素特征获得模块用于以元素特征集合为索引对所述目标户型图纸集进行元素提取,获得目标元素特征集合,所述目标元素特征集合具有位置标识;
功能区域获得模块,所述功能区域获得模块用于基于所述目标元素特征集合对所述目标户型图进行拆解,获得N个功能区域和N个功能区域信息集合;
结构参数集获得模块,所述结构参数集获得模块用于基于所述目标户型图纸集和N个功能区域信息集合采集所述N个功能区域的建筑外围护结构参数,获得N个功能区域外围结构参数集;
框体结构系数获得模块,所述框体结构系数获得模块用于根据N个功能区域外围结构参数集、目标户型层高、目标户型位置生成所述N个功能区域的N个框体结构系数;
家装设计模块,所述家装设计模块用于根据N个框体结构系数对目标户型图的N个功能区域进行家装设计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311169936.2A CN116933380A (zh) | 2023-09-12 | 2023-09-12 | 基于深度学习的户型图拆解分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311169936.2A CN116933380A (zh) | 2023-09-12 | 2023-09-12 | 基于深度学习的户型图拆解分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116933380A true CN116933380A (zh) | 2023-10-24 |
Family
ID=88384611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311169936.2A Pending CN116933380A (zh) | 2023-09-12 | 2023-09-12 | 基于深度学习的户型图拆解分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933380A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195378A (zh) * | 2023-11-02 | 2023-12-08 | 北京装库创意科技有限公司 | 一种基于大数据的家居布局优化方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130073420A1 (en) * | 2011-09-20 | 2013-03-21 | Doodle Enterprises LLC | System and Method for Interior Design |
CN111291442A (zh) * | 2020-02-28 | 2020-06-16 | 湖北工业大学 | 一种高层住宅被动式节能反向设计系统及设计方法 |
CN111798340A (zh) * | 2020-06-24 | 2020-10-20 | 北京字节跳动网络技术有限公司 | 户型图标识方法、装置和电子设备 |
CN112232131A (zh) * | 2020-09-18 | 2021-01-15 | 云南省设计院集团有限公司 | 基于计算机视觉的户型特征指标自动提取方法及系统 |
CN114972579A (zh) * | 2022-06-22 | 2022-08-30 | 北京城市网邻信息技术有限公司 | 户型图构建方法、装置、设备及存储介质 |
CN116153505A (zh) * | 2023-04-21 | 2023-05-23 | 苏州森斯缔夫传感科技有限公司 | 基于医用压力传感器的危重病人体征智能识别方法及系统 |
-
2023
- 2023-09-12 CN CN202311169936.2A patent/CN116933380A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130073420A1 (en) * | 2011-09-20 | 2013-03-21 | Doodle Enterprises LLC | System and Method for Interior Design |
CN111291442A (zh) * | 2020-02-28 | 2020-06-16 | 湖北工业大学 | 一种高层住宅被动式节能反向设计系统及设计方法 |
CN111798340A (zh) * | 2020-06-24 | 2020-10-20 | 北京字节跳动网络技术有限公司 | 户型图标识方法、装置和电子设备 |
CN112232131A (zh) * | 2020-09-18 | 2021-01-15 | 云南省设计院集团有限公司 | 基于计算机视觉的户型特征指标自动提取方法及系统 |
CN114972579A (zh) * | 2022-06-22 | 2022-08-30 | 北京城市网邻信息技术有限公司 | 户型图构建方法、装置、设备及存储介质 |
CN116153505A (zh) * | 2023-04-21 | 2023-05-23 | 苏州森斯缔夫传感科技有限公司 | 基于医用压力传感器的危重病人体征智能识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
理查德·O. 杜达等: "《模式分类 原书第2版 典藏版》", 机械工业出版社, pages: 384 - 385 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195378A (zh) * | 2023-11-02 | 2023-12-08 | 北京装库创意科技有限公司 | 一种基于大数据的家居布局优化方法及系统 |
CN117195378B (zh) * | 2023-11-02 | 2024-02-06 | 北京装库创意科技有限公司 | 一种基于大数据的家居布局优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sangogboye et al. | Performance comparison of occupancy count estimation and prediction with common versus dedicated sensors for building model predictive control | |
Symonds et al. | Overheating in English dwellings: comparing modelled and monitored large-scale datasets | |
Carpino et al. | Energy performance gap of a nearly Zero Energy Building (nZEB) in Denmark: The influence of occupancy modelling | |
Strzalka et al. | 3D City modeling for urban scale heating energy demand forecasting | |
CN116933380A (zh) | 基于深度学习的户型图拆解分析方法及系统 | |
CN108416707A (zh) | 房屋户型评估方法及装置 | |
CN112183826B (zh) | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 | |
Pernigotto et al. | Analysis and improvement of the representativeness of EN ISO 15927-4 reference years for building energy simulation | |
CN113343334B (zh) | 基于空调能耗敏感变量的跨建筑空调能耗预测方法及装置 | |
Labat et al. | Numerical estimation and sensitivity analysis of the energy demand for six industrial buildings in France | |
Rodríguez-Vázquez et al. | Coupling building energy simulation and computational fluid dynamics: An overview | |
Lu et al. | Smart blueprints: automatically generated maps of homes and the devices within them | |
Laborda et al. | Towards finding the optimal location of a ventilation inlet in a roof monitor skylight, using visual and thermal performance criteria, for dwellings in a Mediterranean climate | |
Arendt et al. | Influence of input data on airflow network accuracy in residential buildings with natural wind-and stack-driven ventilation | |
Na et al. | Performance evaluation of building designs with BIM-based spatial patterns | |
CN112948928B (zh) | 基于建筑信息模型的净空高度计算方法及相关装置 | |
Daskalov | Prediction of temperature and humidity in a naturally ventilated pig building | |
Scanu et al. | Model tuning approach for energy management of office and apartment settings | |
Zhang et al. | Thermal comfort modeling of office buildings based on improved random forest algorithm | |
Andrade-Cabrera et al. | A study on the trade-off between energy forecasting accuracy and computational complexity in lumped parameter building energy models | |
JP4437187B2 (ja) | 建築内外の熱環境予測方法及び装置 | |
Alnusairat | Approaches to skycourt design and performance in high-rise office buildings in a temperate climate | |
Liu | A systematic approach for major renovation of residential buildings | |
Ramírez et al. | Characterization of temperature gradients according to height in a baroque church by means of wireless sensors | |
CN112418668A (zh) | 一种天然气分布式能源区域用户冷热电负荷预测方法及系统 |
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 |