一种基于户型数据增广的二维户型信息识别与提取方法与流程

1.本发明涉及计算机技术领域，尤其是一种基于户型数据增广的二维户型信息识别与提取方法。


背景技术：

2.全屋定制是集家居设计及定制、安装等服务为一体的家居定制解决方案。全屋定制不仅环保，家具材料自己选择，还可以全方位的满足业主的需求，更可以按照业主的生活习惯量身定制，更具人性化。
3.户型，就是全屋定制设计最开始实现的一步，也是非常关键的一步，全屋户型结构的重现，环境的布局，整体的尺寸，都影响着设计的效果，更直接决定了全屋软装设计的方向与思路。整体的风格设计，也是决定了柜子、家具的风格选择。所以，构建消费者实际的建筑户型模型是一切工作的基础。
4.基础的户型由墙、窗和门三个元素组成，以往需要设计师根据用户提供的户型图纸一道道进行绘制，工作效率低。现有的一种三维户型重建技术，先预处理墙体图，再进行细化操作获取墙体中线，最后对墙体中线修正获取墙体的结构信息；再根据墙体图获取门窗与墙体的位置关系，利用位置关系在户型图中相应位置处进行门窗子图切割，再对切割处的门窗子图进行识别，继而从户型图中获取门窗的结构信息。该方法需使用墙体图和户型图共同作用才能获取到门窗墙的结构信息。而在一些应用场景之下，仅需要对户型图进行智能识别，便能获取到门窗墙的特征，再进行后处理即可获取该户型门窗墙的结构信息进行户型重建。


技术实现要素：

5.有鉴于此，本发明实施例提供一种效率高的基于户型数据增广的二维户型信息识别与提取方法，以提高模型性能表现。
6.本发明实施例的一方面提供了一种基于户型数据增广的二维户型信息识别与提取方法，包括：
7.结合户型建模数据与先验户型图案例贴图构建ai模型训练数据集；
8.根据ai模型的可靠性指标，通过自定义配置文件的方式对所述训练数据集进行处理，输出户型图训练样本以及标注文件；
9.根据所述户型图训练样本以及所述标注文件训练ai模型，获取户型门、窗、墙的分割预测结果；
10.迭代优化分割预测结果，获取门、窗、墙的中线位置信息进行户型重建。
11.可选地，所述方法还包括制作户型识别训练数据集的步骤，该步骤包括：
12.对历史户型三维模型数据进行解析与预处理；
13.进行户型图绘制；
14.进行不确定度检查与数据优化。
15.可选地，所述对历史户型三维模型数据进行解析与预处理，包括：
16.根据历史户型建模三维数据的相关文件，利用自研解析工具整理出户型信息，所述户型信息包括户型区域、墙体、门窗结构体以及家具在空间上的信息；
17.结合自定义的配置文件，将所述户型信息进行数据预处理；
18.所述结合自定义的配置文件，将所述户型信息进行数据预处理，包括：
19.将物体尺寸与绝对位置之间的量纲进行统一配置；
20.参考先验户型图样例，总结出常见的家具类别，包括柜体、床、沙发以及桌子；
21.对墙线进行同向与闭环处理，使得外包围墙体轮廓为相同的首尾方向且实现区域闭环；
22.将解析出来的墙体信息转变为墙块轮廓端点，成为单独色块区域；若配置文件指定变化墙厚，则进行墙体与家具的干涉检查，以家具位置为准确定墙厚是否合理；计算出全图最小包围盒，所述全图最小包围盒用于计算全图缩放倍率；
23.门窗结构体区域生成；
24.家具区域生成与可见优先排序。
25.可选地，所述进行户型图绘制，包括：
26.根据配置文件中的尺寸单位与像素关系、单位像素尺度以及指定全图分辨率，计算缩放倍率后进行数据全局缩放；
27.对所有预绘制的结构数据，在预先准备好的样式库中进行类别、物体名称以及比例匹配，获取最佳匹配项链接的进svg文件中的image标签，并指定填充或平铺以及缩放选项；
28.将贴图按照需要放置贴图的结构的obb进行旋转并对齐，生成svg格式标签；对于不需要贴图的结构，直接将关键点编码成svg格式；
29.根据数据预处理过程中生成的色块区域进行户型图标注。
30.可选地，所述进行不确定度检查与数据优化，包括：
31.采用不确定度作为衡量模型的户型图识别结果的可靠性指标之一，用来判断模型识别的可信程度；
32.针对不确定度高的地方，通过设置配置文件指定位置的绘制需求，生成一批样本进行优化。
33.可选地，所述根据所述户型图训练样本以及所述标注文件训练ai模型，获取户型门、窗、墙的分割预测结果，包括：
34.使用deeplab v3+算法对输入的户型图纸进行识别和分割，得到低维特征；
35.串联和并行不同空洞率的空洞卷积，获取上下文信息和多尺度信息，在控制特征图分辨率的同时引入较大感受野，把提取出来的特征图传入aspp空洞空间金字塔池化模块，得到高维特征；
36.将所述低维特征和所述高维特征进行连接处理，得到语义分割预测结果。
37.可选地，所述迭代优化分割预测结果，获取门、窗、墙的中线位置信息进行户型重建，包括：
38.从分割预测结果中进行房间轮廓优化；
39.以水平、竖直方向偏移20
°
以内寻找水平、竖直墙体组合，以并查集方式获取同方
向对齐墙体组合，以此将连接可能产生的斜墙拉直。
40.本发明实施例的另一方面还提供了一种基于户型数据增广的二维户型信息识别与提取装置，包括：
41.第一模块，用于结合户型建模数据与先验户型图案例贴图构建ai模型训练数据集；
42.第二模块，用于根据ai模型的可靠性指标，通过自定义配置文件的方式对所述训练数据集进行处理，输出户型图训练样本以及标注文件；
43.第三模块，用于根据所述户型图训练样本以及所述标注文件训练ai模型，获取户型门、窗、墙的分割预测结果；
44.第四模块，用于迭代优化分割预测结果，获取门、窗、墙的中线位置信息进行户型重建。
45.本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
46.所述存储器用于存储程序；
47.所述处理器执行所述程序实现如前面所述的方法。
48.本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
49.本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
50.本发明的实施例结合户型建模数据与先验户型图案例贴图构建ai模型训练数据集；根据ai模型的可靠性指标，通过自定义配置文件的方式对所述训练数据集进行处理，输出户型图训练样本以及标注文件；根据所述户型图训练样本以及所述标注文件训练ai模型，获取户型门、窗、墙的分割预测结果；迭代优化分割预测结果，获取门、窗、墙的中线位置信息进行户型重建。本发明提高了效率，能够提高模型性能表现。
附图说明
51.为了更清楚地说明本技术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技术的一些实施例，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。
52.图1为本发明实施例的整体步骤流程图；
53.图2为fine-tune前后背景区域不确定度对比示意图；
54.图3为分割预测结果墙体可视化示意图；
55.图4为户型重建结果示意图。
具体实施方式
56.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并
不用于限定本技术。
57.针对当前户型图数据存在的小样本问题(样本少、样本多样性不足以及户型标注的低效率等)，提出一种基于户型建模数据与市面上常见户型图案例贴图相结合的构建ai模型训练数据集的方法，结合ai模型可靠性指标，可通过自定义配置文件的方式针对性输出户型图训练样本以及标注文件，有效提高模型性能表现。
58.在训练好ai模型后，对输入户型图纸进行预测，拿到户型的门、窗、墙及背景的特征。先将门、窗、墙特征分别处理，计算出墙体的厚度。再通过迭代优化对多边形的顶点坐标进行优化以及缩减顶点的数量，提取出墙体的骨架和轮廓。再通过联合对齐，将墙体轮廓突出点删除，墙体横竖对齐，并拉平墙体的直角拐角，最后将墙体中线中多余的点删除，得到门、窗、墙的中线的位置信息，再将信息导入三维建模程序中，即可完成户型建模。
59.具体地，本实例所述一种基于图片进行户型识别与重建的方法。其方法流程图如图1所示。首先，结合户型建模数据与市面上常见户型图案例贴图构建ai模型训练数据集，再结合ai模型可靠性指标，通过自定义配置文件的方式针对性输出户型图训练样本以及标注文件。然后，训练ai模型获取户型门、窗、墙的分割预测结果。最后，迭代优化分割预测结果获取门、窗、墙的中线位置信息进行户型重建。具体地，包括以下步骤：
60.1、户型识别训练数据集制作：
61.i.历史户型三维模型数据解析与预处理：
62.a.根据历史户型建模三维数据有关文件，利用自研解析工具整理出户型信息，包括户型区域、墙体、门窗结构体以及家具等的在空间上的信息。
63.b.结合自定义的配置文件，将上述户型信息进行数据预处理。
64.a)统一量纲。由于绝对位置与物体尺寸通常在设置时选择的量纲不同，为后续缩放方便，先进行量纲统一。
65.b)家具过滤。考虑人为收集样式贴图的局限性，并参考目前网络上常见的户型图样例，总结出常见的家具类别，包括柜体、床、沙发以及桌子等，以及在二维户型图上显示效果不明显或是出现概率小的类别，如挂画等，基于此结合产品数据库进行过滤，以降低数据处理成本。
66.c)户型内子区域轮廓处理。为方便轮廓绘制和地面贴图，对墙线进行同向与闭环处理，使得外包围墙体轮廓为相同的首尾方向且实现区域闭环。
67.d)墙块生成。将解析出来的墙体信息(端点和墙宽)，转变为墙块轮廓端点，成为单独色块区域；若配置文件指定变化墙厚，则还会进行墙体与家具的干涉检查，以家具位置为准确定墙厚是否合理；此外，在进行该过程的同时，也会计算出全图最小包围盒，用以后期计算全图缩放倍率。
68.e)门窗结构体区域生成。除了墙体外，门窗或是家具均存在朝向，而单开门还会存在左右开的问题，因此需要为该几类物体生成有向包围盒(oriented bounding box，obb)从而确定区域；对于门窗通常表现为两部分组成：墙体重合区域以及非墙体区域，如门槛石部分或是平窗区域通常会和墙体重合，因此为后续渲染方便，对于存在墙体重合区域需要对墙体进行分割，即原墙体根据重合区域分开成两部分；其余区域则将局部obb进行定点旋转即可得到最终的区域。
69.f)家具区域生成与可见优先排序。如e)所述，同理为家具生成obb；此外，由于二维
户型图为俯视图，因此存在上下遮挡问题，需要对数据进行排序，得到渲染顺序，以保证俯视覆盖关系合理。
70.ii.户型图绘制：
71.c.全局比例缩放。根据配置文件中的尺寸单位与像素关系、单位像素尺度以及指定全图分辨率，计算缩放倍率后进行数据全局缩放；
72.d.绘制。
73.a)对所有预绘制的结构数据，在预先准备好的样式库中进行类别、物体名称以及比例匹配，获取最佳匹配项链接的进svg文件中的image标签，并指定填充或平铺以及缩放选项等。
74.b)将贴图按照需要放置贴图的结构的obb进行旋转并对齐，生成svg格式标签；对于不需要贴图的结构，直接将关键点编码成svg格式；两者都需指定边框、填充等具体绘制信息，至此完成户型图绘制。
75.e.户型图标注。在数据预处理过程中生成的色块区域，本质就是需要标注的区域，因此根据指定标注类型，如最小包围盒(bounding box，bbox)或是obb,即可实现自动化标注文件的生成。
[0076]ⅲ.不确定度检查与数据优化：
[0077]
f.采用不确定度作为衡量模型的户型图识别结果的可靠性指标之一，判断模型识别的可信程度。具体表现为，在验证模型阶段打开模型dropout层，用同样的数据进行n次预测，得到多个预测值，此时将均值作为模型最终预测值，而多个预测值的方差即不确定度。
[0078]
g.模型高不确定性理论上可以通过提供更多训练数据来弥补，因此针对不确定度高的地方，通过设置配置文件指定位置的绘制需求，生成一批样本进一步进行fine-tune，一定程度上提高模型的识别性能。比如，在变化墙厚度出现的户型图中效果不佳，则生成一批随机墙厚的户型图；对于存在标注线框的户型图，则可通过插入多种标注线框干扰项的方式生成户型图。如图2所示，为fine-tune前后背景区域不确定度对比示意图。
[0079]
2、根据语义分割算法对户型图纸进行语义分割预测：
[0080]
基于已有的深度学习语义分割技术，改进神经网络模型和损失函数，通过收集好的户型识别数据集进行训练。
[0081]ⅰ.使用deeplab v3+算法对输入的户型图纸进行识别和分割。
[0082]
将户型识别数据集输入到一个预训练好的resnet50的神经网络中提取出对应的feature map。
[0083]
ii.串联和并行不同空洞率的空洞卷积，获取更多上下文、多尺度信息，在控制特征图分辨率的同时引入较大感受野；
[0084]
把提取出来的feture map f0传入aspp空洞空间金字塔池化模块，分别是两部分:
[0085]
h.1*1卷积和三个3*3的空洞率为别为6、12和18的空洞卷积，卷积之后都跟了对应的bn层。
[0086]
i.对输入的f0的所有通道做全局平均池化，然后通过1*1卷积构建新的特征图，最后再通过双线性插值得到所需分辨率的特征图。
[0087]
将a和b两部的输出concat起来，再输入1*1的卷积得到最终的特征图f1；
[0088]ⅲ.将第ⅱ步得到的高维特征f1和第ⅰ步得到的低维特征f0 concat起来，提高分
割边界准确度：
[0089]
j.先将高维特征双线性插值得到
×
4的特征f2；
[0090]
k.再用1*1的卷积对低维特征f0进行降维得到f3；
[0091]
l.将f2和f3 concat起来；
[0092]
m.再用3*3的卷积对concat起来的特征做进一步融合，最后再双线性插值得到与原始图片相同大小的分割预测p,墙体分割结果可视化如图3。
[0093]
3、迭代优化分割结果，得到门、窗、墙中线位置信息，并转换成户型文件格式完成户型重建，如图4。
[0094]
从分割预测结果中分离出门、窗、墙的分割结果，通过遍历像素计算墙体的厚度，再进行骨架提取获取整体户型的轮廓，做如下的迭代优化获取门、窗、墙的中线位置信息。
[0095]
i.房间轮廓优化：
[0096]
n.多边形顶点坐标优化与缩减。当多边形的两个顶点距离低于阈值时把两个点融合成一个点，坐标取平均值。当多边形两条边的垂直度低于阈值时，去除中间点，连接两端点，将两条边拉平成一条边。
[0097]
o.墙交叉点坐标优化与缩减。当一堵墙的端点与另一堵墙的端点的距离低于阈值时，把融合成墙的交叉点，坐标取平均值。当某个点与一条边的距离低于阈值时，将该点并入该边，一条边变成两条边。上述阈值为墙的厚度的一半。
[0098]
ii.联合对齐：
[0099]
以水平、竖直方向偏移20
°
以内寻找水平、竖直墙体组合，根据以下三个规则以并查集方式获取同方向对齐墙体组合，以此将连接可能产生的斜墙拉直。
[0100]
p.同方向共点；
[0101]
q.同方向有一条公共斜墙(不设置阈值)；
[0102]
r.同方向且垂直距离和最短距离小于阈值(应对三边交点，阈值需小否则阶梯面被过滤)。
[0103]
综上所述，本发明的方法具有以下特点：
[0104]
1、基于历史户型建模数据和贴图的定制化户型图数据增广模块；
[0105]
2、基于不确定度的户型识别评价指标与训练数据优化方法；
[0106]
3、迭代优化房间顶点和墙体交叉点得到中线位置信息的方法；
[0107]
4、以并查集方式结合规则拉直后处理可能产生斜墙的方法。
[0108]
本发明具有以下优点：
[0109]
应用本方法后，设计师再无需根据用户提供的户型图纸，按照图纸上的标注尺寸，运用墙线绘制功能和门窗设计功能一一对户型进行建模，可直接上传户型图纸，设置好比例尺信息，一键完成户型图的识别和建模。操作简单，降低了设计师的技术要求，大大提高设计师户型建模的设计效率。
[0110]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被
改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0111]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0112]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0113]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0114]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(ram)、只读存储器(rom)、可擦除可编辑只读存储器(eprom或闪速存储器)、光纤装置以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0115]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0116]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0117]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0118]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：
1.一种基于户型数据增广的二维户型信息识别与提取方法，其特征在于，包括：结合户型建模数据与先验户型图案例贴图构建ai模型训练数据集；根据ai模型的可靠性指标，通过自定义配置文件的方式对所述训练数据集进行处理，输出户型图训练样本以及标注文件；根据所述户型图训练样本以及所述标注文件训练ai模型，获取户型门、窗、墙的分割预测结果；迭代优化分割预测结果，获取门、窗、墙的中线位置信息进行户型重建。2.根据权利要求1所述的一种基于户型数据增广的二维户型信息识别与提取方法，其特征在于，所述方法还包括制作户型识别训练数据集的步骤，该步骤包括：对历史户型三维模型数据进行解析与预处理；进行户型图绘制；进行不确定度检查与数据优化。3.根据权利要求2所述的一种基于户型数据增广的二维户型信息识别与提取方法，其特征在于，所述对历史户型三维模型数据进行解析与预处理，包括：根据历史户型建模三维数据的相关文件，利用自研解析工具整理出户型信息，所述户型信息包括户型区域、墙体、门窗结构体以及家具在空间上的信息；结合自定义的配置文件，将所述户型信息进行数据预处理；所述结合自定义的配置文件，将所述户型信息进行数据预处理，包括：将物体尺寸与绝对位置之间的量纲进行统一配置；参考先验户型图样例，总结出常见的家具类别，包括柜体、床、沙发以及桌子；对墙线进行同向与闭环处理，使得外包围墙体轮廓为相同的首尾方向且实现区域闭环；将解析出来的墙体信息转变为墙块轮廓端点，成为单独色块区域；若配置文件指定变化墙厚，则进行墙体与家具的干涉检查，以家具位置为准确定墙厚是否合理；计算出全图最小包围盒，所述全图最小包围盒用于计算全图缩放倍率；门窗结构体区域生成；家具区域生成与可见优先排序。4.根据权利要求2所述的一种基于户型数据增广的二维户型信息识别与提取方法，其特征在于，所述进行户型图绘制，包括：根据配置文件中的尺寸单位与像素关系、单位像素尺度以及指定全图分辨率，计算缩放倍率后进行数据全局缩放；对所有预绘制的结构数据，在预先准备好的样式库中进行类别、物体名称以及比例匹配，获取最佳匹配项链接的进svg文件中的image标签，并指定填充或平铺以及缩放选项；将贴图按照需要放置贴图的结构的obb进行旋转并对齐，生成svg格式标签；对于不需要贴图的结构，直接将关键点编码成svg格式；根据数据预处理过程中生成的色块区域进行户型图标注。5.根据权利要求1所述的一种基于户型数据增广的二维户型信息识别与提取方法，其特征在于，所述进行不确定度检查与数据优化，包括：采用不确定度作为衡量模型的户型图识别结果的可靠性指标之一，用来判断模型识别
的可信程度；针对不确定度高的地方，通过设置配置文件指定位置的绘制需求，生成一批样本进行优化。6.根据权利要求1所述的一种基于户型数据增广的二维户型信息识别与提取方法，其特征在于，所述根据所述户型图训练样本以及所述标注文件训练ai模型，获取户型门、窗、墙的分割预测结果，包括：使用deeplab v3+算法对输入的户型图纸进行识别和分割，得到低维特征；串联和并行不同空洞率的空洞卷积，获取上下文信息和多尺度信息，在控制特征图分辨率的同时引入较大感受野，把提取出来的特征图传入aspp空洞空间金字塔池化模块，得到高维特征；将所述低维特征和所述高维特征进行连接处理，得到语义分割预测结果。7.根据权利要求1所述的一种基于户型数据增广的二维户型信息识别与提取方法，其特征在于，所述迭代优化分割预测结果，获取门、窗、墙的中线位置信息进行户型重建，包括：从分割预测结果中进行房间轮廓优化；以水平、竖直方向偏移20
°
以内寻找水平、竖直墙体组合，以并查集方式获取同方向对齐墙体组合，以此将连接可能产生的斜墙拉直。8.一种基于户型数据增广的二维户型信息识别与提取装置，其特征在于，包括：第一模块，用于结合户型建模数据与先验户型图案例贴图构建ai模型训练数据集；第二模块，用于根据ai模型的可靠性指标，通过自定义配置文件的方式对所述训练数据集进行处理，输出户型图训练样本以及标注文件；第三模块，用于根据所述户型图训练样本以及所述标注文件训练ai模型，获取户型门、窗、墙的分割预测结果；第四模块，用于迭代优化分割预测结果，获取门、窗、墙的中线位置信息进行户型重建。9.一种电子设备，其特征在于，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。

技术总结
本发明公开了一种基于户型数据增广的二维户型信息识别与提取方法，方法包括：结合户型建模数据与先验户型图案例贴图构建AI模型训练数据集；根据AI模型的可靠性指标，通过自定义配置文件的方式对所述训练数据集进行处理，输出户型图训练样本以及标注文件；根据所述户型图训练样本以及所述标注文件训练AI模型，获取户型门、窗、墙的分割预测结果；迭代优化分割预测结果，获取门、窗、墙的中线位置信息进行户型重建。本发明的效率高，能提高模型性能表现，可广泛应用于计算机技术领域。可广泛应用于计算机技术领域。可广泛应用于计算机技术领域。


技术研发人员：王兵 柯建生 戴振军 陈学斌
受保护的技术使用者：广州极点三维信息科技有限公司
技术研发日：2023.04.11
技术公布日：2023/8/14