基于深度卷积神经网络的户型图语义自动分析方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110059690A(43)申请公布日2019.07.26(21)申请号201910242006.2(22)申请日2019.03.28(71)申请人广州智方信息科技有限公司地址510006广东省广州市番禺区外环西路100号广东工业大学理学馆104(72)发明人聂佩林程智锋柯雨良(74)专利代理机构广州嘉权专利商标事务所有限公司44205代理人胡辉黎扬鹏(51)Int.Cl.G06K9/34(2006.01)G06K9/62(2006.01)权利要求书2页说明书6页附图2页(54)发明名称基于深度卷积神经网络的户型图语义自动分析方法及系统(57)摘要本发明公开了一种基于深度卷积神经网络的户型图语义自动分析方法及系统，方法包括：获取包含户型图的第一图像；采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象，所述户型图的第一对象包括户型图中区域的轮廓、户型图中区域的位置、户型图中区域的尺寸和户型图中区域的功能。本发明采用了深度卷积神经网络算法来准确识别出户型图中区域的轮廓、区域的位置、区域的尺寸以及区域的功能等具体布局信息，从而通过语义自动识别提供了更丰富的细节信息，效率高且更加方便。本发明可广泛应用于计算机应用领域。CN110059690ACN110059690A权利要求书1/2页1.基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：包括以下步骤：获取包含户型图的第一图像；采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象，所述户型图的第一对象包括户型图中区域的轮廓、户型图中区域的位置、户型图中区域的尺寸和户型图中区域的功能。2.根据权利要求1所述的基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：所述获取包含户型图的第一图像这一步骤，具体为：通过对户型拍照的方式获取包含户型图的第一图像并上传；或者，通过互联网搜索的方式获取包含户型图的第一图像；或者，通过第三方接口获取包含户型图的第一图像。3.根据权利要求1所述的基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：所述采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象这一步骤，具体包括：根据训练样本采用MaskR-CNN算法进行模型训练，得到户型图语义识别模型；将第一图像输入户型图语义识别模型，识别得到户型图的第一对象。4.根据权利要求3所述的基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：所述根据训练样本采用MaskR-CNN算法进行模型训练，得到户型图语义识别模型这一步骤，具体包括：对训练样本进行分类标注，得到标注后的训练样本，所述分类标注在训练样本中标注出第一区域，所述第一区域包括卧室、厕所、客厅、厨房和阳台；采用MaskR-CNN算法对标注后的训练样本进行模型训练，得到户型图语义识别模型。5.根据权利要求4所述的基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：所述采用MaskR-CNN算法对训练样本进行模型训练，得到户型图语义识别模型这一步骤，具体包括：将训练样本输入MaskR-CNN框架中进行特征提取并生成候选区域；通过MaskR-CNN框架的分支网络对候选区域进行分类并生成边界框和掩模，其中，分类并生成边界框用于识别户型图的种类和户型图中区域的功能；分支网络中掩模分支以像素到像素的方式预测户型图像的分割掩模，从而自动识别户型图并生成户型图语义识别模型。6.根据权利要求1所述的基于深度卷积神经网络的户型图语义自动分析方法，其特征在于：还包括以下步骤：根据户型图的第一对象生成户型的模型。7.基于深度卷积神经网络的户型图语义自动分析系统，其特征在于：包括：获取模块，用于获取包含户型图的第一图像；语义自动识别模块，用于采用深度卷积神经网络算法对第一图像进行语义自动识别，得到户型图的第一对象，所述户型图的第一对象包括户型图中区域的轮廓、户型图中区域的位置、户型图中区域的尺寸和户型图中区域的功能。8.根据权利要求7所述的基于深度卷积神经网络的户型图语义自动分析系统，其特征在于：所述语义自动识别模块包括：2CN110059690A权利要求书2/2页训练单元，用于根据训练样本采用MaskR-CNN算法进行模型训练，得到户型图语义识别模型；识别单元，用于将第一图像输入户型图语义识别模型，识别得到户型图的第一对象。9.根据权利要求8所述的基于深度卷积神经网络的户型图语义自动分析系统，其特征在于：所述识别单元具体包括：分类标注子单元，用于对训练样本进行分类标注，得到标注后的训练样本，所述分类标注在训练样本中标注出第一区域，所述第一区域包括卧室、厕所、客厅、厨房和阳台；训练子单元，用于采用MaskR-CNN算法