[发明专利]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

权利要求书

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Mask R-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Mask R-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Mask R-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Mask R-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Mask R-CNN框架中进行特征提取并生成候选区域；

通过Mask R-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：

训练单元，用于根据训练样本采用Mask R-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Mask R-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。

10.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：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6任一项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。