[发明专利]一种户型图的人工智能解析方法、计算机可读介质及系统

说明书

本发明涉及一种户型图的人工智能解析方法，该方法包括以下步骤：步骤S1：获取户型样本图；步骤S2：通过形状特征获得户型样本图中的建筑部分，并从建筑部分中分离出墙体特征和门窗特征；步骤S3：基于深度学习模型结合门窗特征训练一门窗检测模型，并结合在线困难样本挖掘方法优化门窗检测模型，以检测门的特征和窗的特征；及步骤S4：根据户型样本图中门的特征、窗的特征及墙体特征解析出3D户型图。以实现无人化解析二维户型图，减少人工解析成本，增加解析效率，同时结合在线困难样本挖掘方法优化门窗检测模型，以提升门窗检测模型的检测精准度和检测速度。本发明还提供一种计算机可读介质。本发明还提供一种户型图的人工智能解析系统。

【技术领域】

本发明涉及房屋建筑领域，尤其涉及一种户型图的人工智能解析方法、计算机可读介质及系统。

【背景技术】

根据户型图建筑房屋的前期阶段，一般都需要对户型图进行解析，主要是为了获得户型图的户型框架、户型图中的墙体、门、窗等重要元素，然后根据获得的元素结合市场上现有的3D建模软件中，可自动生成3D户型图。以使购房者根据可视化的3D户型图进行购房，提升购房体验的同时，还能通过提取的户型几何信息，协助建筑人员完成工程预算等工作。

传统的户型图解析一般都依赖于人工基于Cad(Computer Aided Design，计算机辅助设计)软件的手动解析，人工成本高、解析效率低下。

【发明内容】

为克服现有技术存在的问题，本发明提供一种户型图的人工智能解析方法、计算机可读介质及系统。

本发明解决技术问题的方案是提供一种户型图的人工智能解析方法，该方法包括以下步骤：步骤S1：获取户型样本图；步骤S2：通过形状特征获得户型样本图中的建筑部分，并从建筑部分中分离出墙体特征和门窗特征；步骤S3：基于深度学习模型结合门窗特征训练一门窗检测模型，并结合在线困难样本挖掘方法(OHEM，Online Hard Example Mining)优化门窗检测模型，以检测门的特征和窗的特征；及步骤S4：根据户型样本图中门的特征、窗的特征及墙体特征解析出3D户型图。

优选地，步骤S3基于深度学习模型结合门窗特征训练一门窗检测模型，以检测门的特征和窗的特征，进一步包括以下步骤：步骤S31：提取样本图中的感兴趣区域(ROI，Region Of Interest)；步骤S32：通过池化层对感兴趣区域进行降维处理；步骤S33：通过全连接层计算感兴趣区域在样本图中的类别；步骤S34：根据边框回归方法(Bounding BoxRegression)获得感兴趣区域的偏移量预测值，以对感兴趣区域的位置进行优化，并计算第一损失函数；及步骤S35：结合在线困难样本挖掘方法优化第一损失函数。

优选地，步骤S31提取样本图中的感兴趣区域，之前进一步包括以下步骤：步骤S301：使用大量包含有门窗的户型图作为训练集，并采用形状框框选出门窗特征中门的特征和窗的特征；步骤S302：根据形状框对门的特征和窗的特征作对应的标记；及步骤S303：设定门的特征和窗的特征为感兴趣区域。

优选地，步骤S1获取户型样本图，之后进一步包括以下步骤：步骤S101：调整样本图的像素；及步骤S102：将调整后的样本图裁剪至设定规格尺寸以内。

优选地，上述步骤S2中，通过深度优先遍历方法提取样本图中由线段围成的封闭区域，以获得样本图中的建筑部分。

优选地，步骤S2通过深度优先遍历方法获得户型样本图中的建筑部分，并从建筑部分中获得墙体特征和门窗特征其进一步包括以下步骤：步骤S21：提取样本图中每条线段中两端点的坐标；步骤S22：以任意线段其中一端点的坐标为起点，并选择相邻线段的坐标进行连接，形成路径进行遍历；步骤S23：返回至起点，根据遍历的路径形成一封闭区域；及步骤S24：重新选取一个端点的坐标为起点，循环上述步骤S22-步骤S23，直至遍历样本图中所有线段，并获得样本图的建筑部分。