技术特征：
1.一种基于深度学习的装修家具自动布局方法，其特征在于，包括：根据家具平面布局户型空间样本构建深度学习训练的样本；基于所述样本建立家具自动布局深度学习模型并训练；接收输入的户型图并输出家具平面布局图；将输出的家具平面布局图作为所述家具平面布局户型空间样本进行模型迭代。2.根据权利要求1所述的方法，其特征在于，所述构建深度学习训练的样本包括：对户型样本进行精品家具设计以作为所述家具平面布局户型空间样本；获取所述家具平面布局户型空间样本的每一户型空间的矢量数据；平移并转化所述户型空间的矢量数据和家具点位信息；根据转化后的所述户型空间的矢量数据绘制3通道的rgb图片；标注所述家具平面布局户型空间样本核心家具的boundingbox。3.根据权利要求2所述的方法，其特征在于，所述根据转化后的所述户型空间的矢量数据绘制3通道的rgb图片包括：将所述家具平面布局户型空间样本按空间类型在第一通道以不同的像素值绘制；将所述家具平面布局户型空间样本按门的类型在第二通道以不同的像素值绘制；将所述家具平面布局户型空间样本按窗的类型在第三通道以不同的像素值绘制。4.根据权利要求1所述的方法，其特征在于，基于所述样本建立家具自动布局深度学习模型包括：对深度学习训练的样本3通道rgb图片大小尺寸通过opencv的resize函数进行统一化处理以生成448*448*3大小图片；通过cspnet卷积网络抽取统一化处理后的3通道rgb图片的语义特征生成14*14*45数组，其中，45表示所述3通道rgb图片的9个锚框与每个锚框对应5个值的乘积，每个锚框对应5个值分别为期望目标对应的类别数值、目标的中心位置横坐标数值、纵坐标数值，目标的宽和高；将所述每个锚框对应5个值分别和标注信息计算类别损失和回归损失。5.根据权利要求4所述的方法，其特征在于，对深度学习训练的样本3通道rgb图片大小尺寸进行统一化处理之前还包括：对所述3通道rgb图片在较短的尺寸维度进行补零操作。6.根据权利要求4所述的方法，其特征在于，还包括：通过focalloss进行计算类别损失。7.根据权利要求4所述的方法，其特征在于，还包括：通过giou损失进行计算回归损失以预测目标位置，其中，giouloss的计算公式为：giouloss＝1
‑
giou；giou；其中，a为3通道rgb图片中家具物体的目标框信息，b为目标家具物体预测框信息，c为a、b最小外接外接矩形框信息。
8.一种基于深度学习的装修家具自动布局系统，其特征在于，所述系统包括：深度学习训练的样本构建模块，用于对原始户型样本进行处理以获取所述深度学习训练的样本；家具自动布局深度学习模型建立模块，用于对深度学习训练的样本信息继续处理以建立所述家具自动布局深度学习模型；输入输出模块：用于接收输入的户型图并输出家具平面布局图。9.一种计算机可读存储介质，其中存储有计算机程序，其特征在于，所述计算机程序被处理器加载执行时，实现如权利要求1至7中任一所述的基于深度学习的装修家具自动布局方法。10.一种电子设备，其特征在于，包括：处理器、存储器及通信接口；其中，所述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如权利要求1至7中任一所述的基于深度学习的装修家具自动布局方法；所述通信接口用于实现访问装置与其他设备之间的通信。
技术总结
本发明提供一种基于深度学习的装修家具自动布局方法及系统。所述方法包括：根据家具平面布局户型空间样本构建深度学习训练的样本；基于所述样本建立家具自动布局深度学习模型并训练；接收输入的户型图并输出家具平面布局图；将输出的家具平面布局图作为所述家具平面布局户型空间样本进行模型迭代。本发明解决了传统家具布局模型复杂，准确率低，设计表达弱，泛化能力差的问题。泛化能力差的问题。泛化能力差的问题。
技术研发人员：夏江东 周海
受保护的技术使用者：百安居信息技术（上海）有限公司
技术研发日：2021.09.22
技术公布日：2021/11/28