家装设计图纸的生成方法和装置
阅读：963发布：2024-01-27
专利汇可以提供家装设计图纸的生成方法和装置专利检索，专利查询，专利分析的服务。并且本 申请 提供一种家装设计图纸的生成方法，所述方法包括：接收客户端发送的图纸生成 请求 ；其中，所述图纸请求依据用户输入的户型图处理得到；解析所述图纸生成请求获得所述户型图的房屋参数，调用预先部署的网络模型对所述房屋参数进行网络处理；其中，所述网络模型是利用收集的样本家装设计图纸对pix2pixHD网络训练得到的模型；获取所述网络模型输出的图片数据；将所述图片数据发送至客户端转换成目标家装设计图纸。该方案不需要对图纸数据进行标注，从而大大降低 数据处理 时间以及成本投入，可以快速生成高 质量 的目标家装设计图纸。，下面是家装设计图纸的生成方法和装置专利的具体信息内容。
1.一种家装设计图纸的生成方法，其特征在于，包括如下步骤：
接收客户端发送的图纸生成请求；其中，所述图纸请求依据用户输入的户型图处理得到；
解析所述图纸生成请求获得所述户型图的房屋参数，调用预先部署的网络模型对所述房屋参数进行网络处理；其中，所述网络模型是利用收集的样本家装设计图纸对pix2pixHD网络训练得到的模型；
获取所述网络模型输出的图片数据；
将所述图片数据发送至客户端转换成目标家装设计图纸。
2.根据权利要求1所述的家装设计图纸的生成方法，其特征在于，所述图纸请求依据用户输入的户型图信息和家装设计风格类型得到；
所述解析所述图纸生成请求获得所述户型图的房屋参数，调用预先部署的网络模型对所述房屋参数进行网络处理，包括：
解析所述图纸生成请求获得户型图的房屋参数和用户设定的家装设计风格类型，根据所述家装设计风格类型调用相应的网络模型，对所述房屋参数进行网络处理。
3.根据权利要求1所述的家装设计图纸的生成方法，其特征在于，所述户型图为毛坯房户型图，所述目标家装设计图纸为高清大图图纸。
4.根据权利要求1至3任一项所述的家装设计图纸的生成方法，其特征在于，所述调用预先部署的网络模型对所述房屋参数进行网络处理的步骤之前，还包括：
收集高清的样本家装设计图纸；
基于深度学习网络框架搭建pix2pixHD网络，并输入所述样本家装设计图纸及其对应的空白户型图，对所述pix2pixHD网络进行模型训练得到所述网络模型。
5.根据权利要求4所述的家装设计图纸的生成方法，其特征在于，在收集高清的样本家装设计图纸之后，所述基于深度学习网络框架搭建pix2pixHD网络，并输入所述样本家装设计图纸及其对应的空白户型图，对所述pix2pixHD网络进行模型训练得到所述网络模型之前，还包括：
对所述样本家装设计图纸的图片数据进行预处理，将所述样本家装设计图纸处理成统一像素尺寸的图片。
6.根据权利要求4所述的家装设计图纸的生成方法，其特征在于，所述对所述pix2pixHD网络进行模型训练得到所述网络模型过程中，利用高显存的GPU计算服务器对所述pix2pixHD网络进行模型训练，并对pix2pixHD网络模型的超参数进行调优。
7.根据权利要求4所述的家装设计图纸的生成方法，其特征在于，所述pix2pixHD网络包括G1生成器和G2生成器；其中，所述G1生成器为全局生成网络，所述G2生成器为局部提升网络；
所述G1生成器用于将低分辨率的空白户型图生成低分辨率图纸，所述G2生成器用于将G1生成器输出的低分辨率图纸与所述空白户型图融合得到高清的目标家装设计图纸。
8.根据权利要求6所述的家装设计图纸的生成方法，其特征在于，所述G1生成器包括：
(F) (R) (B)
卷积前向到端部分G1 、残差结构G1 和反卷积后向到端部分G1 ；；
所述G2生成器包括：用于提取特征的卷积前向到端部分G2(F)和反向卷积部分G2(O)；
其中，所述卷积前向到端部分G2(F)用于与所述G1生成器输出层的前一层特征进行相加融合输出融合信息，所述反向卷积部分G2(O)用于接收所述融合信息并输出高分辨的图像。
9.根据权利要求8所述的家装设计图纸的生成方法，其特征在于，所述对所述pix2pixHD网络进行模型训练得到所述网络模型，包括：
将样本家装设计图纸及其对应的空白户型图输入到G1生成器中的卷积前向到端部分G1(F)、残差结构G1(R)和反卷积后向到端部分G1(B)进行处理，生成低分辨率设计图纸；
将低分辨率设计图纸、空白户型图以及所述样本家装设计图纸，输入到D1低分辨率判别器中进行真假判断，并根据D1低分辨率判别器的损失函数调整所述G1生成器的参数；
将G1生成器输出的所述低分辨率设计图纸和空白户型图输入所述G2生成器中，通过卷积前向到端部分G2(F)对所述空白户型图进行特征提取，并与所述低分辨率设计图纸进行相加融合得到残差块，将所述残差块与反向卷积部分G2(O)进行反卷积输出高清设计图纸；
将所述高清设计图纸和空白户型图输入到D2高分辨率判别器进行真假判断，使得D2高分辨率判别器产生的损失函数与D1低分辨率判别器的损失函数结构一致；
优化所述损失函数并更新G1生成器和G2生成器的参数，直至所述损失函数达到目标条件。
10.根据权利要求9所述的家装设计图纸的生成方法，其特征在于，所述收集高清的多种家装设计风格类型的样本家装设计图纸；
所述对所述pix2pixHD网络进行模型训练得到所述网络模型，包括：
根据各种家装设计风格类型分别对所述pix2pixHD网络进行模型训练得到多种家装设计风格类型的网络模型。
家装设计图纸的生成方法和装置
技术领域
[0001] 本申请涉及家装设计技术领域，具体而言，本申请涉及一种家装设计图纸的生成方法、装置、计算机设备及计算机可读存储介质。
背景技术
[0002] 家装设计行业是一个专业的行业，目前市面上的样本家装设计图纸，大多是由装修公司的专业设计师，根据客户提供的家装户型图，利用专业的设计软件绘制而成。在这个过程中，对设计师而言，仅仅按照用户的需求完成设计方案，也需要大约2天的时间，同时还需要不断地与客户进行沟通需求；对用户而言，存在设计费用过高、设计师水平良莠不齐、无法满足个性化需求等问题。
[0006] 第三，基于模板数据库的匹配，根据客户的户型图，在数据库中进行搜索匹配。
[0008] 传统的机器学习方法都需要对图片数据进行打标，这个过程，需要投入大量的人力以及时间，而且标注的数据质量难以保证，在一些已用方案中，运用DCGAN网络实现家装功能区划分以实现家具的排布，这些传统的GAN网络，如DCGAN等方案难以使用大量训练数据，生成的图片分辨率低，不适合投入到工程运用，难以达到实际使用要求。
[0009] 综上所述，现有的智能家装设计技术中，生成的目标家装设计图纸效果较差，难以在保证图片质量情况下生成高清的目标家装设计图纸。
[0010] 申请内容
[0012] 一种家装设计图纸的生成方法，包括如下步骤：
[0014] 解析所述图纸生成请求获得所述户型图的房屋参数，调用预先部署的网络模型对所述房屋参数进行网络处理；其中，所述网络模型是利用收集的样本家装设计图纸对pix2pixHD网络训练得到的模型；
[0015] 获取所述网络模型输出的图片数据；
[0016] 将所述图片数据发送至客户端转换成目标家装设计图纸。
[0018] 所述解析所述图纸生成请求获得所述户型图的房屋参数，调用预先部署的网络模型对所述房屋参数进行网络处理，包括：
[0019] 解析所述图纸生成请求获得户型图的房屋参数和用户设定的家装设计风格类型，根据所述家装设计风格类型调用相应的网络模型，对所述房屋参数进行网络处理。
[0020] 在一个实施例中，所述户型图为毛坯房户型图，所述目标家装设计图纸为高清大图图纸。
[0021] 在一个实施例中，所述的家装设计图纸的生成方法，还包括：
[0022] 收集高清的样本家装设计图纸；
[0024] 在一个实施例中，在收集高清的样本家装设计图纸之后，还包括：
[0026] 在一个实施例中，所述对所述pix2pixHD网络进行模型训练得到所述网络模型过程中，利用高显存的GPU计算服务器对所述pix2pixHD网络进行模型训练，并对pix2pixHD网络模型的超参数进行调优。
[0027] 在一个实施例中，所述pix2pixHD网络包括G1生成器和G2生成器；其中，所述G1生成器为全局生成网络，所述G2生成器为局部提升网络；
[0028] 所述G1生成器用于将低分辨率的空白户型图生成低分辨率图纸，所述G2生成器用于将G1生成器输出的低分辨率图纸与所述空白户型图融合得到高清的目标家装设计图纸。
[0029] 在一个实施例中，所述G1生成器包括：卷积前向到端部分G1(F)、残差结构G1(R)和反卷积后向到端部分G1(B)；；
[0030] 所述G2生成器包括：用于提取特征的卷积前向到端部分G2(F)和反向卷积部分G2(O)；
[0032] 在一个实施例中，所述对所述pix2pixHD网络进行模型训练得到所述网络模型，包括：
[0033] 将样本家装设计图纸及其对应的空白户型图输入到G1生成器中的卷积前向到端(F) (R) (B)部分G1 、残差结构G1 和反卷积后向到端部分G1 进行处理，生成低分辨率设计图纸；
[0034] 将低分辨率设计图纸、空白户型图以及所述样本家装设计图纸，输入到D1低分辨率判别器中进行真假判断，并根据D1低分辨率判别器的损失函数调整所述G1生成器的参数；
[0035] 将G1生成器输出的所述低分辨率设计图纸和空白户型图输入所述G2生成器中，通(F)过卷积前向到端部分G2 对所述空白户型图进行特征提取，并与所述低分辨率设计图纸进行相加融合得到残差块，将所述残差块与反向卷积部分G2(O)进行反卷积输出高清设计图纸；
[0036] 将所述高清设计图纸和空白户型图输入到D2高分辨率判别器进行真假判断，使得D2高分辨率判别器产生的损失函数与D1低分辨率判别器的损失函数结构一致；
[0037] 优化所述损失函数并更新G1生成器和G2生成器的参数，直至所述损失函数达到目标条件。
[0038] 在一个实施例中，所述收集高清的多种家装设计风格类型的样本家装设计图纸；
[0039] 所述对所述pix2pixHD网络进行模型训练得到所述网络模型，包括：
[0040] 根据各种家装设计风格类型分别对所述pix2pixHD网络进行模型训练得到多种家装设计风格类型的网络模型。
[0041] 一种家装设计图纸的生成装置，包括：
[0042] 接收模块，用于接收客户端发送的图纸生成请求；其中，所述图纸请求依据用户输入的户型图处理得到；
[0043] 调用模块，用于解析所述图纸生成请求获得所述户型图的房屋参数，调用预先部署的网络模型对所述房屋参数进行网络处理；其中，所述网络模型是利用收集的样本家装设计图纸对pix2pixHD网络训练得到的模型；
[0044] 获取模块，用于获取所述网络模型输出的图片数据；
[0045] 发送模块，用于将所述图片数据发送至客户端转换成目标家装设计图纸。
[0046] 一种计算机设备，其包括：
[0047] 一个或多个处理器；
[0048] 存储器；
[0049] 一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行如上述的家装设计图纸的生成方法。
[0050] 一种计算机可读存储介质，所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述家装设计图纸的生成方法。
[0051] 上述家装设计图纸的生成方法、装置、计算机设备及计算机可读存储介质，通过接收客户端发送的依据用户输入的户型图处理得到的图纸生成请求，对其进行解析获得户型图的房屋参数，调用预先部署的pix2pixHD网络训练得到的网络模型对房屋参数进行网络处理得到图片数据，然后发送至客户端转换成目标家装设计图纸。该技术方案可以充分利用现成的样本家装设计图纸，收集这些样本家装设计图纸对pix2pixHD网络训练得到网络模型，不需要对图纸数据进行标注，从而大大降低数据处理时间以及成本投入，同时，利用高清的家装设计图纸，使得训练具有高质量的训练数据，从而使得网络模型的输出图片的清晰度比较高，可以快速生成高质量的目标家装设计图纸。
[0052] 而且，通过运用pix2pixHD生成对抗网络，使得网络模型具有更强的泛化能力比较强，能够适用于多种多样的户型图，可以生成出多种多样的家装排布风格，用户完全可以根据自己的偏好，选择自己喜欢的家装设计风格类型，通过调用不同风格的家装设计风格类型生成不同风格的目标家装设计图纸。
[0054] 本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0055] 图1是本申请技术方案实现的网络结构图；
[0056] 图2是一种家装设计图纸的生成方法流程图；
[0057] 图3是家装设计图纸的生成流程图；
[0058] 图4是pix2pixHD网络模型的训练方法流程图；
[0059] 图5是搭建的pix2pixHD网络结构示意图；
[0060] 图6是生成器网络结构示意图；
[0061] 图7是输入毛坯房户型图；
[0062] 图8是生成的目标家装设计图纸；
[0063] 图9是一种家装设计图纸的生成装置结构示意图。
具体实施方式
[0064] 下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
[0065] 本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
[0066] 本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
[0067] 在实施本申请技术方案时，可以运行在一计算机设备上，也可以运行在服务器上，或者运行云端平台上，通过部署在这些设备上.参考图1，图1是本申请技术方案实现的网络结构图，用户通过客户端访问服务器，如在web客户端输入户型图，客户端生成相应的请求发送至服务器进行处理并返回处理结果至web客户端，用户即可以快速得到所需的确保质量和高清的目标家装设计图纸。
[0068] 参考图2，图2是一种家装设计图纸的生成方法流程图，包括如下步骤：
[0069] S110，接收客户端发送的图纸生成请求；其中，所述图纸请求依据用户输入的户型图处理得到。
[0070] 在此步骤中，用户通过web客户端输入户型图，可以是设计师已经绘制好的户型图，也可以是用户直接上传的户型图。作为实施例，该户型图可以是毛坯房户型图。
[0071] S120，解析所述图纸生成请求获得所述户型图的房屋参数，调用预先部署的网络模型对所述房屋参数进行网络处理；其中，所述网络模型是利用收集的样本家装设计图纸对pix2pixHD(像素对像素高清图像)网络训练得到的模型。
[0072] 此步骤中，服务器接收到图纸生成请求后，解析该图纸生成请求获得户型图的房屋参数，然后调用预先部署的网络模型对房屋参数进行网络处理；
[0073] 对于所述网络模型，是利用收集高清的样本家装设计图纸对pix2pixHD网络训练得到的模型。将整理过的家装设计图纸分成毛坯房的户型设计图，以及设计师的家装设计图。
[0075] 在目前的智能家装领域，相关的技术平台已经积累了大量的高清的家装设计图纸，设计图纸。本申请方案可以充分利用这些技术平台中获取的高清的样本家装设计图纸进行运用，通过分析整理这些样本家装设计图纸用于模型的训练，不需要对图纸数据进行标注，从而大大降低数据处理时间以及成本投入。
[0076] S130，获取所述网络模型输出的图片数据。
[0077] 此步骤中，服务器通过pix2pixHD网络模型输出图片数据。
[0078] S140，将所述图片数据发送至客户端转换成目标家装设计图纸。
[0079] 此步骤中，服务器将图片数据发送至客户端，客户端将图片数据转换成目标家装设计图纸。由于pix2pixHD网络模型利用已有的目标家装设计图纸进行训练得到，使得输出能够很好的符合用户的实际需求。
[0080] 而且通过提高训练的网络模型的样本家装设计图纸的质量，目标家装设计图纸可以生成为高清大图图纸，即输出的目标家装设计图纸可以生成出高清大图。
[0081] 基于上述实施例，本申请技术方案，通过接收客户端发送的依据用户输入的户型图处理得到的图纸生成请求，对其进行解析获得户型图的房屋参数，调用预先部署的pix2pixHD网络模型对房屋参数进行网络处理得到图片数据，然后发送至客户端转换成目标家装设计图纸。
[0082] 本申请实施例的技术方案，可以部署在服务器上，其实施流程可以参考图3所示，图3是家装设计图纸的生成流程图；客户端将毛坯房户型图的图片数据转换成计算机能读取的数据，调用API接口(Restful API接口)向服务器发送图纸生成请求，服务器接收到图纸生成请求后，通过解析和网络处理后生成图片数据，返回生成的图片数据至客户端，客户端经过数据转换之后输出目标家装设计图纸，如高清(4096*2048)的家装设计图纸。
[0083] 综上所述，本申请方案可以充分利用现成的高清的样本家装设计图纸，收集这些样本家装设计图纸对pix2pixHD网络训练得到的模型，不需要对图纸数据进行标注，从而大大降低数据处理时间以及成本投入，同时基于高质量的训练数据，可以使得网络模型的输出图片的清晰度比较高，实现快速生成高质量的目标家装设计图纸的效果。
[0084] 为了更加清晰本申请的技术方案，下面结合更多实施例对本申请技术方案进行阐述。
[0085] 在一个实施例中，所述图纸请求可以依据用户输入的户型图和家装设计风格类型得到；也即服务器可以预先训练兵部署多种家装设计风格类型的网络模型。
[0086] 实际使用中，服务器可以提供多种家装设计风格类型给用户进行选择，用户可以根据实际情况选择所需的家装设计风格类型。
[0087] 对于步骤S120中解析所述图纸生成请求获得所述户型图的房屋参数，调用预先部署的网络模型对所述房屋参数进行网络处理的过程，可以包括如下：
[0088] 解析所述图纸生成请求获得户型图的房屋参数和用户设定的家装设计风格类型，根据所述家装设计风格类型调用相应的网络模型，对所述房屋参数进行网络处理。
[0089] 上述实施例方案，通过运用pix2pixHD生成对抗网络，使得网络模型具有更强的泛化能力比较强，能够适用于多种多样的户型图，可以生成出多种多样的家装排布风格，用户完全可以根据自己的偏好，选择自己喜欢的家装设计风格类型，通过调用不同风格的家装设计风格类型生成不同风格的目标家装设计图纸。
[0090] 在上述各实施例中，陈述了本申请中的网络模型是利用收集的样本家装设计图纸对pix2pixHD网络训练得到的模型。下面结合相关实施例对本申请中的网络模型(下文称pix2pixHD网络模型)的结构及其训练过程进行进一步阐述。
[0091] 在一个实施例中，对于pix2pixHD网络模型的训练方法，参考图4所示，图4是pix2pixHD网络模型的训练方法流程图，主要包括如下过程：
[0092] S201，收集高清的样本家装设计图纸。
[0093] 实际应用中，由于现有技术中积累了大量的高清的家装设计图纸，收集这些高清的家装设计图纸分析整理，可以获取大量高清的样本家装设计图纸用于模型的训练。
[0094] S202，对所述样本家装设计图纸的图片数据进行预处理，将所述样本家装设计图纸处理成统一像素尺寸的图片。
[0095] 此步骤为可选择执行步骤，为了将样本家装设计图纸的图片数据更好的输入模型训练之中，可以利用Open CV技术对样本家装设计图纸进行处理，将样本家装设计图纸统一处理成2048*1024像素的图片。
[0096] S203，基于深度学习网络框架搭建pix2pixHD网络，并输入所述样本家装设计图纸及其对应的空白户型图；对所述pix2pixHD网络进行模型训练得到所述网络模型。
[0097] 此步骤中，首先搭建pix2pixHD网络，然后对其进行模型训练。参考图5，图5是搭建的pix2pixHD网络结构示意图；可以利用tensor flow深度学习网络框架搭建pix2pixHD网络。
[0098] 作为优选实施例，在对所述pix2pixHD网络进行模型训练得到所述网络模型过程中，可以利用高显存的GPU计算服务器对所述pix2pixHD网络进行模型训练；具体的，搭建好网络之后，利用高显存的GPU计算服务器进行模型训练，然后对pix2pixHD网络模型的超参数进行调优，可以提高图片输出的效果。
[0099] 上述实施例方案，通过使用pix2pixHD网络模型，解决了装修图纸设计问题，实际测试中，输入的是毛坯房户型图纸经过pix2pixHD网络模型进行处理后可以输出的是4096*2048的高清的目标家装设计图纸。
[0100] 在一个实施例中，继续参考图5，所述pix2pixHD网络可以包括G1生成器和G2生成器，即为由粗到细的生成器，；其中，所述G1生成器为全局生成网络，所述G2生成器为局部提升网络。
[0101] 所述G1生成器用于将低分辨率的空白户型图生成低分辨率图纸，所述G2生成器用于将G1生成器输出的低分辨率图纸与所述空白户型图融合得到高清的目标家装设计图纸。
[0102] 进一步的，所述G1生成器可以包括：卷积前向到端部分G1(F)、残差结构G1(R)和反卷积后向到端部分G1(B)；所述G2生成器包括：用于提取特征的卷积前向到端部分G2(F)和反向卷积部分G2(O)；其中，所述卷积前向到端部分G2(F)用于与所述G1生成器输出层的前一层特征进行相加融合输出融合信息，所述反向卷积部分G2(O)用于接收所述融合信息并输出高分辨的图像数据。
[0103] 参考图6，图6是生成器网络结构示意图，可以看出，pix2pixHD网络结构的生成器包括一个全局生成网络G1和一个局部提升网络G2；G1网络可以采用的是一个end2end(端到端)的U-Net网络结构，通过卷积前向到端部分G1(F)、残差结构G1(R)和反卷积后向到端部分G1(B)：将一个分辨为2048*1024的标签图，经过上述三个网络部分，可以生成一个2048*1024的图像。G2生成器通过卷积前向到端部分G2(F)提取特征并与G1生成器输出层的前一层特征进(O)行相加融合，把融合后的信息送入和反向卷积部分G2 输出高分辨的图像。与全局生成器网络G1生成器不同，残差块G2(R)的输出是两个特征图的对应元素之和：也就是G2(F)提取的特征图与G1输出层的前一层特征图，有助于整合G1生成器的全局信息到G2生成器。
[0104] 作为实施例，基于上述结构pix2pixHD网络结构的生成器，在S203的对所述pix2pixHD网络进行模型训练得到所述网络模型的过程，可以包括如下步骤：
[0105] (1)将样本家装设计图纸及其对应的空白户型图输入到G1生成器中的卷积前向到端部分G1(F)、残差结构G1(R)和反卷积后向到端部分G1(B)进行处理，生成低分辨率设计图纸。
[0106] 具体的，可以将经过预处理的样本家装设计图纸(2048*1024的图片数据),获取样本家装设计图纸的语义标签和边界标签，并将这两个标签拼接在一起，同时将输入样本家装设计图纸经过一个Encoder(编码网络)后得到特征图，然后根据获取的标签做average pooling获得instance-wise feature map，最后将获取的标签以及特征图，一起输入到G1生成器生成一个低分辨率的目标家装设计图纸(如2048*1024的图纸)。
[0107] 为了使得生成目标家装设计图纸的多样性以及提高模型的泛化能力，这里优选使用Dropout。
[0108] (2)将低分辨率设计图纸、空白户型图以及所述样本家装设计图纸，输入到D1低分辨率判别器中进行真假判断，并根据D1低分辨率判别器的损失函数调整所述G1生成器的参数。
[0109] 具体的，可以将生成的低分辨率设计图纸与输入图片以及定稿的目标家装设计图纸一起，输入到D1判别器网络中，对完整的样本家装设计图纸以及G1生成器生成的图纸进行2倍和4倍下采样，创建3个不用尺寸的图像金字塔。然后，构建相同网络结构的判别网络，分别作用3个不同尺寸的图像上进行区别真实和合成的图像。
[0110] 在该判别网络中产生的损失为：
[0111]
[0112] 为了提升对抗损失，需要将输入数据与真实数据(完整的样本家装设计图纸)计算损失，用于学习真实和合成图像中的中间表示，这个损失也会使得网络模型的训练更加稳定，具体的损失函数如下：
[0113]
[0114] 其中， 表示的是鉴别器Dk的第i层特征提取器(从输入到Dk的第i层)，T是总共的层数，Ni是每层的元素数。
[0115] (3)将G1生成器输出的所述低分辨率设计图纸和空白户型图输入所述G2生成器(F)中，通过卷积前向到端部分G2 对所述空白户型图进行特征提取，并与所述低分辨率设计图纸进行相加融合得到残差块，将所述残差块与反向卷积部分G2(O)进行反卷积输出高清设计图纸。
[0116] 具体的，可以将G1生成器生成的图片与毛坯房户型图输入到G2生成器中。首先G2生(F)成器的G2 对毛坯房户型图进行特征提取，提取的特征与G1生成器输出的前一层特征进行相加融合得到残差块，将残差块与G1生成器生成的低分率样本家装设计图纸，经过一个后向反卷积的过程生成出4096*2048的高清的样本家装设计图纸。
[0117] (4)将所述高清设计图纸和空白户型图输入到D2高分辨率判别器进行真假判断，使得D2高分辨率判别器产生的损失函数与D1低分辨率判别器的损失函数结构一致。
[0118] 具体的，将高清的样本家装设计图纸与空白户型图输入到D2判别网络中，3产生的损失函数与上述D1网路的损失函数结构一致。
[0119] (5)优化所述损失函数并更新G1生成器和G2生成器的参数，直至所述损失函数达到目标条件。
[0120] 具体的，优化整个损失函数，更新参数，是的整个pix2pixHD网络的目标损失函数为：
[0121]
[0122] 作为实施例，进一步的，在步骤S201收集高清的样本家装设计图纸时，可以收集高清的多种家装设计风格类型的样本家装设计图纸；由此，在步骤S S203中对所述pix2pixHD网络进行模型训练得到所述网络模型时，可以根据各种家装设计风格类型分别对所述pix2pixHD网络进行模型训练得到多种家装设计风格类型的网络模型。
[0123] 通过利用多种多样的样本家装设计图纸，训练得到多种家装设计风格类型的网络模型，用户完全可以根据自己的偏好，选择自己喜欢的家装设计风格类型，通过调用不同风格的家装设计风格类型生成不同风格的目标家装设计图纸。
[0124] 综合上述各个实施例提供的方案，本申请将pix2pixHD网络模型运用到家装设计图纸的生成中，并扩大网络模型训练使用数据，可以生成分辨率更高的图纸。同时使用对抗生成网络，不需要对图纸数据进行标注，从而大大降低数据处理时间以及人力投入，保证了生存图纸的质量。
[0125] 参考图7和图8，图7是输入毛坯房户型图，图8是生成的高清的目标家装设计图纸。本申请的方案运用生成对抗网络，训练好模型，然后模型部署在服务器上，可实现与设计软件结合，同时也可以部署成web界面，不论是设计师还是普通客户都可以使用，只需要绘制好的空白户型图，或者上传空白户型图，并调用训练好的网络模型，就可以在2分钟内完成高清家装设计图纸的生成，用户只需要根据自己的偏好稍作调整就可以完成高清目标家装设计图纸的设计，整个过程耗时大约10分钟左右，大大节约了时间，提高了效率。
[0126] 通过运用pix2pixHD生成对抗网络，可以生成出多种多样的家装排布风格，用户完全可以根据自己的偏好，选择自己喜欢的家装设计方案。通过调用不同风格的网络模型，就可以生成不同风格的家装设计图。
[0127] 对于训练神经网络模型，利用了海量的清晰的目标家装设计图纸，通过python程序处理，后获得了多张高质量的目标家装设计图纸。从而使得模型的输出图片的清晰度比较高，以及模型的泛化能力比较强，能够适用于多种多样的毛坯户型图纸。在网络模型训练中，使用了dropout技术，增加了图片输出的多样性，提高模型的泛化能力。
[0128] 参加图9，图9是一种家装设计图纸的生成装置结构图，主要包括：
[0129] 接收模块110，用于接收客户端发送的图纸生成请求；其中，所述图纸请求依据用户输入的户型图处理得到；
[0130] 调用模块120，用于解析所述图纸生成请求获得所述户型图的房屋参数，调用预先部署的网络模型对所述房屋参数进行网络处理；其中，所述网络模型是利用收集的样本家装设计图纸对pix2pixHD网络训练得到的模型；
[0131] 获取模块130，用于获取所述网络模型输出的图片数据；
[0132] 发送模块140，用于将所述图片数据发送至客户端转换成目标家装设计图纸。
[0133] 下面陈述计算机设备及其存储介质实施例。
[0134] 一种计算机设备，其包括：
[0135] 一个或多个处理器；
[0136] 存储器；
[0137] 一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行如上述的家装设计图纸的生成方法。
[0138] 一种计算机可读存储介质，所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述家装设计图纸的生成方法。
[0139] 应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0140] 以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 高密度管脚QFN的封装结构与方法 | 2020-05-08 | 81 |
| 一种引线框架收料机 | 2020-05-08 | 896 |
| 亥姆霍兹共振器及基于其的低频宽带吸声降噪结构 | 2020-05-08 | 796 |
| LED箱体及LED显示屏 | 2020-05-08 | 348 |
| 一种轻小型相控阵天线 | 2020-05-08 | 202 |
| 一种压电驱动音圈马达 | 2020-05-08 | 165 |
| 基于深度学习的无监督端到端的驾驶环境感知方法 | 2020-05-11 | 788 |
| 学生安全意识评估系统及方法 | 2020-05-11 | 375 |
| 分析板的置放用支架和分析套件 | 2020-05-08 | 344 |
| 液冷电池箱体 | 2020-05-08 | 982 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
框架热门专利
QQ群二维码
意见反馈
意见反馈