一种基于概率模型及像素统计模型的房屋装修程度识别系统和方法技术方案

本发明专利技术提供了一种基于概率模型及像素统计模型的房屋装修程度识别系统和方法，包括：搜索和下载房源图集的模型、无效图过滤模型、户型图识别模型、像素统计分析模型、拼图模型、概率判定模型、完成实时请求加载响应的模型。一种利用所述装修程度识别系统的装修程度识方法，包括以下步骤：查询并下载房源图；将下载的图片加载入无效图过滤模型、户型图识别模型、像素统计分析模型；将识别出的非毛坯房的图片传入拼图模型，生成房源代表图；将拼好的图片加载入概率判断模型中，判定此房源的装修情况，返回结果给用户。本发明专利技术通过在深度学习图片分类模型的基础上应用了概率判定模型，提高了识别准确率，达到了工程应用的准确性要求。

A recognition system and method of house decoration degree based on probability model and pixel statistical model

【技术实现步骤摘要】
一种基于概率模型及像素统计模型的房屋装修程度识别系统和方法
本专利技术涉及一种房屋装修程度识别系统和方法，具体涉及一种基于概率模型及像素统计模型的房屋装修程度识别系统和方法。
技术介绍
现有的房屋装修程度识别系统和方法中，由于房源图图片由于精装简装特征区分不明显、精装特征性太强、毛坯特征性较弱，导致的直接应用深度学习模型的识别准确率很低。本专利技术针对大数据平台上实时准确的进行房屋图装修程度识别的问题，提出一种基于概率模型及像素统计模型的房屋图装修程度识别系统和方法，可实时在大数据平台的GPU上加载房屋下的所有图片数据，加载的图片数据经过系统计算后，实时返回结果给请求前端。针对房屋图集中的场景图纷杂难取的数据问题，通过多种像素统计模型进行准确计算识别，保证了后续识别流程所需数据的准确性和有代表性。最后通过GPU内存的智能分配、计算程序的智能预加载、概率模型与像素统计模型组合识别，实现房屋图装修程度识别系统实时获取加载房屋图集、智能准确房屋场景分类、精准装修程度计算识别、实时计算返回的功能，以满足房屋图装修程度识别所需的准确性和实时性。
技术实现思路
本专利技术针对大数据平台上实时准确的进行房屋图装修程度识别的问题，提出一种基于概率模型及像素统计模型的房屋图装修程度识别系统和方法，可实时在大数据平台的GPU上加载房屋下的所有图片数据，加载的图片数据经过系统计算后，实时返回结果给请求前端。本专利技术的技术方案如下：一种基于概率模型及像素统计模型的房屋图装修程度识别系统，系统包括：搜索和下载房源图集的模型、无效图过滤模型、户型图识别模型、像素统计分析模型、拼图模型、概率判定模型、完成实时请求加载响应的模型；所述的搜索和下载房源图集的模型中，采用分布式的数据库存储房源图片下载地址，模型实时收集用户的请求数据后，快速高并发地从分布式的数据库中获取房源图下载地址，然后利用模型中的下载模块下载图集；所述的分布式的数据库是由4台服务器搭建的数据库集群，通过多个服务器分配负载，在不同位置存储数据；针对常用的查询表列建立索引；所述下载模块支持HTTP连接保持和连接池，支持使用cookie保持会话，支持文件上传，支持自动确定响应内容的编码，支持国际化的URL和POST数据自动编码；所述的无效图过滤模型通过比较RGB三个通道的值过滤掉无效的黑白图或灰度图，三个通道的值相近且很小就为无效图，通过判断文件是否以\xff\xd8开头和是否以\xff\xd9结尾过滤掉损坏的图片文件；所述的户型图识别模型将图片中分布在RGB220-255的区域定义为白色区域，采集白色区域中最大像素值为枢值，计算非白色区域各像素值与枢值之间的标准差，若标准差小于设定的阀值则为户型图；所述的像素统计分析模型利用训练好的图片语义识别模型加载房源图集，识别出室内常见组件在房源图中所占的像素数，包括床、电视、窗户、马桶、地板、墙壁、天花板、灯、桌子、椅子、橱柜、油烟机、煤气灶、门、锅、碗、水龙头、淋浴头、浴缸、窗帘等；像素统计分析模型包括五套像素统计模型，用来识别房源图片所属的具体室内场景，分别是识别客厅的客厅像素统计模型、识别卧室的卧室像素统计模型、识别厨房的厨房像素统计模型、识别卫生间的卫生间像素统计模型、识别毛坯装修类型的毛坯像素统计模型；所述的图片语义识别模型是由谷歌deepLabV3+模型训练ADE20K数据集多轮后得到；所述的拼图模型通过输入4张500x500的图片，输出一张1000x1000的图片，输出图片左上角是输入的第一张，右上角是第二张，左下角是第三张，右下角是第四张；所述的概率判定模型包括三个图片分类模型，第一个是精装概率判定模型，模型输出精装的概率和毛坯的概率，第二个模型是简装概率判定模型，输出精装的概率和简装的概率，第三个模型是毛坯概率判定模型，输出简装的概率和毛坯的概率；所述的三个图片分类模型是由微软ResNet模型的变种Densenet模型经过分布式训练人工筛选得到；所述的完成实时请求加载响应的模型包含一个pythonweb容器，把所有模型预先加载到指定GPU上，并分配固定大小的显存，并对各模型识别过程做线程保护。优选的，所述的概率判定模型中分布式训练使用Horovad、NCCL、Openmpi、GPUDirect组合完成图片分类模型的多机器、多GPU分布式训练；NCCL提供经过优化的all-gather、all-reduce、broadcast、reduce-reduce-scatter例程，实现在PCIe和NVLink高速互连上的高带宽；GPUDirect允许GPU在不涉及CPU的情况下相互传输内存，Horovad是连接它们的框架。一种利用权利要求1所述装修程度识别系统的装修程度识方法，包括以下步骤：第一步，用户通过http将请求给装修程度识别系统传递房源id号，查询数据库得到此房源的所有房源图的下载地址并下载；第二步，将第一步下载的图片加载入无效图过滤模型中，分析图片文件是否以\xff\xd8开头和是否以\xff\xd9结尾，若不是则过滤掉；分析每一张图片的RGB三个通道值，若RGB三个通道的值相近且很小则过滤掉；第三步，将第二步过滤完成的图片加载入户型图识别模型，将图片中分布在RGB220-255的区域定义为白色区域，计算出白色区域中的最大像素值设为枢值，计算非白色区域各像素值与枢值之间的标准差，若标准差小于0.05则为户型图，需过滤掉；第四步，将第三步过滤完成的图片加载入像素统计分析模型中，图片统一缩放为513x513，每张图片共有263169个像素点；通过模型识别出室内具体组件所占的像素数；若马桶的像素大于200则判定为卫生间，若灶炉的像素大于200或者橱柜的像素大于30000或者油烟机的像素大于500则判定为厨房，若床的像素大于30000则判定为卧室，若沙发的像素大于10000或者客厅大灯的像素大于1000则判定为大厅；若图集全部判断完厅、室、厨房、卫生间的判断成功数量有一种为0，则分析大部分图片的墙加地面的像素，若大于200000则直接判定此房源为毛坯，否则标记为因图片缺少而无法识别的房源返回给前端；第五步，将第四步识别出的非毛坯房的第一个厅、第一个室、第一个厨房、第一个卫生间都缩放为500x500后依次传入拼图模型，生成厅、室、厨房、卫生间的组合1000x1000房源代表图；第六步，将第五步拼好的图片加载入三个概率判断模型中，在精装概率判定模型中识别为精装的概率为p1，识别为毛坯的概率为p2；在由毛坯概率判定模型中识别为简装的概率为p3，识别为毛坯的概率为p4；在简装概率判定模型中识别为简装的概率为p5，识别为精装的概率为p6；若p1大于0.999且p6大于0.999则判定此房源为精装；若p1大于0.999且p6小于等于0.999则判定此房源为简装，若p1小于等于0.999且p3大于0.9则判定此房源为简装；剩下的情况都判定为毛坯；最后返回结果给前台用户。本专利技术与现有技术相比，优点在于：1)本专利技术通本文档来自技高网...

【技术保护点】
1.一种基于概率模型及像素统计模型的房屋图装修程度识别系统和方法，其特征在于：所述识别系统包括：搜索和下载房源图集的模型、无效图过滤模型、户型图识别模型、像素统计分析模型、拼图模型、概率判定模型、完成实时请求加载响应的模型；/n所述的搜索和下载房源图集的模型中，采用分布式的数据库存储房源图片下载地址，模型实时收集用户的请求数据后，快速高并发地从分布式的数据库中获取房源图下载地址，然后利用模型中的下载模块下载图集；所述的分布式的数据库是由4台服务器搭建的数据库集群，通过多个服务器分配负载，在不同位置存储数据；针对常用的查询表列建立索引；所述下载模块支持HTTP连接保持和连接池，支持使用cookie保持会话，支持文件上传，支持自动确定响应内容的编码，支持国际化的URL和POST数据自动编码；/n所述的无效图过滤模型通过比较RGB三个通道的值过滤掉无效的黑白图或灰度图，三个通道的值相近且很小就为无效图，通过判断文件是否以\xff\xd8开头和是否以\xff\xd9结尾过滤掉损坏的图片文件；/n所述的户型图识别模型将图片中分布在RGB220-255的区域定义为白色区域，采集白色区域中最大像素值为枢值，计算非白色区域各像素值与枢值之间的标准差，若标准差小于设定的阀值则为户型图；/n所述的像素统计分析模型利用训练好的图片语义识别模型加载房源图集，识别出室内常见组件在房源图中所占的像素数，包括床、电视、窗户、马桶、地板、墙壁、天花板、灯、桌子、椅子、橱柜、油烟机、煤气灶、门、锅、碗、水龙头、淋浴头、浴缸、窗帘等；像素统计分析模型包括五套像素统计模型，用来识别房源图片所属的具体室内场景，分别是识别客厅的客厅像素统计模型、识别卧室的卧室像素统计模型、识别厨房的厨房像素统计模型、识别卫生间的卫生间像素统计模型、识别毛坯装修类型的毛坯像素统计模型；所述的图片语义识别模型是由谷歌deepLab V3+模型训练ADE20K数据集多轮后得到；/n所述的拼图模型通过输入4张500x500的图片，输出一张1000x1000的图片，输出图片左上角是输入的第一张，右上角是第二张，左下角是第三张，右下角是第四张；/n所述的概率判定模型包括三个图片分类模型，第一个是精装概率判定模型，模型输出精装的概率和毛坯的概率，第二个模型是简装概率判定模型，输出精装的概率和简装的概率，第三个模型是毛坯概率判定模型，输出简装的概率和毛坯的概率；所述的三个图片分类模型是由微软ResNet模型的变种Densenet模型经过分布式训练人工筛选得到；/n所述的完成实时请求加载响应的模型包含一个python web容器，把所有模型预先加载到指定GPU上，并分配固定大小的显存，并对各模型识别过程做线程保护。/n...

【技术特征摘要】
1.一种基于概率模型及像素统计模型的房屋图装修程度识别系统和方法，其特征在于：所述识别系统包括：搜索和下载房源图集的模型、无效图过滤模型、户型图识别模型、像素统计分析模型、拼图模型、概率判定模型、完成实时请求加载响应的模型；
所述的搜索和下载房源图集的模型中，采用分布式的数据库存储房源图片下载地址，模型实时收集用户的请求数据后，快速高并发地从分布式的数据库中获取房源图下载地址，然后利用模型中的下载模块下载图集；所述的分布式的数据库是由4台服务器搭建的数据库集群，通过多个服务器分配负载，在不同位置存储数据；针对常用的查询表列建立索引；所述下载模块支持HTTP连接保持和连接池，支持使用cookie保持会话，支持文件上传，支持自动确定响应内容的编码，支持国际化的URL和POST数据自动编码；
所述的无效图过滤模型通过比较RGB三个通道的值过滤掉无效的黑白图或灰度图，三个通道的值相近且很小就为无效图，通过判断文件是否以\xff\xd8开头和是否以\xff\xd9结尾过滤掉损坏的图片文件；
所述的户型图识别模型将图片中分布在RGB220-255的区域定义为白色区域，采集白色区域中最大像素值为枢值，计算非白色区域各像素值与枢值之间的标准差，若标准差小于设定的阀值则为户型图；
所述的像素统计分析模型利用训练好的图片语义识别模型加载房源图集，识别出室内常见组件在房源图中所占的像素数，包括床、电视、窗户、马桶、地板、墙壁、天花板、灯、桌子、椅子、橱柜、油烟机、煤气灶、门、锅、碗、水龙头、淋浴头、浴缸、窗帘等；像素统计分析模型包括五套像素统计模型，用来识别房源图片所属的具体室内场景，分别是识别客厅的客厅像素统计模型、识别卧室的卧室像素统计模型、识别厨房的厨房像素统计模型、识别卫生间的卫生间像素统计模型、识别毛坯装修类型的毛坯像素统计模型；所述的图片语义识别模型是由谷歌deepLabV3+模型训练ADE20K数据集多轮后得到；
所述的拼图模型通过输入4张500x500的图片，输出一张1000x1000的图片，输出图片左上角是输入的第一张，右上角是第二张，左下角是第三张，右下角是第四张；
所述的概率判定模型包括三个图片分类模型，第一个是精装概率判定模型，模型输出精装的概率和毛坯的概率，第二个模型是简装概率判定模型，输出精装的概率和简装的概率，第三个模型是毛坯概率判定模型，输出简装的概率和毛坯的概率；所述的三个图片分类模型是由微软ResNet模型的变种Densenet模型经过分布式训练人工筛选得到；
所述的完成实时请求加载响应的模型包含一个pythonweb容器，把所有模型预先加载到指定GPU上，并分配固定大小的显存，并对各模型识别过程做线程保护。


2.根据权利要求1所述的装修程度识别系统，其特征在于：所述...

【专利技术属性】
技术研发人员：印彬锋，杨富豪，
申请(专利权)人：南京我爱我家信息科技有限公司，
类型：发明
国别省市：北京;11