基于机器视觉的家居识别方法、系统、装置及介质制造方法及图纸

本发明专利技术提供的基于机器视觉的家居识别方法、系统、装置及存储介质，方法包括：获确定家居所在空间，确定所述家居在所述空间中的坐标位置，根据所述坐标位置采集家居数据；根据所述家居数据训练神经网络模型，通过训练后的神经网络模型识别所述家居，其中，训练神经网络模型的步骤包括：根据所述家居数据进行物体识别，并切割得到若干子图像；对所述子图像进行细粒度分类，确定所述子图像中的所述家居。方法解决了神经网络训练数据集的规模制作成本高昂，可用性较差的问题，并降低了人工识别筛选所导致的误差，识别结果更为精准，并提高了家居识别筛选的效率，可广泛应用于机器视觉技术领域。术领域。术领域。

【技术实现步骤摘要】
基于机器视觉的家居识别方法、系统、装置及介质


[0001]本专利技术涉及机器视觉
，尤其是基于机器视觉的家居识别方法、系统及存储介质。

技术介绍

[0002]随着经济社会的不断发展，家居个性化定制已经成为一种大趋势。快速、智能的家居设计模式是家居设计软件适应个性化定制潮流的重要因素。家居个性化定制主要需求场景有：用户提供一张家居图像，设计师根据图像进行建模和报价。然而，这种纯人工设计模式耗时比较长，并且需要依赖设计师的专业知识以及对现有家居产品库的熟悉程度。随着家居产品库的不断丰富、以及家居产品的更新换代加速，传统的家居设计模式对设计师的要求越来越高，并且家居设计周期长，设计成本高。
[0003]为了降低家居设计对设计师专业技能的依赖，减轻前端设计师的工作压力，机器视觉家居识别系统以大数据作为驱动力，利用深度学习技术识别家居及其组成部件。该系统能让设计师快速识别图像中家居的信息(家居的种类、组成部件种类)，进而辅助设计师快速地进行产品建模，并快速估算家居价格，可以大大地缩短建模时间、降低建模成本和提高顾客成单率。在新产品研发过程中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器视觉的家居识别方法，其特征在于，包括以下步骤：确定家居所在空间，确定所述家居在所述空间中的坐标位置，根据所述坐标位置采集家居数据；根据所述家居数据训练神经网络模型，通过训练后的神经网络模型识别所述家居，其中，训练神经网络模型的步骤包括：根据所述家居数据根据所述家居数据进行物体识别，并切割得到若干子图像；对所述子图像进行细粒度分类，确定所述子图像中的所述家居。2.根据权利要求1所述的基于机器视觉的家居识别方法，其特征在于，所述确定家居所在空间，确定所述家居在所述空间中的坐标位置，根据所述坐标位置采集家居数据这一步骤，其包括：确定图像数据采集点的第一坐标位置，确定目标家居的第二坐标位置；确定所述目标家居在视场范围内，根据所述第一坐标位置以及所述第二坐标位置采集所述家居数据。3.根据权利要求2所述的基于机器视觉的家居识别方法，其特征在于，所述确定所述目标家居在视场范围内，根据所述第一坐标位置以及所述第二坐标位置采集所述家居数据这一步骤，其包括：确定所述视场范围内墙面的左端点与右端点；根据所述左端点、所述第一坐标位置以及所述第二坐标位置得到第一夹角，根据所述右端点、所述第一坐标位置以及所述第二坐标位置得到第二夹角；确定所述第一夹角与所述第二夹角均小于所述视场范围的视角的一半，遍历所述视场范围确定目标家居，生成所述目标家居的包围盒；当所述包围盒的顶点均在所述视场范围内，确定所述目标家居在视场范围内。4.根据权利要求1所述的基于机器视觉的家居识别方法，其特征在于，所述根据所述家居数据进行物体识别，并切割得到若干子图像这一步骤，其包括：根据所述家居数据提取得到第一特征图，在所述第一特征图中设置若干第一兴趣区域；通过分类确定所述家居所属类别；对确定类别后的家居进行边框回归，将所述第一兴趣区域进行过滤得到第二兴趣区域；将所述第二兴趣区域生成掩膜，根据所述掩膜与所述家居数据得到包含所述家居的子图像。5.根据权利要求4所述的基于机器视觉的家居识别方法，其特征在于，所述对所述子图像进行细粒度分类，确定所述子图像中的所述家居这一步骤，其包括：根据所述子图像进行特征提取得到第二特征图，根据所...

【专利技术属性】
技术研发人员：柯建生，戴振军，
申请(专利权)人：广州极点三维信息科技有限公司，
类型：发明
国别省市：