基于深度学习的户型图比例尺检测方法、装置及电子设备制造方法及图纸

本发明专利技术提供基于深度学习的户型图比例尺检测方法、装置及电子设备。所述方法包括获取户型图标尺区域位置；获取所述标尺区域中的物理尺寸区域位置；拆分并识别所述物理尺寸区域内的物理尺寸值；构造标尺端点模板对与所述标尺区域进行匹配，在匹配度超过预设阈值时获取所述标尺端点模板对的位置并确定所述标尺端点对的位置；根据所述标尺端点对的位置确定所述标尺的像素数量；对所述物理尺寸及所述标尺进行配对并根据所述标尺的像素数量确定所述户型图比例尺；验证所述户型图比例尺准确性。本发明专利技术能够提高比例尺检测的精确率，从而提升家装设计师的设计效率，打通户型识别的全自动链路，加快家装行业数字化建设的发展。加快家装行业数字化建设的发展。加快家装行业数字化建设的发展。

【技术实现步骤摘要】
基于深度学习的户型图比例尺检测方法、装置及电子设备


[0001]本专利技术涉及家装设计领域，特别是涉及一种基于深度学习的户型图比例尺检测方法、装置及电子设备。

技术介绍

[0002]目前，在家装行业户型图自动识别、家居自动布局及家装数字化建设，都需要检测户型内所有构件的物理尺寸，那么对于户型图比例尺的检测显得尤为重要。现有技术中户型图比例尺主要是通过手动输入而计算获得，以及采用常规的OCR技术，前者人工方式主要有效率低下、准确率低和无法打通户型识别的全自动链路等问题，后者存在比例尺区域定位的泛化能力不够以及比例尺识别率低等问题。

技术实现思路

[0003]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于深度学习的户型图比例尺检测方法、装置及电子设备，用于解决现有技术中的以上问题。
[0004]为实现上述目的及其他相关目的，本专利技术提供一种基于深度学习的户型图比例尺检测方法、装置及电子设备，所述方法包括：获取户型图标尺区域位置；获取所述标尺区域中的物理尺寸区域位置；识别所述物理尺寸区域内的物理尺寸值；构造标尺端点模板对并与所述标尺区域进行匹配，在匹配度超过预设阈值时获取所述标尺端点模板对的位置并计算所述标尺端点对的位置；根据所述标尺端点对的位置计算所述标尺的像素数量；对所述物理尺寸及所述标尺进行配对并根据所述标尺的像素数量计算所述户型图比例尺；验证所述户型图比例尺准确性。
[0005]于本专利技术一实施例中，所述方法还包括：将所述户型图转化为灰度图并计算所述灰度图的像素直方图；根据所述像素直方图确定所述灰度图像素转化阈值；根据所述像素转化阈值将所述灰度图转化为黑白图。
[0006]于本专利技术一实施例中，所述方法还包括根据训练完成的户型图检测模型检测所述户型图所在矩形区域并获取所述区域顶点坐标；对所述户型图所在矩形区域根据所述顶点坐标向外围区域扩展；对所述扩展区域进行膨胀腐蚀处理，所述处理后的扩展区域为所述标尺区域；获取所述标尺区域坐标位置。
[0007]于本专利技术一实施例中，所述方法还包括：检测所述标尺区域中物理尺寸并定位获取所述物理尺寸所在位置坐标；通过腐蚀膨胀拆分所述物理尺寸中数字；根据预先建立的数字预测模型预测所述物理尺寸中数字对应数值。
[0008]于本专利技术一实施例中，所述方法还包括：根据户型图标尺端点类型构建对应标尺端点模板对；通过所述标尺端点模板遍历所述户型图的标尺区域，根据所述标尺端点模板与所述户型图的标尺区域重合像素数值数量计算所述标尺端点模板与所述标尺区域的匹配度。
[0009]于本专利技术一实施例中，所述方法还包括：根据所述物理尺寸区域位置与标尺端点
对连线所在位置将所述物理尺寸值与所述标尺进行配对；根据配对成功的物理尺寸及标尺像素数量确定对应标尺的比例尺；根据偏差数值小于预设阈值的标尺比例尺数值确定所述户型图比例尺，其中，所述预设阈值可动态调整。
[0010]于本专利技术一实施例中，所述方法还包括：对比确定所述户型图比例尺和所述标尺像素数量的乘积与所述标尺物理尺寸值的偏差值；当存在标尺偏差值小于预设偏差值阈值时，所述户型图比例尺准确率符合标准，否则重新检测。
[0011]为实现上述目的及其他相关目的，本专利技术提供一种基于深度学习的户型图比例尺检测装置，所述装置包括：位置获取模块，用于定位并获取所述标尺区域位置、物理尺寸区域位置、标尺端点对位置；文本识别模块，用于处理并预测所述物理尺寸区域内物理尺寸值；构造模块，用于根据标尺端点类型构建所述标尺端点模板对；匹配模块，用于将所述标尺端点模板对与所述标尺区域进行匹配；计算模块，用于计算户型图比例尺；验证模块，用于验证户型图比例尺的准确性。
[0012]为实现上述目的及其他相关目的，本专利技术提供一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序被处理器加载执行时，实现所述基于深度学习的户型图比例尺检测方法。
[0013]为实现上述目的及其他相关目的，本专利技术提供一种电子设备，包括：处理器、存储器；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所述基于深度学习的户型图比例尺检测方法。
[0014]如上所述，本专利技术提供的一种基于深度学习的户型图比例尺检测方法、装置及电子设备，通过目标检测提取标尺区域，提高了比例尺检测的精准率和计算速度，通过文本识别和像素级模板匹配定位极大提高检测的召回率，以及采用反向统计实现检测结果的自我验证提高比例尺检测的精确率，从而提升家装设计师的设计效率，打通户型识别的全自动链路，加快家装行业数字化建设的发展。
附图说明
[0015]图1显示为本专利技术一实施例中的基于深度学习的户型图比例尺检测方法的流程示意图。
[0016]图2显示为本专利技术一实施例中的基于深度学习的户型图比例尺检测方法的待检测户型图的示意图。
[0017]图3显示为本专利技术一实施例中的基于深度学习的户型图比例尺检测装置结构示意图。
[0018]图4显示为本专利技术一实施例中的电子设备的示意图。
具体实施方式
[0019]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0020]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护
的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]在本专利技术的描述中，需要说明的是，术语“第一”、“第二”、等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0022]当前户型图一般指的是平面空间布局图，通常户型图的四周提供了空间外围墙体的尺寸标注，方便用户房屋整体的长度信息。但在进行家居自动布局及家装数字化建设，还需要计算户型内所有构件的物理尺寸，而为计算所有构件的物理尺寸则需检测所述户型图的比例尺，基于此，本专利技术提供一种基于深度学习的户型图比例尺检测方法、装置及电子设备，下面通过实施例进行详细介绍。
[0023]参照图1，本实施例提供一种基于深度学习的户型图比例尺检测方法，该方法包括如下步骤：
[0024]S11：检测户型图标尺区域位置。
[0025]具体地，将户型图进行二值化，其中二值化是将彩色户型图转换为灰度图，然后将灰度图根据像素转化阈值进一步转化为黑白图。需要说明的是，由于户型图的多样性，该像素转化阈值需自适应于所有户型图。具体而言，首先计算户型图灰度处理后的像素直方图，然后统计其分布情况，最后找到白色像素255前一个凹点对应的像素值，将该值作为上述像素转化阈值，即将其中大于该转化阈值的像素值转为白色像素值255，小于该阈值的像素值转为黑色像素值0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的户型图比例尺检测方法，其特征在于，包括：检测户型图标尺区域位置；获取所述标尺区域中的物理尺寸区域位置；拆分并识别所述物理尺寸区域内的物理尺寸值；构造标尺端点模板对与所述标尺区域进行匹配，在匹配度超过预设阈值时获取所述标尺端点模板对的位置并确定所述标尺端点对的位置，其中，所述标尺端点模板对由一对相向的标尺端点模板组成，一对标尺端点构成一段标尺；根据所述标尺端点对的位置确定所述标尺的像素数量；对所述物理尺寸及所述标尺进行配对并根据所述标尺的像素数量确定所述户型图比例尺；验证所述户型图比例尺准确性。2.根据权利要求1所述的方法，其特征在于，还包括：将所述户型图转化为灰度图并计算所述灰度图的像素直方图；根据所述像素直方图确定所述灰度图像素转化阈值；根据所述像素转化阈值将所述灰度图转化为黑白图。3.根据权利要求2所述的方法，其特征在于，还包括：根据训练完成的户型图检测模型检测所述户型图所在矩形区域并获取所述区域顶点坐标；对所述户型图所在矩形区域根据所述顶点坐标向外围区域扩展；对所述扩展区域进行膨胀腐蚀处理，所述处理后的扩展区域为所述标尺区域；获取所述标尺区域坐标位置。4.根据权利要求1或3所述的方法，其特征在于，还包括：检测所述标尺区域中物理尺寸并定位获取所述物理尺寸所在位置坐标；通过腐蚀膨胀拆分所述物理尺寸中数字；根据预先建立的数字预测模型预测所述物理尺寸中数字对应数值。5.根据权利要求1或3所述的方法，其特征在于，还包括：根据户型图标尺端点类型构建对应标尺端点模板对；通过所述标尺端点模板遍历所述户型图的标尺区域，根据所...

【专利技术属性】
技术研发人员：周海，夏江东，沈天马，
申请(专利权)人：百安居信息技术上海有限公司，
类型：发明
国别省市：