图纸的布局信息生成方法及装置制造方法及图纸

本申请涉及图像处理技术领域，提供一种图纸的布局信息生成方法及装置。所述方法包括：根据图纸中储物空间的第一特征集输入训练好的第一神经网络模型后得到的第一高维特征，和任一物品的第二特征集输入训练好的第二神经网络模型后得到的第二高维特征，确定所述储物空间与所述物品之间的预测分数；根据所述预测分数，从各所述物品中，获取对应的所述预测分数大于第一预设值的至少一个目标物品；将所述目标物品加载至所述储物空间，以生成所述图纸的布局信息。本申请实施例提供的图纸的布局信息生成方法能够提高图纸中物品的布局效率和布局的合理性。布局的合理性。布局的合理性。

【技术实现步骤摘要】
图纸的布局信息生成方法及装置


[0001]本申请涉及图像处理
，具体涉及一种图纸的布局信息生成方法及装置。

技术介绍

[0002]随着经济的发展和生活水平的迅速提高,人们对于家居环境舒适度的要求越来越高，目前，在获取到由户型图和家具形成的设计图纸后，会针对设计图纸中家具的储物空间进行相应的物品布局设计，确定物品在图纸中的布局信息，以根据图纸中物品的布局信息形成的效果图来进行布局。
[0003]而由于物品的数量和储物空间的数量通常较多，布局方案多变，且若针对物品的布局不合理，如较大的物品被布局在较小的储物空间中，会导致物品无法放入，影响物体布局的合理性。因此，如何快速准确地生成图纸中物品的布局信息，以提高图纸中物品的布局效率和布局的合理性，是当前急需解决的问题。

技术实现思路

[0004]本申请旨在至少解决相关技术中存在的技术问题之一。为此，本申请提出一种图纸的布局信息生成方法，能够提高图纸中物品的布局效率和布局的合理性。
[0005]本申请还提出一种图纸的布局信息生成装置。
[0006]本申请还提出一种电子设备。
[0007]本申请还提出一种计算机可读存储介质。
[0008]根据本申请第一方面实施例的图纸的布局信息生成方法，包括：
[0009]根据图纸中储物空间的第一特征集输入训练好的第一神经网络模型后得到的第一高维特征，和任一物品的第二特征集输入训练好的第二神经网络模型后得到的第二高维特征，确定所述储物空间与所述物品之间的预测分数；
[0010]根据所述预测分数，从各所述物品中，获取对应的所述预测分数大于第一预设值的至少一个目标物品；
[0011]将所述目标物品加载至所述储物空间，以生成所述图纸的布局信息；
[0012]其中，所述第一特征集包括所述储物空间的第一空间特征，所述第二特征集包括所述物品的第二空间特征；
[0013]所述第一神经网络模型和所述第二神经网络模型，由多个所述第一特征集和多个所述第二特征集训练得到。
[0014]根据本申请的一个实施例，还包括：
[0015]获取所述储物空间的环境特征；
[0016]将所述环境特征输入训练好的隐语义模型，获取对应的物品类型特征；
[0017]根据所述物品类型特征，从物品数据库中获取与所述物品类型特征对应的各所述物品；
[0018]其中，所述隐语义模型用于获取隐含语义，由多个所述环境特征训练得到。
[0019]根据本申请的一个实施例，还包括：
[0020]将所述储物空间的环境特征中的环境编码，以及所述物品的物品类型特征中的物品类型编码输入训练好的隐语义模型，获取所述储物空间的环境潜在特征，以及所述物品的类型潜在特征；
[0021]根据所述环境潜在特征和所述第一空间特征，生成所述第一特征集，以及根据所述类型潜在特征和所述第二空间特征，生成所述第二特征集。
[0022]根据本申请的一个实施例，根据所述预测分数，从各所述物品中，获取对应的所述预测分数大于第一预设值的至少一个目标物品，包括：
[0023]根据所述预测分数，从各所述物品中，获取对应的所述预测分数大于第一预设值的各待选物品；
[0024]根据预设关联列表，从各所述待选物品中，获取至少一个目标物品。
[0025]根据本申请的一个实施例，根据预设关联列表，从各所述待选物品中，获取至少一个目标物品，包括：
[0026]从各所述待选物品中，获取对应的所述预测分数大于第二预设值的第一物品；
[0027]根据所述预设关联列表，确定各所述待选物品中存在与所述第一物品关联的至少一个第二物品，将所述第一物品以及各所述第二物品标记为各所述目标物品。
[0028]根据本申请的一个实施例，还包括：
[0029]根据所述预设关联列表，确定各所述待选物品中不存在与所述第一物品关联的至少一个第二物品，将所述第一物品标记为所述目标物品。
[0030]根据本申请的一个实施例，将所述目标物品加载至所述储物空间，以生成所述图纸的布局信息，包括：
[0031]将所述目标物品以及所述储物空间输入训练好的NOCS神经网络模型，获取所述目标物品的位姿和缩放比例；
[0032]根据所述目标物品的位姿和缩放比例，调整所述目标物品；
[0033]将调整后的目标物品加载至所述储物空间，以生成所述图纸的布局信息；
[0034]其中，所述NOCS神经网络模型由多个物品和多个所述储物空间训练得到。
[0035]根据本申请第二方面实施例的图纸的布局信息生成装置，包括：
[0036]预测参数确定模块，用于根据所述储物空间的第一特征集输入训练好的第一神经网络模型后得到的第一高维特征，和任一物品的第二特征集输入训练好的第二神经网络模型后得到的第二高维特征，确定所述储物空间与所述物品之间的预测分数；
[0037]目标物品获取模块，用于根据所述预测分数，从各所述物品中，获取对应的所述预测分数大于第一预设值的至少一个目标物品；
[0038]布局信息生成模块，用于将所述目标物品加载至所述储物空间，以生成所述图纸的布局信息；
[0039]其中，所述第一特征集包括所述储物空间的第一空间特征，所述第二特征集包括所述物品的第二空间特征；
[0040]所述第一神经网络模型和所述第二神经网络模型，由多个所述第一特征集和多个所述第二特征集训练得到。
[0041]根据本申请第三方面实施例的电子设备，包括处理器和存储有计算机程序的存储
器，所述处理器执行所述计算机程序时实现上述任一实施例所述的图纸的布局信息生成方法。
[0042]根据本申请第四方面实施例的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的图纸的布局信息生成方法。
[0043]根据本申请第五方面实施例的计算机程序产品，包括：所述计算机程序被处理器执行时实现如上述任一实施例所述的图纸的布局信息生成方法。
[0044]本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果之一：
[0045]通过将图纸中储物空间包含空间特征的第一特征集，以及任一物品包含空间特征的第二特征集分别输入训练好的第一神经网络模型和第二神经网络模型，获取两个高维特征，以根据两个高维特征来确定该储物空间与该物品的预测分数后，将各物品中对应的预测分数大于预设值的至少一个目标物品加载至储物空间，以生成图纸的布局信息。从而利用神经网络模型，来快速地从多个物品中确定可加载至储物空间的目标物品以生成布局信息，提高图纸中物品的布局效率。且在布局时考虑了储物空间与物品的空间特征，提高了布局的合理性。
[0046]进一步的，通过将获取到的储物空间的环境特征，输入训练好的隐语义模型，获取对应的物品类型特征，以根据该物品类型特征，从物品数据库中获取与该物品类型特征对应的各物品。从而能够利用训练好的隐语义模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图纸的布局信息生成方法，其特征在于，包括：根据图纸中储物空间的第一特征集输入训练好的第一神经网络模型后得到的第一高维特征，和任一物品的第二特征集输入训练好的第二神经网络模型后得到的第二高维特征，确定所述储物空间与所述物品之间的预测分数；根据所述预测分数，从各所述物品中，获取对应的所述预测分数大于第一预设值的至少一个目标物品；将所述目标物品加载至所述储物空间，以生成所述图纸的布局信息；其中，所述第一特征集包括所述储物空间的第一空间特征，所述第二特征集包括所述物品的第二空间特征；所述第一神经网络模型和所述第二神经网络模型，由多个所述第一特征集和多个所述第二特征集训练得到。2.根据权利要求1所述的图纸的布局信息生成方法，其特征在于，还包括：获取所述储物空间的环境特征；将所述环境特征输入训练好的隐语义模型，获取对应的物品类型特征；根据所述物品类型特征，从物品数据库中获取与所述物品类型特征对应的各所述物品；其中，所述隐语义模型用于获取隐含语义，由多个所述环境特征训练得到。3.根据权利要求2所述的图纸的布局信息生成方法，其特征在于，还包括：将所述储物空间的环境特征中的环境编码，以及所述物品的物品类型特征中的物品类型编码输入训练好的隐语义模型，获取所述储物空间的环境潜在特征，以及所述物品的类型潜在特征；根据所述环境潜在特征和所述第一空间特征，生成所述第一特征集，以及根据所述类型潜在特征和所述第二空间特征，生成所述第二特征集。4.根据权利要求1所述的图纸的布局信息生成方法，其特征在于，根据所述预测分数，从各所述物品中，获取对应的所述预测分数大于第一预设值的至少一个目标物品，包括：根据所述预测分数，从各所述物品中，获取对应的所述预测分数大于第一预设值的各待选物品；根据预设关联列表，从各所述待选物品中，获取至少一个目标物品。5.根据权利要求4所述的图纸的布局信息生成方法，其特征在于，根据预设关联列表，从各所述待选物品中，获取至少一个目标物品，包括：从各所述待选物品中，获取对应的所述预测分数大于第二预设值的第一物品；根...

【专利技术属性】
技术研发人员：邱辉平，王胜，区楚怡，林上雯，
申请(专利权)人：广东三维家信息科技有限公司，
类型：发明
国别省市：