本申请涉及一种基于神经网络的套内户型改造设计方法、装置、设备和存储介质。该方法包括：获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；利用所述改造设计参考信息修改所述套内户型结构图像。内户型结构图像。内户型结构图像。
【技术实现步骤摘要】
基于神经网络的户型改造设计方法、装置、设备
[0001]本申请涉及建筑设计
，特别是涉及一种基于神经网络的户型改造设计方法、装置、设备。
技术介绍
[0002]对房屋的改造已经成为流行设计的一种，改造可以使得房屋更匹配房主的需求、空间利用率更高；传统平面设计是通过人工进行设计，设计完成之后，通过设计人员按照多年的行业经验对房屋布局进行调整，例如修改不同功能区的面积、不同功能区的形状、以及不同功能区的门窗朝向和分布；或者根据房屋用户的意见进行修改，从而使得设计结果和人们的使用需要更加匹配。
[0003]然而传统的设计过程中，纯粹依靠设计人员按照人工经验进行房屋布局调整的方式，可能存在效率低和优化不全面的问题，导致建筑模型的设计质量不高；改造设计难以满足用户多样性需求，生成的平面设计图经没有可选择性。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种基于神经网络的套内户型改造设计方法、装置、设备。
[0005]第一方面，本申请实施例提供一种基于神经网络的户型改造设计方法，所述方法包括：
[0006]获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；
[0007]接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；
[0008]利用所述改造设计参考信息修改所述套内户型结构图像。
[0009]在一实施方式中，所述方法还包括：
[0010]将修改后的套内户型结构图像输入生成对抗神经网络进行图像转换，得到平面设计效果图。
[0011]在一实施方式中，所述利用生成对抗神经网络对所述套内户型结构图像进行识别，包括：
[0012]利用生成对抗神经网络识别所述套内户型结构图像的户型结构、功能区域面积的参数信息；
[0013]根据所述套内户型结构图像的户型结构、功能区域面积的参数信息，以及用户输入的改造需求数据构建户型结构布局约束参数；
[0014]利用所述户型结构布局约束参数匹配户型数据。
[0015]在一实施方式中，所述利用所述改造设计参考信息修改所述套内户型结构图像，
包括：
[0016]基于所述户型数据按照预设规则生成户型内部结构图；
[0017]基于所述内部结构图修改所述套内户型结构图像，修改后的套内户型结构图像符合用户输入的改造需求数据中的至少一种约束。
[0018]在一实施方式中，神经网络模型包括生成器和判别器；所述生成对抗神经网络训练方法包括：
[0019]将套内户型结构图像样本输入所述生成器，并根据所述生成器的输出结果和套内功能区标签的真实值计算生成器损失值；
[0020]将所述生成器的输出结果输入所述判别器，根据所述判别器的输出结果和所述套内功能区标签的真实值计算判别器损失值；
[0021]根据所述生成器损失值和所述判别器损失值，对所述生成器和所述判别器进行反馈训练，得到训练好的所述生成器和所述判别器，以得到所述生成对抗神经网络。
[0022]在一实施方式中，所述生成对抗神经网络还包括全局识别子网络、局部识别子网络和融合子网络；所述方法还包括：
[0023]将所述套内户型结构图像输入所述全局识别子网络，得到全局特征图；
[0024]将所述套内户型结构图像按照功能区划分为多个局部图像，并将所述局部图像输入所属局部识别子网络，得到每个局部图像对应的局部特征图；
[0025]采用所述融合子网络将所述局部特征图按照预设的权重参数和所述全局特征图进行融合，修改所述套内户型结构图像。
[0026]第二方面，本申请实施例提供一种基于神经网络的户型改造设计装置，所述装置包括：
[0027]获取模块，用于获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；
[0028]识别模块，用于接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；
[0029]修改模块，用于利用所述改造设计参考信息修改所述套内户型结构图像。
[0030]在一实施方式中，所述装置还包括：
[0031]转换模块，用于将修改后的套内户型结构图像输入生成对抗神经网络进行图像转换，得到平面设计效果图。
[0032]在一实施方式中，所述识别模块包括：
[0033]信息获取单元，用于利用生成对抗神经网络识别所述套内户型结构图像的户型结构、功能区域面积的参数信息；
[0034]构建单元，用于根据所述套内户型结构图像的户型结构、功能区域面积的参数信息，以及用户输入的改造需求数据构建户型结构布局约束参数；
[0035]匹配单元，用于利用所述户型结构布局约束参数匹配户型数据。
[0036]在一实施方式中，所述修改模块，包括：
[0037]生成单元，用于基于所述户型数据按照预设规则生成户型内部结构图；
[0038]修改单元，用于基于所述内部结构图修改所述套内户型结构图像，修改后的套内
户型结构图像符合用户输入的改造需求数据中的至少一种约束。
[0039]第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0040]获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；
[0041]接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；
[0042]利用所述改造设计参考信息修改所述套内户型结构图像。
[0043]第四方面，本申请实施例提供一种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以下步骤：
[0044]获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；
[0045]接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；
[0046]利用所述改造设计参考信息修改所述套内户型结构图像。
[0047]上述基于神经网络的套内户型改造设计方法、装置、计算机设备和存储介质，接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，利用所述改造设计参考信息修改所述套内户型结构图像。可以根据用户的实际需求作为约束条件，基于生成对抗神经网络能够输出改造设计参考信息本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络的户型改造设计方法，其特征在于，所述方法包括：获取三维建筑模型导出的套内户型结构图像；所述套内户型结构图像至少包括户型边界信息、户型区域的尺寸信息；接受用户输入的改造需求数据，利用生成对抗神经网络对所述套内户型结构图像进行识别，得出适合用户输入的改造需求数据的户型结构布局约束，作为改造设计参考信息；利用所述改造设计参考信息修改所述套内户型结构图像。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：将修改后的套内户型结构图像输入生成对抗神经网络进行图像转换，得到平面设计效果图。3.根据权利要求1所述的方法，其特征在于，所述利用生成对抗神经网络对所述套内户型结构图像进行识别，包括：利用生成对抗神经网络识别所述套内户型结构图像的户型结构、功能区域面积的参数信息；根据所述套内户型结构图像的户型结构、功能区域面积的参数信息，以及用户输入的改造需求数据构建户型结构布局约束参数；利用所述户型结构布局约束参数匹配户型数据。4.根据权利要求3所述的方法，其特征在于，所述利用所述改造设计参考信息修改所述套内户型结构图像，包括：基于所述户型数据按照预设规则生成户型内部结构图；基于所述内部结构图修改所述套内户型结构图像，修改后的套内户型结构图像符合用户输入的改造需求数据中的至少一种约束。5.根据权利要求1所述的方法，其特征在于，神经网络模型包括生成器和判别器；所述生成对抗神经网络训练方法包括：将套内户型结构图像样本输入所述生成器，并根据所述生成器的输出结果和套内功能区标签的真实值计算生成器损失值；将所述生成器的输出结果输入所述判别器，根据所述判别器的输出结果和所述套内功能区标签的真实值计算判别器损失值；根据所述生成器损失值和所述判别器损失值，对所述生成器和所述判别器进行反馈训练，得到训练好的所述生成器和所述判别器，以得到所述生成对抗神经网络。6.根据权利要求5所述的方法，其特征在于，所述生成对抗神经网络还包括全局识别子网络、局部识别子网络和融合子网络；所述方法还包括：将所述套内户型结构图像输入所述全...
【专利技术属性】
技术研发人员：华荣伟，请求不公布姓名，
申请(专利权)人：久瓴江苏数字智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。