本申请涉及一种基于神经网络的套内布局辅助设计方法、装置、设备和存储介质。该方法包括：获取建筑模型的套内布局图像；所述套内布局图像用于表征不同功能区的分布；基于图形识别神经网络模型对所述套内布局图像进行识别，并根据用户需求数据得到所述建筑模型的套内布局图像的识别结果，所述识别结果用于表征所述建筑模型的不同功能区；利用所述识别结果输入对抗神经网络模型进行图像转换，得到平面设计效果图。计效果图。计效果图。
【技术实现步骤摘要】
基于神经网络的套内布局辅助设计方法、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套内布局辅助设计方法、装置、设备。
技术介绍
[0002]平面设计图是建筑工程中不可缺少的步骤之一，用于房屋设计，建筑设计，平面设计图体现了设计师对空间的整体规划。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。随着科学技术的发展，建筑设计领域更多的实现了自动化，建筑平面设计图也急需完成自动化设计。
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布局辅助设计方法、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套内布局辅助设计方法，所述方法包括：
[0006]获取建筑模型的套内布局图像；所述套内布局图像用于表征不同功能区的分布；
[0007]基于图形识别神经网络模型对所述套内布局图像进行识别，并根据用户需求数据得到所述建筑模型的套内布局图像的识别结果，所述识别结果用于表征所述建筑模型的不同功能区；
[0008]利用所述识别结果输入对抗神经网络模型进行图像转换，得到平面设计效果图。
[0009]在一实施方式中，所述获取建筑模型的套内布局图像，包括：
[0010]获取三维建筑模型，根据所述三维建筑模型中各建筑结构生成对应套内布局图像；其中，所述套内布局图像由用户在三维建筑模型中选取确定。
[0011]在一实施方式中，所述对抗神经网络模型包括生成器和判别器；
[0012]所述对抗神经网络模型训练方法包括；获取多个标注了套内功能区标签的套内布局图像样本；
[0013]将所述套内布局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所述套内功能区标签的真实值计算生成器损失值；
[0014]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；
[0015]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，以得到所述识别网络。
[0016]在一实施方式中，所述对抗神经网络模型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：
[0017]将所述套内布局图像输入所述全局识别子网络，得到全局特征图；
[0018]将所述套内布局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是局部识别子网络，得到每个局部图像对应的局部特征图；
[0019]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，得到所述识别结果。
[0020]在一实施方式中，所述根据用户需求数据得到所述建筑模型的套内布局图像的识别结果，包括：
[0021]根据所述套内布局图像匹配相似户型，根据相似户型确定户型结构；
[0022]根据所述用户需求数据修改所述户型结构的不同功能区的标记，形成套内布局图像识别结果，以适应所述用户需求数据。
[0023]第二方面，本申请提供一种基于神经网络的套内布局辅助设计装置，包括：
[0024]获取模块，用于获取建筑模型的套内布局图像；所述套内布局图像用于表征不同功能区的分布；
[0025]识别模块，用于基于图形识别神经网络模型对所述套内布局图像进行识别，并根据用户需求数据得到所述建筑模型的套内布局图像的识别结果，所述识别结果用于表征所述建筑模型的不同功能区；
[0026]转换模块，用于利用所述识别结果输入对抗神经网络模型进行图像转换，得到平面设计效果图。
[0027]在一实施方式中，所述获取模块包括：
[0028]获取子单元，用于获取三维建筑模型，根据所述三维建筑模型中各建筑结构生成对应套内布局图像；其中，所述套内布局图像由用户在三维建筑模型中选取确定。
[0029]在一实施方式中，所述识别模块包括：
[0030]计算单元，用于根据所述套内布局图像匹配相似户型，根据相似户型确定户型结构；
[0031]识别子单元，用于根据所述用户需求数据修改所述户型结构的不同功能区的标记，形成套内布局图像识别结果，以适应所述用户需求数据。
[0032]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：
[0033]获取建筑模型的套内布局图像；其中，所述套内布局图像用于表征不同功能区的分布；
[0034]基于图形识别神经网络模型对所述套内布局图像进行识别，并根据用户需求数据得到所述建筑模型的套内布局图像的识别结果，所述识别结果用于表征所述建筑模型的不同功能区；
[0035]利用所述识别结果输入对抗神经网络模型进行图像转换，得到平面设计效果图。
[0036]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：
[0037]获取建筑模型的套内布局图像；其中，所述套内布局图像用于表征不同功能区的
分布；
[0038]基于图形识别神经网络模型对所述套内布局图像进行识别，并根据用户需求数据得到所述建筑模型的套内布局图像的识别结果，所述识别结果用于表征所述建筑模型的不同功能区；
[0039]利用所述识别结果输入对抗神经网络模型进行图像转换，得到平面设计效果图。
[0040]上述基于神经网络的套内布局辅助设计方法、装置、计算机设备和存储介质，基于图形识别神经网络模型对所述套内布局图像进行识别，并根据用户需求数据得到所述建筑模型的套内布局图像的识别结果，利用所述识别结果输入对抗神经网络模型进行图像转换，得到平面设计效果图。由于上述识别网络为图形识别神经网络模型和生成式对抗神经网络模型，基于神经网络模型能够学习得到真实的套内功能区的分布情况，进而能够自动根据输入的套内布局图像，输出表征建筑模型的套内布局与设计要求的匹配度的识别结果，进而完成平面设计效果图。该方法能够避免传统的人工按照经验对套内布局进行设计和优化可能导致的调整效率低、准确度低、调整不全面以及人工学习成本高的问题，该方法能够采用识别模型自动识别出套内布局图像的识别结果，完成平面设计图像，降低了人工学习成本，极大的节约了设计的时间和人力。
附图说明
[0041]图1为一个实施例中计算机设备的内部结构图；
[0042]图2为一个实施例提供的基于神经网络的套内布局辅助设计方法的流程示意图；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套内布局辅助设计方法，其特征在于，所述方法包括：获取建筑模型的套内布局图像；所述套内布局图像用于表征不同功能区的分布；基于图形识别神经网络模型对所述套内布局图像进行识别，并根据用户需求数据得到所述建筑模型的套内布局图像的识别结果，所述识别结果用于表征所述建筑模型的不同功能区；利用所述识别结果输入对抗神经网络模型进行图像转换，得到平面设计效果图。2.根据权利要求1所述的方法，其特征在于，所述获取建筑模型的套内布局图像，包括：获取三维建筑模型，根据所述三维建筑模型中各建筑结构生成对应套内布局图像；其中，所述套内布局图像由用户在三维建筑模型中选取确定。3.根据权利要求1所述的方法，其特征在于，所述对抗神经网络模型包括生成器和判别器；所述对抗神经网络模型训练方法包括；获取多个标注了套内功能区标签的套内布局图像样本；将所述套内布局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所述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，以得到所述识别网络。4.根据权利要求3所述的方法，其特征在于，所述对抗神经网络模型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：将所述套内布局图像输入所述全局识别子网络，得到全局特征图；将所述套内布局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是局部识别子网络，得到每个局部图像对应的局部特征图；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，...
【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。