一种基于人工智能家具场景的户型图快速识别系统技术方案

本发明专利技术涉及图像识别技术领域，尤其为一种基于人工智能家具场景的户型图快速识别系统，包括：数据扫描模块：用于对户型图及对应深度进行扫描并记录，获得户型图数据；数据处理模块：用于对获取的户型图数据进行预处理操作；数据识别模块：通过FL

【技术实现步骤摘要】
一种基于人工智能家具场景的户型图快速识别系统


[0001]本专利技术涉及图像识别
，尤其是一种基于人工智能家具场景的户型图快速识别系统。

技术介绍

[0002]伴随着图片成为互联网中的主要载体，难题随之出现，当信息由文字记载时，目前，人们可以通过关键词搜索，轻易找到所需要的内容并进行任意的编辑，而当信息是由图片进行记载时，例如户型图表示住房信息时，则存在一定的识别难度。现有技术中，通过识别算法对户型图进行拆分识别和建模，虽然可以有效提升户型图识别效率，但是仅针对于普通户型图具有良好的效果提升，对于添加了复杂家具场景的户型图，由于各构件的深度等问题，造成复杂构件识别困难增加，增加了识别消耗的时间。

技术实现思路

[0003]本专利技术的目的是通过提出一种基于人工智能家具场景的户型图快速识别系统，以解决上述
技术介绍
中提出的缺陷。
[0004]本专利技术采用的技术方案如下：
[0005]提供一种基于人工智能家具场景的户型图快速识别系统，包括：
[0006]数据扫描模块：用于对户型图及对应深度进行扫描并记录，获得户型图数据；
[0007]数据处理模块：用于对获取的户型图数据进行预处理操作；
[0008]数据识别模块：通过FL
‑
XGBOOST算法对预处理后的户型图数据进行识别；
[0009]分类提取模块：用于根据识别结果对扫描的户型图数据进行分类提取。
[0010]作为本专利技术的一种优选技术方案：所述数据处理模块中的预处理操作包括图像滤波处理和图像增强处理。
[0011]作为本专利技术的一种优选技术方案：所述数据识别模块根据FL
‑
XGBOOST算法对预处理后的户型图中的不同结构进行识别分类。
[0012]作为本专利技术的一种优选技术方案：所述数据识别模块根据数据扫描模块(100)扫描获取的户型图深度数据根据识别分类的不同结构的深度分别进行记录。
[0013]作为本专利技术的一种优选技术方案：所述FL
‑
XGBOOST算法中，通过数据处理模块获取完整的户型图数据并进行训练，迭代计算FL损失并判断是否收敛；其中，训练时每一次迭代增加一棵决策树拟合上一次迭代过程中的真实值与预测值之间的FL残差。
[0014]作为本专利技术的一种优选技术方案：所述FL
‑
XGBOOST算法中，构建目标函数O如下：
[0015][0016]其中，L为FL残差的损失函数；Ω(f
τ
)为第τ∈[1,t]次迭代的决策树f
τ
对应的正则项；
[0017]将L展开得到：
[0018][0019]其中，α为引入系数，用于调整户型图中不同结构在损失函数中的权重；β为聚焦稀疏系数，用于调整易分类结构和难分类结构的损失权重；表示第i个户型图输入结构的最终预测结果；
[0020]将Ω(f
i
)展开得到：
[0021][0022]其中，λ和γ为预设的超参数；j∈[1,T]为结点数；w
j
表示叶子结点j的权重向量；
[0023]新生成的决策树拟合上一迭代预测的残差，即第τ次迭代目标函数O
τ
表示为：
[0024][0025]其中，i∈[1,n]为样本数；f
τ
(x
i
)表示第i个户型图输入结构x
i
对应的第τ次迭代决策树；Ω(f
k
)为第k次迭代的决策树f
k
对应的正则项；
[0026]将目标函数中的损失函数使用泰勒二阶展开，引入正则项并去除常数项后得到：
[0027][0028]其中，g
i
是损失函数关于的一阶残差，h
i
是损失函数关于的二阶残差；q表示映射关系，即每个数据样本对应的叶子结点，表示第i个户型图输入结构对应的叶子结点对应的权重；
[0029]将所有户型图输入结构按照叶子结点进行分组得到：
[0030][0031]其中，i∈[1,n]为样本数；j∈[1,T]为结点数；
[0032]经过r次迭代后，形成的决策树模型对第i个户型图输入结构的输出结果为：
[0033][0034]其中，f
r
表示第r次迭代后的决策树模型，r∈[1,K]表示迭代总次数；f表示函数空间F的一个函数。
[0035]作为本专利技术的一种优选技术方案：所述分类提取模块对扫描获取的户型图按照需求进行轮廓检测，并通过简化步骤对检测获取的轮廓点进行简化。
[0036]作为本专利技术的一种优选技术方案：所述简化步骤如下：
[0037]S1.1：定义曲线的起点A、终点B，并通过直线连接起点A和终点B，生成直线AB；
[0038]S1.2：遍历曲线上所有的点，计算离直线AB距离最大的点C，获得C点与直线AB的垂直距离b；
[0039]S1.3：设定阈值δ，比较距离b和阈值δ的大小，执行曲线AB的简化；
[0040]S1.4：：遍历户型图中所有曲线，重复执行S1.1
‑
S1.3；
[0041]S1.5：当所有曲线都计算完毕后，依次连接各个分割点，形成折线，作为原曲线的近似表达。
[0042]作为本专利技术的一种优选技术方案：所述S1.3中，曲线AB的简化步骤如下：当距离b小于阈值δ时，以直线AB作为曲线的近似线段，结束曲线AB的简化；当距离b大于阈值δ时，通过点C将曲线分开，生成两段曲线AC和BC，并分别对两段曲线重新进行S1.1
‑
S1.3的计算，直至生成的各个垂直距离均小于设定的阈值δ时，则结束S1.3。
[0043]作为本专利技术的一种优选技术方案：所述分类提取模块中，根据提取要求与结构深度对户型图数据进行分类提取。
[0044]本专利技术提供的基于人工智能家具场景的户型图快速识别系统，与现有技术相比，其有益效果有：
[0045]本专利技术能够通过FL
‑
XGBOOST算法实现对各种户型图的各结构的自动识别，契合不同户型图的识别，改进目标函数的计算方式，进一步提高模型的精确度，并根据简化规则进行轮廓简化，对于包含复杂家具场景的户型图，保证用最少的点正确描述户型图上的轮廓，降低户型图的识别难度，提高户型图的识别效率，通过对应构件深度的识别，能够通过轮廓深度快速判断户型图中各结构的轮廓，可以有效避免户型图中由于深度造成的其他轮廓的干扰的问题。
附图说明
[0046]图1为本专利技术优选实施例的系统框图。
[0047]图中各个标记的意义为：100、图像扫描模块；200、图像处理模块；300、图像识别模块；400、图像识别模块。
具体实施方式
[0048]需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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、完整地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能家具场景的户型图快速识别系统，其特征在于：包括：数据扫描模块(100)：用于对户型图及对应深度进行扫描并记录，获得户型图数据；数据处理模块(200)：用于对获取的户型图数据进行预处理操作；数据识别模块(300)：通过FL
‑
XGBOOST算法对预处理后的户型图数据进行识别；分类提取模块(400)：用于根据识别结果对户型图数据进行分类提取。2.根据权利要求1所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述数据处理模块(200)中的预处理操作包括图像滤波处理和图像增强处理。3.根据权利要求1所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述数据识别模块(300)根据FL
‑
XGBOOST算法对预处理后的户型图数据中的不同结构进行识别分类。4.根据权利要求3所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述数据识别模块(300)根据数据扫描模块(100)扫描获取的户型图深度数据根据识别分类的不同结构的深度分别进行对应识别记录。5.根据权利要求4所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述FL
‑
XGBOOST算法中，通过数据处理模块(200)获取完整的户型图数据并进行训练，迭代计算FL损失并判断是否收敛；其中，训练时每一次迭代增加一棵决策树拟合上一次迭代过程中的真实值与预测值之间的FL残差。6.根据权利要求5所述的基于人工智能家具场景的户型图快速识别系统，其特征在于：所述FL
‑
XGBOOST算法中，构建目标函数O如下：其中，L为FL残差的损失函数；Ω(f
τ
)为第τ∈[1,t]次迭代的决策树f
τ
对应的正则项；将L展开得到：其中，α为引入系数，用于调整户型图中不同结构在损失函数中的权重；β为聚焦稀疏系数，用于调整易分类结构和难分类结构的损失权重；表示第i个户型图输入结构的最终预测结果；将Ω(f
i
)展开得到：其中，λ和γ为预设的超参数；j∈[1,T]为结点数；w
j
表示叶子结点j的权重向量；新生成的决策树拟合上一迭代预测的残差，即第τ次迭代目标函数O
τ
表示为：其中，i∈[1,n]为样本数；f
τ
(x<...

【专利技术属性】
技术研发人员：陈俊，王冲，
申请(专利权)人：江苏艾佳家居用品有限公司，
类型：发明
国别省市：