基于机器视觉和几何算法的室内装修效果评估方法及装置制造方法及图纸

本发明专利技术提供的基于机器视觉和几何算法的室内装修效果评估方法及装置，其中方法包括：获取目标房屋的房屋特征信息和家具特征信息，基于家具面积和房屋面积获得空间利用率得分，将各空间内的家具特征信息和标准家具库输入至家具丰富度评分模型，家具丰富度评分模型包括核心家具得分

【技术实现步骤摘要】
基于机器视觉和几何算法的室内装修效果评估方法及装置


[0001]本专利技术涉及一种装修效果评估系统及装置，尤其涉及一种基于机器视觉和几何算法的室内装修效果评估方法及装置
。

技术介绍

[0002]本专利技术所要解决的技术问题是室内装修效果的评估方案，可用于对生成的装修效果图进行评估
。
[0003]现阶段家装市场中，每天有大量的设计师
、
智能算法为客户进行室内家装设计，设计水平参差不齐，尤其智能算法虽出图数量较多
、
速度较快，但设计方案往往伴随随机性
。
因此如何从大量的设计方案中筛选质量较高的设计方案图需要花费较多的时间进行各维度的评价
。
虽然市场上有较多使用智能算法来设计方案图如
CN109740243B
，但是并没有使用智能算法对装修效果进行评估的解决方案
。
从而导致考虑维度比较单一
。
[0004]另外一方面，参考
CN109740243B
，其公开了一种通过对
M
种家具依次训练
M
个算法模型，每个模型对单一家具进行训练，对每个家具训练一个评价模型，且训练过程需依次进行，每个家具布置完以后再以上个模型的基础训练下一个家具的评级模型，达到对每个家具布局位置评分的目的，最终获得最优解
。
该方案优点是整个过程全自动不需要人工干预，但是缺点也很明显：
[0005]缺点1：模型训练复杂，需要对
>M
个家具训练
M
个模型，如果有
N
个不同类型的空间，则需要
(N1*M1+N2*M2+
……
+Nn*Mn)
个模型；缺点2：需要数据较多
、
训练时间较长
、
对应的
GPU
训练的成本较高；缺点3：算法可拓展性
、
可维护性较差，当在某中间环节删除或新增某个家具，那后面的算法模型将不可复用或效果急剧下降，需要重新创建数据集
、
重新训练后面所有的算法模型，才可以保证评价质量
。

技术实现思路

[0006]为了克服以往方法的上述缺点中的一个或多个，本专利技术提供了一种基于机器视觉和几何算法的室内装修效果评估方法，即使用机器视觉和几何算法获得房屋特征信息和家具信息，并通过计算空间利用率得分
、
家具丰富度评分得分
、
家具布置合理度评分最终获得装修效果得分
。
相对于已知装修效果评估模型，降低了模型训练的复杂度，具有较强的可拓展性，提高了装修效果评估模型的准确性和可解释性
。
[0007]本专利技术提供一种基于机器视觉和几何算法的室内装修效果评估方法，包括：
[0008]获取目标房屋的房屋特征信息和家具特征信息；
[0009]基于家具面积和房屋面积获得空间利用率得分；
[0010]将各空间内的家具特征信息和标准家具库输入至家具丰富度评分模型，家具丰富度评分模型包括核心家具得分
、
装饰家具得分
、
错误布置家具得分中的一项或多项，加权求和各类型家具得分项获得家具丰富度得分；
[0011]将所述家具特征信息和房屋特征信息输入至家具布置合理度评分模型，家具布置
合理度评分模型包括功能区合理性得分
、
空间通透性得分
、
家具选择合理性得分中的一项或多项，加权求和各项得分获得家具布置合理度得分；
[0012]基于上述的得分项，确认目标房屋的装修效果得分
。
[0013]根据本专利技术提供的基于机器视觉和几何算法的室内装修效果评估方法，其特征在于，所述识别获取房屋特征信息，具体包括：
[0014]基于实例分割模型获取房间元素信息，提取墙体拐点组成平行墙线，连接平行墙线公共点形成闭环连线，基于闭环连线构建墙体空间多边形；
[0015]提取门窗拐点组成平行构建门窗线，连接门窗线形成门窗多边形，将门窗线与平行墙线取交集，获得门窗几何模型；
[0016]基于光学字符识别算法获取房间标识信息，所述房间标识信息包括功能区标识
、
比例尺标识和空间面积标识
。
[0017]根据本专利技术提供的基于机器视觉和几何算法的室内装修效果评估方法，其特征在于，获取家具特征性信息，具体包括：
[0018]基于目标检测算法获取家具特征边界框；
[0019]根据非极大值抑制移除家具特征边界框中的重叠边界；
[0020]将家具特征信息和房间特征信息与房间标识信息进行归属绑定
。
[0021]根据本专利技术提供的基于机器视觉和几何算法的室内装修效果评估方法，其特征在于所述获取目标房屋的房屋特征信息和家具特征信息，还包括：
[0022]基于通用几何算法库对房屋特征信息和家具特征信息建立几何模型；
[0023]获得目标房屋特征信息和家具特征信息的映射关系模型
。
[0024]根据本专利技术提供的基于机器视觉和几何算法的室内装修效果评估方法，其特征在于，所述家具丰富度评分模型，具体包括：
[0025][0026]其中
α
表示各核心家具得分权重系数，
β
表示各缺失核心家具的扣分权重系数，
γ
表示各装饰性可有可无家具得分权重系数，
θ
表示错误布置家具的扣分权重系数，
F
表示配对上的各核心家具，存在为1，否则为0；
G
表示缺失的核心家具，缺失为
‑1，存在为0；
H
表示装饰性家具，存在为1，否则为0；
J
为布置错误的家具，布置了为1，否则为
0。
[0027]根据本专利技术提供的基于机器视觉和几何算法的室内装修效果评估方法，其特征在于，所述功能区合理分析，具体包括：
[0028]根据当前家具的使用距离，获得家具的使用距离合理性；
[0029]根据第一家具和第二家具的相对摆放位置，获得家具的摆放位置合理性
。
[0030]根据本专利技术提供的基于机器视觉和几何算法的室内装修效果评估方法，其特征在于，所述所述空间通透分析，具体包括：
[0031]基于房屋轮廓和家具轮廓获取活动面积，所述活动面积包括可活动部分的展开面积和不可活动部分的使用面积；
[0032]通过活动面积定义活动面积包围盒，若活动面积包围盒之间有交集则布置不合
理，若活动面积包围盒之间无交集则布置合理
。
[0033]根据本专利技术提供的基于机器视觉和几何算法的室内装修效果评估方法，其特征在于，所述家具选择合理分析，具体包括：
[0034]基于当前家具面积和当前房间面积计算当前家具空间占用率，若占用率处于预设范围，则家具选择合理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于机器视觉和几何算法的室内装修效果评估方法，其特征在于：获取目标房屋的房屋特征信息和家具特征信息；基于家具面积和房屋面积获得空间利用率得分；将各空间内的家具特征信息和标准家具库输入至家具丰富度评分模型，家具丰富度评分模型包括核心家具得分
、
装饰家具得分
、
错误布置家具得分中的一项或多项，加权求和各类型家具得分项获得家具丰富度得分；将所述家具特征信息和房屋特征信息输入至家具布置合理度评分模型，家具布置合理度评分模型包括功能区合理性得分
、
空间通透性得分
、
家具选择合理性得分中的一项或多项，加权求和各项得分获得家具布置合理度得分；基于上述的得分项，确认目标房屋的装修效果得分
。2.
根据权利要求1所述的基于机器视觉和几何算法的室内装修效果评估方法，其特征在于，所述识别获取房屋特征信息，具体包括：基于实例分割模型获取房间元素信息，提取墙体拐点组成平行墙线，连接平行墙线公共点形成闭环连线，基于闭环连线构建墙体空间多边形；提取门窗拐点组成平行构建门窗线，连接门窗线形成门窗多边形，将门窗线与平行墙线取交集，获得门窗几何模型；基于光学字符识别算法获取房间标识信息，所述房间标识信息包括功能区标识
、
比例尺标识和空间面积标识
。3.
根据权利要求2所述的基于机器视觉和几何算法的室内装修效果评估方法，其特征在于，获取家具特征性信息，具体包括：基于目标检测算法获取家具特征边界框；根据非极大值抑制移除家具特征边界框中的重叠边界；将家具特征信息和房间特征信息与房间标识信息进行归属绑定
。4.
根据权利要求3所述的基于机器视觉和几何算法的室内装修效果评估方法，其特征在于所述获取目标房屋的房屋特征信息和家具特征信息，还包括：基于通用几何算法库对房屋特征信息和家具特征信息建立几何模型；获得目标房屋特征信息和家具特征信息的映射关系模型
。5.
根据权利要求1所述的基于机器视觉和几何算法的室内装修效果评估方法，其特征在于所述家具丰富度评分模型，具体包括：其中
α
表示各核心家具得分权重系数，
β
表示各缺失核心家具的扣分权重系数，
γ
表示各装饰性可有可无家具得分权重系数，
θ
表示错误布置家具的扣分权重系数，
F
...

【专利技术属性】
技术研发人员：邹亚峰，周海，夏江东，
申请(专利权)人：百安居网络技术上海有限公司，
类型：发明
国别省市：