(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210689854.X (22)申请日 2022.06.17 (71)申请人 广州市圆方计算机软件工程有限公 司 地址 510627 广东省广州市天河区花城大 道路85号3701房全层 (72)发明人 刘鸿　侯伟锋　陈艺峰　张庆伟　 (74)专利代理 机构 佛山市禾才知识产权代理有 限公司 4 4379 专利代理师 刘羽波　陈嘉琦 (51)Int.Cl. G06V 30/422(2022.01) G06V 10/22(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/70(2022.01) G06T 11/20(2006.01) G06T 3/40(2006.01) G06N 3/04(2006.01) (54)发明名称 一种平面户型图的墙体区域识别方法、 系 统、 设备及 介质 (57)摘要 本发明涉图像处理技术领域， 尤其涉及一种 平面户型图的墙体区域识别方法、 系统、 设备及 介质， 其中方法包括步骤A： 构建训练数据集， 包 括对平面户型图的墙体信息进行标注， 构建墙体 分割训练数据； 步骤B： 构建语义分割网络模型， 由首卷积层、 编码器、 解码器和输出层组成的语 义分割网络模型； 步骤C： 训练语义分割网络模 型， 将步骤A中得到的墙体分割训练数据输入至 语义分割网络模 型进行训练， 当语义分割网络模 型训练至收敛时， 得到墙体识别模型； 步骤D： 模 型识别墙体信息， 将待识别的平 面户型图输入至 训练好的墙体识别模型进行识别， 得到墙体信 息。 本发明解决现有的墙体识别方法的识别精度 不高， 且对不同样式的户型图下存在漏识别和误 识别的问题。 权利要求书2页 说明书7页 附图4页 CN 114973297 A 2022.08.30 CN 114973297 A 1.一种平面户型图的墙 体区域识别方法， 其特 征在于， 包括以下步骤： 步骤A： 构建训练数据集， 包括对平面户型图的墙体信息进行标注， 构建墙体分割训练 数据； 步骤B： 构建语义分割网络模型， 由首卷积层、 编码器、 解码器和输出层组成的语义分割 网络模型； 步骤C： 训练语义分割网络模型， 将步骤A中得到的墙体分割训练数据输入至语义分割 网络模型进行训练， 当语义分割网络模型训练至收敛时， 得到墙 体识别模型； 步骤D： 模型识别墙体信 息， 将待识别的平面户型图输入至训练好的墙体识别模型进行 识别， 得到墙 体信息。 2.根据权利要求1所述一种平面户型图的墙体区域识别方法， 其特征在于： 在所述步骤 A中， 构建训练数据集包括以下步骤： 步骤A1： 获取不同来源、 不同风格、 不同样式、 不同大小的各类平面户型图； 步骤A2： 通过开源软件Labelme或者其他带蒙版标注功能的软件， 人工标记得到每张户 型图中所有墙 体标记区域的轮廓点 二维坐标； 其中， 所述墙体标记区域包括含有墙体样式的区域、 含有内嵌在墙上的系列门区域和 内嵌在墙上系列窗 区域； 步骤A3： 将墙 体轮廓坐标转换成和平面户型图大小一 致的二维标签。 3.根据权利要求2所述一种平面户型图的墙体区域识别方法， 其特征在于： 在所述步骤 A3中， 将墙 体轮廓坐标转换成和平面户型图大小一 致的二维标签， 包括以下步骤： 步骤A31： 创建一张和平面户型图的分辨 率大小一 致的单通道空白蒙版图； 步骤A32： 读取 标记得到的墙 体区域轮廓点的二维坐标； 步骤A33： 根据轮廓点的坐标信息在蒙版图上的对应位置绘制填充的封闭的多边形， 最 终在空白蒙版图上 得到仅包 含墙体区域的二维标签； 其中， 基于 输入的平面户型图的分辨 率确定语义分割网络模型的分割精度。 4.根据权利要求1所述一种平面户型图的墙体区域识别方法， 其特征在于： 在所述步骤 B中， 所述首 卷积层包括两层重复的普通卷积层、 归一 化层和激活层； 所述编码器包括四层下采样层， 每个所述下采样层包括两层重复的卷积层、 激活层、 归 一化层和 一层最大池化层， 平面户型图每次经过所述最大池化层后， 图像的特征矩阵的宽 和高缩减为原来的一半， 特 征的通道数翻倍； 所述解码器包括4层上采样层， 每个所述上采样层包含一层转置卷积层、 两层重复的卷 积层、 激活层和归一化层， 其中， 每次上采样层之后都会和对应大小的下采样层特征图进 行 长连接之后再作为下一次上采样层的输入， 每次转置卷积之后， 特征 的宽高扩大到原来的 两倍， 特征 的通道数减少为原来的一半， 长连接负责将下采样之前 的特征和上采样之后的 编码解码特征进行融合， 融合后的特征不仅包含了编码前 的原始特征信息， 也包含了编码 解码后的高维特征信息， 上采样层不仅将编码后的特征恢复成原始尺寸， 同时融合了编码 前后的特 征信息； 所述输出层包括一层普通卷积层和si gmoid层， 普通卷积层提取的特征经过si gmoid激 活映射到[0， 1]之间， 即为 提取的墙 体二维特 征； 其中， 所有普通卷积层都采用3x3大小的卷积核， 激活层使用LeakyRelu进行激活， 归一权　利　要　求　书 1/2 页 2 CN 114973297 A 2化层使用I nstanceN orm进行归一 化。 5.根据权利要求1所述一种平面户型图的墙体区域识别方法， 其特征在于： 在步骤C 中， 训练语义分割网络模型包括以下步骤： 步骤C1： 对步骤A中得到的墙体分割训练数据同步进行数据增强， 获得增强型墙体分割 训练数据； 其中， 包括数据增强方式包括左右翻转、 上下翻转、 角度旋转、 图像平移、 尺寸裁 剪、 比例缩放、 随机噪声、 高斯模糊、 颜色扰动、 亮度扰动和混类增强， 且每次执行数据增强 操作时， 随机 选择若干种数据增强方式进行组合； 步骤C2： 将增强型墙体分割训练数据输入至语义分割网络模型进行训练， 当语义分割 网络模型训练至收敛时， 得到墙 体识别模型。 6.根据权利要求1所述一种平面户型图的墙体区域识别方法， 其特征在于： 在所述步骤 D中， 模型识别墙 体信息， 包括以下步骤： 步骤D1： 记录待识别平面户型图的原 始分辨率尺寸； 步骤D2： 将待识别的平面户型图的分辨 率进行缩放， 获得缩放的户型图； 步骤D3： 将缩放的平面户型图输入至训练好的墙 体识别模型， 得到预测的墙 体信息； 步骤D4:将墙 体信息经 过阈值二值化， 得到墙 体的分割结果图； 步骤D5： 将分割结果图缩放回记录的原始分辨率尺寸大小， 即为最终平面户型图的墙 体识别结果。 7.一种平面户型图的墙体区域识别系统， 其特征在于： 包括样本模块、 网络模块、 训练 模块和识别模块； 所述样本模块用于构建训练数据集， 包括对平面户型图的墙体信息进行标注， 构建墙 体分割训练数据； 所述网络模块用于构建语义分割网络模型； 所述训练模块用于训练语义分割网络模型， 将墙体分割训练数据输入至语义分割网络 模型进行训练， 当语义分割网络模型训练至收敛时， 得到墙 体识别模型； 所述识别模块用于模型识别墙体信 息， 将待识别的平面户型图输入至训练好的墙体识 别模型进行识别， 得到墙 体信息。 8.一种终端设备， 其特征在于， 包括存储器、 处理器以及存储在所述存储器中并可在所 述处理器上运行的计算机程序， 所述处理器执行所述计算机程序时如权利要求 1至6中任意 一项所述的平面户型图的墙 体区域识别方法的步骤。 9.一种存储介质， 其特征在于， 所述存储介质存储有计算机程序， 所述计算机程序被处 理器执行时实现如权利要求1至 6中任意一项所述的平面户型图的墙 体区域识别方法。权　利　要　求　书 2/2 页 3 CN 114973297 A 3