CN110096768A - 一种快速实现厨房自动布局的方法及*** - Google Patents

Abstract

本发明公开了一种快速实现厨房自动布局的方法，首先根据厨房布局规则初步筛选出可布局的空间；然后利用空间信息以及空间与家具、家具与家具之间的关系建立合理的参数化布局模型；最后通过学习用户输入的布局风格获得模型的参数以确定最终的家具布局方案。针对厨房布局与其他功能空间布局的差异，本发明可以根据不同的空间特征以及指定的布局风格生成合理的厨房布局方案。

Description

一种快速实现厨房自动布局的方法及***

技术领域

本发明涉及一种快速实现厨房自动布局的方法及***，属于计算机辅助设计技术领域。

背景技术

随着装修需求和装修热潮的不断增长，由设计师依据户型和装修风格为每一套住房设计适配的房间布局变得耗时耗力。厨房是每一个居住空间中必要的区域，也是居住空间中使用频率最高的空间。空间较小的厨房里需要摆放玲琅满目的食材和调味剂并供人使用，这要求厨房的布局必须尽量考虑功能性和实用性。由于现有自动布局算法不能完全适应厨房布局的要求，厨房自动布局方法的实现尤为重要。

例如：现有技术CN106484940A披露了一种家居装饰智能设计方法，该方法中需要获取大量的设计样本，并通过人工智能算法获得家居布局设计结果，但是这种方法对于厨房这样的空间小、家具位置摆放需要严格控制的设计任务来说，存在着机器学习效果不佳的问题；又例如CN107256434A披露了一种家居自动布局的方法，包括：输入室内需要布局的家具；将输入的所述家具分别归类于坐卧家具、坐卧邻接家具、视觉中心家具、舒适性家具共四类家具中其中一类；以所述视觉中心家具为核心根据所述分类对输入的所述家具进行组合；采用禁忌搜索算法对组合后的家具进行布局，这种方法中需要采用禁忌搜索算法，因此需要预先设定较多的判定参数，智能化效果不好，而且在小样本条件下，布局设计结果不能满足厨房设计的要求。

发明内容

本发明设计开发了一种快速实现厨房自动布局的方法。本发明根据厨房布局的基本规则对布局空间进行筛选，得到可布局的候选区域。然后，本发明将厨房布局特点的信息转化成一个参数化布局模型，通过设置和改变模型中的参数得到具有不同风格的布局效果图。更重要的是，本发明可以根据用户指定的风格来学习布局模型中的参数，从而使得用户可以及时看到自己想要的布局效果。

一种快速实现厨房自动布局的方法，包括如下步骤：

第1步，获取厨房户型图以及图中门和窗的位置；

第2步，确定出厨房户型图中用于放置家具物品的自由空间区域；

第3步，通过设定参数化的布局模型或者机器学习方法在自由空间区域内设计出需要布局的物件的位置。

在一个实施方式中，所述的自由空间区域是连续的并且沿墙分布。

在一个实施方式中，所述的自由空间区域与门的开闭空间不重合。

在一个实施方式中，所述的自由空间区域的面积占厨房面积的比值不超过设定阈值。

在一个实施方式中，所述的自由空间区域中的两条相平行的矩形之间的距离大于设定阈值。

在一个实施方式中，将自由空间区域中的长度最长的矩形设为用于布置物件的区域。

在一个实施方式中，所述的自由空间区域中需要确定出灶台和水池的位置。

在一个实施方式中，灶台和水池位于用于布置物件的区域中。

在一个实施方式中，灶台位于用于布置物件的区域中的远离窗户的一端。

在一个实施方式中，机器学习方法包括但不限于：遗传算法、神经网络算法、支持向量机算法等。

在一个实施方式中，机器学习方法包括如下步骤：

S1，读入厨房户型图样本数据，获取样本数据中的物件；

S2，计算出每个物件与墙之间的距离，将每个物件归属于所述物件距离最近的一面墙体上；

S3，针对每一面墙体对应的物件，作出最小外接矩形；并将所述的最小外接矩形最靠近墙体一侧的边延伸至墙体所在线段，并将所述的最小外接矩形的另外三条边扩张至合适位置，将各个最小外接矩形经过扩张后得到的区域确定为样本自由区域；

S4，以物件为输入值，以物件在样本自由区域的相对位置为输出值，对模型进行训练，得到预测模型；

S5，获取需要进行布局的物件，通过上述的预测模型输出物件在第2步得到的自由空间区域中的位置。

在一个实施方式中，参数化的布局模型是指能够量化地表示空间与家具、家具与家具之间的位置关系的规则。

一种快速实现厨房自动布局的***，包括：

户型图识别模块，用于获取厨房户型图以及图中门和窗的位置；

自由区域生成模块，用于确定出厨房户型图中用于放置家具物品的自由空间区域；

布局模块，用于通过设定参数化的布局模型或者机器学习方法在自由空间区域内设计出需要布局的物件的位置。

在一个实施方式中，所述的自由区域生成模块执行以下判定：所述的自由空间区域是连续的并且沿墙分布；所述的自由空间区域与门的开闭空间不重合；所述的自由空间区域的面积占厨房面积的比值不超过设定阈值；所述的自由空间区域中的两条相平行的矩形之间的距离大于设定阈值。

在一个实施方式中，所述的自由区域生成模块将自由空间区域中的长度最长的矩形设为用于布置物件的区域。

在一个实施方式中，所述的自由区域生成模块在所述的自由空间区域中确定出灶台和水池的位置。

在一个实施方式中，所述的自由区域生成模块将灶台和水池设于布置物件的区域中；灶台位于用于布置物件的区域中的远离窗户的一端。

在一个实施方式中，机器学习方法包括但不限于：遗传算法、神经网络算法、支持向量机算法等。

在一个实施方式中，布局模块中包括机器学习模块，所述的机器学习模块包括：

物件读取模块，用于读入厨房户型图样本数据，获取样本数据中的物件；

物件归属判定模块，用于计算出每个物件与墙之间的距离，将每个物件归属于所述物件距离最近的一面墙体上；

样本自由区域确定模块，用于针对每一面墙体对应的物件，作出最小外接矩形；并将所述的最小外接矩形最靠近墙体一侧的边延伸至墙体所在线段，并将所述的最小外接矩形的另外三条边扩张至合适位置，将各个最小外接矩形经过扩张后得到的区域确定为样本自由区域；

样本训练模块，用于以物件为输入值，以物件在样本自由区域的相对位置为输出值，对模型进行训练，得到预测模型；

布局模块，用于获取需要进行布局的物件，通过所述的预测模型输出物件在自由空间区域中的位置。

一种记载有可以运行上述的快速实现厨房自动布局的方法的程序的计算机可读介质。

有益效果

本发明利用厨房布局规则对给定的空间筛选出可布局的候选区域，通过建立家具与空间、不同家具之间的相互关系构造一个参数化布局模型，对用户要求的布局风格进行学习得到布局参数，最终确定布局方案。当用户选择不同的布局风格时，布局模型能快速地对其进行学习并获得该空间下合理的布局方案。

附图说明

图1为本发明所述方法的流程示意图。

图2为本发明所述方法中筛选可布局区域的流程示意图。

图3为本发明所述方法中得到家具布局方案的流程示意图。

图4为本发明所述方法中筛选出可布局空间的示意图。

图5为机器学习算法中对训练样本处理的示意图。

图6为本发明所述方法中实现厨房自动布局的三维示意图。

具体实施方式

为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。应当理解，给出这些示例性实施例仅是为了使相关领域的技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的***中的某些***、模块或单元做出了各种引用，然而，任何数量的不同模块可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述***和方法的不同方面可以使用不同模块。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

由于厨房空间狭小，需要加入的家具种类较多，如果直接采用机器学习再输出布局结果的方式时，机器学习不容易理解出一些布局中的规则，导致学习效果和输出结果都与实际需求存在偏差。因此，本发明通过先验经验引入了自动布局过程中，先通过引入“可布局的自由空间”这样的一个概念，并在该概念中嵌入厨房中的基本设计规则，即“水池”和“灶台”，那么就可以得到一个初步的基本使用习惯的自由空间，然后再在生成的自由空间中采用机器学习和方法生成自动布局空间，就可以更好地让算法在一个有限制条件下的布局规则，将厨房布局特点的信息转化成一个参数化布局模型，通过设置和改变模型中的参数得到具有不同风格的布局效果图，就能够更有针对性地在符合生活习惯的前提下进行自动布局，提高了算法输出的准确性。本发明可以根据用户指定的风格来学习布局模型中的参数，从而使得用户可以及时看到自己想要的布局效果。

厨房的布局设计虽然根据不同的空间结构有不同的特点，但存在一定的共性。厨房与其他功能空间存在区别：厨房空间面积小，操作复杂，功能性强，因此厨房在乎的不是大小，而是功能规划。厨房的功能区一般分为烹饪区、储藏区和洗涤区，各个功能区的布置需由人在厨房的操作流程来决定，必须符合协调性和流畅性。特别地，对于封闭式的厨房空间，橱柜一般沿墙排布并具有一定的连续性，以保证人由足够的操作空间。

本发明提供一种快速实现厨房自动布局的方法，其包括：

步骤1）、基于门、空间利用率等厨房布局规则初步筛选出可布局的自由空间；

对于输入的特定厨房空间，在初始设计之前空间中不存在家具，且家具的种类和数量不定(对于厨房而言灶台及水池是必不可少的)。其它的家具是在完成了自由空间的划分之后，再根据用户的习惯进行引入的。

接下来需要根据人为确定的使用习惯生成一个自由空间，对自由空间的布局原则包括但不限于：自由空间沿墙分布且连续分布；门的区域开户和关闭区域不能被自由空间遮挡（也不能被其它物体遮挡），且家具到门及门的两侧的距离不能过近；柜体之间保证合适的距离，避免对出入造成影响；合理的空间利用率保证使用厨房的人有足够的操作空间。

对于空间的墙体，首先根据门所在的墙体决定该墙是否能放家具，如果不可以放家具时，门所在的墙上不应该划分自由空间，如果门所在的墙足够宽可以放置家具时，则可以将空余的墙体空间纳入自由空间，以及与其邻接的墙体的布局范围,如图4,门到其所在的1号墙两端的距离小于阈值， 过短不能放家具；4号墙的可布局范围是整面墙。

对于两面平行墙体（如图4的2号和4号墙）为了保证人有足够的通行空间，当通行宽度小于人正面行走的距离时；另外，在优选条件下，可以选择平行墙体中较长且连续性好的墙体作为自由空间中的特定的优选布局区域，家具物件重点在该区域中放置（图4中的4号墙）；当然，也可以在全部的自由空间中进行排布。

对于空间利用率，一般厨房的面积利用率一般不超过60%。当面积利用率大于阈值时，则不能保证足够的操作空间，需在利用率极限内考虑最好的可布局区域；这里所说的空间利用率是指自由空间占整个厨房面积的百分比。

在确定了基本的自由空间之后，还需要在其中将灶台和水池的区域确定出，由于这两个家具是厨房的最主要的物件，因此，可以对其先在自由空间中设置。在获取的户型图中，获取窗户的位置，由于灶台不应该直接与窗户邻近，否则容易出现炉火被风吹灭的结果，因此，在上面的确定的自由空间中，选取远离窗户的位置确定好灶台，另外，由于进行洗涤操作时需要较大的面积，因此，在上述的线段较长的空间区域上也设置出水池。

基于以上的步骤，实现了厨房中自由区域的确定，并且基于厨房的户型，在自由区域中确定出了灶台和水池的区域。在此基础上，通过后续的设计手段就能够更有针对性的在限定条件下对样本的学习和输出。

步骤2）、确定出厨房中其它物品的布局模型。

在本步骤中，这个布局模型既可以是机器学习算法生成的，也可以是基于人工经验指定的。

以人工经验指定为例：

利用空间信息（门、窗、形状等）以及空间与家具、家具与家具之间的关系制定合理的参数化布局模型；在制定模型规则时，是应该将布置规则限定为种类物品都应该处于自由空间的内部中，使得通过参数模型得到的结果符合上述步骤得到的自由空间的位置要求。

参数化布局模型是指通过制定规则能够量化地表示空间与家具、家具与家具之间的位置关系。参数化模型，要考虑不同功能性家具之间的摆放顺序以及相对距离，以保证操作的流畅性及协调性。

其他橱柜的类别有转角柜，调味拉篮，抽屉等，对于不同类别的橱柜制定不同的策略，例如调味拉篮应该靠近灶台，转角柜应该放在布局区域的拐角处等。

以机器学习算法为例：

可以采用的机器学习算法包括但不限定：遗传算法、神经网络算法、支持向量机算法等。

首先，通过输入数据样本，获取厨房中其它的物品的种类；例如，在图5中，获取得到了A/B/C/D/E/F六个物品。另外，如果在步骤1中已经初步了确定了自由空间中的水池和灶台的位置后，也可以不再需要再次对水池和灶台的位置进行布局处理，在这种情况下，可以选择将识别出的训练样本中的物体不包含水池和灶台。

接下来，将这六个物品根据它们与四面墙的位置距离将其归属至不同的墙面上；例如，A物品，它与图中上面的墙的位置较近，并且与左边和下边的墙位置较远，因此，将A物品归属于上面的那面墙；同理，C/D归属于左边的墙，E/F归属于下边的墙；

然后，再将归属于各面墙的物品确定最大外接矩形，如图5中所示，归属于上边墙的A/B物品可以确定出最大外接矩形1，归属于左边墙的C/D物品可以确定出最大外接矩形2，归属于下边墙的E/F物品可以确定出最大外接矩形3；

再将各个外接矩形与墙相对的那一边延伸至墙所在的边，并且再将与这面被拉伸的这一边相邻的两边向两侧扩展，使这个外接矩形扩大至适当的区域，当完成了扩展之后，就生成了一个新的区域，将这个扩展后的区域定义为自由空间，就使其与上面步骤1）中的自由空间相对应；同理，可以将最大外接矩形2和3分别扩展生成两个自由空间。

然后，根据样本中的数据，获得这些物品分别在自由空间中的相对位置。再将物品种类作为输入值，物品在自由空间中的相对位置作为输出值，采用机器学习算法对样品进行学习，获得其中的经验规律，找到优秀设计中不同物品的放置位置，形成设计模型。

最后，由用户指定需要在新的布局中加入的物品种类，根据上面步骤1中生成的自由空间，通过模型输出物品在自由空间中的相对位置，即可得到生成的厨房布局。

以上的方案中，由于是通过训练样本中的物件自身的位置构建出一个虚拟的自由空间，并且物体的排布方案是基于在这个虚拟空间中的相对位置的，因此，机器学习算法的数据维度就显著降低，不需要考虑厨房的绝对空间大小宽度，使得输入向量减少；同时，又由于是将数据样本直接限定在一个人为设定的自由空间中，避免了常规的机器学习算法不能够有效识别出厨房中的固有布局规则，因此，也提高了机器学习的学习效率，避免了小样本数量下的学习效果不好的问题。因此，数据的前处理以及后续的特征提取处理两个步骤之间相互协同，共同完成了降维的整体技术构思。

由于在上述的方法中，通过构建了一个预先的自由空间，并且通过对样品数据中的物品位置划分出了一个对应的自由空间区域，那么算法就在学习的过程中，更容易地对厨房的规则进行确定，降低了算法的维度，提高了计算效率和结果输出的准确性。

布局模型的参数可以根据经验人工指定，也可以根据用户输入的布局风格进行学习，以达到用户的要求。

参见图4，本发明根据空间信息以及上述厨房布局规则初步筛选出可布局的区域，在图4中用阴影表示；当给定布局风格或布局要求时，根据计算布局模型的参数首先确定水池和灶台的位置：在有窗的空间中，水池一般靠近窗，灶台与水池保持一定的相对距离；最后再确定其他橱柜的位置。如图6，其为布局好的厨房示意图。

基于以上的方法，本发明还提供了一种快速实现厨房自动布局的***，包括：

户型图识别模块，用于获取厨房户型图以及图中门和窗的位置；

自由区域生成模块，用于确定出厨房户型图中用于放置家具物品的自由空间区域；

布局模块，用于通过设定参数化的布局模型或者机器学习方法在自由空间区域内设计出需要布局的物件的位置。

在一个实施方式中，所述的自由区域生成模块执行以下判定：所述的自由空间区域是连续的并且沿墙分布；所述的自由空间区域与门的开闭空间不重合；所述的自由空间区域的面积占厨房面积的比值不超过设定阈值；所述的自由空间区域中的两条相平行的矩形之间的距离大于设定阈值。

在一个实施方式中，所述的自由区域生成模块将自由空间区域中的长度最长的矩形设为用于布置物件的区域。

在一个实施方式中，所述的自由区域生成模块在所述的自由空间区域中确定出灶台和水池的位置。

在一个实施方式中，所述的自由区域生成模块将灶台和水池设于布置物件的区域中；灶台位于用于布置物件的区域中的远离窗户的一端。

在一个实施方式中，机器学习方法包括但不限于：遗传算法、神经网络算法、支持向量机算法等。

在一个实施方式中，布局模块中包括机器学习模块，所述的机器学习模块包括：

物件读取模块，用于读入厨房户型图样本数据，获取样本数据中的物件；

物件归属判定模块，用于计算出每个物件与墙之间的距离，将每个物件归属于所述物件距离最近的一面墙体上；

样本自由区域确定模块，用于针对每一面墙体对应的物件，作出最小外接矩形；并将所述的最小外接矩形最靠近墙体一侧的边延伸至墙体所在线段，并将所述的最小外接矩形的另外三条边扩张至合适位置，将各个最小外接矩形经过扩张后得到的区域确定为样本自由区域；

样本训练模块，用于以物件为输入值，以物件在样本自由区域的相对位置为输出值，对模型进行训练，得到预测模型；

布局模块，用于获取需要进行布局的物件，通过所述的预测模型输出物件在自由空间区域中的位置。

本发明还提供了一种记载有可以运行上述的快速实现厨房自动布局的方法的程序的计算机可读介质。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的***。

Claims (10)

1.一种快速实现厨房自动布局的方法，其特征在于，包括如下步骤：第1步，获取厨房户型图以及图中门和窗的位置；第2步，确定出厨房户型图中用于放置家具物品的自由空间区域；第3步，通过设定参数化的布局模型或者机器学习方法在自由空间区域内设计出需要布局的物件的位置。

2.根据权利要求1所述的快速实现厨房自动布局的方法，其特征在于，在一个实施方式中，所述的自由空间区域是连续的并且沿墙分布。

3.根据权利要求1所述的快速实现厨房自动布局的方法，其特征在于，在一个实施方式中，所述的自由空间区域与门的开闭空间不重合。

4.根据权利要求1所述的快速实现厨房自动布局的方法，其特征在于，所述的自由空间区域的面积占厨房面积的比值不超过设定阈值；所述的自由空间区域中的两条相平行的矩形之间的距离大于设定阈值；将自由空间区域中的长度最长的矩形设为用于布置物件的区域。

5.根据权利要求1所述的快速实现厨房自动布局的方法，其特征在于，所述的自由空间区域中需要确定出灶台和水池的位置；灶台和水池位于用于布置物件的区域中；灶台位于用于布置物件的区域中的远离窗户的一端；机器学习方法包括但不限于：遗传算法、神经网络算法、支持向量机算法等。

6.根据权利要求1所述的快速实现厨房自动布局的方法，其特征在于，机器学习方法包括如下步骤：

S1，读入厨房户型图样本数据，获取样本数据中的物件；

S2，计算出每个物件与墙之间的距离，将每个物件归属于所述物件距离最近的一面墙体上；

S3，针对每一面墙体对应的物件，作出最小外接矩形；并将所述的最小外接矩形最靠近墙体一侧的边延伸至墙体所在线段，并将所述的最小外接矩形的另外三条边扩张至合适位置，将各个最小外接矩形经过扩张后得到的区域确定为样本自由区域；

S4，以物件为输入值，以物件在样本自由区域的相对位置为输出值，对模型进行训练，得到预测模型；

S5，获取需要进行布局的物件，通过上述的预测模型输出物件在第2步得到的自由空间区域中的位置；参数化的布局模型是指能够量化地表示空间与家具、家具与家具之间的位置关系的规则。

7.一种快速实现厨房自动布局的***，其特征在于，包括：

户型图识别模块，用于获取厨房户型图以及图中门和窗的位置；

自由区域生成模块，用于确定出厨房户型图中用于放置家具物品的自由空间区域；

布局模块，用于通过设定参数化的布局模型或者机器学习方法在自由空间区域内设计出需要布局的物件的位置。

8.根据权利要求7所述的快速实现厨房自动布局的***，其特征在于，所述的自由区域生成模块执行以下判定：所述的自由空间区域是连续的并且沿墙分布；所述的自由空间区域与门的开闭空间不重合；所述的自由空间区域的面积占厨房面积的比值不超过设定阈值；所述的自由空间区域中的两条相平行的矩形之间的距离大于设定阈值；所述的自由区域生成模块将自由空间区域中的长度最长的矩形设为用于布置物件的区域；所述的自由区域生成模块在所述的自由空间区域中确定出灶台和水池的位置；所述的自由区域生成模块将灶台和水池设于布置物件的区域中；灶台位于用于布置物件的区域中的远离窗户的一端；机器学习方法包括但不限于：遗传算法、神经网络算法、支持向量机算法等。

9.根据权利要求7所述的快速实现厨房自动布局的***，其特征在于，布局模块中包括机器学习模块，所述的机器学习模块包括：

物件读取模块，用于读入厨房户型图样本数据，获取样本数据中的物件；

物件归属判定模块，用于计算出每个物件与墙之间的距离，将每个物件归属于所述物件距离最近的一面墙体上；

样本自由区域确定模块，用于针对每一面墙体对应的物件，作出最小外接矩形；并将所述的最小外接矩形最靠近墙体一侧的边延伸至墙体所在线段，并将所述的最小外接矩形的另外三条边扩张至合适位置，将各个最小外接矩形经过扩张后得到的区域确定为样本自由区域；

样本训练模块，用于以物件为输入值，以物件在样本自由区域的相对位置为输出值，对模型进行训练，得到预测模型；

布局模块，用于获取需要进行布局的物件，通过所述的预测模型输出物件在自由空间区域中的位置。

10.一种记载有可以运行权利要求1所述的快速实现厨房自动布局的方法的程序的计算机可读介质。