CN111104704A - 柜体内部布局设计方法、装置、***以及存储介质 - Google Patents
柜体内部布局设计方法、装置、***以及存储介质 Download PDFInfo
- Publication number
- CN111104704A CN111104704A CN201911260627.XA CN201911260627A CN111104704A CN 111104704 A CN111104704 A CN 111104704A CN 201911260627 A CN201911260627 A CN 201911260627A CN 111104704 A CN111104704 A CN 111104704A
- Authority
- CN
- China
- Prior art keywords
- cabinet
- functional
- cabinet body
- internal layout
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种柜体内部布局设计方法、装置、***以及存储介质,包括:获取当前柜体内部布局;利用根据深度神经网络构建的功能柜类别确定模型基于所述当前柜体内部布局设计柜体剩余空间内功能柜类别,然后利用根据深度神经网络构建的功能柜位置确定模型确定所述功能柜类别在柜体剩余空间内的位置;在柜体内已布满功能柜时,利用根据深度神经网络构建的功能柜区域分割模型基于柜体内已布满功能柜时对应的柜体内部布局进行功能柜区域分割,以实现对柜体内部布局设计。能够实现基于柜体轮廓在内的当前柜体内部布局对柜体内部剩余空间进行自动设计,以降低设计师的工作量。
Description
技术领域
本发明属于家具设计技术领域,具体涉及一种柜体内部布局设计方法、装置、***以及存储介质。
背景技术
在家具设计领域,尤其是柜体的设计领域,对于柜体内部的功能空间划分和几何分布对于柜体的实用性有着十分重要的意义。因此,在进行柜体设计中,进行合理的内部空间设计很有必要。
目前,在家具设计中,柜体的设计和内部空间的布局与划分需要由设计师进行人工操作,具体过程大致为:首先确定柜体的主要功能,然后根据功能确定柜体内的功能区域,最后对功能区域大小、功能区域位置以及隔断关系进行详细的划分和设计。这种人工设计柜体的方式不仅需要设计师大量的工作量,并且耗时较多,同时设计效果也高度依赖于设计师的个人经验积累和熟练度,无法保证设计水平的一致性,同时这种劳动密集型的工作也会大大加重设计师的工作负担。
申请公布号为CN108304650A的专利申请公开了一种基于参数驱动算法的橱柜衣柜3D设计方法,包括给柜体内的部件添加相应的对象名,设置被驱动部件的表达式以及驱动更新步骤。
申请公布号为CN109598017A的专利申请公开了一种基于用户自由选墙智能生成橱柜的方法,具体包括S1:建立场景,进入橱柜智能布置模式,S2:分析用户选择的墙体个数,在用户选完墙体,进行下一步布置操作期间,S3:分析厨房格局,根据用户选墙的个数,确定厨房的布局,S4:采用专家***匹配规则,根据墙体数据,分析出该面墙的可以放置的柜体,S5:转换坐标,建立本地坐标系,将墙体信息转换到本地坐标系中,S6:精准放置柜体,根据建立的本地坐标器,S7:用户选择风格,进行替换风格。该技术方案虽然能够智能生成橱柜,但是步骤较多,效率低。
发明内容
本发明实施例提供一种柜体内部布局设计方法、装置、***以及存储介质,能够实现基于柜体轮廓在内的当前柜体内部布局对柜体内部剩余空间进行自动设计,以降低设计师的工作量。该技术方案如下:
第一方面,一种柜体内部布局设计方法,该方法包括:
获取当前柜体内部布局;
利用根据深度神经网络构建的功能柜类别确定模型基于所述当前柜体内部布局设计柜体剩余空间内功能柜类别,然后利用根据深度神经网络构建的功能柜位置确定模型确定所述功能柜类别在柜体剩余空间内的位置;
在柜体内已布满功能柜时,利用根据深度神经网络构建的功能柜区域分割模型基于柜体内已布满功能柜时对应的柜体内部布局进行功能柜区域分割,以实现对柜体内部布局设计。
第二方面,一种柜体内部布局设计装置,所述装置包括:
获取单元,用于获取当前柜体内部布局;
功能柜类别确定单元,用于利用根据深度神经网络构建的功能柜类别确定模型基于所述当前柜体内部布局设计柜体剩余空间内功能柜类别;
功能柜位置确定单元,用于利用根据深度神经网络构建的功能柜位置确定模型确定所述功能柜类别在柜体剩余空间内的位置;
功能柜区域分割模块,用于在柜体内已布满功能柜时,利用根据深度神经网络构建的功能柜区域分割模型基于柜体内已布满功能柜时对应的柜体内部布局进行功能柜区域分割。
第三方面,一种柜体内部布局设计***,包括至少一个存储器、至少一个处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序,所述存储器中存有根据深度神经网络构建的功能柜类别确定模型、功能柜位置确定模型以及功能柜区域分割模型,所述处理器执行所述计算机程序时实现以下步骤:
获取当前柜体内部布局;
调用所述功能柜类别确定模型基于所述当前柜体内部布局设计柜体剩余空间内功能柜类别;
调用所述功能柜位置确定模型确定所述功能柜类别在柜体剩余空间内的位置;
在柜体内已布满功能柜时,调用所述功能柜区域分割模型基于柜体内已布满功能柜时对应的柜体内部布局进行功能柜区域分割,以实现对柜体内部布局设计。
第四方面,一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述柜体内部布局设计方法所执行的操作。
本发明实施例提供的技术方案带来的有益效果至少包括:
通过根据深度神经网络构建的功能柜类别确定模型、功能柜位置确定模型以及功能柜区域分割模型对基于当前柜体内部布局的柜体内部剩余空间进行功能柜设计以及布局,降低了设计师的工作量,大大提升了柜体内部布局设计效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是本发明实施例提供的一种柜体内部布局设计方法的流程示意图;
图2(a)和图2(b)是本发明实施例提供的一种柜体内部布局设计方法中当前柜体内部布局示意图;
图3是本发明实施例提供的一种柜体内部布局设计方法中功能柜类别以及位置的确定结果示意图;
图4是本发明实施例提供的一种柜体内部布局设计方法中功能柜区域分割结果示意图;
图5是本发明实施例提供的一种柜体内部布局设计方法中线条规则优化结果示意图;
图6是本发明实施例提供的一种柜体内部布局设计装置的结构示意图;
图7(a)~图7(d)是本发明实施例提供的一种柜体内部布局设计效果图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
设计师在进行柜体设计时,首先会去考虑柜体的实际功能应用,来确定柜体内部需要的功能区域和以及大概分布位置,然后再综合考虑不同功能区域的面积需求,使用时的方便程度以及各个功能区域划分后整体的美观和协调等因素后,进行各个功能区域之间的合理空间划分。
为了最大程度地实现接近真实并且全自动的柜体内部布局设计,本发明实施例模仿人的思考、决策和设计流程,提供了如图1所示的一种柜体内部布局设计方法的流程示意图。参见图1,以一张只具有轮廓的柜体进行柜体内部布局设计为例进行说明,该实施例包括:
S101,获取当前柜体内部布局。
其中,当前柜体内部布局可以是在初始状态下仅包括柜体轮廓的柜体,如图2(a)所示,还可以是柜体内部已经设计有部分功能柜连同柜体轮廓的柜体内部布局,如图2(b)所示。一般情况下,所述当前柜体内部布局呈现为二维图。即所述当前柜体内部布局是一张二维彩色图片,包含了柜体外轮廓和/或外轮廓内已经确定的功能柜类型和位置,可以是二维剖面图,也可以二维透视图。二维图对功能柜类型确定模型、功能柜位置确定模型以及功能柜区域分割模型的网络结构要求相对简单,采用二维的当前柜体内部布局能够大大减少计算量,降低计算消耗,提升设计效率。当然,在不考虑计算消耗时,当前柜体内部布局也可以呈现三维立体结构。
S102,利用根据深度神经网络构建的功能柜类别确定模型基于所述当前柜体内部布局设计柜体剩余空间内功能柜类别,利用根据深度神经网络构建的功能柜位置确定模型确定所述功能柜类别在柜体剩余空间内的位置。
柜体按照功能可能会分为衣柜,鞋柜,酒柜,普通储物柜等等,也就是功能柜包括衣柜,鞋柜,酒柜,普通储物柜等,不同功能柜按照不同的组合方式组合到一起会形成不同的柜体内部布局。功能柜的组合方式可以视为多个包围盒在剖面上的相互关系。生成每个包围盒的中心在剖面上位置和类别的过程,类似于设计师初步决策时对于每个类别功能区域大致所处位置的思考过程。因此,实施例采用基于深度神经网络构建的功能柜类别确定模型和功能柜位置确定模型来对功能区域类型和位置进行确定。
实施例中,功能柜类别确定模型和功能柜位置确定模型均是以深度神经网络为网络基础,经过柜体数据训练得到。举例说明,可以采用两个resnet-152(Deep ResidualLearning for Image Recognition)的深度神经网络作为网络基础,利用柜体数据训练resnet-152,优化resnet-152的网络参数,以获得功能柜类别确定模型和功能柜位置确定模型。
实施例中,整理柜体数据,以包含柜体轮廓、已有功能柜类别和位置的图片作为输入,以包含下一个功能柜类型和位置的图片作为输出真值标签,对两个resnet-152进行监督学习,使其学习图片到数字之间的映射和图片到图片的映射,以迭代优化两个resnet-152的网络参数,当第一resnet-152的网络参数确定时,获得能够根据输入的图片预测输出下一个功能柜类型的功能柜类别确定模型,即该功能柜类别确定模型能够根据输入的当前柜体内部布局预测设计柜体剩余空间内功能柜类别。当第二个resnet-152的网络参数确定时,获得能够根据输入的图片预测输出下一个功能柜位置的功能柜位置确定模型,即该功能柜位置确定模型能够根据输入的当前柜体内部布局预测设计柜体剩余空间内功能柜类别对应的位置。
功能柜类别确定模型输出的是由一组表示可能功能柜的概率值组成的概率数组,从功能柜类别确定模型输出的概率数组中,选择最大概率值对应的那类功能柜作为根据基于当前柜体内部布局在柜体剩余空间内设计的功能柜类别。举例说明,当功能柜类别确定模型输出如表1所示的概率数组时,选择普通衣柜作为下一个预测设计的功能柜类型。
表1
普通衣柜 | 小抽屉 | 大衣柜 |
0.86 | 0.08 | 0.02 |
在获得功能柜类别确定模型和功能柜位置确定模型的基础上,即可以根据当前柜体内部布局进行下一个功能柜类型和位置的预测设计,图3给出了一个功能柜类别以及位置的确定结果示意图。具体地,预设设计过程包括:(a)针对仅包括柜体外轮廓的柜体内部布局,利用功能柜类别确定模型判断是否能放下第一个功能柜以及功能柜的类别,如果判断可以放置,再利用功能柜位置确定模型该类别的功能柜的放置位置;(b)基于包括柜体外轮廓和已经生成的功能柜类别及位置的当前柜体内部布局,利用功能柜类别确定模型判断是否能放下一个功能柜以及功能柜的类别,如果判断可以放置,再利用功能柜位置确定模型该类别的功能柜的放置位置;(c)迭代循环执行步骤(b),直到柜体内已布满功能柜时为止。
实施例中,根据所述功能柜类别确定模型输出的概率值与概率阈值的大小判断柜体内功能柜的布局情况,当输出的所有概率值均小于概率阈值,则柜体内已布满功能柜。
概率阈值是根据功能柜类别以及实际应用情况设定的,当输出的所有概率值均小于概率阈值,也就是当前环境下已经没有足够的空间来进行下一个功能柜的放置,此时则认为柜体内已布满功能柜。
S103,在柜体内已布满功能柜时,利用根据深度神经网络构建的功能柜区域分割模型基于柜体内已布满功能柜时对应的柜体内部布局进行功能柜区域分割,以实现对柜体内部布局设计。
功能柜区域分割模型主要用于生成区域划分边缘,将边缘和背景作为两种不同的类别标签,进行语义分割。该功能柜区域分割模型是以区域分割的深度网络为网络基础,经过柜体数据训练得到。举例说明,可以采用***的mobile-net(MobileNets:EfficientConvolutional Neural Networks for Mobile Vision Applications)为区域分割的深度网络,采用包含柜体外轮廓、各功能柜类别和位置的图片作为输入,使用包含柜体外轮廓、并详细绘制了边划分缘的图片作为输出,利用mobile-net学习这种图像层面的映射,以迭代优化获得功能柜区域分割模型,该功能区域分割模型能够柜体内部布局进行功能柜区域分割。
在获得功能区域分割模型基础上,将基于柜体内已布满功能柜时对应的柜体内部布局输入至功能区域分割模型中,利用功能区域分割模型对柜体内部布局中的功能柜位置进行区域分割,以获得区域分割结果,如图4示例性给出的功能柜区域分割结果示意图。
功能区域分割模型直接获得的功能柜区域分割结果中分割线条走线正确,但是局部呈现坑洼状,直接影响后续三维功能柜体的生成,因此,在一些实施例中,所述柜体内部布局设计方法还包括:对功能柜区域分割结果进行线条规则优化。也就是对功能柜区域分割结果中这些坑洼线条进行规则化处理,以确定最终的分割线位置。
其中,所述对功能柜区域分割结果进行线条规则优化包括:
步骤a,依次采用对功能柜分割区域进行数学形态学操作,即可以对功能柜分割区域进行腐蚀膨胀操作,使分割边缘更为平整;
步骤b,对数学形态学操作结果进行直线检测,并对检测直线进行方向归一化和合并操作,以确定最终的区域分割界限。
图5示例性给出了对功能柜区域分割结果进行线条规则优化的结果示意图,由此可得对功能柜区域分割结果进行线条规则优化消除了分割线局部呈现的坑洼状,避免了坑洼状线条对后续三维功能柜体的生成出现错误的影响。
在一些实施例中,经过所述功能柜位置确定模型确定柜体剩余空间内功能柜位置后呈现的柜体内部布局提供给用户,以进行柜体内部布局中功能柜类型和位置编辑更改。
用户在获得柜体内部布局后,可以根据自己喜好对功能柜位置和类型进行调整,或者增加一个特定功能柜和位置。然后,以编辑后的柜体内部布局作为输入,利用功能柜类别确定模型和功能柜位置确定模型进行柜体内部的继续布局,即继续在柜体内部剩余空间设计功能柜类型及对应位置。
在一些实施例中,将柜体内已布满功能柜时对应的柜体内部布局提供给用户,以人为初始化区域分割边界。
用户在获得的柜体内部布局后,可以根据自己喜好绘制部分功能柜分割边界,这样,人为初始化的区域分割边界连同柜体内部布局一通输入至功能柜区域分割模型内,功能柜区域分割模型综合初始化区域分割边界进行功能柜区域分割,即预测生成剩下功能柜边界位置。
该柜体内部布局设计方法通过根据深度神经网络构建的功能柜类别确定模型、功能柜位置确定模型以及功能柜区域分割模型对基于当前柜体内部布局的柜体内部剩余空间进行功能柜设计以及布局,降低了设计师的工作量,大大提升了柜体内部布局设计效率。此外,通过提供给用户柜体内部布局以进行功能柜类型和位置编辑更改、分割边界初始化,实现了柜体内部布局设计的个性化,部分柜体内部布局设计效果图如图7(a)~图7(d)所示。
图6是本发明实施例提供的一种柜体内部布局设计装置的结构示意图。
参见图6,该实施例包括:
获取单元601,用于获取当前柜体内部布局;
功能柜类别确定单元602,用于利用根据深度神经网络构建的功能柜类别确定模型基于所述当前柜体内部布局设计柜体剩余空间内功能柜类别;
功能柜位置确定单元603,用于利用根据深度神经网络构建的功能柜位置确定模型确定所述功能柜类别在柜体剩余空间内的位置;
功能柜区域分割模块604,用于在柜体内已布满功能柜时,利用根据深度神经网络构建的功能柜区域分割模型基于柜体内已布满功能柜时对应的柜体内部布局进行功能柜区域分割。
该柜体内部布局设计装置通过根据深度神经网络构建的功能柜类别确定模型、功能柜位置确定模型以及功能柜区域分割模型对基于当前柜体内部布局的柜体内部剩余空间进行功能柜设计以及布局,降低了设计师的工作量,大大提升了柜体内部布局设计效率。
在一些可能的实施方式中,基于图6所示的装置组成,该装置还包括:线条优化单元,用于功能柜区域分割结果进行线条规整优化。
在一些可能的实施方式中,基于图6所示的装置组成,该装置还包括:功能柜类型和位置编辑单元,用于将经过所述功能柜位置确定模型确定柜体剩余空间内功能柜位置后呈现的柜体内部布局提供给用户,以进行柜体内部布局中功能柜类型和位置编辑更改。
在一些可能的实施方式中,基于图6所示的装置组成,该装置还包括:区域分割边界初始化单元,用于将柜体内已布满功能柜时对应的柜体内部布局提供给用户,以人工初始化区域分割边界。
以上所有可选技术方案,可以采用任意结合形成本发明公开的可选实施例,在此不再一一赘述。
需要说明的是,上述实施例提供的柜体内部布局设计装置在进行柜体内部布局时,应以上述各功能单元的划分进行举例说明,可以根据需要将上述功能分配由不同的功能单元完成,即在终端或服务器的内部结构划分成不同的功能单元,以完成以上描述的全部或者部分功能。另外,上述实施例提供的柜体内部布局设计装置与柜体内部布局设计方法实施例属于同一构思,其具体实现过程详见柜体内部布局设计方法实施例,这里不再赘述。
实施例还提供了一种柜体内部布局设计***,包括至少一个存储器、至少一个处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序,所述存储器中存有根据深度神经网络构建的功能柜类别确定模型、功能柜位置确定模型以及功能柜区域分割模型,所述处理器执行所述计算机程序时实现以下步骤:
获取当前柜体内部布局;
调用所述功能柜类别确定模型基于所述当前柜体内部布局设计柜体剩余空间内功能柜类别;
调用所述功能柜位置确定模型确定所述功能柜类别在柜体剩余空间内的位置;
在柜体内已布满功能柜时,调用所述功能柜区域分割模型基于柜体内已布满功能柜时对应的柜体内部布局进行功能柜区域分割,以实现对柜体内部布局设计。
其中,存储器可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器所执行以实现本发明中方法实施例提供的柜体内部布局设计方法。
该柜体内部布局设计***通过根据深度神经网络构建的功能柜类别确定模型、功能柜位置确定模型以及功能柜区域分割模型对基于当前柜体内部布局的柜体内部剩余空间进行功能柜设计以及布局,降低了设计师的工作量,大大提升了柜体内部布局设计效率。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括至少一条指令的存储器,上述至少一条指令可由终端中的处理器执行以完成上述实施例中柜体内部布局设计方法。例如,该计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种柜体内部布局设计方法,其特征在于,所述方法包括:
获取当前柜体内部布局;
利用根据深度神经网络构建的功能柜类别确定模型基于所述当前柜体内部布局设计柜体剩余空间内功能柜类别,然后利用根据深度神经网络构建的功能柜位置确定模型确定所述功能柜类别在柜体剩余空间内的位置;
在柜体内已布满功能柜时,利用根据深度神经网络构建的功能柜区域分割模型基于柜体内已布满功能柜时对应的柜体内部布局进行功能柜区域分割,以实现对柜体内部布局设计。
2.如权利要求1所述的柜体内部布局设计方法,其特征在于,从功能柜类别确定模型输出的概率数组中,选择最大概率值对应的那类功能柜作为根据基于当前柜体内部布局在柜体剩余空间内设计的功能柜类别。
3.如权利要求1所述的柜体内部布局设计方法,其特征在于,根据所述功能柜类别确定模型输出的概率值与概率阈值的大小判断柜体内功能柜的布局情况,当输出的所有概率值均小于概率阈值,则柜体内已布满功能柜。
4.如权利要求1~3任一项所述的柜体内部布局设计方法,其特征在于,所述方法还包括:对功能柜区域分割结果进行线条规则优化;
其中,所述线条规则优化包括如下步骤:
步骤a:依次采用对功能柜分割区域进行数学形态学操作,对功能柜分割区域进行腐蚀膨胀操作,使分割边缘更为平整;
步骤b:对数学形态学操作结果进行直线检测,并对检测直线进行方向归一化和合并操作,以确定最终的区域分割界限。
5.如权利要求4所述的柜体内部布局设计方法,其特征在于,所述方法还包括:经过所述功能柜位置确定模型确定柜体剩余空间内功能柜位置后呈现的柜体内部布局提供给用户,以进行柜体内部布局中功能柜类型和位置编辑更改。
6.如权利要求4或5所述的柜体内部布局设计方法,其特征在于,所述方法还包括:将柜体内已布满功能柜时对应的柜体内部布局提供给用户,以人工初始化区域分割边界。
7.一种柜体内部布局设计装置,其特征在于,所述装置包括:
获取单元,用于获取当前柜体内部布局;
功能柜类别确定单元,用于利用根据深度神经网络构建的功能柜类别确定模型基于所述当前柜体内部布局设计柜体剩余空间内功能柜类别;
功能柜位置确定单元,用于利用根据深度神经网络构建的功能柜位置确定模型确定所述功能柜类别在柜体剩余空间内的位置;
功能柜区域分割模块,用于在柜体内已布满功能柜时,利用根据深度神经网络构建的功能柜区域分割模型基于柜体内已布满功能柜时对应的柜体内部布局进行功能柜区域分割。
8.如权利要求7柜体内部布局设计装置,其特征在于,所述装置还包括:线条优化单元、功能柜类型和位置编辑单元以及区域分割边界初始化单元;
其中,所述线条优化单元,用于功能柜区域分割结果进行线条规整优化;
所述功能柜类型和位置编辑单元,用于将经过所述功能柜位置确定模型确定柜体剩余空间内功能柜位置后呈现的柜体内部布局提供给用户,以进行柜体内部布局中功能柜类型和位置编辑更改;
所述区域分割边界初始化单元,用于将柜体内已布满功能柜时对应的柜体内部布局提供给用户,以人工初始化区域分割边界。
9.一种柜体内部布局设计***,包括至少一个存储器、至少一个处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序,其特征在于,所述存储器中存有根据深度神经网络构建的功能柜类别确定模型、功能柜位置确定模型以及功能柜区域分割模型,所述处理器执行所述计算机程序时实现以下步骤:
获取当前柜体内部布局;
调用所述功能柜类别确定模型基于所述当前柜体内部布局设计柜体剩余空间内功能柜类别;
调用所述功能柜位置确定模型确定所述功能柜类别在柜体剩余空间内的位置;
在柜体内已布满功能柜时,调用所述功能柜区域分割模型基于柜体内已布满功能柜时对应的柜体内部布局进行功能柜区域分割,以实现对柜体内部布局设计。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1~6任一项所述的柜体内部布局设计方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911260627.XA CN111104704B (zh) | 2019-12-10 | 2019-12-10 | 柜体内部布局设计方法、装置、***以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911260627.XA CN111104704B (zh) | 2019-12-10 | 2019-12-10 | 柜体内部布局设计方法、装置、***以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111104704A true CN111104704A (zh) | 2020-05-05 |
CN111104704B CN111104704B (zh) | 2023-08-18 |
Family
ID=70422917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911260627.XA Active CN111104704B (zh) | 2019-12-10 | 2019-12-10 | 柜体内部布局设计方法、装置、***以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111104704B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163308A (zh) * | 2020-10-13 | 2021-01-01 | 西安理工大学 | 一种适应性导视设计布局方法 |
CN113743009A (zh) * | 2021-08-31 | 2021-12-03 | 广州极点三维信息科技有限公司 | 基于表示学习的柜类智能设计方法、装置、设备及介质 |
CN113744350A (zh) * | 2021-08-31 | 2021-12-03 | 广州极点三维信息科技有限公司 | 基于单张图像的柜体结构识别方法、装置、设备及介质 |
CN114722442A (zh) * | 2022-06-08 | 2022-07-08 | 广东三维家信息科技有限公司 | 柜体的布局方法、装置、计算机设备及存储介质 |
CN116070313A (zh) * | 2022-12-08 | 2023-05-05 | 广州纬纶信息科技有限公司 | 一种柜类智能收纳布局生成方法及装置 |
WO2024098051A1 (en) * | 2022-11-04 | 2024-05-10 | Levin Jacqueline M | Methods and systems for space segmentation or organization |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130212513A1 (en) * | 2008-03-11 | 2013-08-15 | Dirtt Environmental Solutions Ltd. | Automatically Creating and Modifying Furniture Layouts in Design Software |
US20160070824A1 (en) * | 2014-09-05 | 2016-03-10 | Jin Yao | Method for generating design scheme of kitchen |
CN107122792A (zh) * | 2017-03-15 | 2017-09-01 | 山东大学 | 基于学习预测的室内布局估计方法及*** |
CN108304650A (zh) * | 2018-01-31 | 2018-07-20 | 广东三维家信息科技有限公司 | 一种基于参数驱动算法的橱柜衣柜3d设计方法 |
CN109033652A (zh) * | 2018-08-02 | 2018-12-18 | 江苏艾佳家居用品有限公司 | 一种基于滑动窗特征与回归预测的室内自动布局方法 |
CN109117499A (zh) * | 2018-07-02 | 2019-01-01 | 东易日盛家居装饰集团股份有限公司 | 一种橱柜木作智能布局方法、***及计算机设备 |
CN109598017A (zh) * | 2018-10-18 | 2019-04-09 | 广东三维家信息科技有限公司 | 一种基于用户自由选墙智能生成橱柜的方法 |
CN109740243A (zh) * | 2018-12-29 | 2019-05-10 | 江苏艾佳家居用品有限公司 | 一种基于分件强化学习技术的家具布局方法及*** |
CN109871604A (zh) * | 2019-01-31 | 2019-06-11 | 浙江工商大学 | 基于深度对抗网络模型的室内功能区划分方法 |
CN110096768A (zh) * | 2019-04-16 | 2019-08-06 | 江苏艾佳家居用品有限公司 | 一种快速实现厨房自动布局的方法及*** |
CN110363853A (zh) * | 2019-07-15 | 2019-10-22 | 贝壳技术有限公司 | 家具摆放方案生成方法、装置以及设备、存储介质 |
CN110516208A (zh) * | 2019-08-12 | 2019-11-29 | 深圳智能思创科技有限公司 | 一种针对pdf文档表格提取的***及方法 |
-
2019
- 2019-12-10 CN CN201911260627.XA patent/CN111104704B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130212513A1 (en) * | 2008-03-11 | 2013-08-15 | Dirtt Environmental Solutions Ltd. | Automatically Creating and Modifying Furniture Layouts in Design Software |
US20160070824A1 (en) * | 2014-09-05 | 2016-03-10 | Jin Yao | Method for generating design scheme of kitchen |
CN107122792A (zh) * | 2017-03-15 | 2017-09-01 | 山东大学 | 基于学习预测的室内布局估计方法及*** |
CN108304650A (zh) * | 2018-01-31 | 2018-07-20 | 广东三维家信息科技有限公司 | 一种基于参数驱动算法的橱柜衣柜3d设计方法 |
CN109117499A (zh) * | 2018-07-02 | 2019-01-01 | 东易日盛家居装饰集团股份有限公司 | 一种橱柜木作智能布局方法、***及计算机设备 |
CN109033652A (zh) * | 2018-08-02 | 2018-12-18 | 江苏艾佳家居用品有限公司 | 一种基于滑动窗特征与回归预测的室内自动布局方法 |
CN109598017A (zh) * | 2018-10-18 | 2019-04-09 | 广东三维家信息科技有限公司 | 一种基于用户自由选墙智能生成橱柜的方法 |
CN109740243A (zh) * | 2018-12-29 | 2019-05-10 | 江苏艾佳家居用品有限公司 | 一种基于分件强化学习技术的家具布局方法及*** |
CN109871604A (zh) * | 2019-01-31 | 2019-06-11 | 浙江工商大学 | 基于深度对抗网络模型的室内功能区划分方法 |
CN110096768A (zh) * | 2019-04-16 | 2019-08-06 | 江苏艾佳家居用品有限公司 | 一种快速实现厨房自动布局的方法及*** |
CN110363853A (zh) * | 2019-07-15 | 2019-10-22 | 贝壳技术有限公司 | 家具摆放方案生成方法、装置以及设备、存储介质 |
CN110516208A (zh) * | 2019-08-12 | 2019-11-29 | 深圳智能思创科技有限公司 | 一种针对pdf文档表格提取的***及方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163308A (zh) * | 2020-10-13 | 2021-01-01 | 西安理工大学 | 一种适应性导视设计布局方法 |
CN113743009A (zh) * | 2021-08-31 | 2021-12-03 | 广州极点三维信息科技有限公司 | 基于表示学习的柜类智能设计方法、装置、设备及介质 |
CN113744350A (zh) * | 2021-08-31 | 2021-12-03 | 广州极点三维信息科技有限公司 | 基于单张图像的柜体结构识别方法、装置、设备及介质 |
CN113744350B (zh) * | 2021-08-31 | 2022-06-28 | 广州极点三维信息科技有限公司 | 基于单张图像的柜体结构识别方法、装置、设备及介质 |
CN113743009B (zh) * | 2021-08-31 | 2022-07-01 | 广州极点三维信息科技有限公司 | 基于表示学习的柜类智能设计方法、装置、设备及介质 |
CN114722442A (zh) * | 2022-06-08 | 2022-07-08 | 广东三维家信息科技有限公司 | 柜体的布局方法、装置、计算机设备及存储介质 |
WO2024098051A1 (en) * | 2022-11-04 | 2024-05-10 | Levin Jacqueline M | Methods and systems for space segmentation or organization |
CN116070313A (zh) * | 2022-12-08 | 2023-05-05 | 广州纬纶信息科技有限公司 | 一种柜类智能收纳布局生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111104704B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104704A (zh) | 柜体内部布局设计方法、装置、***以及存储介质 | |
CN113449857B (zh) | 一种数据处理方法和数据处理设备 | |
US9098941B2 (en) | Systems and methods for graphical layout | |
CN111553480A (zh) | 神经网络搜索方法、装置、计算机可读介质及电子设备 | |
CN110264471A (zh) | 一种图像分割方法、装置、存储介质及终端设备 | |
WO2023124160A1 (zh) | 一种自动生成三维房屋布局的方法、***、装置及介质 | |
CN113129311B (zh) | 一种标签优化点云实例分割方法 | |
CN111860484B (zh) | 一种区域标注方法、装置、设备及存储介质 | |
CN110598252A (zh) | 家具布局的方法、装置、电子设备及存储介质 | |
Li et al. | Multimodal optimization using whale optimization algorithm enhanced with local search and niching technique | |
CN114255160A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN105719333A (zh) | 三维图像数据处理方法及装置 | |
CN112328880A (zh) | 地理区域聚类方法、装置、存储介质和电子设备 | |
CN112837322A (zh) | 图像分割方法及装置、设备、存储介质 | |
CN113127697B (zh) | 图布局优化方法和***、电子设备及可读存储介质 | |
CN108597589B (zh) | 模型生成方法、目标检测方法及医学成像*** | |
CN114255353A (zh) | 一种基于加权超图模型的页面显著性要素提取方法及*** | |
CN112464040B (zh) | 图结构识别、可视化展示及显示操作方法及装置 | |
EP3859611A1 (en) | Method, apparatus and device for updating convolutional neural network using gpu cluster | |
CN111353525A (zh) | 一种不均衡不完整数据集的建模及缺失值填补方法 | |
CN116017476A (zh) | 无线传感器网络覆盖设计方法、装置 | |
CN111126395B (zh) | R-cnn网络中选择性搜索算法的优化方法、存储介质 | |
Dandekar et al. | Multiobjective optimization of FPGA-based medical image registration | |
CN117237241B (zh) | 染色体增强参数调整方法及装置 | |
Aparco-Cardenas et al. | Object delineation by iterative dynamic trees |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |