CN111680421A - 一种家装设计方法、装置、电子设备及存储介质 - Google Patents
一种家装设计方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111680421A CN111680421A CN202010506847.2A CN202010506847A CN111680421A CN 111680421 A CN111680421 A CN 111680421A CN 202010506847 A CN202010506847 A CN 202010506847A CN 111680421 A CN111680421 A CN 111680421A
- Authority
- CN
- China
- Prior art keywords
- designed
- sequence
- module
- information
- home decoration
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 99
- 238000005034 decoration Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 11
- 241001122767 Theaceae Species 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000007667 floating Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例公开了一种家装设计方法、装置、电子设备及存储介质，该方法包括：获取待设计户型图；将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息；将所述房间信息输入至预先训练好的家装设计模型，得到待设计户型的家装设计信息；其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。实现了家装的智能设计，且进一步实现了对家具进行自动排布的目的，提高了家装设计的精度与智能化程度。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种家装设计方法、装置、电子设备及存储介质。
背景技术
随着房地产行业的迅速发展，家装设计的市场需求也迅速增大，而传统的家装设计行业是一个专业且耗时的行业，越来越无法满足市场对快速出图的需求。针对该市场需求，越来越多的企业加大了对智能家装设计的研发与投入力度。
目前，在智能家装设计领域，关于设计图主要是基于有限的部分房间的模板进行匹配获取；关于家具的自动布局更多依赖基于规则的优化技术，但是，该优化技术的计算效率较低，而且不一定能够找到最优解。
因此，目前的智能家装设计方法还需进一步进行改善。
发明内容
本发明实施例提供一种家装设计方法、装置、电子设备及存储介质，实现了家装的智能设计，且进一步实现了对家具进行自动排布的目的，提高了家装设计精度与智能化程度。
第一方面，本发明实施例提供了一种家装设计方法，该方法包括：
获取待设计户型图；
将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息；
将所述房间信息输入至预先训练好的家装设计模型，得到待设计户型的家装设计信息；
其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
通过设计专门的检测网络模型，用于识别待设计户型的房间信息，提高了房间信息的识别精度与识别效率，减少了人为标注的工作量，进一步提高了家装设计的智能化程度以及设计速度。所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息，实现了对家具的自动排布，而无需再通过人工对所设计的家具进行手动排布。
进一步的，所述检测网络模型包括：EFGRNET(Enriched Feature GuidedRefinement Network，丰富特征引导的精化网络)；
所述EFGRNET包括SSD(Single Shot multibox Detector，单脉冲多盒探测器)算法模块、FE(Feature Enriched，特征丰富)模块和级联细化模块；
所述FE模块包括MSCF(Multi-Scale Contextual Feature，多尺度上下文特征)模块，所述级联细化模块包括OM(Object Module，对象化模块)和FGRM(Feature-GuidedRefinement module，特征引导细化模块)。
进一步的，所述将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息，包括：
将所述待设计户型图处理成第一设定大小的第一图片以及第二设定大小的第二图片，所述第二设定大小小于所述第一设定大小；
将所述第一图片输入至所述SSD算法模块，以通过SSD算法模块提取所述第一图片中的图像特征；
将所述第二图片输入至所述MSCF模块，以通过MSCF模块捕获所述第二图片中的多尺度上下文特征；
将所述图像特征以及所述多尺度上下文特征输入至所述级联细化模块，获得待设计户型的房间信息。
SSD算法模块的主干网络是VGG(Visual Geometry Group，视觉集合组)，通过VGG网络提取所述第一图片中的图像特征，网络结构包括多个卷积预测层，用于基于所述图像特征识别上下文语义信息，但是仍然会丢失有助于区分目标区域或背景区域的特征信息，针对此，引入了FE模块，用于捕捉多尺度的上下文信息。通过设计所述SSD算法模块、FE模块和级联细化模块，不仅提高了特征提取速度，还极大地提高了特征提取精度，可获得精度较高的待设计户型的房间信息，为智能家装设计提供了优质的数据源基础。
进一步的，所述家装设计模型包括：第一序列到序列Seq2Seq网络和第二序列到序列Seq2Seq网络；
其中，所述第一序列到序列Seq2Seq网络的输入为待设计户型的房间信息中的类别序列，输出为家具的类别序列；
所述第二序列到序列Seq2Seq网络的输入为待设计户型的房间信息中的坐标序列，输出为家具的类别序列；
通过设计第一序列到序列Seq2Seq网络和第二序列到序列Seq2Seq网络，实现了家具类别与家具摆放位置的同时输出，达到了对家具进行自动排布的目的，提高了家装设计的智能化程度。
进一步的，所述第一序列到序列Seq2Seq网络和第二序列到序列Seq2Seq网络均引入注意力attention机制，用于基于房间的功能特征为特定类别的家具赋予权重，以确保为房间设计与房间的功能特征匹配的家具。提高了家装设计结果的合理性、可用性，即提高了家装设计效果，满足了用户的期望与使用要求。
进一步的，所述将所述待设计户型图输入至预先训练好的检测网络之前，还包括：
对所述待设计户型图进行预处理，以获得符合所述检测网络输入要求的待设计户型图数据。
所述预处理包括裁剪、上采样以及下采样中的至少一种；
所述家具的类别信息包括下述至少一种：床、书桌、衣柜、梳妆台、茶几、以及电视柜；
所述房间信息包括下述至少一种：房门以及房门的位置信息、墙体以及墙体的位置信息、飘窗以及飘窗的位置信息、窗户以及窗户的位置信息。
第二方面，本发明实施例还提供了一种家装设计装置，该装置包括：
待设计户型图获取模块，用于获取待设计户型图；
房间信息获取模块，用于将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息；
设计模块，用于将所述房间信息输入至预先训练好的家装设计模型，得到待设计户型的家装设计信息；
其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
第三方面，本发明实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的家装设计方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任一实施例所述的家装设计方法。
本发明实施例的技术方案，通过获取待设计户型图；将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息；将所述房间信息输入至预先训练好的家装设计模型，得到待设计户型的家装设计信息；其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息的技术手段，实现了家装的智能设计，且进一步实现了对家具进行自动排布的目的，提高了家装设计精度与智能化程度。
附图说明
结合附图并参考以下具体实施方式，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本发明实施例一所提供的一种家装设计方法流程示意图；
图2为本发明实施例一所提供的一种检测网络模型的结构示意图；
图3为本发明实施例二所提供的一种家装设计模型的生成方法流程示意图；
图4为本发明实施例三所提供的一种家装设计装置的结构示意图；
图5为本发明实施例四所提供的一种电子设备结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
实施例一
图1为本发明实施例一所提供的一种家装设计方法的流程示意图，该方法可适用于对待设计户型进行智能家装设计，解除了对家装设计人员专业性的依赖，可达到秒级生成家装设计图的目的，极大地提高了家装设计速度与智能化程度。该方法可以由家装设计装置来执行，该装置可以通过软件和/或硬件的形式实现。
如图1所述，本实施例提供的家装设计方法包括如下步骤：
步骤110、获取待设计户型图。
其中，所述待设计户型图可以是单独的一间房间的户型图，也可以是一套房子所有房间的户型图。例如可以是一套房子中厨房的户型图，也可以是包括厨房、客厅、卧室以及卫生间等一居室、两居室或者三居室的户型图。所述户型图可以是最原始的户型图，例如毛坯的户型图。
所述待设计户型图可以由用户以电子图片的形式提供。
步骤120、将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息。
其中，参考图2所示的一种检测网络模型的结构示意图，所述检测网络模型包括：丰富特征引导的精化网络EFGRNET；
所述EFGRNET包括单脉冲多盒探测器SSD算法模块210、特征丰富FE模块220和级联细化模块230；FE模块220包括多尺度上下文特征MSCF模块，所述级联细化模块230包括对象化模块和特征引导细化模块FGRM。SSD算法模块210的主干网络是VGG，通过VGG网络提取所述第一图片中的图像特征，网络结构包括多个卷积预测层，用于基于所述图像特征识别上下文语义信息，但是仍然会丢失有助于区分目标区域或背景区域的特征信息，针对此，引入了FE模块，用于捕捉多尺度的上下文信息。通过设计所述SSD算法模块、FE模块和级联细化模块，不仅提高了特征提取速度，还极大地提高了特征提取精度，可获得精度较高的待设计户型的房间信息，为智能家装设计提供了优质的数据源基础。
示例性的，所述将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息，包括：
将所述待设计户型图处理成第一设定大小的第一图片以及第二设定大小的第二图片，所述第二设定大小小于所述第一设定大小；
将所述第一图片输入至所述SSD算法模块，以通过SSD算法模块提取所述第一图片中的图像特征；
将所述第二图片输入至所述MSCF模块，以通过MSCF模块捕获所述第二图片中的多尺度上下文特征；
将所述图像特征以及所述多尺度上下文特征输入至所述级联细化模块，获得待设计户型的房间信息。
示例性的，所述第一设定大小可以是320*320，所述第二设定大小可以是40*40。具体的，参考图2所示，将320*320的第一图片输入至SSD算法模块210，通过VGG网络提取图像特征，然后使用conv4_3、fc7、conv8_2、conv9_2四个预测层进行预测，将预测后的结果输入至级联细化模块230。经过四个预测层，可以保留一定程度的上下文语义信息，但是仍然会丢失有助于区分目标区域或背景区域的特征信息。针对此，本实施例提供的检测网络模型中引入了特征丰富FE模块220，用于捕捉输入图片的多尺度的上下文信息。具体的，对输入的待设计户型图进行池化下采样操作，得到40*40的第二图片，然后将第二图片输入到MSCF模块中，MSCF模块主要用于捕获多尺度上下文特征。将MSCF模块的输出和SSD算法模块210的预测层的输出一起输入到级联细化模块230的对象化模块，将对象化模块的输出输入至特征引导细化模块FGRM。将上文捕获到的丰富的特征(即MSCF模块的输出和SSD算法模块210的预测层的输出)在每个预测层执行二元分类(C1x)和初始盒回归(B1x)，然后使用FGRM来解决正锚和负锚之间不均衡问题，最终输出检测出来的房间信息。通过上述EFGRNET检测网络模型，实现了对待设计户型图片进行多尺度上下文特征提取的目的，提高了房间信息的识别精度与识别效率，减少了人为标注的工作量，进一步提高了家装设计的智能化程度以及设计速度。所述房间信息具体包括：类别信息以及坐标信息，例如下述至少一种：房门以及房门的位置信息、墙体以及墙体的位置信息、飘窗以及飘窗的位置信息、窗户以及窗户的位置信息。基于识别出的房间信息可确定待设计户型的房间中可用于摆放家具的有效空间。
步骤130、将所述房间信息输入至预先训练好的家装设计模型，得到待设计户型的家装设计信息；其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
其中，所述家具的类别信息包括下述至少一种：床、书桌、衣柜、梳妆台、茶几、以及电视柜。
进一步的，所述家装设计模型包括：第一序列到序列Seq2Seq网络和第二序列到序列Seq2Seq网络；
其中，所述第一序列到序列Seq2Seq网络的输入为待设计户型的房间信息中的类别序列，输出为家具的类别序列；
所述第二序列到序列Seq2Seq网络的输入为待设计户型的房间信息中的坐标序列，输出为家具的类别序列。
所述第一序列到序列Seq2Seq网络和第二序列到序列Seq2Seq网络均引入注意力attention机制，用于基于房间的功能特征为特定类别的家具赋予权重，以确保为房间设计与房间的功能特征匹配的家具。例如，房间的功能特征为餐厅，则为餐桌、餐椅赋予相对于其它家具较高的权重；若房间的功能特征为客厅，则为沙发、茶几、电视柜、电视赋予相对于其它家具较高的权重，用于保证为餐厅至少要设计餐桌与餐椅，为客厅至少要设计沙发、茶几、电视柜以及电视。通过该操作，可进一步提高家装设计的效果与精度，使得设计结果更能为用户所接受。其中，注意力attention机制是一种模仿人类注意力而提出的一种解决问题的办法，简单地说就是从大量信息中快速筛选出高价值信息，主要用于解决模型输入序列较长的时候很难获得最终合理的向量表示问题，其做法是保留模型的中间结果，用新的模型(attention模型)对中间结果进行学习，并将中间结果与输出进行关联，从而达到信息筛选的目的。Attention模型用于解码过程中，它改变了传统解码器decoder对每一个输入都赋予相同权重的缺点，而是根据输入对象的不同赋予不同的权重，在编码encoder过程中，输出不再是一个固定长度的中间结果，而是一个由不同长度向量构成的序列，decoder过程根据这个序列子集进行进一步处理。
可以理解的，所述将所述待设计户型图输入至预先训练好的检测网络之前，还包括：
对所述待设计户型图进行预处理，以获得符合所述检测网络输入要求的待设计户型图数据。所述预处理包括裁剪、上采样以及下采样中的至少一种。
本发明实施例的技术方案，通过EFGRNET检测网络模型对待设计的房间信息进行检测，目标是检测出房间中的墙体、房门、窗户以及飘窗等硬件实体，以基于房间中的硬件实体确定房间中可用于摆放家具的有效空间，通过EFGRNET检测网络模型可更全面地对房间中的硬件实体进行识别，提高了识别精度与效率。通过设计包含两个Seq2Seq网络的家装设计模型，一个用于确定家具的类别序列，一个用于确定家具的坐标序列，实现了家具的自动排布，而无需再通过人工手动排布，提高了家装设计的智能化程度，进一步的每个Seq2Seq网络都引入了注意力机制，用于对必要家具赋予较高的权重，达到了提高家装设计符合用户使用习惯的目的，使得家装设计结果更容易受到用户的青睐。
实施例二
图3为本发明实施例二所提供的一种家装设计模型的生成方法的流程示意图。在上述实施例的基础上，本实施例对检测网络模型以及家装设计模型的训练过程进行详细说明。其中与上述实施例相同或相应的术语的解释在此不再赘述
如图3所示，所述方法包括如下步骤：
步骤310、收集整理装修设计图纸，获得训练数据集。
具体的，收集整理家装设计图纸，主要是通过家装设计师针对具体的户型进行的家装设计图。利用标注工具，对户型的房间信息和家具排布信息进行标注。所述房间信息具体是房门及房门的位置信息、墙体及墙体的位置信息、飘窗及飘窗的位置信息、窗户及窗户的位置信息。标注的房间信息作为训练检测网络模型的训练数据集。所述家具的排布信息包括家具的类别及坐标位置，家具的类别例如包括：床、书桌、椅子、电视柜以及衣柜等。标注的家具排布信息作为家装设计模型的训练数据集。
步骤320、EFGRNET网络模型的构建与训练。
具体的，为了提高模型的泛化能力，可通过对输入图片进行翻转、裁剪、调节图片的亮度等操作丰富样本训练集。在将户型图片输入至EFGRNET网络模型之前，对户型图片进行模糊处理，目的是防止户型图片不够清晰，影响模型的预测效果。同时将处理后的户型图片的大小统一处理成320*320，以及通过下采样将图片大小处理成40*40，将大小为320*320以及40*40的图片输入至EFGRNET网络模型。如图2所示，所述EFGRNET包括单脉冲多盒探测器SSD算法模块210、特征丰富FE模块220和级联细化模块230；FE模块220包括多尺度上下文特征MSCF模块，所述级联细化模块230包括对象化模块和特征引导细化模块FGRM。SSD算法模块210使用VGG网络作为骨干网络，将320*320的图片数据输入模型之后，经过VGG网络提取图像特征，然后使用conv4_3、fc7、conv8_2、conv9_2四个预测层进行预测。将经过预测后的结果输入至级联细化模块230。经过四个预测层，可以保留一定程度的上下文语义信息，但是仍然会丢失有助于区分目标区域或背景区域的特征信息。针对该问题，特征丰富FE模块220，用于捕捉输入图片的多尺度的上下文信息。具体的，将大小为40*40的图片输入到MSCF模块中，MSCF模块主要用于捕获多尺度上下文特征。将MSCF模块的输出和SSD算法模块210的预测层的输出一起输入到级联细化模块230的对象化模块，将对象化模块的输出输入至特征引导细化模块FGRM。将上文捕获到的丰富的特征(即MSCF模块的输出和SSD算法模块210的预测层的输出)在每个预测层执行二元分类(C1x)和初始盒回归(B1x)，然后使用FGRM来解决正锚和负锚之间不均衡问题，最终输出检测出来的房间信息，具体是硬件标签label和坐标(该坐标具体为目标框的左上角坐标和右下角坐标)。
步骤330、家装设计模型的构建与训练。
将EFGRNET网络模型输出的房间信息分成硬件标签序列和坐标序列，所述硬件标签具体为：墙体、门、窗、飘窗等，将标签序列按照顺时针处理成一个序列数据E＝{E1，E2,...En}，同时在开始和结尾加入<s>和<e>分别表示序列的开始和结束的标识。同理，对于坐标序列，按照标签label的顺序处理成对应的坐标序列，也需要加入[0,0,0,0]和[1,1,1,1]作为开始和结束的标识。将之前标注好的家具的类别label和坐标数据做同样的处理。
构建两个sequence2sequence网络模型，可以GRU作为基础模型。第一个sequence2sequence网络模型用于训练标签label序列数据，输入为房间信息的硬件实体标签训练label，输出为家具的类别标签label序列。第二个sequence2sequence网络模型用于训练坐标序列数据，输入为房间的硬件实体的坐标，输出为家具的坐标序列。在两个模型中，都引入attention机制，分别为输入的门窗赋予更高的权重，对输出的家具中，根据不同的功能区，给与不同的家具不同的权重，比如客餐厅，给予沙发、茶几、电视柜、电视、餐桌、餐椅相对于其它家具更高的权重，用于保证在客餐厅这个功能区训练输出的时候，一定会输出这些家具(沙发、茶几、电视柜、电视、餐桌、餐椅)，以提高模型的设计效果。
可以理解的是，可将训练好的网络模型部署至服务器，有家装设计需求的平台均可共享服务器端的网络模型，具体可通过接口的方式向用户提供服务。
本发明实施例的技术方案，所述EFGRNET包括单脉冲多盒探测器SSD算法模块、特征丰富FE模块和级联细化模块，不仅提高了特征提取速度，还极大地提高了特征提取精度，可获得精度较高的待设计户型的房间信息，为智能家装设计提供了优质的数据源基础；在家装设计模型中设计两个sequence2sequence网络模型，一个sequence2sequence网络模型用于训练标签label序列数据，输入为房间信息的硬件实体标签训练label，输出为家具的类别标签label序列，另一个sequence2sequence网络模型用于训练坐标序列数据，输入为房间的硬件实体的坐标，输出为家具的坐标序列，且两个sequence2sequence网络均引入注意力attention机制，用于基于房间的功能特征为特定类别的家具赋予权重，以确保为房间设计与房间的功能特征匹配的家具。
实施例三
图4为本发明实施例三提供的一种家装设计装置，该装置包括：待设计户型图获取模块410、房间信息获取模块420和设计模块430。
其中，待设计户型图获取模块410，用于获取待设计户型图；房间信息获取模块420，用于将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息；设计模块430，用于将所述房间信息输入至预先训练好的家装设计模型，得到待设计户型的家装设计信息；其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
在上述各技术方案的基础上，所述检测网络模型包括：丰富特征引导的精化网络EFGRNET；
所述EFGRNET包括单脉冲多盒探测器SSD算法模块、特征丰富FE模块和级联细化模块；
所述FE模块包括多尺度上下文特征MSCF模块，所述级联细化模块包括对象化模块OM和特征引导细化模块FGRM。
在上述各技术方案的基础上，房间信息获取模块420包括：
处理单元，用于将所述待设计户型图处理成第一设定大小的第一图片以及第二设定大小的第二图片，所述第二设定大小小于所述第一设定大小；
第一输入单元，用于将所述第一图片输入至所述SSD算法模块，以通过SSD算法模块提取所述第一图片中的图像特征；
第二输入单元，用于将所述第二图片输入至所述MSCF模块，以通过MSCF模块捕获所述第二图片中的多尺度上下文特征；
第三输入单元，用于将所述图像特征以及所述多尺度上下文特征输入至所述级联细化模块，获得待设计户型的房间信息。
在上述各技术方案的基础上，所述家装设计模型包括：第一序列到序列Seq2Seq网络和第二序列到序列Seq2Seq网络；
其中，所述第一序列到序列Seq2Seq网络的输入为待设计户型的房间信息中的类别序列，输出为家具的类别序列；
所述第二序列到序列Seq2Seq网络的输入为待设计户型的房间信息中的坐标序列，输出为家具的类别序列。
在上述各技术方案的基础上，所述第一序列到序列Seq2Seq网络和第二序列到序列Seq2Seq网络均引入注意力attention机制，用于基于房间的功能特征为特定类别的家具赋予权重，以确保为房间设计与房间的功能特征匹配的家具。
在上述各技术方案的基础上，所述装置还包括：
预处理模块，用于在所述将所述待设计户型图输入至预先训练好的检测网络之前，对所述待设计户型图进行预处理，以获得符合所述检测网络输入要求的待设计户型图数据。
在上述各技术方案的基础上，所述预处理包括裁剪、上采样以及下采样中的至少一种；
所述家具的类别信息包括下述至少一种：床、书桌、衣柜、梳妆台、茶几、以及电视柜；
所述房间信息包括下述至少一种：房门以及房门的位置信息、墙体以及墙体的位置信息、飘窗以及飘窗的位置信息、窗户以及窗户的位置信息。
本发明实施例的技术方案，通过EFGRNET检测网络模型对待设计的房间信息进行检测，目标是检测出房间中的墙体、房门、窗户以及飘窗等硬件实体，以基于房间中的硬件实体确定房间中可用于摆放家具的有效空间，通过EFGRNET检测网络模型可更全面地对房间中的硬件实体进行识别，提高了识别精度与效率。通过设计包含两个Seq2Seq网络的家装设计模型，一个用于确定家具的类别序列，一个用于确定家具的坐标序列，实现了家具的自动排布，而无需再通过人工手动排布，提高了家装设计的智能化程度，进一步的每个Seq2Seq网络都引入了注意力机制，用于对必要家具赋予较高的权重，达到了提高家装设计符合用户使用习惯的目的，使得家装设计结果更容易受到用户的青睐。
本发明实施例所提供的家装设计装置可执行本发明任意实施例所提供的家装设计方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例四
下面参考图5，其示出了适于用来实现本发明实施例的电子设备(例如图5中的终端设备或服务器)400的结构示意图。本发明实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置406加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置406；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置406被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本发明实施例的方法中限定的上述功能。
本发明实施例提供的终端与上述实施例提供的家装设计方法属于同一发明构思，未在本发明实施例中详尽描述的技术细节可参见上述实施例，并且本发明实施例与上述实施例具有相同的有益效果。
实施例五
本发明实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的家装设计方法。
需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取待设计户型图；
将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息；
将所述房间信息输入至预先训练好的家装设计模型，得到待设计户型的家装设计信息；
其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，可编辑内容显示单元还可以被描述为“编辑单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种家装设计方法，其特征在于，包括：
获取待设计户型图；
将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息；
将所述房间信息输入至预先训练好的家装设计模型，得到待设计户型的家装设计信息；其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
2.根据权利要求1所述的方法，其特征在于，所述检测网络模型包括：丰富特征引导的精化网络EFGRNET；
所述EFGRNET包括单脉冲多盒探测器SSD算法模块、特征丰富FE模块和级联细化模块；
所述FE模块包括多尺度上下文特征MSCF模块，所述级联细化模块包括对象化模块OM和特征引导细化模块FGRM。
3.根据权利要求2所述的方法，其特征在于，所述将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息，包括：
将所述待设计户型图处理成第一设定大小的第一图片以及第二设定大小的第二图片，所述第二设定大小小于所述第一设定大小；
将所述第一图片输入至所述SSD算法模块，以通过SSD算法模块提取所述第一图片中的图像特征；
将所述第二图片输入至所述MSCF模块，以通过MSCF模块捕获所述第二图片中的多尺度上下文特征；
将所述图像特征以及所述多尺度上下文特征输入至所述级联细化模块，获得待设计户型的房间信息。
4.根据权利要求1所述的方法，其特征在于，所述家装设计模型包括：第一序列到序列Seq2Seq网络和第二序列到序列Seq2Seq网络；
其中，所述第一序列到序列Seq2Seq网络的输入为待设计户型的房间信息中的类别序列，输出为家具的类别序列；
所述第二序列到序列Seq2Seq网络的输入为待设计户型的房间信息中的坐标序列，输出为家具的类别序列。
5.根据权利要求4所述的方法，其特征在于，所述第一序列到序列Seq2Seq网络和第二序列到序列Seq2Seq网络均引入注意力attention机制，用于基于房间的功能特征为特定类别的家具赋予权重，以确保为房间设计与房间的功能特征匹配的家具。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述将所述待设计户型图输入至预先训练好的检测网络之前，还包括：
对所述待设计户型图进行预处理，以获得符合所述检测网络输入要求的待设计户型图数据。
7.根据权利要求6所述的方法，其特征在于，所述预处理包括裁剪、上采样以及下采样中的至少一种；
所述家具的类别信息包括下述至少一种：床、书桌、衣柜、梳妆台、茶几、以及电视柜；
所述房间信息包括下述至少一种：房门以及房门的位置信息、墙体以及墙体的位置信息、飘窗以及飘窗的位置信息、窗户以及窗户的位置信息。
8.一种家装设计装置，其特征在于，包括：
待设计户型图获取模块，用于获取待设计户型图；
房间信息获取模块，用于将所述待设计户型图输入至预先训练好的检测网络模型，获得待设计户型的房间信息；
设计模块，用于将所述房间信息输入至预先训练好的家装设计模型，得到待设计户型的家装设计信息；
其中，所述家装设计信息包括至少一种家具的类别信息以及所述家具的摆放位置信息。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的家装设计方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的家装设计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010506847.2A CN111680421A (zh) | 2020-06-05 | 2020-06-05 | 一种家装设计方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010506847.2A CN111680421A (zh) | 2020-06-05 | 2020-06-05 | 一种家装设计方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111680421A true CN111680421A (zh) | 2020-09-18 |
Family
ID=72453955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010506847.2A Pending CN111680421A (zh) | 2020-06-05 | 2020-06-05 | 一种家装设计方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111680421A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113449372A (zh) * | 2021-07-20 | 2021-09-28 | 杭州群核信息技术有限公司 | 家装设计方法、装置、计算机可读存储介质和处理器 |
| CN115114696A (zh) * | 2021-03-23 | 2022-09-27 | 广东博智林机器人有限公司 | 物体排布设计方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108984904A (zh) * | 2018-07-17 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的家居设计方法 |
| CN109712248A (zh) * | 2018-12-25 | 2019-05-03 | 北京惠佳家品科技有限公司 | 一种基于互联网的3d家装设计平台*** |
| KR20190106867A (ko) * | 2019-08-27 | 2019-09-18 | 엘지전자 주식회사 | 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법 |
| CN110348447A (zh) * | 2019-06-27 | 2019-10-18 | 电子科技大学 | 一种具有丰富空间信息的多模型集成目标检测方法 |
| CN110751721A (zh) * | 2019-12-24 | 2020-02-04 | 广东博智林机器人有限公司 | 家具布局图纸的生成方法和装置、计算机设备及存储介质 |
-
2020
- 2020-06-05 CN CN202010506847.2A patent/CN111680421A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108984904A (zh) * | 2018-07-17 | 2018-12-11 | 北京理工大学 | 一种基于深度神经网络的家居设计方法 |
| CN109712248A (zh) * | 2018-12-25 | 2019-05-03 | 北京惠佳家品科技有限公司 | 一种基于互联网的3d家装设计平台*** |
| CN110348447A (zh) * | 2019-06-27 | 2019-10-18 | 电子科技大学 | 一种具有丰富空间信息的多模型集成目标检测方法 |
| KR20190106867A (ko) * | 2019-08-27 | 2019-09-18 | 엘지전자 주식회사 | 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법 |
| CN110751721A (zh) * | 2019-12-24 | 2020-02-04 | 广东博智林机器人有限公司 | 家具布局图纸的生成方法和装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张婷 等: "《品质与创新理念下的产品设计研究》", 北京：中国书籍出版社, pages: 214 - 215 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115114696A (zh) * | 2021-03-23 | 2022-09-27 | 广东博智林机器人有限公司 | 物体排布设计方法、装置、电子设备及存储介质 |
| CN113449372A (zh) * | 2021-07-20 | 2021-09-28 | 杭州群核信息技术有限公司 | 家装设计方法、装置、计算机可读存储介质和处理器 |
| CN113449372B (zh) * | 2021-07-20 | 2023-08-08 | 杭州群核信息技术有限公司 | 家装设计方法、装置、计算机可读存储介质和处理器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111553012A (zh) | 一种家装设计方法、装置、电子设备及存储介质 | |
| CN106651877B (zh) | 实例分割方法及装置 | |
| CN111898696A (zh) | 伪标签及标签预测模型的生成方法、装置、介质及设备 | |
| CN110189246B (zh) | 图像风格化生成方法、装置及电子设备 | |
| CN109379625A (zh) | 视频处理方法、装置、电子设备和计算机可读介质 | |
| CN111680123B (zh) | 对话模型的训练方法、装置、计算机设备及存储介质 | |
| CN110209658B (zh) | 数据清洗方法和装置 | |
| CN111078940B (zh) | 图像处理方法、装置、计算机存储介质及电子设备 | |
| CN111638791B (zh) | 虚拟角色的生成方法、装置、电子设备及存储介质 | |
| CN111107278B (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
| CN113408566A (zh) | 目标检测方法及相关设备 | |
| CN111680421A (zh) | 一种家装设计方法、装置、电子设备及存储介质 | |
| CN113033677A (zh) | 视频分类方法、装置、电子设备和存储介质 | |
| CN110413820B (zh) | 一种图片描述信息的获取方法及装置 | |
| CN117094362B (zh) | 一种任务处理方法及相关装置 | |
| CN116863003A (zh) | 视频生成方法、训练视频生成模型的方法及装置 | |
| CN111652675A (zh) | 展示方法、装置和电子设备 | |
| CN112446214B (zh) | 广告关键词的生成方法、装置、设备及存储介质 | |
| CN111128131B (zh) | 语音识别方法、装置、电子设备及计算机可读存储介质 | |
| CN110197459B (zh) | 图像风格化生成方法、装置及电子设备 | |
| CN112766406A (zh) | 物品图像的处理方法、装置、计算机设备及存储介质 | |
| CN117253287A (zh) | 基于域泛化的动作预测模型训练方法、相关方法及产品 | |
| CN116740505A (zh) | 图像分类模型的训练、图像分类方法、装置、机器可读介质及设备 | |
| Yang et al. | Student Classroom Behavior Detection Based on YOLOv7+ BRA and Multi-model Fusion | |
| CN113111684A (zh) | 神经网络模型的训练方法、装置和图像处理*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200918 |