CN112149771A - 一种楼盘卖点标签的采集方法、装置及计算机设备 - Google Patents
一种楼盘卖点标签的采集方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN112149771A CN112149771A CN202011060679.5A CN202011060679A CN112149771A CN 112149771 A CN112149771 A CN 112149771A CN 202011060679 A CN202011060679 A CN 202011060679A CN 112149771 A CN112149771 A CN 112149771A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- building
- floor
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000002093 peripheral effect Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 description 52
- 238000012549 training Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，公开了一种楼盘卖点标签的采集方法、装置及计算机设备。通过本发明创造，提供了一种既省事省时省力又能有效保障标签采集结果具有客观性和真实性的新采集方案，即在获取到目标楼盘的地理图像后，识别出所述地理图像中用于确定楼盘卖点标签的关键元素，最后根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签，由于是基于目标楼盘的地理图像识别结果来确定所拥有的楼盘卖点标签，不但可以避免人为主观因素干扰，确保标签采集结果的客观性和真实性，还无需线下采集人员实地勘察，省事省时省力，大大降低了人力成本，进而方便开展诸如房产信息收集和社会调研数据收集等信息收集类工作。
Description
技术领域
本发明属于图像处理技术领域，具体地涉及一种楼盘卖点标签的采集方法、装置及计算机设备。
背景技术
楼盘卖点标签是指用于标记楼盘卖点的关键词，以便吸引潜在的购房者，促进房产销售。例如近地铁标签，是指在距离楼盘1公里范围内有地铁站；近商圈标签，是指在距离楼盘3公里范围内有商场综合体；近医院标签，是指在距离楼盘3公里范围内有医院；近学校标签，是指在距离楼盘3公里范围内有学校；近休闲区标签，是指在距离楼盘3公里范围内有公园、人工湖、海滩、游乐场或体育馆等休闲场所；近商务区标签，是指在距离楼盘3公里范围内有写字楼群；高绿化率标签，是指楼盘的绿化率达到50％以上；等等。
目前收集楼盘卖点标签及相关信息的方式，通常有如下两种：(1)基于楼盘项目的公开文字描述，来提炼获取楼盘卖点；(2)人工实地勘察，并总结楼盘卖点。这两种采集方式都存在浪费人力和采集结果易受采集人员主观因素的影响，由此有必要提供一种既省事省时省力又能有效保障标签采集结果具有客观性和真实性的新采集方案，进而方便开展诸如房产信息收集和社会调研数据收集等信息收集类工作。
发明内容
为了解决现有楼盘卖点信息采集方式所存在的人工采集费事费时费力和采集结果易受采集人员主观因素影响的问题，本发明目的在于提供一种楼盘卖点标签的采集方法、装置、计算机设备及计算机可读存储介质，可以基于目标楼盘的地理图像识别结果，确定目标楼盘所拥有的楼盘卖点标签，不但可以避免人为主观因素干扰，确保标签采集结果的客观性和真实性，还无需线下采集人员实地勘察，省事省时省力，大大降低了人力成本。
第一方面，本发明提供了一种楼盘卖点标签的采集方法，包括：
获取目标楼盘的地理图像；
识别出所述地理图像中用于确定楼盘卖点标签的关键元素；
根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签。
基于上述发明内容，提供了一种既省事省时省力又能有效保障标签采集结果具有客观性和真实性的新采集方案，即在获取到目标楼盘的地理图像后，识别出所述地理图像中用于确定楼盘卖点标签的关键元素，最后根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签，由于是基于目标楼盘的地理图像识别结果来确定所拥有的楼盘卖点标签，不但可以避免人为主观因素干扰，确保标签采集结果的客观性和真实性，还无需线下采集人员实地勘察，省事省时省力，大大降低了人力成本，进而方便开展诸如房产信息收集和社会调研数据收集等信息收集类工作。
在一个可能的设计中，识别出所述地理图像中用于确定楼盘卖点标签的关键元素，包括：
根据机器学习方式，识别出在所述地理图像中的且位于目标楼盘周边地区内的至少一个目标场所，将所述至少一个目标场所作为所述关键元素，其中，所述目标场所是指场所类型与预设场所类型匹配的场所图像。
通过上述设计，可以利用机器学习技术自动识别出针对近目标场所标签的关键元素，进一步减少人工参与的工作量，省事省时省力，并确保关键元素识别结果的准确率。
在一个可能的设计中，根据机器学习方式，识别出在所述地理图像中的且位于目标楼盘周边地区内的至少一个目标场所，包括：
根据机器学习方式，识别出在所述地理图像中的且位于所述目标楼盘周边地区内的至少一个场所图像的场所类型；
从所述至少一个场所图像中筛选得到场所类型与所述预设场所类型匹配的至少一个目标场所。
通过上述设计，可以先利用机器学习技术自动识别出场所图像的场所类型，然后根据预设场所类型从至少一个场所图像中筛选得到目标场所，可进一步减少人工参与的工作量，省事省时省力，并确保关键元素识别结果的准确率。
在一个可能的设计中，根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签，包括：
计算得到在所述地理图像中所述目标场所至所述目标楼盘的距离；
判断所述至少一个目标场所中是否存在一个至所述目标楼盘的距离小于或等于预设距离阈值的目标场所；
若存在，则确定所述目标楼盘拥有用于作为所述楼盘卖点标签的近目标场所标签，其中，所述近目标场所标签用于标记在距离所述目标楼盘的所述预设距离阈值范围内存在预设场所的楼盘卖点。
通过上述设计，可以通过距离比较方式，自动地确定目标楼盘是否拥有近目标场所标签，可进一步减少人工参与的工作量，省事省时省力，并确保标签采集结果的准确率。
在一个可能的设计中，识别出所述地理图像中用于确定楼盘卖点标签的关键元素，包括：
根据机器学习方式，识别出在所述地理图像中的且位于所述目标楼盘内的至少一个绿化区图像，将所述至少一个绿化区图像作为所述关键元素。
通过上述设计，可以利用机器学习技术自动识别出针对高绿化率标签的关键元素，进一步减少人工参与的工作量，省事省时省力，并确保关键元素识别结果的准确率。
在一个可能的设计中，根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签，包括：
计算得到所述至少一个绿化区图像中所有绿化区图像与所述目标楼盘的楼盘区图像在所述地理图像中的占据面积比值；
判断所述占据面积比值是否高于或等于预设绿化率阈值；
若是，则确定所述目标楼盘拥有用于作为所述楼盘卖点标签的高绿化率标签，其中，所述高绿化率标签用于标记目标楼盘的绿化率高于所述预设绿化率阈值的楼盘卖点。
通过上述设计，可以先计算绿化区图像与目标楼盘的图像的面积比，然后根据面积比与预设绿化率阈值的比较结果，自动地确定目标楼盘是否拥有近高绿化率标签，可进一步减少人工参与的工作量，省事省时省力，并确保标签采集结果的准确率。同时由于无需线下采集人员实地探访目标楼盘，可避免因无采集渠道而导致出现信息缺失的问题，并通过客观存在的航拍照片，可有效保障绿化率采集结果的权威性，以及方便在争议出现时进行线上复查与修正，有效保障绿化率采集结果的正确性。
在一个可能的设计中，计算得到所述至少一个绿化区图像中所有绿化区图像与所述目标楼盘的楼盘区图像在所述地理图像中的占据面积比值，包括：
从所述地理图像中剪切出包含有所述目标楼盘且无其它楼盘的楼盘图像；
根据机器学习方式，识别出在所述楼盘图像中的至少一个楼栋区；
若所述至少一个楼栋区的数目大于或等于两个，在所述楼盘图像中对外周楼栋区的外周边沿线段做直线延伸；
将在所述楼盘图像中被所有楼栋边沿延伸线所包围的区域图像，作为所述目标楼盘的楼盘区图像；
计算所述至少一个绿化区图像中所有绿化区图像在所述楼盘区图像中占据的像素点总数与所述楼盘区图像占据的像素点总数的比值，将计算结果作为所述占据面积比值。
通过上述设计，可以通过剪切处理和机器学习技术自动确定出目标楼盘中的楼栋区，然后通过对外周楼栋区的外侧边沿线段进行直线延伸处理，可以确定出被所有楼栋边沿延伸线所包围的楼盘区，进而可以自动校正人工标记目标楼盘的偏差，以及可进一步减少人工参与的工作量，省事省时省力，并确保楼盘区的确定正确率，以及可避免将楼盘区周边的用地误作为楼盘区的用地，进一步提升绿化率的正确性(根据绿化率的定义，楼盘区周边的绿地是不计入绿化率计算中的)。此外，由于是基于占据像素点的统计结果来计算占据面积比值，可简化计算，降低对计算机资源的需求。
第二方面，本发明提供了一种楼盘卖点标签的采集装置，包括依次通信连接的图像获取单元、元素识别单元和标签确定单元；
所述图像获取单元，用于获取目标楼盘的地理图像；
所述元素识别单元，用于识别出所述地理图像中用于确定楼盘卖点标签的关键元素；
所述标签确定单元，用于根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签。
在一种可能设计中，所述元素识别单元包括有目标场所识别子单元；
所述目标场所识别子单元，用于根据机器学习方式，识别出在所述地理图像中的且位于目标楼盘周边地区内的至少一个目标场所，将所述至少一个目标场所作为所述关键元素，其中，所述目标场所是指场所类型与预设场所类型匹配的场所图像。
在一种可能设计中，所述目标场所识别子单元包括有通信相连的场所类型识别孙单元和场所筛选孙单元；
所述场所类型识别孙单元，用于根据机器学习方式，识别出在所述地理图像中的且位于所述目标楼盘周边地区内的至少一个场所图像的场所类型；
所述场所筛选孙单元，用于从所述至少一个场所图像中筛选得到场所类型与所述预设场所类型匹配的至少一个目标场所。
在一种可能设计中，所述标签确定单元包括有依次通信连接的第一计算子单元、第一判断子单元和第一确定子单元；
所述第一计算子单元，用于计算得到在所述地理图像中所述目标场所至所述目标楼盘的距离；
所述第一判断子单元，用于判断所述至少一个目标场所中是否存在一个至所述目标楼盘的距离小于或等于预设距离阈值的目标场所；
所述第一确定子单元，用于当存在时，确定所述目标楼盘拥有用于作为所述楼盘卖点标签的近目标场所标签，其中，所述近目标场所标签用于标记在距离所述目标楼盘的所述预设距离阈值范围内存在预设场所的楼盘卖点。
在一种可能设计中，所述元素识别单元包括有绿化区识别子单元；
所述绿化区识别子单元，用于根据机器学习方式，识别出在所述地理图像中的且位于所述目标楼盘内的至少一个绿化区图像，将所述至少一个绿化区图像作为所述关键元素。
在一种可能设计中，所述标签确定单元包括有依次通信连接的第二计算子单元、第二判断子单元和第二确定子单元；
所述第二计算子单元，用于计算得到所述至少一个绿化区图像中所有绿化区图像与所述目标楼盘的楼盘区图像在所述地理图像中的占据面积比值；
所述第二判断子单元，用于判断所述占据面积比值是否高于或等于预设绿化率阈值；
所述第二确定子单元，用于当是时，确定所述目标楼盘拥有用于作为所述楼盘卖点标签的高绿化率标签，其中，所述高绿化率标签用于标记目标楼盘的绿化率高于所述预设绿化率阈值的楼盘卖点。
在一种可能设计中，所述第二计算子单元包括有依次通信连接的图像剪切孙单元、楼栋区识别孙单元、线段延伸孙单元、楼盘区确定孙单元和比值计算孙单元；
所述图像剪切孙单元，用于从所述地理图像中剪切出包含有所述目标楼盘且无其它楼盘的楼盘图像；
所述楼栋区识别孙单元，用于根据机器学习方式，识别出在所述楼盘图像中的至少一个楼栋区；
所述线段延伸孙单元，用于当所述至少一个楼栋区的数目大于或等于两个时，在所述楼盘图像中对外周楼栋区的外周边沿线段做直线延伸；
所述楼盘区确定孙单元，用于将在所述楼盘图像中被所有楼栋边沿延伸线所包围的区域图像，作为所述目标楼盘的楼盘区图像；
所述比值计算孙单元，用于计算所述至少一个绿化区图像中所有绿化区图像在所述楼盘区图像中占据的像素点总数与所述楼盘区图像占据的像素点总数的比值，将计算结果作为所述占据面积比值。
第三方面，本发明提供了一种计算机设备，包括通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计所述的采集方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如上第一方面或第一方面中任意一种可能设计的所述采集方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如上第一方面或第一方面中任意一种可能设计的所述采集方法。
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作简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的楼盘卖点标签的采集方法流程示意图。
图2是本发明提供的第一种地理图像的示例图。
图3是本发明提供的第二种地理图像的示例图。
图4是本发明提供的在楼盘图像中楼盘区、楼栋区和绿化区的位置示例图。
图5是本发明提供的楼盘卖点标签的采集装置的结构示意图。
图6是本发明提供的计算机设备的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
应当理解，在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时，表示不存在中间单元。另外，应当以类似方式来解释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。
应当理解，本文使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解，若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解，还应当注意到在一些备选可能设计中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出***，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
如图1所示，本实施例第一方面提供的所述楼盘卖点标签的采集方法，可以但不限于在诸如房产信息收集和社会调研数据收集等信息收集类工作中，由计算机设备执行，然后自动采集得到目标楼盘所拥有的楼盘卖点标签。所述楼盘卖点标签可以但不限于包括有近目标场所标签和高绿化率标签等。所述近目标场所标签用于标记在距离目标楼盘的预设距离阈值(例如1公里、3公里或5公里等)范围内存在预设场所(例如地铁站、公交站、机场站、商场综合体、医院、学校、公园、人工湖、海滩、游乐场、体育馆和/或写字楼群等场所)的楼盘卖点，其中，当所述预设场所为地铁站时，所述近目标场所标签即为近地铁标签；当所述预设场所为公交站时，所述近目标场所标签即为近公交标签；当所述预设场所为机场站时，所述近目标场所标签即为近机场标签；当所述预设场所为商场综合体时，所述近目标场所标签即为近商圈标签；当所述预设场所为医院时，所述近目标场所标签即为近医院标签；当所述预设场所为学校时，所述近目标场所标签即为近学校标签；当所述预设场所为公园、人工湖、海滩、游乐场或体育馆等时，所述近目标场所标签即为近休闲区标签；当所述预设场所为写字楼群时，所述近目标场所标签即为近商务区标签。所述高绿化率标签用于标记目标楼盘的绿化率高于所述预设绿化率阈值(例如50％)的楼盘卖点。所述楼盘卖点标签的采集方法，可以但不限于包括有如下步骤S101～S103。
S101.获取目标楼盘的地理图像。
在所述步骤S101中，所述地理图像可以但不限于是从电子地图软件(例如百度地图软件、高德地图软件或谷歌地图软件等)中导出的电子地图(如图2所示的长方形边界地图)或卫星地图(作为卫星航拍照片，如图3所示的圆形边界地图，其圆形半径恰好等于与所述近目标场所标签对应的预设距离阈值——1KM)，或者由无人机等携带相机的飞行器所拍摄的航拍照片。所述目标楼盘在所述地理图像中的地理位置或占据区域可提前由采集人员标记得到。此外，所述地理图像的获取方式可以但不限于是通过电子地图软件的输出接口导出得到、通过读取相机的存储卡或者通过无线通信方式从相机侧传送得到，等等。
S102.识别出所述地理图像中用于确定楼盘卖点标签的关键元素。
在所述步骤S102中，具体的，当所述楼盘卖点标签包括有近目标场所标签时，所述关键元素可以但不限于包括从所述地理图像中识别出的目标场所，其中，所述目标场所是指场所类型与预设场所类型匹配的场所图像。例如针对所述近地铁标签，所述关键元素为识别出的地铁站图像；针对所述近公交标签，所述关键元素为识别出的公交站图像；针对所述近机场标签，所述关键元素为识别出的机场站图像；针对所述近商圈标签，所述关键元素为识别出的商场综合体图像；针对所述近医院标签，所述关键元素为识别出的医院图像；针对所述近学校标签，所述关键元素为识别出的学校图像；针对所述近休闲区标签，所述关键元素为识别出的公园图像、人工湖图像、海滩图像、游乐场图像或体育馆图像等；针对所述近商务区标签，所述关键元素为识别出的写字楼群图像。当所述楼盘卖点标签包括有近高绿化率标签时，所述关键元素可以但不限于包括从所述地理图像中识别出的且位于所述目标楼盘内的绿化区图像。所述关键元素的识别方式，可以但不限于采用机器学习方式进行识别或针对所述地理图像中的地理图标进行映射识别(例如在图2中，可将与灰底白“十”字图标对应的场所图像映射为医院图像，将与灰底白书图标对应的场所图像映射为学校图像，将与灰底白树图标对应的场所图像映射为公园图像，等等)。
S103.根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签。
在所述步骤S103中，由于所述关键元素是用于确定楼盘卖点标签的信息，因此可根据识别出的关键元素和楼盘卖点标签的预设定义(例如预设距离阈值或预设绿化率阈值等)，确定得到所述目标楼盘所拥有的楼盘卖点标签。如图2所示，举例的，针对目标楼盘而言，由于在1公里范围内可识别出医院图像(即“厦门市妇幼保健院”和“厦门大学附属第一医院”)、地铁站图像(即“镇海路”和“中山公园”)、学校图像(即“华侨中学”)和公园图像(即“鸿山公园”)等，因此可根据识别出的这些关键元素，确定所述目标楼盘拥有近医院标签、近地铁标签、近学校标签和近休闲区标签等近目标场所标签。此外，如果还识别出位于所述目标楼盘内的绿化区图像，还可以根据所述识别出的关键元素计算绿化区与所述目标楼盘占据区域的面积之比，然后根据面积比值与预设绿化率阈值的比较结果，确定所述目标楼盘是否拥有高绿化率标签。
由此通过前述步骤S101～S103所描述的楼盘卖点标签的采集方法，提供了一种既省事省时省力又能有效保障标签采集结果具有客观性和真实性的新采集方案，即在获取到目标楼盘的地理图像后，识别出所述地理图像中用于确定楼盘卖点标签的关键元素，最后根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签，由于是基于目标楼盘的地理图像识别结果来确定所拥有的楼盘卖点标签，不但可以避免人为主观因素干扰，确保标签采集结果的客观性和真实性，还无需线下采集人员实地勘察，省事省时省力，大大降低了人力成本，进而方便开展诸如房产信息收集和社会调研数据收集等信息收集类工作。
本实施例在前述第一方面的技术方案基础上，还具体提出了一种针对近目标场所标签如何识别出关键元素的可能设计一，即识别出所述地理图像中用于确定楼盘卖点标签的关键元素，包括但不限于有如下步骤：根据机器学习方式，识别出在所述地理图像中的且位于目标楼盘周边地区内的至少一个目标场所，将所述至少一个目标场所作为所述关键元素，其中，所述目标场所是指场所类型与预设场所类型匹配的场所图像。前述机器学习方式是指在基于大量的样本图像(包括但不限于电子地图或航拍照片等形式)完成对目标场所识别模型的机器学习训练(例如深度学习训练等)后，将所述地理图像导入该目标场所识别模型，进而识别出所述目标楼盘周边地区中的目标场所，例如针对完成医院图像识别训练的目标场所识别模型，可识别出所述地理图像中是否存在医院图像，若不存在，则必然不能确定所述目标楼盘拥有近医院标签，反之则需要进一步根据预设距离阈值等来确定是否拥有近医院标签。此外，所述预设场所类型是针对所述近目标场所标签而预制的定义信息，举例的，针对所述近休闲区标签，所述预设场所类型包括但不限于有公园、人工湖、海滩、游乐场或体育馆等。
由此通过前述的可能设计一，可以利用机器学习技术自动识别出针对近目标场所标签的关键元素，进一步减少人工参与的工作量，省事省时省力，并确保关键元素识别结果的准确率。
本实施例在前述可能设计一的技术方案基础上，还具体提出了另一种如何识别出目标场所的可能设计二，即根据机器学习方式，识别出在所述地理图像中的且位于目标楼盘周边地区内的至少一个目标场所，包括但不限于有如下步骤S201～S202。
S201.根据机器学习方式，识别出在所述地理图像中的且位于所述目标楼盘周边地区内的至少一个场所图像的场所类型。
在所述步骤S201中，前述机器学习方式是指在基于大量的样本图像(包括但不限于电子地图或航拍照片等形式)完成对场所类型识别模型的机器学习训练(例如深度学习训练等)后，将所述地理图像导入该场所类型识别模型，进而识别出所述目标楼盘周边地区中各个场所图像的场所类型，例如识别出所述目标楼盘周边地区中各个场所图像为诸如楼盘、医院、学校、公园、沙滩和人工湖等场所类型。此外，如果不能识别出至少一个场所图像的场所类型，则必然不能确定所述目标楼盘拥有近目标场所标签，反之则需要进一步根据预设场所类型和预设距离阈值等来确定是否拥有近目标场所标签。
S202.从所述至少一个场所图像中筛选得到场所类型与所述预设场所类型匹配的至少一个目标场所。
在所述步骤S202中，如果不能筛选得到类型与所述预设场所类型匹配的至少一个目标场所，则必然不能确定所述目标楼盘拥有近目标场所标签，反之则需要进一步根据预设距离阈值等来确定是否拥有近目标场所标签。
由此通过前述步骤S201～202所描述的可能设计二，可以先利用机器学习技术自动识别出场所图像的场所类型，然后根据预设场所类型从至少一个场所图像中筛选得到目标场所，可进一步减少人工参与的工作量，省事省时省力，并确保关键元素识别结果的准确率。
本实施例在前述可能设计一或二的技术方案基础上，还具体提出了一种如何确定近目标场所标签的可能设计三，即根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签，包括但不限于有如下步骤S301～S303。
S301.计算得到在所述地理图像中所述目标场所至所述目标楼盘的距离。
S302.判断所述至少一个目标场所中是否存在一个至所述目标楼盘的距离小于或等于预设距离阈值的目标场所。
S303.若存在，则确定所述目标楼盘拥有用于作为所述楼盘卖点标签的近目标场所标签，其中，所述近目标场所标签用于标记在距离所述目标楼盘的所述预设距离阈值范围内存在预设场所的楼盘卖点。
在前述步骤S301中，距离计算方式可在获取所述目标场所和目标楼盘在所述地理图像中的图像坐标位置及所述地理图像的比例尺之后，通过常规计算公式计算得到。在所述步骤S302中，所述预设距离阈值是针对所述近目标场所标签而预制的定义信息，举例的，针对所述近休闲区标签，所述预设距离阈值可为3公里，针对所述近地铁标签，所述预设距离阈值可为1公里，等等。此外，如果判定不存在，则可确定所述目标楼盘不拥有所述近目标场所标签。
由此通过前述步骤S301～S303所描述的可能设计三，可以通过距离比较方式，自动地确定目标楼盘是否拥有近目标场所标签，可进一步减少人工参与的工作量，省事省时省力，并确保标签采集结果的准确率。此外，在所述步骤S301之前，还可以先判断所述地理图像的视野范围是否全部在距离所述目标楼盘的所述预设距离阈值范围内(可具体但不限于通过常规的距离比较方式来判断)，若在，则当识别出至少一个目标场所后，可跳过前述步骤S301～S303，直接确定所述目标楼盘拥有所述近目标场所标签，否则需要执行前述步骤S301～S303。
本实施例在前述第一方面的技术方案基础上，还具体提出了一种针对高绿化率标签如何识别出关键元素的可能设计四，即识别出所述地理图像中用于确定楼盘卖点标签的关键元素，包括但不限于有如下步骤：根据机器学习方式，识别出在所述地理图像中的且位于所述目标楼盘内的至少一个绿化区图像，将所述至少一个绿化区图像作为所述关键元素。所述绿化区图像可以但不限于为草地图像、林地图像和花坛图像等适合花草树木生长的绿化用地图像。前述机器学习方式是指在基于大量的样本图像(包括但不限于航拍照片等形式)完成对绿化区识别模型的机器学习训练(例如深度学习训练等)后，将所述地理图像(包括但不限于航拍照片等形式)导入该绿化区识别模型，进而识别出在所述目标楼盘内的绿化区图像。为了确保绿化区图像识别结果的正确性，在拍摄获取样本图像及所述地理图像时，需要确保相机光轴与地面垂直，以便得到在俯视角度下拍摄的航拍照片。同时在拍摄获取所述地理图像时，还需要相机坐标尽可能地位于目标楼盘的中心点正上方，并拍摄到目标楼盘的全貌，呈现标准的且如图4所示的示例图；以及在拍摄过程中，还需要保证天气晴朗，视野良好，以每天的10～17点为宜(可以保证光线良好)，以及针对处于诸如春季、秋季及冬季等特殊时节的航拍地区，需要保证当地花草树木处于正常成长期，没有受到季节影响而出现枯萎或过度凋零情况，即优化的，所述地理图像优选为由无人机在晴天10点～17点间所拍摄的航拍照片。此外，如果不能识别出至少一个绿化区图像，则必然不能确定所述目标楼盘拥有高绿化率标签，反之则需要进一步根据预设绿化率阈值等来确定是否拥有近高绿化率标签。
由此通过前述的可能设计四，可以利用机器学习技术自动识别出针对高绿化率标签的关键元素，进一步减少人工参与的工作量，省事省时省力，并确保关键元素识别结果的准确率。
本实施例在前述可能设计四的技术方案基础上，还具体提出了一种如何确定高绿化率标签的可能设计五，即根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签，包括但不限于有如下步骤S501～S503。
S501.计算得到所述至少一个绿化区图像中所有绿化区图像与所述目标楼盘的楼盘区图像在所述地理图像中的占据面积比值。
S502.判断所述占据面积比值是否高于或等于预设绿化率阈值。
S503.若是，则确定所述目标楼盘拥有用于作为所述楼盘卖点标签的高绿化率标签，其中，所述高绿化率标签用于标记目标楼盘的绿化率高于所述预设绿化率阈值的楼盘卖点。
在所述步骤S501中，由于所述目标楼盘是提前标定的且已经识别出位于所述目标楼盘内的绿化区图像，因此可根据绿化率的定义，通过计算所述绿化区图像与所述目标楼盘的图像在所述地理图像中的面积之比，得到所述目标楼盘的绿化率。此外，在计算过程中，由于所述绿化区和所述目标楼盘都是位于所述航拍照片中，不需要利用比例尺换算得到两者的真实面积，只需要获取到两者在所述航拍照片中的测量面积，然后计算测量面积的比值，即可得到所述目标楼盘的绿化率。在所述步骤S502中，所述预设绿化率阈值是针对所述高绿化率标签而预制的定义信息，举例为50％。此外，如果判定所述占据面积比值低于所述预设绿化率阈值，则可确定所述目标楼盘不拥有所述高绿化率标签。
由此通过前述步骤S501～S503所描述的可能设计五，可以先计算绿化区图像与目标楼盘的图像的面积比，然后根据面积比与预设绿化率阈值的比较结果，自动地确定目标楼盘是否拥有近高绿化率标签，可进一步减少人工参与的工作量，省事省时省力，并确保标签采集结果的准确率。同时由于无需线下采集人员实地探访目标楼盘，可避免因无采集渠道而导致出现信息缺失的问题，并通过客观存在的航拍照片，可有效保障绿化率采集结果的权威性，以及方便在争议出现时进行线上复查与修正，有效保障绿化率采集结果的正确性。
本实施例在前述可能设计五的技术方案基础上，还具体提出了一种精确计算占据面积比值的可能设计六，即计算得到所述至少一个绿化区图像中所有绿化区图像与所述目标楼盘的楼盘区图像在所述地理图像中的占据面积比值，包括但不限于有如下步骤S5011～S5015。
S5011.从所述地理图像中剪切出包含有所述目标楼盘且无其它楼盘的楼盘图像。
在所述步骤S5011中，通过前述剪切处理，可确保在所述楼盘图像内不会出现其它楼盘的楼栋区，使得仅存在有所述目标楼盘，以免在后续处理时受到其它楼盘楼栋区的干扰，以及可保证后续识别出的绿化区必然位于所述目标楼盘内，避免产生不必要的计算干扰。考虑实际楼盘通常是被***道路所包围，而所述目标楼盘已经被提前标定，可以是基于目标楼盘***道路的识别结果(例如采用常规的机器学习方式)，以目标楼盘***道路为边界进行剪切处理，得到如图4所述的示例图。
S5012.根据机器学习方式，识别出在所述楼盘图像中的至少一个楼栋区。
在所述步骤S5012中，前述机器学习方式是指在基于大量的样本图像(包括但不限于航拍照片等形式)完成对楼栋区识别模型的机器学习训练(例如深度学习训练等)后，将所述楼盘图像导入该楼栋区识别模型，进而识别出在所述目标楼盘中的楼栋区。如图4所示，举例的，可以识别出12个楼栋区。
S5013.若所述至少一个楼栋区的数目大于或等于两个，在所述楼盘图像中对外周楼栋区的外周边沿线段做直线延伸。
在所述步骤S5013中，所述外周楼栋区是指相对于所述至少一个楼栋区的中心处于外周边沿上的楼栋区，如图4所示，所述外周楼栋区包含有楼栋区1～12。所述外周边沿线段是指相对于所述至少一个楼栋区的中心处于外周边沿上的楼栋区边沿线段，如图4所示，所述外周边沿线段为粗实线段，延伸线段为粗虚线段。
S5014.将在所述楼盘图像中被所有楼栋边沿延伸线所包围的区域图像，作为所述目标楼盘的楼盘区图像。
在所述步骤S5014中，考虑实际楼盘的楼盘用地区通常是规则的几何形状，因此如图4所示，被所述粗实线段和所述粗虚线段包围的成像区域，即为确定出的楼盘区。
S5015.计算所述至少一个绿化区图像中所有绿化区图像在所述楼盘区图像中占据的像素点总数与所述楼盘区图像占据的像素点总数的比值，将计算结果作为所述占据面积比值。
由此通过上述步骤S5011～S5015所描述的可能设计五，可以通过剪切处理和机器学习技术自动确定出目标楼盘中的楼栋区，然后通过对外周楼栋区的外侧边沿线段进行直线延伸处理，可以确定出被所有楼栋边沿延伸线所包围的楼盘区，进而可以自动校正人工标记目标楼盘的偏差，以及可进一步减少人工参与的工作量，省事省时省力，并确保楼盘区的确定正确率，以及可避免将楼盘区周边的用地误作为楼盘区的用地，进一步提升绿化率的正确性(根据绿化率的定义，楼盘区周边的绿地是不计入绿化率计算中的)。此外，由于是基于占据像素点的统计结果来计算占据面积比值，可简化计算，降低对计算机资源的需求。
如图5所示，本实施例第二方面提供了一种实现第一方面或第一方面中任意一种可能设计所述楼盘卖点标签的采集方法的虚拟装置，包括依次通信连接的图像获取单元、元素识别单元和标签确定单元；
所述图像获取单元，用于获取目标楼盘的地理图像；
所述元素识别单元，用于识别出所述地理图像中用于确定楼盘卖点标签的关键元素；
所述标签确定单元，用于根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签。
在一种可能设计中，所述元素识别单元包括有目标场所识别子单元；
所述目标场所识别子单元，用于根据机器学习方式，识别出在所述地理图像中的且位于目标楼盘周边地区内的至少一个目标场所，将所述至少一个目标场所作为所述关键元素，其中，所述目标场所是指场所类型与预设场所类型匹配的场所图像。
在一种可能设计中，所述目标场所识别子单元包括有通信相连的场所类型识别孙单元和场所筛选孙单元；
所述场所类型识别孙单元，用于根据机器学习方式，识别出在所述地理图像中的且位于所述目标楼盘周边地区内的至少一个场所图像的场所类型；
所述场所筛选孙单元，用于从所述至少一个场所图像中筛选得到场所类型与所述预设场所类型匹配的至少一个目标场所。
在一种可能设计中，所述标签确定单元包括有依次通信连接的第一计算子单元、第一判断子单元和第一确定子单元；
所述第一计算子单元，用于计算得到在所述地理图像中所述目标场所至所述目标楼盘的距离；
所述第一判断子单元，用于判断所述至少一个目标场所中是否存在一个至所述目标楼盘的距离小于或等于预设距离阈值的目标场所；
所述第一确定子单元，用于当存在时，确定所述目标楼盘拥有用于作为所述楼盘卖点标签的近目标场所标签，其中，所述近目标场所标签用于标记在距离所述目标楼盘的所述预设距离阈值范围内存在预设场所的楼盘卖点。
在一种可能设计中，所述元素识别单元包括有绿化区识别子单元；
所述绿化区识别子单元，用于根据机器学习方式，识别出在所述地理图像中的且位于所述目标楼盘内的至少一个绿化区图像，将所述至少一个绿化区图像作为所述关键元素。
在一种可能设计中，所述标签确定单元包括有依次通信连接的第二计算子单元、第二判断子单元和第二确定子单元；
所述第二计算子单元，用于计算得到所述至少一个绿化区图像中所有绿化区图像与所述目标楼盘的楼盘区图像在所述地理图像中的占据面积比值；
所述第二判断子单元，用于判断所述占据面积比值是否高于或等于预设绿化率阈值；
所述第二确定子单元，用于当是时，确定所述目标楼盘拥有用于作为所述楼盘卖点标签的高绿化率标签，其中，所述高绿化率标签用于标记目标楼盘的绿化率高于所述预设绿化率阈值的楼盘卖点。
在一种可能设计中，所述第二计算子单元包括有依次通信连接的图像剪切孙单元、楼栋区识别孙单元、线段延伸孙单元、楼盘区确定孙单元和比值计算孙单元；
所述图像剪切孙单元，用于从所述地理图像中剪切出包含有所述目标楼盘且无其它楼盘的楼盘图像；
所述楼栋区识别孙单元，用于根据机器学习方式，识别出在所述楼盘图像中的至少一个楼栋区；
所述线段延伸孙单元，用于当所述至少一个楼栋区的数目大于或等于两个时，在所述楼盘图像中对外周楼栋区的外周边沿线段做直线延伸；
所述楼盘区确定孙单元，用于将在所述楼盘图像中被所有楼栋边沿延伸线所包围的区域图像，作为所述目标楼盘的楼盘区图像；
所述比值计算孙单元，用于计算所述至少一个绿化区图像中所有绿化区图像在所述楼盘区图像中占据的像素点总数与所述楼盘区图像占据的像素点总数的比值，将计算结果作为所述占据面积比值。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任意一种可能设计所述的采集方法，于此不再赘述。
如图6所示，本实施例第三方面提供了一种执行第一方面或第一方面中任意一种可能设计所述楼盘卖点标签的采集方法的计算机设备，包括通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计所述的楼盘卖点标签的采集方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input FirstOutput，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以不限于采用型号采用STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任意一种可能设计所述的采集方法，于此不再赘述。
本实施例第四方面提供了一种存储包含第一方面或第一方面中任意一种可能设计所述楼盘卖点标签的采集方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计所述的楼盘卖点标签的采集方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任意一种可能设计所述的采集方法，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意一种可能设计所述的楼盘卖点标签的采集方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
以上所描述的实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (10)
1.一种楼盘卖点标签的采集方法，其特征在于，包括：
获取目标楼盘的地理图像；
识别出所述地理图像中用于确定楼盘卖点标签的关键元素；
根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签。
2.如权利要求1所述的采集方法，其特征在于，识别出所述地理图像中用于确定楼盘卖点标签的关键元素，包括：
根据机器学习方式，识别出在所述地理图像中的且位于目标楼盘周边地区内的至少一个目标场所，将所述至少一个目标场所作为所述关键元素，其中，所述目标场所是指场所类型与预设场所类型匹配的场所图像。
3.如权利要求2所述的采集方法，其特征在于，根据机器学习方式，识别出在所述地理图像中的且位于目标楼盘周边地区内的至少一个目标场所，包括：
根据机器学习方式，识别出在所述地理图像中的且位于所述目标楼盘周边地区内的至少一个场所图像的场所类型；
从所述至少一个场所图像中筛选得到场所类型与所述预设场所类型匹配的至少一个目标场所。
4.如权利要求2所述的采集方法，其特征在于，根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签，包括：
计算得到在所述地理图像中所述目标场所至所述目标楼盘的距离；
判断所述至少一个目标场所中是否存在一个至所述目标楼盘的距离小于或等于预设距离阈值的目标场所；
若存在，则确定所述目标楼盘拥有用于作为所述楼盘卖点标签的近目标场所标签，其中，所述近目标场所标签用于标记在距离所述目标楼盘的所述预设距离阈值范围内存在预设场所的楼盘卖点。
5.如权利要求1所述的采集方法，其特征在于，识别出所述地理图像中用于确定楼盘卖点标签的关键元素，包括：
根据机器学习方式，识别出在所述地理图像中的且位于所述目标楼盘内的至少一个绿化区图像，将所述至少一个绿化区图像作为所述关键元素。
6.如权利要求5所述的采集方法，其特征在于，根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签，包括：
计算得到所述至少一个绿化区图像中所有绿化区图像与所述目标楼盘的楼盘区图像在所述地理图像中的占据面积比值；
判断所述占据面积比值是否高于或等于预设绿化率阈值；
若是，则确定所述目标楼盘拥有用于作为所述楼盘卖点标签的高绿化率标签，其中，所述高绿化率标签用于标记目标楼盘的绿化率高于所述预设绿化率阈值的楼盘卖点。
7.如权利要求6所述的采集方法，其特征在于，计算得到所述至少一个绿化区图像中所有绿化区图像与所述目标楼盘的楼盘区图像在所述地理图像中的占据面积比值，包括：
从所述地理图像中剪切出包含有所述目标楼盘且无其它楼盘的楼盘图像；
根据机器学习方式，识别出在所述楼盘图像中的至少一个楼栋区；
若所述至少一个楼栋区的数目大于或等于两个，在所述楼盘图像中对外周楼栋区的外周边沿线段做直线延伸；
将在所述楼盘图像中被所有楼栋边沿延伸线所包围的区域图像，作为所述目标楼盘的楼盘区图像；
计算所述至少一个绿化区图像中所有绿化区图像在所述楼盘区图像中占据的像素点总数与所述楼盘区图像占据的像素点总数的比值，将计算结果作为所述占据面积比值。
8.一种楼盘卖点标签的采集装置，其特征在于，包括依次通信连接的图像获取单元、元素识别单元和标签确定单元；
所述图像获取单元，用于获取目标楼盘的地理图像；
所述元素识别单元，用于识别出所述地理图像中用于确定楼盘卖点标签的关键元素；
所述标签确定单元，用于根据识别出的关键元素，确定所述目标楼盘拥有的楼盘卖点标签。
9.一种计算机设备，其特征在于,包括通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于读取所述计算机程序，执行如权利要求1～7中任意一项所述的采集方法。
10.一种计算机可读存储介质，其特征在于,所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7中任意一项所述的采集方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011060679.5A CN112149771A (zh) | 2020-09-30 | 2020-09-30 | 一种楼盘卖点标签的采集方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011060679.5A CN112149771A (zh) | 2020-09-30 | 2020-09-30 | 一种楼盘卖点标签的采集方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112149771A true CN112149771A (zh) | 2020-12-29 |
Family
ID=73951308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011060679.5A Pending CN112149771A (zh) | 2020-09-30 | 2020-09-30 | 一种楼盘卖点标签的采集方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149771A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005092534A (ja) * | 2003-09-17 | 2005-04-07 | Ishin Co Ltd | 住宅販売支援システム |
| JP2005316765A (ja) * | 2004-04-28 | 2005-11-10 | Micronet Co Ltd | 不動産物件検索システム、校区内物件提示装置及び周辺環境提示装置 |
| JP2006221109A (ja) * | 2005-02-14 | 2006-08-24 | Jsb:Kk | 物件情報表示システム |
| JP2011215412A (ja) * | 2010-03-31 | 2011-10-27 | Zenrin Datacom Co Ltd | 地図画像処理装置、地図画像処理方法及び地図画像処理プログラム |
| US9779545B1 (en) * | 2016-06-30 | 2017-10-03 | Microsoft Technology Licensing, Llc | Footprint based business label placement |
| US20170371897A1 (en) * | 2016-06-27 | 2017-12-28 | Omniearth, Inc. | Systems and Methods for Utilizing Property Features from Images |
| CN108121440A (zh) * | 2017-09-30 | 2018-06-05 | 苏州美房云客软件科技股份有限公司 | 存储装置、计算机设备、虚拟选房***及其标签设定方法 |
| CN108830126A (zh) * | 2018-06-20 | 2018-11-16 | 上海凌脉网络科技股份有限公司 | 一种基于图像智能识别的产品营销互动方法 |
| CN109308637A (zh) * | 2018-09-12 | 2019-02-05 | 浪潮软件集团有限公司 | 一种面向实体消费场景的营销方法、装置和*** |
| CN110148009A (zh) * | 2019-04-12 | 2019-08-20 | 平安城市建设科技(深圳)有限公司 | 楼盘房价数据生成方法、装置、设备及计算机存储介质 |
| CN111311385A (zh) * | 2020-05-15 | 2020-06-19 | 成都晓多科技有限公司 | 一种基于商品卖点的商品推荐话术生成方法及*** |
-
2020
- 2020-09-30 CN CN202011060679.5A patent/CN112149771A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005092534A (ja) * | 2003-09-17 | 2005-04-07 | Ishin Co Ltd | 住宅販売支援システム |
| JP2005316765A (ja) * | 2004-04-28 | 2005-11-10 | Micronet Co Ltd | 不動産物件検索システム、校区内物件提示装置及び周辺環境提示装置 |
| JP2006221109A (ja) * | 2005-02-14 | 2006-08-24 | Jsb:Kk | 物件情報表示システム |
| JP2011215412A (ja) * | 2010-03-31 | 2011-10-27 | Zenrin Datacom Co Ltd | 地図画像処理装置、地図画像処理方法及び地図画像処理プログラム |
| US20170371897A1 (en) * | 2016-06-27 | 2017-12-28 | Omniearth, Inc. | Systems and Methods for Utilizing Property Features from Images |
| US9779545B1 (en) * | 2016-06-30 | 2017-10-03 | Microsoft Technology Licensing, Llc | Footprint based business label placement |
| CN108121440A (zh) * | 2017-09-30 | 2018-06-05 | 苏州美房云客软件科技股份有限公司 | 存储装置、计算机设备、虚拟选房***及其标签设定方法 |
| CN108830126A (zh) * | 2018-06-20 | 2018-11-16 | 上海凌脉网络科技股份有限公司 | 一种基于图像智能识别的产品营销互动方法 |
| CN109308637A (zh) * | 2018-09-12 | 2019-02-05 | 浪潮软件集团有限公司 | 一种面向实体消费场景的营销方法、装置和*** |
| CN110148009A (zh) * | 2019-04-12 | 2019-08-20 | 平安城市建设科技(深圳)有限公司 | 楼盘房价数据生成方法、装置、设备及计算机存储介质 |
| CN111311385A (zh) * | 2020-05-15 | 2020-06-19 | 成都晓多科技有限公司 | 一种基于商品卖点的商品推荐话术生成方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 曹晨 等: ""城市居住区舒 适度模拟与分析"", 《地理空间信息》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109117811B (zh) | 一种基于低空遥感测量技术估算城市植被覆盖率的***及方法 | |
| Klouček et al. | How does data accuracy influence the reliability of digital viewshed models? A case study with wind turbines | |
| JP2021012712A (ja) | 資産特性を分類するためのプラットフォーム、システム、ならびに方法および航空画像解析による資産特徴保守管理 | |
| US20150130840A1 (en) | System and method for reporting events | |
| Musakwa et al. | Implications of land use change for the sustainability of urban areas: A case study of Stellenbosch, South Africa | |
| Abd-Elrahman et al. | A community-based urban forest inventory using online mapping services and consumer-grade digital images | |
| US10460168B1 (en) | Interfaces for improving data accuracy in a positioning system database | |
| Hashem | Assessing spatial equality of urban green spaces provision: A case study of Greater Doha in Qatar | |
| CN114359758A (zh) | 一种输电线的检测方法、装置、计算机设备和存储介质 | |
| WO2023005231A1 (zh) | 用于确定图像采集设备位置的方法、装置、电子设备及存储介质 | |
| Joly et al. | A quantitative approach to the visual evaluation of landscape | |
| Pafi et al. | Measuring the accessibility of urban green areas | |
| Lauko et al. | Local color and morphological image feature based vegetation identification and its application to human environment street view vegetation mapping, or how green is our county? | |
| Meunpong et al. | Google Street View virtual survey and in-person field surveys: An exploratory comparison of urban tree risk assessment | |
| Llausàs et al. | Applicability of cadastral data to support the estimation of water use in private swimming pools | |
| CN101197628A (zh) | 一种无线***网元信息呈现方法 | |
| KR20160123754A (ko) | 도심 지역의 옥상 녹화 영역 결정 방법 및 도심 지역의 옥상 녹화 영역 모니터링 방법 | |
| Wezyk et al. | Forest cover changes in Gorce NP (Poland) using photointerpretation of analogue photographs and GEOBIA of orthophotos and nDSM based on image-matching based approach | |
| CN112149771A (zh) | 一种楼盘卖点标签的采集方法、装置及计算机设备 | |
| Li et al. | Impervious surface expansion in the China-Laos border area under the context of geo-economic cooperation: a case study of the Mohan-Boten Economic Cooperation Zone | |
| Khan | Property Tax mapping and assessment using GIS: case study of rawalpindi city | |
| CN109376638A (zh) | 一种基于遥感图像和地理信息***的文地率计算方法 | |
| Dawidowicz et al. | Is it possible to create a unified urban greenery management system (UGMS) on a national scale? The concept for EU Member State of Poland | |
| Stöcker et al. | Accelerating participatory land rights mapping with SmartLandMaps tools: Lessons learnt from Benin | |
| Zhang et al. | Individual tree detection and counting based on high-resolution imagery and the canopy height model data |
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: 20201229 |