CN116578915B - 一种基于图神经网络的结构化户型解析方法和*** - Google Patents
一种基于图神经网络的结构化户型解析方法和*** Download PDFInfo
- Publication number
- CN116578915B CN116578915B CN202310387140.8A CN202310387140A CN116578915B CN 116578915 B CN116578915 B CN 116578915B CN 202310387140 A CN202310387140 A CN 202310387140A CN 116578915 B CN116578915 B CN 116578915B
- Authority
- CN
- China
- Prior art keywords
- house type
- data
- room
- structured
- node
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000000547 structure data Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 21
- 230000002776 aggregation Effects 0.000 claims description 20
- 238000004220 aggregation Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005034 decoration Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
Abstract
本发明公开了一种基于图神经网络的结构化户型解析方法和***，方法包括：根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息；根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据；搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重；根据最优模型权重对测试户型数据进行预测，计算分类精度，进而根据分类精度构建得到目标模型；根据目标模型对待解析的户型信息进行解析，得到房间分类结果与户型结构数据后进行可视化展示。本发明的效率高且准确率高，可广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域，尤其是一种基于图神经网络的结构化户型解析方法和***。
背景技术
在房地产行业和家装行业设计中，设计师的历史设计方案经常出现没有为房间类型命名的情况，另外很大一部分数量的平面户型图通常只包含房屋的结构信息而缺少房间类型，但房间类型对后续设计和分析有十分重要的意义，因此快速准确地分析出户型图内的各个房间的类型具有重要的应用价值。在传统的户型图分析任务中，数据主体一般是绘制好的二维平面户型图，往往需要投入大量的人力物力才能完成对户型图的整体分析，一般通过资料调查和人为校对和推理来确定每个房间的类别和位置，这种方式的效率较低而且准确率低。
发明内容
有鉴于此，本发明实施例提供一种效率高且准确率高的，基于图神经网络的结构化户型解析方法和***。
本发明实施例的一方面提供了一种基于图神经网络的结构化户型解析方法，包括：
根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息；
根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据；
搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重；
根据最优模型权重对测试户型数据进行预测，计算分类精度，进而根据分类精度构建得到目标模型；
根据目标模型对待解析的户型信息进行解析，得到房间分类结果与户型结构数据后进行可视化展示。
可选地，所述根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息，包括：
获取地产公司和家装公司积累的户型数据；
筛选出具有房间类型标注的户型图数据，针对无坐标信息的平面户型图矢量数据和带有坐标信息的户型数据分别进行处理；
针对无坐标信息的平面户型图矢量数据进行矢量数据栅格化，提取户型内的内外墙体和门窗的信息；
针对带有坐标信息的户型数据，依次提取房间类别，房间包含的墙体线段坐标，墙体包含的门窗线段坐标；
根据数据分析和统计，将待分析的房间类型进行归类；
以一个户型为单位，将处理后的户型数据以文本的形式整合到一起，保存为结构化户型数据集合。
可选地，所述方法还包括：
分别以线段表示每面墙体、门和窗，并保存每一面墙体所包含的门窗线段坐标，提取每个房间的墙体闭合多边形轮廓，以二维点串的形式表示每个房间多边形，并保存房间类别和多边形轮廓的对应关系以及每一个房间所包含的墙体线段坐标。
可选地，所述根据数据分析和统计，将待分析的房间类型进行归类，包括：
根据数据分析和统计，将待分析的房间类型归纳为10类，分别是客厅、辅助房、阳台、卧室、厨房、浴室、走廊、多功能房、入户花园和自定义房间。
可选地，所述根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据，包括：
获取结构化户型数据集合；
遍历结构化户型数据集合，对于集合中的每一个户型数据，执行以下处理：以每个房间作为节点，节点标注为对应的房间类型；将房间之间的连通关系作为边，边类型只限定为连通关系；构建出一个户型连通气泡图；依次计算各个房间节点的面积、房间包围框、房间长边、房间短边、房间周长、房间中心坐标、房间门窗占比这7项数据作为节点特征；根据气泡图内连通关系构建出一个关系列表，连通节点特征一起保存为一份训练样本；
将遍历结束后得到户型数据集合划分为训练数据和测试数据。
可选地，所述搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重，包括：
获取训练数据的集合；
根据气泡图结构初始化整体图结构，记为G(V,E),其中V代表图中的边集，E代表图中的点集，输入节点特征，记为{Xv},初始化第k阶权重矩阵，记为Wk，k从1开始取值，选取均值方法作为聚合函数，记为AGGk，设置图中的节点采样函数，记为N，其中，聚合和采样的操作上限设置为二阶，即k＝2；
构建图神经网络模型，图中所有节点的输入特征，记为hv 0，首先利用采样函数N分别采样节点hv 0的一阶邻居节点、二阶邻居节点，分别记为hv 1、hv 2，然后利用聚合函数AGGk和权重矩阵Wk分别对二阶邻居节点hv 2和一阶邻居节点hv 1先后进行聚合和加权，得到节点的特征向量hv k，最后将得到的节点向量进行二范数归一化；
将节点特征向量hv k输入维度为(7，10)的全连接层进行分类；
读取训练数据并批次载入模型进行训练，采用交叉熵损失对模型预测的分类结果做损失计算；
采用Adam优化器作为模型，初始学习率为0.004，采用阶梯下降的学习率衰减方法，batch size定义为32个房间，总共训练100轮次。
可选地，所述根据目标模型对待解析的户型信息进行解析，得到房间分类结果与户型结构数据后进行可视化展示，包括：
读取经过后处理的房间分类结果；
根据测试数据索引，从获取的结构化户型数据集合中读取测试数据的户型结构信息；
遍历整个户型的所有房间，按照房间索引，对应地绘制出房间二维结构图并标注房间类型；
展示带有房间类型的平面户型图。
本发明实施例的另一方面还提供了一种基于图神经网络的结构化户型解析***，包括：
第一模块，用于根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息；
第二模块，用于根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据；
第三模块，用于搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重；
第四模块，用于根据最优模型权重对测试户型数据进行预测，计算分类精度，进而根据分类精度构建得到目标模型；
第五模块，用于根据目标模型对待解析的户型信息进行解析，得到房间分类结果与户型结构数据后进行可视化展示。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息；根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据；搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重；根据最优模型权重对测试户型数据进行预测，计算分类精度，进而根据分类精度构建得到目标模型；根据目标模型对待解析的户型信息进行解析，得到房间分类结果与户型结构数据后进行可视化展示。本发明的效率高且准确率高。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本发明实施例提供的一种基于图神经网络的结构化户型解析方法的整体步骤流程图；
图2为本发明实施例提供的基于图神经网络的结构化户型图理解的方法的模型示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术存在的问题，本发明实施例提供了一种基于图神经网络的结构化户型解析方法，包括：
根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息；
根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据；
搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重；
根据最优模型权重对测试户型数据进行预测，计算分类精度，进而根据分类精度构建得到目标模型；
根据目标模型对待解析的户型信息进行解析，得到房间分类结果与户型结构数据后进行可视化展示。
可选地，所述根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息，包括：
获取地产公司和家装公司积累的户型数据；
筛选出具有房间类型标注的户型图数据，针对无坐标信息的平面户型图矢量数据和带有坐标信息的户型数据分别进行处理；
针对无坐标信息的平面户型图矢量数据进行矢量数据栅格化，提取户型内的内外墙体和门窗的信息；
针对带有坐标信息的户型数据，依次提取房间类别，房间包含的墙体线段坐标，墙体包含的门窗线段坐标；
根据数据分析和统计，将待分析的房间类型进行归类；
以一个户型为单位，将处理后的户型数据以文本的形式整合到一起，保存为结构化户型数据集合。
可选地，所述方法还包括：
分别以线段表示每面墙体、门和窗，并保存每一面墙体所包含的门窗线段坐标，提取每个房间的墙体闭合多边形轮廓，以二维点串的形式表示每个房间多边形，并保存房间类别和多边形轮廓的对应关系以及每一个房间所包含的墙体线段坐标。
可选地，所述根据数据分析和统计，将待分析的房间类型进行归类，包括：
根据数据分析和统计，将待分析的房间类型归纳为10类，分别是客厅、辅助房、阳台、卧室、厨房、浴室、走廊、多功能房、入户花园和自定义房间。
可选地，所述根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据，包括：
获取结构化户型数据集合；
遍历结构化户型数据集合，对于集合中的每一个户型数据，执行以下处理：以每个房间作为节点，节点标注为对应的房间类型；将房间之间的连通关系作为边，边类型只限定为连通关系；构建出一个户型连通气泡图；依次计算各个房间节点的面积、房间包围框、房间长边、房间短边、房间周长、房间中心坐标、房间门窗占比这7项数据作为节点特征；根据气泡图内连通关系构建出一个关系列表，连通节点特征一起保存为一份训练样本；
将遍历结束后得到户型数据集合划分为训练数据和测试数据。
可选地，所述搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重，包括：
获取训练数据的集合；
根据气泡图结构初始化整体图结构，记为G(V,E),其中V代表图中的边集，E代表图中的点集，输入节点特征，记为{Xv},初始化第k阶权重矩阵，记为Wk，k从1开始取值，选取均值方法作为聚合函数，记为AGGk，设置图中的节点采样函数，记为N，其中，聚合和采样的操作上限设置为二阶，即k＝2；
构建图神经网络模型，图中所有节点的输入特征，记为hv 0，首先利用采样函数N分别采样节点hv 0的一阶邻居节点、二阶邻居节点，分别记为hv 1、hv 2，然后利用聚合函数AGGk和权重矩阵Wk分别对二阶邻居节点hv 2和一阶邻居节点hv 1先后进行聚合和加权，得到节点的特征向量hv k，最后将得到的节点向量进行二范数归一化；
将节点特征向量hv k输入维度为(7，10)的全连接层进行分类；
读取训练数据并批次载入模型进行训练，采用交叉熵损失对模型预测的分类结果做损失计算；
采用Adam优化器作为模型，初始学习率为0.004，采用阶梯下降的学习率衰减方法，batch size定义为32个房间，总共训练100轮次。
可选地，所述根据目标模型对待解析的户型信息进行解析，得到房间分类结果与户型结构数据后进行可视化展示，包括：
读取经过后处理的房间分类结果；
根据测试数据索引，从获取的结构化户型数据集合中读取测试数据的户型结构信息；
遍历整个户型的所有房间，按照房间索引，对应地绘制出房间二维结构图并标注房间类型；
展示带有房间类型的平面户型图。
本发明实施例的另一方面还提供了一种基于图神经网络的结构化户型解析***，包括：
第一模块，用于根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息；
第二模块，用于根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据；
第三模块，用于搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重；
第四模块，用于根据最优模型权重对测试户型数据进行预测，计算分类精度，进而根据分类精度构建得到目标模型；
第五模块，用于根据目标模型对待解析的户型信息进行解析，得到房间分类结果与户型结构数据后进行可视化展示。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
下面结合说明书附图，对本发明的具体实施过程进行详细描述：
本发明提供了一种基于图神经网络的结构化户型数据的理解方法和***，该***从户型图的结构化组织入手，以图结构为媒介，依据户型内房间的连通性为规则构建结构化户型数据，以图神经网络模型为方法对结构化户型数据进行分析处理，能够快速推理出户型内各个房间的类型和位置，最终输出带有标注的户型图可视化结果。该***具备两方面优点，首先，通过结构化数据描述户型图相比二维户型图像，既可以极大程度上节省储存空间，又可以方便图神经网络模型的数据吞吐。其次，利用图神经网络分析户型既能隐含得学习了户型内的房间连通关系又能抽象出各类房间再高维空间中的特征向量。
本发明提供一种基于图神经网络的结构化户型理解方法和***，如图1所示，方法包括以下步骤：
1、根据户型数据库获取所有户型结构信息，并将对应的结构信息进行结构化处理；
2、根据结构化的户型数据构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据；
3、搭建基于图神经网络分类的模型，输入训练数据进行训练，保存最优模型权重；
4、根据保存的模型对测试户型数据进行预测，并计算分类精度；
5、将经过后处理的房间分类结果与户型结构数据进行可视化。
第一步，根据户型数据库获取所有户型结构信息，并将对应的结构信息进行结构化处理。
a.获取地产公司和家装公司积累的户型数据；
b.筛选出具有房间类型标注的户型图数据，针对无坐标信息的平面户型图矢量数据和带有坐标信息的户型数据分别进行处理；
c.针对无坐标信息的平面户型图矢量数据进行矢量数据栅格化，提取户型内的内外墙体和门窗，分别以线段表示每面墙体、门和窗，并保存每一面墙体所包含的门窗线段坐标，提取每个房间的墙体闭合多边形轮廓，以二维点串的形式表示每个房间多边形，并保存房间类别和多边形轮廓的对应关系以及每一个房间所包含的墙体线段坐标。
d.针对带有坐标信息的户型数据，依次提取房间类别，房间包含的墙体线段坐标，墙体包含的门窗线段坐标，组织方式同上。
e.根据数据分析和统计，将待分析的房间类型归纳为10类，分别是客厅、辅助房(主卫或衣帽间都归为此类)、阳台、卧室、厨房、浴室(淋浴室和卫生间都归为此类)、走廊、多功能房、入户花园和自定义房间(代指未知分类的房间)。
f.将上述数据以一个户型为单位，将处理后的户型数据以文本的形式整合到一起，保存为结构化户型数据集合。
第二步，根据结构化的户型数据构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据。
a.获取第一步已经构建的结构化户型数据集合；
b.遍历结构化户型数据集合，对于集合中的每一个户型数据，都做以下处理：
b1.首先以每个房间作为节点，节点标注为对应的房间类型；
b2.房间之间的连通关系作为边，边类型只限定为连通关系；
b3.构建出一个户型连通气泡图；
b4.依次计算各个房间节点的面积、房间包围框、房间长边、房间短边、房间周长、房间中心坐标、房间门窗占比这7项数据作为节点特征；
b5.根据气泡图内连通关系构建出一个关系列表，连通节点特征一起保存为一份训练样本；c.将遍历结束后得到户型数据集合划分为训练数据和测试数据。
第三步，如图2所示，搭建图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重。
a.获取第二步的训练数据集合；
b.根据气泡图结构初始化整体图结构，记为G(V,E),其中V代表图中的边集，E代表图中的点集，输入节点特征，记为{Xv},初始化第k阶权重矩阵，记为Wk，k从1开始取值，选取均值方法作为聚合函数，记为AGGk，设置图中的节点采样函数，记为N，其中，聚合和采样的操作上限设置为二阶，即k＝2；
c.构建图神经网络模型，图中所有节点的输入特征，记为hv 0，首先利用采样函数N分别采样节点hv 0的一阶邻居节点、二阶邻居节点，分别记为hv 1、hv 2，然后利用聚合函数AGGk和权重矩阵Wk分别对二阶邻居节点hv 2和一阶邻居节点hv 1先后进行聚合和加权，得到节点的特征向量hv k，最后将得到的节点向量进行二范数归一化，以方便空间上的相似度计算。
d.将节点特征向量hv k输入维度为(7，10)的全连接层进行分类；
e.读取第二步划分的训练数据并批次载入模型进行训练，对模型预测的分类结果做损失计算，采用交叉熵损失进行；
f.模型采用Adam优化器，初始学习率为0.004，采用阶梯下降的学习率衰减方法，batch size定义为32个房间，总共训练100轮次；
第四步，根据保存的模型对测试户型数据进行预测，并计算分类精度。
a.加载第三步保存的模型；
b.读取第二步划分的测试数据，载入模型并获取分类结果，选取精准度作为指标，根据第一步设置的10个类别分别进行精度计算。
第五步，将经过后处理的房间分类结果与户型结构数据进行可视化。
a.读取经过后处理的房间分类结果；
b.根据测试数据索引，从第一步获取的结构化户型数据集合中读取测试数据的户型结构信息；
c.遍历整个户型的所有房间，按照房间索引，对应地绘制出房间二维结构图并标注房间类型；
d.最终展示带有房间类型的平面户型图。
本发明具有以下特点：
1、基于图神经网络模型的户型图理解方法，即该模型训练流程；
2、对户型图数据的收集和处理方法以及结构化方法，包括无坐标信息的平面户型图矢量数据和带有坐标信息的户型数据；
3、对户型图结构数据的基于图结构的特征向量表示方法。
综上所述，本发明通过图神经网络模型，辅以结构化的户型数据处理，迅速准确地分析出户型内各个房间的类别信息，并展示带有房间类型标注的平面户型图，可以帮助人和机器快速理解整个户型。利用此种方法和***，可以大大节约生产生活在户型理解上所耗费的人力物力，提升上游任务的工作效率。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于图神经网络的结构化户型解析方法，其特征在于，包括：
根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息；
根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据；
搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重；
根据最优模型权重对测试户型数据进行预测，计算分类精度，进而根据分类精度构建得到目标模型；
根据目标模型对待解析的户型信息进行解析，得到房间分类结果与户型结构数据后进行可视化展示；
其中，所述根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据，包括：
获取结构化户型数据集合；
遍历结构化户型数据集合，对于集合中的每一个户型数据，执行以下处理：以每个房间作为节点，节点标注为对应的房间类型；将房间之间的连通关系作为边，边类型只限定为连通关系；构建出一个户型连通气泡图；依次计算各个房间节点的面积、房间包围框、房间长边、房间短边、房间周长、房间中心坐标、房间门窗占比这7项数据作为节点特征；根据气泡图内连通关系构建出一个关系列表，连通节点特征一起保存为一份训练样本；
将遍历结束后得到户型数据集合划分为训练数据和测试数据；
其中，所述搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重，包括：
获取训练数据的集合；
根据气泡图结构初始化整体图结构，记为G(V,E),其中V代表图中的边集，E代表图中的点集，输入节点特征，记为{Xv},初始化第k阶权重矩阵，记为Wk，k从1开始取值，选取均值方法作为聚合函数，记为AGGk，设置图中的节点采样函数，记为N，其中，聚合和采样的操作上限设置为二阶，即k＝2；
构建图神经网络模型，图中所有节点的输入特征，记为hv 0，首先利用采样函数N分别采样节点hv 0的一阶邻居节点、二阶邻居节点，分别记为hv 1、hv 2，然后利用聚合函数AGGk和权重矩阵Wk分别对二阶邻居节点hv 2和一阶邻居节点hv 1先后进行聚合和加权，得到节点的特征向量hv k，最后将得到的节点向量进行二范数归一化；
将节点特征向量hv k输入维度为(7，10)的全连接层进行分类；
读取训练数据并批次载入模型进行训练，采用交叉熵损失对模型预测的分类结果做损失计算；
采用Adam优化器作为模型，采用阶梯下降的学习率衰减方法进行训练；
其中，所述根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息，包括：
获取地产公司和家装公司积累的户型数据；
筛选出具有房间类型标注的户型图数据，针对无坐标信息的平面户型图矢量数据和带有坐标信息的户型数据分别进行处理；
针对无坐标信息的平面户型图矢量数据进行矢量数据栅格化，提取户型内的内外墙体和门窗的信息；
针对带有坐标信息的户型数据，依次提取房间类别，房间包含的墙体线段坐标，墙体包含的门窗线段坐标；
根据数据分析和统计，将待分析的房间类型进行归类；
以一个户型为单位，将处理后的户型数据以文本的形式整合到一起，保存为结构化户型数据集合。
2.根据权利要求1所述的一种基于图神经网络的结构化户型解析方法，其特征在于，所述方法还包括：
分别以线段表示每面墙体、门和窗，并保存每一面墙体所包含的门窗线段坐标，提取每个房间的墙体闭合多边形轮廓，以二维点串的形式表示每个房间多边形，并保存房间类别和多边形轮廓的对应关系以及每一个房间所包含的墙体线段坐标。
3.根据权利要求1所述的一种基于图神经网络的结构化户型解析方法，其特征在于，所述根据数据分析和统计，将待分析的房间类型进行归类，包括：
根据数据分析和统计，将待分析的房间类型归纳为10类，分别是客厅、辅助房、阳台、卧室、厨房、浴室、走廊、多功能房、入户花园和自定义房间。
4.根据权利要求1所述的一种基于图神经网络的结构化户型解析方法，其特征在于，所述根据目标模型对待解析的户型信息进行解析，得到房间分类结果与户型结构数据后进行可视化展示，包括：
读取经过后处理的房间分类结果；
根据测试数据索引，从获取的结构化户型数据集合中读取测试数据的户型结构信息；遍历整个户型的所有房间，按照房间索引，对应地绘制出房间二维结构图并标注房间类型；
展示带有房间类型的平面户型图。
5.一种基于图神经网络的结构化户型解析***，其特征在于，包括：
第一模块，用于根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息；
第二模块，用于根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据；
第三模块，用于搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重；
第四模块，用于根据最优模型权重对测试户型数据进行预测，计算分类精度，进而根据分类精度构建得到目标模型；
第五模块，用于根据目标模型对待解析的户型信息进行解析，得到房间分类结果与户型结构数据后进行可视化展示；
在所述第二模块中，所述根据结构化的户型结构信息构建户型连通气泡图并进行特征工程，获取气泡图中所有节点的特征项和类别标签作为训练数据，包括：
获取结构化户型数据集合；
遍历结构化户型数据集合，对于集合中的每一个户型数据，执行以下处理：以每个房间作为节点，节点标注为对应的房间类型；将房间之间的连通关系作为边，边类型只限定为连通关系；构建出一个户型连通气泡图；依次计算各个房间节点的面积、房间包围框、房间长边、房间短边、房间周长、房间中心坐标、房间门窗占比这7项数据作为节点特征；根据气泡图内连通关系构建出一个关系列表，连通节点特征一起保存为一份训练样本；
将遍历结束后得到户型数据集合划分为训练数据和测试数据；
在所述第三模块中，所述搭建基于图神经网络模型的分类模型，输入训练数据进行训练，保存最优模型权重，包括：
获取训练数据的集合；
根据气泡图结构初始化整体图结构，记为G(V,E),其中V代表图中的边集，E代表图中的点集，输入节点特征，记为{Xv},初始化第k阶权重矩阵，记为Wk，k从1开始取值，选取均值方法作为聚合函数，记为AGGk，设置图中的节点采样函数，记为N，其中，聚合和采样的操作上限设置为二阶，即k＝2；
构建图神经网络模型，图中所有节点的输入特征，记为hv 0，首先利用采样函数N分别采样节点hv 0的一阶邻居节点、二阶邻居节点，分别记为hv 1、hv 2，然后利用聚合函数AGGk和权重矩阵Wk分别对二阶邻居节点hv 2和一阶邻居节点hv 1先后进行聚合和加权，得到节点的特征向量hv k，最后将得到的节点向量进行二范数归一化；
将节点特征向量hv k输入维度为(7，10)的全连接层进行分类；
读取训练数据并批次载入模型进行训练，采用交叉熵损失对模型预测的分类结果做损失计算；
采用Adam优化器作为模型，采用阶梯下降的学习率衰减方法进行训练；
在所述第一模块中，所述根据户型数据库获取所有户型结构信息，并对所述户型结构信息进行结构化处理，得到结构化的户型结构信息，包括：
获取地产公司和家装公司积累的户型数据；
筛选出具有房间类型标注的户型图数据，针对无坐标信息的平面户型图矢量数据和带有坐标信息的户型数据分别进行处理；
针对无坐标信息的平面户型图矢量数据进行矢量数据栅格化，提取户型内的内外墙体和门窗的信息；
针对带有坐标信息的户型数据，依次提取房间类别，房间包含的墙体线段坐标，墙体包含的门窗线段坐标；
根据数据分析和统计，将待分析的房间类型进行归类；
以一个户型为单位，将处理后的户型数据以文本的形式整合到一起，保存为结构化户型数据集合。
6.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至4中任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310387140.8A CN116578915B (zh) | 2023-04-11 | 2023-04-11 | 一种基于图神经网络的结构化户型解析方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310387140.8A CN116578915B (zh) | 2023-04-11 | 2023-04-11 | 一种基于图神经网络的结构化户型解析方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116578915A CN116578915A (zh) | 2023-08-11 |
| CN116578915B true CN116578915B (zh) | 2024-06-11 |
Family
ID=87538586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310387140.8A Active CN116578915B (zh) | 2023-04-11 | 2023-04-11 | 一种基于图神经网络的结构化户型解析方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116578915B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117271822B (zh) * | 2023-09-26 | 2024-04-09 | 广州极点三维信息科技有限公司 | 基于多模态户型知识图谱的布局搜索方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009598A (zh) * | 2017-12-27 | 2018-05-08 | 北京诸葛找房信息技术有限公司 | 基于深度学习的户型图识别方法 |
| CN110059750A (zh) * | 2019-04-17 | 2019-07-26 | 广东三维家信息科技有限公司 | 户型形状识别方法、装置和设备 |
| CN112417539A (zh) * | 2020-11-16 | 2021-02-26 | 杭州群核信息技术有限公司 | 基于语言描述的户型设计方法和装置以及*** |
| WO2021174125A1 (en) * | 2020-02-28 | 2021-09-02 | Aurora Solar Inc. | Automated three-dimensional building model estimation |
| WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
| CN114329744A (zh) * | 2022-03-03 | 2022-04-12 | 如你所视(北京)科技有限公司 | 户型改造方法及计算机可读存储介质 |
| CN114547749A (zh) * | 2022-03-03 | 2022-05-27 | 如你所视(北京)科技有限公司 | 户型预测方法、装置以及存储介质 |
| CN115205481A (zh) * | 2022-07-18 | 2022-10-18 | 中国人民解放军国防科技大学 | 一种基于图神经网络的频谱地图构建方法及*** |
-
2023
- 2023-04-11 CN CN202310387140.8A patent/CN116578915B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009598A (zh) * | 2017-12-27 | 2018-05-08 | 北京诸葛找房信息技术有限公司 | 基于深度学习的户型图识别方法 |
| CN110059750A (zh) * | 2019-04-17 | 2019-07-26 | 广东三维家信息科技有限公司 | 户型形状识别方法、装置和设备 |
| WO2021174125A1 (en) * | 2020-02-28 | 2021-09-02 | Aurora Solar Inc. | Automated three-dimensional building model estimation |
| WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
| CN112417539A (zh) * | 2020-11-16 | 2021-02-26 | 杭州群核信息技术有限公司 | 基于语言描述的户型设计方法和装置以及*** |
| CN114329744A (zh) * | 2022-03-03 | 2022-04-12 | 如你所视(北京)科技有限公司 | 户型改造方法及计算机可读存储介质 |
| CN114547749A (zh) * | 2022-03-03 | 2022-05-27 | 如你所视(北京)科技有限公司 | 户型预测方法、装置以及存储介质 |
| CN115205481A (zh) * | 2022-07-18 | 2022-10-18 | 中国人民解放军国防科技大学 | 一种基于图神经网络的频谱地图构建方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 电力通道隐患房屋数字化统计方法研究;余婧峰;刘莹;余银普;;四川电力技术;20161220(06);全文 * |
| 谭丁武 ; 张坤芳 ; 刘燕 ; 郑一基 ; 鲁鸣鸣 ; .基于门控图注意力神经网络的程序分类.计算机工程与应用.(07),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116578915A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Architectural drawings recognition and generation through machine learning | |
| Chen | A tutorial on kernel density estimation and recent advances | |
| Chipman et al. | Bayesian ensemble learning | |
| JP2019082978A (ja) | スキップアーキテクチャ・ニューラルネットワーク装置及び改良されたセマンティックセグメンテーションのための方法 | |
| Ghannad et al. | Automated modular housing design using a module configuration algorithm and a coupled generative adversarial network (CoGAN) | |
| CN116578915B (zh) | 一种基于图神经网络的结构化户型解析方法和*** | |
| CN111368656A (zh) | 一种视频内容描述方法和视频内容描述装置 | |
| CN115587597B (zh) | 基于子句级关系图的方面词的情感分析方法以及装置 | |
| Salazar | On Statistical Pattern Recognition in Independent Component Analysis Mixture Modelling | |
| CN117010266A (zh) | 一种基于XGBoost模型的膏体屈服应力预测方法及装置 | |
| Kidd et al. | Bayesian nonstationary and nonparametric covariance estimation for large spatial data (with discussion) | |
| CN113378178B (zh) | 一种基于深度学习的图自信学习软件漏洞检测方法 | |
| Su et al. | Floor plan graph learning for generative design of residential buildings: a discrete denoising diffusion model | |
| CN114818849A (zh) | 基于大数据信息的卷积神经网络和遗传算法的反窃电方法 | |
| Krishnanathan et al. | Computational system identification of continuous-time nonlinear systems using approximate Bayesian computation | |
| Lallich et al. | A test to control a region growing process within a hierarchical graph | |
| Abualdenien et al. | Formal analysis and validation of Levels of Geometry (LOG) in building information models | |
| CN112116449A (zh) | 具备良好模型可解释性的信用评估方法、装置、设备及存储介质 | |
| CN111950646A (zh) | 电磁图像的层次化知识模型构建方法及目标识别方法 | |
| Highsmith et al. | Vehicle: A variationally encoded hi-C loss enhancement algorithm | |
| Lewis et al. | Identification of residential property sub-markets using evolutionary and neural computing techniques | |
| Shi et al. | On the complexity of bayesian generalization | |
| Roman et al. | A semi-automated approach to model architectural elements in scan-to-BIM processes | |
| CN117390592B (zh) | 一种特色景观预报模型构建方法及*** | |
| Babovic et al. | Hydroinformatics opening new horizons: union of computational hydraulics and artificial intelligence |
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 |