[发明专利]基于人工智能的家具顶视图的分类方法及系统

权利要求书

1.一种基于人工智能的家具顶视图的分类方法，应用于将家具的三维效果图转化为二维图中，所述方法包括：

从家具的三维效果图中获取家具的顶视图外轮廓；

提取所述顶视图外轮廓的图像特征信息；

基于分类网络和所述图像特征信息，对所述顶视图外轮廓进行分类，以基于所述分类，在将三维效果图转化为二维图过程中，使得家具类型与外形特征相似的顶视图外轮廓相对应，其中所述分类网络是以多种图像特征信息和其所对应的家具类型作为训练数据而训练的。

2.根据权利要求1所述的方法，其中，所述获取家具的顶视图外轮廓包括：

获取家具的家具顶视图；

对所述家具顶视图进行二值化处理，以输出对应的二值化图片；以及

提取所述二值化图片中的外轮廓，以生成所述顶视图外轮廓。

3.根据权利要求1所述的方法，其中，提取所述顶视图外轮廓的图像特征信息包括

将所述顶视图外轮廓缩放至预定的统一尺寸大小；

从经缩放的所述统一尺寸大小的所述顶视图外轮廓中提取图像特征信息。

4.根据权利要求1所述的方法，其中，该方法还包括关于所述分类网络的训练步骤，具体包括：

获取多个家具顶视图，并确定所述多个家具顶视图所分别对应的多个顶视图外轮廓；

提取所述多个顶视图外轮廓所分别对应的多组图像特征信息；

基于KMeans算法和所述多组图像特征信息，对所述多个家具外轮廓进行分类并生成相应的粗略分类结果；

获取从所述粗略分类结果中经人工筛选所得出的精细分类结果，并基于所述多组图像特征信息和其所对应的所述精细分类结果训练所述分类网络。

5.根据权利要求4所述的方法，其中，所述基于KMeans算法和所述多组图像特征信息对所述多个家具外轮廓进行分类并生成相应的粗略分类结果包括：

根据分类网络中所涉及的所有的家具种类的总数，确定家具分类数量；

基于KMeans算法，生成对应于所述家具分类数量的粗略分类结果。

6.根据权利要求1-5中任一项所述的方法，其中，所述分类网络为全连接网络且被包含于深度残差网络中，以及所述深度残差网络还包括用于提取所述顶视图外轮廓的图像特征信息的卷积神经网络。

7.根据权利要求1-5中任一项所述的方法，其中，在所述对所述顶视图外轮廓进行分类之后，该方法还包括：

按照所述家具类别，展示对应于各个家具类别的包括dwg缩微图集合的顶视图分类结果。

8.一种基于人工智能的家具顶视图的分类系统，应用于将家具的三维效果图转化为二维图中，所述系统包括：

顶视图外轮廓获取单元，用于从家具的三维效果图中获取家具的顶视图外轮廓；

图像特征信息提取单元，用于提取所述顶视图外轮廓的图像特征信息；

分类单元，用于基于分类网络和所述图像特征信息，对所述顶视图外轮廓进行分类，以基于所述分类，在将三维效果图转化为二维图过程中，使得家具类型与外形特征相似的顶视图外轮廓相对应，其中所述分类网络是以多种图像特征信息和其所对应的家具类型作为训练数据而训练的。

9.根据权利要求8所述的系统，其中，所述图像特征信息提取单元用于将所述顶视图外轮廓缩放至预定的尺寸大小，以及从经缩放的统一尺寸大小的所述顶视图外轮廓中提取图像特征信息。

10.根据权利要求8所述的系统，其中，该系统还包括用于训练所述分类网络的训练单元，具体包括：

外轮廓获取模块，用于获取多个家具顶视图，并确定所述多个家具顶视图所分别对应的多个顶视图外轮廓；

特征提取模块，用于提取所述多个顶视图外轮廓所分别对应的多组图像特征信息；

粗分类模块，用于基于KMeans算法和所述多组图像特征信息，对所述多个家具外轮廓进行分类并生成相应的粗略分类结果；

训练模块，用于获取从所述粗略分类结果中经人工筛选所得出的精细分类结果，并基于所述多组图像特征信息和其所对应的所述精细分类结果训练所述分类网络。