[发明专利]房间窗户分类模型构建方法、房间窗户分类方法及系统

说明书

本发明公开了一种房间窗户分类模型构建方法、房间窗户分类方法及系统，其中，房间窗户分类模型构建方法包括：获取数据集图像，并将数据集图像划分为训练集图像和测试集图像；按照预设迭代次数将训练集图像依次输入至目标检测网络和细粒度分类网络进行训练，并按照预设间隔保存模型文件，得到多个初始分类模型；将测试集图像分别输入多个初始分类模型中进行验证，得到多个初始分类模型的准确率；从多个初始分类模型的准确率中查找准确率的最大值，将最大值所对应的初始分类模型作为房间窗户分类模型。该方法将目标检测网络与细粒度分类网络相结合得到房间窗户分类模型，该模型能够准确识别房间窗户的细微差别性，提高了房间窗户分类的准确度。

技术领域

本发明涉及数据处理技术领域，具体涉及到一种房间窗户分类模型构建方法、房间窗户分类方法及系统。

背景技术

目前，对于深度学习目标检测业内来说，不同类别的物体检测及分类已经非常成熟，例如：猫、狗等不同类别的动物检测分类，或桌子、椅子等不同类别的物体检测分类。但对于同一类别下只具有细微差别的物体检测分类，仍是业内较难解决的技术难题。例如：不同品种猫的检测分类、不同品种花的检测分类等。

在房屋地产领域，房间窗户主要分为普通窗户、飘窗、阳台，阳台与另外两类差别较大，比较容易区分；但普通窗户和飘窗之间只具有细微的差异性，较难区分，因此，对于房间内窗户的检测分类也存在分类不准确的问题。

发明内容

有鉴于此，本发明实施例提供了一种房间窗户分类模型构建方法及系统、房间窗户分类方法及系统，以解决现有技术中房间窗户分类准确度低的问题。

为此，本发明实施例提供了如下技术方案：

根据第一方面，本发明实施例提供了一种房间窗户分类模型构建方法，包括：获取数据集图像，并将所述数据集图像划分为训练集图像和测试集图像；按照预设迭代次数将所述训练集图像依次输入至目标检测网络和细粒度分类网络进行训练，并按照预设间隔保存模型文件，得到多个初始分类模型；将所述测试集图像分别输入多个所述初始分类模型中进行验证，得到多个所述初始分类模型的准确率；从多个所述初始分类模型的准确率中查找准确率的最大值，将所述最大值所对应的初始分类模型作为房间窗户分类模型。

可选地，按照预设迭代次数将所述训练集图像依次输入至目标检测网络和细粒度分类网络进行训练的步骤之前，还包括：对所述数据集图像中的每一张图像分别进行窗户位置标注，得到每一张图像所对应的标注文件。

可选地，按照预设迭代次数将所述训练集图像依次输入至目标检测网络和细粒度分类网络进行训练的步骤之前，还包括：对所述数据集图像进行增强处理，得到增强后的数据集图像。

可选地，所述增强处理包括随机旋转、随机镜像反转、轻微畸变、随机添加噪声中的至少之一。

可选地，将所述训练集图像依次输入至目标检测网络和细粒度分类网络进行训练，包括：将所述训练集图像输入至目标检测网络进行训练，识别出所述训练集图像中的每一张图像中的窗体；根据识别出的每一张图像中的窗体对每一张图像进行剪裁，得到剪裁后的窗体图像；将所述剪裁后的窗体图像输入至细粒度分类网络中进行训练。

根据第二方面，本发明实施例提供了一种房间窗户分类方法，包括：获取待预测房间窗户图像；将所述待预测房间窗户图像输入至房间窗户分类模型中得到窗户分类结果，所述房间窗户分类模型是通过本发明第一方面中任一项所述的房间窗户分类模型构建方法生成的；根据所述窗户分类结果确定所述待预测房间窗户的窗户类型，所述窗户类型包括普通窗户、飘窗、阳台。