[发明专利]一种基于概率模型及像素统计模型的房屋装修程度识别系统和方法

摘要

本发明提供了一种基于概率模型及像素统计模型的房屋装修程度识别系统和方法，包括：搜索和下载房源图集的模型、无效图过滤模型、户型图识别模型、像素统计分析模型、拼图模型、概率判定模型、完成实时请求加载响应的模型。一种利用所述装修程度识别系统的装修程度识方法，包括以下步骤：查询并下载房源图；将下载的图片加载入无效图过滤模型、户型图识别模型、像素统计分析模型；将识别出的非毛坯房的图片传入拼图模型，生成房源代表图；将拼好的图片加载入概率判断模型中，判定此房源的装修情况，返回结果给用户。本发明通过在深度学习图片分类模型的基础上应用了概率判定模型，提高了识别准确率，达到了工程应用的准确性要求。

主权项

1.一种基于概率模型及像素统计模型的房屋图装修程度识别系统和方法，其特征在于：所述识别系统包括：搜索和下载房源图集的模型、无效图过滤模型、户型图识别模型、像素统计分析模型、拼图模型、概率判定模型、完成实时请求加载响应的模型；/n所述的搜索和下载房源图集的模型中，采用分布式的数据库存储房源图片下载地址，模型实时收集用户的请求数据后，快速高并发地从分布式的数据库中获取房源图下载地址，然后利用模型中的下载模块下载图集；所述的分布式的数据库是由4台服务器搭建的数据库集群，通过多个服务器分配负载，在不同位置存储数据；针对常用的查询表列建立索引；所述下载模块支持HTTP连接保持和连接池，支持使用cookie保持会话，支持文件上传，支持自动确定响应内容的编码，支持国际化的URL和POST数据自动编码；/n所述的无效图过滤模型通过比较RGB三个通道的值过滤掉无效的黑白图或灰度图，三个通道的值相近且很小就为无效图，通过判断文件是否以\xff\xd8开头和是否以\xff\xd9结尾过滤掉损坏的图片文件；/n所述的户型图识别模型将图片中分布在RGB220-255的区域定义为白色区域，采集白色区域中最大像素值为枢值，计算非白色区域各像素值与枢值之间的标准差，若标准差小于设定的阀值则为户型图；/n所述的像素统计分析模型利用训练好的图片语义识别模型加载房源图集，识别出室内常见组件在房源图中所占的像素数，包括床、电视、窗户、马桶、地板、墙壁、天花板、灯、桌子、椅子、橱柜、油烟机、煤气灶、门、锅、碗、水龙头、淋浴头、浴缸、窗帘等；像素统计分析模型包括五套像素统计模型，用来识别房源图片所属的具体室内场景，分别是识别客厅的客厅像素统计模型、识别卧室的卧室像素统计模型、识别厨房的厨房像素统计模型、识别卫生间的卫生间像素统计模型、识别毛坯装修类型的毛坯像素统计模型；所述的图片语义识别模型是由谷歌deepLab V3+模型训练ADE20K数据集多轮后得到；/n所述的拼图模型通过输入4张500x500的图片，输出一张1000x1000的图片，输出图片左上角是输入的第一张，右上角是第二张，左下角是第三张，右下角是第四张；/n所述的概率判定模型包括三个图片分类模型，第一个是精装概率判定模型，模型输出精装的概率和毛坯的概率，第二个模型是简装概率判定模型，输出精装的概率和简装的概率，第三个模型是毛坯概率判定模型，输出简装的概率和毛坯的概率；所述的三个图片分类模型是由微软ResNet模型的变种Densenet模型经过分布式训练人工筛选得到；/n所述的完成实时请求加载响应的模型包含一个python web容器，把所有模型预先加载到指定GPU上，并分配固定大小的显存，并对各模型识别过程做线程保护。/n