[發明專利]門窗檢測方法及其模型訓練的方法、裝置

在審

• 申請號: 202010100580.7
• 申請日: 2020-02-18
• 公開（公告）號: CN111985518A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 林上鈞;楊嘉華;張宏龍;邱冰娜
• 申請（專利權）人: 廣東三維家信息科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/00;G06N3/04
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 董艷芳

1.一種用于門窗檢測的模型訓練方法，其特征在于，所述方法包括：

基于預設的門窗訓練集中的二維平面戶型圖，確定門窗樣本圖像；

對所述門窗樣本圖像進行特征提取，將提取的門窗特征結果輸入至初始神經網絡模型中進行訓練；

當所述初始神經網絡模型的訓練結果滿足預設的期望閾值時，得到用于門窗檢測的模型。

2.根據權利要求1所述的用于門窗檢測的模型訓練方法，其特征在于，基于預設的門窗訓練集中的二維平面戶型圖，確定門窗樣本圖像的步驟，包括：

遍歷所述門窗訓練集中的二維平面戶型圖，對所述二維平面戶型圖中的門窗進行識別，得到門窗識別結果；

將所述門窗識別結果中包含門窗的所述門窗樣本圖像，確定為門窗正樣本圖像；將所述門窗識別結果中不包含門窗的所述門窗樣本圖像，確定為門窗負樣本圖像；

將所述門窗正樣本圖像與所述門窗負樣本圖像作為門窗樣本圖像。

3.根據權利要求1所述的用于門窗檢測的模型訓練方法，其特征在于，對所述門窗樣本圖像進行特征提取，將提取的門窗特征結果輸入至初始神經網絡模型中進行訓練的步驟，包括：

初始化所述神經網絡模型，所述網絡模型包含目標檢測模型以及語義分割模型；

將所述門窗樣本圖像分別輸入至所述目標檢測模型以及所述語義分割模型進行訓練，輸出所述門窗樣本圖像的識別結果；

所述門窗樣本圖像的識別結果與所述門窗樣本圖像的門窗真實結果進行判斷，得到判斷結果；

根據所述判斷結果調整所述預設的神經網絡模型的訓練參數。

4.根據權利要求3所述的用于門窗檢測的模型訓練方法，所述目標檢測模型為yolo v3神經網絡模型；所述語義分割模型為mask-rcnn神經網絡模型。

5.一種門窗檢測方法，其特征在于，所述方法包括：

獲取待檢測的二維平面戶型圖；

將所述待檢測的二維平面戶型圖輸入至預先完成訓練的門窗檢測模型中，輸出門窗檢測結果；所述門窗檢測模型通過權利要求1-4任一項所述的用于門窗檢測的模型訓練方法訓練得到。

6.根據權利要求5所述的門窗檢測方法，其特征在于，將所述待檢測的二維平面戶型圖輸入至預先完成訓練的門窗檢測模型中，輸出門窗檢測結果的步驟，包括：

所述待檢測的二維平面戶型圖通過所述門窗檢測模型中的目標檢測模型進行檢測，得到所述待檢測的二維平面戶型圖中的門窗位置；

所述待檢測的二維平面戶型圖通過所述門窗檢測模型中的語義分割模型進行檢測，得到所述待檢測的二維平面戶型圖中的門窗類型；

將所述門窗位置以及所述門窗類型標記在所述待檢測的二維平面戶型圖中，輸出所述門窗樣本圖像的識別結果。

7.一種用于門窗檢測的模型訓練裝置，其特征在于，所述裝置包括：

樣本獲取模塊，用于基于預設的門窗訓練集中的二維平面戶型圖，確定門窗樣本圖像；

模型訓練模塊，用于對所述門窗樣本圖像進行特征提取，將提取的門窗特征結果輸入至初始神經網絡模型中進行訓練；

模型獲取模塊，當所述預設的神經網絡模型的訓練結果滿足預設的期望閾值時，得到用于門窗檢測的模型。

8.一種門窗檢測裝置，其特征在于，所述裝置包括：

待檢測二維平面戶型圖獲取模塊，用于獲取待檢測的二維平面戶型圖；

門窗檢測模塊，用于將所述待檢測的二維平面戶型圖輸入至預先完成訓練的門窗檢測模型中，輸出門窗檢測結果；所述門窗檢測模型通過權利要求1-4任一項所述的用于門窗檢測的模型訓練方法訓練得到。

9.一種電子設備，其特征在于，包括：處理器和存儲裝置；所述存儲裝置上存儲有計算機程序，所述計算機程序在被所述處理器運行時執行如權利要求1至5任一項所述方法的步驟。

10.一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，其特征在于，所述計算機程序被處理器運行時執行上述權利要求1至5任一項所述方法的步驟。