[发明专利]空间户型识别方法、装置、计算机设备及存储介质

权利要求书

1.一种空间户型识别方法，其特征在于，包括：

接收空间户型识别指令，获取待识别空间图片；

将所述待识别空间图片输入训练完成的基于Inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，并将所述识别标签标记在所述待识别空间图片上；所述识别标签表征了所述待识别空间图片的空间户型类别，其中，所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个；

所述将所述待识别空间图片输入训练完成的基于Inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，包括：

将所述待识别空间图片输入训练完成的基于Inception模型的空间识别模型，通过所述空间识别模型提取所述待识别空间图片中的空间特征；

根据所述空间特征，获取所述空间识别模型中的瓶颈层输出的特征向量数组；

将所述特征向量数组输入所述空间识别模型中的Dropout层，所述Dropout层对所述特征向量数组按照预设的丢失概率进行丢弃处理，得到强化向量数组；

将所述强化向量数组输入所述空间识别模型中的全连接层，通过所述全连接层对所述强化向量数组进行预测处理，获取所述全连接层输出的预测结果；

将所述预测结果输入所述空间识别模型中的分类器，通过所述分类器对所述预测结果进行分类处理，获取所述分类器输出的识别标签。

2.如权利要求1所述的空间户型识别方法，其特征在于，所述将所述待识别空间图片输入训练完成的基于Inception模型的空间识别模型之前，包括：

获取图像样本；其中，每个所述图像样本均与一个空间户型类别标签关联；

通过迁移学习，初始神经网络模型获取Inception模型的所有模型参数，将所述所有模型参数确定为所述初始神经网络模型的初始参数；

将所述图像样本输入包含所述初始神经网络模型；

通过所述初始神经网络模型提取所述图像样本中的空间特征；

获取所述初始神经网络模型根据所述空间特征输出的识别标签，并根据所述识别标签和所述空间户型类别标签的匹配程度确定损失值；

在所述损失值达到预设的收敛条件时，将收敛之后的所述初始神经网络模型记录为训练完成的基于Inception模型的空间识别模型。

3.如权利要求2所述的空间户型识别方法，其特征在于，所述获取所述初始神经网络模型根据所述空间特征输出的识别标签，并根据所述识别标签和所述空间户型类别标签的匹配程度确定损失值之后，还包括：

在所述损失值未达到预设的收敛条件时，迭代更新所述初始神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述初始神经网络模型记录为训练完成的基于Inception模型的空间识别模型。

4.如权利要求1所述的空间户型识别方法，其特征在于，所述将所述待识别空间图片输入训练完成的基于Inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，还包括：

通过所述空间识别模型中的灰度模型，将所述待识别空间图片进行灰度处理，得到灰度图像；

将所述灰度图像输入所述空间识别模型中的标签识别模型，通过所述标签识别模型对所述灰度图像进行空间特征提取，并获取所述标签识别模型根据所述空间特征输出的识别标签。

5.如权利要求4所述的空间户型识别方法，其特征在于，所述通过所述空间识别模型中的灰度模型，将所述待识别空间图片进行灰度处理，得到灰度图像，包括：

获取所述待识别空间图片的每个像素点的R分量值、G分量值和B分量值；

根据每个所述像素点的R分量值、G分量值和B分量值，通过加权平均法得出每个所述像素点的灰度值；

将所有所述像素点的所述灰度值进行组合生成所述待识别空间图片的灰度图像。