[发明专利]源文件生成方法、装置、电子设备和计算机可读介质

权利要求书

1.一种源文件生成方法，包括：

将预先获取的视觉稿输入至预先训练的组件识别模型，得到与所述视觉稿相关的各个组件的各个组件信息；

将所述各个组件信息进行数据格式转换，得到各个转换后的组件信息；

获取预先生成的、各种组件类型对应的源文件模板；

根据所述各个转换后的组件信息和所述各个组件类型对应的源文件模板，生成所述各个组件对应的源文件。

2.根据权利要求1所述的方法，其中，所述将预先获取的视觉稿输入至预先训练的组件识别模型，得到与所述视觉稿相关的各个组件的各个组件信息，包括：

将所述视觉稿输入至预先训练的用于组件识别的时序神经模型，得到所述各个组件的组件信息。

3.根据权利要求1所述的方法，其中，所述组件信息包括：组件的类型和组件的特征信息；以及

所述将所述各个组件信息进行数据格式转换，得到各个转换后的组件信息，包括：

将所述各个组件信息中的特征信息进行数据格式转换，得到各个转换后的特征信息。

4.根据权利要求3所述的方法，其中，所述根据所述各个转换后的组件信息和所述各个组件类型对应的源文件模板，生成所述各个组件对应的源文件，包括：

利用目标脚本，将所述各个转换后的特征信息中每个转换后的特征信息作为组件参数输入至对应组件类型的源文件模板以生成所述每个转换后的特征信息对应的源文件，得到所述各个组件对应的源文件。

5.根据权利要求1所述的方法，其中，所述组件识别模型是通过以下步骤训练的：

确定所述组件识别模型的网络结构以及初始化所述组件识别模型的网络参数；

获取训练样本集，其中，所述训练样本集包括组件集组与所述组件集组对应的组件信息集组；

将所述训练样本集中的组件集组和组件信息集组分别作为初始组件识别模型的输入和期望输出，利用深度学习方法训练所述初始组件识别模型；

将训练得到的所述初始组件识别模型确定为所述组件识别模型。

6.根据权利要求5所述的方法，其中，所述获取训练样本集，包括：

获取候选视觉稿集；

对所述候选视觉稿集中的每个候选视觉稿进行源文件生成处理以生成所述候选视觉稿对应的组件集，得到所述候选视觉稿集对应的组件集组；

确定所述组件集组对应的组件信息集组；

根据所述组件集组和所述组件信息集组，生成所述训练样本集。

7.根据权利要求5所述的方法，其中，所述利用深度学习方法训练所述初始组件识别模型，包括：

利用所述深度学习方法和粒子群优化算法来训练所述初始组件识别模型。

8.一种源文件生成装置，包括：

输入单元，被配置成将预先获取的视觉稿输入至预先训练的组件识别模型，得到与所述视觉稿相关的各个组件的各个组件信息；

转换单元，被配置成将所述各个组件信息进行数据格式转换，得到各个转换后的组件信息；

获取单元，被配置成获取预先生成的、各种组件类型对应的源文件模板；

生成单元，被配置成根据所述各个转换后的组件信息和所述各个组件类型对应的源文件模板，生成所述各个组件对应的源文件。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。