(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210724620.4 (22)申请日 2022.06.24 (71)申请人 广州市圆方计算机软件工程有限公 司 地址 510627 广东省广州市天河区花城大 道路85号3701房全层 (72)发明人 刘鸿　彭泽荣　麦智晖　陈艺峰　 (74)专利代理 机构 佛山市禾才知识产权代理有 限公司 4 4379 专利代理师 刘羽波　陈嘉琦 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/70(2017.01) G06V 10/25(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于FasterRCNN目标检测模型的户型 图门窗检测方法 (57)摘要 本发明公开了一种基于FasterRCNN目标检 测模型的户型图门窗检测方法， 该方法第一步是 构建门窗检测训练数据集， 门窗检测训练数据集 包括不同类型平面户型图的门窗信息； 第二步是 构建FasterRCNN目标检测模型； 第三步是训练 FasterRCNN目标检测模型； 第四步是输入待检测 的平面户型图至训练好的FasterRCNN目标检测 模型进行检测， 得到待检测的平 面户型图的门窗 信息。 本发 明解决了解决传统门窗检测方法检测 速度不高、 检测精准度不高的问题。 权利要求书2页 说明书6页 附图1页 CN 115049625 A 2022.09.13 CN 115049625 A 1.一种基于FasterRCNN目标检测模型的户型图门窗检测方法， 其特征在于： 包括以下 步骤： 步骤S1： 构建门窗检测训练数据集， 所述门窗检测训练数据集包括不同类型平面户型 图的门窗信息； 步骤S2： 构建FasterRCN N目标检测模型； 步骤S3： 训练FasterRCN N目标检测模型； 步骤S4： 输入待检测的平面户型 图至训练好的FasterRCNN目标检测模型进行检测， 得 到待检测的平面户型图的门窗信息 。 2.根据权利要求1所述的一种基于FasterRCNN目标检测模型的户型图门窗检测方法， 其特征在于： 在步骤S1中， 具体包括： 步骤S11： 收集不同来源、 不同风格、 不同样式、 不同大小的各类平面户型图； 步骤S12： 对各类平面户型图中的门窗类型和位置进行标记， 通过标记获取每张平面户 型图中所有门窗的类型及门窗所在矩形边框的左上点和右下点坐标， 所述矩形边框为门窗 在平面户型图中的位置； 步骤S13： 通过计算所述矩形边框的中心点位置得到门窗的中心点位置， 计算所述矩形 边框的长 宽得到门窗的长 宽， 得到门窗的实际坐标位置 。 3.根据权利要求1所述的一种基于FasterRCNN目标检测模型的户型图门窗检测方法， 其特征在于： 所述FasterRCNN目标检测模型包括骨干网络、 特征金字塔网络、 区域建议网络 以及感兴趣区域的头 部网络。 4.根据权利要求3所述的一种基于FasterRCNN目标检测模型的户型图门窗检测方法， 其特征在于： 所述骨干网络用于使用ResNet5 0对平面户型图进行 特征提取。 5.根据权利要求4所述的一种基于FasterRCNN目标检测模型的户型图门窗检测方法， 其特征在于： 所述特征金字塔网络的结构采用自顶向下结构和横向连接的设计， 所述特征 金字塔网络用于将所述骨干网络对平面户型图提取的特 征进行多尺度融合。 6.根据权利要求3所述的一种基于FasterRCNN目标检测模型的户型图门窗检测方法， 其特征在于： 所述区域建议网络用于对提取的目标对象进行分类， 当目标对象是前景时， 则 提取目标对象的特 征信息， 当目标对象是背景时， 则不 提取目标对象的特 征信息。 7.根据权利要求3所述的一种基于FasterRCNN目标检测模型的户型图门窗检测方法， 其特征在于： 所述感兴趣区域的头部网络用于将不同尺寸的前景区域归一化到同一尺寸 维 度， 在同一尺寸维度上对特 征进行目标类别分类和边框回归。 8.根据权利要求1所述的一种基于FasterRCNN目标检测模型的户型图门窗检测方法， 其特征在于： 步骤S3中， 对所有 待训练的平面户型图进行 数据预处 理， 包括以下步骤： 步骤S31： 统一缩放待训练的平面户型图至1333x800分辨率大小， 得到新待训练的平面 户型图； 步骤S32： 以0.5的概 率左右翻转或上 下翻转新待训练的平面户型图； 步骤S33： 获得所有新待训练的平面户型图， 计算所有新待训练的平面户型图RGB三个 通道中数据的均值和方差； 步骤S34： 使用计算的均值和方差归一化所有新待训练的平面户型图图像， 其中， 归一 化的公式为：权　利　要　求　书 1/2 页 2 CN 115049625 A 2其中， img_norm为归一化后的图像， img为归一化前的图像， img_mean为图像的均值， img_std为图像的方差 。 9.根据权利要求1所述的一种基于FasterRCNN目标检测模型的户型图门窗检测方法， 其特征在于： 步骤S4中， 在得到待检测的平 面户型图的门窗信息的过程中， 具体包括以下步 骤： 步骤S41： 记录待检测的平面户型图的原 始分辨率尺寸； 步骤S42： 将待检测的平面户型图缩放成待训练的平面户型图的尺寸， 并将缩放后的待 检测的平面户型图按训练时的平面户型图计算后的均值和方差进行归一 化处理； 步骤S43： 将处理完毕的平面户型图输入训练好的Faster RCNN目标检测模型， 得到预测 的门窗信息； 步骤S44： 对预测的门窗信息进行极大值抑制， 得到去重后的门窗信息； 步骤S45： 将去重后的门窗所在的矩形边框按照待检测的平面户型图的原始分辨率尺 寸等比例缩放， 得到缩放后门窗所在的矩形边框的坐标信息 。 10.根据权利 要求9所述的一种基于FasterRCNN目标检测模型的户型图门窗检测方法， 其特征在于： 在步骤S44中， 对预测的门窗信息进 行极大值抑制具体是通过两两计算预测类 型一致的门窗所在矩形边框间的面积交并比， 若面积交并比大于0.5， 则两个所述矩形边框 预测的结果 为同一门窗类型， 其中， 面积交并比计算公式为： 其中iou为交并比， A和B分别指代两个矩形边框在平面户型图图像上的区域面积， A∩B 是两个区域的公共部分面积， A ∪B是两个区域 面积之和减去公共面积。权　利　要　求　书 2/2 页 3 CN 115049625 A 3