一种基于人工智能的家装定制方法、系统及存储介质与流程

1.本发明涉及一种家装定制方法，更具体的，涉及一种基于人工智能的家装定制方法、系统及存储介质。


背景技术：

2.随着时代的发展和社会的进步,我国经济、政治、科技、建筑等都发生了一定的改变,尤其是现代家装设计中的定制化模式。在如今的时代背景下,人人追求个性化,对家装要求不断提高,在相关定制过程中有更多个性化、艺术化、功能化的需求，同时随着互联网技术及人工智能技术的发展,家装行业被互联网在便捷性、开放性、低成本、高效率等方面的冲击日益凸显。所以，越来越多的传统家装行业开始往信息化、智能化方面转型，为消费者提供更加人性化、智能化的家装定制。
3.为了实现家装方案的个性化定制，需要开发一款系统进行匹配，该系统获取用户的目标家装风格信息及目标房屋户型信息；基于卷积神经网络建立家装定制模型，将所述目标家装风格信息导入所述家装定制模型，所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案；将所述家装方案按照预设的方式显示。在系统实现过程中如何基于卷积神经网络建立家装定制模型以及如何通过家装定制模型实现家装方案的定制都是亟不可待需要解决的问题。


技术实现要素：

4.为了解决上述至少一个技术问题，本发明提出了一种基于人工智能的家装定制方法、系统及存储介质。
5.本发明第一方面提供了一种基于人工智能的家装定制方法，包括：
6.基于目标用户浏览家装项目历史数据建立个人
‑
项目偏好模型；
7.通过所述个人
‑
项目偏好模型提取个人偏好，将所述个人偏好根据时间进行形式化描述生成个人偏好时间序列；
8.获取所述个人偏好时间序列中的预设区间内个人偏好信息；
9.将所述个人偏好信息与候选家装项目信息进行匹配，获取用户对候选家装项目的感兴趣程度；
10.根据所述感兴趣程度的排序信息生成用户的目标家装风格信息，并根据目标房屋户型图生成目标房屋户型信息；
11.基于卷积神经网络建立家装定制模型，将所述目标家装风格信息和所述目标房屋户型信息导入所述家装定制模型；
12.所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案；
13.将所述家装方案按照预设的方式显示；
14.所述目标家装风格信息包含至少一种家装风格k，对不同的家装风格i进行区域化融合，与目标房屋户型图像化信息进行卷积，则家装定制模型的数学表达形式为：
[0015][0016]
其中，y表示家装定制模型定制的家装方案信息，γ表示模型系数，i表示目标家装风格信息中包含家装风格的总数，j
k
表示家装风格k特征区域掩码，g
k
表示目标家装风格信息中家装风格k的风格编码集合，*表示卷积计算，f表示目标房屋户型信息的图像特征。
[0017]
本方案中，所述的基于卷积神经网络建立家装定制模型，具体为：
[0018]
基于卷积神经网络建立初始家装定制模型，初始化模型参数；
[0019]
获取训练数据，将所述初始家装定制模型分成图像转换模块及家装风格构建模块；
[0020]
随机采样所述训练数据中的房屋户型图像化信息并设置对应的家装风格标签；
[0021]
预设所述图像转换模块及家装风格构建模块的权重及梯度信息，并所述图像转换模块及家装风格构建模块进行交替训练；
[0022]
对于每个t次迭代，对家装风格构建模块训练t
‑
1次迭代，对图像转换模块训练1次迭代，同时对所述权重及梯度信息进行更新；
[0023]
根据更新后的权重及梯度信息对所述家装定制模型的编码器、解码器参数进行更新；
[0024]
将初始家装定制模型进行n个t次迭代后，完成训练，生成家装定制模型。
[0025]
本方案中，所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案，具体为：
[0026]
获取目标房屋户型信息，将所述目标房屋户型信息进行拆分，生成墙体、地板、天花板的图像化信息；
[0027]
将所述图像化信息进行特征提取，通过家装定制模型中的编码器将所述特征进行编码，生成图像特征；
[0028]
获取用户的目标家装风格信息，将所述图像特征及所述目标家装风格信息导入家装定制模型中的家装风格构建模块；
[0029]
根据所述目标家装风格信息对不同的家装风格进行区域化融合组成滤波器组；
[0030]
通过目标家装风格对应的滤波器组与图像特征进行卷积，由解码器进行解码得到符合目标家装风格的家装方案。
[0031]
本方案中，还包括：
[0032]
获取符合目标家装风格的家装方案，将所述家装方案接入家具数据库；
[0033]
采集用户及家装项目的交互记录，根据所述交互记录采集用户感兴趣家装项目及历史购买家装项目的价格信息，通过所述价格信息分析用户的购买力；
[0034]
通过所述购买力和家装风格生成家具推荐标签，所述家具数据库通过所述家具推荐标签创建索引任务；
[0035]
家具数据库中的索引模块根据所述索引任务生成推荐全套家具方案，并附带所述全套家具方案中的单个家具商品链接及价格；
[0036]
同时，家具数据库还可根据用户的预算对推荐家具方案进行调整。
[0037]
本方案中，所述家装定制模型在应用过程中，需要增添新家装风格格，则家装定制
模型对新家装风格的增量学习具体为：
[0038]
运用预设训练策略对编码器、解码器及多种家装风格集合进行联合训练；
[0039]
对所述编码器和解码器参数进行固定，根据新家装风格对家装定制模型的家装风格构建模块中对应的家装风格集合进行增量训练；
[0040]
将家装定制模型的家装风格构建模块进行多次迭代训练至收敛；
[0041]
随机抽取增量后的新家装风格作为目标家装风格导入所述家装定制模型进行验证；
[0042]
将家装定制模型输出的家装定制方案进行图像化处理，生成家装定制方案图像化信息；
[0043]
将所述家装定制方案图像化信息与预设家装方案图像化信息进行比较判断，生成偏差率；
[0044]
判断所述偏差率是否小于预设偏差率阈值；
[0045]
若小于，则证明家装风格构建成功，家装风格增量学习结束。
[0046]
本发明第二方面还提供了一种基于人工智能的家装定制系统，该系统包括：存储器、处理器，所述存储器中包括一种基于人工智能的家装定制方法程序，所述一种基于人工智能的家装定制方法程序被所述处理器执行时实现如下步骤：
[0047]
基于目标用户浏览家装项目历史数据建立个人
‑
项目偏好模型；
[0048]
通过所述个人
‑
项目偏好模型提取个人偏好，将所述个人偏好根据时间进行形式化描述生成个人偏好时间序列；
[0049]
获取所述个人偏好时间序列中的预设区间内个人偏好信息；
[0050]
将所述个人偏好信息与候选家装项目信息进行匹配，获取用户对候选家装项目的感兴趣程度；
[0051]
根据所述感兴趣程度的排序信息生成用户的目标家装风格信息，并根据目标房屋户型图生成目标房屋户型信息；
[0052]
基于卷积神经网络建立家装定制模型，将所述目标家装风格信息和所述目标房屋户型信息导入所述家装定制模型；
[0053]
所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案；
[0054]
将所述家装方案按照预设的方式显示；
[0055]
所述目标家装风格信息包含至少一种家装风格k，对不同的家装风格i进行区域化融合，与目标房屋户型图像化信息进行卷积，则家装定制模型的数学表达形式为：
[0056][0057]
其中，y表示家装定制模型定制的家装方案信息，γ表示模型系数，i表示目标家装风格信息中包含家装风格的总数，j
k
表示家装风格k特征区域掩码，g
k
表示目标家装风格信息中家装风格k的风格编码集合，*表示卷积计算，f表示目标房屋户型信息的图像特征。
[0058]
本方案中，所述的基于卷积神经网络建立家装定制模型，具体为：
[0059]
基于卷积神经网络建立初始家装定制模型，初始化模型参数；
[0060]
获取训练数据，将所述初始家装定制模型分成图像转换模块及家装风格构建模
块；
[0061]
随机采样所述训练数据中的房屋户型图像化信息并设置对应的家装风格标签；
[0062]
预设所述图像转换模块及家装风格构建模块的权重及梯度信息，并所述图像转换模块及家装风格构建模块进行交替训练；
[0063]
对于每个t次迭代，对家装风格构建模块训练t
‑
1次迭代，对图像转换模块训练1次迭代，同时对所述权重及梯度信息进行更新；
[0064]
根据更新后的权重及梯度信息对所述家装定制模型的编码器、解码器参数进行更新；
[0065]
将初始家装定制模型进行n个t次迭代后，完成训练，生成家装定制模型。
[0066]
本方案中，所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案，具体为：
[0067]
获取目标房屋户型信息，将所述目标房屋户型信息进行拆分，生成墙体、地板、天花板的图像化信息；
[0068]
将所述图像化信息进行特征提取，通过家装定制模型中的编码器将所述特征进行编码，生成图像特征；
[0069]
获取用户的目标家装风格信息，将所述图像特征及所述目标家装风格信息导入家装定制模型中的家装风格构建模块；
[0070]
根据所述目标家装风格信息对不同的家装风格进行区域化融合组成滤波器组；
[0071]
通过目标家装风格对应的滤波器组与图像特征进行卷积，由解码器进行解码得到符合目标家装风格的家装方案。
[0072]
本方案中，还包括：
[0073]
获取符合目标家装风格的家装方案，将所述家装方案接入家具数据库；
[0074]
采集用户及家装项目的交互记录，根据所述交互记录采集用户感兴趣家装项目及历史购买家装项目的价格信息，通过所述价格信息分析用户的购买力；
[0075]
通过所述购买力和家装风格生成家具推荐标签，所述家具数据库通过所述家具推荐标签创建索引任务；
[0076]
家具数据库中的索引模块根据所述索引任务生成推荐全套家具方案，并附带所述全套家具方案中的单个家具商品链接及价格；
[0077]
同时，家具数据库还可根据用户的预算对推荐家具方案进行调整。
[0078]
本方案中，所述家装定制模型在应用过程中，需要增添新家装风格格，则家装定制模型对新家装风格的增量学习具体为：
[0079]
运用预设训练策略对编码器、解码器及多种家装风格集合进行联合训练；
[0080]
对所述编码器和解码器参数进行固定，根据新家装风格对家装定制模型的家装风格构建模块中对应的家装风格集合进行增量训练；
[0081]
将家装定制模型的家装风格构建模块进行多次迭代训练至收敛；
[0082]
随机抽取增量后的新家装风格作为目标家装风格导入所述家装定制模型进行验证；
[0083]
将家装定制模型输出的家装定制方案进行图像化处理，生成家装定制方案图像化信息；
[0084]
将所述家装定制方案图像化信息与预设家装方案图像化信息进行比较判断，生成偏差率；
[0085]
判断所述偏差率是否小于预设偏差率阈值；
[0086]
若小于，则证明家装风格构建成功，家装风格增量学习结束。
[0087]
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于人工智能的家装定制方法程序，所述一种基于人工智能的家装定制方法程序被处理器执行时，实现如上述任一项所述的一种基于人工智能的家装定制方法的步骤。
[0088]
本发明公开的一种基于人工智能的家装定制方法、系统及存储介质，包括：获取用户的目标家装风格信息及目标房屋户型信息；基于卷积神经网络建立家装定制模型，将所述目标家装风格信息导入所述家装定制模型，所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案；将所述家装方案按照预设的方式显示；一方面，本发明通过对家装定制模型的分布训练，实现了对房屋图像化信息与家装风格信息表达的分离，同时，对家装定制模型进行增量训练的过程中不仅具有快速的训练时间，还保持了神经网络的实时转换效率，可以方便的在神经网络模型中进行多种风格的学习，并减少不同风格之间的干扰；另一方面，本发明还可以实现不同家装风格效果的切换，由于编码器和解码器在家装定制模型中采用对称的结构，大大减少的计算量。
附图说明
[0089]
图1示出了本发明一种基于人工智能的家装定制方法的流程图；
[0090]
图2示出了本发明基于卷积神经网络建立家装定制模型的方法流程图；
[0091]
图3示出了本发明通过家装定制模型生成家装方案的方法流程图；
[0092]
图4示出了本发明一种基于人工智能的家装定制系统的框图。
具体实施方式
[0093]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0094]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0095]
图1示出了本发明一种基于人工智能的家装定制方法的流程图。
[0096]
如图1所示，本发明第一方面提供了一种基于人工智能的家装定制方法，包括：
[0097]
s102，基于目标用户浏览家装项目历史数据建立个人
‑
项目偏好模型；
[0098]
s104，通过所述个人
‑
项目偏好模型提取个人偏好，将所述个人偏好根据时间进行形式化描述生成个人偏好时间序列；
[0099]
s106，获取所述个人偏好时间序列中的预设区间内个人偏好信息；
[0100]
s108，将所述个人偏好信息与候选家装项目信息进行匹配，获取用户对候选家装项目的感兴趣程度；
[0101]
s110，根据所述感兴趣程度的排序信息生成用户的目标家装风格信息，并根据目
标房屋户型图生成目标房屋户型信息；
[0102]
s112，基于卷积神经网络建立家装定制模型，将所述目标家装风格信息和所述目标房屋户型信息导入所述家装定制模型；
[0103]
s114，所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案；
[0104]
s116，将所述家装方案按照预设的方式显示；
[0105]
需要说明的是，所述目标家装风格信息包含至少一种家装风格k，对不同的家装风格i进行区域化融合，与目标房屋户型图像化信息进行卷积，则家装定制模型的数学表达形式为：
[0106][0107]
其中，y表示家装定制模型定制的家装方案信息，γ表示模型系数，i表示目标家装风格信息中包含家装风格的总数，j
k
表示家装风格k特征区域掩码，g
k
表示目标家装风格信息中家装风格k的风格编码集合，*表示卷积计算，f表示目标房屋户型信息的图像特征。
[0108]
需要说明的是，目标用户浏览家装项目历史数据包括：用户浏览的网页信息、用户搜索的关键词信息以及用户购买的家装商品信息等，通过构建个人
‑
项目偏好模型及家装定制模型提取个人偏好并制定家装方案，家装方案的个性化定制过程中，能够准确的捕捉用户偏好的动态时间变化，根据时间区间获取用户的当前所需，针对用户的目标家装风格定制家装方案，使得方案结果进一步贴近用户需求，增强用户体验。
[0109]
图2示出了本发明基于卷积神经网络建立家装定制模型的方法流程图。
[0110]
根据本发明实施例，所述的基于卷积神经网络建立家装定制模型，具体为：
[0111]
s202，基于卷积神经网络建立初始家装定制模型，初始化模型参数；
[0112]
s204，获取训练数据，将所述初始家装定制模型分成图像转换模块及家装风格构建模块；
[0113]
s206，随机采样所述训练数据中的房屋户型图像化信息并设置对应的家装风格标签；
[0114]
s208，预设所述图像转换模块及家装风格构建模块的权重及梯度信息，并所述图像转换模块及家装风格构建模块进行交替训练；
[0115]
s210，对于每个t次迭代，对家装风格构建模块训练t
‑
1次迭代，对图像转换模块训练1次迭代，同时对所述权重及梯度信息进行更新；
[0116]
s212，根据更新后的权重及梯度信息对所述家装定制模型的编码器、解码器参数进行更新；
[0117]
s214，将初始家装定制模型进行n个t次迭代后，完成训练，生成家装定制模型。
[0118]
需要说明的是，家装风格构建模块由不同家装风格的滤波器集合组成，在工作过程中将目标家装风格信息进行图像化处理并进行特征图像提取，屏蔽目标家装风格图像化信息的其他区域，保留特征图像对应的相对位置，将所述相对位置对应的滤波器进行卷积操作，对滤波器集合中的特征响应进行采集，并对非零特征进行标记，将所述非零特征经过解码器进行解码完成家装风格构建。
[0119]
需要说明的是，所述家装定制模型在应用过程中，需要增添新家装风格格，则家装定制模型对新家装风格的增量学习具体为：
[0120]
运用预设训练策略对编码器、解码器及多种家装风格集合进行联合训练；
[0121]
对所述编码器和解码器参数进行固定，根据新家装风格对家装定制模型的家装风格构建模块中对应的家装风格集合进行增量训练；
[0122]
将家装定制模型的家装风格构建模块进行多次迭代训练至收敛；
[0123]
随机抽取增量后的新家装风格作为目标家装风格导入所述家装定制模型进行验证；
[0124]
将家装定制模型输出的家装定制方案进行图像化处理，生成家装定制方案图像化信息；
[0125]
将所述家装定制方案图像化信息与预设家装方案图像化信息进行比较判断，生成偏差率；
[0126]
判断所述偏差率是否小于预设偏差率阈值；
[0127]
若小于，则证明家装风格构建成功，家装风格增量学习结束。
[0128]
需要说明的是，通过对家装定制模型的分布训练，实现了对房屋图像化信息与家装风格信息表达的分离，同时，对家装定制模型进行增量训练的过程中不仅具有快速的训练时间，还保持了神经网络的实时转换效率，可以方便的在神经网络模型中进行多种风格的学习，并减少不同风格之间的干扰。
[0129]
图3示出了本发明通过家装定制模型生成家装方案的方法流程图。
[0130]
根据本发明实施例，所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案，具体为：
[0131]
s302，获取目标房屋户型信息，将所述目标房屋户型信息进行拆分，生成墙体、地板、天花板的图像化信息；
[0132]
s304，将所述图像化信息进行特征提取，通过家装定制模型中的编码器将所述特征进行编码，生成图像特征；
[0133]
s306，获取用户的目标家装风格信息，将所述图像特征及所述目标家装风格信息导入家装定制模型中的家装风格构建模块；
[0134]
s308，根据所述目标家装风格信息对不同的家装风格进行区域化融合组成滤波器组；
[0135]
s310，通过目标家装风格对应的滤波器组与图像特征进行卷积，由解码器进行解码得到符合目标家装风格的家装方案。
[0136]
需要说明的是，在进行家装定制的个性化定制中，用户对推荐家装方案不满意时通常需要测试不同的家装风格，固定编码器得到目标房屋的中间特征，家装风格集合对所述中间特征进行卷积计算，由解码器解码得到家装风格转换结果，将编码器和解码器采用对称的结构进行设置，大大减少转换计算量。
[0137]
需要说明是的，本发明的家装定制系统在进行家装定制过程中还通过采集环境信息进行适应性推荐定制，具体为：
[0138]
采集目标房屋的环境信息，所述环境信息包括房屋的楼层信息、光线信息及各房间的朝向信息；
[0139]
根据所述楼层信息、光线信息及各房间的朝向信息进行光线明暗度分析，并通过光线模拟模块加入到目标房屋的图像化信息中；
[0140]
判断所述光线明暗度是否小于预设光线明暗度阈值；
[0141]
若小于，则推荐用户选择亮色系作为家装风格主色调，并根据所述光线明暗度在家装方案中增加灯具装饰。
[0142]
根据本发明实施例，家装定制模型完成家装方案的定制后，根据所述家装方案推荐家具方案，具体为：
[0143]
根据所述家装定制模型生成家装定制方案，将所述家装定制方案接入家具数据库；
[0144]
采集用户及家装项目的交互记录，根据所述交互记录采集用户感兴趣家装项目及历史购买家装项目的价格信息，通过所述价格信息分析用户的购买力；
[0145]
通过所述购买力和家装风格生成家具推荐标签，所述家具数据库通过所述家具推荐标签创建索引任务；
[0146]
家具数据库中的索引模块根据所述索引任务生成推荐全套家具方案，并附带所述全套家具方案中的单个家具商品链接及价格；
[0147]
同时，家具数据库还可根据用户的预算对推荐家具方案进行调整。
[0148]
需要说明的是，家具数据库中检测到目标用户选择了索引任务，会触发索引模块创建至少一个索引序列来进行索引，在家具数据库中包括多个数据库实体，数据库实体可以实现参数索引，索引模块可以快速找到家具推荐标签的匹配值，同时数据库在进行索引任务通过验证模块对索引数据进行验证，验证数据可以随着验证数据的生成而持续地被收集，同时丢弃旧的验证数据，增加了验证索引的效率，提高索引的性能。家具数据库在完成索引任务后生成推荐全套方案，将方案中的单个家具商品进行关键词获取，对所述关键词进行检索，获取单个家具的购买链接信息，并获取目标家具在全网的价格信息及优惠活动信息，通过优惠活动信息确定最佳优惠组合，根据单个家具价格信息及最佳优惠组合生成整套家具方案的最终价格信息，若最终价格超过用户的预算，则对整套家具方案中的部门家具进行调整替换，提高了用户使用体验。
[0149]
需要说明的是，根据用户的预算信息及消费水平，将定制家装方案及推荐家具方案进行调整，生成最佳方案，具体为：
[0150]
获取用户的预算信息，生成预算标签，将所述预算标签导入家装定制模型及家具数据库；
[0151]
所述家装定制模型及家具数据库基于目标家装风格将家装方案及家具方案中的物品进行同风格替换；
[0152]
同时，用户将现有家具信息上传到家具数据库中，所述家具数据库结合预算标签及现有家具风格生成剩余所需家具方案；
[0153]
若用户对现有家具不满意，家具数据库通过大数据分析目标家装风格生成现有家具改造方案，通过对现有家具的改造实现现有家具的再利用，以节省家装预算。
[0154]
根据本发明实施例，获取目标房屋图像化信息过程中由于视角原因会存在一部分遮挡或重叠区域，在进行家装风格构建过程中会破坏纹理连续性，其中，保持家装风格构建过程中的视差一致性，具体为：
[0155]
给定目标房屋图像化信息和家装风格构建后的图像化信息，获取家装风格构建后的图像化信息的左右视图；
[0156]
通过所述左右视图计算视差一致性损失；
[0157]
根据所述左右视图的对称性，将两个视图的重叠区域定义为对称中心区域；
[0158]
通过将两个视图的信息在所述中心区域进行融合，产生中心区域视差，中心区域特征及中心区域的遮挡系数；
[0159]
根据前向变换结合心区域视差及中心区域的遮挡系数排除被遮挡像素；
[0160]
将所述中心区域特征变换为原始左右视图；
[0161]
对重叠区域和只对两个视图中任一视图可见的区域进行风格构建，将两部分的风格构建结果进行融合。
[0162]
图4示出了本发明一种基于人工智能的家装定制系统的框图。
[0163]
本发明第二方面还提供了一种基于人工智能的家装定制系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于人工智能的家装定制方法程序，所述一种基于人工智能的家装定制方法程序被所述处理器执行时实现如下步骤：
[0164]
基于目标用户浏览家装项目历史数据建立个人
‑
项目偏好模型；
[0165]
通过所述个人
‑
项目偏好模型提取个人偏好，将所述个人偏好根据时间进行形式化描述生成个人偏好时间序列；
[0166]
获取所述个人偏好时间序列中的预设区间内个人偏好信息；
[0167]
将所述个人偏好信息与候选家装项目信息进行匹配，获取用户对候选家装项目的感兴趣程度；
[0168]
根据所述感兴趣程度的排序信息生成用户的目标家装风格信息，并根据目标房屋户型图生成目标房屋户型信息；
[0169]
基于卷积神经网络建立家装定制模型，将所述目标家装风格信息和所述目标房屋户型信息导入所述家装定制模型；
[0170]
所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案；
[0171]
将所述家装方案按照预设的方式显示；
[0172]
所述目标家装风格信息包含至少一种家装风格k，对不同的家装风格i进行区域化融合，与目标房屋户型图像化信息进行卷积，则家装定制模型的数学表达形式为：
[0173][0174]
其中，y表示家装定制模型定制的家装方案信息，γ表示模型系数，i表示目标家装风格信息中包含家装风格的总数，j
k
表示家装风格k特征区域掩码，g
k
表示目标家装风格信息中家装风格k的风格编码集合，*表示卷积计算，f表示目标房屋户型信息的图像特征。
[0175]
需要说明的是，目标用户浏览家装项目历史数据包括：用户浏览的网页信息、用户搜索的关键词信息以及用户购买的家装商品信息等，通过构建个人
‑
项目偏好模型及家装定制模型提取个人偏好并制定家装方案，家装方案的个性化定制过程中，能够准确的捕捉用户偏好的动态时间变化，根据时间区间获取用户的当前所需，针对用户的目标家装风格定制家装方案，使得方案结果进一步贴近用户需求，增强用户体验。
[0176]
根据本发明实施例，所述的基于卷积神经网络建立家装定制模型，具体为：
[0177]
基于卷积神经网络建立初始家装定制模型，初始化模型参数；
[0178]
获取训练数据，将所述初始家装定制模型分成图像转换模块及家装风格构建模块；
[0179]
随机采样所述训练数据中的房屋户型图像化信息并设置对应的家装风格标签；
[0180]
预设所述图像转换模块及家装风格构建模块的权重及梯度信息，并所述图像转换模块及家装风格构建模块进行交替训练；
[0181]
对于每个t次迭代，对家装风格构建模块训练t
‑
1次迭代，对图像转换模块训练1次迭代，同时对所述权重及梯度信息进行更新；
[0182]
根据更新后的权重及梯度信息对所述家装定制模型的编码器、解码器参数进行更新；
[0183]
将初始家装定制模型进行n个t次迭代后，完成训练，生成家装定制模型。
[0184]
需要说明的是，家装风格构建模块由不同家装风格的滤波器集合组成，在工作过程中将目标家装风格信息进行图像化处理并进行特征图像提取，屏蔽目标家装风格图像化信息的其他区域，保留特征图像对应的相对位置，将所述相对位置对应的滤波器进行卷积操作，对滤波器集合中的特征响应进行采集，并对非零特征进行标记，将所述非零特征经过解码器进行解码完成家装风格构建。
[0185]
需要说明的是，所述家装定制模型在应用过程中，需要增添新家装风格格，则家装定制模型对新家装风格的增量学习具体为：
[0186]
运用预设训练策略对编码器、解码器及多种家装风格集合进行联合训练；
[0187]
对所述编码器和解码器参数进行固定，根据新家装风格对家装定制模型的家装风格构建模块中对应的家装风格集合进行增量训练；
[0188]
将家装定制模型的家装风格构建模块进行多次迭代训练至收敛；
[0189]
随机抽取增量后的新家装风格作为目标家装风格导入所述家装定制模型进行验证；
[0190]
将家装定制模型输出的家装定制方案进行图像化处理，生成家装定制方案图像化信息；
[0191]
将所述家装定制方案图像化信息与预设家装方案图像化信息进行比较判断，生成偏差率；
[0192]
判断所述偏差率是否小于预设偏差率阈值；
[0193]
若小于，则证明家装风格构建成功，家装风格增量学习结束。
[0194]
需要说明的是，通过对家装定制模型的分布训练，实现了对房屋图像化信息与家装风格信息表达的分离，同时，对家装定制模型进行增量训练的过程中不仅具有快速的训练时间，还保持了神经网络的实时转换效率，可以方便的在神经网络模型中进行多种风格的学习，并减少不同风格之间的干扰。
[0195]
根据本发明实施例，所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案，具体为：
[0196]
获取目标房屋户型信息，将所述目标房屋户型信息进行拆分，生成墙体、地板、天花板的图像化信息；
[0197]
将所述图像化信息进行特征提取，通过家装定制模型中的编码器将所述特征进行编码，生成图像特征；
[0198]
获取用户的目标家装风格信息，将所述图像特征及所述目标家装风格信息导入家装定制模型中的家装风格构建模块；
[0199]
根据所述目标家装风格信息对不同的家装风格进行区域化融合组成滤波器组；
[0200]
通过目标家装风格对应的滤波器组与图像特征进行卷积，由解码器进行解码得到符合目标家装风格的家装方案。
[0201]
需要说明的是，在进行家装定制的个性化定制中，用户对推荐家装方案不满意时通常需要测试不同的家装风格，固定编码器得到目标房屋的中间特征，家装风格集合对所述中间特征进行卷积计算，由解码器解码得到家装风格转换结果，将编码器和解码器采用对称的结构进行设置，大大减少转换计算量。
[0202]
需要说明是的，本发明的家装定制系统在进行家装定制过程中还通过采集环境信息进行适应性推荐定制，具体为：
[0203]
采集目标房屋的环境信息，所述环境信息包括房屋的楼层信息、光线信息及各房间的朝向信息；
[0204]
根据所述楼层信息、光线信息及各房间的朝向信息进行光线明暗度分析，并通过光线模拟模块加入到目标房屋的图像化信息中；
[0205]
判断所述光线明暗度是否小于预设光线明暗度阈值；
[0206]
若小于，则推荐用户选择亮色系作为家装风格主色调，并根据所述光线明暗度在家装方案中增加灯具装饰。
[0207]
根据本发明实施例，家装定制模型完成家装方案的定制后，根据所述家装方案推荐家具方案，具体为：
[0208]
根据所述家装定制模型生成家装定制方案，将所述家装定制方案接入家具数据库；
[0209]
采集用户及家装项目的交互记录，根据所述交互记录采集用户感兴趣家装项目及历史购买家装项目的价格信息，通过所述价格信息分析用户的购买力；
[0210]
通过所述购买力和家装风格生成家具推荐标签，所述家具数据库通过所述家具推荐标签创建索引任务；
[0211]
家具数据库中的索引模块根据所述索引任务生成推荐全套家具方案，并附带所述全套家具方案中的单个家具商品链接及价格；
[0212]
同时，家具数据库还可根据用户的预算对推荐家具方案进行调整。
[0213]
需要说明的是，家具数据库中检测到目标用户选择了索引任务，会触发索引模块创建至少一个索引序列来进行索引，在家具数据库中包括多个数据库实体，数据库实体可以实现参数索引，索引模块可以快速找到家具推荐标签的匹配值，同时数据库在进行索引任务通过验证模块对索引数据进行验证，验证数据可以随着验证数据的生成而持续地被收集，同时丢弃旧的验证数据，增加了验证索引的效率，提高索引的性能。家具数据库在完成索引任务后生成推荐全套方案，将方案中的单个家具商品进行关键词获取，对所述关键词进行检索，获取单个家具的购买链接信息，并获取目标家具在全网的价格信息及优惠活动信息，通过优惠活动信息确定最佳优惠组合，根据单个家具价格信息及最佳优惠组合生成
整套家具方案的最终价格信息，若最终价格超过用户的预算，则对整套家具方案中的部门家具进行调整替换，提高了用户使用体验。
[0214]
需要说明的是，根据用户的预算信息及消费水平，将定制家装方案及推荐家具方案进行调整，生成最佳方案，具体为：
[0215]
获取用户的预算信息，生成预算标签，将所述预算标签导入家装定制模型及家具数据库；
[0216]
所述家装定制模型及家具数据库基于目标家装风格将家装方案及家具方案中的物品进行同风格替换；
[0217]
同时，用户将现有家具信息上传到家具数据库中，所述家具数据库结合预算标签及现有家具风格生成剩余所需家具方案；
[0218]
若用户对现有家具不满意，家具数据库通过大数据分析目标家装风格生成现有家具改造方案，通过对现有家具的改造实现现有家具的再利用，以节省家装预算。
[0219]
根据本发明实施例，获取目标房屋图像化信息过程中由于视角原因会存在一部分遮挡或重叠区域，在进行家装风格构建过程中会破坏纹理连续性，其中，保持家装风格构建过程中的视差一致性，具体为：
[0220]
给定目标房屋图像化信息和家装风格构建后的图像化信息，获取家装风格构建后的图像化信息的左右视图；
[0221]
通过所述左右视图计算视差一致性损失；
[0222]
根据所述左右视图的对称性，将两个视图的重叠区域定义为对称中心区域；
[0223]
通过将两个视图的信息在所述中心区域进行融合，产生中心区域视差，中心区域特征及中心区域的遮挡系数；
[0224]
根据前向变换结合心区域视差及中心区域的遮挡系数排除被遮挡像素；
[0225]
将所述中心区域特征变换为原始左右视图；
[0226]
对重叠区域和只对两个视图中任一视图可见的区域进行风格构建，将两部分的风格构建结果进行融合。
[0227]
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于人工智能的家装定制方法程序，所述一种基于人工智能的家装定制方法程序被处理器执行时，实现如上述任一项所述的一种基于人工智能的家装定制方法的步骤。
[0228]
本发明公开的一种基于人工智能的家装定制方法、系统及存储介质，包括：获取用户的目标家装风格信息及目标房屋户型信息；基于卷积神经网络建立家装定制模型，将所述目标家装风格信息导入所述家装定制模型，所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案；将所述家装方案按照预设的方式显示；一方面，本发明通过对家装定制模型的分布训练，实现了对房屋图像化信息与家装风格信息表达的分离，同时，对家装定制模型进行增量训练的过程中不仅具有快速的训练时间，还保持了神经网络的实时转换效率，可以方便的在神经网络模型中进行多种风格的学习，并减少不同风格之间的干扰；另一方面，本发明还可以实现不同家装风格效果的切换，由于编码器和解码器在家装定制模型中采用对称的结构，大大减少的计算量。
[0229]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为
一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0230]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0231]
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0232]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0233]
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0234]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。