一种基于图像识别的园林概念图生成方法及系统与流程

1.本发明涉及园林设计中图像处理技术领域，具体地说，特别涉及一种基于图像识别的园林概念图生成方法及系统。


背景技术：

2.现有的园林设计模式往往要求在有限的时间内完成项目定位、深化和出图，设计师在短短的设计时间里经常不能深度全面地思考设计的多样性或更优解。
3.通过计算机自动生成园林绿地设计布局，可以在方案前期快速为园林方案师提供更多设计方案的思考角度；但是，现有技术存在着数据样本复杂，训练样本少，难以进行后续设计的问题。


技术实现要素：

4.为了解决现有技术的问题，本发明实施例提供了一种基于图像识别的园林概念图生成方法及系统。所述技术方案如下：
5.一方面，提供了一种基于图像识别的园林概念图生成方法，包括：
6.构建数据集；搭建基于园林概念图的深度学习模型；
7.通过所述深度学习模型训练所述数据集；
8.将设计前的场地环境条件图输入至训练完成后的深度学习模型，得到设计后的平面布局规划图。
9.进一步地，所述深度学习模型采用园林概念图pix2pix模型。
10.进一步地，所述搭建基于园林概念图的深度学习模型：
11.1)加载数据以及数据预处理；
12.2)定义鉴别器patchgan；
13.3)定义生成器u
‑
net；
14.4)选择损失函数l1loss，采用adam优化器；
15.5)训练模型；
16.6)验证模型。
17.另一方面，提供了一种基于图像识别的园林概念图生成系统，包括：
18.模型构建模块，用于搭建基于园林概念图的深度学习模型；
19.数据集获取模块，用于获取数据集；
20.训练模块，用于通过所述深度学习模型训练所述数据集；
21.设计图生成模块，用于将设计前的场地环境条件图输入至训练完成后的园林概念图模型，得到设计后的平面布局规划图。
22.另一方面，提供了一种信息数据处理终端，所述信息数据处理终端实施所述的基于图像识别的园林概念图生成方法。
23.另一方面，提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储
器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
24.构建数据集，搭建基于园林概念图的深度学习模型；
25.通过所述深度学习模型训练所述数据集；
26.将设计前的场地环境条件图输入至训练完成后的深度学习模型，得到设计后的平面布局规划图。
27.另一方面，提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的基于图像识别的园林概念图生成方法。
28.本发明实施例提供的技术方案带来的有益效果是：
29.本发明提供的一种基于图像识别的园林概念图生成方法，立足于深度学习语境，提出基于pix2pix的口袋公园概念方案生成设计方法，该方法可以充分提取输入数据中有价值的特征信息，生成接近数据集中真实样本的图像，可以实现公园初期的草图或者概念图纸自动化生成设计，可为设计师尤其是没有经验的设计师提供一定参考价值，进行下一步图纸深化工作。
附图说明
30.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
31.图1是本发明实施例的一种基于图像识别的园林概念图生成方法的流程图。
具体实施方式
32.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
33.本发明提供了一种基于图像识别的园林概念图生成方法，参见图1，包括：
34.s100：构建数据集；搭建基于园林概念图的深度学习模型；
35.s200：通过所述深度学习模型训练所述数据集；
36.s300：将设计前的场地环境条件图输入至训练完成后的深度学习模型，得到设计后的平面布局规划图。
37.具体地，该模型的输出是输入特征的非线性映射，不能通过显式的特征学习映射关系，故必须将低维度的输入特征转换为高维特征中学习映射关系。从而，搭建深度学习模型；通过加深网络层数、矩阵维度变换、激活函数等增加神经网络的非线性表达能力，以此提取有价值的特征信息(高维特征)。
38.本实施例中，该方法涉及到python程序编写领域，体现了风景园林与计算机学科的交叉，该方法基于开源编程平台anaconda，使用深度学习框架pytorch，在集成开发环境pycharm上对园林概念图pix2pix模型进行构建。pix2pix是一种图图转换问题的通用框架，用以学习从输入图像到输出图像的映射，可以实现输入一个设计前的场地环境条件图，然后输出一个对应的合理的平面布局规划图。研究基于生成对抗网络的园林设计方案生成方
法，通过对抗训练的方式，不断对生成器和判别器进行交替训练，最终模型收敛，达到纳什均衡，生成网络可以生成符合真实数据分布的样本。
39.具体地，深度学习(dl,deep learning)是机器学习(ml,machine learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(ai,artificial intelligence)。
40.深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
41.关于深度学习框架，在开始深度学习项目之前，选择一个合适的框架是非常重要的，因为选择一个合适的框架能起到事半功倍的作用。研究者们使用各种不同的框架来达到他们的研究目的，侧面印证出深度学习领域百花齐放。全世界最为流行的深度学习框架有paddlepaddle、tensorflow、caffe、theano、mxnet、torch和pytorch。
42.本实施例中采用pytorch。
43.生成式对抗网络(gan,generative adversarial networks)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型(generative model)和判别模型(discriminative model)的互相博弈学习产生相当好的输出。原始gan理论中，并不要求g和d都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为g和d。一个优秀的gan应用需要有良好的训练方法，否则可能由于神经网络模型的自由性而导致输出不理想。
44.本实施例中，采用pix2pix；pix2pix是gan的衍生模型，pix2pix的网格结构分为生成器g和判别器d，也就是希望判别器把自己伪造的图片当作是真的。生成器的输入是x，输出就是其伪造图片g(x)
45.(1)生成器采用unet结构，它的目的是欺骗判别器，也就是希望判别器把自己伪造的图片当作是真的。生成器的输入是x，输出就是其伪造图片g(x)；
46.(2)判别器d采用patchgan,它的目的是正确的区分真实样本和伪造样本。
47.本实施例的目标是输入一张设计前的场地环境条件图，然后输出一张设计后的平面布局规划图。该任务可以形式化为输入一张图片，输出一张图片这样一个端到端的生成任务，本质是基于一定显式或潜在规则的图片变化，基于此点我们选择了pix2pix作为该任务的主力模型。pix2pix是一个高效的图片翻译模型，可以进行从一种风格到另一种风格图片的翻译。它与园林设计是天然契合的，从大量园林方案设计样本中学习到设计模式，训练完成后的模型可以对从没见过的场地环境条件图快速的得到设计图。
48.以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。