(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 202210294000.1 (22)申请日 2022.03.23 (71)申请人 每平每屋 （上海） 科技有限公司 地址 200127 上海市中国 （上海） 自由贸易 试验区环龙路6 5弄1号三层、 四层 (72)发明人 丁疏横　唐忠樑　 (74)专利代理 机构 北京同钧律师事务所 16 037 专利代理师 李小波　许怀远 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06F 16/56(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 文件处理方法、 装置、 设备及存 储介质 (57)摘要 本申请提供一种文件处理方法、 装置、 设备 及存储介质， 通过接收用户导入的户型图矢量文 件， 根据户型图矢量文件生成户型图， 将户型图 输入第一检测模 型， 获得包括户型图中每条线 段 的类别、 位置坐标以及长度的第一线段检测结 果。 根据户型图矢量文件的线段信息对第一线 段 检测结果进行校验， 获得第二线段检测结果。 根 据第二线段检测结果渲染生 成户型图。 其中第一 检测模型是采用深度神经网络结构训练得到的， 第二线段检测结果包含的线段数量小于第一线 段检测结果包含的线 段数量。 上述过程可以去除 深度神经网络识别的冗余线 段， 提升对户型图矢 量文件的识别效果， 进而渲染生成优质的户型效 果图， 为后续的软装设计提供 数据支撑 。 权利要求书2页 说明书14页 附图9页 CN 114663673 A 2022.06.24 CN 114663673 A 1.一种文件处 理方法， 其特 征在于， 包括： 接收用户导入的户型图矢量文件； 根据所述户型图矢量文件生成所述户型图， 通过第 一检测模型对所述户型图的所有线 段进行检测， 获得第一线段检测结果； 所述第一线段检测结果包括所述户型图中每条线段 的类别、 位置坐标以及长度， 所述第一检测模型 是采用深度神经网络结构训练得到的； 根据所述户型图矢量文件的线段信 息对所述第 一线段检测结果进行校验， 获得第 二线 段检测结果， 所述第二线段检测结果包含的线段数量小于所述第一线段检测结果包含的线 段数量； 根据所述第二线段检测结果 渲染生成所述户型图。 2.根据权利要求1所述的方法， 其特征在于， 所述第一检测模型包括残差网络模块、 多 路金字塔模块以及后处 理模块； 所述残差网络模块用于提取 所述户型图的特 征信息； 所述多路金字塔模块分别用于对不同线段类别的特征信 息进行上采样还原； 所述线段 类别至少包括所述户型图的墙 体线段以及窗体线段； 所述后处理模块用于对所述多路金字塔模块输出的特征图的所有线段进行整合处理， 确定线段之间是否有连接关系， 输出 所述第一线段检测结果。 3.根据权利要求1所述的方法， 其特征在于， 所述根据所述户型图矢量文件的线段信 息 对所述第一线段检测结果进行 校验， 获得第二线段检测结果， 包括： 确定所述第一线段检测结果中每条线段对应的线段信息查询范围； 根据所述线段信 息查询范围查询所述户型图矢量文件中是否有 匹配的线段组， 所述线 段组包括相互平行的至少两条线段； 从所述第一线段检测结果中剔除没有 匹配的线段组 的线段， 获得所述第 二线段检测结 果。 4.根据权利要求3所述的方法， 其特征在于， 所述确定所述第 一线段检测结果中每条线 段对应的线段信息查询范围， 包括： 根据预设扩展值以及所述第 一线段检测结果中每条线段的位置坐标和长度， 确定所述 每条线段对应的线段信息查询范围。 5.根据权利要求1所述的方法， 其特征在于， 所述根据所述户型图矢量文件的线段信 息 对所述第一线段检测结果进行 校验， 获得第二线段检测结果， 包括： 根据所述户型图矢量文件的线段信 息以及不同类别线段的预设条件， 对第 一线段检测 结果中不同类别线段的属性 参数进行 校验， 获得第二线段检测结果。 6.根据权利要求1至4任一项所述的方法， 其特 征在于， 所述方法还 包括： 通过第二检测模型对所述户型图的结构件进行检测， 获得结构件检测结果； 所述结构 件检测结果包括所述户型图中每个结构件的类别以及位置坐标， 所述第二检测模型是采用 目标检测网络结构训练得到的； 所述根据所述第二线段检测结果 渲染生成所述户型图， 包括： 根据所述第二线段检测结果以及所述结构件检测结果， 渲染生成所述户型图。 7.根据权利要求6所述的方法， 其特征在于， 所述通过第 二检测模型对所述户型图的结 构件进行检测， 获得 结构件检测结果， 包括：权　利　要　求　书 1/2 页 2 CN 114663673 A 2根据预设滑窗从所述户型图中截取多 张待检测图片， 所述预设滑窗的尺寸大于结构件 的最大尺寸； 将所述多张待检测图片输入所述第二检测模型， 经非极大值抑制NMS， 获得所述结构件 检测结果。 8.根据权利要求6所述的方法， 其特 征在于， 所述第二检测模型的训练过程， 包括： 获取训练样本集和标注信息， 所述训练样本集包括多张户型样本 图， 所述标注信息包 括户型样本图中结构件的类别以及位置坐标； 根据所述多 张户型样本图生成多 张图像增强的样本图， 所述图像增强的样本图中单个 结构件的面积占比大于所述结构件在所述户型样本图中的面积占比； 将所述多 张图像增强的样本图作为所述第 二检测模型的输入， 将所述多 张图像增强的 样本图中结构件的类别以及位置坐标作为所述第二检测模型的输出， 对所述第二检测模型 进行训练， 直至所述第二检测模型收敛。 9.根据权利要求8所述的方法， 其特征在于， 所述根据所述多 张户型样本图生成多张图 像增强的户型样本图， 包括： 从所述多张户型样本图中随机 选取预设数量、 预设大小的图像块； 将所述预设数量、 预设大小的图像块进行拼接和尺寸缩放， 得到一张图像增强的样本 图； 重复执行上述两个步骤， 获得 所述多张图像增强的样本图。 10.一种文件处 理装置， 其特 征在于， 包括： 接收模块， 用于 接收用户导入的户型图矢量文件； 处理模块， 用于根据所述户型图矢量文件生成所述户型图， 通过第一检测模型对所述 户型图的所有线段进行检测， 获得第一线段检测结果； 所述第一线段检测结果包括所述户 型图中每条线段的类别、 位置坐标以及长度， 所述第一检测模型是采用深度神经网络结构 训练得到的； 根据所述户型图矢量文件的线段信 息对所述第 一线段检测结果进行校验， 获得第 二线 段检测结果， 所述第二线段检测结果包含的线段数量小于所述第一线段检测结果包含的线 段数量； 渲染模块， 用于根据所述第二线段检测结果 渲染生成所述户型图。 11.一种电子设备， 其特征在于， 包括： 存储器， 处理器以及计算机程序； 所述计算机程 序存储在所述存储器中， 并被配置为由所述处理器执行以实现如权利要求 1至9任一项所述 的方法。 12.一种计算机可读存储介质， 其特征在于， 其上存储有计算机程序， 所述计算机程序 被处理器执行以实现如权利要求1至9任一项所述的方法。 13.一种计算机程序产品， 其特征在于， 包括计算机程序， 所述计算机程序被处理器执 行时实现权利要求1至9任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114663673 A 3