基于人工智能的装修风格推荐系统及方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明属于装修风格推荐领域，涉及神经网络技术，具体是基于人工智能的装修风格推荐系统及方法。背景技术：2.家装公司是针对对家庭居住环境进行的装饰和装修工程，是集家庭室内设计、材料预算、工程施工于一体的专业化家装公司；它是在满足居住功能的前提下，实现家居环境、家居氛围与家居艺术品的和谐统一；人们在入住新房屋前也越来越重视房间的装修风格，而家装公司一般也会在装修前考虑如何为用户推荐装修风格的问题。3.现有的装修风格推荐系统往往存在以下问题：4.1、推荐的装修风格比较随机，未能充分考虑到用户的喜好；5.2、推荐的装修风格图片均为已设计好的单一风格的装修图片，无法解决用户喜好多种风格融合的问题。技术实现要素：6.本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出基于人工智能的装修风格推荐系统及方法，该基于人工智能的装修风格推荐系统及方法一方面根据用户表达的对装修风格的喜好，为用户推荐合适的装修风格图片，另一方面，针对用户对于融合多种装修风格的多元化需求，通过使用风格迁移算法自动生成多风格融合的装修风格图片，解决了为用户提供更多元化装修风格选择的问题。7.为实现上述目的，根据本发明的第一方面的实施例提出基于人工智能的装修风格推荐系统，包括控制后台、训练集存储模块、推荐集存储模块、风格分类训练模块、风格分类模块、原始风格设计图存储模块、风格迁移训练模块、风格迁移模块、用户终端；其中，各个模块之间采用无线网络和/或电气连接；8.所述训练集存储模块主要用于存储现有的装修设计图，并对图片做装修风格标记；所述装修设计图可通过网络爬虫或人工收集的方式收集；所述风格标记可通过爬取网络中已做过标记的装修设计图，或进行人工标记；9.所述推荐集存储模块主要用于存储需要推荐给用户的装修设计图；10.所述风格分类训练模块主要用于通过卷积神经网络对存储标记模块中的图片进行训练；在具体的实施例中，所述卷积神经网络使用的是resnet-50模型；训练用图片按60％、20％、20％的比例分为训练集、测试集、验证集；训练出的风格识别模型在测试集的准确率达到95％以上停止训练；训练出的风格识别模型发送至风格分类模块；11.所述风格分类模块主要用于对推荐集存储模块的装修设计图进行风格分类；在具体的实施例中，将推荐集存储模块的设计图输入上述风格识别模型中，计算出每张装修设计图属于各个风格的概率；12.所述原始风格设计图存储模块主要用于存储每种风格的基本图片；在具体的实施例中，所述每种风格的基本图片为人工选择的每种风格的最典型图片；13.所述风格迁移训练模块主要用于训练风格迁移模型；所述风格迁移模型使用原始风格设计图存储模块中的每种风格的基本图片作为训练的原始风格，训练集存储模块中的装修设计图作为目标图片，使用风格迁移算法对每种原始风格与目标图片进行训练，并生成新的图片；将生成的新图片放入上述风格识别模型中，计算出新图片风格为原始风格的概率；统计所有训练图片被风格转移后的新图片符合原始风格的比例，不断训练直至符合原始风格的图片比例大于p，每种风格的风格迁移训练结束；所述p根据实际经验设定；14.所述用户终端主要用于为用户推荐装修设计图；在具体的实施例中，推荐的装修设计图包括两种方式：现有的装修设计图与进行风格迁移的装修设计图；两种方式具体的推荐步骤如下：15.一、推荐现有的装修设计图；在具体的实施例中，具体包括以下步骤：16.步骤s1：从推荐集存储模块中随机为用户推荐不同风格的装修设计图；17.步骤s2：由用户根据自己的喜好为推荐的各个设计图打分，将打分发送回控制后台；18.步骤s3：控制后台将用户评分进行排序，选择排名前三的设计图；19.步骤s4：控制后台按6:3:1的比例从推荐集存储模块中获取与排名前三的装修设计图最接近的装修设计图，共选择10副；所述选择最接近的设计图的方法为选择值最小的图；所述s为总的风格类别，ps为待选择装修设计图属于风格s的概率，p′s为上述排名前三的装修设计图属于风格s的概率；将选择的10副装修设计图发送回用户终端；20.步骤s5：用户继续通过用户终端打分，后台继续根据打分为用户推荐不重复的装修设计图，直至用户满意；21.二、风格迁移的装修设计图；在具体的实施例中，具体包括以下步骤：22.步骤p1：向用户展示原始风格设计图存储模块中的各种风格的基本图片；23.步骤p2：用户选择一张装修设计图以及一张原始风格设计图，所述装修设计图为用户主动上传或推荐集存储模块中的图片；24.步骤p3：将两张图发回控制后台，控制后台将装修设计图以及选择的原始风格设计图发送至风格迁移模块；25.步骤p4：接收来自控制后台传回的进行风格迁移后的装修设计图；26.所述风格迁移模块主要用于将用户提供的装修设计图进行风格迁移；在具体的实施例中，所述风格迁移模块接收来自控制后台发送的两张图，使用风格迁移训练模块训练好的模型生成一张风格迁移后的装修设计图，并将生成的图发送回控制后台。27.本发明的第二方面的实施例提出基于人工智能的装修风格推荐方法，具体包括以下步骤：28.步骤q1：收集带有风格标签的装修设计图或收集无风格标签的装修设计图，并人工打上标签，存储至训练集存储模块；29.步骤q2：收集需要推荐给用户的装修设计图，存储至推荐集存储模块；30.步骤q3：风格分类训练模块训练集存储模块中的，生成训练模型；31.步骤q4：风格分类模块将训练集存储模块中的装修设计图输入至步骤q3生成的训练模型中，获得每张图属于各个风格的概率；32.步骤q5：选择各个风格的基本图片，存储至原始风格设计图存储模块；33.步骤q6：风格迁移训练模块使用各个风格的基本图片以及训练集存储模块作为训练数据，训练出风格迁移模型；34.步骤q7：用户通过用户终端选择推荐现有的装修设计图或进行风格迁移后的装修设计图。35.与现有技术相比，本发明的有益效果是：36.1、本发明提出了一个装修风格推荐系统，可根据用户表达的对装修风格的喜好程度，不断为用户提供更为精准的推荐装修风格图；37.2、本发明另外提出一个可满足用户装修风格迁移的多元化需求的推荐系统，且所述风格迁移的装修风格设计图为自动生成的，降低了人工成本。附图说明38.图1为本发明的原理图；39.图2为本发明的流程图；具体实施方式40.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。41.如图1所示，基于人工智能的装修风格推荐系统，包括控制后台、训练集存储模块、推荐集存储模块、风格分类训练模块、风格分类模块、原始风格设计图存储模块、风格迁移训练模块、风格迁移模块、用户终端；其中，各个模块之间采用无线网络和/或电气连接；42.所述训练集存储模块主要用于存储现有的装修设计图，并对图片做装修风格标记；在具体的实施例中，所述装修设计图可通过网络爬虫或人工收集的方式收集；所述风格标记可通过爬取网络中已做过标记的装修设计图，或进行人工标记；所述装修风格包括但不限于简约风、中式风、欧式风、日式风等；43.所述推荐集存储模块主要用于存储需要推荐给用户的装修设计图；在具体的实施例中，所述装修设计图为商户自有或有版权的设计图；44.所述风格分类训练模块主要用于通过卷积神经网络对存储标记模块中的图片进行训练；在具体的实施例中，所述卷积神经网络使用的是resnet-50模型；训练用图片按60％、20％、20％的比例分为训练集、测试集、验证集；训练出的风格识别模型在测试集的准确率达到95％以上停止训练；训练出的风格识别模型发送至风格分类模块；45.所述风格分类模块主要用于对推荐集存储模块的装修设计图进行风格分类；在具体的实施例中，将推荐集存储模块的设计图输入上述风格识别模型中，计算出每张装修设计图属于各个风格的概率；46.所述原始风格设计图存储模块主要用于存储每种风格的基本图片；在具体的实施例中，所述每种风格的基本图片为人工选择的每种风格的最典型图片；47.所述风格迁移训练模块主要用于训练风格迁移模型；所述风格迁移模型使用原始风格设计图存储模块中的每种风格的基本图片作为训练的原始风格，训练集存储模块中的装修设计图作为目标图片，使用风格迁移算法对每种原始风格与目标图片进行训练，并生成新的图片；将生成的新图片放入上述风格识别模型中，计算出新图片风格为原始风格的概率；统计所有训练图片被风格转移后的新图片符合原始风格的比例，不断训练直至符合原始风格的图片比例大于p，每种风格的风格迁移训练结束；所述p根据实际经验设定；48.所述用户终端主要用于为用户推荐装修设计图；在具体的实施例中，推荐的装修设计图包括两种方式：现有的装修设计图与进行风格迁移的装修设计图；两种方式具体的推荐步骤如下：49.一、推荐现有的装修设计图；在具体的实施例中，具体包括以下步骤：50.步骤s1：从推荐集存储模块中随机为用户推荐不同风格的装修设计图；51.步骤s2：由用户根据自己的喜好为推荐的各个设计图打分，将打分发送回控制后台；52.步骤s3：控制后台将用户评分进行排序，选择排名前三的设计图；53.步骤s4：控制后台按6:3:1的比例从推荐集存储模块中获取与排名前三的装修设计图最接近的装修设计图，共选择10副；所述选择最接近的设计图的方法为选择值最小的图；所述s为总的风格类别，ps为待选择装修设计图属于风格s的概率，p′s为上述排名前三的装修设计图属于风格s的概率；将选择的10副装修设计图发送回用户终端；54.步骤s5：用户继续通过用户终端打分，后台继续根据打分为用户推荐不重复的装修设计图，直至用户满意；55.二、风格迁移的装修设计图；在具体的实施例中，具体包括以下步骤：56.步骤p1：向用户展示原始风格设计图存储模块中的各种风格的基本图片；57.步骤p2：用户选择一张装修设计图以及一张原始风格设计图，所述装修设计图为用户主动上传或推荐集存储模块中的图片；58.步骤p3：将两张图发回控制后台，控制后台将装修设计图以及选择的原始风格设计图发送至风格迁移模块；59.步骤p4：接收来自控制后台传回的进行风格迁移后的装修设计图；60.所述风格迁移模块主要用于将用户提供的装修设计图进行风格迁移；在具体的实施例中，所述风格迁移模块接收来自控制后台发送的两张图，使用风格迁移训练模块训练好的模型生成一张风格迁移后的装修设计图，并将生成的图发送回控制后台。61.如图2所示，一种基于人工智能的装修风格推荐方法，具体包括以下步骤：62.步骤q1：收集带有风格标签的装修设计图或收集无风格标签的装修设计图，并人工打上标签，存储至训练集存储模块；63.步骤q2：收集需要推荐给用户的装修设计图，存储至推荐集存储模块；64.步骤q3：风格分类训练模块通过卷积神经网络对存储标记模块中的图片进行训练，并生成训练模型；65.步骤q4：风格分类模块将训练集存储模块中的装修设计图输入至步骤q3生成的训练模型中，获得每张图属于各个风格的概率；66.步骤q5：选择各个风格的基本图片，存储至原始风格设计图存储模块；67.步骤q6：风格迁移训练模块使用各个风格的基本图片以及训练集存储模块作为训练数据，训练出风格迁移模型；68.步骤q7：用户通过用户终端选择推荐现有的装修设计图或进行风格迁移后的装修设计图。69.上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。70.以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!