一种户型图功能区域快速识别系统技术领域
本发明涉及图像处理领域、图像识别领域、户型图识别领域、数据库云计算等技术
领域，特别是涉及一种户型图功能区域快速识别系统。
背景技术
目前，随着人类科学技术的不断发展，深度学习(Deep Learning)正在成为机器学
习领域的一个新兴领域。近几年，有关深度学习的应用越来越广，已经涉及到语音识别、图
像识别、自然语言处理等领域。深度学习并将继续影响到机器学习和人工智能的其它关键
领域。
如今在人工智能和大数据云计算这两个领域中，首先深度学习的出现带来了众多
领域的变革，以往许多所不能解决的问题如无人驾驶都已经成为现实，图像功能区域识别
检测领域也不例外，深度学习已经在向图像识别检测领域迈进，另外大数据云计算也同样
为其他各领域提供了各种实现的可能。
伴随着图片成为互联网中的主要载体，难题随之出现，当信息由文字记载时，目
前，人们可以通过关键词搜索，轻易找到所需要的内容并进行任意的编辑，而当信息是由图
片进行记载时，例如拿户型图来表示住房的信息时，现有的技术就很难对户型图中的功能
信息进行检索，即很难对户型图中卧室、客厅、卫生间、厨房等各功能区域的功能信息进行
检索，从而影响了用户等从图片信息中找到关键内容的效率，虽然如户型图这样的图像带
来了快捷的信息记录和分享方式，但是却降低了人们进行信息检索的效率，无法满足人们
对户型图中各功能区域的信息进行检索的需求。
因此，目前迫切需要开发出一种技术，其可以可靠、快速地识别户型图中具有的功
能区域图像，满足人们对户型图的功能信息进行检索的需求，进而提高人们的工作和生活
品质。
发明内容
有鉴于此，本发明的目的是提供一种户型图功能区域快速识别系统，其可以可靠、
快速地识别户型图中具有的功能区域图像信息，满足人们对户型图的功能信息进行检索的
需求，进而提高人们的工作和生活品质，有利于广泛地推广应用，具有重大的生产实践意
义。
为此，本发明提供了一种户型图功能区域快速识别系统，包括：
图像处理系统模块，用于接收外部图像采集设备所采集的需要识别的户型图图
像，然后对该户型图图像进行清晰度判断操作，当其清晰度不符合预设条件时，执行预处理
操作，并将经过预处理操作的所述户型图图像发送给图像识别检测系统模块，而当其清晰
度符合预设条件时，直接将其发送给图像识别检测系统模块；
图像识别检测系统模块，与图像处理系统模块相连接，用于接收所述图像处理系
统模块发来的所述户型图图像，并提取和识别出每个功能区域上均标有功能类别的所述户
型图图像，然后发送给户型图云服务系统模块；
户型图云服务系统模块，与图像识别检测系统模块相连接，用于存储预设的户型
图数据库，并在接收到所述图像识别检测系统模块发来的每个功能区域上均标有功能类别
的所述户型图图像，将所述户型图图像内具有的每个功能区域图像上标记的功能类别分别
与所述户型图数据库中预先存储的多个户型图图像内具有的每个功能区域图像上预先标
记的功能类别进行相似度对比匹配，当匹配筛选出每个功能区域图像上预先标记的功能类
别的相似度均大于预设值的一个或者多个户型图图像时，判断所述户型图图像内具有的每
个功能区域图像上标记的功能类别标记准确，然后将每个功能区域上均标有功能类别的所
述户型图图像发送给用户。
其中，所述户型图数据库预先存储在云端服务器中，所述户型图数据库包括多个
户型图图像和每个户型图图像内具有的每个功能区域图像以及它们之间的对应关系，并且
每个所述功能区域图像上预先标记有功能类别。
其中，在所述图像处理系统模块中，所述预处理操作为光照补偿操作。
其中，所述图像识别检测系统模块包括神经网络建立子模块、神经网络训练子模
块和户型图图像检测识别子模块，其中：
神经网络建立子模块，用于建立预设深度卷积神经网络，所述预设深度卷积神经
网络包括依次对所述图像处理系统模块发来的所述户型图图像进行处理的输入层、第一层
隐藏层、第二层隐藏层、第三层隐藏层、第四层隐藏层和输出层；
神经网络训练子模块，与神经网络建立子模块相连接，用于预先采集多个预设标
准的户型图图像输入到所述预设深度卷积神经网络中，对所述预设深度卷积神经网络进行
训练，直到使得所述预设深度卷积神经网络的模型收敛，完成所述预设深度卷积神经网络
的训练；
图像检测识别子模块，分别与图像处理系统模块和神经网络训练子模块相连接，
用于将所述图像处理系统模块发来的所述户型图图像，输入到所述神经网络训练子模块完
成训练的所述预设深度卷积神经网络中，识别获得所述户型图图像内具有的每个功能区域
图像以及每个功能区域图像对应的功能类别数据特征，同时将所述多个功能类别数据特征
输入到所述输出层的预设分类器中分别进行功能类别分类，然后根据功能类别分类结果，
在所述户型图图像内具有的每个功能区域图像上标记功能类别，从而获得每个功能区域上
均标有功能类别的所述户型图图像。
其中，所述户型图云服务系统模块包括户型图数据库存储子模块和功能区域对比
匹配输出子模块，其中：
户型图数据库存储子模块，用于预先存储户型图数据库，所述户型图数据库包括
多个户型图图像和每个户型图图像内具有的每个功能区域图像以及它们之间的对应关系，
并且每个所述功能区域图像上预先标记有功能类别；
功能区域对比匹配输出子模块，分别与图像识别检测系统模块和户型图数据库存
储子模块相连接，用于接收所述图像识别检测系统模块发来的所述户型图图像中具有的全
部预设功能区域图像信息，并将其与所述户型图数据库中预先存储的每个户型图图像具有
的全部预设功能区域图像信息进行对比匹配，根据对比匹配结果，筛选出对应的所述户型
图数据库中的一个或者多个户型图图像，然后发送给用户。
其中，所述户型图云服务系统模块还包括户型图更新子模块，该户型图更新子模
块与功能区域对比匹配输出子模块相连接，用于从所述功能区域对比匹配输出子模块中获
取每个功能区域上均标有功能类别的所述户型图图像，并发送给所述户型图数据库存储子
模块进行存储。
其中，所述户型图云服务系统模块为云端服务器。
由以上本发明提供的技术方案可见，与现有技术相比较，本发明提供了一种户型
图功能区域快速识别系统，其可以可靠、快速地识别户型图具有的功能区域图像信息，满足
人们对户型图的功能信息进行检索的需求，进而提高人们的工作和生活品质，有利于广泛
地推广应用，具有重大的生产实践意义。
附图说明
图1为本发明提供的一种户型图功能区域快速识别系统的结构方框图
图2为在具体实施例中，待检测的一个户型图图像的示意图；
图3为在具体实施例中，经过本发明提供的一种户型图功能区域快速识别系统进
行识别后的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和实施方式对本
发明作进一步的详细说明。
图1为本发明提供的一种户型图功能区域快速识别系统的结构方框图。
参见图1，本发明提供的一种户型图功能区域快速识别系统，包括图像处理系统模
块100、图像识别检测系统模块200和户型图云服务系统模块300，其中：
图像处理系统模块100，用于接收外部图像采集设备(例如手机或者计算机)所采
集的需要识别的户型图图像，然后对该户型图图像进行清晰度判断操作，当其清晰度不符
合预设条件时，执行预处理操作，并将经过预处理操作的所述户型图图像发送给图像识别
检测系统模块200，而当其清晰度符合预设条件时，直接将其发送给图像识别检测系统模块
200；
图像识别检测系统模块200，其作为深度学习的系统模块，与图像处理系统模块
100相连接，用于接收所述图像处理系统模块100发来的所述户型图图像，并提取和识别出
每个功能区域上均标有功能类别的所述户型图图像(该功能区域可以包括卧室、客厅、卫生
间、厨房、窗户等各种功能区域，该功能类别可以包括卧室功能、客厅功能、卫生间功能、厨
房功能、窗户功能等各种功能类别)，然后发送给户型图云服务系统模块300；
户型图云服务系统模块300，与图像识别检测系统模块200相连接，用于存储预设
的户型图数据库，并在接收到所述图像识别检测系统模块200发来的每个功能区域上均标
有功能类别的所述户型图图像，将所述户型图图像内具有的每个功能区域图像上标记的功
能类别分别与所述户型图数据库中预先存储的多个户型图图像内具有的每个功能区域图
像上预先标记的功能类别进行相似度对比匹配，当匹配筛选出每个功能区域图像上预先标
记的功能类别的相似度均大于预设值(例如为98％)的一个或者多个户型图图像时，判断所
述户型图图像内具有的每个功能区域图像上标记的功能类别标记准确(这即为识别的结
果)，然后将每个功能区域上均标有功能类别的所述户型图图像发送给用户(例如直接发送
给用户的手机、平板电脑等移动终端)。
其中，所述户型图数据库优选为预先存储在云端服务器中，所述户型图数据库包
括多个(优选为海量)户型图图像和每个户型图图像内具有的每个功能区域图像以及它们
之间的对应关系(即映射关系，例如一一对应关系或者一对多的关系)，并且每个所述功能
区域图像上预先标记有功能类别。
在本发明中，所述外部图像采集设备可以为任意一种具有图像采集并传输功能的
设备，例如手机和平板电脑等移动终端或者计算机PC。
在本发明中，在所述图像处理系统模块100中，所述预处理操作优选为光照补偿操
作，因此，通过光照补偿来提高外部图像采集设备(例如手机或者计算机)所采集的需要识
别的户型图图像的质量，使得户型图图像的辨识度提高，且具有较高的清晰度，最后再把预
处理后的图像传送到图像识别检测系统模块200，在图像识别检测系统模块200中进行识别
与特征提取。
在本发明中，需要说明的是，所述图像处理系统模块100主要通过拉布拉斯能量方
法等现有的图像清晰度检测方法，来估计判断所述户型图图像的清晰度(拉布拉斯能量方
法具体通过图片的诶的能量梯度分布来估计判断图像的清晰度)。
具体实现上，所述预设条件可以根据用户的需要预先进行任意设定。例如，当所述
图像处理系统模块100通过拉布拉斯能量方法来判断户型图图像的清晰度时，所述预设条
件可以为预设的图像的拉布拉斯能量阈值，即根据预设的图像的拉布拉斯能量阈值进行判
断，当外部图像采集设备所采集的的户型图图像的拉布拉斯能量值高于此阈值时，判断为
清晰图像，否则判断为模糊图像则再进行预处理操作。
在本发明中，对于所述图像识别检测系统模块200，其包括神经网络建立子模块、
神经网络训练子模块和户型图图像检测识别子模块，这三个子模块分别进行深度卷积神经
网络各层的建立过程、深度卷积神经网络的训练过程和户型图图像的检测识别过程的处理
操作，其中：
神经网络建立子模块，用于建立预设深度卷积神经网络(Convolutional Neural
Network，CNN)，所述预设深度卷积神经网络包括依次对所述图像处理系统模块100发来的
所述户型图图像进行处理的输入层、第一层隐藏层、第二层隐藏层、第三层隐藏层、第四层
隐藏层和输出层；
神经网络训练子模块，与神经网络建立子模块相连接，用于预先采集多个预设标
准的户型图图像(例如用户指定的尺寸大小的户型图图像)输入到所述预设深度卷积神经
网络中，对所述预设深度卷积神经网络进行训练，直到使得所述预设深度卷积神经网络的
模型收敛，完成所述预设深度卷积神经网络的训练；
图像检测识别子模块，分别与图像处理系统模块100和神经网络训练子模块相连
接，用于将所述图像处理系统模块100发来的所述户型图图像，输入到所述神经网络训练子
模块完成训练的所述预设深度卷积神经网络中，识别获得所述户型图图像内具有的每个功
能区域图像以及每个功能区域图像对应的功能类别数据特征(具体表现为深度卷积特征)，
同时将所述多个功能类别数据特征输入到所述输出层的预设分类器(具体为softmax分类
器)中分别进行功能类别分类，然后根据功能类别分类结果，在所述户型图图像内具有的每
个功能区域图像上标记功能类别，从而获得每个功能区域上均标有功能类别的所述户型图
图像。
在本发明中，需要说明的是，每个功能区域图像对应的功能类别数据特征，是指每
个功能区域图像信息在所述预设深度卷积神经网络中所学习到的图像的卷积特征，此特征
包含了每个功能区域图像的像素特征和结构边缘等响应的特征，为抽象特征，用于表征不
同功能区域图像所对应的不同功能类别。
在本发明中，具体实现上，所述功能类别分类可以具体包括：卧室功能、客厅功能、
厨房功能、客厅功能、餐厅功能、卫生间功能等多种功能类别分类。
对于本发明，首先通过神经网络建立子模块来设计本本发明系统的预设深度卷积
神经网络结构，之后在神经网络训练子模块中利用前一个模块(即神经网络建立子模块)设
定好的预设深度卷积神经网络模型来进行户型图图像的训练，进而提取相应的图像特征，
得到含有相应各功能区域对应的功能类别数据特征的模型，最后利用神经网络训练子模块
得到的模型，在图像检测识别子模块中实现对要检测的户型图图像的检测与识别。
在本发明中，需要说明的是，首先，神经网络建立子模块只是用于预设深度卷积神
经网络的构建，在神经网络训练子模块中，是通过所述神经网络建立子模块标定好的含有
相应各个功能信息(即功能类别数据特征)的各个功能区域的数据，来用于神经网络建立子
模块建立的模型进行训练与特征提取，得到最终检测识别用的、完成训练的预设深度卷积
神经网络模型，然后在图像检测识别子模块中利用训练好的预设深度卷积神经网络模型对
待检测的户型图图像进行检测，得到检测结果图像。
在本发明中，具体实现上，需要说明的是，对于神经网络建立子模块，所述预设卷
积神经网络为基于当前主流深度学习检测器faster rcnn改进的深度卷积网络，本发明从
需要训练大量的户型图数据和时间效率两方面的因素考虑，充分利用当前主流检测网络
(具体为faster rcnn的区域建议网络RPN结构)，并设计了输入层、中间四层卷积隐藏层和
输出层。首先，本发明充分利用了RPN网络结构特点，对图像在每个位置同时预测目标边界
和目标损失得分，并利用端到端的训练方式，来达到高质量的区域建议框检测；另外，本发
明的网络输入层用于输入多个预设标准的户型图图像的节点(data)信息，第一层隐藏层包
含有128个输入值为户型图图像内功能区域图像对应的功能类别数据特征(具体表现为深
度卷积特征，通过人工预先设定)的节点(或者其他预设多个)，第二层包含有输入值为功能
区域图像对应的功能类别数据特征的节点数为64个(或者其他预设多个)，第三层包含有输
入值为功能区域图像对应的功能类别数据特征的节点数为32个(或者其他预设多个)，第四
层隐藏层包含有输入值为功能区域图像对应的功能类别数据特征的节点数为16个(或者其
他预设多个)，输出层包含有16个输出值为户型图图像内功能区域图像对应的功能类别数
据特征的节点。
需要说明的是，在本发明的预设深度卷积神经网络中，各节点采用人工计算的方
式设定相应的数学模型和相关参数，在输入层中各节点设定的输入值为所需相应的户型图
各功能区域对应的功能类别数据特征，四个隐藏层还有最后的输出层中对应节点的输入值
分别为上一层输出的户型图图像中区域功能图像对应的功能类别数据特征值，另外每层都
设置好相应的权值参数ω和偏置参数κ，各层之间的输入和输出关系表示为：y＝ωx+κ，在
公式中，x表示输入神经元，y表示输出神经元，w为权重，κ为偏置。
另外，在本发明建立的预设深度卷积神经网络中，可以利用softmax分类器做输出
层，来进行最后户型图图像具有的每个功能区域图像对应的功能类别数据特征的识别与功
能分类，从而实现对户型图图像内多个功能区域的分类。
在本发明中，具体实现上，分类器的作用是根据前面预设深度卷积神经网络提取
的特征，对所述户型图图像具有的每个功能区域图像对应的功能类别数据特征进行功能类
别分类。具体实现上，本发明可以采用softmax分类器。所述户型图图像具有的每个功能区
域图像对应的功能类别数据特征可以根据用户的需要在本发明的系统中预先设置，所述功
能类别可以包括客厅功能、卧室功能、厨房功能、卫生间功能和阳台功能等功能类别，当然，
根据具体户型的不同，还可以增加其他的类别，例如储藏室功能类别。
对于softmax分类器，其可以计算不同类别的深度卷积特征的概率分布，根据不同
概率分布来判断户型图图像中每个功能区域图像的类别。具体的操作过程是前一层的输出
是一系特征值，通过将这些特征值乘以不同的权重然后进行归一化处理，即可得到不同功
能区域图像的概率分布。
在本发明中，具体实现上，对于神经网络训练子模块，其采用优化的误差反向传播
BP算法进行对预设深度卷积神经网络的训练，首先在训练之前，通过设定阈值和权值，使阈
值和权值进行从-1到1范围内的随机初始化，在数据拟合时，本发明利用Sigmoid双余弦正
切函数作为激励函数，把它放到中间层输出之后，来保证输出节点的值能在(0，1)这个范围
内，另外，本发明可以通过设置一个损失函数loss来判断误差，损失函数的计算公式为：
![]()
其中，Y0为预设深度卷积神经网络的预测输出，而Ytrue为对应的标定输出，当最后
的标定输出Ytrue与预测输出Y0相差很远时，这时对应的损失函数loss就会很大，预设深度卷
积神经网络就会进行误差反传来更新网络的模型参数，当预设深度卷积神经网络每训练一
次，对应的各层的权值参数ω和偏置参数κ就会更新一次，进而使最后的标定输出Ytrue与预
测输出Y0差值越来越小，当预设深度卷积神经网络经过多次训练后，这时loss就会小于一
定阈值，预设深度卷积神经网络中止训练，此时的训练过程结束，完成所述预设深度卷积神
经网络的训练。
在本发明中，具体实现上，对于图像检测识别子模块，其基于神经网络训练子模块
训练好的所述预设深度卷积神经网络，来对经过所述图像处理系统模块100预处理的所述
户型图图像或者未预处理而直接发来的所述户型图图像进行检测，识别获得所述户型图图
像内具有的每个功能区域图像以及每个功能区域图像对应的功能类别数据特征(具体表现
为深度卷积特征)，同时将所述多个功能类别数据特征输入到所述输出层的softmax分类器
中进行分别进行功能类别分类，然后根据功能类别分类结果，在所述户型图图像内具有的
每个功能区域图像上标记功能类别，从而获得每个功能区域上均标有功能类别的所述户型
图图像，最终得到每个户型图图像具有的各功能区域图像的功能信息的分类与识别结果，
即可以识别获得每个户型图图像的功能信息(也就是说，根据每个功能区域上标记的功能
类别，就可以获知每个户型图包含的功能情况以及具体内部各功能区域的功能情况)。
需要说明的是，对于本发明，图像识别检测系统模块200的作用过程包括神经网络
各层的建立过程、神经网络训练过程和图像检测识别过程，本发明可以通过采用优化的误
差反向传播(BP)算法来加快训练过程的收敛速度，进而避免因训练大量的样本而陷入局部
极小的情况。
在本发明中，对于所述户型图云服务系统模块300，其包括户型图数据库存储子模
块和功能区域对比匹配输出子模块，其中：
户型图数据库存储子模块，用于预先存储户型图数据库(优选为预先存储在云端
服务器中)，所述户型图数据库包括多个(优选为海量)户型图图像和每个户型图图像内具
有的每个功能区域图像以及它们之间的对应关系(即映射关系，例如一一对应关系或者一
对多的关系)，并且每个所述功能区域图像上预先标记有功能类别。
功能区域对比匹配输出子模块，分别与图像识别检测系统模块200和户型图数据
库存储子模块相连接，用于接收所述图像识别检测系统模块200发来的所述户型图图像中
具有的全部预设功能区域图像信息，并将其与所述户型图数据库中预先存储的每个户型图
图像具有的全部预设功能区域图像信息进行对比匹配，根据对比匹配结果，筛选出对应的
所述户型图数据库中的一个或者多个户型图图像(即为匹配后获得的识别结果和检索结
果)，然后发送给用户(例如直接发送给用户的手机、平板电脑等移动终端)。
需要说明的是，对于本发明，具体实现上，可以预先在云端服务器中建立户型图数
据库，所述户型图数据库包括多个(优选为海量)户型图图像和每个户型图图像中全部预设
功能区域图像信息以及它们之间的对应关系(即映射关系，例如一一对应关系或者一对多
的关系)。然后，通过功能区域对比匹配输出子模块把所需要进行对比匹配的所述图像识别
检测系统模块200发来的所述户型图图像中具有的每个功能区域图像上标记的功能类别，
分别与所述户型图数据库中预先存储的多个户型图图像内具有的每个功能区域图像上预
先标记的功能类别进行相似度对比匹配，当匹配筛选出每个预设功能区域的相似度均大于
预设数值(例如为98％)的一个或者多个户型图图像(即为匹配后获得的识别结果和检索结
果)时，判断所述户型图图像内具有的每个功能区域图像上标记的功能类别标记准确(这即
为识别的结果)，然后将每个功能区域上均标有功能类别的所述户型图图像发送给用户(例
如直接发送给用户的手机、平板电脑等移动终端)。
对于本发明，具体实现上，本发明提供的户型图功能区域快速识别系统中，对于所
述户型图云服务系统模块300，其还包括户型图更新子模块，该户型图更新子模块与功能区
域对比匹配输出子模块相连接，用于从所述功能区域对比匹配输出子模块中获取每个功能
区域上均标有功能类别的所述户型图图像，并发送给所述户型图数据库存储子模块进行存
储(即作为新的户型图图像，实现数据同步存储)。
因此，本发明提供的户型图功能区域快速识别系统中，可以让户型图功能区域快
速识别系统又具有自我学习的功能，能够把刚刚进行图像检索识别的户型图图像进行学
习，并把学习到的新的户型图图像添加到云端服务器中存储的户型图数据库中。
需要说明的是，对于本发明，户型图云服务系统模块300可以对图像识别检测系统
模块200传来的户型图图像中具有的全部功能区域图像进行分析与比对，本发明的户型图
数据库中涵盖了海量的户型图数据，从而能够实时有效对传来的户型图图像信息进行筛选
与比对分析，同时具有自我学习、自我管理、并能接受来自大量移动端请求的功能，进行及
时有效地对用户采集输入的户型图图像进行功能信息检索，在户型图数据库中识别检索获
得与所输入的户型图图像内每个功能区域上标记的功能类别相匹配的一个或者多个户型
图图像，因此，本发明可以可靠、快速地识别户型图中具有的功能区域图像信息，满足人们
对户型图的功能信息进行检索的需求。
对于本发明提供的一种户型图功能区域快速识别系统，其为用户进行服务的整体
流程如下：
首先，需要详细了解户型图各功能区域功能信息的用户可以根据自己的情况，选
择是在计算机PC端还是在移动端来采集并传送户型图图像到本发明提供的户型图功能区
域快速识别系统中；
然后，对于本发明提供的户型图功能区域快速识别系统，其中的图像处理系统模
块100在接收到用户传来的户型图图像后，首先会对户型图图像的清晰程度进行判断，若传
来的户型图图像的清晰程度符合预设条件，则直接传送到图像识别检测系统模块200中以
进行功能区域图像特征(即功能区域图像信息)的提取与识别，而如果传来的户型图图像的
辨识度比较差，清晰程度不符合预设条件，则先将户型图图像进行预处理操作，主要是对图
像进行光照补偿操作，通过光照补偿来提高户型图图像的质量，然后把经过预处理操作后
的户型图图像传送到图像识别检测系统模块200；
然后，图像识别检测系统模块200在接收到图像处理系统模块100传来的户型图图
像信息后，利用本发明已经优化训练好的户型图检测神经网络模型进行检测，此模型是基
于当前主流深度学习检测器faster rcnn设计的高质量快速提取图像特征的深度卷积神经
网络模型；
然后，在图像识别检测系统模块200，在检测并输出每个功能区域上标记有功能类
别的户型图图像后，图像识别检测系统模块200会将检测的结果送到户型图云服务系统模
块300进行进一步的筛选与比对分析；
然后，户型图云服务系统模块300在接收到图像识别检测系统模块200传来的户型
图功能区域识别结果后，首先从预设的云端的户型图数据库系统中进行各种户型图功能区
域的索引；
然后，在户型图图像数据索引后，然后将索引的数据与图像识别检测系统模块20
的识别检测的户型图各功能区域的结果进行筛选与比对，来进一步提升整个系统的识别的
准确率，最后把户型图功能区域识别检测的结果反馈给用户。同时，户型图云服务系统模块
300又具有自我学习的功能，会把刚刚识别的新的户型图各功能区域的图像信息添加到云
端数据库中进行更新与存储。
如图2、图3所示，根据本发明提供的基于深度学习的户型图功能区域快速识别系
统，其所检测的户型图图像在复杂多样的功能下，仍然可以鲁邦地达到户型图各功能区域
检测识别的目的，准确标记出各个功能区域的功能类别其中，图2为待检测的户型图图像，
图3为本发明基于深度学习的户型图功能区域快速识别系统的检测结果示意图。
因此，基于以上技术方案可知，本发明包括以下的有益效果：
首先，本发明解决了现有技术难以对图片的功能信息进行检索，和用户从户型图
信息中寻找各部分功能区域信息效率低的问题；
其次，创新性地加入深度学习的模块，充分利用深度卷积神经网络对图像高效率
的特征提取与识别的优势，通过设计深度卷积网路模型，有效地分析提取所需展示给用户
的户型图各功能区域的图像特征信息；
再次，本发明同时利用大数据云计算技术进行辅助，对提取出来了功能特征信息
进行进一步的筛选比对，来增加识别的准确率，并实时地将检测结果反馈给用户；
最后，本发明提供的基于深度学习的户型图功能区域快速识别系统的运用场景非
常广泛，本发明不仅可以为房地产商提供方便简洁的户型图功能区域展示平台，可以使售
房的服务人员轻松有效地向购房用户展示售房信息，同时，本发明还可以在移动端或PC端
上有效地向购房用户推送清晰的户型图功能区域信息展示，使用户可以直观地了解到购房
信息；此外，本方明可以通过通讯设施与户型图云服务系统模块完成数据交互；同时具有自
我学习、自我管理、并能接受来自大量移动端请求的功能，能够及时有效地将户型图功能区
域的识别结果反馈给用户。
在本发明中，具体实现上，所述图像处理系统模块100和图像识别检测系统模块
200可以为中央处理器CPU、数字信号处理器DSP或者单片机MCU，或者为云端服务器。
在本发明中，具体实现上，所述户型图云服务系统模块300可以为云端服务器，由
云端服务器的数据存储器(例如硬盘)来预先存储所述户型图数据库。
综上所述，与现有技术相比较，本发明提供了一种户型图功能区域快速识别系统，
其可以可靠、快速地识别户型图中具有的功能区域图像信息，满足人们对户型图的功能信
息进行检索的需求，进而提高人们的工作和生活品质，有利于广泛地推广应用，具有重大的
生产实践意义。
通过使用本发明提供的技术，可以使得人们工作和生活的便利性得到很大的提
高，极大地提高了人们的生活水平。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人
员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应
视为本发明的保护范围。