本发明涉及数据处理技术领域，尤其涉及一种空间户型识别方法、装置、计算机设备及存储介质。
背景技术：
目前，每天都有很多装修完成的房屋进行拍照，以便于业主查看确认每个装修完成的房屋的各个户型，或者作为历史装修房屋案例给后续想要装修的业主参考。现有技术中，上述过程主要通过人工目测识别各装修完成的房屋的各个户型的照片，并对各户型的照片进行标签标注，后续需要根据标注的标签调取对应的照片；如此，在对照片进行标注标签的过程中，需要花费大量人工进行人工目测识别，耗费了大量的人力资源，而且识别效率低下，容易识别出错；同时，如果人工识别的标签错误，根据该错误标签调取的错误的照片将被提供给业主查看，如此，极大地降低了业主体验满意度，从而给企业带来不良影响。
技术实现要素：
本发明提供一种空间户型识别方法、装置、计算机设备及存储介质，实现了通过获取待识别空间图片并自动识别出该待识别空间图片的空间户型类别，提高了识别的准确率，并提升了识别效率和可靠性，以及提升了用户体验。
一种空间户型识别方法，包括：
接收空间户型识别指令，获取待识别空间图片；
将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，并将所述识别标签标记在所述待识别空间图片上；所述识别标签表征了所述待识别空间图片的空间户型类别，其中，所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个。
一种空间户型识别装置，包括：
接收模块，用于接收空间户型识别指令，获取待识别空间图片；
识别模块，用于将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，并将所述识别标签标记在所述待识别空间图片上；所述识别标签表征了所述待识别空间图片的空间户型类别，其中，所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述空间户型识别方法的步骤。
一种计算机可读存储介质，所述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实现上述空间户型识别方法的步骤。
本发明提供的空间户型识别方法、装置、计算机设备及存储介质，通过接收空间户型识别指令，获取待识别空间图片；将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，并将所述识别标签标记在所述待识别空间图片上；所述识别标签表征了所述待识别空间图片的空间户型类别，其中，所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个，如此，通过获取待识别空间图片并自动识别出该待识别空间图片的空间户型类别，以便提供准确地将被识别空间户型的照片给业主或者后续的业主查看，提升了用户体验，并提升了识别效率和可靠性，同时提高了识别的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中空间户型识别方法的应用环境示意图；
图2是本发明一实施例中空间户型识别方法的流程图；
图3是本发明一实施例中空间户型识别方法的步骤s20的流程图；
图4是本发明另一实施例中空间户型识别方法的步骤s20的流程图；
图5是本发明又一实施例中空间户型识别方法的步骤s20的流程图；
图6是本发明再一实施例中空间户型识别方法的步骤s20的流程图；
图7是本发明一实施例中空间户型识别方法的步骤s213的流程图；
图8是本发明一实施例中空间户型识别装置的原理框图；
图9是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的空间户型识别方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种空间户型识别方法，其技术方案主要包括以下步骤s10-s20：
s10，接收空间户型识别指令，获取待识别空间图片。
其中，所述空间户型识别指令为选择并确认需进行识别的待识别空间图片之后触发的指令，所述触发方式可以根据需求进行设定，比如在应用程序平台界面提供一个可以通过点击、滑动等方式进行触发的触发按键、在执行完预设的程序后自动触发等等。
可理解地，接收到所述空间户型识别指令之后，获取所述待识别空间图片，所述待识别空间图片为需要识别出空间户型类别的图片，所述待识别空间图片可以为照片或者视频中截取的图片，所述待识别空间图片的文件格式可以根据需求进行设置，比如所述待识别空间图片的文件格式可以为gif格式、jpg格式等等，其获取方式可以根据需要进行设定，比如获取方式可以为通过所述空间户型识别指令获取待识别空间图片、根据空间户型识别指令中包含的所述待识别空间图片的存储路径获取所述待识别空间图片等等。
s20，将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，并将所述识别标签标记在所述待识别空间图片上；所述识别标签表征了所述待识别空间图片的空间户型类别，其中，所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个。
可理解地，所述空间识别模型为通过对含有多个关联空间户型类别标签的图像样本进行训练而训练完成的神经网络模型，并具有inception系列网络结构模型，所述inception系列包括inceptionv1、inceptionv2、inceptionv3、inceptionv4等等，将所述待识别空间图片输入至所述空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，所述空间特征为所述转换图像中物件特征，所述空间特征为所述待识别空间图片中物件特征(电视、沙发、茶几、床、衣柜、书桌、木柜、餐桌等等多分类特征)，以及所述空间识别模型对所述待识别空间图片中提取的所述空间特征进行识别，输出所述识别标签，并将所述识别标签标记在所述待识别空间图片上，表明所述待识别空间图片与所述识别标签关联，所述识别标签表征了所述待识别空间图片的空间户型类别；其中，所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个，所述空间户型类别与所述识别标签一一对应，例如：所述待识别空间图片经过所述空间识别模型进行识别后输出的所述识别标签为客厅，则表明所述待识别空间图片的空间户型类别为客厅。
本发明通过接收空间户型识别指令，获取待识别空间图片；将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，并将所述识别标签标记在所述待识别空间图片上；所述识别标签表征了所述待识别空间图片的空间户型类别，其中，所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个，如此，通过获取待识别空间图片并自动识别出该待识别空间图片的空间户型类别，以便提供准确地将被识别空间户型的照片给业主或者后续的业主查看，提升了用户体验，并提升了识别效率和可靠性，同时提高了识别的准确率。
在一实施例中，如图3所示，所述步骤s20中，即所述将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，包括：
s201，将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型提取所述待识别空间图片中的空间特征。
可理解地，将所述待识别空间图片输入所述空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，所述空间特征为所述待识别空间图片中物件特征(电视、沙发、茶几、床、衣柜、书桌、木柜、餐桌等等多分类特征)。
s202，根据所述空间特征，获取所述空间识别模型中的瓶颈层输出的特征向量数组。
可理解地，所述空间识别模型对所述待识别空间图片中提取的所述空间特征进行识别，所述瓶颈层为激活所述待识别空间图片中的所述空间特征的层级，通过所述瓶颈层得到特征向量数组，所述特征向量数组为空间特征中多个多分类特征对应的识别概率的数组，所述一个所述多分类特征对应一个所述识别概率。
s203，将所述特征向量数组输入所述空间识别模型中的dropout层，所述dropout层对所述特征向量数组按照预设的丢失概率进行丢弃处理，得到强化向量数组。
可理解地，将所述特征向量数组输入至所述空间识别模型中的dropout层，所述dropout层对所述特征向量数组按照预设的丢失概率进行丢弃处理，所述丢失概率可以根据需求进行设置，比如所述丢失概率可以设置为30％，即在所述特征向量数组中随机丢失30％的数组中的值，所述dropout层的目的是防止过拟合(过拟合为可能有某一空间特征但是不是需要提取的)，所述特征向量数组经过丢弃处理后得到所述强化向量数组，所述强化向量数组也为与所述特征向量数组同维度的数组，如此，通过所述dropout层中设置所述丢失概率，可以防止数据过拟合，避免识别的方向存在偏差，即提高了识别的可靠性。
s204，将所述强化向量数组输入所述空间识别模型中的全连接层，通过所述全连接层对所述强化向量数组进行预测处理，获取所述全连接层输出的预测结果。
可理解地，将所述强化向量数组输入至所述空间识别模型中的所述全连接层，所述全连接层对所述强化向量数组进行预测处理，通过所述全连接层中的softmax函数进行分类，即对所述强化向量数组进行归一化处理，也即，在所述强化向量数组中的值达到预设百分比时，所述强化向量数组中的值保留，在所述强化向量数组中的值为达到预设百分比时，所述强化向量数组中的值更新为零，从而得出所述预测结果。
s205，将所述预测结果输入所述空间识别模型中的分类器，通过所述分类器对所述预测结果进行分类处理，获取所述分类器输出的识别标签。
可理解地，将所述预测结果输入至所述空间识别模型中的所述分类器，所述分类器的构造可以根据需求进行设定，比如所述分类器的构造可以设定为决策树分类器，也可以为选择树分类器，所述分类器为通过所述预测结果中的值之间的映射关系确定出所述识别标签中的其中一个，即所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个。
如此，通过所述空间识别模型中的dropout层、全连接层和分类器，能够防止过拟合和提高识别效率和准确率。
在一实施例中，如图4所示，所述步骤s20之前，即所述所述将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型之前，包括：
s206，获取图像样本；其中，每个所述图像样本均与一个空间户型类别标签关联。
可理解地，所述图像样本为尺寸大小为所述尺寸规格的灰度图像，所述空间户型类别标签，所述空间户型类别标签包括卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型，所述空间户型类别标签与所述识别标签一一对应，即所述空间户型类别标签为客厅与所述识别标签为客厅对应。
s207，通过迁移学习，初始神经网络模型获取inception模型的所有模型参数，将所述所有模型参数确定为所述初始神经网络模型的初始参数。
可理解地，所述迁移学习(transferlearning，tl)为利用其他领域已有的训练模型的参数应用在本领域的任务中，即所述初始神经网络模型通过迁移学习的方式获取inception模型的所有模型参数，然后将所述所有模型参数确定为所述初始神经网络模型的初始参数。
s208，将所述图像样本输入包含所述初始神经网络模型。
可理解地，所述初始神经网络模型具有inception系列网络结构模型，将所述图像样本输入至所述初始神经网络模型中。
s209，通过所述初始神经网络模型提取所述图像样本中的空间特征。
可理解地，通过所述初始神经网络模型对所述图像样本进行空间特征提取，所述空间特征为所述图像样本中物件特征(电视、沙发、茶几、床、衣柜、书桌、木柜、餐桌等等多分类特征)。
s210，获取所述初始神经网络模型根据所述空间特征输出的识别标签，并根据所述识别标签和所述空间户型类别标签的匹配程度确定损失值。
可理解地，根据所述初始神经网络模型提取出的所述空间特征，通过所述初始神经网络模型进行所述图像样本的空间户型类别的识别，获取得到所述初始神经网络模型的识别标签，通过所述图像样本的识别标签与所述图像样本的空间户型类别标签进行比对，确定出与之相对应的损失值，即通过所述初始神经网络模型的损失函数计算出损失值。
s211，在所述损失值达到预设的收敛条件时，将收敛之后的所述初始神经网络模型记录为训练完成的基于inception模型的空间识别模型。
其中，所述预设的收敛条件可以为所述损失值经过了2000次计算后值为很小且不会再下降的条件，即在所述损失值经过2000次计算后值为很小且不会再下降时，停止训练，并将收敛之后的所述初始神经网络模型记录为训练完成的基于inception模型的空间识别模型；所述预设的收敛条件也可以为所述损失值小于设定阈值的条件，即在所述损失值小于设定阈值时，停止训练，并将收敛之后的所述初始神经网络模型记录为训练完成的基于inception模型的空间识别模型。
如此，通过迁移学习，可以减少所述初始神经网络模型的训练时间，从而减少了训练成本。
在一实施例中，如图5所示，所述步骤s410之后，即所述获取所述初始神经网络模型根据所述空间特征输出的识别标签，并根据所述识别标签和所述空间户型类别标签的匹配程度确定损失值之后，还包括：
s212，在所述损失值未达到预设的收敛条件时，迭代更新所述初始神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述初始神经网络模型记录为训练完成的基于inception模型的空间识别模型。
可理解地，所述损失值不满足所述预设的收敛条件时，通过所述初始神经网络模型的损失函数进行收敛，并迭代更新所述初始神经网络模型的初始参数，一直循环所述步骤s208至所述步骤s210，直到所述损失值满足所述预设的收敛条件时，停止训练，将收敛之后的所述初始神经网络模型记录为训练完成的基于inception模型的空间识别模型。
如此，在所述损失值未达到预设的收敛条件时，不断更新迭代所述初始神经网络模型的初始参数，可以不断向准确的识别结果靠拢，让识别结果的准确率越来越高。
在一实施例中，如图6所示，所述步骤s20中，即所述将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，还包括：
s213，通过所述空间识别模型中的灰度模型，将所述待识别空间图片进行灰度处理，得到灰度图像。
可理解地，所述待识别空间图片包括rgb三个通道的图像(r：红色通道，g：绿色通道，b：蓝色通道)，即每个所述待识别空间图片中的每个像素点有三个通道的分量值，分别为r分量值(红色分量值)、g分量值(绿色分量值)和b分量值(蓝色分量值)，将所述待识别空间图片中的每个像素点进行灰度处理，通过加权平均法的公式得出每个像素点的灰度值，从而生成所述待识别空间图片的灰度图像，如此，则将三个通道的所述待识别空间图片变换成一个通道的灰度图像，进而在后续的过程中只对一个通道进行处理，减少了分别对各个通道的处理操作和时间。
在一实施例中，如图7所示，所述步骤s213中，即所述通过所述空间识别模型中的灰度模型，将所述待识别空间图片进行灰度处理，得到灰度图像，包括：
s2131，获取所述待识别空间图片的每个像素点的r分量值、g分量值和b分量值。
可理解地，获取所述头像照的每个像素点的r分量值、g分量值和b分量值，所述r分量值为红色亮度的等级值，所述r分量值为256级亮度，即0至255范围的值，所述g分量值为绿色亮度的等级值，所述g分量值为256级亮度，即0至255范围的值，所述b分量值为蓝色亮度的等级值，所述b分量值为256级亮度，即0至255范围的值，例如：获取所述头像照的一个像素点的r分量值为200，g分量值为100，b分量值为40。
s2132，根据每个所述像素点的r分量值、g分量值和b分量值，通过加权平均法得出每个所述像素点的灰度值。
可理解地，根据每一个所述像素点的r分量值、g分量值和b分量值，按照所述加权平均法的公式计算出每一个所述像素点对应的灰度值，所述加权平均法的公式可以根据需求进行设定，作为优选，所述加权平均法的公式可以为h＝r×306 g×601 b×117，其中，h为每个像素点的灰度值；r为每个像素点的r分量值；g为每个像素点的g分量值；b为每个像素点的b分量值。
在一实施例中，所述步骤s2133中，即所述根据每个所述像素点的r分量值、g分量值和b分量值，通过加权平均法得出每个所述像素点的灰度值；包括：
s21331，将每个所述像素点的r分量值、g分量值和b分量值输入以下加权转换模型中，以获取每个所述像素点的灰度值：
h＝r×306 g×601 b×117
其中，
h为每个像素点的灰度值；
r为每个像素点的r分量值；
g为每个像素点的g分量值；
b为每个像素点的b分量值。
可理解地，通过所述加权转换模型中的所述加权平均法的公式可以得到无小数点的所述灰度值，所述灰度值的范围为0至261120范围的值，如此，减少了对小数点的计算方式的操作处理，而且通过所述加权平均法的公式可以增强所述待识别空间图片的空间特征，所述空间特征为与空间户型类别相关的特征向量，例如：一个像素点的r分量值为200，g分量值为100，b分量值为40，则通过所述加权平均法的公式计算出该像素点的灰度值h为125980。
s2133，将所有所述像素点的所述灰度值进行组合生成所述待识别空间图片的灰度图像。
可理解地，将所有所述像素点的所述灰度值按照每个像素点在所述待识别空间图片的位置进行排列组合，生成所述待识别空间图片的灰度图像。
s214，将所述灰度图像输入所述空间识别模型中的标签识别模型，通过所述标签识别模型对所述灰度图像进行空间特征提取，并获取所述标签识别模型根据所述空间特征输出的识别标签。
可理解地，所述标签识别模型为通过对含有多个关联空间户型类别标签的图像样本进行训练而训练完成的神经网络模型，并具有inception系列网络结构模型，所述inception系列包括inceptionv1、inceptionv2、inceptionv3、inceptionv4等等，将所述灰度图像输入至所述标签识别模型，通过所述标签识别模型对所述灰度图像进行空间特征提取，所述空间特征为所述灰度图像中物件特征，以及所述空间识别模型对所述灰度图像中提取的所述空间特征进行识别，输出所述识别标签，并将所述识别标签标记在所述待识别空间图片上，表明所述待识别空间图片与所述识别标签关联，所述识别标签表征了所述待识别空间图片的空间户型类别；其中，所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个，所述空间户型类别与所述识别标签一一对应。
如此，通过对所述待识别空间图片进行灰度处理得到灰度图像，再通过标签识别模型对所述灰度图像进行空间特征提取，根据所述空间特征进行识别，获取所述识别标签并标记在所述待识别空间图片上，实现了只对一个通道进行处理，增强了空间特征，减少了标签识别模型的处理执行时间和操作，提高了识别效率和准确率，并提升了可靠性。
在一实施例中，提供一种空间户型识别装置，该空间户型识别装置与上述实施例中空间户型识别方法一一对应。如图8所示，该空间户型识别装置包括接收模块11和识别模块12。各功能模块详细说明如下：
接收模块11，用于接收空间户型识别指令，获取待识别空间图片；
识别模块12，用于将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，并将所述识别标签标记在所述待识别空间图片上；所述识别标签表征了所述待识别空间图片的空间户型类别，其中，所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个。
关于空间户型识别装置的具体限定可以参见上文中对于空间户型识别方法的限定，在此不再赘述。上述空间户型识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种空间户型识别方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中空间户型识别方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中空间户型识别方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
1.一种空间户型识别方法，其特征在于，包括：
接收空间户型识别指令，获取待识别空间图片；
将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，并将所述识别标签标记在所述待识别空间图片上；所述识别标签表征了所述待识别空间图片的空间户型类别，其中，所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个。
2.如权利要求1所述的空间户型识别方法，其特征在于，所述将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，包括：
将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型提取所述待识别空间图片中的空间特征；
根据所述空间特征，获取所述空间识别模型中的瓶颈层输出的特征向量数组；
将所述特征向量数组输入所述空间识别模型中的dropout层，所述dropout层对所述特征向量数组按照预设的丢失概率进行丢弃处理，得到强化向量数组；
将所述强化向量数组输入所述空间识别模型中的全连接层，通过所述全连接层对所述强化向量数组进行预测处理，获取所述全连接层输出的预测结果；
将所述预测结果输入所述空间识别模型中的分类器，通过所述分类器对所述预测结果进行分类处理，获取所述分类器输出的识别标签。
3.如权利要求1所述的空间户型识别方法，其特征在于，所述将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型之前，包括：
获取图像样本；其中，每个所述图像样本均与一个空间户型类别标签关联；
通过迁移学习，初始神经网络模型获取inception模型的所有模型参数，将所述所有模型参数确定为所述初始神经网络模型的初始参数；
将所述图像样本输入包含所述初始神经网络模型；
通过所述初始神经网络模型提取所述图像样本中的空间特征；
获取所述初始神经网络模型根据所述空间特征输出的识别标签，并根据所述识别标签和所述空间户型类别标签的匹配程度确定损失值；
在所述损失值达到预设的收敛条件时，将收敛之后的所述初始神经网络模型记录为训练完成的基于inception模型的空间识别模型。
4.如权利要求3所述的空间户型识别方法，其特征在于，所述获取所述初始神经网络模型根据所述空间特征输出的识别标签，并根据所述识别标签和所述空间户型类别标签的匹配程度确定损失值之后，还包括：
在所述损失值未达到预设的收敛条件时，迭代更新所述初始神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述初始神经网络模型记录为训练完成的基于inception模型的空间识别模型。
5.如权利要求1所述的空间户型识别方法，其特征在于，所述将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，还包括：
通过所述空间识别模型中的灰度模型，将所述待识别空间图片进行灰度处理，得到灰度图像；
将所述灰度图像输入所述空间识别模型中的标签识别模型，通过所述标签识别模型对所述灰度图像进行空间特征提取，并获取所述标签识别模型根据所述空间特征输出的识别标签。
6.如权利要求5所述的空间户型识别方法，其特征在于，所述通过所述空间识别模型中的灰度模型，将所述待识别空间图片进行灰度处理，得到灰度图像，包括：
获取所述待识别空间图片的每个像素点的r分量值、g分量值和b分量值；
根据每个所述像素点的r分量值、g分量值和b分量值，通过加权平均法得出每个所述像素点的灰度值；
将所有所述像素点的所述灰度值进行组合生成所述待识别空间图片的灰度图像。
7.如权利要求6所述的空间户型识别方法，其特征在于，所述根据每个所述像素点的r分量值、g分量值和b分量值，通过加权平均法得出每个所述像素点的灰度值，包括：
将每个所述像素点的r分量值、g分量值和b分量值输入以下加权转换模型中，以获取每个所述像素点的灰度值：
h＝r×306 g×601 b×117
其中，
h为每个像素点的灰度值；
r为每个像素点的r分量值；
g为每个像素点的g分量值；
b为每个像素点的b分量值。
8.一种空间户型识别装置，其特征在于，包括：
接收模块，用于接收空间户型识别指令，获取待识别空间图片；
识别模块，用于将所述待识别空间图片输入训练完成的基于inception模型的空间识别模型，通过所述空间识别模型对所述待识别空间图片进行空间特征提取，并获取所述空间识别模型根据所述空间特征输出的识别标签，并将所述识别标签标记在所述待识别空间图片上；所述识别标签表征了所述待识别空间图片的空间户型类别，其中，所述识别标签为卫生间、餐厅、衣帽间、客厅、卧室、阳台、玄关、厨房、书房、儿童房和非空间户型之中的一个。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述空间户型识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述空间户型识别方法。
技术总结