随着社会的不断发展,人民群众的生活水平日益提高,百姓对居住的质量需求也与日俱增。家装行业迎来了快速发展的黄金时期,2025年家装行业市场规模预计将达到37817亿,众多企业纷纷踏足装修领域,瓜分近四万亿的市场。然而,家装设计的流程比较复杂,家装领域仍存在大量的痛点技术问题,例如设计师与客户之间存在高昂的沟通成本、家装互联网产品用户友好度不够、新用户学习成本过高、设计低效等。设计流程包含两部分,首先设计师通过手动处理户型图上的数据信息,依次输入CAD软件中标注绘制;紧接着搭建家具和房间的三维模型,根据用户的设计需求不断调整布局,提供少量设计版本给用户选择。产出效率比极低,严重影响了用户体验。鉴于深度学习在图像处理方面的优势,目前越来越多的研究人员将深度学习算法应用到家装设计领域,“AI+家装”的概念应运而生。目前市面上已有的智能家装设计产品仍存在一些不足,如户型图的自动识别准确率较低、操作不够简易、家具自动布局的效果较差、设计不具有灵活性等。针对上述问题,本文基于深度学习,设计了不同户型的室内家具布局方法,实现了从二维户型图到三维家具布局的自动生成。主要创新点如下:1.提出了基于YOLO v5目标检测的平面户型图的风格化方法。作为户型图识别的预处理阶段,将风格迥异的平面户型图转化成了统一风格的户型图。实验结果表明,一张图片的平均处理时间0.2秒,综合准确率99.2%,验证该风格化技术的通用性和高效性。2.提出了基于关键点的户型图识别的方法,通过对门、窗、墙体的两端进行关键点匹配、对户型图上的家具进行目标检测、对房间名称进行文字识别,将户型图片转换成矢量数据,形成三维模型。并且设计了一套评价函数,用于验证户型图识别的结果完整性。经过实验统计一张户型图平均处理时间7.6秒,综合准确率97.6%,验证该方法的速度和准确率均优于传统算法。3.提出了基于卷积神经网络的家具自动布局算法,通过迭代策略实现了家具的逐步摆放。采用轻量化模型结构,优化了推理速度,使其具有易用性。实验证明生成的家具布局图与3D-FRONT数据集的KL距离平均为0.0037,验证该布局算法的多样性和可靠性。综上,本文实现了一套家装全自动化流程,由三阶段组成,分别是将户型图片转换成统一风格的户型图片、将风格化图片转换成结构化数据和室内房间的自动家具布局。该流程可帮助设计师快速自动地完成效果图设计,显著提升用户的使用体验。