1.一种检测平面图图像中狭长墙体的方法，其特征在于：包括以下步骤：

S1：对若干个平面图图像进行人工标注真值处理，所述标注真值是指对每个平面图图像中的每个室内边界要素分别标注类型、检测框和分割区域；所述室内边界要素包括墙体、门和窗；所述分割区域由多个分割像素构成；所述检测框为相对图像边框旋转角度为0度的矩形，并紧凑地覆盖住所述分割区域；一个平面图图像及对应的标注真值为一个原始样本；

S2：对步骤S1中所述的若干个平面图图像进行旋转处理，以任一平面图图像中心为旋转中心，对所述任一平面图图像进行多次不同角度的旋转处理，得到多个旋转图像；所述任一平面图图像旋转时，标注旋转真值；所述旋转真值中，每个室内边界要素的标注类型与步骤S1中所标注真值中的类型相同，分割区域则与旋转图像一一对应的旋转，检测框不旋转，与步骤S1中所标注真值中的检测框相同；一个述旋转图像及对应的旋转真值为一个旋转样本；

S3：将步骤S1和步骤S2中的所有原始样本和所有旋转样本分为训练数据集和测试数据集；原始样本及对应的旋转样本不可拆分，即一起作为训练数据集中的数据或者测试数据集中的数据；

S4：利用训练数据集中的数据，对Mask R-CNN模型进行训练，并采用测试数据集中的数据对训练后的Mask R-CNN模型进行验证，当验证精度达到预设精度时，即得到最终的Mask R-CNN模型；所述Mask R-CNN模型用来对输入的平面图图像进行检测和分割处理；

S5：将未知真值的任一平面图图像输入到所述最终的Mask R-CNN模型中，输出检测出的所述任一平面图图像中的室内边界要素的预测值；所述预测值包括该室内边界要素的类型、检测框和分割区域；此时，若某个狭长墙体没有被检测与分割出来；

S6：为了检测出所述某个狭长墙体，以步骤S5中所述的任一平面图图像中心为旋转原点，对所述任一平面图图像进行预设角度旋转处理，得到旋转图像，然后将所述旋转图像输入到所述最终的Mask R-CNN模型中，输出所述旋转图像的预测值；再对具有预测值的旋转图像进行所述预设角度的逆旋转变换处理，与步骤S5中具有预测值的所述任一平面图图像进行合并，得到所述任一平面图图像最终的预测值；所述最终的预测值中包括检测出的所述某个狭长墙体的预测值。

2.如权利要求1所述的一种检测平面图图像中狭长墙体的方法，其特征在于：对所述任一平面图图像进行旋转处理时，仅仅是室内边界要素的分割区域随所述任一平面图图像发生旋转；所述最终的Mask R-CNN模型中的检测框则不会变动。

3.如权利要求1所述的一种检测平面图图像中狭长墙体的方法，其特征在于：在对步骤S5中所述的任一平面图图像进行旋转处理前，所述任一平面图图像中的垂直或水平的所述某个狭长墙体呈现狭长状，最终的Mask R-CNN模型不能检测出该狭长墙体；在所述旋转图像中，该狭长墙体发生倾斜，该狭长墙体的长宽在水平和垂直上的映射比缩小，进而所述最终的Mask R-CNN模型检测出该狭长墙体。

4.如权利要求1所述的一种检测平面图图像中狭长墙体的方法，其特征在于：为了检测得到更多的狭长墙体，对所述平面图图像进行多角度旋转处理。