JP2023535084A - 施設平面図に含まれた記号分析装置及び方法 - Google Patents

Abstract

本発明の一実施例に係る施設平面図に含まれた記号分析装置は、複数の施設平面図を獲得する動作；複数の施設平面図にそれぞれに含まれた矩形及び矩形に連結された弧を検出する動作；矩形及び弧に基づいて窓領域と門領域を特定する動作；特定された窓領域のピクセルを窓のクラスにラベリングし、特定された門領域のピクセルを門のクラスにラベリングする動作；及び所定のイメージ分割アルゴリズム基盤に設計された神経網モデルに複数の施設平面図とピクセル単位にラベリングされたデータを入力して、複数の施設平面図に含まれた窓と門のクラス及びラベリングされたピクセルの位置の相関関係を導出する神経網モデルの重み付けを学習させることで、相関関係に基づいて施設平面図に含まれた窓と門の位置及びクラスを判別する神経網モデルを生成する動作を遂行することができる。

Description

本発明は、施設平面図に含まれた記号分析装置及び方法に関する。

既存の３次元空間情報を獲得する方法として、パノラマ式カメラを活用した写真撮影方式がある。これは、３次元空間情報を獲得するために、該当場所に直接訪問して写真を撮影しなければならず、写真に撮影された実際の場所の物等が露出されてプライバシー侵害の恐れがあるという問題がある。また、パノラマ式カメラを活用した写真撮影は、コストが高価であり、撮影されたイメージは、２次元イメージデータで構成され、実際の空間に対する物理情報抽出及び活用が不可能な問題がある。

また、既存の３次元空間情報を獲得する方法として、手作業方式で進行する３次元モデリングファイル作製方式がある。これは、専門家が直接モデリングを遂行しなければならないので人件費によって高価であり、作製時間が長くかかる問題がある。

これによって、直接３次元空間を撮影しなくても２次元平面図の情報から３次元空間の情報を自動で抽出する技術として、韓国登録特許公報第１０－１６３８３７８号（２次元図面に基づいた３次元自動立体モデリング方法及びプログラム）が存在する。韓国登録特許公報第１０－１６３８３７８号は、２次元平面図に提示された空間情報と数値に基づいて３次元モデリングを遂行するので、信頼度の高い３次元空間情報を提供できる。

ただし、平面図で窓と門の記号は、両記号とも矩形の形態に構成されている。このような窓と門の記号を自動で区分する神経網の学習のためにバウンディングボックス（ｂｏｕｎｄｉｎｇ ｂｏｘ）でラベリングを遂行する場合、既存にはバウンディングボックスを手動で指定した後、ラベリングしなければならず、加えてバウンディングボックスは回転できない矩形の形態にのみラベリングできるという限界が存在した。

このような限界点のため、平面図上で門と窓の記号が対角線に配置されているか、門と窓の記号が他の記号と隣接している場合には正確にラベリングできず、神経網学習の正確度を向上しにくいという問題が存在する。

本発明の実施例において解決しようとする課題は、平面図上で門と窓の記号を自動で区分し、区分された門と窓の領域をピクセル単位にラベリングして、平面図で窓と門を区分するための学習の正確度を向上する技術を提供することである。

ただし、本発明の実施例が解決しようとする技術的課題は、以上において言及した課題に制限されず、以下において説明する内容から通常の技術者に自明な範囲内で多様な技術的課題が導出され得る。

本発明の一実施例に係る施設平面図に含まれた記号分析装置は、所定の動作を遂行するようにする命令語を格納する一つ以上のメモリ；及び前記一つ以上のメモリと動作できるように連結されて前記命令語を実行するように設定された一つ以上のプロセッサを含み、前記プロセッサが遂行する動作は、複数の施設平面図を獲得する動作；前記複数の施設平面図にそれぞれに含まれた矩形及び前記矩形に連結された弧を検出する動作；前記矩形及び前記弧に基づいて窓領域と門領域を特定する動作；前記特定された窓領域のピクセルを窓のクラスにラベリングし、前記特定された門領域のピクセルを門のクラスにラベリングする動作；及び所定のイメージ分割アルゴリズム基盤に設計された神経網モデルに前記複数の施設平面図とピクセル単位にラベリングされたデータを入力して、前記複数の施設平面図に含まれた窓と門のクラス及び前記ラベリングされたピクセルの位置の相関関係を導出する前記神経網モデルの重み付けを学習させることで、前記相関関係に基づいて施設平面図に含まれた窓と門の位置及びクラスを判別する神経網モデルを生成する動作を含むことができる。

また、前記検出する動作は、施設平面図に含まれた黒色を除く全ての部分を白色に変換させる動作；及び前記黒色で構成された線分または白色領域枠を連結した輪郭に基づいて前記矩形及び前記弧を検出する動作を含むことができる。

また、前記検出する動作は、前記施設平面図に含まれた文字を除去する動作を含むことができる。

また、前記白色に変換させる動作は、施設平面図に含まれたピクセルのＲＧＢ情報が（０、０、０）であるピクセルはＲＧＢ情報を維持し、施設平面図に含まれたピクセルのＲＧＢ情報が（０、０、０）でないピクセルのＲＧＢ情報を（２５５、２５５、２５５）に変換させる動作を含むことができる。
また、前記窓領域と門領域を特定する動作は、前記矩形のうち前記弧と連結された第１矩形を門領域に検出する動作；及び前記矩形のうち前記弧と連結されていない第２矩形を窓領域に検出する動作を含むことができる。

また、前記門領域に検出する動作は、前記第１矩形と連結されて垂直をなす線分が存在し、前記弧が前記第１矩形の末端及び前記線分の末端と連結された場合、前記第１矩形を門領域に検出できる。

また、前記窓領域と門領域を特定する動作は、前記矩形のうち広さが既設定された値より小さいか、既設定された値より大きい場合、前記検出から除去する動作を含むことができる。

また、前記ラベリングする動作は、前記窓及び前記門以外の全ての領域のピクセルをｎｕｌｌのクラスにラベリングする動作を含むことができる。

また、前記検出する動作は、前記施設平面図でＯＣＲ検出アルゴリズムを通して文字を除去した第１平面図を生成する動作；下記数１及び数２を通して前記第１平面図のピクセル情報を変換させた第２平面図を生成する動作；

（ｓｒｃ（Ｉ）：ピクセル情報の変更前の元素値（ｘ、ｙ、ｚ）、α：１０、β：－３５０、ｄｓｔ（Ｉ）：ピクセル情報の変更後の元素値（ｘ’、ｙ’、ｚ’））

（Ｒ：数１で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｘ’、Ｇ：数１で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｙ’、Ｂ：数１で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｚ’、Ｙ：１次元元素値）

前記第２平面図を構成する線分からなる矩形のうち既設定された広さより大きいか既設定された広さより小さい部分のみ黒色で示した第３平面図を生成する動作；前記第１平面図を構成するピクセルのうち色相元素値が０以上３０以下であり、彩度元素値が８０以上２２０以下であり、明度元素値が１５０以上２２５以下の値を有するピクセルを白色に変換した第４平面図を生成する動作；前記第１平面図に前記第３平面図の黒色領域と前記第４平面図の白色領域を適用した第５平面図を生成する動作；下記数３乃至数５を通して前記第５平面図のピクセル情報を変換させた第６平面図を生成する動作；

（ｓｒｃ（Ｉ）：ピクセル情報の変更前の元素値（ｘ、ｙ、ｚ）、α：３、β：－３５０、ｄｓｔ（Ｉ）：ピクセル情報の変更後の元素値（ｘ’、ｙ’、ｚ’））

（Ｒ：数３で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｘ’、Ｇ：数３で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｙ’、Ｂ：数３で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｚ’、Ｙ：１次元元素値）

（Ｙ：数４で求められた１次元元素値）

前記第６平面図の白色領域枠を連結した輪郭を生成して矩形を検出する動作を含むことができる。

また、前記検出する動作は、前記施設平面図でＯＣＲ検出アルゴリズムを通して文字を除去した第１平面図を生成する動作；下記数６乃至数８を通して前記第２平面図のピクセル情報を変換させた第７平面図を生成する動作；

（ｓｒｃ（Ｉ）：ピクセル情報の変更前の元素値（ｘ、ｙ、ｚ）、α：５７、β：－１２５００、ｄｓｔ（Ｉ）：ピクセル情報の変更後の元素値（ｘ’、ｙ’、ｚ’））

（Ｒ：数６で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｘ’、Ｇ：数６で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｙ’、Ｂ：数６で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｚ’、Ｙ：１次元元素値）

（Ｙ：数７で求められた１次元元素値）

前記第７平面図の白色領域枠を連結した輪郭を生成する動作；及び前記輪郭をＤｏｕｇｌａｓ－Ｐｅｕｃｋｅｒアルゴリズムに基づいて近似化して前記近似化された輪郭のうち凸包（Ｃｏｎｖｅｘ ｈｕｌｌ）に該当する輪郭を検出し、前記Ｃｏｎｖｅｘ ｈｕｌｌがなす広さが所定範囲以内である場合を弧に検出する動作を含むことができる。

また、前記神経網モデルを生成する動作は、Ｍａｓｋ Ｒ－ＣＮＮアルゴリズムに基づいて設計された神経網の入力レイヤに前記複数の施設平面図が入力されるように設定し、出力レイヤには前記複数の施設平面図に含まれた窓と門のクラス及び前記ラベリングされたピクセルの位置が入力されるように設定して、前記複数の施設平面図に含まれた窓と門のクラス及び前記ラベリングされたピクセルの位置との相関関係を導出する神経網の重み付けを学習させる動作を含むことができる。

本発明の一実施例は、前記装置が生成した神経網モデルを含む装置を含むことができる。

本発明の一実施例に係る施設平面図に含まれた記号分析装置が遂行する方法は、複数の施設平面図を獲得するステップ；前記複数の施設平面図にそれぞれ含まれた矩形及び前記矩形に連結された弧を検出するステップ；前記矩形及び前記弧に基づいて窓領域と門領域を特定するステップ；前記特定された窓領域のピクセルを窓のクラスにラベリングし、前記特定された門領域のピクセルを門のクラスにラベリングするステップ；及び所定のイメージ分割（ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ）アルゴリズム基盤に設計された神経網モデルに前記複数の施設平面図とピクセル単位にラベリングされたデータを入力して、前記複数の施設平面図に含まれた窓と門のクラス及び前記ラベリングされたピクセルの位置の相関関係を導出する前記神経網モデルの重み付けを学習させることで、前記相関関係に基づいて施設平面図に含まれた窓と門の位置及びクラスを判別する神経網モデルを生成するステップを含むことができる。

本発明の実施例によれば、平面図上で門と窓の記号を自動で区分し、区分された門と窓の領域をピクセル単位にラベリングして平面図で窓と門を正確に区分するモデルを生成できる。

本発明の実施例によって生成されたイメージ分割モデルを韓国登録特許公報第１０－１６３８３７８号（２次元図面に基づいた３次元自動立体モデリング方法及びプログラム）の技術と共に使用する場合、２次元平面図の門と窓をより正確に区分することで効率的な３次元モデリングを遂行することができる。

この他に、本文書を通して直接的または間接的に把握される多様な効果が提供され得る。

施設平面図の例示図である。 本発明の一実施例に係る施設平面図に含まれた記号分析装置の機能ブロック図である。 本発明の一実施例に係る施設平面図に含まれた記号分析装置が施設平面図に対する変換を通して門と窓を検出し、ラベリングする動作の例示図である。 本発明の一実施例に係る施設平面図に含まれた記号分析装置が施設平面図に対する変換を通して門と窓を検出し、ラベリングする動作の例示図である。 本発明の一実施例に係る施設平面図に含まれた記号分析装置が施設平面図に対する変換を通して門と窓を検出し、ラベリングする動作の例示図である。 本発明の一実施例に係る施設平面図に含まれた記号分析装置が生成した神経網モデルが施設平面図から門と窓を区分した結果を示す例示図である。 本発明の一実施例に係る施設平面図に含まれた記号分析装置が生成した神経網モデル及び韓国登録特許公報第１０－１６３８３７８号の技術を使用して２次元平面図から３次元モデリングを遂行した３次元図面の例示図である。 本発明の一実施例に係る施設平面図に含まれた記号分析方法のフローチャートである。

本発明の利点及び特徴、そして、それらを達成する方法は、添付の図面と共に詳細に後述されている実施例を参照すると、明確になるだろう。しかし、本発明は、以下において開示される実施例に限定されるものではなく、多様な形態に具現され得、単に、本実施例は、本発明の開示が完全なものとなるようにし、本発明の属する技術の分野における通常の知識を有する者に発明の範疇を完全に知らせるために提供されるものであり、本発明の範疇は、請求項により定義されるだけである。

本発明の実施例を説明するにあたって、公知機能または構成についての具体的な説明は、実際に必要な場合の他には省略される。そして、後述の用語は、本発明の実施例での機能を考慮して定義された用語であって、これは、ユーザ、運用者の意図または慣例等によって変わり得る。それゆえ、その定義は、本明細書全般にわたった内容に基づいて下されるべきである。

図面に表示され、下記に説明される機能ブロックは、可能な具現の例であるだけである。他の具現では、詳細な説明の思想及び範囲を外れない範囲で他の機能ブロックが使用され得る。また、本発明の一つ以上の機能ブロックが個別ブロックで表示されるが、本発明の機能ブロックのうち一つ以上は、同じ機能を実行する多様なハードウェア及びソフトウェア構成の組み合わせであってよい。

また、ある構成要素を含むという表現は、開放型の表現であって、該当構成要素が存在することを単に指すだけであり、さらなる構成要素を排除するものと理解されてはならない。

さらに、ある構成要素が他の構成要素に連結されているとか接続されていると言及される時には、その他の構成要素に直接的に連結または接続されていてもよいが、中間に他の構成要素が存在してもよいと理解されるべきである。

また、「第１、第２」等のような表現は、複数の構成を区分するための用途にだけ使用された表現であって、構成の間の順序やその他の特徴を限定しない。

以下においては、図面を参照して本発明の実施例について説明する。

図１は、施設平面図の例示図である。

図１を参照すると、施設平面図で窓と門の記号は、いずれも矩形の形態の記号を含んでいる。このような窓と門の記号を自動で区分する神経網の学習のためにバウンディングボックス（ｂｏｕｎｄｉｎｇ ｂｏｘ）でラベリングを遂行する場合、バウンディングボックスは、回転できない矩形の形態にのみラベリングできる。また、平面図上で門と窓の記号が対角線に配置されているか、門と窓の記号が他の記号と隣接している場合には正確にラベリングできず、神経網学習の正確度を向上しにくいという問題が存在する。

本発明の実施例は、平面図上で門と窓の記号を自動で区分し、区分された門と窓領域をピクセル単位にラベリングして、平面図で窓と門を区分するための学習の正確度を向上する技術を提案する。

図２は、本発明の一実施例に係る施設平面図に含まれた記号分析装置１００の機能ブロック図である。

図２を参照すると、一実施例に係る施設平面図に含まれた記号分析装置１００は、メモリ１１０、プロセッサ１２０、入力インターフェース１３０、ディスプレイ部１４０及び通信インターフェース１５０を含むことができる。

メモリ１１０は、学習データＤＢ１１１、神経網モデル１１３、及び命令語ＤＢ１１５を含むことができる。

学習データＤＢ１１１は、施設平面図に対する複数のイメージファイルを含むことができる。施設平面図は、外部サーバ、外部ＤＢを通して獲得するかインターネット上のイメージから獲得できる。このとき、施設平面図は、多数のピクセル（ｅｘ．横Ｍ個、縦Ｎ個の行列形態に構成されたＭ×Ｎ個のピクセル）で構成され得、それぞれのピクセルは、Ｒ（Ｒｅｄ）、Ｇ（Ｇｒｅｅｎ）、Ｂ（Ｂｌｕｅ）の固有色相を示すＲＧＢ元素値（ｘ、ｙ、ｚ）で構成されたピクセル情報または色相、彩度、明度を示すＨＳＶ情報を含むことができる。

神経網モデル１１３は、入力された施設平面図の内部に含まれた門／窓の記号のクラス及び位置を判別する神経網モデルを含むことができる。神経網モデルは、後述するプロセッサ１２０の動作により生成されてメモリ１１０に格納され得る。

命令語ＤＢ１１５は、プロセッサ１２０の動作を遂行させることのできる命令語を格納することができる。例えば、命令語ＤＢ１１５は、後述するプロセッサ１２０の動作と対応する動作を遂行するようにするコンピュータコードを格納することができる。

プロセッサ１２０は、施設平面図に含まれた記号分析装置１００が含む構成、メモリ１１０、入力インターフェース１３０、ディスプレイ部１４０及び通信インターフェース１５０の全般的な動作を制御できる。プロセッサ１２０は、記号判別モジュール１２１、ラベリングモジュール１２３、学習モジュール１２５及び制御モジュール１２７を含むことができる。プロセッサ１２０は、メモリ１１０に格納された命令語を実行して記号判別モジュール１２１、ラベリングモジュール１２３、学習モジュール１２５及び制御モジュール１２７を駆動させることができ、記号判別モジュール１２１、ラベリングモジュール１２３、学習モジュール１２５及び制御モジュール１２７により遂行される動作は、プロセッサ１２０により遂行される動作と理解され得る。

記号判別モジュール１２１は、学習データＤＢ１１１に含まれた複数の施設平面図それぞれに対して、施設平面図に含まれた窓領域と門領域を特定できる。

記号判別モジュール１２１は、文字を検出するアルゴリズム（ｅｘ．ＯＣＲ検出アルゴリズム）に基づいて施設平面図に含まれた文字を検出後に除去し、施設平面図に含まれた色相のうち黒色を除く全ての部分を白色に変換させることができる。例えば、記号判別モジュール１２１は、施設平面図に含まれたピクセルのＲＧＢ情報が（０、０、０）であるピクセルはＲＧＢ情報を維持し、施設平面図に含まれたピクセルのＲＧＢ情報が（０、０、０）でないピクセルのＲＧＢ情報を（２５５、２５５、２５５）に変換させる動作を遂行することができる。

以後、記号判別モジュール１２１は、黒色で構成された線分または白色領域枠を連結した輪郭に基づいて矩形と弧を検出する動作を遂行することができる。このとき、記号判別モジュール１２１は、矩形のうち広さが既設定された値より小さいか、既設定された値より大きい場合、門や窓でない矩形と判別して、該当矩形を門や窓の検出対象から除去できる。ここで、既設定された値は、学習に使用される施設平面図に含まれた門や窓の記号の広さに基づいて範囲を決定でき、施設平面図のイメージの大きさによって記号の広さが変わり得るので、学習に使用される施設平面図のイメージの大きさに基づいて決定できる。

また、記号判別モジュール１２１は、矩形のうち弧と連結された第１矩形がある場合に、第１矩形と連結されて垂直をなす線分が存在しながら、このとき、弧が第１矩形の末端及び前記線分の末端と連結されていたら、第１矩形を門領域と判別できる。記号判別モジュール１２１は、矩形のうち弧と連結されていない第２矩形を窓領域と判別できる。

上述した記号判別モジュール１２１の動作は、施設平面図が高画質の原本に該当する場合に適し得る。一方、記号判別モジュール１２１がノイズが多く含まれた施設平面図から門と窓を検出する動作は、図３乃至図５と共により詳細に後述する。

ラベリングモジュール１２３は、記号判別モジュール１２１により特定された窓領域のピクセルを窓のクラスにラベリングし、記号判別モジュール１２１により特定された門領域のピクセルを門のクラスにラベリングできる。また、ラベリングモジュール１２３は、窓と門以外の全ての領域のピクセルをｎｕｌｌのクラスにラベリングできる。ラベリングモジュール１２３は、同じクラスに該当するピクセル領域には、互いに同じ色相に対するＲＧＢ情報を該当ピクセル領域に適用し、異なるクラスに該当するピクセル領域同士は、互いに異なる色相に対するＲＧＢ情報をピクセル領域に適用する方式でラベリングできる。例えば、ラベリングモジュール１２３は、施設平面図で窓が位置するピクセル領域は黄色に、門が位置するピクセル領域は赤色に、その他のピクセル領域は黒色にピクセル情報を変更して、それぞれのクラス（ｅｘ．窓、門、その他の領域）をラベリングできる。

学習モジュール１２５は、イメージ分割アルゴリズム基盤に設計された神経網モデルに複数の施設平面図とピクセル単位にラベリングされたデータを入力して、複数の施設平面図に含まれた窓と門のクラス及びラベリングされたピクセル位置の相関関係を導出する神経網モデルの重み付けを学習させることで、相関関係に基づいて施設平面図に含まれた窓と門の位置及びクラスを判別する神経網モデルを生成できる。

学習モジュール１２５は、イメージ分割アルゴリズムのうちＭａｓｋ Ｒ－ＣＮＮアルゴリズムに基づいて設計された神経網の入力レイヤに複数の施設平面図が入力されるように設定し、出力レイヤには複数の施設平面図に含まれた窓／門／ｂａｃｋｇｒｏｕｎｄのクラス及びラベリングされたピクセルの位置が入力されるように設定して、複数の施設平面図に含まれた窓と門のクラス及びラベリングされたピクセルの位置との相関関係を導出する神経網の重み付けを学習させる動作を遂行することができる。

制御モジュール１２７は、学習が完了した神経網モデルに施設平面図を入力して門と窓の領域を特定でき、韓国登録特許公報第１０－１６３８３７８号の技術を通して２次元平面図に提示された空間に対する情報と数値に基づいて３次元モデリングを遂行することで、２次元施設平面図に対する３次元空間情報を提供できる。

入力インターフェース１３０は、学習または検出に使用される施設平面図の入力を受けることができる。

ディスプレイ部１４０は、ディスプレイパネルを含んで画像を出力するハードウェア構成を含むことができる。

通信インターフェース１５０は、外部装置と通信して情報を送受信できるようにする。このために、通信インターフェース１５０は、無線通信モジュールまたは有線通信モジュールを含むことができる。

以下、上述した記号判別モジュール１２１のより具体的な動作を図３乃至図５と共に説明する。

図３乃至図５は、本発明の一実施例に係る施設平面図に含まれた記号分析装置が施設平面図に対する変換を通して門と窓を検出し、ラベリングする動作の例示図である。

図３（ａ）を参照すると、記号判別モジュール１２１は、施設平面図でＯＣＲ検出アルゴリズムを通して文字を除去した第１平面図を生成できる。

図３（ｂ）を参照すると、記号判別モジュール１２１は、第１平面図を白黒色相に変換するために下記数１及び数２を通して第１平面図のピクセル情報を変換させた第２平面図を生成できる。

（ｓｒｃ（Ｉ）：ピクセル情報の変更前の元素値（ｘ、ｙ、ｚ）、α：１０、β：－３５０、ｄｓｔ（Ｉ）：ピクセル情報の変更後の元素値（ｘ’、ｙ’、ｚ’））

（Ｒ：数１で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｘ’、Ｇ：数１で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｙ’、Ｂ：数１で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｚ’、Ｙ：１次元元素値）

これによって変換された図３（ｂ）の第２平面図を検討すると、黒色線分が一部切れているが、これは、施設平面図のイメージにノイズが挿入され、本来黒色部分であったピクセル情報がアップロード／ダウンロード／圧縮等により情報が変換されてＲＧＢ情報が（０、０、０）でない値を有するようになったためである。これによって、記号判別モジュール１２１は、後述する動作を通してノイズ情報を除去できる。

図３（ｃ）を参照すると、記号判別モジュール１２１は、第２平面図を構成する線分からなる矩形のうち既設定された広さより大きいか既設定された広さより小さい部分を黒色で示した第３平面図を生成できる。第３平面図は、門と窓の領域に比して広さが非常に大きな領域や小さな領域をアウトライアと扱って除去するのに使用される。

図３（ｄ）を参照すると、記号判別モジュール１２１は、第１平面図を構成するピクセルのうち色相元素値が０以上３０以下であり、彩度元素値が８０以上２２０以下であり、明度元素値が１５０以上２２５以下の値を有するピクセルを白色に変換した第４平面図を生成できる。記号判別モジュール１２１は、第１平面図に含まれたＨＳＶ情報を基盤に該当動作を遂行することができ、ＨＳＶ情報は、ＲＧＢ情報から変換されて導出され得る。第４平面図は、色相変化が急激になる枠領域を基準に色を区分する。

図４（ａ）を参照すると、記号判別モジュール１２１は、第１平面図に第３平面図の黒色領域と第４平面図の白色領域を適用した第５平面図を生成できる。図３（ｃ）の第３平面図の適用は、門と窓の領域に比して広さが非常に大きな領域や小さな領域をアウトライアと扱って除去するためである。図３（ｄ）の第４平面図の適用は、一般にノイズが色相変化が急激なピクセル領域に発生するという点に着眼して、色相変化が急激な枠を基準に施設平面図の色相を白黒に区分し、これを第１平面図に合成して図４（ａ）のように原本の色相対比を増加させてノイズによる影響力を減殺させることができる。

図４（ｂ）を参照すると、記号判別モジュール１２１は、下記数３乃至数５を通して第５平面図のピクセル情報を変換させた第６平面図を生成できる。

（ｓｒｃ（Ｉ）：ピクセル情報の変更前の元素値（ｘ、ｙ、ｚ）、α：３、β：－３５０、ｄｓｔ（Ｉ）：ピクセル情報の変更後の元素値（ｘ’、ｙ’、ｚ’））

（Ｒ：数３で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｘ’、Ｇ：数３で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｙ’、Ｂ：数３で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｚ’、Ｙ：１次元元素値）

（Ｙ：数４で求められた１次元元素値）

数１は、黒色部分を除いて全て白色に変換させたのに対し、数３は、既存の色相を白色と黒色の方に両極化させ、数４は、両極化された色相をグレースケールに変換させ、数５は、両極化されたグレースケールを白黒に変換させる。これによって生成された図４（ｂ）の第６平面図は、全ての黒線分が切れることなく変換されたことを確認することができる。このとき、記号判別モジュール１２１は、さらに第６平面図で白い部分を減少させるモルフォロジー侵食（ｍｏｒｐｈｏｌｏｇｙ ｅｒｏｄｅ）演算を適用してノイズを最小化することもできる。

図４（ｃ）及び図４（ｄ）を参照すると、記号判別モジュール１２１は、第６平面図の白色領域枠を連結した輪郭を生成して施設平面図で窓または門の記号に該当し得る矩形領域を検出できる。

記号判別モジュール１２１は、輪郭がなす図形が矩形である場合、矩形の広さまたは矩形の横／縦の比率に基づいて窓または門領域に該当する矩形を判別できる。

例えば、施設平面図のイメージの幅が９２３、イメージの高さが６７６である場合を基準（数字は比率に代替可能で単位を省略する）に適用する場合、次の条件で図４（ｂ）で白い領域を除くことができ、図４（ｃ）のように門または窓に該当する四角形領域を検出できる。

ａ．輪郭が形成する図形の広さが１，０００より大きい場合に除く
ｂ．輪郭が形成する四角形の幅または高さの最小値が１０より大きい場合に除く
ｃ．輪郭が形成する図形の広さが非正常に小さい場合（ｅｘ．４０以下）に除く
ｄ．輪郭が形成する最小単位四角形の幅と輪郭が形成する図形の幅が誤差範囲を超えて異なる場合に除く
ｅ．輪郭が形成する最小単位四角形の幅と高さの比がｘ：１（ｘは、０．５以上２以下）である場合に除く

図５（ａ）を参照すると、記号判別モジュール１２１は、下記数６乃至数８を通して第２平面図のピクセル情報を変換させた第７平面図を生成できる。

（ｓｒｃ（Ｉ）：ピクセル情報の変更前の元素値（ｘ、ｙ、ｚ）、α：５７、β：－１２５００、ｄｓｔ（Ｉ）：ピクセル情報の変更後の元素値（ｘ’、ｙ’、ｚ’））

（Ｒ：数６で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｘ’、Ｇ：数６で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｙ’、Ｂ：数６で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｚ’、Ｙ：１次元元素値）

（Ｙ：数７で求められた１次元元素値）

数６は、施設平面図の色相と彩度を基準にピクセル情報の色相を両極化させることができ、数７は、両極化された色相をグレースケールに変換させ、数８は、グレースケールを白黒に変換させる。

図５（ｂ）を参照すると、記号判別モジュール１２１は、第７平面図の白色領域枠を連結した輪郭を生成し、Ｄｏｕｇｌａｓ－Ｐｅｕｃｋｅｒアルゴリズムに基づいて凹凸な形態の輪郭を近似化（ｅｘ．Ｄｏｕｇｌａｓ－Ｐｅｕｃｋｅｒアルゴリズムのｅｐｓｉｌｏｎ指数は、輪郭が形成する輪郭の全長の０．０２＝１／５０に該当する値）して滑らかに変換した後、近似化された輪郭のうち凸包（Ｃｏｎｖｅｘ ｈｕｌｌ）に該当する輪郭を検出し、凸包（Ｃｏｎｖｅｘ ｈｕｌｌ）に該当する輪郭がなす広さが所定範囲以内である場合を弧に検出できる。例えば、凸包の広さが２００より大きく、８００より小さく、かつ、近似化された輪郭地点が１０個以下である場合を弧に検出できる。

図５（ｂ）を参照すると、記号判別モジュール１２１は、図４（ｃ）に検出された矩形のうち図５（ｂ）の弧と隣接する矩形を門に検出し、残りの矩形を窓に検出し、ラベリングモジュール１２３は、検出された情報に基づいてラベリングできる。

図５（ｄ）を参照すると、学習モジュール１２５は、イメージ分割アルゴリズム基盤に設計された神経網モデルに複数の施設平面図（図１）とピクセル単位にラベリングされたデータ（図５（ｄ））を入力して、複数の施設平面図に含まれた窓と門のクラス及びラベリングされたピクセル位置の相関関係を導出する神経網モデルの重み付けを学習させることで、相関関係に基づいて施設平面図に含まれた窓と門の位置及びクラスを判別する神経網モデルを生成できる。

図６は、本発明の一実施例に係る施設平面図に含まれた記号分析装置１００が生成した神経網モデルが施設平面図から門と窓を区分した結果を示す例示図である。

図６を参照すると、神経網モデルに入力された新たな平面図に含まれた窓と門の位置をピクセル単位に検出し、クラスもまた高い正確度で検出できるということを確認することができる。このような神経網モデルは、図７のように韓国登録特許公報第１０－１６３８３７８号の技術と融合され得る。

図７は、本発明の一実施例に係る施設平面図に含まれた記号分析装置１００が生成した神経網モデル及び韓国登録特許公報第１０－１６３８３７８号の技術を使用して２次元平面図から３次元モデリングを遂行した３次元図面の例示図である。

図７を参照すると、本発明の一実施例に係る施設平面図に含まれた記号分析装置１００は、平面図上で門と窓の記号を自動で区分し、区分された門と窓そのものをピクセル単位にラベリングして平面図で窓と門を正確に区分するモデルを生成して、韓国登録特許公報第１０－１６３８３７８号（２次元図面に基づいた３次元自動立体モデリング方法及びプログラム）の技術に融合させることで、２次元平面図（図７（ａ））の門と窓をより正確に区分して効率的な３次元モデリング（図７（ｂ）、図７（ｃ））を遂行することができる。

図８は、本発明の一実施例に係る施設平面図に含まれた記号分析方法のフローチャートである。図８による施設平面図に含まれた記号分析方法の各ステップは、図１を通して説明された施設平面図に含まれた記号分析装置１００により遂行され得、各ステップを説明すると、次のとおりである。

入力インターフェース１３０は、複数の施設平面図を獲得する（Ｓ８１０）。記号判別モジュール１２１は、複数の施設平面図にそれぞれに含まれた矩形及び矩形に連結された弧を検出する（Ｓ８２０）。記号判別モジュール１２１は、矩形及び弧に基づいて窓領域と門領域を特定する（Ｓ８３０）。ラベリングモジュール１２３は、特定された窓領域のピクセルを窓のクラスにラベリングし、特定された門領域のピクセルを門のクラスにラベリングする（Ｓ８４０）。学習モジュール１２５は、イメージ分割アルゴリズム基盤に設計された神経網モデルに複数の施設平面図とピクセル単位にラベリングされたデータを入力して、複数の施設平面図に含まれた窓と門のクラス及びラベリングされたピクセルの位置の相関関係を導出する神経網モデルの重み付けを学習させることで、相関関係に基づいて施設平面図に含まれた窓と門の位置及びクラスを判別する神経網モデルを生成する（Ｓ８５０）。

一方、上述した各ステップの主体である構成要素が該当ステップを実施するための過程は、図１乃至図７と共に説明したので、重複した説明は省略する。

上述した本発明の実施例は、多様な手段を通して具現され得る。例えば、本発明の実施例は、ハードウェア、ファームウェア（ｆｉｒｍｗａｒｅ）、ソフトウェアまたはそれらの結合等により具現され得る。

ハードウェアによる具現の場合、本発明の実施例に係る方法は、一つまたはそれ以上のＡＳＩＣｓ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔｓ）、ＤＳＰｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒｓ）、ＤＳＰＤｓ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｄｅｖｉｃｅｓ）、ＰＬＤｓ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅｓ）、ＦＰＧＡｓ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙｓ）、プロセッサ、コントローラ、マイクロコントローラ、マイクロプロセッサ等により具現され得る。

ファームウェアやソフトウェアによる具現の場合、本発明の実施例に係る方法は、以上において説明された機能または動作を遂行するモジュール、手順または関数等の形態に具現され得る。ソフトウェアコード等が書き込まれたコンピュータプログラムは、コンピュータ読み取り可能書き込み媒体またはメモリユニットに格納されてプロセッサにより駆動され得る。メモリユニットは、プロセッサの内部または外部に位置して、既に公知になった多様な手段によりプロセッサとデータを受け渡しすることができる。

また、本発明に添付のブロック図の各ブロックとフローチャートの各ステップの組み合わせは、コンピュータプログラムインストラクションにより遂行されてもよい。これらのコンピュータプログラムインストラクションは、汎用コンピュータ、特殊用コンピュータまたはその他のプログラム可能なデータプロセシング装備のエンコーディングプロセッサに搭載され得るので、コンピュータまたはその他のプログラム可能なデータプロセシング装備のエンコーディングプロセッサを通して遂行されるそのインストラクションがブロック図の各ブロックまたはフローチャートの各ステップで説明された機能を遂行する手段を生成するようになる。これらのコンピュータプログラムインストラクションは、特定方法で機能を具現するためにコンピュータまたはその他のプログラム可能なデータプロセシング装備を目指すことのできるコンピュータ利用可能またはコンピュータ読み取り可能メモリに格納されることも可能であるので、そのコンピュータ利用可能またはコンピュータ読み取り可能メモリに格納されたインストラクションは、ブロック図の各ブロックまたはフローチャートの各ステップで説明された機能を遂行するインストラクション手段を内包する製造品目を生産することも可能である。コンピュータプログラムインストラクションは、コンピュータまたはその他のプログラム可能なデータプロセシング装備上に搭載されることも可能であるので、コンピュータまたはその他のプログラム可能なデータプロセシング装備上で一連の動作ステップが遂行されてコンピュータで実行されるプロセスを生成してコンピュータまたはその他のプログラム可能なデータプロセシング装備を遂行するインストラクションは、ブロック図の各ブロック及びフローチャートの各ステップで説明された機能を実行するためのステップを提供することも可能である。

併せて、各ブロックまたは各ステップは、特定された論理的機能を実行するための一つ以上の実行可能なインストラクションを含むモジュール、セグメントまたはコードの一部を示すことができる。また、いくつかの代替実施例では、ブロックまたはステップで言及された機能が順序を外れて発生することも可能であることを注目すべきである。例えば、引き続き図示されている二つのブロックまたはステップは、実際、実質的に同時に遂行されることも可能であり、またはそのブロックまたはステップが時々該当する機能によって逆順に遂行されることも可能である。

このように、本発明の属する技術の分野における当業者は、本発明がその技術的思想や必須特徴を変更することなく他の具体的な形態で実施され得るということが理解できるだろう。それゆえ、以上において記述した実施例は、全ての面で例示であり、限定的なものではないものとして理解すべきである。本発明の範囲は、詳細な説明よりは後述する特許請求の範囲により示され、特許請求の範囲の意味及び範囲、そしてその等価概念から導出される全ての変更または変形された形態が本発明の範囲に含まれるものと解釈されるべきである。

Claims (14)

1. 施設平面図に含まれた記号分析装置において、
   所定の動作を遂行するようにする命令語を格納する一つ以上のメモリ；及び前記一つ以上のメモリと動作できるように連結されて前記命令語を実行するように設定された一つ以上のプロセッサを含み、
   前記プロセッサが遂行する動作は、
   複数の施設平面図を獲得する動作；
   前記複数の施設平面図にそれぞれに含まれた矩形及び前記矩形に連結された弧を検出する動作；
   前記矩形及び前記弧に基づいて窓領域と門領域を特定する動作；
   前記特定された窓領域のピクセルを窓のクラスにラベリングし、前記特定された門領域のピクセルを門のクラスにラベリングする動作；及び
   所定のイメージ分割アルゴリズム基盤に設計された神経網モデルに前記複数の施設平面図とピクセル単位にラベリングされたデータを入力して、前記複数の施設平面図に含まれた窓と門のクラス及び前記ラベリングされたピクセルの位置の相関関係を導出する前記神経網モデルの重み付けを学習させることで、前記相関関係に基づいて施設平面図に含まれた窓と門の位置及びクラスを判別する神経網モデルを生成する動作を含む、
   施設平面図に含まれた記号分析装置。
2. 前記検出する動作は、
   施設平面図に含まれた黒色を除く全ての部分を白色に変換させる動作；及び
   前記黒色で構成された線分または白色領域枠を連結した輪郭に基づいて前記矩形及び前記弧を検出する動作を含む、
   請求項１に記載の施設平面図に含まれた記号分析装置。
3. 前記検出する動作は、
   前記施設平面図に含まれた文字を除去する動作をさらに含む、
   請求項２に記載の施設平面図に含まれた記号分析装置。
4. 前記白色に変換させる動作は、
   施設平面図に含まれたピクセルのＲＧＢ情報が（０、０、０）であるピクセルはＲＧＢ情報を維持し、施設平面図に含まれたピクセルのＲＧＢ情報が（０、０、０）でないピクセルのＲＧＢ情報を（２５５、２５５、２５５）に変換させる動作を含む、
   請求項２に記載の施設平面図に含まれた記号分析装置。
5. 前記窓領域と門領域を特定する動作は、
   前記矩形のうち前記弧と連結された第１矩形を門領域に検出する動作；及び
   前記矩形のうち前記弧と連結されていない第２矩形を窓領域に検出する動作を含む、
   請求項１に記載の施設平面図に含まれた記号分析装置。
6. 前記門領域に検出する動作は、
   前記第１矩形と連結されて垂直をなす線分が存在し、前記弧が前記第１矩形の末端及び前記線分の末端と連結された場合、前記第１矩形を門領域に検出する、
   請求項５に記載の施設平面図に含まれた記号分析装置。
7. 前記窓領域と門領域を特定する動作は、
   前記矩形のうち広さが既設定された値より小さいか、既設定された値より大きい場合、前記検出から除去する動作をさらに含む、
   請求項５に記載の施設平面図に含まれた記号分析装置。
8. 前記ラベリングする動作は、
   前記窓及び前記門以外の全ての領域のピクセルをｎｕｌｌのクラスにラベリングする動作を含む、
   請求項１に記載の施設平面図に含まれた記号分析装置。
9. 前記検出する動作は、
   前記施設平面図でＯＣＲ検出アルゴリズムを通して文字を除去した第１平面図を生成する動作；
   下記数１及び数２を通して前記第１平面図のピクセル情報を変換させた第２平面図を生成する動作；
   
   （ｓｒｃ（Ｉ）：ピクセル情報の変更前の元素値（ｘ、ｙ、ｚ）、α：１０、β：－３５０、ｄｓｔ（Ｉ）：ピクセル情報の変更後の元素値（ｘ’、ｙ’、ｚ’））
   
   （Ｒ：数１で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｘ’、Ｇ：数１で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｙ’、Ｂ：数１で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｚ’、Ｙ：１次元元素値）
   前記第２平面図を構成する線分からなる矩形のうち既設定された広さより大きいか既設定された広さより小さい部分のみ黒色で示した第３平面図を生成する動作；
   前記第１平面図を構成するピクセルのうち色相元素値が０以上３０以下であり、彩度元素値が８０以上２２０以下であり、明度元素値が１５０以上２２５以下の値を有するピクセルを白色に変換した第４平面図を生成する動作；
   前記第１平面図に前記第３平面図の黒色領域と前記第４平面図の白色領域を適用した第５平面図を生成する動作；
   下記数３乃至数５を通して前記第５平面図のピクセル情報を変換させた第６平面図を生成する動作；
   
   （ｓｒｃ（Ｉ）：ピクセル情報の変更前の元素値（ｘ、ｙ、ｚ）、α：３、β：－３５０、ｄｓｔ（Ｉ）：ピクセル情報の変更後の元素値（ｘ’、ｙ’、ｚ’））
   
   （Ｒ：数３で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｘ’、Ｇ：数３で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｙ’、Ｂ：数３で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｚ’、Ｙ：１次元元素値）
   
   （Ｙ：数４で求められた１次元元素値）
   前記第６平面図の白色領域枠を連結した輪郭を生成して矩形を検出する動作を含む、
   請求項１に記載の施設平面図に含まれた記号分析装置。
10. 前記検出する動作は、
    前記施設平面図でＯＣＲ検出アルゴリズムを通して文字を除去した第１平面図を生成する動作；
    下記数６乃至数８を通して前記第２平面図のピクセル情報を変換させた第７平面図を生成する動作；
    
    （ｓｒｃ（Ｉ）：ピクセル情報の変更前の元素値（ｘ、ｙ、ｚ）、α：５７、β：－１２５００、ｄｓｔ（Ｉ）：ピクセル情報の変更後の元素値（ｘ’、ｙ’、ｚ’））
    
    （Ｒ：数６で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｘ’、Ｇ：数６で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｙ’、Ｂ：数６で求められたｄｓｔ（Ｉ）の（ｘ’、ｙ’、ｚ’）のうちｚ’、Ｙ：１次元元素値）
    
    （Ｙ：数７で求められた１次元元素値）
    前記第７平面図の白色領域枠を連結した輪郭を生成する動作；及び
    前記輪郭をＤｏｕｇｌａｓ－Ｐｅｕｃｋｅｒアルゴリズムに基づいて近似化して前記近似化された輪郭のうち凸包（Ｃｏｎｖｅｘ ｈｕｌｌ）に該当する輪郭を検出し、前記凸包（Ｃｏｎｖｅｘ ｈｕｌｌ）がなす広さが所定範囲以内である場合を弧に検出する動作を含む、
    請求項１に記載の施設平面図に含まれた記号分析装置。
11. 前記神経網モデルを生成する動作は、
    Ｍａｓｋ Ｒ－ＣＮＮアルゴリズムに基づいて設計された神経網の入力レイヤに前記複数の施設平面図が入力されるように設定し、出力レイヤには前記複数の施設平面図に含まれた窓と門のクラス及び前記ラベリングされたピクセルの位置が入力されるように設定して、前記複数の施設平面図に含まれた窓と門のクラス及び前記ラベリングされたピクセルの位置との相関関係を導出する神経網の重み付けを学習させる動作を含む、
    請求項１に記載の施設平面図に含まれた記号分析装置。
12. 請求項１乃至１１のいずれか一項に記載の装置が生成した神経網モデルを含む装置。
13. 施設平面図に含まれた記号分析装置が遂行する方法において、
    複数の施設平面図を獲得するステップ；
    前記複数の施設平面図にそれぞれに含まれた矩形及び前記矩形に連結された弧を検出するステップ；
    前記矩形及び前記弧に基づいて窓領域と門領域を特定するステップ；
    前記特定された窓領域のピクセルを窓のクラスにラベリングし、前記特定された門領域のピクセルを門のクラスにラベリングするステップ；及び
    所定のイメージ分割アルゴリズム基盤に設計された神経網モデルに前記複数の施設平面図とピクセル単位にラベリングされたデータを入力して、前記複数の施設平面図に含まれた窓と門のクラス及び前記ラベリングされたピクセルの位置の相関関係を導出する前記神経網モデルの重み付けを学習させることで、前記相関関係に基づいて施設平面図に含まれた窓と門の位置及びクラスを判別する神経網モデルを生成するステップを含む、
    施設平面図に含まれた記号分析方法。
14. 請求項１３に記載の方法をプロセッサが遂行するようにするコンピュータ読み取り可能書き込み媒体に格納されたコンピュータプログラム。