KR102437560B1 - 건축 장식재 디자인 업무 시스템 및 방법 - Google Patents
건축 장식재 디자인 업무 시스템 및 방법 Download PDFInfo
- Publication number
- KR102437560B1 KR102437560B1 KR1020200081630A KR20200081630A KR102437560B1 KR 102437560 B1 KR102437560 B1 KR 102437560B1 KR 1020200081630 A KR1020200081630 A KR 1020200081630A KR 20200081630 A KR20200081630 A KR 20200081630A KR 102437560 B1 KR102437560 B1 KR 102437560B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- architectural
- construction
- decoration material
- new
- Prior art date
Links
- 238000005034 decoration Methods 0.000 title claims abstract description 106
- 238000013461 design Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000000463 material Substances 0.000 claims abstract description 93
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 17
- 238000012790 confirmation Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 230000008859 change Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012508 change request Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009408 flooring Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Structural Engineering (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
건축 장식재 디자인 업무 시스템 및 방법이 개시된다. 개시되는 일 실시예에 따른 건축 장식재 디자인 업무 시스템은, 건축 장식재에 사용될 로 이미지(Raw Image)를 수집하는 이미지 수집 모듈, 수집된 로 이미지(Raw Image)에 기초하여 딥 러닝(Deep Learning)을 통해 신규 건축 장식재용 이미지를 생성하는 이미지 생성 모듈, 사용자 단말의 이미지 요소 변경 요청에 따라 신규 건축 장식재용 이미지에 대해 이미지 요소를 변경하는 이미지 편집 모듈, 및 사용자 단말로부터 건축 공간 촬영 이미지를 수신하고, 건축 공간 촬영 이미지에 사용자 단말의 사용자에 의해 선택된 건축 장식재용 이미지를 적용하는 이미지 적용 모듈을 포함한다.
Description
본 발명의 실시예는 건축 장식재 디자인 업무 기술과 관련된다.
일반적으로, 건축 공간(예를 들어, 엘리베이터 또는 건물 현관 등)의 바닥재나 벽면 등에 쓰이는 건축 장식재 디자인은 사람의 수작업을 통해 생성되고 편집 등이 이루어져 디자인을 제조하는데 많은 시간과 비용이 소요되는 등 비효율적인 측면이 있다.
또한, 개발된 건축 장식재 디자인을 건축 공간에 적용 및 변환하는 경우, 영업 직원이 직접 건축 현장을 방문하여 소비자 상담 및 디자인 변경에 오랜 시간이 소요되며, 시공 후 품질 상태를 확인하는 데도 어려움이 있다. 이에 건축 장식재 디자인의 개발부터 건축 공간에 실제 적용하여 품질 상태를 확인하기 까지 효율적인 업무 시스템의 개발이 요구된다.
본 발명의 실시예는 건축 장식재의 디자인 업무 자동화 및 업무 효율 향상을 위한 기법을 제공하기 위한 것이다.
개시되는 일 실시예에 따른 건축 장식재 디자인 업무 시스템은, 건축 장식재에 사용될 로 이미지(Raw Image)를 수집하는 이미지 수집 모듈; 상기 수집된 로 이미지(Raw Image)에 기초하여 딥 러닝(Deep Learning)을 통해 신규 건축 장식재용 이미지를 생성하는 이미지 생성 모듈; 사용자 단말의 이미지 요소 변경 요청에 따라 상기 신규 건축 장식재용 이미지에 대해 이미지 요소를 변경하는 이미지 편집 모듈; 및 상기 사용자 단말로부터 건축 공간 촬영 이미지를 수신하고, 상기 건축 공간 촬영 이미지에 상기 사용자 단말의 사용자에 의해 선택된 건축 장식재용 이미지를 적용하는 이미지 적용 모듈을 포함한다.
상기 이미지 생성 모듈은, StarGAN(Generative Adversarial Network)을 통해 신규 건축 장식재용 이미지를 생성하고, 상기 StarGAN은, 상기 로 이미지(Raw Image)와 상기 건축 장식재에 대한 타겟 도메인 정보를 입력 받고, 상기 입력된 로 이미지로부터 컬러, 도형 타입, 및 건축 공간 종류 중 하나 이상의 특징을 추출하여 상기 타겟 도메인 정보에 대응하는 신규 건축 장식재용 이미지를 생성하도록 학습되는 생성기; 및 상기 생성기에서 생성한 신규 건축 장식재용 이미지와 실제 이미지를 구별하고, 상기 신규 건축 장식재용 이미지의 도메인을 분류하도록 학습되는 분류기를 포함하고, 상기 생성기는, 상기 로 이미지(Raw Image)의 도메인 정보를 통해 상기 생성한 신규 건축 장식재용 이미지를 다시 원 이미지로 복원하려고 학습될 수 있다.
상기 이미지 편집 모듈은, CycleGAN(Generative Adversarial Network)을 통해 상기 신규 건축 장식재용 이미지 또는 상기 수집된 로 이미지에 대해 이미지 요소를 변경하며, 상기 CycleGAN은, 상기 신규 건축 장식재용 이미지 또는 상기 수집된 로 이미지로부터 색상이 변경된 1차 페이크 이미지를 생성하고, 상기 1차 페이크 이미지를 기반으로 색상이 변경된 2차 페이크 이미지를 생성하는 경우 상기 2차 페이크 이미지와 상기 신규 건축 장식재용 이미지 또는 상기 수집된 로 이미지 간의 차이가 최소화 되도록 순방향 손실 함수 및 역방향 손실 함수를 각각 학습하고, 상기 순방향 손실 함수와 상기 역방향 손실 함수를 합하여 상기 CycleGAN의 손실 함수로 설정할 수 있다.
상기 이미지 편집 모듈은, 상기 수집된 로 이미지(Raw Image) 또는 상기 생성된 신규 건축 장식재용 이미지 중 해상도가 기 설정된 기준 해상도 미만인 이미지를 고해상도 이미지로 변경하는 이미지 해상도 변경부를 포함할 수 있다.
상기 이미지 해상도 변경부는, SRGAN(Super Resolution GAN)을 통해 상기 기준 해상도 미만인 이미지를 고해상도 이미지로 변경할 수 있다.
상기 이미지 적용 모듈은, 상기 건축 공간 촬영 이미지에서 상기 건축 장식재용 이미지가 적용될 영역의 각 꼭지점을 검출하고, 상기 각 꼭지점에서 이웃하는 꼭지점을 연결하여 이미지 적용 영역의 형태를 인식하며, 상기 이미지 적용 영역에서 각 선분의 길이 및 각 선분 간의 각도를 확인하여 상기 건축 장식재용 이미지를 상기 이미지 적용 영역의 형태에 맞게 변환하여 적용할 수 있다.
상기 건축 장식재 디자인 업무 시스템은, 상기 사용자 단말로부터 건축 장식재 시공 이미지를 수신하고, 상기 건축 장식재 시공 이미지에 기초하여 건축 공간 상에 건축 장식재가 시공된 상태를 확인하는 시공 상태 확인 모듈을 더 포함할 수 있다.
상기 시공 상태 확인 모듈은, 제품 시공이 정상 상태인 이미지 데이터 셋과 제품 시공이 불량 상태인 이미지 데이터 셋을 수집하여 학습하는 딥 러닝 모델을 포함하고, 상기 건축 장식재 시공 이미지를 상기 딥 러닝 모델의 입력으로 하여 상기 시공된 상태의 정상 상태 정도 또는 불량 상태 정도를 확인할 수 있다.
개시되는 다른 실시예에 따른 건축 장식재 디자인 업무 시스템은, 건축 장식재에 사용될 로 이미지(Raw Image)를 수집하는 이미지 수집 모듈; 상기 수집된 로 이미지(Raw Image)에 기초하여 StarGAN(Generative Adversarial Network)을 통해 신규 건축 장식재용 이미지를 생성하는 이미지 생성 모듈; 사용자 단말의 이미지 요소 변경 요청에 따라 CycleGAN(Generative Adversarial Network)을 통해 상기 신규 건축 장식재용 이미지에 대해 이미지 요소를 변경하는 이미지 편집 모듈; 상기 사용자 단말로부터 건축 공간 촬영 이미지를 수신하고, 상기 건축 공간 촬영 이미지에 상기 사용자 단말의 사용자에 의해 선택된 건축 장식재용 이미지를 적용하는 이미지 적용 모듈; 및 상기 사용자 단말로부터 건축 장식재 시공 이미지를 수신하고, 상기 건축 장식재 시공 이미지에 기초하여 건축 공간 상에 건축 장식재가 시공된 상태를 확인하는 시공 상태 확인 모듈을 포함한다.
개시되는 일 실시예에 따른 건축 장식재 디자인 업무 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 상기 수집된 로 이미지(Raw Image)에 기초하여 딥 러닝(Deep Learning)을 통해 신규 건축 장식재용 이미지를 생성하는 단계; 사용자 단말의 이미지 요소 변경 요청에 따라 상기 신규 건축 장식재용 이미지에 대해 이미지 요소를 변경하는 단계; 및 상기 사용자 단말로부터 건축 공간 촬영 이미지를 수신하고, 상기 건축 공간 촬영 이미지에 상기 사용자 단말의 사용자에 의해 선택된 건축 장식재용 이미지를 적용하는 단계를 포함한다.
개시되는 실시예에 의하면, 딥러닝 기술을 통하여 건축 장식재용 이미지를 신규 생성하고 편집함으로써, 디자인 공정을 자동화 하여 공정 효율화를 추구하며 전체 업무 공정을 간소화 할 수 있게 된다. 또한, 사용자에게 디자인의 선택 폭을 넓혀 줄 수 있게 되고 디자인 만족도를 향상시킬 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 인공 지능을 이용한 건축 장식재 디자인 업무 시스템을 나타낸 도면
도 2는 본 발명의 일 실시예에 따른 디자인 관리 서버의 구성을 나타낸 블록도
도 3은 본 발명의 일 실시예에 따른 이미지 생성 모듈에서 StarGAN을 통해 신규 이미지를 생성하는 상태를 나타낸 도면
도 4는 본 발명의 일 실시예에 따른 이미지 편집 모듈의 구성을 나타낸 블록도
도 5는 본 발명의 일 실시예에 따른 이미지 요소 변경부에서 CycleGAN을 이용하여 이미지의 색상을 변경하는 상태를 나타낸 도면
도 6은 본 발명의 일 실시예에 따른 이미지 해상도 변경부에서 SRGAN을 이용하여 저해상도 이미지를 고해상도 이미지로 변경하는 상태를 나타낸 도면
도 7은 본 발명의 일 실시예에 따른 사용자 단말에서 건축 공간에 디자인이 적용된 상태를 나타낸 도면
도 8은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에 따른 디자인 관리 서버의 구성을 나타낸 블록도
도 3은 본 발명의 일 실시예에 따른 이미지 생성 모듈에서 StarGAN을 통해 신규 이미지를 생성하는 상태를 나타낸 도면
도 4는 본 발명의 일 실시예에 따른 이미지 편집 모듈의 구성을 나타낸 블록도
도 5는 본 발명의 일 실시예에 따른 이미지 요소 변경부에서 CycleGAN을 이용하여 이미지의 색상을 변경하는 상태를 나타낸 도면
도 6은 본 발명의 일 실시예에 따른 이미지 해상도 변경부에서 SRGAN을 이용하여 저해상도 이미지를 고해상도 이미지로 변경하는 상태를 나타낸 도면
도 7은 본 발명의 일 실시예에 따른 사용자 단말에서 건축 공간에 디자인이 적용된 상태를 나타낸 도면
도 8은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다. 또한 본 명세서에 있어서, 2 이상의 데이터 또는 정보가 "관련"된다는 것은 하나의 데이터(또는 정보)를 획득하면, 그에 기초하여 다른 데이터(또는 정보)의 적어도 일부를 획득할 수 있음을 의미한다.
또한, 제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공 지능을 이용한 건축 장식재 디자인 업무 시스템을 나타낸 도면이다.
도 1을 참조하면, 건축 장식재 디자인 업무 시스템(100)은 사용자 단말(102) 및 디자인 관리 서버(104)를 포함할 수 있다.
사용자 단말(102)은 통신 네트워크(150)를 통해 디자인 관리 서버(104)와 통신 가능하게 연결된다. 몇몇 실시예들에서, 통신 네트워크(150)는 인터넷, 하나 이상의 로컬 영역 네트워크(local area networks), 광역 네트워크(wide area networks), 셀룰러 네트워크, 모바일 네트워크, 그 밖에 다른 종류의 네트워크들, 또는 이러한 네트워크들의 조합을 포함할 수 있다.
사용자 단말(102)은 건축 공간(예를 들어, 엘리베이터 바닥, 실내 현관 바닥, 쇼핑몰 또는 대형 마트의 바닥 등)에 건축 장식재를 시공하고자 하는 사용자의 단말일 수 있다. 사용자 단말(102)은 스마트 폰, 태블릿 PC, 노트북, 데스크 탑 PC 등 디자인 관리 서버(104)와 통신 가능한 다양한 전자 기기가 사용될 수 있다.
사용자 단말(102)은 디자인 관리 서버(104)에 접속하여 건축 공간에 적용할 디자인 이미지(건축 장식재용 이미지)를 선택할 수 있다. 사용자 단말(102)은 건축 장식재용 이미지가 적용될 건축 공간을 촬영하여 디자인 관리 서버(104)로 전송할 수 있다. 사용자 단말(102)은 건축 장식재가 시공된 건축 공간을 촬영하여 디자인 관리 서버(104)로 전송할 수 있다.
사용자 단말(102)에는 건축 장식재 디자인 업무를 위한 어플리케이션이 설치될 수 있다. 상기 어플리케이션은 사용자 단말(102)의 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 상기 어플리케이션은 사용자 단말(102)의 프로세서에 의해 실행 가능한 명령어의 소정의 집합을 포함한다. 상기 명령어는 사용자 단말(102)의 프로세서로 하여금 예시적인 실시예에 따른 동작을 수행하게 할 수 있다. 사용자 단말(102)의 컴퓨터 판독 가능 저장 매체는 사용자 단말(102) 상에서 상기 어플리케이션과 같은 명령어 집합을 실행하기 위한 운영 체제의 컴포넌트들을 포함한다. 예를 들어, 이러한 운영 체제는 애플(Apple) 사의 iOS 또는 구글(Google) 사의 Android 일 수 있다.
디자인 관리 서버(104)는 건축 장식재용 이미지를 생성할 수 있다. 디자인 관리 서버(104)는 사용자 단말(102)로 건축 장식재용 이미지의 리스트를 전송하여 표시할 수 있다. 디자인 관리 서버(104)는 사용자 단말(102)로부터 건축 공간 촬영 이미지를 수신하고, 수신된 건축 공간 촬영 이미지에 사용자가 선택한 건축 장식재용 이미지를 적용하여 사용자 단말(102)로 제공할 수 있다. 디자인 관리 서버(104)는 사용자 단말(102)로부터 건축 장식재가 시공된 건축 공간 촬영 이미지를 수신하여 시공 상태를 확인할 수 있다.
디자인 관리 서버(104)는 다양한 유형의 서버 컴퓨터 예를 들어, 메인 프레임 기반이나 오픈 시스템 기반의 서버 컴퓨터를 포함할 수 있으며, 클라우드 형태의 서버 컴퓨터를 포함할 수 있다. 디자인 관리 서버(104)의 구성 및 동작에 대한 자세한 설명은 후술하기로 한다.
도 2는 본 발명의 일 실시예에 따른 디자인 관리 서버의 구성을 나타낸 블록도이다.
도 2를 참조하면, 디자인 관리 서버(104)는 이미지 수집 모듈(111), 이미지 생성 모듈(113), 이미지 편집 모듈(115), 이미지 적용 모듈(117), 및 시공 상태 확인 모듈(119)을 포함할 수 있다.
이미지 수집 모듈(111)은 건축 장식재에 사용될 로 이미지(Raw Image)를 수집할 수 있다. 예시적인 실시예에서, 이미지 수집 모듈(111)은 Crawling(SNS, 뉴스, 웹 정보 등 인터넷 상에서 제공되는 웹 문서 등을 수집할 수 있는 기술), Streaming(인터넷에서 비디오 데이터를 실시간으로 수집할 수 있는 기술), Log Aggregator(웹 로그, 트랜잭션 로그, 클릭 로그 등 각종 로그 데이터를 수집하는 기술), RDB Aggregator(관계형 데이터베이스에서 정형 데이터를 수집하여 HDFS나 HBase와 같은 NoSQL에 저장하는 기술) 등 데이터 수집 기술을 이용하여 건축 장식재에 사용될 로 이미지(Raw Image)를 수집할 수 있다. 그러나, 이에 한정되는 것은 아니며 이미지 수집 모듈(111)은 사용자로부터 건축 장식재에 사용될 로 이미지(Raw Image)를 입력 받을 수도 있다.
이미지 수집 모듈(111)은 건축 장식재용 이미지 전체를 수집할 수 있으나, 이에 한정되는 것은 아니며, 건축 장식재용 이미지에서 일부 이미지 요소(예를 들어, 도형 또는 패턴과 같은 디자인 요소 등)를 수집할 수도 있다.
이미지 생성 모듈(113)은 수집된 로 이미지에 기초하여 새로운 이미지를 생성할 수 있다. 이미지 생성 모듈(113)은 수집된 로 이미지에 기초하여 신규 건축 장식재용 이미지를 생성할 수 있다. 이미지 생성 모듈(113)은 딥러닝(Deep Learning) 기술을 통해 수집된 로 이미지로부터 새로운 이미지를 생성할 수 있다. 예시적인 실시예에서, 이미지 생성 모듈(113)은 GAN(Generative Adversarial Network)(생성적 적대 신경망)을 이용하여 수집된 로 이미지로부터 새로운 이미지(신규 건축 장식재용 이미지)를 생성할 수 있다.
이 경우, 별도의 수작업 절차 없이 신규 이미지를 자동으로 다양하게 생성할 수 있게 된다. 그리고, 이미지의 설계 및 디자인 색상 조합 등에 따른 노력과 시간을 줄일 수 있게 된다.
구체적으로, 이미지 생성 모듈(113)은 멀티 도메인 이미지 셋을 StarGAN 의 학습 데이터로 하여 모든 가능한 도메인 사이의 매핑을 하나의 생성기(Generator)로 학습할 수 있다. 여기서, 도메인(Domain)은 동일한 속성 값(Attribute Value)을 공유하는 이미지의 집합을 의미할 수 있다. 예를 들어, 생성하고자 하는 이미지가 건축 장식재용 이미지의 경우, 도메인은 엘리베이터 바닥 이미지, 실내 현관 바닥 이미지, 및 사업장(예를 들어, 대형 마트 또는 쇼핑몰 등) 바닥 이미지 등이 될 수 있다.
이미지 생성 모듈(113)은 StarGAN을 통해 여러 도메인의 이미지에 대해 타겟 도메인(예를 들어, 엘리베이터 바닥 이미지)의 이미지로의 변환을 학습할 수 있다. 즉, 실내 현관 바닥 이미지나 사업장 바닥 이미지와 같이 타겟 도메인(예를 들어, 엘리베이터 바닥 이미지)과 다른 도메인의 이미지에 대해서도 타겟 도메인의 이미지로 생성되도록 학습할 수 있다. 도 3은 본 발명의 일 실시예에 따른 이미지 생성 모듈(113)에서 StarGAN을 통해 신규 이미지를 생성하는 상태를 나타낸 도면이다. 여기서, StarGAN은 생성기(Generator)(113a)와 분류기(Discriminator)(113b)를 포함할 수 있다.
StarGAN의 생성기(Generator)(113a)는 로 이미지(Raw Image)와 타겟 도메인 정보를 입력 받고, 입력된 로 이미지로부터 특징을 추출하여 페이크 이미지를 생성할 수 있다. 예시적인 실시예에서, StarGAN의 생성기(Generator)(113a)는 로 이미지에서 컬러(예를 들어, 빨강색, 파란색, 녹색, 노란색, 보라색 등), 도형 타입(예를 들어, 원형, 삼각형, 사각형, 별, 사다리꼴, 타원형 등), 및 건축 공간 종류(예를 들어, 엘리베이터, 현관 등)와 같은 특징을 추출하여 타겟 도메인 정보에 대응하는 페이크 이미지(즉, 신규 건축 장식재용 이미지)를 생성하도록 학습될 수 있다.
또한, StarGAN의 생성기(Generator)(113a)는 입력된 로 이미지의 도메인 정보를 통해 페이크 이미지를 다시 원 이미지(즉, 페이크 이미지를 만들 때 기초가 되었던 로 이미지)로 복원하려고 학습될 수 있다. StarGAN의 생성기(Generator)(113a)는 페이크 이미지를 생성할 때 실제 이미지(Real Image)와 구분 불가능하면서 분류기(Discriminator)(113b)에 의해 타겟 도메인이 분류 가능하도록 페이크 이미지를 생성할 수 있다.
분류기(Discriminator)(113b)는 실제 이미지(Real Image)와 생성기(Generator)에서 생성한 페이크 이미지를 구별함과 동시에 페이크 이미지가 실제 이미지와 동일성이 있을 때 그에 대응하는 도메인을 분류하도록 학습될 수 있다.
이미지 편집 모듈(115)은 이미지 수집 모듈(111)에 의해 수집된 로 이미지(Raw Image) 및 이미지 생성 모듈(113)에 의해 생성된 신규 건축 장식재용 이미지 중 하나 이상에 대해 편집 과정을 수행할 수 있다. 도 4는 본 발명의 일 실시예에 따른 이미지 편집 모듈(115)의 구성을 나타낸 블록도이다. 도 4를 참조하면, 이미지 편집 모듈(115)은 이미지 요소 변경부(121) 및 이미지 해상도 변경부(123)를 포함할 수 있다.
이미지 요소 변경부(121)는 이미지 생성 모듈(113)에 의해 생성된 신규 건축 장식재용 이미지에 대해 이미지 요소를 변경할 수 있다. 여기서, 이미지 요소는 이미지를 구성하는 도형 또는 패턴의 디자인 및 이미지를 구성하는 색상 등이 포함될 수 있다. 예시적인 실시예에서, 이미지 요소 변경부(121)는 사용자 단말(102)의 이미지 요소 변경 요청에 따라 신규 건축 장식재용 이미지에 대해 이미지 요소를 변경할 수 있다.
즉, 사용자 단말(102)은 디자인 관리 서버(104)에 접속하여 건축 장소에 적용할 이미지를 선택할 수 있다. 예를 들어, 사용자 단말(102)은 이미지 생성 모듈(113)에 의해 생성된 신규 건축 장식재용 이미지 리스트에서 어느 하나의 이미지를 선택할 수 있다. 여기서, 사용자는 선택된 이미지에서 일부 이미지 요소를 변경하려고 하는 경우, 이미지 요소 변경 요청을 사용자 단말(102)을 통해 디자인 관리 서버(104)로 전송할 수 있다.
예시적인 실시예에서, 이미지 요소 변경부(121)는 CycleGAN을 이용하여 선택된 이미지의 이미지 요소를 변경할 수 있다. 도 5는 본 발명의 일 실시예에 따른 이미지 요소 변경부(121)에서 CycleGAN을 이용하여 이미지의 색상을 변경하는 상태를 나타낸 도면이다.
CycleGAN은 도메인 X(입력 이미지)와 도메인 Y(출력 이미지)를 매핑하는 함수를 학습하도록 할 수 있다. 구체적으로, CycleGAN은 입력 이미지로부터 페이크 이미지를 생성하되, 페이크 이미지(1차 페이크 이미지)를 기반으로 다시 페이크 이미지(2차 페이크 이미지)를 생성하는 경우, 2차 페이크 이미지와 입력 이미지 간의 차이가 최소화 되도록 손실 함수를 학습할 수 있다. 또한, CycleGAN은 반대 방향(Y→X)으로도 동일한 학습을 수행하여 순방향(X→Y)의 손실 함수와 역방향(Y→X)의 손실 함수를 합하여 전체 신경망의 손실 함수로 할 수 있다. 이러한 CycleGAN을 이용하면 도 5에 도시된 바와 같이 입력 이미지에서 색상만 변경된 이미지를 출력할 수 있게 된다.
한편, 여기서는 이미지 요소 변경부(121)가 이미지 생성 모듈(113)에 의해 생성된 신규 건축 장식재용 이미지에 대해 이미지 요소를 변경하는 것으로 설명하였으나, 이에 한정되는 것은 아니며 기존의 건축 장식재용 이미지(즉, 이미지 수집 모듈(111)에 의해 수집된 이미지)에 대해 이미지 요소를 변경할 수도 있다.
이미지 해상도 변경부(123)는 이미지 수집 모듈(111)에서 수집된 로 이미지(Raw Image) 또는 이미지 생성 모듈(113)에서 생성된 신규 이미지 중 저해상도의 이미지를 고해상도의 이미지로 변경할 수 있다. 예시적인 실시예에서, 이미지 해상도 변경부(123)는 SRGAN을 이용하여 저해상도 이미지를 고해상도 이미지로 변경할 수 있다.
도 6은 본 발명의 일 실시예에 따른 이미지 해상도 변경부(123)에서 SRGAN을 이용하여 저해상도 이미지를 고해상도 이미지로 변경하는 상태를 나타낸 도면이다. SRGAN은 한 쌍의 저해상도 이미지와 고해상도 이미지 데이터 셋들을 입력 받아 저해상도 이미지와 고해상도 이미지 간의 손실(Loss) 데이터 셋을 학습하고, 학습된 손실 데이터 셋을 입력되는 저해상도 이미지와 매핑하여 손실을 최소화 함으로써 고해상도 이미지에 수렴하도록 할 수 있다.
이미지 해상도 변경부(123)는 이미지 수집 모듈(111)에서 수집된 로 이미지(Raw Image)가 기 설정된 기준 해상도 미만인 경우, 해당 로 이미지를 SRGAN을 통해 고해상도 이미지로 변경한 후, 이미지 생성 모듈(113)로 전달할 수 있다. 그러면, 이미지 생성 모듈(113)에서는 고해상도의 신규 이미지를 생성할 수 있게 된다.
또한, 이미지 해상도 변경부(123)는 이미지 생성 모듈(113)에서 생성한 신규 이미지 중 기 설정된 기준 해상도 미만인 신규 이미지를 SRGAN을 통해 고해상도 이미지로 변경할 수 있다.
이미지 편집 모듈(115)을 통해 이미지 요소를 변경하거나 해상도를 고해상도로 변경함으로써, 이미지의 재 작업 비율이 감소하고, 사용자들의 이미지 선택 폭이 넓어지며 디자인 만족도를 높일 수 있게 된다.
이미지 적용 모듈(117)은 사용자 단말(102)로부터 건축 공간 촬영 이미지를 수신할 수 있다. 예를 들어, 건축 장식재용 이미지를 적용할 건축 공간이 엘리베이터 바닥인 경우, 사용자 단말(102)은 해당 엘리베이터 바닥을 촬영한 이미지(건축 공간 촬영 이미지)를 디자인 관리 서버(104)로 송신할 수 있다.
이미지 적용 모듈(117)은 건축 공간 촬영 이미지에 사용자가 선택한 건축 장식재용 이미지를 적용할 수 있다. 구체적으로, 이미지 적용 모듈(117)은 건축 공간 촬영 이미지에서 건축 장식재용 이미지가 적용될 영역을 인식할 수 있다. 이미지 적용 모듈(117)은 건축 공간 촬영 이미지에서 건축 장식재용 이미지가 적용될 영역의 각 꼭지점 검출할 수 있다. 이미지 적용 모듈(117)은 각 꼭지점에서 이웃하는 꼭지점을 연결하여 건축 장식재용 이미지가 적용될 영역(이미지 적용 영역)의 형태를 인식할 수 있다.
이미지 적용 모듈(117)은 사용자에 의해 선택된 건축 장식재용 이미지를 이미지 적용 영역에 맞게 변환 할 수 있다. 이미지 적용 모듈(117)은 이미지 적용 영역에서 각 선분의 길이 및 각 선분 간의 각도를 확인하여 건축 장식재용 이미지를 이미지 적용 영역에 맞게 변환할 수 있다. 이미지 적용 모듈(117)은 변환된 건축 장식재용 이미지를 건축 공간 촬영 이미지에서 이미지 적용 영역에 적용할 수 있다. 예를 들어, 이미지 적용 모듈(117)은 증강 현실 기술을 이용하여 변환된 건축 장식재용 이미지를 건축 공간 촬영 이미지에서 이미지 적용 영역에 적용할 수 있다. 이미지 적용 모듈(117)은 건축 장식재용 이미지가 적용된 건축 공간 촬영 이미지를 사용자 단말(102)로 전송할 수 있다. 이 경우, 사용자는 미리 디자인이 적용된 상태를 확인해 볼 수 있게 된다. 도 7은 본 발명의 일 실시예에 따른 사용자 단말(102)에서 건축 공간에 디자인이 적용된 상태를 나타낸 도면이다.
시공 상태 확인 모듈(119)은 사용자 단말(102)로부터 건축 장식재가 시공된 건축 공간 촬영 이미지(이하, 건축 장식재 시공 이미지라 지칭할 수 있음)를 수신할 수 있다. 시공 상태 확인 모듈(119)은 건축 장식재 시공 이미지에 기초하여 건축 공간 상에 건축 장식재가 시공된 상태를 확인할 수 있다. 예시적인 실시예에서, 시공 상태 확인 모듈(119)은 건축 공간 상에 건축 장식재가 시공된 상태를 머신 러닝 기술에 기반하여 확인할 수 있다.
구체적으로, 시공 상태 확인 모듈(119)은 딥 러닝 모델을 통해 제품 시공이 정상 상태인 이미지 데이터 셋과 제품 시공이 불량 상태인 이미지 데이터 셋을 각각 수집하고 학습할 수 있다. 시공 상태 확인 모듈(119)은 이렇게 학습된 딥 러닝 모델에 건축 장식재 시공 이미지를 입력하여 건축 장식재 시공 이미지의 불량 상태 여부를 확인할 수 있다. 시공 상태 확인 모듈(119)은 건축 장식재 시공 이미지의 정상 상태 이미지 또는 불량 상태 이미지 간의 유사도에 따라 정상 상태 정도 또는 불량 상태 정도를 확인할 수 있다.
개시되는 실시예에 의하면, 딥러닝 기술을 통하여 건축 장식재용 이미지를 신규 생성하고 편집함으로써, 디자인 공정을 자동화 하여 공정 효율화를 추구하며 전체 업무 공정을 간소화 할 수 있게 된다. 또한, 사용자에게 디자인의 선택 폭을 넓혀 줄 수 있게 되고 디자인 만족도를 향상시킬 수 있게 된다.
본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 "모듈"은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아니다.
도 8은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 사용자 단말(102)일 수 있다. 또한, 컴퓨팅 장치(12)는 디자인 관리 서버(104)일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100 : 건축 장식재 디자인 업무 시스템
102 : 사용자 단말
104 : 디자인 관리 서버
111 : 이미지 수집 모듈
113 : 이미지 생성 모듈
115 : 이미지 편집 모듈
117 : 이미지 적용 모듈
119 : 시공 상태 확인 모듈
121 : 이미지 요소 변경부
123 : 이미지 해상도 변경부
102 : 사용자 단말
104 : 디자인 관리 서버
111 : 이미지 수집 모듈
113 : 이미지 생성 모듈
115 : 이미지 편집 모듈
117 : 이미지 적용 모듈
119 : 시공 상태 확인 모듈
121 : 이미지 요소 변경부
123 : 이미지 해상도 변경부
Claims (10)
- 건축 장식재에 사용될 로 이미지(Raw Image)를 수집하는 이미지 수집 모듈;
상기 수집된 로 이미지(Raw Image)에 기초하여 딥 러닝(Deep Learning)을 통해 신규 건축 장식재용 이미지를 생성하는 이미지 생성 모듈;
사용자 단말의 이미지 요소 변경 요청에 따라 상기 신규 건축 장식재용 이미지에 대해 이미지 요소를 변경하는 이미지 편집 모듈;
상기 사용자 단말로부터 건축 공간 촬영 이미지를 수신하고, 상기 건축 공간 촬영 이미지에 상기 사용자 단말의 사용자에 의해 선택된 건축 장식재용 이미지를 적용하는 이미지 적용 모듈; 및
상기 사용자 단말로부터 건축 장식재 시공 이미지를 수신하고, 상기 건축 장식재 시공 이미지에 기초하여 건축 공간 상에 건축 장식재가 시공된 상태를 확인하는 시공 상태 확인 모듈을 포함하며,
상기 시공 상태 확인 모듈은, 제품 시공이 정상 상태인 이미지 데이터 셋과 제품 시공이 불량 상태인 이미지 데이터 셋을 수집하고 이를 기반으로 제품 시공의 시공된 상태를 분류하도록 학습되는 딥 러닝 모델을 포함하고, 상기 건축 장식재 시공 이미지를 상기 학습된 딥 러닝 모델의 입력으로 하여 상기 시공된 상태의 정상 상태 정도 또는 불량 상태 정도를 확인하는, 건축 장식재 디자인 업무 시스템.
- 청구항 1에 있어서,
상기 이미지 생성 모듈은, StarGAN(Generative Adversarial Network)을 통해 신규 건축 장식재용 이미지를 생성하고,
상기 StarGAN은,
상기 로 이미지(Raw Image)와 상기 건축 장식재에 대한 타겟 도메인 정보를 입력 받고, 상기 입력된 로 이미지로부터 컬러, 도형 타입, 및 건축 공간 종류 중 하나 이상의 특징을 추출하여 상기 타겟 도메인 정보에 대응하는 신규 건축 장식재용 이미지를 생성하도록 학습되는 생성기; 및
상기 생성기에서 생성한 신규 건축 장식재용 이미지와 실제 이미지를 구별하고, 상기 신규 건축 장식재용 이미지의 도메인을 분류하도록 학습되는 분류기를 포함하고,
상기 생성기는, 상기 로 이미지(Raw Image)의 도메인 정보를 통해 상기 생성한 신규 건축 장식재용 이미지를 다시 원 이미지로 복원하려고 학습되는, 건축 장식재 디자인 업무 시스템.
- 청구항 1에 있어서,
상기 이미지 편집 모듈은,
CycleGAN(Generative Adversarial Network)을 통해 상기 신규 건축 장식재용 이미지 또는 상기 수집된 로 이미지에 대해 이미지 요소를 변경하며,
상기 CycleGAN은,
상기 신규 건축 장식재용 이미지 또는 상기 수집된 로 이미지로부터 색상이 변경된 1차 페이크 이미지를 생성하고, 상기 1차 페이크 이미지를 기반으로 색상이 변경된 2차 페이크 이미지를 생성하는 경우 상기 2차 페이크 이미지와 상기 신규 건축 장식재용 이미지 또는 상기 수집된 로 이미지 간의 차이가 최소화 되도록 순방향 손실 함수 및 역방향 손실 함수를 각각 학습하고, 상기 순방향 손실 함수와 상기 역방향 손실 함수를 합하여 상기 CycleGAN의 손실 함수로 설정하는, 건축 장식재 디자인 업무 시스템.
- 청구항 1에 있어서,
상기 이미지 편집 모듈은,
상기 수집된 로 이미지(Raw Image) 또는 상기 생성된 신규 건축 장식재용 이미지 중 해상도가 기 설정된 기준 해상도 미만인 이미지를 고해상도 이미지로 변경하는 이미지 해상도 변경부를 포함하는, 건축 장식재 디자인 업무 시스템.
- 청구항 4에 있어서,
상기 이미지 해상도 변경부는,
SRGAN(Super Resolution GAN)을 통해 상기 기준 해상도 미만인 이미지를 고해상도 이미지로 변경하는, 건축 장식재 디자인 업무 시스템.
- 청구항 1에 있어서,
상기 이미지 적용 모듈은,
상기 건축 공간 촬영 이미지에서 상기 건축 장식재용 이미지가 적용될 영역의 각 꼭지점을 검출하고, 상기 각 꼭지점에서 이웃하는 꼭지점을 연결하여 이미지 적용 영역의 형태를 인식하며, 상기 이미지 적용 영역에서 각 선분의 길이 및 각 선분 간의 각도를 확인하여 상기 건축 장식재용 이미지를 상기 이미지 적용 영역의 형태에 맞게 변환하여 적용하는, 건축 장식재 디자인 업무 시스템.
- 삭제
- 삭제
- 삭제
- 하나 이상의 프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
수집된 로 이미지(Raw Image)에 기초하여 딥 러닝(Deep Learning)을 통해 신규 건축 장식재용 이미지를 생성하는 단계;
사용자 단말의 이미지 요소 변경 요청에 따라 상기 신규 건축 장식재용 이미지에 대해 이미지 요소를 변경하는 단계;
상기 사용자 단말로부터 건축 공간 촬영 이미지를 수신하고, 상기 건축 공간 촬영 이미지에 상기 사용자 단말의 사용자에 의해 선택된 건축 장식재용 이미지를 적용하는 단계; 및
상기 사용자 단말로부터 건축 장식재 시공 이미지를 수신하고, 상기 건축 장식재 시공 이미지에 기초하여 건축 공간 상에 건축 장식재가 시공된 상태를 확인하는 단계를 포함하며,
상기 시공된 상태를 확인하는 단계는,
제품 시공이 정상 상태인 이미지 데이터 셋과 제품 시공이 불량 상태인 이미지 데이터 셋을 수집하고 이를 기반으로 제품 시공의 시공된 상태를 분류하도록 딥 러닝 모델을 학습하는 단계; 및
상기 건축 장식재 시공 이미지를 상기 학습된 딥 러닝 모델의 입력으로 하여 상기 시공된 상태의 정상 상태 정도 또는 불량 상태 정도를 확인하는 단계를 포함하는, 건축 장식재 디자인 업무 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200081630A KR102437560B1 (ko) | 2020-07-02 | 2020-07-02 | 건축 장식재 디자인 업무 시스템 및 방법 |
| PCT/KR2020/018938 WO2022004978A1 (ko) | 2020-07-02 | 2020-12-22 | 건축 장식재 디자인 업무 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200081630A KR102437560B1 (ko) | 2020-07-02 | 2020-07-02 | 건축 장식재 디자인 업무 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220003864A KR20220003864A (ko) | 2022-01-11 |
| KR102437560B1 true KR102437560B1 (ko) | 2022-08-26 |
Family
ID=79316381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200081630A KR102437560B1 (ko) | 2020-07-02 | 2020-07-02 | 건축 장식재 디자인 업무 시스템 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102437560B1 (ko) |
| WO (1) | WO2022004978A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102610169B1 (ko) * | 2022-04-04 | 2023-12-06 | 쿠팡 주식회사 | 아이템 커스터마이징 관련 정보 제공 방법 및 이를 이용한 전자 장치 |
| CN117113508A (zh) * | 2023-09-08 | 2023-11-24 | 绥化市麦微科技有限公司 | 一种建筑信息模型bim的数据生成方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110105532A (ko) | 2010-03-19 | 2011-09-27 | (주)스파티필름 | 가상의 인테리어 디자인이 가능한 ｅ-아파트먼트 하우징 시스템 |
| KR20130026553A (ko) * | 2011-07-26 | 2013-03-14 | 최원국 | 스마트 기기의 카메라 모듈을 이용한 인테리어 시뮬레이션 서비스 제공 방법 |
-
2020
- 2020-07-02 KR KR1020200081630A patent/KR102437560B1/ko active IP Right Grant
- 2020-12-22 WO PCT/KR2020/018938 patent/WO2022004978A1/ko active Application Filing
Non-Patent Citations (4)
| Title |
|---|
| CHOI 등, StarGAN: UGAN for Multi-Domain Image-to-Image Translation, IEEE, (2018.12.17.)* |
| JIA 등, Pscenegan: Multi-Domain Particular Scenes Generation Based on CGAN, IEEE Access, VOL. 7, (2019.6.17.)* |
| LEDIG 등, Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network, IEEE,(2017.11.9.)* |
| ZHU 등, Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks, IEEE,(2017.12.25.)* |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022004978A1 (ko) | 2022-01-06 |
| KR20220003864A (ko) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11954486B2 (en) | Location tracking system and methods | |
| US11726822B2 (en) | Systems and methods for providing digital twin-enabled applications | |
| EP3692438B1 (en) | Automatic generation of a graphic user interface (gui) based on a gui screen image | |
| EP3623961A1 (en) | Predictive modeling with machine learning in data management platforms | |
| CN109710243B (zh) | 基于可视化平台的区块链开发方法、装置、服务器及介质 | |
| Ge et al. | A data‐centric capability‐focused approach for system‐of‐systems architecture modeling and analysis | |
| CN106471517B (zh) | 对显示元素的因用户而异的可视化 | |
| US20200285855A1 (en) | Hub and spoke classification system | |
| US10706200B2 (en) | Generative adversarial networks for generating physical design layout patterns of integrated multi-layers | |
| US9037986B2 (en) | Online virtual safe deposit box user experience | |
| US12001917B2 (en) | Hub-and-spoke classification system and methods | |
| CN108292231A (zh) | 从数据生成应用 | |
| CN105264554A (zh) | 移动花费捕捉和报告 | |
| KR102437560B1 (ko) | 건축 장식재 디자인 업무 시스템 및 방법 | |
| US10678521B1 (en) | System for image segmentation, transformation and user interface component construction | |
| US20180197313A1 (en) | Cognitive color scheme advisor for dynamic modification of digital media in a collaborative environment with color blind individuals | |
| US10691429B2 (en) | Converting whiteboard images to personalized wireframes | |
| CN113127195B (zh) | 人工智能分析垂直解决方案集成器 | |
| US20150234859A1 (en) | Managing Inferred Data | |
| US20120078967A1 (en) | Integration of a Framework Application and a Task Database | |
| US20240005640A1 (en) | Synthetic document generation pipeline for training artificial intelligence models | |
| US20230298373A1 (en) | Detecting graphical elements in charts using predicted heatmaps | |
| Lee et al. | Deep neural network model construction with interactive code reuse and automatic code transformation | |
| CN116700703B (zh) | 一种业务处理方法、装置、设备及存储介质 | |
| US11561932B2 (en) | Cognitive digital file naming |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |