KR102535981B1 - 머신러닝 및 빅데이터 기반 ２ｄ 도면 그리기 어시스트 서비스 제공 시스템 - Google Patents

머신러닝 및 빅데이터 기반 ２ｄ 도면 그리기 어시스트 서비스 제공 시스템 Download PDF

Info

Publication number
KR102535981B1
KR102535981B1 KR1020220001950A KR20220001950A KR102535981B1 KR 102535981 B1 KR102535981 B1 KR 102535981B1 KR 1020220001950 A KR1020220001950 A KR 1020220001950A KR 20220001950 A KR20220001950 A KR 20220001950A KR 102535981 B1 KR102535981 B1 KR 102535981B1
Authority
KR
South Korea
Prior art keywords
machine learning
user terminal
data
big data
button
Prior art date
Application number
KR1020220001950A
Other languages
English (en)
Inventor
오인균
강천수
선진송
김해룡
Original Assignee
주식회사 에스씨컴퍼니
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 에스씨컴퍼니 filed Critical 주식회사 에스씨컴퍼니
Priority to KR1020220001950A priority Critical patent/KR102535981B1/ko
Application granted granted Critical
Publication of KR102535981B1 publication Critical patent/KR102535981B1/ko

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템이 제공되며, 가상 인테리어를 위해 도면을 생성하는 사용자 단말 및 적어도 하나의 도면 객체와 적어도 하나의 도면 만들기 메뉴를 매핑하여 저장하는 데이터베이스화부, 적어도 하나의 주소지, 적어도 하나의 주거형태 및 적어도 하나의 도면 데이터를 빅데이터로 매핑하여 저장하는 빅데이터화부, 사용자 단말에서 도면을 생성하도록 도면 만들기 메뉴를 제공하는 제공부, 사용자 단말에서 생성한 도면 데이터를, 사용자 단말에서 입력한 주소지와 유사한 주거형태에 따른 도면 데이터에 기반하여, 기 저장된 적어도 하나의 머신러닝 알고리즘을 이용하여 보정하는 보정부를 포함하는 어시스트 서비스 제공 서버를 포함한다.

Description

머신러닝 및 빅데이터 기반 ２Ｄ 도면 그리기 어시스트 서비스 제공 시스템{SYSTEM FOR PROVIDING TWO-DIMENTIONAL DRAWING ASSISTANT SERVICE BASED ON MACHINE LEARNING AND BIGDATA}
본 발명은 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템에 관한 것으로, 사용자 단말에서 그린 도면 데이터를 기반으로 보편적으로 사용되는 도면 구조 및 비율을 제공할 수 있는 시스템을 제공한다.
건물의 평면도는 픽셀 기반 이미지의 형태로 나타내며 점, 선, 면 등 여러 기본 도형으로 구성되어 있어 기본 도형의 조합과 집합으로 도면 내 벽, 창문, 문 등 다양한 객체를 표현한다. 이러한 도면의 특성에 의해 스캔된 도면 자료는 선 기반 구분자를 이용하여 벡터 형태의 자료형으로 표현될 수 있으며 벡터화된 도면의 자료구조는 버텍스(Vertex)와 에지(Edge)로 이루어진 그래프 자료구조로 표현할 수 있다. 벽이나 문과 같이 실내의 각 공간을 객체의 코너를 추출하여 이들을 연결하는 선을 생성하거나, 스캔된 도면에서 필요한 정보를 래스터 형태로 추출하는 방법이 연구 및 개발되고 있다. 다만, 건축물대장이나 실내건축도면이 오래되어 멸실되거나 유실되고 실제 건축업자가 아닌 세입자나 거주자의 경우 도면을 얻을 수 있는 방법이 없어 실측을 통하여 다시 그려야 하는 번거로움이 있다.
이때, 실내도면을 생성하는 방법이 연구 및 개발되었는데, 이와 관련하여 선행기술인 한국공개특허 제2014-0139721호(2014년12월08일 공개) 및 한국공개특허 제2012-0072124호(2012년07월03일 공개)에는, 실제 좌표를 포함하고 있는 건물의 외곽선을 이용하여 웹 기반에서 2차원 및 3차원 실내지도를 제작하는 구성과, 전자기기를 이용하여, 실내의 도면에 좌표계를 설정하고, 실내의 각 분할 공간의 중심 좌표 정보 및 층간 또는 외부와의 출입을 위한 출입구의 입구 좌표 정보를 추출하여 도면을 생성하는 구성이 각각 개시되어 있다.
다만, 전자의 경우 건물의 실제 좌표를 파악해야 하므로 실제 건물을 실측하는 과정이 포함되고, 후자의 경우에도 전자기기를 이용해야 하므로 별도의 하드웨어의 구비가 필수적이다. 대부분의 주거공간의 거주자는 자신이 그 건물을 보유하고 있다고 할지라도 건축물대장을 열람하지 않는 이상 도면에 접근할 수가 없고, 세입자는 더더욱 도면을 볼 기회는 없다. 또, 건축물대장을 열람한다고 할지라도 거주공간의 변형이 있는 경우 도면 데이터는 실제 인테리어를 진행할 때 쓸모없어진다. 이에, 빅데이터 및 머신러닝으로 각 주거형태, 평형, 타입, 건축년도에 따른 주거의 구조, 비율 및 형태를 저장하여 학습시키고, 사용자가 웹 페이지에서 선 및 도형을 이용하여 도면을 그렸을 때 기준 데이터를 제시하여 어시스트를 할 수 있는 플랫폼의 연구 및 개발이 요구된다.
본 발명의 일 실시예는, 빅데이터 및 머신러닝으로 거주공간의 도면 데이터를 빅데이터로 구축하고 학습 및 테스트를 거쳐 모델링하며, 사용자 단말에서 2D 도면을 그리고자 할 때, 사용자 단말에서 그린 도면 데이터 상에서 사용자가 거주하는 거주공간의 거주형태, 평형, 타입, 주소, 건축년도 등을 이용하여 보편적으로 사용되는 거주공간의 비율, 구조, 크기, 배치 등을 안내하거나 이를 기반으로 도면 데이터를 보정해줄 수 있도록 어시스트하는, 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, 가상 인테리어를 위해 도면을 생성하는 사용자 단말 및 적어도 하나의 도면 객체와 적어도 하나의 도면 만들기 메뉴를 매핑하여 저장하는 데이터베이스화부, 적어도 하나의 주소지, 적어도 하나의 주거형태 및 적어도 하나의 도면 데이터를 빅데이터로 매핑하여 저장하는 빅데이터화부, 사용자 단말에서 도면을 생성하도록 도면 만들기 메뉴를 제공하는 제공부, 사용자 단말에서 생성한 도면 데이터를, 사용자 단말에서 입력한 주소지와 유사한 주거형태에 따른 도면 데이터에 기반하여, 기 저장된 적어도 하나의 머신러닝 알고리즘을 이용하여 보정하는 보정부를 포함하는 어시스트 서비스 제공 서버를 포함한다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 빅데이터 및 머신러닝으로 거주공간의 도면 데이터를 빅데이터로 구축하고 학습 및 테스트를 거쳐 모델링하며, 사용자 단말에서 2D 도면을 그리고자 할 때, 사용자 단말에서 그린 도면 데이터 상에서 사용자가 거주하는 거주공간의 거주형태, 평형, 타입, 주소, 건축년도 등을 이용하여 보편적으로 사용되는 거주공간의 비율, 구조, 크기, 배치 등을 안내하거나 이를 기반으로 도면 데이터를 보정해줄 수 있도록 어시스트한다.
도 1은 본 발명의 일 실시예에 따른 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 어시스트 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체 지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템(1)은, 적어도 하나의 사용자 단말(100), 어시스트 서비스 제공 서버(300), 적어도 하나의 업로드 단말(400)을 포함할 수 있다. 다만, 이러한 도 1의 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.
이때, 도 1의 각 구성요소들은 일반적으로 네트워크(Network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 사용자 단말(100)은 네트워크(200)를 통하여 어시스트 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 어시스트 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 사용자 단말(100), 적어도 하나의 업로드 단말(400)과 연결될 수 있다. 또한, 적어도 하나의 업로드 단말(400)은, 네트워크(200)를 통하여 어시스트 서비스 제공 서버(300)와 연결될 수 있다.
여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.
적어도 하나의 사용자 단말(100)은, 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 2D 도면을 그리는 사용자의 단말일 수 있다. 이를 위하여, 사용자 단말(100)은, 거주형태, 평형수, 주소지 등을 입력하여 보편적으로 사용되는 도면 데이터를 먼저 출력하거나, 사용자 단말(100)에서 도면 데이터를 생성한 후 거주형태, 평형수, 주소지 등을 입력하여 보편적으로 사용되는 도면 데이터를 오버레이함으로써 도면 데이터를 수정할 수 있도록 어시스트받는 단말일 수 있다.
여기서, 적어도 하나의 사용자 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
어시스트 서비스 제공 서버(300)는, 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 어시스트 서비스 제공 서버(300)는, 2D 도면을 그릴 수 있는 메뉴와 도면 객체를 데이터베이스화하여 저장하는 서버일 수 있다. 또한, 어시스트 서비스 제공 서버(300)는, 거주형태, 평형수, 주소에 따라 도면 데이터를 적어도 하나의 업로드 단말(400)로부터 수집하여 빅데이터를 구축하는 서버일 수 있다. 그리고, 어시스트 서비스 제공 서버(300)는, 빅데이터를 구축한 후 적어도 하나의 머신러닝 알고리즘을 모델링하기 위하여 [거주형태-평형수-주소-도면 데이터]를 데이터셋으로 설정하고 거주형태, 평형수 및 주소 등을 입력하면 도면 데이터가 출력되도록 하는 서버일 수 있다. 이때, 주소는 행정구역단위일 수 있고 삭제되어도 가능하다. 또, 보편적인 거주공간의 도면을 도출하기 위하여 필요한 변수나 파라미터를 더 넣어 학습을 진행하는 것도 가능하며 나열된 것들로 한정되지 않고 열거되지 않은 이유로 배제되지 않는다. 그리고, 어시스트 서비스 제공 서버(300)는, 사용자 단말(100)에서 도면 데이터를 생성하는 경우, 사용자가 거주하는 거주공간의 거주형태, 주소, 평형수를 입력하는 경우, 해당 거주형태, 주소, 평형수에서 보편적으로 적용되는 거주공간의 비율, 구조, 크기, 도면 등을 출력하여 사용자가 도면을 완성하는데 도움을 주는 서버일 수 있다. 이렇게 도면이 완성되는 경우, 가상 인테리어를 위한 도면이 완성되었으므로 인테리어 객체를 배치하는 과정이 수행될 수 있다. 다만, 이 과정은 본 출원인의 별도 출원으로 출원하므로 상세한 설명은 생략한다.
여기서, 어시스트 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
적어도 하나의 업로드 단말(400)은, 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 도면 데이터, 평형수, 거주형태, 주소, 건축년도 등의 정보를 업로드하는 단말일 수 있다. 인공지능을 학습시키기 위해서는 학습자료(데이터셋)가 필요한데, 이 데이터셋은 모두 라벨링이 되어 있어야 하며, 이를 위해 라벨러(Labeller)라는 직업까지 생기기 시작했다. 이에 따라, 업로드 단말(400)의 업로더는 이러한 라벨러의 역할을 수행하며, 각 도면 데이터를 업로드하면서 각각의 정보를 함께 라벨링 하여 업로드하는 단말일 수 있다.
여기서, 적어도 하나의 업로드 단말(400)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 업로드 단말(400)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 업로드 단말(400)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
도 2는 도 1의 시스템에 포함된 어시스트 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3 및 도 4는 본 발명의 일 실시예에 따른 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 2를 참조하면, 어시스트 서비스 제공 서버(300)는, 데이터베이스화부(310), 빅데이터화부(320), 제공부(330), 보정부(340), 그리기버튼제공부(350), 창호버튼제공부(360) 및 머신러닝부(370)를 포함할 수 있다.
본 발명의 일 실시예에 따른 어시스트 서비스 제공 서버(300)나 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 사용자 단말(100) 및 적어도 하나의 업로드 단말(400)로 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 사용자 단말(100) 및 적어도 하나의 업로드 단말(400)은, 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 사용자 단말(100) 및 적어도 하나의 업로드 단말(400)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: World Wide Web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(Hyper Text Mark-up Language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(Chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(Application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(App)을 포함한다.
도 2를 참조하면, 데이터베이스화부(310)는, 적어도 하나의 도면 객체와 적어도 하나의 도면 만들기 메뉴를 매핑하여 저장할 수 있다. 예를 들어, 도 4j와 같이 좌측의 창호, 문, 방, 벽 등의 버튼을 누르면 우측의 도면 데이터 상에 창호, 문, 벽 등을 오버레이할 수 있도록 창호, 문, 벽 등의 도면 객체를 도면 만들기 메뉴, 예를 들어 버튼 등과 함께 매핑하여 저장할 수 있다. 물론, 도면 객체나 도면 만들기 메뉴는 도 4j에 도시된 것에 한정되지 않고 열거되지 않은 이유로 배제되지 않는다.
빅데이터화부(320)는, 적어도 하나의 주소지, 적어도 하나의 주거형태 및 적어도 하나의 도면 데이터를 빅데이터로 매핑하여 저장할 수 있다. 적어도 하나의 주거형태는, 원룸과 같은 다가구주택, 빌라와 같은 다세대주택 및 아파트와 같은 집합건물의 정보를 포함하고, 평형대 및 타입정보를 더 포함할 수 있다. 대부분의 원룸, 빌라, 아파트의 경우 각 건축년도에 따라, 지역에 따라, 건축업자에 따라, 필지의 크기나 형태에 따라 서로 다르기도 하지만 보편적인 건축 구조, 배치, 비율 및 크기 등이 존재하기도 한다. 게다가 최근 아파트와 같은 집합건물의 경우에는 네이버 부동산에서 각 평형대별 또 타입별(A,B,C 타입 등)로 평면도를 제공하고 있으며, 각 원룸이나 빌라의 경우에도 형태가 유사하기 때문에 도면 데이터를 수집하여 빅데이터를 구축하는 경우 내 집의 구조도 대략적으로 비슷하게 보정을 수행할 수 있다. 대부분의 일반인은 도면을 그리기를 두려워하고 어려워 한다. 포토샵이나 AUTOCAD 심지어 그림판 내에서 선을 하나 그어도 제대로 직선을 긋는 것도 힘들어하기 때문에 대략적인 구조나 비율 또 크기 등을 제공해주거나 오버레이해주는 어시스트는 셀프 인테리어 견적이나 인테리어 가상화 플랫폼에 매우 중요한 요소이다. 이를 위하여 적어도 하나의 업로드 단말(400)로부터 도면 데이터를 업로드받고 이를 빅데이터로 구축할 수 있다.
<도면 벡터화>
빅데이터는 데이터를 그저 많이 쌓아둔다고 해서 구축되는 것이 아니라, 이를 전처리 및 정제하여 이용할 수 있는 데이터로 가공을 해야 비로소 구축이 되는 것이다. 이에 따라, 도면 데이터를 벡터화를 수행하여 이하의 객체 분류를 용이하도록 정제하는 과정을 거칠 수 있다. 실내도면의 벡터화는 도면 이미지를 이진화 후 허프 변환을 통해 선형 객체를 검출하는 규칙 기반의 방법을 이용할 수 있다. 다만, 다양한 표기법이 존재하는 실내 건축도면의 경우 객체 탐지 및 벡터화 규칙을 일반화하기 어려워 기존의 규칙 기반 방법은 범용성이 떨어진다. 이에, 학습 기반의 도면 이미지 세그멘테이션 및 벡터화를 이용할 수 있다.
이때, 벽이나 문과 같이 실내의 각 공간을 구성하는 객체의 코너를 추출하고, 이를 연결하는 생성할 수도 있는데, 코너를 추출하고 연결하여 새로운 선 벡터를 생성한다는 점에서 실내구조를 왜곡할 가능성이 있다. 또, 세그멘테이션 성능이 낮아 코너가 추출되지 못하는 경우 해당 객체가 유실될 수 있다. 이에, 세그멘테이션의 세션화 결과와 객체의 그래프를 이용하여 벡터화 기법을 이용할 수 있다. 본 발명의 일 실시예에 따른 벡터화 프로세스는 이하 표 1과 같다. 실내 도면 이미지의 CNN 세그멘테이션 결과를 입력 데이터로 사용하며, 입력 데이터에 세션화를 수행한 후 각 객체의 노드와 에지를 추출한다. 이때 프로세스 진행 방향은 CNN 래스터 결과를 중심으로 상하에서 각각 우측으로 향한다.
세션화 노드 및 에지 추출 그래프생성 중심성 및 연결성 계산 객체별 선 벡터
CNN 래스터 결과
실(Tune) 래스터 추출 하운딩 박스 공간별 폴리곤
추출한 정보를 이용하여 노드와 에지로 구성된 그래프를 형성하고, 그래프 내 각 노드에 연결된 간선의 수를 기반으로 연결 중심성(Degree Centrality)을 계산한다. 또한, 연결성 지표인 도달가능성(Reachability) 및 거리(Distance)를 이용하여 벡터화를 수행할 수 있다. 탐지객체 중 예를 들어, 엘레베이터와 계단의 경우 입력 래스터의 면적을 기반으로 거짓 양성(False Positive)를 제외한 영역을 검출하기 위한 바운딩 박스를 생성하고 이를 기반으로 폴리곤화할 수 있다. 구조가 복잡한 실내도면의 객체 및 공간에 대해 높은 성능으로 벡터화가 가능하며, 세그멘테이션 과정에서 손실된 형상을 복구할 수 있다.
<GNN을 이용한 실내도면 객체 분류>
빅데이터화를 위하여 각각의 도면 내 구성요소를 분류하여 이를 라벨링할 수도 있는데, 인공지능을 이용하여 라벨링을 해줌으로써 객체를 분류할 수도 있다. 벡터화된 도면을 사용하여 그래프로 변환한 후, 도면 그래프를 GNN(Graph Neural Networks) 모델 중 하나인 GIN의 입력으로 사용하여 그래프 내 각 노드가 어떤 클래스에 속하는지 예측 및 분류할 수 있다. GIN은 Weisfeiler-Lehman 그래프 동형사상 테스트의 특징을 일반화하는 동시에 저차원으로 임베딩을 가능하게 하는 GNN으로, 버텍스와 그래프의 고유 임베딩 벡터를 찾고, 이를 이용하여 입력대상의 목적에 맞게 분류, 예측 및 탐지 등 여러 분석에 이용할 수 있는 모델이다. 본 발명의 GIN은 이하 수학식 1과 같을 수 있다.
Figure 112022001707935-pat00001
모델링을 위한 테스트 방법은 우선, ① GIN 모델을 통한 객체 분류 학습에 사용될 라벨링이 완료된 도면 그래프를 불러와 각 노드별 속성을 담은 특징(Feature) 행렬과 노드 간 인접정보를 가진 인접행렬을 구한다. 그 다음, ② 두 행렬을 행렬곱 한 후, 초기화된 다층레이어블록에 넣어 노드별 고유값을 지닌 임베딩 벡터를 생성한다. ③ 마지막 레이어를 통해 전체 객체의 클래스의 개수만큼 차원을 가진 벡터가 출력되고 각 클래스별 최종 확률을 구한다. ④ 이 중 가장 큰 값을 지닌 클래스를 최종 예측값으로 산출한 후 라벨과의 비교를 통하여 오차를 구한다. ⑤ 마지막으로 오차를 기준으로 가중치 행렬의 값을 갱신하고 이 과정을 반복한다. 이후 학습된 가중치 행렬을 이용하여 학습되지 않은 테스트셋(TestDataSet)에 속하는 버텍스 또는 도면을 대상으로 예측을 시행할 수 있다.
제공부(330)는, 사용자 단말(100)에서 도면을 생성하도록 도면 만들기 메뉴를 제공할 수 있다. 사용자 단말(100)은 이를 이용하여 가상 인테리어를 위해 도면을 생성할 수 있다. 사용자 단말(100)은, 도면 데이터를 업로드하거나 생성할 때, 도면 데이터 상에 출력되는 적어도 하나의 인테리어 콘텐츠를 선택하는 경우 어시스트 서비스 제공 서버(300)에서 제공하는 웹 페이지 상에서, WebRTC(Web Real-Time Communication)를 이용하여 적어도 하나의 인테리어 콘텐츠를 실시간으로 스트리밍받아 출력할 수 있다. 인테리어 프로그램을 각 개인이 구매하거나 이용하는 것은 쉽지 않기 때문에 본 발명의 일 실시예에서는 웹 페이지에서 WebRTC를 이용하여 프로그램을 설치하지 않고도 인테리어를 해 볼 수 있는 인테리어 콘텐츠를 제공할 수 있다. 인테리어 콘텐츠는 인테리어 툴을 포함할 수 있으며, 각 도면 객체 등을 포함할 수 있다. 이때, WebRTC를 이용하여 도면을 작성하는, 즉 인테리어 콘텐츠를 실시간으로 스트리밍하는 구성은 본 출원인의 별도 출원으로 출원할 예정이므로 상세한 설명은 생략하기로 한다. 이때, 인테리어 콘텐츠를 스트리밍받는다는 의미는, 영상을 실시간으로 플레이한다는 의미가 아니라, 인테리어 툴을 이용할 때 벽, 창호, 가구 등을 배치하고 도면을 생성할 때 각각의 벽, 창호 등을 도면 객체, 인테리어 객체로 정의하고 이를 웹 페이지에서 바로 출력하는 것을 인테리어 콘텐츠(도면 객체, 인테리어 객체, 인테리어 툴)를 스트리밍받는다고 정의한다.
보정부(340)는, 사용자 단말(100)에서 생성한 도면 데이터를, 사용자 단말(100)에서 입력한 주소지와 유사한 주거형태에 따른 도면 데이터에 기반하여, 기 저장된 적어도 하나의 머신러닝 알고리즘을 이용하여 보정할 수 있다. 보정부(340)는, 사용자 단말(100)에서 업로드한 도면 데이터 또는 생성한 도면 데이터를 기준으로, 적어도 하나의 주소지 및 적어도 하나의 주거형태에서 사용하는 도면 구조 및 비율을 제공할 수 있다. 예를 들어, 10 평의 구조 내에서 방의 크기가 너무 크거나 너무 작은 경우, 또는 화장실이 1 평도 안되는 경우 등은 보편적인 구조에 벗어난 것으로 보정을 하거나 또는 보편적인 구조, 크기 등을 함께 오버레이해줄 수 있다.
그리기버튼제공부(350)는, 사용자 단말에서 벽그리기 버튼이 선택된 후 마우스의 포인트 동작 또는 터치 동작이 시작되는 시작되는 지점으로부터 끝나는 지점까지 이어지는 선분을 벽으로 설정하고, 사용자 단말기에서 방 그리기 버튼이 선택된 후 마우스의 포인트 동작 또는 터치 동작이 시작되는 지점으로부터 끝나는 지점까지 이어지는 선분이 하나의 영역을 형성하는 경우 방으로 설정할 수 있다. 적어도 하나의 도면 만들기 메뉴는, 벽그리기 버튼 및 방 그리기 버튼을 포함할 수 있다.
창호버튼제공부(360)는, 도어 버튼, 창문 버튼 및 샷시 버튼 중 어느 하나가 선택되면, 도면 데이터 상에 도어, 창문 및 샷시 중 어느 하나에 대응하는 도면 객체가 표시되도록 설정할 수 있다. 이때, 적어도 하나의 도면 만들기 메뉴는, 도어 버튼, 창문 버튼 및 샷시 버튼을 포함할 수 있다.
머신러닝부(370)는, 적어도 하나의 머신러닝 알고리즘을 모델링하기 위하여, 적어도 하나의 주소지 및 적어도 하나의 주거형태를 질의(Query)로 입력하면 적어도 하나의 도면 데이터를 출력하여 사용자 단말(100)에서 생성한 도면 데이터를 보정하는 기준 데이터로 설정하도록 학습 및 테스트하고, 적어도 하나의 머신러닝 알고리즘 중 정확도가 가장 높은 머신러닝 알고리즘을 기본 머신러닝 알고리즘으로 세팅할 수 있다.
이때, 머신러닝 이외에도, 딥러닝, 예를 들어, Mask R-CNN(Mask Region Convolutional Neural Network)는 Faster R-CNN(Faster Region Convolutional Neural Network)에서 만들어진 ROI(Region of Interest)에 FCN(Fully Convolutional Network)을 적용한 것으로, 기존 Faster R-CNN에서 CNN을 통과 후 피처맵(Feature Map)에서 위치를 찾는 단계와 분류를 하는 단계의 병렬적인 학습에 추가로 FCN 기반의 이진 마스크를 예측하는 단계를 추가하고, 기존의 ROI 풀링(Region of Interest Pulling) 과저에서 생기는 오차를 2중 선형보간법을 이용하는 ROI 정렬(Region of Interest Align)을 함으로써 극복한다. 이에 따라, 본 발명의 일 실시예는, 실내 도면 이미지, 즉 도면 데이터를 기반으로 각 객체를 유형으로 분류하고 라벨링하고 학습셋 및 테스트셋(Set)을 구성하여 Mask R-CNN을 이용함으로써 모델링을 수행할 수 있다.
이하, 상술한 도 2의 어시스트 서비스 제공 서버의 구성에 따른 동작 과정을 도 3 및 도 4를 예로 들어 상세히 설명하기로 한다. 다만, 실시예는 본 발명의 다양한 실시예 중 어느 하나일 뿐, 이에 한정되지 않음은 자명하다 할 것이다.
도 3을 참조하면, (a) 어시스트 서비스 제공 서버(300)는 적어도 하나의 업로드 단말(400)로부터 도면 데이터를 업로드받고 이를 전처리 및 라벨링을 수행하여 빅데이터를 구축한 후 입력을 주소지, 주거형태, 도면(사용자가 그린 도면 또는 업로드한 도면)으로, 출력을 주소지, 주거형태 및 도면에 대응하는 보편적인 도면 데이터(빅데이터로 전처리 및 라벨링된 도면)를 출력으로 제공하도록 적어도 하나의 머신러닝 알고리즘을 모델링할 수 잇다. 그리고, (b)와 같이 사용자 단말(100)에서 도면을 그리거나 이미지 파일을 업로드하는 경우 (c)와 같이 사용자 단말(100)에서 잘못 그린 부분 또는 보편화된 기준에서 벗어난 부분 등에 대해 점선 또는 다른 색상으로 표시를 하여 오버레이를 해줌으로써 도면을 수정하도록 하거나 보편화된 구조나 크기 또는 비율에 맞게 자동으로 보정 또는 수정해줄 수 있다. 완성된 도면은 (d)와 같이 출력되고 사용자는 이 도면 상에 인테리어를 가상으로 해볼 수 있고, 자신이 추가한 자재 등을 이용하여 인테리어를 할 경우 견적이 얼마인지를 확인할 수 있다.
도 4a와 같이 지도에서 주소를 검색하고 도 4b와 같이 자신의 집 또는 클라이언트의 집을 선택한 후, 도 4c와 같이 평형 및 타입을 선택하고, 도 4d와 같이 도면을 로딩할 수 있다. 이때 2D 도면은 도 4e와 같이 로딩되고 3D 도면은 도 4f와 같이 로딩되며, 도 4g와 같이 발자국 아이콘을 선택하여 3D 도면 내 어느 한 영역을 지정하면, 도 4h와 같이 그 방에 들어간 것과 같은 화면을 제공한다. 이때 바닥은 모두 메쉬형태로 지정되었으며 상술한 바와 같이 공간 및 기능을 구분해두어 바닥면을 지정하면 현관-복도-거실-부엌으로 이어진 곳이라도 각각의 공간이 구분되어 있음을 알 수 있다. 도 4i과 같이 방향을 돌려보면서 3D 구조를 볼 수 있으며, 도면이 없는 경우에는 도 4j와 같이 직접 도면을 그려볼 수도 있다. 도 4a 내지 도 4j 모든 과정은 크롬 웹 페이지 상에서 구동되었으며, 프로그램을 설치한 것이 아님을 명확히 밝혀둔다. 본 발명의 플랫폼이 구현된 홈페이지의 주소는 http://myhouse.company/myhouse/plan/이며, 그 옆에 붙는 주소인 ?apt_type_idx=13834는 각 아파트 타입별로 인덱스(Index, idx)로 번호가 붙은 것을 식별하기 위함이다. 물론 본 발명의 플랫폼이 업데이트되면 상술한 주소는 변경될 수도 있다.
이와 같은 도 2 내지 도 4의 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5는 본 발명의 일 실시예에 따른 도 1의 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다. 이하, 도 5를 통해 각 구성들 상호간에 데이터가 송수신되는 과정의 일 예를 설명할 것이나, 이와 같은 실시예로 본원이 한정 해석되는 것은 아니며, 앞서 설명한 다양한 실시예들에 따라 도 5에 도시된 데이터가 송수신되는 과정이 변경될 수 있음은 기술분야에 속하는 당업자에게 자명하다.
도 5를 참조하면, 어시스트 서비스 제공 서버는, 적어도 하나의 도면 객체와 적어도 하나의 도면 만들기 메뉴를 매핑하여 저장하고(S5100), 적어도 하나의 주소지, 적어도 하나의 주거형태 및 적어도 하나의 도면 데이터를 빅데이터로 매핑하여 저장한다(S5200).
그리고, 어시스트 서비스 제공 서버는, 사용자 단말에서 도면을 생성하도록 도면 만들기 메뉴를 제공하고(S5300), 사용자 단말에서 생성한 도면 데이터를, 사용자 단말에서 입력한 주소지와 유사한 주거형태에 따른 도면 데이터에 기반하여, 기 저장된 적어도 하나의 머신러닝 알고리즘을 이용하여 보정한다(S5400).
상술한 단계들(S5100~S5400)간의 순서는 예시일 뿐, 이에 한정되지 않는다. 즉, 상술한 단계들(S5100~S5400)간의 순서는 상호 변동될 수 있으며, 이중 일부 단계들은 동시에 실행되거나 삭제될 수도 있다.
이와 같은 도 5의 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 4를 통해 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5를 통해 설명된 일 실시예에 따른 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 일 실시예에 따른 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (7)

  1. 가상 인테리어를 위해 도면을 생성하는 사용자 단말; 및
    적어도 하나의 도면 객체와 적어도 하나의 도면 만들기 메뉴를 매핑하여 저장하는 데이터베이스화부와, 적어도 하나의 주소지, 적어도 하나의 주거형태 및 적어도 하나의 도면 데이터를 빅데이터로 매핑하여 저장하는 빅데이터화부와, 상기 사용자 단말에서 도면을 생성하도록 도면 만들기 메뉴를 제공하는 제공부와, 상기 사용자 단말에서 생성한 도면 데이터를, 상기 사용자 단말에서 입력한 주소지와 유사한 주거형태에 따른 도면 데이터에 기반하여, 기 저장된 적어도 하나의 머신러닝 알고리즘을 이용하여 보정하는 보정부를 포함하는 어시스트 서비스 제공 서버;
    를 포함하는 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템.
  2. 제 1 항에 있어서,
    상기 적어도 하나의 도면 만들기 메뉴는, 벽그리기 버튼 및 방 그리기 버튼을 포함하고,
    상기 어시스트 서비스 제공 서버는,
    상기 사용자 단말에서 상기 벽그리기 버튼이 선택된 후 마우스의 포인트 동작 또는 터치 동작이 시작되는 지점으로부터 끝나는 지점까지 이어지는 선분을 벽으로 설정하고, 상기 사용자 단말에서 상기 방 그리기 버튼이 선택된 후 마우스의 포인트 또는 터치 동작이 시작되는 지점으로부터 끝나는 지점까지 이어지는 선분이 하나의 영역을 형성하는 경우 방으로 설정하는 그리기버튼제공부;
    를 더 포함하는 것을 특징으로 하는 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템.
  3. 제 1 항에 있어서,
    상기 적어도 하나의 도면 만들기 메뉴는, 도어 버튼, 창문 버튼 및 샷시 버튼을 포함하고,
    상기 어시스트 서비스 제공 서버는,
    상기 사용자 단말에서 상기 도어 버튼, 창문 버튼 및 샷시 버튼 중 어느 하나가 선택되면, 상기 도면 데이터 상에 도어, 창문 및 샷시 중 어느 하나에 대응하는 도면 객체가 표시되도록 설정하는 창호버튼제공부;
    를 더 포함하는 것을 특징으로 하는 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템.
  4. 제 1 항에 있어서,
    상기 어시스트 서비스 제공 서버는,
    상기 적어도 하나의 머신러닝 알고리즘을 모델링하기 위하여, 적어도 하나의 주소지 및 적어도 하나의 주거형태를 질의(Query)로 입력하면 상기 적어도 하나의 도면 데이터를 출력하여 상기 사용자 단말에서 생성한 도면 데이터를 보정하는 기준 데이터로 설정하도록 학습 및 테스트하고, 상기 적어도 하나의 머신러닝 알고리즘 중 정확도가 가장 높은 머신러닝 알고리즘을 기본 머신러닝 알고리즘으로 세팅하는 머신러닝부;
    를 더 포함하는 것을 특징으로 하는 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템.
  5. 제 1 항에 있어서,
    상기 적어도 하나의 주거형태는, 원룸과 같은 다가구주택, 빌라와 같은 다세대주택 및 아파트와 같은 집합건물의 정보를 포함하고,
    평형대 및 타입정보를 더 포함하는 것을 특징으로 하는 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템.
  6. 제 1 항에 있어서,
    상기 보정부는,
    상기 사용자 단말에서 업로드한 도면 데이터 또는 생성한 도면 데이터를 기준으로, 상기 적어도 하나의 주소지 및 적어도 하나의 주거형태에서 사용하는 도면 구조 및 비율을 제공하는 것을 특징으로 하는 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템.
  7. 제 1 항에 있어서,
    상기 사용자 단말은,
    상기 도면 데이터를 업로드하거나 생성할 때, 상기 도면 데이터 상에 출력되는 적어도 하나의 인테리어 콘텐츠를 선택하는 경우 상기 어시스트 서비스 제공 서버에서 제공하는 웹 페이지 상에서, WebRTC(Web Real-Time Communication)를 이용하여 상기 적어도 하나의 인테리어 콘텐츠를 실시간으로 스트리밍받아 출력하는 것을 특징으로 하는 머신러닝 및 빅데이터 기반 2D 도면 그리기 어시스트 서비스 제공 시스템.
KR1020220001950A 2022-01-06 2022-01-06 머신러닝 및 빅데이터 기반 ２ｄ 도면 그리기 어시스트 서비스 제공 시스템 KR102535981B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220001950A KR102535981B1 (ko) 2022-01-06 2022-01-06 머신러닝 및 빅데이터 기반 ２ｄ 도면 그리기 어시스트 서비스 제공 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220001950A KR102535981B1 (ko) 2022-01-06 2022-01-06 머신러닝 및 빅데이터 기반 ２ｄ 도면 그리기 어시스트 서비스 제공 시스템

Publications (1)

Publication Number Publication Date
KR102535981B1 true KR102535981B1 (ko) 2023-05-26

Family

ID=86536629

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220001950A KR102535981B1 (ko) 2022-01-06 2022-01-06 머신러닝 및 빅데이터 기반 ２ｄ 도면 그리기 어시스트 서비스 제공 시스템

Country Status (1)

Country Link
KR (1) KR102535981B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001297122A (ja) * 2000-04-13 2001-10-26 Misawa Homes Co Ltd 建物の設計方法
KR20100104087A (ko) * 2009-03-16 2010-09-29 (주)케이엔케이아트프라자 도면 ｄｂ를 활용한 ３ｄ 홈인테리어 프리뷰 및 자동견적 시스템
KR101251549B1 (ko) * 2010-04-15 2013-04-08 주식회사 마이다스아이티 캐드 정보와 속성 정보가 연동된 구조물의 구조 해석 장치
KR20180121175A (ko) * 2017-04-28 2018-11-07 양현수 3차원 가상공간의 인테리어 설계 및 가구 판매 어플리케이션의 설치 및 실행이 가능한 사용자 단말 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001297122A (ja) * 2000-04-13 2001-10-26 Misawa Homes Co Ltd 建物の設計方法
KR20100104087A (ko) * 2009-03-16 2010-09-29 (주)케이엔케이아트프라자 도면 ｄｂ를 활용한 ３ｄ 홈인테리어 프리뷰 및 자동견적 시스템
KR101251549B1 (ko) * 2010-04-15 2013-04-08 주식회사 마이다스아이티 캐드 정보와 속성 정보가 연동된 구조물의 구조 해석 장치
KR20180121175A (ko) * 2017-04-28 2018-11-07 양현수 3차원 가상공간의 인테리어 설계 및 가구 판매 어플리케이션의 설치 및 실행이 가능한 사용자 단말 장치

Similar Documents

Publication Publication Date Title
CN109408044B (zh) 一种基于glTF的BIM数据与GIS数据的整合方法
US20230274045A1 (en) Building information modeling (bim)-based intelligent drafting method for prefabricated buildings
Goodchild et al. A framework for the areal interpolation of socioeconomic data
CN107004297B (zh) 基于二维平面图的三维自动立体建模方法及程序
Xiong et al. Automatic creation of semantically rich 3D building models from laser scanner data
Zhao et al. Reconstructing BIM from 2D structural drawings for existing buildings
Jeong et al. A framework to integrate object-oriented physical modelling with building information modelling for building thermal simulation
CN112883798B (zh) 基于深度学习建筑专业住宅平面图空间内构件的识别方法
Sun et al. Evaluating the geometric aspects of integrating BIM data into city models
Li et al. Camera localization for augmented reality and indoor positioning: a vision-based 3D feature database approach
Novack et al. Urban land cover and land use classification of an informal settlement area using the open-source knowledge-based system InterIMAGE
CN111523167A (zh) Bim模型生成方法、装置、设备和存储介质
Szcześniak et al. A method for using street view imagery to auto-extract window-to-wall ratios and its relevance for urban-level daylighting and energy simulations
CN107506499A (zh) 兴趣点与建筑物之间建立逻辑关系的方法、装置及服务器
US20230099352A1 (en) Apparatus and method of converting digital images to three-dimensional construction images
CN117015771A (zh) 通过开发和呈现摄影测量现实网格来处理和显示与房产相关的信息的系统和方法
Deng et al. Identify urban building functions with multisource data: A case study in Guangzhou, China
CN113887508A (zh) 一种对建筑专业住宅平面图中公共走廊空间的中心线的精准识别方法
US20240061969A1 (en) Bim component creating method, digital design resource library application method and device
CN112883801A (zh) Cad配电系统图中住户配电箱系统图子图的精准识别方法
Parente et al. Integration of convolutional and adversarial networks into building design: A review
KR102535981B1 (ko) 머신러닝 및 빅데이터 기반 ２ｄ 도면 그리기 어시스트 서비스 제공 시스템
CN108182496A (zh) 一种城市互联网开放数据获取处理分析方法
CN111583417A (zh) 一种图像语义和场景几何联合约束的室内vr场景构建的方法、装置、电子设备和介质
Li et al. Classification of photo-realistic 3D window views in a high-density city: The case of Hong Kong

Legal Events

Date Code Title Description
GRNT Written decision to grant