KR20230030801A - Bim 부재 자동 분류 장치 - Google Patents

Bim 부재 자동 분류 장치 Download PDF

Info

Publication number
KR20230030801A
KR20230030801A KR1020210112904A KR20210112904A KR20230030801A KR 20230030801 A KR20230030801 A KR 20230030801A KR 1020210112904 A KR1020210112904 A KR 1020210112904A KR 20210112904 A KR20210112904 A KR 20210112904A KR 20230030801 A KR20230030801 A KR 20230030801A
Authority
KR
South Korea
Prior art keywords
width
data set
bim
parameters
model
Prior art date
Application number
KR1020210112904A
Other languages
English (en)
Inventor
구본상
유영수
이고은
하대목
김시현
전해인
이원복
이관훈
Original Assignee
서울과학기술대학교 산학협력단
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 서울과학기술대학교 산학협력단 filed Critical 서울과학기술대학교 산학협력단
Priority to KR1020210112904A priority Critical patent/KR20230030801A/ko
Publication of KR20230030801A publication Critical patent/KR20230030801A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 실시예에 따른 BIM 부재 자동 분류 장치는 대상 BIM 모델을 구성하는 복수의 건축 부재 각각에 대해 복수의 방향에서 촬영된 복수의 입력 이미지를 입력받는 입력부; 기 학습된 선명도 개선 모델을 포함하고, 상기 기 학습된 선명도 개선 모델에 상기 복수의 입력 이미지를 입력하여 상기 복수의 입력 이미지에 포함된 부재 영역의 선명도를 개선하는 이미지 개선부; 및 소정의 학습 데이터를 통해 기 학습된 부재 분류 모델을 포함하고, 상기 부재 분류 모델에 선명도가 개선된 상기 복수의 입력 이미지를 입력하여 상기 복수의 건축 부재를 유형별로 분류하는 분류부;를 포함하며, 상기 부재 분류 모델은, 상기 선명도가 개선된 상기 복수의 입력 이미지 각각에 대한 제1 특징값을 추출하는 제1 특징값 추출 모듈; 상기 복수의 입력 이미지 각각에 대한 상기 제1 특징값을 병합하여 제2 특징값을 생성하는 제2 특징값 추출 모듈; 및 상기 제2 특징값에 기반하여 상기 복수의 건축 부재를 유형별로 분류하는 부재 분류 모듈;을 포함한다.

Description

BIM 부재 자동 분류 장치{APPARATUS FOR AUTO-CLASSIFYING BIM ELEMENT}
실시 예는 BIM 부재 자동 분류 장치에 관한 것이다.
최근 건설 산업 내 디지털화 및 스마트 건설 기술 도입의 확산으로 BIM 기술의 활용도가 증가하고 있다. BIM은 건설 프로젝트 전 생애주기 동안 발생하는 정보를 유기적으로 연계하고, 이를 기반으로 건설 정보의 손실을 최소화할 수 있는 장점으로 인해 사업 참여자들 간 공통의 의사소통 도구로서 가장 적합한 수단으로 자리 잡아가고 있다. 그러나 BIM의 활용성을 극대화하기 위해서는 모델 내 개별 부재와 관련된 제반 데이터(부재 속성정보, 부재 간 관계정보, 공간 분류 등)가 올바르게 부여되어 있는 시멘틱 무결성이 필수적으로 보장되어야 하지만, 모델링 과정이 다수의 프로젝트 참여자에 의해 이루어지기 때문에 무결성을 검증하는 것이 어려운 실정이다.
이러한 문제점 해결을 위해 최근 딥러닝 알고리즘을 활용하여 개별 BIM 부재의 기하특성을 학습하고, 이를 통해 부재를 자동 식별하는 시멘틱 무결성 검증 방법론이 다수 제안되었다. 최근에는 부재의 2D 이미지를 딥러닝 알고리즘 학습과정에 활용하여 BIM 부재를 자동으로 분류하는 방식의 연구가 활발히 이루어지고 있다. 그러나 기존 방법론 및 연구들은 데이터 수집 문제로 인해 딥러닝 모델의 특정 부재 분류 정확도가 하락하는 문제점이 존재하였다. 또한, 부재의 2D 이미지 내 기하학적 차이가 명확함에도 몇몇 부재를 올바르게 분류하지 못하는 한계점이 있다.
실시 예는 높은 분류 정확도를 제공할 수 있는 BIM 부재 자동 분류 장치를 제공하기 위한 것이다.
실시 예는 특정 건축 부재에 대한 분류 정확도가 하락하는 것을 방지할 수 있는 BIM 부재 자동 분류 장치를 제공하기 위한 것이다.
실시 예는 딥러닝 알고리즘 학습과정 내 기하특성이 미반영 되는 문제를 해결할 수 있는 BIM 부재 자동 분류 장치를 제공하기 위한 것이다.
실시 예에서 해결하고자 하는 과제는 이에 한정되는 것은 아니며, 아래에서 설명하는 과제의 해결수단이나 실시 형태로부터 파악될 수 있는 목적이나 효과도 포함된다고 할 것이다.
본 발명의 실시예에 따른 BIM 부재 자동 분류 장치는 대상 BIM 모델을 구성하는 복수의 건축 부재 각각에 대해 복수의 방향에서 촬영된 복수의 입력 이미지를 입력받는 입력부; 기 학습된 선명도 개선 모델을 포함하고, 상기 기 학습된 선명도 개선 모델에 상기 복수의 입력 이미지를 입력하여 상기 복수의 입력 이미지에 포함된 부재 영역의 선명도를 개선하는 이미지 개선부; 및 소정의 학습 데이터를 통해 기 학습된 부재 분류 모델을 포함하고, 상기 부재 분류 모델에 선명도가 개선된 상기 복수의 입력 이미지를 입력하여 상기 복수의 건축 부재를 유형별로 분류하는 분류부;를 포함하며, 상기 부재 분류 모델은, 상기 선명도가 개선된 상기 복수의 입력 이미지 각각에 대한 제1 특징값을 추출하는 제1 특징값 추출 모듈; 상기 복수의 입력 이미지 각각에 대한 상기 제1 특징값을 병합하여 제2 특징값을 생성하는 제2 특징값 추출 모듈; 및 상기 제2 특징값에 기반하여 상기 복수의 건축 부재를 유형별로 분류하는 부재 분류 모듈;을 포함한다.
상기 소정의 학습 데이터는, 기 수집된 건축 부재에 관한 정보를 포함하는 제1 데이터 세트, 및 상기 제1 데이터 세트를 이용하여 생성된 제2 데이터 세트에 기초하여 생성되고, 상기 제2 데이터 세트는, 기 정의된 건축 부재 유형 각각에 대응하여 선정된 파라미터 및 상기 선정된 파라미터에 대응하여 설정된 범위값에 기반하여 상기 제1 데이터 세트와 상이한 파라미터 값을 가지도록 생성될 수 있다.
상기 기 정의된 건축 부재 유형은, 형강, 기둥, 단문, 복문, 회전문, 바닥, 천장, 벽체, 창 및 커튼월을 포함하고, 상기 형강의 파라미터는, 가로, 세로, 웨브 폭 및 플랜지 폭을 포함하고, 상기 기둥의 파라미터는, 가로, 세로, 웨브 폭, 플렌지 폭, 웨브 두께, 플렌지 두께 및 직경을 포함하고, 상기 단문의 파라미터는, 폭, 높이, 문 프레임 폭, 문 패널 두께 및 문 열림 거리를 포함하고, 상기 복문의 파라미터는, 폭, 높이, 문 프레임 폭, 문 패널 두께 및 문 열림 거리를 포함하고, 상기 회전문의 파라미터는, 폭, 높이 및 출입구 길이를 포함하고, 상기 바닥의 파라미터는, 폭 및 세로 길이를 포함하고, 상기 천장의 파라미터는, 폭 및 세로 길이를 포함하고, 상기 벽체의 파라미터는, 길이를 포함하고, 상기 창의 파라미터는, 폭, 높이, 창틀 폭, 창 패널 두께, 창틀 두께 및 유리 패널 두께를 포함하고, 상기 커튼월의 파라미터는 너비, 높이, 수직 그리드 및 수평 그리드를 포함할 수 있다.
상기 학습 데이터는, 상기 제1 데이터 세트 및 상기 제2 데이터 세트에 포함된 건축 부재 각각에 대해 상기 복수의 방향에서 촬영된 복수의 2D 이미지가 생성되면, 상기 복수의 2D 이미지에 포함된 픽셀들의 레이블 예측 결과에 기반해 이미지 내 건축 부재 영역이 결정되어 생성될 수 있다.
상기 복수의 방향은, 상기 건축 부재에 대한 평면 방향, 배면 방향, 정면 방향 및 상기 정면 방향을 기준으로 소정의 각도를 가지는 복수의 측면 방향을 포함할 수 있다.
실시예에 따르면, 높은 정확도로 BIM 모델 내의 건축 부재에 대한 분류를 수행할 수 있는 장점이 있다.
본 발명의 다양하면서도 유익한 장점과 효과는 상술한 내용에 한정되지 않으며, 본 발명의 구체적인 실시형태를 설명하는 과정에서 보다 쉽게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 BIM 부재 자동 분류 장치의 구성을 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 복수의 입력 이미지를 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 이미지 개선부를 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 학습 데이터를 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에서 이미지 개선부가 없이 입력부에 의해 입력된 복수의 이미지를 부재 분류부에 직접 입력하였을 경우의 시뮬레이션 결과를 나타낸 도면이다.
도 6은 본 발명의 실시예에서 이미지 개선부 및 부재 분류부가 모두 포함된 경우의 시뮬레이션 결과를 나타낸 도면이다.
도 7은 도 5 및 도 6의 시뮬레이션 결과를 도식화한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 실시예에 따른 BIM 부재 자동 분류 장치의 구성을 나타낸 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 BIM 부재 자동 분류 장치(100)는 입력부(110), 이미지 개선부(120) 및 부재 분류부(130)를 포함할 수 있다.
우선, 입력부(110)는 대상 BIM 모델을 구성하는 복수의 건축 부재 각각에 대해 복수의 방향에서 촬영된 복수의 입력 이미지(IMG1 내지 IMG12)를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(110)는 통신망을 통해 외부 기기로부터 복수의 입력 이미지를 입력 받을 수 있으나 이에 한정되지 않는다. 다른 실시예로, 입력부(110)는 BIM 부재 자동 분류 장치(100)에 포함된 데이터 베이스로부터 입력 이미지를 입력 받을 수 있다. 또 다른 실시예로, 입력부(110)는 BIM 부재 자동 분류 장치(100)에 포함된 소정의 프로그램 등으로부터 입력 이미지를 입력 받을 수도 있다. 이때, 소정의 프로그램은 대상 BIM 모델이 입력되면 복수의 방향에서 건축 부재를 촬영하여 입력 이미지를 생성할 수 있는 프로그램일 수 있다. 이때, BIM 모델은 국제 표준 포맷인 IFC 포맷일 수 있다.
이미지 개선부(120)는 기 학습된 선명도 개선 모델을 포함할 수 있다. 이미지 개선부(120)는 기 학습된 선명도 개선 모델에 복수의 입력 이미지를 입력하여 복수의 입력 이미지에 포함된 부재 영역의 선명도를 개선할 수 있다.
일 실시예에 따르면, 도 1에 도시된 것처럼, 선명도 개선 모델은 각각이 복수의 레이어를 포함하는 복수의 신경망(NN1-1 내지 NN1-12)을 포함할 수 있다. 복수의 신경망(NN1-1 내지 NN1-12)은 각각 서로 다른 입력 이미지를 입력 받을 수 있다. 예를 들어, 복수의 방향이 12개이고, 이에 따라 복수의 입력 이미지가 12개인 경우, 선명도 개선 모델은 12개의 신경망(NN1-1 내지 NN1-12)을 포함할 수 있다. 선명도 개선 모델에 포함된 각각의 신경망(NN1-1 내지 NN1-12)은 입력된 입력 이미지 각각의 선명도를 개선할 수 있다. 선명도 개선 모델에 포함된 복수의 신경망(NN1-1 내지 NN1-12)은 CRF-RNN(Conditional Random Fields as Recurrent Neural Networks) 일 수 있다.
부재 분류부(130)는 소정의 학습 데이터를 통해 기 학습된 부재 분류 모델을 포함할 수 있다. 부재 분류부(130)는 부재 분류 모델에 선명도가 개선된 복수의 입력 이미지를 입력하여 복수의 건축 부재를 유형별로 분류할 수 있다.
일 실시예에 따르면, 부재 분류 모델은 제1 특징값 추출 모듈(131), 제2 특징값 추출 모듈(132) 및 부재 분류 모듈(133)을 포함할 수 있다.
제1 특징값 추출 모듈(131)은 선명도가 개선된 복수의 입력 이미지 각각에 대한 제1 특징값을 추출할 수 있다. 이를 위해, 제1 특징값 추출 모듈(131)은 각각이 복수의 레이어(NN2-1 내지 NN2-12)를 포함하는 복수의 신경망을 포함할 수 있다. 제1 특징값 추출 모듈(131)에 포함된 복수의 신경망(NN2-1 내지 NN2-12)은 각각 이미지 개선부(120)에 포함된 복수의 신경망(NN1-1 내지 NN1-12)과 일대일 연결될 수 있으며, 이미지 개선부(120)에 포함된 복수의 레이어(NN2-1 내지 NN2-12)에서 출력하는 선명도가 개선된 입력 이미지를 입력 받을 수 있다. 제1 특징값 추출 모듈(131)에 포함된 복수의 신경망(NN2-1 내지 NN2-12)은 각각에 입력된 입력 이미지로부터 제1 특징값을 추출할 수 있다. 제1 특징값 추출 모듈(131)에 포함된 복수의 신경망(NN2-1 내지 NN2-12)은 합성곱 신경망(Convolutional neural network, CNN)일 수 있다.
제2 특징값 추출 모듈(132)은 복수의 입력 이미지 각각에 대한 제1 특징값을 병합하여 제2 특징값을 생성할 수 있다. 이를 위해, 제2 특징값 추출 모듈(132)은 적어도 하나의 레이어(L3)를 포함할 수 있다. 제2 특징값 추출 모듈(132)에 포함된 적어도 하나의 레이어(L3)는 제1 특징값 추출 모듈(131)로부터 출력된 복수의 제1 특징값을 입력 받을 수 있으며, 복수의 제1 특징값을 병합하여 하나의 제2 특징값을 생성할 수 있다. 제2 특징값 추출 모듈(132)에 포함된 적어도 하나의 레이어(L3)는 풀링 레이어(pooling layer)일 수 있다. 제2 특징값 추출 모듈(132)에 포함된 적어도 하나의 레이어(L3)는 뷰 풀링 레이어(view pooling layer)일 수 있다.
부재 분류 모듈(133)은 제2 특징값에 기반하여 복수의 건축 부재를 유형별로 분류할 수 있다. 이를 위해, 부재 분류 모듈(133)은 복수의 레이어를 포함하는 적어도 하나의 신경망(NN4)을 포함할 수 있다. 부재 분류 모듈(133)에 포함된 적어도 하나의 신경망(NN4)은 제2 특징값을 입력 받을 수 있으며, 제2 특징값을 이용하여 건축 부재의 유형을 분류할 수 있다. 부재 분류 모듈(133)에 포함된 적어도 하나의 신경망(NN4)은 합성곱 신경망(Convolutional neural network, CNN)일 수 있다. 그리고, 적어도 하나의 신경망(NN4)에 포함된 복수의 레이어 중 적어도 하나는 전결합 레이어(fully-connected layer, FC layer)일 수 있다. 적어도 하나의 신경망(NN4)에 포함된 복수의 레이어 중 적어도 하나는 소프트맥스 레이어(softmax layer)일 수 있다.
도 2는 본 발명의 실시예에 따른 복수의 입력 이미지를 설명하기 위한 도면이다.
본 발명의 실시예에 따르면, 대상 BIM 모델에 기반하여 생성된 건축 부재의 3차원 형상에 대해 복수의 방향, 즉, 복수의 시점(point of view)에서 촬영된 복수의 영상이 입력부(110)를 통해 입력될 수 있다.
도 2에서 창(window) 부재에 대해 복수의 방향에서 촬영된 2D 이미지를 참조하면, 본 발명의 실시예에 따른 복수의 방향은 12개의 방향을 포함할 수 있다.
복수의 방향은 건축 부재에 배면 방향을 포함할 수 있다. 예를 들어, 도 2에서와 같이, 건축 부재가 창 부재인 경우, 복수의 이미지 중 하나는 창 부재의 밑면 방향에서 촬영한 이미지를 포함할 수 있다.
복수의 방향은 평면 방향을 포함할 수 있다. 예를 들어, 도 2에서와 같이, 건축 부재가 창 부재인 경우, 복수의 이미지 중 하나는 창 부재의 윗면 방향에서 촬영한 이미지를 포함할 수 있다.
복수의 방향은 정면 방향 및 상기 정면 방향을 기준으로 소정의 각도를 가지는 복수의 측면 방향을 포함할 수 있다. 일 실시예에 따르면, 소정의 각도는 36도일 수 있으며, 정면을 0도라고 가정할 때, 복수의 측면 방향은 0도, 36도, 72도, 108도, 144도, 180도, 216도, 252도, 288도 및 324도의 각도에서 건축 부재의 측면을 바라보는 방향을 포함할 수 있다. 이 경우, 측면 방향은 총 10개의 방향을 포함할 수 있다. 예를 들어, 도 2에서와 같이, 건축 부재가 창 부재인 경우, 복수의 이미지는 창 부재의 정면(0도)에서 시작하여 36도 간격으로 측면 바라보며 촬영한 이미지를 포함할 수 있다. 본 발명의 실시예에 따르면, 측면 방향은 36도 간격 이외에도 다양한 각도 간격으로 촬영될 수도 있으나, 각도 간격이 36도보다 너무 클 경우 건축 부재에 대한 특징 파악이 어려울 수 있으며, 각도 간격이 36도보다 너무 작을 경우 연산량이 많아지는 문제점이 발생할 수 있다. 따라서, 측면 방향의 각도 간격은 36도가 바람직할 수 있다.
도 3은 본 발명의 실시예에 따른 이미지 개선부를 설명하기 위한 도면이다.
도 3의 (a)는 복수의 방향 중 어느 하나의 방향에서 창 부재를 촬영한 이미지이고, 도 3의 (b)는 이미지 개선부(120)에 의해 선명도가 개선된 이미지이다.
앞서 살펴본 것처럼, 본 발명의 실시예에 따른 이미지 개선부(120)는 기 학습된 선명도 개선 모델을 포함하며, 선명도 개선 모델에 이미지가 입력되면, 입력된 이미지의 선명도가 개선될 수 있다. 이미지 내에 포함된 부재 영역과 배경 영역이 명확히 구분되지 않을 경우, 이후 부재 분류부(130)에서 해당 건축 부재의 기하학적 특성을 명확히 검출하지 못할 수 있다. 이러한 문제점을 해결하기 위해, 본 발명은 이미지의 선명도를 개선하기 위한 과정을 포함한다.
본 발명의 실시예에 따르면, 이미지 개선부(120)는 선명도 개선 모델을 이용하여 입력된 이미지에 시멘틱 세그멘테이션을 적용함으로써 이미지 내 부재 영역의 선명도를 개선할 수 있다. 본 발명의 실시예에 따른 선명도 개선 모델은 CRF-RNN(Conditional Random Fields as Recurrent Neural Networks) 알고리즘일 수 있다. 여기서, CRF는 이미지 내 연속된 픽셀을 라벨링하고 분할하여 패턴 인식 및 구조적 예측에 활용되는 무방향성(undirected) 확률 그래프 모형을 의미할 수 있다. 종래의 CRF는 이미지 내 인접한 노드(픽셀)를 엣지(edge)로 연결한 격자 형태로 구성되어 있는데, 이로 인해 이미지 분할 시 정교한 분할이 불가능하였다. 이에 이미지의 모든 픽셀을 쌍으로 연결하여 정교한 이미지 분할이 가능한 Fully Connected CRF 방법론이 제안되었으나, 연산 소요시간이 매우 길다는 한계점이 존재하였다. 이후 Fully connected CRF에 평균장 근사법(Mean Field Approximation)을 적용하여 복잡한 구조를 단순화함으로써 라벨 추론에 소요되는 시간을 0.2초 수준으로 단축시킬 수 있는 방법이 고안되었다.
이에 본 발명의 실시예에 따른 선명도 개선 모델은 평균장 근사법을 적용한 CRF를 통해 출력된 가중치를 FCN(Fully Convolution Network) 학습의 매개변수로 활용하기 위해 반복신경망(Recurrent Neural Network, RNN)을 기반으로 두 모델을 하나의 프레임워크로 재구성한다. 이로 인해 연산 소요시간 감소 및 높은 시멘틱 세그멘테이션 정확도를 확보할 수 있다. 아래의 수학식 1 내지 3은 평균장 1회 반복에 대한 선명도 개선 모델의 작동 구조를 나타낸다.
Figure pat00001
Figure pat00002
Figure pat00003
여기서, T는 평균장 반복(mean-field iteration)을 의미하고, Qin은 평균장 1회 반복에 따른 입력을 의미하고, Qout은 평균장 1회 반복에 따른 출력을 의미하고, Qfinal은 최종 예측 결과를 의미하고, softmax(U)는 CNN 연산에 대한 출력 값을 의미하고, U는 단항 전위 값을 의미하고, fθ(U,Qin,I)는 Qin에 의해 추론된 가중치를 의미하고, I는 이미지를 의미하고, θ는 매개변수를 의미한다.
상기 수학식 1 내지 3으로 나타낸 구조를 하나의 심층 신경망으로 통합 후 역전파 알고리즘(back propagation algorithm)을 구현함으로써 종단(end-to-end) 간 학습이 가능할 수 있다. 이와 같은 프로세스를 통해 도 3의 (a)와 같이 복수의 방향에 촬영된 복수의 이미지를 대상으로 시멘틱 세그멘테이션을 실시하며, 도 3의 (b)와 같이 시멘틱 세그멘테이션이 적용된 이미지가 적용될 수 있다.
도 4는 본 발명의 실시예에 따른 학습 데이터를 설명하기 위한 도면이다.
본 발명의 실시예에 따르면, BIM 부재 자동 분류 장치(100)는 학습 데이터에 의해 학습될 수 있다. BIM 부재 자동 분류 장치(100)는 입력부(110)를 통해 학습 데이터가 입력된 후, 이미지 개선부(120)에 포함된 선명도 개선 모델에 학습 데이터가 입력되어 선명도 개선 모델이 학습되는 구조를 가질 수 있다. 그리고, BIM 부재 자동 분류 장치(100)는 선명도 개선 모델에 의해 이미지가 개선된 학습 데이터는 부재 분류부(130)에 포함된 부재 분류 모델에 입력되어 부재 분류 모델이 학습되는 구조를 가질 수 있다.
학습 데이터는 제1 데이터 세트 및 제2 데이터 세트를 포함할 수 있다.
제1 데이터 세트는 기 수집된 건축 부재에 관한 정보를 포함할 수 있다. 도 4를 참조하면, 제1 데이터 세트는 기존의 건축 BIM 모델, 오픈 라이브러리(KBIMS Library, NBS, bim object 등)에서 수집된 데이터를 의미할 수 있다. 즉, 제1 데이터 세트는 기 생성되어 있는 건축 부재에 관한 정보를 포함하는 데이터를 의미할 수 있다.
제2 데이터 세트는 제1 데이터 세트를 이용하여 생성된 제2 데이터 세트에 기초하여 생성될 수 있다. 즉, 제2 데이터 세트는 제1 데이터 세트를 이용하여 증강된 데이터를 의미할 수 있다.
도 4에 도시된 것처럼, 제2 데이터 세트는 기 정의된 건축 부재 유형 각각에 대응하여 선정된 파라미터 및 선정된 파라미터에 대응하여 설정된 범위값에 기반하여 제1 데이터 세트와 상이한 파라미터 값을 가지도록 생성될 수 있다.
아래의 표 1은 본 발명의 실시예에 따른 기 정의된 건축 부재 유형에 대응하여 선정된 파라미터와 파라미터의 설정된 범위값을 나타낸다.
건축 BIM 부재 파라미터 범위(mm)
형강(beam) 가로 250-600
세로 400-1,100
웨브 폭 100-900
플랜지 폭 75-400
기둥(column) 가로 4-19
세로 7-37
웨브 폭 200-1,000
플랜지 폭 200-1,200
웨브 두께 100-900
플랜지 두께 75-400
직경 4-19
단문(single door) 폭 15-35
높이 40-60
문 프레임 폭 900-1,100
문 패널 두께 1,800-2,400
문 열림 거리 50-70
복문(double door) 폭 7-37
높이 500-1,000
문 프레임 폭 1,800-2,400
문 패널 두께 1,800-2,400
문 열림 거리 40-60
회전문(revolving door) 폭 1,900-2,500
높이 2,100-2,800
출입구 길이 500-2,000
바닥(slab) 폭 20-40
세로 길이 90-110
천장(covering) 폭 100-400
세로 길이 100-400
벽체(wall) 길이 3,000-11,000
창(window) 폭 800-1,800
높이 900-1,600
창틀 폭 80-120
창 패널 두께 10-30
창틀 두께 30-70
유리 패널 두께 2-22
커튼월(curtain wall) 너비 12,000-17,000
높이 4,000-6,000
수직 그리드 12,100-16,900
수평 그리드 4,100-5,900
기 정의된 건축 부재 유형은, 형강(beam), 기둥(column), 단문(single door), 복문(double door), 회전문(revolving door), 바닥(slab), 천장(covering), 벽체(wall), 창(window) 및 커튼월(curtain wall) 중 적어도 하나를 포함할 수 있다. 일반적으로, 주 분류 대상이 되는 건축 부재의 유형은 13개 정도로 선별될 수 있으나, 상기의 표 1에서 도시하는 건축 부재 유형의 경우에는 기존의 공개 데이터 등에서 데이터 수집이 어려운 문제점이 있다. 이에 상기의 건축 부재 유형에 대한 제2 데이터 세트를 생성할 경우 학습 효율을 크게 향상시킬 수 있는 장점이 있다.
형강(beam)의 파라미터는 가로, 세로, 웨브 폭 및 플랜지 폭 중 적어도 하나를 포함할 수 있다. 형강의 가로 파라미터는 250-600 [mm]의 범위값을 가지고, 형강의 세로 파라미터는 400-1,100 [mm]의 범위값을 가지고, 형강의 웨브 폭 파라미터는 100-900 [mm]의 범위값을 가지고, 형강의 플랜지 폭 파라미터는 75-400 [mm]의 범위값을 가질 수 있다. 따라서, 형강에 대한 제2 데이터 세트는 상기의 파라미터의 범위값 내에서 제1 데이터 세트의 형강에 대한 데이터와 중복되지 않도록 생성될 수 있다.
기둥(column)의 파라미터는 가로, 세로, 웨브 폭, 플렌지 폭, 웨브 두께, 플렌지 두께 및 직경 중 적어도 하나를 포함할 수 있다. 기둥의 가로 파라미터는 4-19 [mm]의 범위값을 가지고, 기둥의 세로 파라미터는 7-37 [mm]의 범위값을 가지고, 기둥의 웨브 폭 파라미터는 200-1,000 [mm]의 범위값을 가지고, 기둥의 플랜지 폭 파라미터는 200-1,200 [mm]의 범위값을 가지고, 기둥의 웨브 두께 파라미터는 100-900 [mm]의 범위값을 가지고, 기둥의 플랜지 두께 파라미터는 75-400 [mm]의 범위값을 가지고, 기둥의 직경 파라미터는 4-19 [mm]의 범위값을 가질 수 있다. 따라서, 기둥에 대한 제2 데이터 세트는 상기의 파라미터의 범위값 내에서 제1 데이터 세트의 기둥에 대한 데이터와 중복되지 않도록 생성될 수 있다.
단문(single door)의 파라미터는 폭, 높이, 문 프레임 폭, 문 패널 두께 및 문 열림 거리 중 적어도 하나를 포함할 수 있다. 단문의 폭 파라미터는 15-35 [mm]의 범위값을 가지고, 단문의 높이 파라미터는 40-60 [mm]의 범위값을 가지고, 단문의 문 프레임 폭 파라미터는 900-1,100 [mm]의 범위값을 가지고, 단문의 문 패널 두께 파라미터는 1,800-2,400 [mm]의 범위값을 가지고, 단문의 문 열림 거리 파라미터는 50-70 [mm]의 범위값을 가질 수 있다. 따라서, 단문에 대한 제2 데이터 세트는 상기의 파라미터의 범위값 내에서 제1 데이터 세트의 단문에 대한 데이터와 중복되지 않도록 생성될 수 있다.
복문(double door)의 파라미터는 폭, 높이, 문 프레임 폭, 문 패널 두께 및 문 열림 거리 중 적어도 하나를 포함할 수 있다. 복문의 폭 파라미터는 7-37 [mm]의 범위값을 가지고, 복문의 높이 파라미터는 500-1,000 [mm]의 범위값을 가지고, 복문의 문 프레임 폭 파라미터는 1,800-2,400 [mm]의 범위값을 가지고, 복문의 문 패널 두께 파라미터는 1,800-2,400 [mm]의 범위값을 가지고, 복문의 문 열림 거리 파라미터는 40-60 [mm]의 범위값을 가질 수 있다. 따라서, 복문에 대한 제2 데이터 세트는 상기의 파라미터의 범위값 내에서 제1 데이터 세트의 복문에 대한 데이터와 중복되지 않도록 생성될 수 있다.
회전문(revolving door)의 파라미터는 폭, 높이 및 출입구 길이 중 적어도 하나를 포함할 수 있다. 회전문의 폭 파라미터는 1,900-2,500 [mm]의 범위값을 가지고, 회전문의 높이 파라미터는 2,100-2,800 [mm]의 범위값을 가지고, 회전문의 출입구 길이 파라미터는 500-2,000 [mm]의 범위값을 가질 수 있다. 따라서, 회전문에 대한 제2 데이터 세트는 상기의 파라미터의 범위값 내에서 제1 데이터 세트의 회전문에 대한 데이터와 중복되지 않도록 생성될 수 있다.
바닥(slab)의 파라미터는 폭 및 세로 길이 중 적어도 하나를 포함할 수 있다. 바닥의 폭 파라미터는 20-40 [mm]의 범위값을 가지고, 바닥의 세로 길이 파라미터는 90-110 [mm]의 범위값을 가질 수 있다. 따라서, 바닥에 대한 제2 데이터 세트는 상기의 파라미터의 범위값 내에서 제1 데이터 세트의 바닥에 대한 데이터와 중복되지 않도록 생성될 수 있다.
천장(covering)의 파라미터는 폭 및 세로 길이 중 적어도 하나를 포함할 수 있다. 천장의 폭 파라미터는 100-400 [mm]의 범위값을 가지고, 천장의 세로 길이 파라미터는 100-400 [mm]의 범위값을 가질 수 있다. 따라서, 천장에 대한 제2 데이터 세트는 상기의 파라미터의 범위값 내에서 제1 데이터 세트의 천장에 대한 데이터와 중복되지 않도록 생성될 수 있다.
벽체(wall)의 파라미터는 길이를 포함할 수 있다. 벽체의 길이 파라미터는 3,000-11,000 [mm]의 범위값을 가질 수 있다. 따라서, 벽체에 대한 제2 데이터 세트는 상기의 파라미터의 범위값 내에서 제1 데이터 세트의 벽체에 대한 데이터와 중복되지 않도록 생성될 수 있다.
창(window)의 파라미터는 폭, 높이, 창틀 폭, 창 패널 두께, 창틀 두께 및 유리 패널 두께 중 적어도 하나를 포함할 수 있다. 창의 폭 파라미터는 800-1,800 [mm]의 범위값을 가지고, 창의 높이 파라미터는 900-1,600 [mm]의 범위값을 가지고, 창의 창틀 폭 파라미터는 80-120 [mm]의 범위값을 가지고, 창의 창 패널 두께 파라미터는 10-30 [mm]의 범위값을 가지고, 창의 창틀 두께 파라미터는 30-70 [mm]의 범위값을 가지고, 창의 유리 패널 두께 파라미터는 2-22 [mm]의 범위값을 가질 수 있다. 따라서, 창에 대한 제2 데이터 세트는 상기의 파라미터의 범위값 내에서 제1 데이터 세트의 창에 대한 데이터와 중복되지 않도록 생성될 수 있다.
커튼월(curtain wall)의 파라미터는 너비, 높이, 수직 그리드 및 수평 그리드 중 적어도 하나를 포함할 수 있다. 커튼월의 너비 파라미터는 12,000-17,000 [mm]의 범위값을 가지고, 커튼월의 높이 파라미터는 4,000-6,000 [mm]의 범위값을 가지고, 커튼월의 수직 그리드 파라미터는 12,100-16,900 [mm]의 범위값을 가지고, 커튼월의 수평 그리드 파라미터는 4,100-5,900 [mm]의 범위값을 가질 수 있다. 따라서, 커튼월에 대한 제2 데이터 세트는 상기의 파라미터의 범위값 내에서 제1 데이터 세트의 커튼월에 대한 데이터와 중복되지 않도록 생성될 수 있다.
파라메트릭 모델링은 형상 제어 기준에 따라 결과물의 작동원리, 범위 및 한계가 직접적으로 영향을 받기 때문에 사전에 명확한 설정을 요한다. 이에 본 발명은 각각의 건축 부재별로 사용도가 높은 파라미터를 선정하여 그 범위를 설정하였으며, 이는 상기에서 설명한 내용과 같다. 해당 파라미터 값을 기준으로 건축 부재의 치수를 조정함으로써 건축 BIM 부재의 기하적 특징에 적합한 다수의 부재를 신규로 생성할 수 있으며 모델의 학습 성능을 크게 향상시킬 수 있다.
이와 같이, 학습 데이터는 제1 데이터 세트 및 제2 데이터 세트에 포함된 건축 부재 각각에 대해 복수의 방향에서 촬영된 복수의 이미지를 포함할 수 있다. 그리고, BIM 부재 자동 분류 장치(100)는 제1 데이터 세트 및 제2 데이터 세트에 기반한 복수의 이미지를 통해 학습될 수 있다. 구체적으로, 제1 데이터 세트 및 제2 데이터 세트에 포함된 건축 부재 각각에 대해 복수의 방향에서 촬영된 복수의 2D 이미지가 생성되면, 복수의 2D 이미지에 포함된 픽셀들의 레이블 예측 결과에 기반해 이미지 내 건축 부재 영역이 결정되어 생성될 수 있다.
아래에서는 도 5 내지 도 7을 통해 본 발명의 실시예에 따른 BIM 부재 자동 분류 장치의 시뮬레이션 결과에 대해 살펴보도록 한다.
도 5는 본 발명의 실시예에서 이미지 개선부(120)가 없이 입력부(110)에 의해 입력된 복수의 이미지를 부재 분류부(130)에 직접 입력하였을 경우의 시뮬레이션 결과를 나타내고, 도 6은 본 발명의 실시예에서 이미지 개선부(120) 및 부재 분류부(130)가 모두 포함된 경우의 시뮬레이션 결과를 나타낸다. 도 7은 도 5 및 도 6의 시뮬레이션 결과를 도식화한 도면이다.
본 발명의 실시예에 따르면, 검증을 위한 성과지표는 정확도(accuracy, ACC), 정밀도(precision), 재현율(recall) 및 F1-score가 활용될 수 있다. 여기서 ACC는 학습모델의 전반적인 성능을 제시하는 지표로 전체 검증 데이터 수 대비 학습모델이 정확히 예측한 데이터 수의 비율로 산출될 수 있다. 정밀도는 학습모델이 참값으로 분류한 데이터 중 실제 참값의 비율을 의미할 수 있다. 재현율은 실제 참값 중 학습모델이 참이라고 예측한 비율일 수 있다. F1-score는 정밀도와 재현율의 조화평균으로 학습데이터의 분포가 불균형할 경우 모델의 성능을 정확히 평가할 수 있는 지표이다. 위 4가지 검증지표를 활용하여 전체 학습모델의 분류성능 및 부재별 분류성능이 도출될 수 있으며, 이는 아래의 수학식 4 내지 수학식 7과 같이 표현될 수 있다.
Figure pat00004
Figure pat00005
Figure pat00006
Figure pat00007
본 발명을 통해 제안되는 BIM 부재 자동 분류 장치(100)의 성능을 검증 위해 4가지 IFC 표준 건축 모델과 BIM 라이브러리로부터 12,898개의 BIM 부재 데이터를 제1 데이터 세트로서 수집하였다. 세부적으로 라이브러리 활용의 경우 회전문을 제외한 부재들은 KBIMS library를 활용하였으며, 회전문의 경우 수집 데이터 부족 문제로 인해 KBIMS library 외 7가지 BIM 라이브러리(bimobject, NBS, ARCAT, BIMCO, CADBLOCKS, RevitCity, STANLEY)로부터 추가 수집하였다. 이후 파라메트릭 모델링 기반 data augmentation을 실시하여 총 33,908개의 제2 데이터 세트를 구축하였으며, 부재별 데이터 분포는 아래의 표 2와 같다.
부재 제1 데이터 세트 제2 데이터 세트 총 데이터 세트
형강(beam) 1,908 1,974 3,882
기둥(column) 848 2,238 3,086
단문(single door) 1,022 2,546 3,568
복문(double door) 990 1,684 2,674
회전문(revolving door) 240 2,938 3,178
바닥(slab) 2,562 1,440 4,002
천장(covering) 364 2,000 2,364
벽체(wall) 3,731 1,186 4,917
창(window) 781 2,572 3,353
커튼월(curtain wall) 195 4,000 4,195
계단(stair flight) 140 5,267 5,407
난간(railing) 62 3,667 3,729
선형부재(member) 55 2,396 2,451
총합 12,898 33,908 46,806
분류 성능의 향상 정도를 정량적으로 검증하기 위해 제1 데이터 세트와 제2 데이터 세트를 합친 총 데이터 세트를 대상으로 이미지 개선부(120)가 있는 상황과 없는 상황에 대해 시뮬레이션하였다.
표 3은 총 데이터 세트 대상 이미지 개선부(120)가 없이 부재 분류부(130)만 있는 상태(제1 케이스)에서의 결과를 나타낸다. 표 3 및 도 5를 참조하면, 학습 결과 91.01%의 정확도로 실제 BIM 모델 내 부재를 인식 및 분류하는 것으로 확인되었다. 그러나 바닥, 천장, 계단 부재의 경우 타 부재 대비 분류 정확도가 낮은 것으로 확인되었다.
부재 Precision Recall F1-score Accuracy (%)
형강(beam) 0.86 0.99 0.92 99.39
기둥(column) 1.00 0.99 0.99 98.83
단문(single door) 1.00 1.00 1.00 100.00
복문(double door) 1.00 1.00 1.00 100.00
회전문(revolving door) - - - -
바닥(slab) 0.77 0.33 0.46 32.79
천장(covering) 0.11 0.83 0.20 83.33
벽체(wall) 0.99 0.94 0.96 93.51
창(window) - - - -
커튼월(curtain wall) 1.00 0.94 0.97 93.65
계단(stair flight) 0.88 0.79 0.83 78.95
난간(railing) 1.00 0.92 0.96 91.67
선형부재(member) - - - -
평균(전체모델) 0.78 0.87 0.83 91.01
표 4는 총 데이터 세트 대상 이미지 개선부(120)와 부재 분류부(130)가 모두 있는 상태(제2 케이스)에서 결과와 제1 케이스 대비 제2 케이스의 향상 정도를 나타낸다. 표 4 및 도 6을 참조하면, 95.38%의 높은 정확도로 실제 BIM 모델 내 부재를 인식 및 분류하며, 전반적인 부재의 분류 정확도 또한 90% 이상인 것으로 나타났다. 특히 바닥 부재의 경우 분류 정확도가 68.85%로 다른 부재 대비 상대적으로 정확도는 낮지만, 앞선 MVCNN 모델 대비 성능이 향상된 것을 확인할 수 있었다.
부재 Precision Recall F1-score Accuracy (%)
형강(beam) 0.94(0.08) 1.00(0.01) 0.97(0.05) 100.00(0.61)
기둥(column) 0.99(-0.01) 0.99(0.01) 0.99(0.00) 99.42(0.58)
단문(single door) 0.95(-0.05) 1.00(0.00) 0.97(-0.03) 100.00(0.00)
복문(double door) 0.80(-0.20) 1.00(0.00) 0.89(-0.11) 100.00(0.00)
회전문(revolving door) - - - -
바닥(slab) 0.88(0.11) 0.69(0.36) 0.77(0.31) 68.85(36.07)
천장(covering) 0.12(0.01) 0.50(-0.33) 0.19(-0.01) 50.00(-33.33)
벽체(wall) 1.00(0.01) 0.96(0.03) 0.98(0.02) 96.10(2.60)
창(window) - - - -
커튼월(curtain wall) 1.00(0.00) 1.00(0.06) 1.00(0.03) 100.00(6.35)
계단(stair flight) 1.00(0.12) 0.95(0.16) 0.97(0.14) 94.74(15.79)
난간(railing) 1.00(0.00) 1.00(0.08) 1.00(0.04) 100.00(8.33)
선형부재(member) - - - -
평균(전체모델) 0.89(0.09) 0.91(0.04) 0.89(0.06) 95.38(4.37)
상기의 제1 케이스와 제2 케이스를 보면, 본 발명의 실시예에 따른 BIM 부재 자동 분류 장치(100)의 분류 정확도가 90% 이상이고, F1-score가 0.8 이상으로 나타났으며, 이를 통해 매우 정확한 분류를 수행하고 있음을 알 수 있다. 특히, 상기의 제1 케이스와 제2 케이스에서 분류 정확도는 각각 91.01%, 95.38%, F1-score는 0.83, 0.89로 나타났으며, 이를 통해 학습과정에 이미지 개선부(120)가 존재할 경우 정확도는 4.37%, F1-score는 0.06만큼 향상되는 것으로 검증되어 이미지 개선부(120)를 통해 더 정확한 분류 정확도를 가지게 됨을 확인할 수 있다. 특히 도 7에 도시된 confusion matrix를 참조하면, 천장과 형강으로 오분류 되었던 바닥 부재가 정상 분류되며 정확도가 대폭 상승된 것을 확인할 수 있다. 또한 계단, 난간, 커튼월과 같이 기하적 형상이 복잡하고 기하특성이 명확한 부재들의 분류 정확도가 상승한 것을 확인할 수 있었다.
본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA (field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 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.
이상에서 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
100 : BIM 부재 자동 분류 장치
110 : 입력부
120 : 이미지 개선부
130 : 부재 분류부

Claims (5)

  1. 대상 BIM 모델을 구성하는 복수의 건축 부재 각각에 대해 복수의 방향에서 촬영된 복수의 입력 이미지를 입력받는 입력부;
    기 학습된 선명도 개선 모델을 포함하고, 상기 기 학습된 선명도 개선 모델에 상기 복수의 입력 이미지를 입력하여 상기 복수의 입력 이미지에 포함된 부재 영역의 선명도를 개선하는 이미지 개선부; 및
    소정의 학습 데이터를 통해 기 학습된 부재 분류 모델을 포함하고, 상기 부재 분류 모델에 선명도가 개선된 상기 복수의 입력 이미지를 입력하여 상기 복수의 건축 부재를 유형별로 분류하는 분류부;를 포함하며,
    상기 부재 분류 모델은,
    상기 선명도가 개선된 상기 복수의 입력 이미지 각각에 대한 제1 특징값을 추출하는 제1 특징값 추출 모듈;
    상기 복수의 입력 이미지 각각에 대한 상기 제1 특징값을 병합하여 제2 특징값을 생성하는 제2 특징값 추출 모듈; 및
    상기 제2 특징값에 기반하여 상기 복수의 건축 부재를 유형별로 분류하는 부재 분류 모듈;을 포함하는 BIM 부재 자동 분류 장치.
  2. 제1항에 있어서,
    상기 소정의 학습 데이터는,
    기 수집된 건축 부재에 관한 정보를 포함하는 제1 데이터 세트, 및 상기 제1 데이터 세트를 이용하여 생성된 제2 데이터 세트에 기초하여 생성되고,
    상기 제2 데이터 세트는,
    기 정의된 건축 부재 유형 각각에 대응하여 선정된 파라미터 및 상기 선정된 파라미터에 대응하여 설정된 범위값에 기반하여 상기 제1 데이터 세트와 상이한 파라미터 값을 가지도록 생성되는 BIM 부재 자동 분류 장치.
  3. 제2항에 있어서,
    상기 기 정의된 건축 부재 유형은,
    형강, 기둥, 단문, 복문, 회전문, 바닥, 천장, 벽체, 창 및 커튼월을 포함하고,
    상기 형강의 파라미터는, 가로, 세로, 웨브 폭 및 플랜지 폭을 포함하고,
    상기 기둥의 파라미터는, 가로, 세로, 웨브 폭, 플렌지 폭, 웨브 두께, 플렌지 두께 및 직경을 포함하고,
    상기 단문의 파라미터는, 폭, 높이, 문 프레임 폭, 문 패널 두께 및 문 열림 거리를 포함하고,
    상기 복문의 파라미터는, 폭, 높이, 문 프레임 폭, 문 패널 두께 및 문 열림 거리를 포함하고,
    상기 회전문의 파라미터는, 폭, 높이 및 출입구 길이를 포함하고,
    상기 바닥의 파라미터는, 폭 및 세로 길이를 포함하고,
    상기 천장의 파라미터는, 폭 및 세로 길이를 포함하고,
    상기 벽체의 파라미터는, 길이를 포함하고,
    상기 창의 파라미터는, 폭, 높이, 창틀 폭, 창 패널 두께, 창틀 두께 및 유리 패널 두께를 포함하고,
    상기 커튼월의 파라미터는 너비, 높이, 수직 그리드 및 수평 그리드를 포함하는 BIM 부재 자동 분류 장치.
  4. 제3항에 있어서,
    상기 학습 데이터는,
    상기 제1 데이터 세트 및 상기 제2 데이터 세트에 포함된 건축 부재 각각에 대해 상기 복수의 방향에서 촬영된 복수의 2D 이미지가 생성되면, 상기 복수의 2D 이미지에 포함된 픽셀들의 레이블 예측 결과에 기반해 이미지 내 건축 부재 영역이 결정되어 생성되는 BIM 부재 자동 분류 장치.
  5. 제1항에 있어서,
    상기 복수의 방향은,
    상기 건축 부재에 대한 평면 방향, 배면 방향, 정면 방향 및 상기 정면 방향을 기준으로 소정의 각도를 가지는 복수의 측면 방향을 포함하는 BIM 부재 자동 분류 장치.
KR1020210112904A 2021-08-26 2021-08-26 Bim 부재 자동 분류 장치 KR20230030801A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210112904A KR20230030801A (ko) 2021-08-26 2021-08-26 Bim 부재 자동 분류 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210112904A KR20230030801A (ko) 2021-08-26 2021-08-26 Bim 부재 자동 분류 장치

Publications (1)

Publication Number Publication Date
KR20230030801A true KR20230030801A (ko) 2023-03-07

Family

ID=85512304

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210112904A KR20230030801A (ko) 2021-08-26 2021-08-26 Bim 부재 자동 분류 장치

Country Status (1)

Country Link
KR (1) KR20230030801A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235609A (zh) * 2023-11-14 2023-12-15 中建科工集团有限公司 Bim构件的归纳分类方法、装置、设备及介质
CN117436165A (zh) * 2023-09-28 2024-01-23 中国中建设计研究院有限公司 一种全拆装式标准化建筑的设计建造方法及系统
CN117609868A (zh) * 2024-01-19 2024-02-27 中建三局集团有限公司 基于分部分项逻辑的房建类bim数据分类方法、系统及介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117436165A (zh) * 2023-09-28 2024-01-23 中国中建设计研究院有限公司 一种全拆装式标准化建筑的设计建造方法及系统
CN117235609A (zh) * 2023-11-14 2023-12-15 中建科工集团有限公司 Bim构件的归纳分类方法、装置、设备及介质
CN117235609B (zh) * 2023-11-14 2024-03-01 中建科工集团有限公司 Bim构件的归纳分类方法、装置、设备及介质
CN117609868A (zh) * 2024-01-19 2024-02-27 中建三局集团有限公司 基于分部分项逻辑的房建类bim数据分类方法、系统及介质
CN117609868B (zh) * 2024-01-19 2024-04-02 中建三局集团有限公司 基于分部分项逻辑的房建类bim数据分类方法、系统及介质

Similar Documents

Publication Publication Date Title
KR20230030801A (ko) Bim 부재 자동 분류 장치
Barzohar et al. Automatic finding of main roads in aerial images by using geometric-stochastic models and estimation
CN113628249B (zh) 基于跨模态注意力机制与孪生结构的rgbt目标跟踪方法
US7965886B2 (en) System and method for detection of multi-view/multi-pose objects
Zhao et al. Intelligent design method for beam and slab of shear wall structure based on deep learning
CN114802296A (zh) 一种基于动态交互图卷积的车辆轨迹预测方法
CN112884712B (zh) 一种显示面板缺陷分类的方法及相关装置
KR20200081340A (ko) 건축 도면 분석 방법 및 장치
CN109377511B (zh) 基于样本组合和深度检测网络的运动目标跟踪方法
CN104599291B (zh) 基于结构相似度和显著性分析的红外运动目标检测方法
CN110032952A (zh) 一种基于深度学习的道路边界点检测方法
CN111862156B (zh) 一种基于图匹配的多目标跟踪方法和系统
CN110363100A (zh) 一种基于YOLOv3的视频目标检测方法
CN109345559A (zh) 基于样本扩充和深度分类网络的运动目标跟踪方法
Shi et al. Efficient statistical validation of machine learning systems for autonomous driving
Huang et al. Graph theory-based approach for automatic recognition of CAD data
Kim et al. Automated door placement in architectural plans through combined deep-learning networks of ResNet-50 and Pix2Pix-GAN
CN111259736A (zh) 一种基于深度学习的复杂环境下行人实时检测方法
Drobnyi et al. Deep-learning guided structural object detection in large-scale, occluded indoor point cloud datasets
EP4443339A1 (en) Model generation method, model generation device, inference program, and inference device
CN117173595A (zh) 基于改进YOLOv7的无人机航拍图像目标检测方法
CN115510517A (zh) 高层建筑结构智能设计方法
Singh et al. CNN-based quick energy prediction model using image analysis for shape information
CN113284232B (zh) 一种基于四叉树的光流跟踪方法
Rahmani et al. Facade segmentation with a structured random forest

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application