KR20230174317A - 건축도면 구조부재 인식을 위한 인공지능 모델 생성 방법 - Google Patents

Abstract

본 발명은 훈련 데이터셋 준비 모듈(100)이 서로 다른 형태 및 크기의 둘 이상의 종류의 블록으로 구성된 이미지를 포함한 훈련 데이터셋을 준비하는 단계로서, 상기 블록들을 구조부재로 라벨링한 후 상기 블록들을 입력데이터로 하고 상기 라벨링된 구조부재를 출력데이터로 하는 훈련 데이터셋을 준비하는 단계; 및 학습 모듈(200)이 상기 훈련 데이터셋을 학습하여 건축도면 인식 인공지능 모델을 생성하는 단계를 포함하며, 상기 둘 이상의 종류의 블록은, 단위 정사각형이 서로 다르게 결합되어 형태 및 크기가 서로 다른 것이며, 그리고 상기 건축도면 인식 인공지능 모델에 건축도면을 포함한 이미지가 입력되면 입력된 이미지에서 구조부재가 인식됨으로써 구조부재가 도시된 이미지가 획득되는, 방법을 제공한다.

Description

건축도면 구조부재 인식을 위한 인공지능 모델 생성 방법{Method for generating an artificial intelligence model for recognizing structural members in architectural drawings}

본 발명은 건축 기술과 인공지능 기술의 융합 기술로서, 건축도면으로부터 구조부재를 자동으로 인식할 수 있는 인공지능 모델을 생성하는 방법에 관한 것이다.

개산견적은 건축물에 대한 정보가 부정확한 경우에도, 부족한 정보를 이용하여 물량을 개략적으로 예측하고 이를 이용하여 공사비를 개략적으로 예측하는 것을 의미한다. 계획, 설계 단계는 물론 시공 현장에서도 다양하게 활용되고 있다.

대표적으로 설계가 완성되지 않은 시점에 개략적인 건축물 계획만을 이용하여 공사비를 가늠하기 위해 개산견적이 사용된다.

설계가 완성된 후 변경되는 경우에도 널리 사용된다. 특히, 건축물의 설계가 완성되어 착공을 하였더라도 시공 현장 상황에 따라 도면 수정이 자주 이루어진다. 설계가 완성된 시점에 정밀한 방식으로 물량이 예측되고 견적이 이미 산출되었더라도, 현장에서 설계가 변경되어 도면이 바뀌었다면 견적은 당연히 바뀔 수밖에 없다. 이에 따라 초기 견적과 후기 견적 사이의 편차는 크다. 설계가 변경된 후 이를 반영하여 정확한 견적 산출을 하려면 BIM 등을 이용하여 변경된 부분을 반영한 2D 및 3D 도면을 다시 작성하고 정확한 적산식으로 물량을 산출하여야 하지만, 현장에서의 잦은 수정마다 이와 같이 시간이 많이 소요되고 번잡한 방식이 적용될 수 없다. 따라서 이러한 경우에도 개산견적이 활용된다.

이미 완공된 건물이더라도 오래된 건축물이어서 그 정보가 충분하지 못하다면 개산견적이 활용된다. 예컨대, 오랜 단독주택을 리모델링하고자 한다면 공공기관 등에서 수기로 작성된 평면도의 이미지 정도만 확인할 수 있는데, 이를 토대로 개산견적 방식으로 대략적인 물량을 확인하고 리모델링 공사비를 예측할 수 있다.

개산견적을 수행하는 방식은 다양한데, 대부분 과거의 유사 프로젝트를 통해 통계적으로 확인된 모수당 물량비 또는 모수당 공사비를 이용한다. 예컨대, 모수로서 단위면적을 설정한다면, 3,000m2당 1,000,000원의 기준을 대입함으로써 개산견적이 이루어진다.

이와 같은 방식으로 이루어진 개산견적은 현재의 도면이나 환경을 전혀 반영하지 못하고 오직 과거의 유사 프로젝트 경험에만 의존하므로 부정확할 수밖에 없다. 연구에 따르면 그 오차율은 50%에 이른다. 개산견적으로 공사비가 100억이 예측되어도, 실제 공사비는 50억 내지 150억이 소요될 수 있다.

또한, 이러한 방식이 적용되어도 시공 현장에서는 공사비 연산에 약간의 시간이 소요될 수 있다. 시공 현장에서 벽체 일부의 위치를 바꾸는 방식을 고려하고 있다면, 현장 담당자가 도면에 직접 스케치를 한 후, 스케치된 도면을 토대로 단위면적과 같은 모수를 수기로 연산하여야 하며, 연산된 결과를 단위면적당 공사비 기준에 대입하는 과정 등을 거쳐야 한다. 그렇다고 설계 변경이 필요할 때마다 설계 사무소 등 도면 작업자에게 이를 보낸다면 공사 기한은 한없이 증가하게 된다.

관련된 특허 문헌을 살펴본다.

한국등록번호 제10-2208694호는 평면도의 기호를 분석하여 인공지능을 활용하여 부재들을 식별하는 기술을 제안한다. 본 종래기술에서는 건축도면으로서 평면도에 활용되는 다양한 기호를 통해 부재를 식별하지만, 식별되는 부재는 창문과 문으로 제한된다. 또한, 창문과 문이더라도 기호가 없거나, 조금 다른 방식으로 기호를 도시하였거나, 예컨대 시공 현장에서와 같이 기호 없이 스케치를 변경한 경우라면 창문과 문의 부재 식별조차 불가능하다.

미국공개특허 2021-0256180호는 2D로 구성된 평면도로부터 데이터를 추출하는 방법을 개시한다. 여기에서는 인공지능을 활용하여 평면도를 자동 분석한다. 예컨대, 평면도가 입력되면 방, 거실, 화장실 등을 서로 다른 공간1, 공간2, 공간3으로 구분된다. 그러나 이는 물량 내지 개산견적과 거리가 있다. 개산견적을 위해서는 물량이 산출되어야 하고, 비교적 정확한 물량 산출을 위해서는 벽이나 기둥과 같은 구조부재의 부피가 필요하다. 본 종래기술은 구조부재를 파악할 수 없고 구조부재로 둘러 쌓인 공간의 면적만을 파악할 뿐이어서, 이를 통해 개산견적을 수행할 수 없다. 본 종래기술을 이용하여 개산견적을 수행한다면 결국 면적 당 공사비를 활용하는 종래의 개산견적 방식을 채택할 수 밖에 없다.

KR 10-2208694 B1 US 2021-0256180 A1 KR 10-2361118 B1

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로, 건축도면 인식 인공지능 모델을 생성하는 방법을 제공하고자 한다.

구체적으로, CAD나 BIM과 같은 전문 건축도면 프로그램을 이용한 도면 또는 다른 3D 모델링 등이 이루어진 도면을 반드시 필요로 하지 않으면서도 높은 정확도로 개산견적이 가능한 방법을 제공하고자 한다.

특히, 현장에서는 직접 스케치를 통해 설계를 수정하는 경우가 잦은데, 이 때에도 별도의 도면 작업 없이 높은 정확도로 신속한 연산이 가능한 개산견적 방법을 제공하고자 한다.

전문 프로그램으로 작성된 도면이 없고 수기로 작성된 평면도의 이미지 정도만 확인할 수 있는 오랜 건물에서도 높은 정확도로 개산견적이 가능한 방법을 제공하고자 한다.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 훈련 데이터셋 준비 모듈(100)이 서로 다른 형태 및 크기의 둘 이상의 종류의 블록으로 구성된 이미지를 포함한 훈련 데이터셋을 준비하는 단계로서, 상기 블록들을 구조부재로 라벨링한 후 상기 블록들을 입력데이터로 하고 상기 라벨링된 구조부재를 출력데이터로 하는 훈련 데이터셋을 준비하는 단계; 및 학습 모듈(200)이 상기 훈련 데이터셋을 학습하여 건축도면 인식 인공지능 모델을 생성하는 단계를 포함하며, 상기 둘 이상의 종류의 블록은, 단위 정사각형이 서로 다르게 결합되어 형태 및 크기가 서로 다른 것이며, 그리고 상기 건축도면 인식 인공지능 모델에 건축도면을 포함한 이미지가 입력되면 입력된 이미지에서 구조부재가 인식됨으로써 구조부재가 도시된 이미지가 획득되는, 방법을 제공한다.

또한, 상기 둘 이상의 종류의 블록은, 단위 정사각형이 I자 형태로 결합된 I-블록, 단위 정사각형이 J자 형태로 결합된 J-블록, 단위 정사각형이 L자 형태로 결합된 L-블록, 단위 정사각형이 O자 형태로 결합된 O-블록, 단위 정사각형이 S자 형태로 결합된 S-블록, 단위 정사각형이 T자 형태로 결합된 T-블록 및 단위 정사각형이 Z자 형태로 결합된 Z-블록을 포함하는 것이 바람직하다.

또한, 상기 I-블록은 단위 정사각형이 일렬로 4개 결합된 형태이며, 상기 J-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수직하게 3개의 단위 정사각형이 더 결합된 형태이며, 상기 L-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 좌측 단위 정사각형에서 수직하게 3개의 단위 정사각형이 더 결합된 형태이며, 상기 O-블록은 단위 정사각형이 수평으로 2개 결합되고, 이에 딱 맞추어 2개의 단위 정사각형이 더 결합된 형태이며, 상기 S-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수평하게 2개의 단위 정사각형이 더 결합된 형태이며, 상기 T-블록은 단위 정사각형이 수평으로 3개 결합되고, 그 중앙 단위 정사각형에 1개의 단위 정사각형이 더 결합된 형태이며, 그리고 상기 Z-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 좌측 단위 정사각형에서 수평하게 2개의 단위 정사각형이 더 결합된 형태인 것이 바람직하다.

또한, 상기 I-블록은 단위 정사각형이 일렬로 5개 이상이 결합된 형태이며, 상기 J-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수직하게 4개 이상의 단위 정사각형이 더 결합된 형태이며, 상기 L-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 좌측 단위 정사각형에서 수직하게 4개 이상의 단위 정사각형이 더 결합된 형태이며, 상기 S-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수평하게 3개의 단위 정사각형이 더 결합된 형태이며, 그리고 상기 T-블록은 단위 정사각형이 수평으로 3개 결합되고, 그 중앙 단위 정사각형에 2개의 단위 정사각형이 더 결합된 형태인 것이 바람직하다.

또한, 상기 O-블록은 구조부재 중 기둥으로 라벨링되고, 그 외의 블록들은 구조부재 중 벽체로 라벨링되는 것이 바람직하다.

또한, 상기 훈련 데이터셋에 포함된 이미지들은 배치 각도를 다르게 한 블록들을 포함하는 것이 바람직하다.

또한, 상기 훈련 데이터셋에 포함되는 이미지는 다수의 블록이 배치된 것으로 상기 블록의 윤곽선이 흑색으로 도시된 제 1 이미지를 포함하는 것이 바람직하다.

또한, 상기 훈련 데이터셋에 포함되는 이미지는, 상기 제 1 이미지를 흑백 반전한 제 2 이미지, 상기 제 1 이미지의 블록이 흑색 솔리드로 도시된 제 3 이미지 및 상기 제 1 이미지의 블록이 회색 솔리드로 도시된 제 4 이미지를 포함하여, 다수의 블록이 배치된 이미지마다 제 1 내지 제 4 이미지가 모두 훈련 데이터셋에 포함되는 것이 바람직하다.

상기와 같은 과제를 해결하기 위한 본 발명의 다른 실시예는, 컴퓨터에서 전술한 방법들을 실행시키기 위하여 컴퓨터 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 및 기록매체에 저장된 컴퓨터프로그램을 제공한다.

본 발명에 의해, CAD나 BIM과 같은 전문 건축도면 프로그램을 이용하거나 또는 다른 3D 모델링 등을 하지 않고서도 높은 정확도의 물량산출 및 개산견적이 가능하다. 본 발명을 활용하면 수 분 내에 구조부재의 총 면적이 높은 정확도로 확인되며 여기에 높이만 입력한다면 물량산출이 이루어지고 단가를 활용하여 개산견적이 이루어진다.

정확도가 높다. 전술한 바와 같이, 종래 사용되는 개산견적의 오차율은 50% 정도이나, 본 발명을 활용할 경우 오차율이 6~22%인 것으로 확인되어 2배 내지 8배의 성능 개선이 이루어짐을 확인하였다(도 13 참조).

면적일 직접 계산하는 등의 추가 작업이 필요하지 않아 현장에서 사용하기 적합하다. 현장의 도면에 스케치를 하고, 스마트폰 등을 이용하여 이미지를 인식한 후, 본 발명이 제안하는 프로그램에 해당 이미지를 입력함으로써 물량산출과 개산견적이 높은 정확도로 이루어진다. 추가의 다른 작업이 필요하지 않다.

CAD나 BIM과 같이 널리 사용되는 전문 건축도면 프로그램에서는 백색 바탕의 일반적 도면 외에도 흑백 반전 이미지의 도면, 흑색 솔리드 이미지의 도면, 회색 솔리드 이미지의 도면 등 다양한 형태로의 출력을 지원하고 실제 사용되는데(도 7 참조), 본 발명을 활용할 경우 그 출력 형태가 무엇이든 높은 정확도로 물량이 산출되고 개산견적이 이루어짐을 확인하였다.

도 1은 본 발명에 따른 방법이 수행되는 시스템을 개략적으로 도시한다.
도 2는 본 발명에 따른 방법을 설명하기 위한 순서도이다.
도 3은 본 발명에 따른 방법에 사용되는 인공지능 모델의 훈련 데이터셋의 블록들을 설명하기 위한 도면이다.
도 4는 본 발명에 따른 방법에 사용되는 인공지능 모델의 1차 훈련 데이터셋과 인식률을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 방법에 사용되는 2차 훈련 데이터셋과 인식률을 설명하기 위한 도면이다.
도 6은 본 발명에 따른 방법에 사용되는 3차 훈련 데이터셋과 인식률을 설명하기 위한 도면이다.
도 7은 본 발명에 따른 방법의 인공지능 모델에 적용될 수 있는 다양한 건축도면의 예시를 도시한다.
도 8은 본 발명에 따른 방법에 사용되는 4차 훈련 데이터셋과 인식률을 설명하기 위한 도면이다.
도 9는 본 발명에 따른 방법의 인공지능 모델에 적용하기 위한 건축도면의 전처리 과정을 설명하는 도면이다.
도 10은 본 발명에 따른 방법의 인공지능 모델에 적용하기 위한 건축도면의 후처리 과정을 설명하는 도면이다.
도 11 및 도 12는 본 발명에 따른 방법의 인공지능 모델에서 후처리 과정을 설명하기 위한 도면이다.
도 13은 본 발명에 따른 방법의 인공지능 모델의 검증 결과를 나타내는 도면이다.

이하에서 "구조부재"는 평면도 상에서 인식되는 부재로서 건축물의 구조에 해당하는 부재를 의미한다. 예컨대, 기둥, 벽체 등이 포함될 수 있다. 평면도 상에서 인식되지 않는 부재(예컨대, 슬라브, 보 등)는 제외한다.

이하에서, 도면을 참조하여 본 발명을 상세히 설명한다.

1. 개요

본 발명은 2D인 건축도면에서 구조부재를 자동으로 인식하기 위한 건축도면 인식 인공지능 모델을 생성하는 방법과, 이를 활용하여 실제 건축도면에서 구조부재를 인식하고 물량을 산출하고 개산견적을 수행하는 방법을 포함한다.

건축도면은 어떠한 형태의 평면도도 가능하다. CAD나 BIM 등 널리 사용되는 프로그램을 통해 작성된 건축도면일 수도 있지만, 현장에서 직접 스케치한 것이거나, 오랜 건물이어서 이미지로만 남아 있는 것이어도 무방하다. 어떠한 평면도이더라도 본 발명에 따른 인공지능 모델에 적용되어 모든 구조부재가 인식된다. 상세한 내용은 후술한다.

도 1을 참조하여 본 발명에 따른 방법이 수행되는 시스템을 설명한다.

본 발명에 따른 방법이 수행되는 시스템은 건축도면 인식 인공지능 모델을 생성하기 위해, 훈련 데이터셋을 준비하는 훈련 데이터셋 준비 모듈(100)과 실제 인공지능을 이용한 학습을 수행하는 학습 모듈(200)을 포함한다.

또한, 본 발명에 따른 방법이 수행되는 시스템은 건축도면 인식 인공지능 모델이 생성된 후, 실제 건축도면을 입력하여 구조부재를 인식하기 위해, 입력되는 건축도면을 전처리하는 전처리 모듈(300), 건축도면 인식 인공지능 모델에 전처리된 건축도면일 인가하여 구조부재를 식별하는 구조부재 인식 모듈(400), 구조부재가 인식된 이미지를 후처리하는 후처리 모듈(500) 및 물량을 산출하고 개산견적을 산출하는 개산견적 산출 모듈(600)을 더 포함한다.

도 2를 참조하여 본 발명에 따른 방법의 각 단계를 설명한다.

다수의 블록을 이용한 훈련 데이터셋 준비하고(S100), 이를 이용하여 건축도면 인식 인공지능 모델을 생성한다(S200).

건축도면 인식 인공지능 모델이 생성되었으면 이를 활용하여 건축도면에서 구조부재 인식이 가능하다.

이를 위해, 먼저, 인식하고자 하는 건축도면을 입력하면(S310), 전처리가 수행된다. 노이즈를 제거(S320)한 후, 스케일을 기준에 맞추어 설정함으로써 이미지를 준비한다(S330). 다음, 이미지를 분할하여 하나의 이미지에 대한 다수의 패치 생성한다(S340).

전처리 과정에서 건축도면인 이미지는 다수의 패치가 되는데, 이제 각 패치를 개별적으로 S200 단계에서 구축된 건축도면 인식 인공지능 모델에 입력하여 각 패치마다 구조부재가 인식된다(S400).

구조부재가 인식된 패치들에 대하여 후처리가 수행된다. 각각의 패치들이 이미지 병합되어(S510) 하나의 이미지가 되면, NMS 처리하여 객체의 중복된 부분을 제거한 후(S520), 이미지 이진화 처리하고(S530), 구조부재의 외곽선을 검출하고 픽셀 좌표를 획득한다(S540). 다음, 플러드필 처리한 후(S550) 플러드필 처리된 픽셀의 개수를 카운팅하여 구조부재의 총 면적을 연산한다(S560). 이러한 방식으로 입력된 건축도면의 모든 구조부재의 총 면적이 연산된다.

이후, 높이를 이용하면 모든 구조부재의 물량이 산출되며, 단가를 더 이용하여 개산견적이 이루어진다(S600).

각 모듈들의 구체적인 기능과 각 단계의 상세한 설명은 후술한다.

2. 인공지능 모델 생성 S100~S200

건축도면 인식 인공지능 모델을 생성하는 단계를 설명한다.

2.1 훈련 데이터셋의 제 1 실시예

본 발명은 블록 설정부(110)가 서로 다른 형태 및 크기의 둘 이상의 종류의 블록을 설정하고, 이러한 블록으로 구성된 이미지를 포함한 훈련 데이터셋을 이용한다. 라벨링부(120)에 의해 해당 블록들에는 구조부재임이 라벨링된다. 즉, 라벨링되지 않은 부분은 배경으로서 구조부재가 아님을 의미하고 라벨링된 블록들만이 구조부재이다. 이와 같은 방식으로 준비된 훈련 데이터셋을 이용하여 기계학습 등의 방식으로 학습되고 인공지능 모델이 생성된다. 달리 말하면, 블록들이 입력데이터가 되고 라벨링된 구조부재가 출력데이터가 된다.

둘 이상의 종류의 블록은, 단위 정사각형이 서로 다르게 결합되어 형태 및 크기가 서로 다른 것을 의미한다. 하나의 단위 정사각형의 크기는 특정 수치로 결정된 것은 아니나, 인식되어야 하는 구조부재 중 하나인 벽체의 평균 두께를 고려하여 200mm로 설정할 수 있다.

실제 건축도면에서의 건축부재 형상을 고려하여 대부분의 건축부재 형상을 인식할 수 있도록 7개의 종류의 블록을 사용하는 것이 바람직하다. 도 3a에 도시된 바와 같이 단위 정사각형이 I자 형태로 결합된 I-블록, 단위 정사각형이 J자 형태로 결합된 J-블록, 단위 정사각형이 L자 형태로 결합된 L-블록, 단위 정사각형이 O자 형태로 결합된 O-블록, 단위 정사각형이 S자 형태로 결합된 S-블록, 단위 정사각형이 T자 형태로 결합된 T-블록 및 단위 정사각형이 Z자 형태로 결합된 Z-블록을 포함한다. 7개의 종류의 블록만을 본다면 게임인 TETRIS®에서 사용되는 블록과 유사하다.

도 3a를 참조하여 보다 구체적으로 설명하면, I-블록은 단위 정사각형이 일렬로 4개 결합된 형태이며, J-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수직하게 3개의 단위 정사각형이 더 결합된 형태이며, L-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 좌측 단위 정사각형에서 수직하게 3개의 단위 정사각형이 더 결합된 형태이며, O-블록은 단위 정사각형이 수평으로 2개 결합되고, 이에 딱 맞추어 2개의 단위 정사각형이 더 결합된 형태이며, S-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수평하게 2개의 단위 정사각형이 더 결합된 형태이며, T-블록은 단위 정사각형이 수평으로 3개 결합되고, 그 중앙 단위 정사각형에 1개의 단위 정사각형이 더 결합된 형태이며, 그리고 Z-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 좌측 단위 정사각형에서 수평하게 2개의 단위 정사각형이 더 결합된 형태이다.

도 3b에는 이러한 블록들이 건축도면의 어떠한 구조부재 형상에 대응되는지 나타낸다. 예외적으로 특이한 구조부재의 형상이 아니라면 대부분의 건축도면 구조부재는 7개의 종류의 블록에 대응될 수 있다.

전술한 바와 같이 라벨링부(120)는 각 블록들에 구조부재를 라벨링한 상태이다. 본 출원인은 라벨링 툴인 LabelMe를 이용하여 라벨링을 수행한 후 json 파일 형식으로 데이터를 추출하였다.

본 발명의 일 실시예에서는 구조부재를 구분하여 라벨링할 수도 있다. 즉, 모든 구조부재를 동일한 "구조부재" 이름으로 라벨링하지 않고, O-블록은 구조부재 중 기둥으로 라벨링하고, 그 외의 6개의 종류의 블록들은 구조부재 중 벽체로 라벨링할 수도 있다. 이 경우, 후술하는 건축도면 인식 시에 벽체와 기둥이 서로 구분되어 인식될 수 있으며, 원형 기둥 또한 인식이 가능하다.

한편, 블록 설정부(110)에 의해 블록이 설정되었는바 이미지 설정부(130)는 이들을 훈련을 위한 이미지 형태로 준비한다. 이 때에 준비된 이미지들은 배치 각도를 다르게 한 블록들을 포함하는 것이 바람직하다. 건축도면에서는 구조부재들의 배치 각도가 자유롭기 때문이다. 도 4a 상단에 도시된 바와 같이, 동일한 L-블록이더라도 0도에서 360도 사이의 특정 각도를 갖고 배치되는 다양한 L-블록을 준비한다. 다른 블록들도 마찬가지이다. 본 출원인은 7개의 종류의 블록들을 준비된 이미지 상에서 서로 다른 각도로 배치하여 총 10개의 이미지를 준비하였으며, 이는 도 4a의 하단에 도시된다. 각각의 이미지에는 5개의 블록이 포함되어 있다. 하나의 이미지는 512 X 512 픽셀 사이즈로 설정하였다.

이미지 설정부(130)가 이와 같은 방식으로 배치가 상이한 블록들을 포함하는 이미지를 포함하는 훈련 데이터셋을 준비하면, 학습 모듈(200)이 이를 기반으로 학습하여 건축도면 인식 학습모델을 생성한다. 본 출원인은 YOLACT를 이용하여 전이학습하였으나 다른 학습 방식을 사용하여도 무방하다.

학습된 모델의 성능을 검증하기 위하여 도 4b에 도시된 건축도면을 인공지능 모델에 입력하였다. 17개의 구조부재가 확인되는데, 도 4c와 같이 Poor, Good, Excellent의 비율은 6:3:8로 확인되었다. 총 구조부재의 개수 대비 Excellent인 구조부재의 개수를 인식률로 정의할 경우 인식률은 47%였다.

예컨대, 스케치된 건축도면에서도 47%의 확률로 Excellent 등급의 구조부재가 인식될 수 있기에, 이러한 방식으로 구조부재 인식이 인공지능에 의해 가능함이 확인되었다.

2.2 훈련 데이터셋의 제 2 실시예

인식률 증가를 위해 훈련 데이터셋의 다른 실시예를 제안한다. 도 5를 참조하여 설명하며, 제 1 실시예와 공통되는 부분에 대한 설명은 생략한다.

제 2 실시예의 훈련 데이터셋도 제 1 실시예와 동일하게 서로 다른 형태 및 크기의 둘 이상의 종류의 블록을 사용하고, 바람직하게는 7개의 종류의 블록을 사용하지만, 하나의 이미지에 포함되는 블록의 개수가 상이하다. 제 1 실시예에서는 도 4a의 하단에 도시된 바와 같이 하나의 이미지에 5개의 블록을 포함시키고 서로 다른 10개의 이미지를 훈련 데이터로 사용하였으나, 제 2 실시예에서는 도 5a에 도시된 바와 같이 하나의 이미지에 10개의 블록을 포함시키고 서로 다른 20개의 이미지를 훈련 데이터로 사용하였다.

즉, 이미지 설정부(130)는 이와 같은 방식으로 10개의 블록이 포함된 20개의 이미지로 구성된 훈련 데이터셋을 설정하고, 학습 모듈(200)은 이를 학습하여 건축도면 인식 학습모델을 생성한다.

학습된 모델의 성능을 검증하기 위하여 제 1 실시예와 동일하게 도 4b에 도시된 건축도면을 인공지능 모델에 입력하였다. 도 5b와 같이 Poor, Good, Excellent의 비율은 4:2:11로 확인되었다. 인식률은 65%로 제 1 실시예 대비 약 18% 증가함을 확인하였다.

2.3 훈련 데이터셋의 제 3 실시예

인식률 증가를 위해 훈련 데이터셋의 또 다른 실시예를 제안한다. 도 6를 참조하여 설명하며, 제 1 및 제 2 실시예와 공통되는 부분에 대한 설명은 생략한다.

제 1 실시예와 제 2 실시예에서 Poor로 인식되는 구조부재은 대부분 길이 방향으로 긴 것이라는 특징에 착안하여 제 3 실시예에서는 일부 종류의 블록에서 어느 한 길이를 보다 길게 연장한 훈련 데이터셋을 적용한다. 제 2 실시예와 동일하게 하나의 이미지에 10개의 블록이 포함되고, 20개의 이미지가 훈련 데이터셋으로 사용된다.

도 6a를 참조하여 블록의 변화를 보다 상세히 설명한다. 도 6a에 도시된 제 3 실시예의 훈련 데이터셋 이미지에서는 일부 종류의 블록이 길이 방향으로 길어진 것을 확인할 수 있다. I-블록, J-블록, L-블록, S-블록 및 T-블록이 변경된다. O-블록은 그 자체가 정방향이어서 길게 연장하는 형태가 의미가 없다. 구체적으로, I-블록은 단위 정사각형이 일렬로 5개 이상이 결합된 형태, 바람직하게는 10개 결합된 형태이다. J-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수직하게 4개 이상의 단위 정사각형이 더 결합된 형태, 바람직하는 7개 결합된 형태이다. L-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 좌측 단위 정사각형에서 수직하게 4개 이상의 단위 정사각형이 더 결합된 형태, 바람직하게는 7개 결합된 형태이다. S-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수평하게 3개의 단위 정사각형이 더 결합된 형태, 바람직하게는 7개 결합된 형태이다. 상기 T-블록은 단위 정사각형이 수평으로 3개 결합되고, 그 중앙 단위 정사각형에 2개의 단위 정사각형이 더 결합된 형태, 바람직하게는 6개 결합된 형태이다.

이미지 설정부(130)는 이와 같은 방식으로 10개의 블록이 포함된 20개의 이미지로 구성된 훈련 데이터셋을 설정하고, 학습 모듈(200)은 이를 학습하여 건축도면 인식 학습모델을 생성한다.

학습된 모델의 성능을 검증하기 위하여 제 1 및 제 2 실시예와 동일하게 도 4b에 도시된 건축도면을 인공지능 모델에 입력하였다. 도 6b와 같이 Poor, Good, Excellent의 비율은 2:3:12로 확인되었다. 인식률은 71%로 제 2 실시예 대비 약 6% 증가함을 확인하였다.

2.4 훈련 데이터셋의 제 4 실시예

인식률 증가를 위해 훈련 데이터셋의 또 다른 실시예를 제안한다. 도 7 및 도 8을 참조하여 설명하며, 제 1, 제 2 및 제 3 실시예와 공통되는 부분에 대한 설명은 생략한다.

실제 산업 현장에서 사용되는 건축도면의 출력 형태는 네 가지 정도로 구분된다. 일반적인 건축도면으로 흰색 배경에서 구조부재가 윤곽선만 흑색으로 도시된 건축도면일 수도 있으나(도 4b 참조), 도 7의 (a)와 같이 이를 반전한 건축도면일 수 있고(즉, 흑색 배경에서 구조부재의 윤곽선만 흰색으로 도시), 도 7의 (b)와 같이 백색 배경에서 구조부재를 윤곽선이 아닌 흑색 솔리드로 도시한 건축도면일 수 있고, 도 7의 (c)와 같이 흑색 솔리드로 도시한 건축도면일 수 있다.

제 3 실시예에 따라 생성된 건축도면 인식 인공지능 모델을 사용하여 각 형태마다 인식률을 확인해본 결과, 일반적인 흰색 배경의 구조부재 흑색 윤곽선 건축도면에서 인식률이 71%임은 전술한 바와 같으나, 도 7의 (a)의 건축도면에서는 59%, 도 7의 (b)의 건축도면에서는 59%, 도 7의 (c)의 건축도면에서는 71%의 인식률을 확인하였다. 즉, 건축도면의 출력 형태에 따라 인식률에 차이가 있었다.

제 4 실시예는 건축도면의 출력 형태와 무관하게 높은 인식률을 가질 수 있도록 착안된 훈련 데이터셋이다.

제 4 실시예에서 준비되는 이미지의 블록들은 제 3 실시예와 동일하다.

훈련 데이터셋을 구성하는 이미지마다 널리 사용되는 건축도면의 출력 형태를 고려하여 4개의 종류의 이미지를 준비한다. 도 8에 (a) 내지 (d)로 도시된 바와 같이, 지금까지 설명한 것으로 백색 배경에서 블록의 윤곽선이 흑색으로 도시된 제 1 이미지, 제 1 이미지를 흑백 반전한 제 2 이미지(즉, 흑색 배경에서 흰색 윤곽선의 블록), 제 1 이미지의 블록이 흑색 솔리드로 도시된 제 3 이미지 및 제 1 이미지의 블록이 회색 솔리드로 도시된 제 4 이미지를 준비한다. 다시 말해, 하나의 이미지 형태마다 4개의 이미지가 준비되어 모두 훈련 데이터셋에 포함된다.

이미지 설정부(130)는 이와 같은 방식으로 10개의 블록이 포함된 80개의 이미지로 구성된 훈련 데이터셋을 설정하고, 학습 모듈(200)은 이를 학습하여 건축도면 인식 학습모델을 생성한다.

학습된 모델의 성능을 검증하기 위하여 도 4b에 도시된 건축도면을 전술한 제 1 이미지, 제 2 이미지, 제 3 이미지 및 제 4 이미지와 같은 도시 방식으로 변환하여 준비한 후 이를 각각 인공지능 모델에 입력하였다. 도 8b와 같이 제 1 이미지의 도시 방식의 건축도면 입력시의 인식률은 76%로 제 3 실시예 대비 약 5% 증가하였다, 도 8b와 같이 제 2 이미지의 도시 방식의 건축도면 입력시의 인식률은 82%로 제 3 실시예 대비 약 23% 증가하였다. 도 8c와 같이 제 3 이미지의 도시 방식의 건축도면 입력시의 인식률은 71%로 제 3 실시예 대비 약 12% 증가하였다. 도 8d와 같이 제 4 이미지의 도시 방식의 건축도면 입력시의 인식률은 76%로 제 3 실시예 대비 약 5% 증가하였다.

즉, 제 4 실시예와 같이 동일한 블록 형태의 이미지이더라도 출력 형태를 다르게 하여 훈련 데이터셋을 설정한다면 모든 출력 형태의 건축도면에 대한 구조부재 인식률이 증가함을 확인하였다.

2.5 소결

제 1 실시예 내지 제 4 실시예의 훈련 데이터셋을 이용한 건축도면 인식 인공지능 모델 모두에서 유의미한 인식률을 갖는 것이 확인되었다. 제 1 실시예에서의 인식률은 다른 실시예 대비 낮은 편이지만, 손으로 스케치한 건축도면에서 절반 정도의 구조부재를 자동으로 확인된다면 유용한 결과라 할 수 있다.

물론, 제 2 실시예, 제 3 실시예 및 제 4 실시예의 순서로 인식률이 증가하여, 제 4 실시예와 같은 방식으로 훈련 데이터셋을 준비하여 건축도면 인식 인공지능 모델을 생성할 경우, 어떠한 출력 형태의 건축도면이 입력되어도 평균 76%의 구조부재를 인식함을 확인하였다.

3. 전처리 S310~S340

이하에서는, 전술한 방식으로 건축도면 인식 인공지능 모델이 생성된 이후, 실제 건축도면을 입력하여 구조부재를 식별하고, 물량을 산출하고, 개산견적을 수행하는 방법을 구체적으로 설명한다.

전처리, 인공지능 모델 적용, 후처리 및 활용으로 구분하여 설명한다.

먼저, 도 9를 참조하여 전처리 방법을 설명한다.

도 2를 참조하여 설명한 바와 같이, 먼저 인식하고자 하는 건축도면이 입력부(310)를 통해 입력되면(S310), 노이즈 제거부(320)가 입력된 건축도면에서 노이즈를 제거(S320)하고, 스케일 설정부(330)가 입력된 건축도면의 스케일을 기준에 맞추어 설정하며(S330). 이미지 분할부(340)가 건축도면 이미지를 분할하여 하나의 이미지에 대하여 다수의 패치 생성한다(S340).

건축도면은 벽, 기둥 등의 구조부재는 물론, 문, 창문, 계단실 등 건물의 많은 형상 정보를 담고 있고, 다양한 형태의 문자 및 기호가 포함되어 있기에, 불필요한 요소를 제외하는 노이즈 클렌징(Noise Cleansing) 작업이 필요하다. 본 발명에서는 노이즈 제거부(320)가 이를 수행한다.

앞선 예시에서는 1/100 스케일(scale)을 기반으로 건축도면 인식 인공지능 모델이 생성되었으나, 스케일이 다른 건축도면에도 대응될 수 있도록 스케일 설정부(330)는 입력된 건축도면의 스케일을 기준에 맞추어 설정하여야 한다. 예컨대, 1/100 스케일을 기준으로 하여, 이와 다른 스케일을 갖는 건축도면의 스케일을 변경할 수 있다. 훈련 데이터셋이 1/100 스케일을 기준으로 각 블록을 구성하는 정사각형의 길이를 200mm로 설정하였기에, 스케일 설정 작업은 주요 작업이다.

또한, 이미지를 훈련 데이터셋으로 하여 인공지능 모델 학습이 이루어졌으므로 입력된 건축도면이 dwg 기반으로 작성되었다면 이를 이미지 파일로 변환하여야 한다.

이와 같은 처리가 완료되면 건축도면은 인공지능 모델에 입력될 준비가 완료된다. 이 때에 하나의 건축도면을 전체로 인공지능 모델에 입력하는 것이 아니라 이미지 분할부(340)가 이미지를 분할하여 다수의 패치를 생성하고, 각각의 패치별로 인공지능 모델에 입력된다.

본 출원인은 1684 X 1191 픽셀 사이즈의 건축도면을 가로 및 세로 180 픽셀 단위로 이미지 분할하여 다수의 패치(patches)를 생성하였다. 이 때에 각각의 패치마다 기재된 구조부재의 개수의 합은 모든 패치(즉, 최초 입력된 건축도면)에서의 구조부재의 개수와 같으며 크기 역시 동일하다. 다만, 하나의 건축도면이 전체로 입력되는 경우와 비교하여 1회의 인공지능 모델 동작 당 인식되는 구조부재의 개수가 현저히 작아져서 인식률이 크게 개선됨을 확인하였다.

4. 인공지능 모델에 적용 S400

전처리가 완료되면 입력된 건축도면이 분할되어 다수의 패치가 확인된 상태이다. 이제 구조부재 인식 모듈(400)이 다수의 패치를 각각 건축도면 인식 인공지능 모델에 입력한다. 이를 통해 각 패치마다 구조부재가 인식된다.

5. 후처리 S510~S550

도 10 내지 도 12를 참조하여 후처리 방법을 설명한다.

각 패치마다 구조부재가 인식되었으므로 굳이 패치를 병합하지 않고 각 패치에서 구조부재의 면적을 연산한 후 이들을 합산하여도 입력된 건축도면의 구조부재의 면적을 연산할 수 있다. 다만, 본 출원인은 이와 같이 각 패치마다 면적을 연산할 경우 연산량과 연산 소요시간이 증가하는 문제를 확인하여 후처리 단계를 설정하였다.

도 2를 참조하여 설명한 바와 같이, 각각의 패치들이 이미지 병합되어(S510) 하나의 이미지가 되면, NMS 처리하여 객체의 중복된 부분을 제거한 후(S520), 이미지 이진화 처리하고(S530), 구조부재의 외곽선을 검출하고 픽셀 좌표를 획득한다(S540). 다음, 플러드필 처리한 후(S550) 플러드필 처리된 픽셀의 개수를 카운팅하여 구조부재의 총 면적을 연산한다(S560).

구체적으로, 이미지 병합부(510)는 분할되었던 패치를 다시 병합한다. 이를 통해 S400 단계에서 인식된 구조부재들이 도시된 패치들이 병합되어 최초 입력된 건축도면 크기에 이르게 된다. 전처리 부분에서 언급한 예시라면, 다시 1684 X 1191 픽셀 사이즈의 이미지가 된다.

다음, NMS 처리부(520)가 병합된 이미지를 NMS(Non-Maximum Suppression) 처리한다. 본 발명은 패치마다 개별적으로 구조부재를 인식하기에, 병합된 이미지에서 중복된 부분이 다수 존재할 수 있으며, 이에 따라 연산량과 연산 소요시간이 증가하는 문제를 방지하기 위함이다. 이미지를 NMS(Non-Maximum Suppression) 처리는 다수 회의 인식으로 구조부재의 바운딩 박스와 IoU가 복잡하게 중복된 부분을 제거하는 처리로서 그 자체는 공지된 기술이다. 도 11에 도시된 바와 같이 NMS 처리가 완료된 이후 모든 중복된 부분이 제거됨을 확인할 수 있다.

또한, 이미지 이진화부(530)는 NMS 처리가 완료된 이미지에 대한 이미지 이진화(Image Threshold) 처리를 수행한다. 본 발명에서 구조부재의 인식 영역은 훈련 데이터셋 카테고리별 마스킹 영역으로 구성되어 있는데, 인식 영역의 면적 계산 방법은 컴퓨터가 각 카테고리별 마스킹 영역을 식별한 후 모든 카테고리별 마스킹 영역에 대한 면적의 총합을 계산하는 것이어서 연산량과 연산 소요시간이 크다. 따라서, 카테고리를 구분하지 않고 카테고리별 마스킹 영역의 집합체로서 면적을 한 번에 계산하기 위해 이미지 이진화 처리가 수행된다. 구체적으로, 흑색(0)와 흰색(255)에 해당하는 두 픽셀값 사이에서 임계값(Threshold)를 설정한 후, 이를 기준으로 이미지의 모든 픽셀을 흑백으로 구분한다. 이를 통해 이미지에는 흰색의 구조부재의 영역과 흑색의 배경의 영역이 명확하게 구분된다. 이 과정은 도 12에 도시된다. 여기서는 임계값으로 200을 설정하여 사용하였다.

다음, 플러드필 처리부(540)가 면적을 연산하기 위한 준비 작업을 수행한다. 구체적으로, 이미지 이진화 처리된 이미지에서 구조부재의 외곽선을 검출하고 픽셀 좌표를 획득하며, 픽셀 좌표를 통해 외곽선이 검출된 구조부재 내측을 플러드필(flood fill) 처리하고, 플러드필 처리된 영역의 픽셀의 개수를 카운팅한다.

면적 연산부(550)는 카운팅된 픽셀의 개수를 이용하여 면적을 연산한다.

본 출원인의 실제 프로그램 실행시 도 9의 좌상단 건축도면이 입력되어 도 10의 좌하단 이미지가 확인되었으며 면적 연산부(550)가 37764개의 픽셀 수를 확인하였다. 도 9의 좌상단 건축도면은 1/100 스케일에서 이미지 크기는 594 X 420mm이고 1684 X 1191 픽셀의 이미지로 변환되어 인공지능 모델에 입력되었기에, 이를 이용하여 1픽셀이 (594 X 420)/(1684 X 1191)mm2을 의미함을 알 수 있다. 여기에 37764를 곱하고, 1/100 스케일을 반영하기 위해 100의 제곱을 곱하고, 밀리미터 단위를 미터 단위로 환산하면, 본 발명에 의해 구조부재의 총 면적은 약 42m2으로 계산되었다.

6. 활용 S600

전술한 바와 같이 구조부재의 총 면적이 계산되면, 개산견적 산출 모듈(600)에 입력된 높이를 곱함으로써 구조부재의 총 물량이 산출된다.

또한, 개산견적 산출 모듈(600)에 물량 부피 당 공사비가 설정되어 있다면 이를 이용하여 개산견적이 손쉽게 이루어진다.

7. 최종 검증

본 발명에 따라 건축도면 인식 인공지능 모델을 생성하고 이를 이용하여 개산견적을 수행한 후, 그 결과를 정밀한 견적과 비교함으로써 본 발명을 검증하고자 한다. 이를 위해 도 13에 도시되는 바와 같이 (a) 내지 (j)까지의 10개의 건축도면을 준비하였다. 건축도면 인식 인공지능 모델은 전술한 제 4 실시예의 훈련 데이터셋을 이용하여 생성되었다.

도 13a 내지 도 13c에서 좌측부터 각각 입력부(310)에 입력된 건축도면, 노이즈 제거부(320)에 의해 노이즈가 제거되고 변환된 이미지, 구조부재 인식 모듈(400)에 의한 구조부재 인식 결과가 도시된 이미지, 이미지 이진화부(530)에 의해 이미지 이진화 처리된 이미지 및 플러드필 처리부(540)에 의해 플러드필 처리가 이루어진 이미지를 각각 도시한다.

도 13d는 4내의 기법(method)로 물량을 산출한 결과를 도시한다. "1"은 적산식을 통해 직접 손으로 계산한 방식으로 정밀한 건축도면이 필요하고 시간이 많이 소요되지만 가장 정확한 방식이다. 후술하는 방법들의 오차율을 판단하는 기준이 된다. "2"는 연면적당 콘크리트량을 이용하여 계산한 종래의 일반적인 개산견적 방식이고, "3"은 건축도면에서 외곽선을 검출하는 알고리즘만을 이용하여 물량을 계산하는 방식이고, "4"는 본 발명을 적용한 방식이다.

기법 "2"와 같은 종래의 개산견적 방식의 오차율은 약 32%까지 확인되었다. 외곽선만 검출하는 기법 "3"의 오차율은 약 64%까지 확인되었다. 본 발명에 따른 기법 "4"의 경우 오차율은 가장 큰 경우가 약 22%, 가장 적은 경우는 약 6%로 확인되었다.

이를 통해, 종래의 다른 개산견적 방식들과 비교하여 본 발명의 정확도가 우수함을 확인하였다.

100: 훈련 데이터셋 준비 모듈
110: 블록 설정부
120: 라벨링부
130: 이미지 설정부
200: 학습 모듈
300: 전처리 모듈
310: 입력부
320: 노이즈 제거부
330: 스케일 설정부
340: 이미지 분할부
400: 구조부재 인식 모듈
500: 후처리 모듈
510: 이미지 병합부
520: NMS 처리부
530: 이미지 이진화부
540: 플러드필 처리부
550: 면적 연산부
600: 개산견적 산출 모듈

Claims (10)

1. 훈련 데이터셋 준비 모듈(100)이 서로 다른 형태 및 크기의 둘 이상의 종류의 블록으로 구성된 이미지를 포함한 훈련 데이터셋을 준비하는 단계로서, 상기 블록들을 구조부재로 라벨링한 후 상기 블록들을 입력데이터로 하고 상기 라벨링된 구조부재를 출력데이터로 하는 훈련 데이터셋을 준비하는 단계; 및
   학습 모듈(200)이 상기 훈련 데이터셋을 학습하여 건축도면 인식 인공지능 모델을 생성하는 단계를 포함하며,
   상기 둘 이상의 종류의 블록은, 단위 정사각형이 서로 다르게 결합되어 형태 및 크기가 서로 다른 것이며, 그리고
   상기 건축도면 인식 인공지능 모델에 건축도면을 포함한 이미지가 입력되면 입력된 이미지에서 구조부재가 인식됨으로써 구조부재가 도시된 이미지가 획득되는,
   방법.
   
2. 제 1 항에 있어서,
   상기 둘 이상의 종류의 블록은, 단위 정사각형이 I자 형태로 결합된 I-블록, 단위 정사각형이 J자 형태로 결합된 J-블록, 단위 정사각형이 L자 형태로 결합된 L-블록, 단위 정사각형이 O자 형태로 결합된 O-블록, 단위 정사각형이 S자 형태로 결합된 S-블록, 단위 정사각형이 T자 형태로 결합된 T-블록 및 단위 정사각형이 Z자 형태로 결합된 Z-블록을 포함하는,
   방법.
   
3. 제 2 항에 있어서,
   상기 I-블록은 단위 정사각형이 일렬로 4개 결합된 형태이며,
   상기 J-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수직하게 3개의 단위 정사각형이 더 결합된 형태이며,
   상기 L-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 좌측 단위 정사각형에서 수직하게 3개의 단위 정사각형이 더 결합된 형태이며,
   상기 O-블록은 단위 정사각형이 수평으로 2개 결합되고, 이에 딱 맞추어 2개의 단위 정사각형이 더 결합된 형태이며,
   상기 S-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수평하게 2개의 단위 정사각형이 더 결합된 형태이며,
   상기 T-블록은 단위 정사각형이 수평으로 3개 결합되고, 그 중앙 단위 정사각형에 1개의 단위 정사각형이 더 결합된 형태이며, 그리고
   상기 Z-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 좌측 단위 정사각형에서 수평하게 2개의 단위 정사각형이 더 결합된 형태인,
   방법.
   
4. 제 2 항에 있어서,
   상기 I-블록은 단위 정사각형이 일렬로 5개 이상이 결합된 형태이며,
   상기 J-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수직하게 4개 이상의 단위 정사각형이 더 결합된 형태이며,
   상기 L-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 좌측 단위 정사각형에서 수직하게 4개 이상의 단위 정사각형이 더 결합된 형태이며,
   상기 S-블록은 단위 정사각형이 수평으로 2개 결합되고, 그 우측 단위 정사각형에서 수평하게 3개의 단위 정사각형이 더 결합된 형태이며, 그리고
   상기 T-블록은 단위 정사각형이 수평으로 3개 결합되고, 그 중앙 단위 정사각형에 2개의 단위 정사각형이 더 결합된 형태인,
   방법.
   
5. 제 2 항에 있어서,
   상기 O-블록은 구조부재 중 기둥으로 라벨링되고, 그 외의 블록들은 구조부재 중 벽체로 라벨링되는,
   방법.
   
6. 제 1 항에 있어서,
   상기 훈련 데이터셋에 포함된 이미지들은 배치 각도를 다르게 한 블록들을 포함하는,
   방법.
   
7. 제 1 항에 있어서,
   상기 훈련 데이터셋에 포함되는 이미지는 다수의 블록이 배치된 것으로 상기 블록의 윤곽선이 흑색으로 도시된 제 1 이미지를 포함하는,
   방법.
   
8. 제 7 항에 있어서,
   상기 훈련 데이터셋에 포함되는 이미지는, 상기 제 1 이미지를 흑백 반전한 제 2 이미지, 상기 제 1 이미지의 블록이 흑색 솔리드로 도시된 제 3 이미지 및 상기 제 1 이미지의 블록이 회색 솔리드로 도시된 제 4 이미지를 포함하여,
   다수의 블록이 배치된 이미지마다 제 1 내지 제 4 이미지가 모두 훈련 데이터셋에 포함되는,
   방법.
   
9. 컴퓨터에 제 1 항 내지 제 8 항 중 어느 한 항에 따른 방법을 실행시키기 위한 컴퓨터 프로그램을 기록한, 컴퓨터로 읽을 수 있는 기록매체.
   
10. 컴퓨터에 제 1 항 내지 제 8 항 중 어느 한 항에 따른 방법을 실행시키기 위하여 기록매체에 저장된, 컴퓨터프로그램.

Images