KR20240166811A - 건축도면 분석을 통한 자재물량을 산출방법 - Google Patents

건축도면 분석을 통한 자재물량을 산출방법 Download PDF

Info

Publication number
KR20240166811A
KR20240166811A KR1020230064518A KR20230064518A KR20240166811A KR 20240166811 A KR20240166811 A KR 20240166811A KR 1020230064518 A KR1020230064518 A KR 1020230064518A KR 20230064518 A KR20230064518 A KR 20230064518A KR 20240166811 A KR20240166811 A KR 20240166811A
Authority
KR
South Korea
Prior art keywords
analysis
information
learning
analyzing
type
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
KR1020230064518A
Other languages
English (en)
Inventor
양재영
최재풍
Original Assignee
(주)대양이엔지
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 (주)대양이엔지 filed Critical (주)대양이엔지
Priority to KR1020230064518A priority Critical patent/KR20240166811A/ko
Publication of KR20240166811A publication Critical patent/KR20240166811A/ko
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/42—Document-oriented image-based pattern recognition based on the type of document
    • G06V30/422—Technical drawings; Geographical maps
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Civil Engineering (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Structural Engineering (AREA)
  • Architecture (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

건축도면 분석을 통한 자재물량을 산출방법이 제공된다. 상기 방법은 도면을 입력받는 단계, 상기 도면의 이미지를 분석하여 상기 도면에 포함된 객체의 종류를 도출하는 단계, 상기 도면의 좌표 데이터를 분석하여 상기 도출된 객체의 규격 정보를 산출하는 단계, 및 상기 객체의 종류 및 상기 객체의 규격 정보를 기반으로 상기 객체에 대한 구성 정보를 파악하는 단계를 포함한다.

Description

건축도면 분석을 통한 자재물량을 산출방법{Calculation Method of Material Volume by Analysis of Architectural Drawings}
본 발명은 건축도면 분석을 통한 자재물량을 산출방법에 관한 것이다.
일반적으로, 건축 설계사와 건축 자재 제작 업체간의 업무 협업은 주로 CAD 도면을 기준으로 설계 자료가 공유되고 있지만, 건축 설계 업체별로 도면을 작성하는 양식 및 자재 정보의 표기법 등이 표준화되지 못한 상황이며, 이 때문에 도면을 분석하는 방식 또한 자동화되지 못하여 다수의 전문 인력이 CAD 도면을 육안으로 검토하고 해당 설계 결과 데이터를 수기로 관리하기 때문에 비효율적이라는 단점이 있다.
이러한 비효율적인 업무 프로세스는 상당한 수준의 인적 리소스 투입이 필요하고, 사람의 눈 및 손에 의하여 작업되는 결과인 만큼, 매우 높은 설계 오류가 발생하여, 건축 자재 제작 업체로 하여금 상당한 수준의 재정적 손실을 초래한다.
대한민국 등록특허 10-0400511 (2003.09.23 등록)
본 발명이 해결하고자 하는 과제는 건축도면 분석을 통한 자재물량을 산출방법를 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 도면을 이미지 분석하여 객체를 추출하고, 좌표 정보를 분석하여 객체의 규격을 산출하는 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 도면으로부터 분석된 객체 및 규격 정보를 통해 필요한 자재를 파악하고, 견적을 산출하고, 발주 정보를 생성하는 일련의 건축 도급 과정을 수행하는 방법 및 장치를 제공하는 것이다.
본 발명의 일 실시예에 따른 건축도면 분석을 통한 자재물량을 산출방법은, 도면을 입력받는 단계, 상기 도면의 이미지를 분석하여 상기 도면에 포함된 객체의 종류를 도출하는 단계, 상기 도면의 좌표 데이터를 분석하여 상기 도출된 객체의 규격 정보를 산출하는 단계, 및 상기 객체의 종류 및 상기 객체의 규격 정보를 기반으로 상기 객체에 대한 구성 정보를 파악하는 단계를 포함한다.
본 발명의 일 실시예에 있어서, 상기 객체의 종류를 도출하는 단계는, 상기 도면의 이미지를 딥러닝 기반의 CNN(Convolutional Neural Network) 기술을 이용하여 분석하는 단계, 및 상기 분석을 기반으로 상기 도면에 포함된 객체를 추출하여, 상기 객체의 종류를 도출하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 딥러닝 기반의 CNN 기술을 이용하여 분석하는 단계는, 상기 객체를 포함하는 도면의 이미지 데이터를 획득하여 학습 데이터셋을 구축하는 단계, 및 상기 딥러닝 기반의 CNN 기술을 이용하여 상기 학습 데이터셋을 학습하여 학습 결과물을 도출하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 학습 데이터셋을 구축하는 단계는, 상기 도면의 이미지 데이터로부터 상기 객체를 구성하는 적어도 하나의 구성요소, 상기 객체의 제품군, 및 상기 객체의 규격 정보 중 적어도 하나를 획득하여 상기 학습 데이터셋을 구축할 수 있다.
본 발명의 일 실시예에 있어서, 상기 도출된 객체의 규격 정보를 산출하는 단계는, 상기 도면의 좌표 데이터를 분석하여 벡터 데이터를 추출하는 단계, 및 상기 벡터 데이터를 기반으로 상기 객체에 대한 점, 선, 면 정보를 산출하여 상기 객체의 규격 정보를 도출하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 객체에 대한 구성 정보를 파악하는 단계는, 상기 학습 결과물로부터 도출된 상기 객체의 종류에 기반하여 상기 객체의 규격 정보를 매칭하여 상기 객체에 대한 구성 정보를 파악할 수 있다.
본 발명의 일 실시예에 있어서, 상기 객체에 대한 구성 정보는, 상기 객체에 대한 자재 정보, 상기 객체의 형태, 및 상기 객체의 용도 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 객체에 대한 구성 정보를 기반으로 상기 객체에 대한 상세 설계 및 견적 정보를 제공하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 객체에 대한 상세 설계 및 견적 정보를 기초로 도급 계약에 대한 정보를 생성하는 단계를 더 포함할 수 있다.
본 발명에 따르면, 도면의 이미지 자체를 분석하여 도면을 구성하는 객체가 무엇인지 정확하게 파악하고, 좌표 데이터 분석 결과를 대입함으로써, 객체의 종류와 규격 정보를 정확하게 분석할 수 있는 효과가 있다.
본 발명에 따르면, 분석 결과를 통해서 자동으로 일련의 건축 도급 과정을 진행할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 도면분석장치의 구성을 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 미서기창을 도시한 도면의 일례이다.
도 3은 본 발명의 일 실시예에 따른 커튼월을 도시한 도면의 일례이다.
도 4는 본 발명의 일 실시예에 따른 도면분석장치( 100 )에 의해 도면을 분석한 결과를 도시한 도면의 일례이다.
도 5는 본 발명의 일 실시예에 따른 건축도면 분석을 통한 자재물량을 산출방법을 나타내는 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 딥러닝 기반의 CNN 기술을 이용한 이미지 분석 방법을 설명하기 위한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 도면분석장치의 구성을 나타내는 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 도면분석장치(100)는 도면을 분석하여 도면에 표현된 건축물이나 구성요소들을 파악하고, 이를 통해서 건축 도급과 관련된 일련의 과정(예: 견적, 발주, 제조, 시공, 납품 등)을 자동으로 수행할 수 있는 시스템이다.
도면분석장치(100)는 입력부(110), 이미지 분석부(120), 좌표 분석부(130), 객체정보 파악부(140) 및 자재물량 산출부(150)를 포함할 수 있다.
입력부(110)는 다양한 도면을 입력받을 수 있다. 예컨대, 입력부(110)는 도면 설계시에 이용되는 CAD 프로그램을 통해 획득되는 CAD 데이터를 도면으로 입력받을 수 있다. 그러나 본 발명이 이에 한정되는 것은 아니며, 도면으로 활용될 수 있는 데이터를 모두 포함할 수 있다.
여기서, 도면은 건축물을 구성하는 적어도 하나의 객체를 포함할 수 있다. 객체는 건축물을 구성하는 구성요소를 말하는 것으로, 건축물에 따라 다양한 구성요소들로 이루어질 수 있다. 예를 들어, 도면에 도시된 건축물에 창호가 있는 경우, 창호를 구성하는 각 구성요소들(예: 프레임, 창, 문, 방충망, 난간 등)이 객체로 판단될 수 있다.
또한, 입력부(110)는 자재정보를 입력받을 수 있다. 예컨대, 입력부(110)는 사용자로부터 도면 설계를 위한 주, 부자재들을 입력받을 수 있고, 이와 함께 해당 도면을 입력받을 수 있다.
이미지 분석부(120)는 입력부(110)로부터 입력받은 도면의 이미지를 분석하여 도면에 포함된 객체의 종류를 도출할 수 있다. 일 실시예로, 이미지 분석부(120)는 도면의 이미지를 딥러닝 기반의 CNN(Convolutional Neural Network) 기술을 이용하여 분석하고, 분석 결과를 기반으로 도면에 포함된 객체를 추출하여 객체의 종류를 도출할 수 있다. 여기서, 객체의 종류는 각 구성요소들(즉, 객체)이 속하는 카테고리를 의미할 수 있다. 예컨대 객체로 프레임이 추출된 경우, 이미지 분석부(120)는 프레임 객체의 이미지를 분석하여 모자바, 히든바, 장식바 등을 객체의 종류로 도출할 수 있다. 또는, 객체로 창문이 추출된 경우, 이미지 분석부(120)는 창문 객체의 이미지를 분석하여 미서기창, 커튼월, 도어, 기타 창류 등을 객체의 종류로 도출할 수 있다.
좌표 분석부(130)는 입력부(110)로부터 입력받은 도면의 좌표 데이터를 분석하여 객체의 규격 정보를 산출할 수 있다. 일 실시예로, 좌표 분석부(130)는 도면의 좌표 데이터를 분석하여 벡터 데이터를 추출하고, 추출된 벡터 데이터를 기반으로 객체에 대한 점, 선, 면 정보를 산출하여 객체의 규격 정보를 도출할 수 있다. 여기서, 규격 정보는 객체에 대한 모양, 크기 등을 나타내는 수치 정보일 수 있다.
객체정보 파악부(140)는 이미지 분석부(120)에 의해 분석된 객체의 종류 및 좌표 분석부(130)에 의해 분석된 객체의 규격 정보를 기반으로 객체에 대한 구성 정보를 파악할 수 있다. 일 실시예로, 객체에 대한 구성 정보는 객체에 대한 자재 정보, 객체의 형태, 객체의 용도 등을 포함할 수 있다.
자재물량 산출부(150)는 객체정보 파악부(140)에 의해 파악된 객체에 대한 구성 정보와 입력부(110)를 통해 입력한 자재정보를 매핑하여 도면 설계를 위해 필요한 최종 자재물량을 산출할 수 있다.
또한, 도면분석장치(100)는 객체정보 파악부(140)에 의해 파악된 객체에 대한 구성 정보를 기반으로 객체에 대한 상세 설계 및 견적 정보를 제공할 수 있다. 일 실시예로, 도면분석장치(100)는 견적정보 제공부(미도시)를 더 포함할 수 있으며, 견적정보 제공부는 객체에 대한 상세 설계 및 견적 정보를 포함하는 견적서를 산출하여 제공할 수 있다.
또한, 도면분석장치(100)는 객체에 대한 상세 설계 및 견적 정보를 기초로 도급 계약에 대한 정보를 생성할 수 있다. 일 실시예로, 도면분석장치(100)는 도급정보 생성부(미도시)를 더 포함할 수 있으며, 도급정보 생성부는 도면에 포함된 객체와 관련된 도급 계약 정보를 포함하는 발주데이터를 생성하여 제공할 수 있다. 예컨대, 도급정보 생성부는 도급과 관련된 일련의 과정으로서, 해당 객체에 대한 제품의 제조, 시공, 납품 등과 관련된 정보를 생성할 수 있다.
도 2는 본 발명의 일 실시예에 따른 미서기창을 도시한 도면의 일례이다.
도 2를 참조하면, 도면(200)에는 가로1,350mm x 세로 1,600mm 크기의 일반적인 미서기창을 상하로 붙여놓은 형태(세로연창)가 도시되어 있다.
종래의 기술에 따르면, 도면(200)에는 각각의 변을 구성하는 선의 좌표들이 있지만, 좌표계 분석만으로는 각 변의 길이 등 규격 정보만을 파악할 수 있다. 따라서, 도면(200)에 도시된 미서기창의 형태를 이루는 각 변들 사이의 상대적 결합 관계를 파악할 수 없기 때문에, 해당 도면의 객체가 미서기창이라는 것을 알아내기 힘든 문제점이 있다. 즉, 종래에는 도면(200)에 대해 매우 복잡한 기하학적 분석과 다양한 도형 그리기 방식 등에 대한 개별적인 예외 케이스를 규정짓고 이에 대응하는 방식으로 이루어졌기 때문에, 기계를 통한 분석 자체가 어렵고 분석을 하더라도 그 결과가 정확하지 못한 문제가 있다.
하지만, 본 발명의 실시예에 따른 도면분석장치(100)는 인공지능 기반의 이미지 분석 기술을 이용하므로, 좌표 분석 같은 데이터 중심의 접근 방식과 다르게 사람의 시각정보 인식과 유사한 형태로 객체를 파악할 수 있다. 일 실시예로, 도면분석장치(100)는 도면을 구성하는 다양한 객체의 이미지 샘플을 추출하여 인공지능으로 하여금 해당 객체가 무엇인지 학습시킬 수 있으며, 이와 같이 학습된 인공지능 도면 분석 모듈(즉, 이미지 분석부(120))를 통해 도 2의 도면(200)이 상하 2개의 미서기창이 붙어있는 연창이라는 것을 파악해 낼 수 있다. 즉, 도면분석장치(100)는 도면(200)에 대한 이미지 분석을 통해 미서기창이라는 객체의 종류를 정확히 도출해 낼 수 있다. 또한, 도면분석장치(100)는 도면(200)에 대한 이미지 분석을 통해 미서기창과 연결되어 구성된 방충망, 안전 난간 등의 객체를 추출하여 각 객체의 종류를 도출할 수 있다. 본 발명에 따르면, 도면에 포함된 각 객체를 분리하여 추출하고, 추출된 각 객체별로 객체의 종류를 판단하기 때문에 보다 정확한 도면 분석이 이루어지게 된다.
또한, 본 발명의 실시예에 따른 도면분석장치(100)는 이미지 분석을 통해 도출된 객체의 종류에 좌표 데이터를 분석하여 객체의 규격 정보를 추가적으로 산출할 수 있다. 즉, 객체의 종류를 분석한 이후에 좌표 데이터 분석을 통해 산출된 객체의 규격 정보를 대입함으로써, 최종적으로 도면(200)에 도시된 미서기창, 방충망, 안전 난간 등의 정확한 종류와 수치, 상호 간의 관계를 파악할 수 있게 된다.
도 3은 본 발명의 일 실시예에 따른 커튼월을 도시한 도면의 일례이다.
도 3을 참조하면, 도면(300)에는 커튼월이 도시되어 있으며, 커튼월은 일반적으로 알루미늄 프레임에 유리를 끼워 전체 벽면처럼 구성하는 건축 외장 타입이다. 도면(300)의 커튼월(알루미늄 프레임)은 가로, 세로로 구성된 프레임 면을 구성하고, 그 사이에 출입문과 유리창(F로 표현된 부분) 등의 객체들이 복합적으로 구성되어 있다. 이러한 도면(300)의 경우, 학습된 인공지능 도면 분석 모듈(즉, 이미지 분석부(120))이 각각의 프레임을 개별로 인식하며, 예컨대 출입문을 구성하는 프레임을 제외한 프레임들을 개별로 분석할 수 있다. 즉, 종래의 좌표 분석만으로는 도면(300)에서 각각의 객체의 종류가 무엇인지 분석하는 것이 불가능하지만, 본 발명의 실시예에 따르면 도면(300)에서 출입문이 무엇인지 파악할 수 있기 때문에 출입문을 제외한 커튼월을 구성하는 각 객체를 추출하고 추출된 객체의 종류를 분석하는 것이 가능하다.
또한, 본 발명에 따르면 객체의 종류를 분석한 이후, 좌표 데이터를 분석하여 객체의 규격 정보를 추가적으로 산출할 수 있다. 예를 들어, 좌표 데이터 분석을 통해 산출된 각 객체의 규격 정보(예: 수치선의 치수 정보)를 대입하면 도 3의 도면(300)에는 최종적으로 3000 치수 정보를 가진 커튼월용 세로 프레임 5개와 600 치수 정보를 가진 커튼월용 프레임 2개가 포함되어 있다.
도 4는 본 발명의 일 실시예에 따른 도면분석장치(100)에 의해 도면을 분석한 결과를 도시한 도면의 일례이다.
도 4를 참조하면, 도면(400)에는 커튼월과 미서기창이 복합적으로 구성된 도면을 분석한 결과를 나타내고 있다. 커튼월 구조물의 경우, 가로, 세로 구분에 따라 동일한 자재라도 두께 및 보강재 등의 차이가 존재할 수 있기 때문에 해당 구분이 중요하다. 본 발명의 실시예에 따른 도면분석장치(100)는 도 4의 결과물에서 확인할 수 있듯이, 가로, 세로 프레임의 분석이 가능하며, 중간에 미서기창이 들어간 부분은 프레임으로 인식하지 않고 미서기창이라는 별도의 객체로 분류하고 있다.
도 5는 본 발명의 일 실시예에 따른 건축도면 분석을 통한 자재물량을 산출방법을 나타내는 흐름도이다. 도 5의 방법은 도 1의 도면분석장치(100)에 의해 수행될 있다.
도면분석장치(100)의 입력부(110)는 도면을 입력받을 수 있다(S100).
또한, 도면분석장치(100)의 입력부(110)는 도면과 함께 도면 설계를 위한 자재정보를 추가적으로 입력받을 수도 있다.
도면분석장치(100)의 이미지 분석부(120)는 입력받은 도면의 이미지를 분석하여 도면에 포함된 객체의 종류를 도출할 수 있다(S110).
일 실시예로, 이미지 분석부(120)는 도면의 이미지를 딥러닝 기반의 CNN(Convolutional Neural Network) 기술을 이용하여 분석하고, 분석 결과를 기반으로 도면에 포함된 객체를 추출하여 객체의 종류를 도출할 수 있다. 딥러닝 기반의 CNN 기술을 이용함으로써, 도면 설계자가 도면을 설계할 때 매번 다른 방식으로 객체를 그리더라도 결과적으로 표현된 이미지의 형태가 유사하다면 해당 객체를 정확하게 분석할 수 있는 장점이 있다.
딥러닝 기반의 CNN 기술을 이용함에 있어서, 이미지 분석부(120)는 학습 데이터셋을 구축하여 학습을 시키는 과정을 수행할 수 있다. 일 실시예로, 이미지 분석부(120)는 객체를 포함하는 도면의 이미지 데이터를 획득하여 학습 데이터셋을 구축하고, 딥러닝 기반의 CNN 기술을 이용하여 학습 데이터셋을 학습하여 학습 결과물을 도출할 수 있다. 여기서, 학습 데이터셋은 도면의 이미지 데이터로부터 객체를 구성하는 적어도 하나의 구성요소, 객체의 제품군, 객체의 규격 정보 등을 획득하여 구축될 수 있다. 예를 들어, 프레임 타입(예: 모자바, 히든바, 장식바, 가로/세로 타입, 인/아웃 타입 등)을 포함하는 학습 데이터셋을 구축할 수도 있고, 기성품 타입(예: 미서기창, 도어 등)을 포함하는 학습 데이터셋을 구축할 수도 있고, 기타(예: 주요 용어, 디멘션 수치 등) 정보를 포함하는 학습 데이터셋을 구축할 수도 있다. 이러한 학습 데이터셋은 예시적인 것으로, 도면에 포함된 모든 객체에 대해서 학습 데이터셋으로 구성할 수 있다.
도 6은 본 발명의 일 실시예에 따른 딥러닝 기반의 CNN 기술을 이용한 이미지 분석 방법을 설명하기 위한 도면이다.
도 6을 참조하면, 이미지 분석부(120)는 도면의 이미지 데이터를 입력값으로 획득하고, 딥러닝 기반의 CNN 기술을 적용하여 획득된 이미지 데이터 내 객체를 검출할 수 있다. 딥러닝 기반의 CNN 방식은 복수의 레이어들을 이용하여 최종적으로 이미지 데이터로부터 객체를 도출하는 기술로서, 예를 들어 도 6에 도시된 바와 같이, 입력된 도면의 이미지 데이터로부터 객체를 추출하기 위해서 컨벌루션 레이어(convolution layer), 및/또는 서브샘플링 레이어(subsampling layer)를 구성한 다음, 최종적으로 객체의 대표값을 결정하기 위한 풀링 레이어(pooling layer)를 구성할 수 있다. 이때, 풀링 레이어는 선형함수 계산을 통해 객체에 대한 근사값을 도출한다. 따라서, 이미지 분석부(120)는 최종적으로 객체의 근사값을 통해 객체의 종류를 결정할 수 있다.
또한, 본 발명에서는 이미지 분석부(120)가 이미지 데이터의 사이즈, 컨벌루션 레이어 및 서브샘플링 레이어의 개수, 풀링 레이어에서의 함수 가중치 등을 조절함으로써 입력된 도면에 따라 최적화된 이미지 분석 알고리즘을 도출할 수도 있다.
다시 도 5를 참조하면, 도면분석장치(100)의 좌표 분석부(130)는 입력받은 도면의 좌표 데이터를 분석하여 도출된 객체의 규격 정보를 산출할 수 있다(S120).
일 실시예로, 좌표 분석부(130)는 도면의 좌표 데이터를 분석하여 벡터 데이터를 추출하고, 추출된 벡터 데이터를 기반으로 객체에 대한 점, 선, 면 정보를 산출하여 객체의 규격 정보를 도출할 수 있다. 예컨대, 좌표 분석부(130)는 객체의 모양, 크기 등의 수치 정보를 도출할 수 있다.
도면분석장치(100)의 객체정보 파악부(140)는 상기에서 도출된 객체의 종류 및 객체의 규격 정보를 기반으로 객체에 대한 구성 정보를 파악할 수 있다(S130).
일 실시예로, 객체정보 파악부(140)는 학습을 통해 도출된 학습 결과물을 기반으로 입력된 도면에 포함된 객체의 종류를 정확히 파악할 수 있다. 이때, 학습 결과물에는 객체의 좌표, 수치 등의 규격 정보가 대략적으로 지정되어 있다. 따라서, 객체정보 파악부(140)는 학습 결과물로부터 도출된 도면에 좌표 분석부(130)에 의해 산출된 객체의 규격 정보를 매칭함으로써, 도면 내 객체의 좌표, 수치 등을 보정할 수 있다. 예컨대, 학습 결과물의 좌표계와 실제 설계된 도면(예: CAD 도면)의 좌표계를 매칭하여 상호 간의 객체의 규격 정보를 보정할 수 있다. 객체정보 파악부(140)는 도면의 이미지 분석 및 좌표 데이터 분석을 통해 최종적으로 객체에 대한 구성 정보를 도출할 수 있다. 즉, 객체정보 파악부(140)는 도면으로부터 객체의 종류, 객체의 규격 정보뿐만 아니라, 최종적으로 객체에 대한 자재 정보, 객체의 형태, 객체의 용도 등을 객체에 대한 구성 정보로 도출할 수 있다.
또한, 도면분석장치(100)의 자재물량 산출부(150)는 도면을 입력하여 분석된 객체에 대한 구성 정보와 입력받은 자재정보를 매칭함으로써 도면 설계를 위해 필요한 최종 자재물량을 산출할 수 있다.
또한, 본 발명의 실시예에 따르면, 도면분석장치(100)는 객체에 대한 구성 정보를 기반으로 객체에 대한 상세 설계 및 견적 정보를 제공할 수 있다.
또한, 본 발명의 실시예에 따르면, 도면분석장치(100)는 객체에 대한 상세 설계 및 견적 정보를 기초로 도급 계약에 대한 정보를 생성할 수 있다.

Claims (5)

  1. 건축도면 분석을 통한 자재물량을 산출방법에 있어서,
    도면을 입력받는 단계;
    상기 도면의 이미지를 분석하여 상기 도면에 포함된 객체의 종류를 도출하는 단계;
    상기 도면의 좌표 데이터를 분석하여 상기 도출된 객체의 규격 정보를 산출하는 단계; 및
    상기 객체의 종류 및 상기 객체의 규격 정보를 기반으로 상기 객체에 대한 구성 정보를 파악하는 단계를 포함하는, 건축도면 분석을 통한 자재물량을 산출방법.
  2. 제1항에 있어서,
    상기 객체의 종류를 도출하는 단계는,
    상기 도면의 이미지를 딥러닝 기반의 CNN(Convolutional Neural Network) 기술을 이용하여 분석하는 단계; 및
    상기 분석을 기반으로 상기 도면에 포함된 객체를 추출하여, 상기 객체의 종류를 도출하는 단계를 포함하는, 건축도면 분석을 통한 자재물량을 산출방법.
  3. 제2항에 있어서,
    상기 딥러닝 기반의 CNN 기술을 이용하여 분석하는 단계는,
    상기 객체를 포함하는 도면의 이미지 데이터를 획득하여 학습 데이터셋을 구축하는 단계; 및
    상기 딥러닝 기반의 CNN 기술을 이용하여 상기 학습 데이터셋을 학습하여 학습 결과물을 도출하는 단계를 더 포함하는, 건축도면 분석을 통한 자재물량을 산출방법.
  4. 제3항에 있어서,
    상기 학습 데이터셋을 구축하는 단계는,
    상기 도면의 이미지 데이터로부터 상기 객체를 구성하는 적어도 하나의 구성요소, 상기 객체의 제품군, 및 상기 객체의 규격 정보 중 적어도 하나를 획득하여 상기 학습 데이터셋을 구축하는, 건축도면 분석을 통한 자재물량을 산출방법.
  5. 제1항에 있어서,
    상기 도출된 객체의 규격 정보를 산출하는 단계는,
    상기 도면의 좌표 데이터를 분석하여 벡터 데이터를 추출하는 단계; 및
    상기 벡터 데이터를 기반으로 상기 객체에 대한 점, 선, 면 정보를 산출하여 상기 객체의 규격 정보를 도출하는 단계를 포함하는, 건축도면 분석을 통한 자재물량을 산출방법.
KR1020230064518A 2023-05-18 2023-05-18 건축도면 분석을 통한 자재물량을 산출방법 Pending KR20240166811A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230064518A KR20240166811A (ko) 2023-05-18 2023-05-18 건축도면 분석을 통한 자재물량을 산출방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230064518A KR20240166811A (ko) 2023-05-18 2023-05-18 건축도면 분석을 통한 자재물량을 산출방법

Publications (1)

Publication Number Publication Date
KR20240166811A true KR20240166811A (ko) 2024-11-26

Family

ID=93704219

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230064518A Pending KR20240166811A (ko) 2023-05-18 2023-05-18 건축도면 분석을 통한 자재물량을 산출방법

Country Status (1)

Country Link
KR (1) KR20240166811A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100400511B1 (ko) 2000-08-22 2003-10-08 주식회사 모아바 컴퓨터를 이용한 건축도면 분석 및 처리방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100400511B1 (ko) 2000-08-22 2003-10-08 주식회사 모아바 컴퓨터를 이용한 건축도면 분석 및 처리방법

Similar Documents

Publication Publication Date Title
KR20200081340A (ko) 건축 도면 분석 방법 및 장치
CN117115147B (zh) 一种基于机器视觉的纺织品检测方法及系统
Tang et al. Automatic reconstruction of as-built building information models from laser-scanned point clouds: A review of related techniques
CN109583489A (zh) 缺陷分类识别方法、装置、计算机设备和存储介质
CN113158272B (zh) 个性化服装定制的自动打版方法和系统
CN108399649A (zh) 一种基于级联回归网络的单张图片三维人脸重建方法
CN112700529A (zh) 根据规范文档生成三维模型的方法和系统
CN107748824A (zh) 一种基于bim技术的混凝土框构桥设计方法
CN118278094B (zh) 基于数据库的建筑三维模型计算方法及系统
US8843352B2 (en) System and methods facilitating interfacing with a structure design and development process
CN115980322A (zh) 一种织物瑕疵智能检测方法及系统
CN107292042A (zh) 一种bim建模方法
CN112001047B (zh) 一种基于pmi信息的雷达关键零部件工艺设计方法
CN111161379A (zh) 基于深度学习的空户型特征检测的室内家居自动布局算法
CN113222686A (zh) 一种装修设计方案推荐方法
CN110598634A (zh) 一种基于图例库的机房草图识别方法及其装置
CN113396424A (zh) 用于自动化材料提取的系统和方法
Michelle et al. A bibliometric analysis of generative design, algorithmic design, and parametric design in architecture
KR20240166811A (ko) 건축도면 분석을 통한 자재물량을 산출방법
CN114494714B (zh) 一种对建筑专业总平面图楼栋轮廓的精准识别方法
CN118761295B (zh) 基于xct图像复合材料二维有限元模型生成方法和系统
CN114548250A (zh) 一种基于数据分析的手机外观检测方法及装置
KR102066859B1 (ko) 창호 자재 발주 방법
KR20230174318A (ko) 인공지능 모델을 이용하여 건축도면으로부터 개산견적을 산출하는 방법
CN116150863B (zh) 基于人工智能的装修处理方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20230518

PG1501 Laying open of application