평면 스케치 딥러닝 학습모델 구축과 공간디자인 활용 - 평면 스케치 인식 기반 설계초기 BIM 모델 자동생성 모듈 개발 중심으로 -

조단규; 이진국

추천

검색

자료유형: 학술저널

저자정보: 조단규 (연세대학교) 이진국 (연세대학교 실내건축학과)

저널정보: 한국공간디자인학회 한국공간디자인학회 논문집 한국공간디자인학회 논문집 제16권 제3호

발행연도: 2021.1

수록면: 365 - 374 (10page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

(연구배경 및 목적) 최근 건설 산업에서 4차 산업혁명 관련 기술의 활용이 요구됨에 따라 디지털 기술 및 데이터 기반 사업으로의 전환이 중요해지고 있는 실정이다. 현재 설계 분야에서 활용되는 데이터들은 다양한 형태로 존재하여 누적된 설계정보를 관리 및 추후 활용하기 어렵다. 이에 본 연구는 아날로그 매체인 평면 스케치를 인식하여 컴퓨터가 이해가능한 BIM이라는 디지털 매체로 전환하는 기술의 개발 및 활용을 목적으로 한다. (연구방법) 이를 위해 본 연구는 두 부분으로 나누어 진행된다: 1) 평면 스케치 인식, 2) 인식된 평면 스케치의 활용. 평면 스케치 인식을 위해서 딥러닝 기술인 Generative Adversarial Network(이하 GAN) 기반 스타일 트랜스퍼 알고리즘을 평면 스케치 인식에 적용했다. 다양한 형태로 존재하는 스케치를 중요 건축 요소들이 라벨링 된 하나의 일관된 스타일로 변환했다. 인식된 평면 스케치의 활용에서는 변화된 평면도를 바탕으로 BIM 모델을 생성했다. 평면도를 객체별로 세분화 및 벡터화하여 객체별 좌표를 추출하여 BIM 모델 객체 배치를 위하여 사용했으며, 벽체, 바닥, 문 창문 객체를 대상으로 진행됐다. (결과) 본 연구의 결과로 평면 스케치 인식 모듈을 통해 새로운 평면 스케치를 입력 받았을 때, 건축 요소가 라벨링 된 이미지가 어느 정도 유의미한 정도로 출력됐다. 이를 활용하여 Autodesk사의 Revit을 이용하여 BIM 모델 생성 프로토타입을 제작했으며, 낮은 수준의 BIM 모델이지만 기하학 정보뿐만 아니라 속성정보까지 포함할 수 있는 빠르고 정확한 3차원 모델을 얻을 수 있었다. (결론) 본 연구 및 개발은 최종 목표인 지능적 설계시스템의 개발의 하위로, 컴퓨터가 설계정보 중 하나인 평면 스케치를 사람처럼 인식할 수 있는지 알아보고 이에 대한 활용 가능성을 제시했다. 후속 연구는 현재 인식 가능 대상 범위에서 확장되어 인식이 이루어진다면 상세 수준이 높은 BIM 모델을 얻을 수 있을 것이라 판단된다.

(Background and Purpose) As the construction industry requires the use of technologies related to the fourth industrial revolution, the field's data-based digital technology is highlighted. Currently utilized data in architecture exists in various forms, making it difficult to manage and use the accumulated design information for other reasons. Therefore, this study proposes developing and utilizing technologies that recognize floorplan sketches, one of the analog media, and convert them into digital media, BIM, that computers can understand. (Method) This study is conducted in two parts: 1) floorplan sketch recognition, 2) utilization of recognized floorplan sketches. In the floorplan sketch recognition phase, we propose an approach that applies Generative Adversarial Network-based deep learning techniques to transform human-drawn floorplan sketch styles into one unified form. Specifically, to recognize the floorplan sketches, the deep learning model learns various forms of floorplan sketches and the styles it needs to transform in pairs. The consistent style has essential architectural elements labeled on it : wall, floor, door and window objects. The study uses apartment floorplan images as learning data for floorplan sketch recognition deep-learning model. The apartment floor plan dataset provided by the Ministry of Land, Infrastructure and Transport Seumteo(e-ais) consists of scanned floorplan images of apartments, houses, and row houses in Seoul. In the phase of the utilization of perceived floorplan sketches, BIM models were generated based on the recognized floorplan sketches. They were subdivided and vectorized by object to extract coordinates, and this enabled BIM models to be obtained by using them as input values for Revit API. (Results) The floorplan sketches labeled with essential architectural elements were the output for the floorplan sketch recognition module, and it was successfully printed out. For the analysis of the study, the predicted image was compared by the ground truth image and showed success. For the second phase, the BIM model prototype made on the Autodesk Revit platform created a fast and accurate 3D BIM model when the recognized floorplan sketches were given input. The created model is low in detail, but it contains the geometry information and the property information, making it an easier way for future use. (Conclusion) This research and development is a sub-development of the overall intelligent design system. It identifies whether computers can recognize one of the design information, floorplan sketches as human beings, and suggests its potentials. Subsequent studies are believed to obtain a BIM model with a high level of detail if recognition is achieved by scaling out of the current recognizable target range.

#평면스케치 #도면 인식 #딥러닝 #생성적 적대 신경망 #건물정보모델링

참고문헌 (31)

참고문헌 신청

Abu-Ain, W. / 2013 / Skeletonization algorithm for binary images / Procedia Technology 11:704~709

Ahmed, S. / 2014 / Automatic analysis and sketch-based retrieval of architectural floor plans / Pattern Recognition Letters 35:91~100

Bloch, T. / 2018 / Comparing Machine Learning and Rule-based Inferencing for Semantic Enrichment of BIM Models / Automation in Construction 91:256~272

de las Heras, L. P. / 2014 / Statistical segmentation and structural recognition for floor plan interpretation / International Journal on Document Analysis and Recognition 17(3):221~237

Eastman, C. M. / 2011 / BIM handbook: A guide to building information modeling for owners, managers, designers, engineers and contractors / John Wiley &Sons

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

조단규

소속기관 연세대학교

주요연구분야 공학 > 건축공학 > 건축공학 일반 예술체육학 > 디자인

논문수 3 이용수 246

이진국

소속기관 연세대학교 실내건축학과

주요연구분야 예술체육학 > 디자인

논문수 5 이용수 149

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (31)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)