딥러닝기반 건축도면 자동인식을 통한 공간 조닝 대안 자동생성 기술에 관한 연구 :A Study on Automatic Recognition of Architectural Drawings and Generation of Spatial Zoning Alternatives Based on Deep Learning

서지효

추천

검색

자료유형: 학위논문

저자정보: 서지효 (경북대학교, 경북대학교대학원)

지도교수: 추승연

발행연도: 2021

저작권: 경북대학교 논문은 저작권에 의해 보호받습니다.

이용수58

초록· 키워드

본 연구는 인공지능을 활용한 건축설계 자동화 기술을 개발하기 위하여 딥러닝을 통해 초기 설계 대안 생성에 활용할 수 있는 건축 공간 조닝 대안을 자동으로 생성하는 것을 목적으로 하고 있다. 이를 위하여 건축도면의 특징, 즉 도면에 표현되어 있는 도면요소와 공간용도를 시스템이 스스로 학습하여 인지하여 추론하도록 하는 것이 첫 번째 목표이고, 이를 활용하여 요구사항을 반영한 공간 조닝 대안을 자동으로 생성하도록 하도록 하는 것이 두 번째 목표이다.

건축도면 자동인식의 경우, 벽, 문, 창문과 같이 도면에 표현되어 있는 도면요소를 추론하는 실험(Experiment?)와 방, 거실, 화장실 등 공간용도를 추론하는 실험(Experiment?)으로 이루어져 있다. 결과물로 나온 레이블링 이미지가 향후 다른 실험에 훈련 데이터로 사용되기 위한 것이므로, 세그멘테이션 결과물의 해상도 확보나 이미지 상에 있는 객체의 위치정보 보존 측면에서 여러 네트워크 모델을 분석한 결과 DeepLabV3+모델을 선정하여 진행하였다. 공간 조닝 대안 자동 생성의 경우, 텍스트로 표현된 요구사항과 공간 조닝 이미지를 딥러닝을 통해 학습하여 자동으로 공간 조닝 대안을 생성하는 실험(Experiment?)으로, 요구사항 텍스트가 하나의 단어가 아닌 “방”이나 “거실” 등의 구체적인 용도를 지칭하는 단어들이 섞여 있는 문장의 형태이므로 단어 하나하나의 특징을 추출하고 표현할 수 있는 AttnGAN을 선정하여 진행하였다.

본 연구에서는 건축 설계에 있어서 단순 반복 업무가 아닌, 인간의 창의력과 자율적 판단력을 도와 줄 수 있는 인공지능을 구현하고자 하였으며, 공간 조닝 대안을 인공지능을 이용하여 생성하였다. 이것은 창의성에 기반한 일부 업무를 구현할 수 있는 인공지능의 가능성은 보여주었다. 건축 설계 초기단계에서 건축가가 대안 생성에 드는 시간과 노력을 인공지능이 감소시켜 줌으로써 효율성을 높이고, 더 많은 대안을 검토하고 본연의 업무에 더 집중하여 건축 설계의 품질을 높이는데 분명 도움이 될 것이다. 물론 기술이 발전한다고 하더라도 건축가의 모든 능력을 완벽히 인공지능으로 대체하는 것은 불가능하다. 하지만 인공지능은 대량의 데이터를 기반으로 오류를 줄이고 정확도를 높이면서도 데이터 기반의 조합적, 탐색적 창의성을 구현할 수 있기 때문에 최적의 안을 찾아가야 하는 건축가로 하여금 변형적 창의성을 일깨울 수 있는 실마리를 제공하고 영감을 줄 수 있다. 향후 건축설계는 이러한 인공지능과 건축가의 협업으로 새로운 패러다임을 만들어 나갈 것이다.

The purpose of this study is to automatically generate architectural space zoning alternatives that can be used to create initial design alternatives through deep learning in order to develop an architectural design automation technology using artificial intelligence. In order to achieve this purpose, the first goal is to allow the system to learn, recognize, and infer the characteristics of architectural drawings, such as drawing elements and spatial use, expressed in the drawings. The second goal is to use this to automatically generate spatial zoning alternatives that reflect the requirements.

In the case of automatic recognition of architectural drawings, it consists of an Experiment? that infers drawing elements such as walls, doors, and windows, and an Experiment? that infers space usage such as a room, living room, and toilet. The resulting labeling image is intended to be used as training data in other experiments in the future. Therefore, as a result of analyzing several network models in terms of securing the resolution of the segmentation result or preserving the location information of the object on the image, the DeepLabV3+ model was selected and proceeded. Experiment? automatically creates spatial zoning alternatives by learning the requirements expressed in text and spatial zoning images through deep learning. Since the requirement text is not a single word, but a sentence in which words that refer to specific uses such as ‘room’ or ‘living room’ are mixed, AttnGAN was selected and proceeded to extract and express the features of each word.

In this study, it is not a simple repetitive task in architectural design, but an artificial intelligence that can help human creativity and autonomous judgment was created, and an alternative spatial zoning was created using artificial intelligence. This showed the potential of artificial intelligence to implement some tasks based on creativity. In the early stages of architectural design, artificial intelligence can reduce the time and effort required by architects to create alternatives, thereby increasing efficiency. In addition, this will certainly help architects to improve the quality of architectural designs by examining more alternatives and focusing more on their original work. Of course, even if technology develops, it is impossible to completely replace all the capabilities of an architect with artificial intelligence. However, because artificial intelligence can realize combinational and exploratory creativity while reducing errors and increasing accuracy based on a large amount of data, it can inspire architects who need to find the optimal plan to awaken transformational creativity. In the future, architectural design will create a new paradigm through collaboration between
artificial intelligence and architects.

제 1 장 서론
1.1 연구의 배경 및 목적
1.2 연구의 방법 및 절차
제 2 장 딥러닝기반 이미지 처리 기술 및 건축분야 활용 현황 분석
2.1 딥러닝의 동작원리
2.2 딥러닝기반 이미지 처리 기술 현황 및 관련 연구
2.3 건축분야에서의 딥러닝기반 기술 활용 관련 연구
제 3 장 건축도면 자동인식 네트워크 분석 및 실험 시나리오 도출
3.1 시멘틱 세그멘테이션 네트워크 구조 분석
3.2 건축도면 자동인식 실험 시나리오
제 4 장 공간 조닝 대안 자동생성 네트워크 분석 및 실험 시나리오 도출
4.1 딥러닝기반 이미지 생성 네트워크 구조 분석
4.2 공간 조닝 대안 자동생성 실험 시나리오
제 5 장 레이블링 데이터 구축을 위한 건축도면 자동인식 기술 개발
5.1 건축도면 자동인식 모델 구현 프로세스
5.2 건축도면 자동인식 결과 분석
5.3 소결
제 6 장 공간 조닝 대안 자동생성 기술 개발
6.1 공간 조닝 대안 자동생성 모델 구현 프로세스
6.2 공간 조닝 대안 자동생성 결과 분석
6.3 소결
제 7 장 결론 및 제언
부록
참고문헌
영문요약

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

목차

최근 본 자료

댓글(0)