NSDT工具推荐Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - Three.js虚拟轴心开发包

我在此过程中使用的 BIM 数据集取自澳大利亚卫生设施指南。 该数据集包含一组房间数据表和房间布局表,旨在提供典型房间类型的合规示例,并减少规划和设计这些房间时“重新发明轮子”的需要。

1、合成数据生成

数据集作为 BIM 元素导出到实时环境,允许捕获图像,同时标记每个元素
用于训练。

这些元素与房间分开,以测试每个类别的难度。 从单个元素开始似乎比从多个对象的集合开始的房间更容易。

下图是房间合成数据:

下图是设备合成数据:

2、应用程序工作流程

设计师在设计病房时的主要问题之一是数据集和可视化之间的导航。 由于房间内有如此多的专门元素,错误或误算开始发生。

对于设计师来说,很难从一个文件移动到另一个文件,以便找到不同专业室所需的正确元素,这些元素所携带的信息非常详细,例如代码、规格、标识符等……

使用一个可以告诉设计师在进行 3D 建模、与利益相关者实时讨论选项或体验虚拟现实空间时正在查看的 BIM 对象的工具可能非常有用。

CNN 似乎是实现不同数字环境之间元素预测的有效方法,因为它能够直观地了解对象,避免导出时元数据丢失。 在这种情况下,诸如特定医疗设备之类的元素甚至充满所需子元素的整个房间。

3、YOLO架构

数据集生成后,我开始在 CNN 上进行测试。 选择 YOLO 算法是因为它能够检测多个对象以及绘制边界框的速度。

YOLO 是“You Only Look Once”一词的缩写。 这是一种(实时)检测和识别图片中的各种对象的算法。 YOLO 中的对象检测是作为回归问题完成的,并提供检测到的图像的类概率。

YOLO算法采用卷积神经网络(CNN)来实时检测物体。 顾名思义,该算法仅需要通过神经网络进行一次前向传播即可检测对象。这意味着整个图像的预测是在单个算法运行中完成的。 CNN 用于同时预测各种类别概率和边界框。

4、在训练集上测试

以下是从不同软件和真实图像中实时捕获的一些 BIM 元素和房间布局的示例。 这有可能加快设计师的设计和记录过程。

实时测试平面图检测:

5、在BIM 软件中测试

它非常适合在 VR 应用程序等应用程序或使用增强现实的设计会议中测试结果。


原文链接:BIM element detection

BimAnt翻译整理,转载请标明出处