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 - 3D模型在线减面 - STL模型在线切割
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。
BimAnt翻译整理，转载请标明出处
