건축 도면에서 인공지능을 활용한 소방설비 요소 자동 추출에 관한 연구

• Published in: 설비공학 논문집, 35(7) Vol. 35; no. 7; pp. 331 - 342
• Main Authors: 연상훈(Sang Hun Yeon), 김철호(Chul Ho Kim), 박계원(Kye-Won Park), 최두찬(Doo Chan Choi), 조용걸(Yonggeol Jo), 최종민(Jong Min Choi), 이광호(Kwang Ho Lee)
• Format: Journal Article
• Language: Korean
• Published: 대한설비공학회 01.07.2023
• Subjects: 기계공학; Automated recognition(자동 인식); Optical character recognition(광학 문자인식); Table detector(표 감지); Character extraction(문자 추출); Artificial intelligence(인공지능)
• ISSN: 1229-6422; 2465-7611
• DOI: 10.6110/KJACR.2023.35.7.331

본 연구는 인공지능을 활용한 소방설비 설계 엔지니어링 솔루션 개발을 위해 딥러닝 기반의 TableNet, OpenCV, EasyOCR 등 여러 인공지능 알고리즘을 활용하여 건축개요 표 자동인식 및 소방설비 요소를 추출하는 알고리즘 개발을 진행하였다. 고안된 알고리즘은 소방설비 엔지니어의 작업능률을 개선함으로써 소방설비의 성능 효율성, 기능 적합성, 신뢰성 등 다양한 효과를 기대할 수 있을 것으로 사료되며, 본 연구를 통한 주요 결론을 요약하면 아래와 같다. (1) 표 감지 인공지능 모델, ROI 기능을 구현을 위해 TCS Resarch에서 개발한 TableNet의 Table Mask을 참고하였다. 구현된 인공모델의 성능은 Precision, Recall, 그리고 F1 Socre를 통해 성능평가를 진행하였으며 이는 각각 0.68, 0.70, 0.69의 성능을 나타냈다. 또한 문자 인식 모델의 성능평가는 EasyOCR에 자체적으로 내장되어 있는 CTC Loss를 통해 진행되었으며 문자 인식률은 평균 90% 이상의 값을 보였으며 이미지 해상도에 따라 인식률의 차이가 발생하였다. (2) 표 감지 인공지능 모델 및 문자 인식률을 개선을 위한 이미지 전처리 및 감지된 표로부터 행렬을 구분하기 위해 OpenCV를 활용하였다. Kernel 형성 및 Cell 영역 계산을 통해 감지된 표의 행렬을 구분하고 인식된 문자를 감지된 표와 동일하게 정렬하였다. 추출 및 정렬된 문자는 Pandas 라이브러리를 통해 Excel로 저장된다. (3) 마지막으로, 자동 소방설비 요소 추출을 위해 Head 간의 유사성 비교 활용하였다. 유사성 비교는 Levenshtein Edit Distance 알고리즘을 활용였으며, 유사도 값이 1 이하가 많은 행렬의 방향을 Head의 방향으로 설정하여 추출하고자 하는 소방설비 요소를 자동 추출한다. 추후 연구에서는 개발된 알고리즘과 ‘H’ 사에서 개발한 Auto CAD와 연동된 화재 스프링쿨러 자동 배치 알고리즘의 결합을 통해 소방설비 자동설계 솔루션 개발을 진행하고자 한다. This study aimed to develop an artificial intelligence-based fire protection system design engineering solution. We developed an automatic fire protection system design element extraction algorithm from architectural overview tables using various artificial intelligence libraries. The deep learning-based libraries used in this study were TableNet, OpenCV, and EasyOCR. Levenshtein distance was also used to check the similarity of the characters. Approximately 1,000 tables and the Marmot dataset, which is open-source training data, were trained for the development of the table detection model. The performance metrics used for performance evaluation were recall, precision, and F1 score. The final model selected had the highest F1 score of 0.63. The results confirmed that fire protection system design elements could be efficiently extracted through the developed algorithm. We expect various positive effects of this newly developed algorithm, such as improvements in engineers’ working productivity, functional suitability of designs, and reliability. KCI Citation Count: 0