Floorplan AI

Cel:

Celem tego projektu była analiza przekazanych rzutów kondygnacji w formacie PDF lub graficznym i wyodrębnienie z nich kluczowych informacji. Z przekazanego rzutu musieliśmy wyodrębnić kształt poszczególnych pomieszczeń widocznych na obrazie oraz określić współrzędne tych pomieszczeń na obrazie.

Nasze rozwiązanie:

Wieloetapowy pipeline wizyjny, który łączy segmentację opartą na transformerach (Vision Transformers), ekstrakcję krawędzi i linii, wykrywanie narożników oraz geometryczne przetwarzanie końcowe, aby uzyskać czyste wielokąty pomieszczeń.

Pokonane wyzwania:

• Radzenie sobie z ogromną różnorodnością stylów, opisów, rozdzielczości i języków.
• Stworzenie wydajnego procesu anotacji przy napiętych terminach.
• Połączenie kilku pipeline'ów AI (Vision Transformers, redukcja szumu, wykrywanie krawędzi) dla precyzyjnych wyników.

1. Nieruchomości: automatyczne tworzenie interaktywnych ogłoszeń nieruchomości.
   
2. Budownictwo: skrócenie ręcznego rysowania CAD z dni do minut.
   
3. Architektura wnętrz: szybkie tworzenie skalowalnych układów pomieszczeń na potrzeby ofert.
   
4. Zarządzanie nieruchomościami: śledzenie układów budynków i zarządzanie nimi przy remontach.

Projekt ten w elegancki sposób pokazuje różne przypadki użycia i możliwości, które można osiągnąć w rozmaitych domenach i zastosowaniach:

1. Modele Vision Transformer można ze sobą łączyć i trenować w zakresie tego, jak dana cecha zazwyczaj wygląda na dowolnym obrazie, a następnie wykorzystywać je do niezawodnego wykrywania i klasyfikowania określonych cech kluczowych. Rozpoznawane mogą być nawet złożone cechy, takie jak kształty obiektów.
2. Nawet jeśli istnieją znaczne różnice w tym, jak potencjalny obiekt, archetyp, właściwość lub cecha może wyglądać na obrazie, i nawet gdy obrazy wejściowe dostarczane przez użytkowników są bardzo zróżnicowane, AI można wytrenować tak, aby niezawodnie dostarczała trafne rozwiązania.
   
3. Wykrywane mogą być nawet długości i otwarte kształty, takie jak ogrodzenia. Jakość wyników zależy jednak w dużym stopniu od jakości i ilości danych wejściowych, jasności zakresu, dostępnego budżetu badawczego oraz spójności i rozdzielczości analizowanych obrazów.

1. Integracja z narzędziami AR/VR na potrzeby immersyjnych spacerów wirtualnych.
   
2. Szacowanie kosztów remontu na podstawie rzutów kondygnacji z wykorzystaniem AI.
   
3. Zautomatyzowana kontrola zgodności z przepisami budowlanymi.