포인트 클라우드 기반 딥 러닝 기법을 이용한 BIM 객체 분류에 관한 연구 = A study on BIM object classification using a deep learning method based on point cloud data

국문 초록 (Abstract)

건축 산업 전반에 BIM(Building Information Modeling)의 활용이 확대되고 있다. BIM은 3차원 건축물 객체 데이터를 기반으로 건축물이 지닌 다양한 정보를 담고 있는 데이터 형태이다. BIM 데이터는 IFC(Industry Foundation Classes) 표준 형태로 제작 및 배포된다. 이 때 BIM 데이터를 IFC 표준으로 생성하는 과정에서 설계자가 직접 IFC 데이터의 정보를 매핑해야 하는 문제가 존재한다. 이는 전문 인력 자원의 소요와 인적 오류의 발생 가능성을 높일 수 있는 위험을 지니고 있다. 본 연구에서는 이러한 위험을 줄이고, 보다 효과적으로 IFC 표준에 맞는 BIM 데이터 생성을 위한 딥 러닝 기법을 이용하여 학습한 모델을 통한 자동화된 BIM-IFC간 클래스 매핑 과정을 제안하였다.표준 BIM 라이브러리 데이터인 KBIMS 데이터를 이용한 실험에서 심층 신경망, 합성곱 신경망, Pointnet 총 3개의 딥 러닝 구조를 학습하여 평가하였다. 실험 결과 세 모델 모두 85% 이상의 높은 성능을 보였으며 그 중 3차원 객체의 위치 정보를 점들의 집합 형태의 데이터인 포인트 클라우드 형태로 표현한 Pointnet이 95% 이상의 정확도를 보여 가장 높은 성능의 모델임을 확인할 수 있었다. 본 연구의 의의는 BIM-IFC 클래스 매핑 작업에서 자동화된 딥 러닝 기반 모델 학습 과정을 통해 기존의 설계 전문가가 수작업으로 수행하는 정보 입력 과정을 자동화할 수 있다는 가능성을 보여준 것에 있다.

다국어 초록 (Multilingual Abstract)

The use of BIM (Building Information Modeling) is expanding throughout the industry. BIM has been distributed in the form of IFC(Industry Foundation Classes) standards, which contains various information of buildings based on 3D building object data. Generating a BIM model, however, often requires tedious and time-consuming processes as the data of the BIM model should be matched with the IFC standards. Usually it is performed by engineers, increasing the possibility of human errors. In this paper, we propose an automated BIM-IFC inter-class mapping process by using a deep learning model. In the experiments, the standard BIM library data, KBIMS library, were utilized. Three deep running structures ─ Deep Neural Network, Convolutional Neural Network, and Pointnet ─ were learned and evaluated. As a result, all three models showed high performance; they all achieved accuracy more than 85%. Among them, Pointnet, which expresses the position information of three-dimensional objects as point cloud data, showed the best performance, with accuracy over 95%. This study demonstrates the possibility of automating the information input process directly performed by existing design experts through an automated deep learning based model learning process in the BIM-IFC class mapping task.

목차 (Table of Contents)

• 요약 ⅰ
• 표 목차 ⅳ
• 그림 목차 ⅳ
• 수식 목차 ⅳ
• 1. 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 2
• 1.3 논문의 구성 2
• 2. 관련 연구 3
• 2.1 Building Information Modeling 3
• 2.2 3차원 데이터 4
• 2.3 포인트 클라우드 5
• 2.4 3차원 데이터 분류 알고리즘 7
• 3. 연구 방법 9
• 3.1 문제 정의 9
• 3.2 BIM(KBIMS) 9
• 3.3 Pointnet 11
• 4. 실험 15
• 4.1 실험 개요 15
• 4.2 분석 과정 15
• 4.3 합성곱 신경망 학습 15
• 4.4 심층 신경망 학습 17
• 4.5 Pointnet 학습 18
• 4.6 성능 비교 20
• 5. 결론 21
• 5.1 연구 결과 요약 및 의의 21
• 5.2 한계 및 추후 연구과제 22
• 참고문헌 23
• 영문초록(Abstract) 25