Details

Title: Распознавание и векторизация планов квартир БТИ по растровому изображению: выпускная квалификационная работа бакалавра: направление 01.03.02 «Прикладная математика и информатика» ; образовательная программа 01.03.02_02 «Системное программирование»
Creators: Суриков Илья Юрьевич
Scientific adviser: Беляев Сергей Юрьевич
Other creators: Арефьева Людмила Анатольевна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт прикладной математики и механики
Imprint: Санкт-Петербург, 2020
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: обработка изображений; нейронные сети; python; компьютерное зрение; image processing; neural networks; computer vision
Document type: Bachelor graduation qualification work
File type: PDF
Language: Russian
Level of education: Bachelor
Speciality code (FGOS): 01.03.02
Speciality group (FGOS): 010000 - Математика и механика
Links: Отзыв руководителя; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2020/vr/vr20-1518
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key: ru\spstu\vkr\8291

Allowed Actions:

Action 'Read' will be available if you login or access site from another network Action 'Download' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

В данной работе представлен алгоритм векторизации планов квартир по растровому изображению, основанный на комбинации методов статистической обработки изображений и методов глубокого машинного обучения. Задачи, которые решались в ходе исследования: 1. Исследование актуальности проблемы векторизации планов на современном рынке. 2. Изучение существующих подходов к векторизации планов квартир, выявление их недостатков. 3. Выбор архитектуры и обучение моделей глубокого машинного обучения для распознавания стен, окон, дверей и других объектов. 4. Разработка конвейера обработки изображений, принимающего на вход изображение, и выдающего векторный формат плана на выходе. Все данные для обучения моделей были собраны с сайтов по недвижимости. Разработанный метод аугментации данных позволил повысить метрики обучения, а также обучить модели, устойчивые к теням на изображении. В работе приведены результаты обучения. Произведено сравнение различных архитектур нейронных сетей для данной задачи. В результате был разработан алгоритм, способный векторизовать план квартиры по растровому изображению. Алгоритм может применяться для обработки различных типов планов квартир. Метод, предложенный в этой работе, может быть полезен для трехмерной реконструкции, расчета стоимости недвижимости, предложений по проектированию и т. д.

This work introduces the approach based on the combination of statistical image processing methods in a row of machine learning techniques that allow training robust model for the different floor plan topologies. The research set the following goals: 1. Studying of the relevance of the problem of vectorization of plans in the modern market. 2. Studying of existing approaches to vectorization of apartment plans, identifying their shortcomings. 3. The choice of architecture and teaching models of deep machine learning to recognize walls, windows, doors and other objects. 4. Development of an image processing pipeline that accepts an image as an input and outputs a vector plan format. All data for model training was collected from real estate sites. The developed method of data augmentation allowed to increase learning metrics, as well as to train models that are resistant to shadows in the image. The work presents the results of training. Comparison of various architectures of neural networks for this task is presented. As a result, an algorithm was developed that could vectorize the apartment plan according to a raster image. The algorithm can be used to process various types of apartment plans. The method proposed in this work can be useful for three-dimensional reconstruction, calculating the value of real estate, design proposals, etc.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
External organizations N2 All Read
External organizations N1 All
Internet Authorized users SPbPU Read Print Download
Internet Authorized users (not from SPbPU, N2) Read
Internet Authorized users (not from SPbPU, N1)
-> Internet Anonymous

Usage statistics

stat Access count: 10
Last 30 days: 0
Detailed usage statistics