Zusammenfassung
In den vergangenen Jahren haben Unternehmen der Baubranche damit begonnen künstliche Intelligenz (KI) einzusetzen, um zeitaufwändige und repetitive Prozesse zu beschleunigen. Ein Anwendungsfall, der von der Einführung von KI profitieren kann, ist die Ermittlung von Mengen in Grundrissen. Diese Informationen werden für verschiedene Planungs- und Konstruktionsschritte benötigt, ihre Erhebung erfordert allerdings einen erheblichen manuellen Aufwand. Aktuell kann die Mengenermittlung nur mithilfe von digitalen Grundrissen automatisiert werden. Für Bestandsbauten liegen allerdings keine digitalen Grundrisse vor und für Neubauten können die digitalen Formate aufgrund fehlender Standardisierung häufig nicht verarbeitet werden. In diesem Beitrag schlagen wir ein KI-basiertes System zur Erkennung und Klassifizierung von Symbolen in Grundrissen vor, wobei ein Domänenexperte KI Entscheidungen korrigieren kann (sog. Human-in-the-Loop-System). Das entwickelte KI-Modell berechnet ein Unsicherheitsmaß für die Klassifizierung von jedem erkannten Symbol. Symbole mit hohem Unsicherheitswert werden dann an Domänenexperten geleitet und von diesen klassifiziert. Wir evaluieren den vorgeschlagenen Ansatz mithilfe eines realen Datensatzes, der von einem Industriepartner zur Verfügung gestellt wurde. In einer Reihe von Experimenten stellen wir fest, dass das selektive Hinzuziehen von menschlichem Expertenwissen die Leistung des Systems um bis zu 12,9 % steigern kann, was zu einer Systemgenauigkeit von durchschnittlich 92,1 % führt (Dieser Beitrag basiert auf der Veröffentlichung von Jakubik et al. (2022b)).
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Amershi, S.; Cakmak, M.; Knox, W. B.; und Kulesza, T. 2014. Power to the People: The Role of Humans in Interactive Machine Learning. AI Magazine, 35(4): 105–120.
Blanco, J. L.; Fuchs, S.; Parsons, M.; und Ribeirinho, M. J. 2018. Artificial Intelligence: Construction Technology’s next Frontier. Building Economist, 1: 7–13.
Budd, S.; Robinson, E. C.; und Kainz, B. 2021. A Survey on Active Learning and Human-in-the-Loop Deep Learning for Medical Image Analysis. Medical Image Analysis, 102062.
Dellermann, D.; Ebel, P.; Sollner, M.; und Leimeister, J. M.¨ 2019. Hybrid Intelligence. Business & Information Systems Engineering, 61(5): 637–643.
Dong, S.; Wang, W.; Li, W.; und Zou, K. 2021. Vectorization of Floor Plans Based on EdgeGAN. Information, 12(5): 206.
Dwibedi, D.; Misra, I.; und Hebert, M. 2017. Cut, Paste and Learn: Surprisingly Easy Synthesis for Instance Detection. In International Conference on Computer Vision, 1310–1319.
Everingham, M.; Eslami, S. M. A.; Van Gool, L.; Williams, C. K. I.; und Zisserman, A. 2015. The Pascal Visual Object Classes Challenge: A Retrospective. International Journal of Computer Vision, 111(111): 98–136.
Everingham, M.; und Winn, J. 2011. The Pascal Visual Object Classes Challenge 2012 (VOC2012) Development Kit. Pattern Analysis, Statistical Modelling and Computational Learning, Tech. Rep, 8: 5.
Fan, Z.; Zhu, L.; Li, H.; Chen, X.; Zhu, S.; und Tan, P. 2021. FloorPlanCAD: A Large-Scale CAD Drawing Dataset for Panoptic Symbol Spotting. arXiv preprint arXiv:2105.07147.
Gal, Y.; und Ghahramani, Z. 2016. Dropout as a Bayesian Approximation: Representing Model Uncertainty in Deep Learning. In International Conference on Machine Learning, 1050–1059.
Gal, Y.; Islam, R.; und Ghahramani, Z. 2017. Deep Bayesian Active Learning with Image Data. In International Conference on Machine Learning, 1183–1192.
Goyal, S.; Chattopadhyay, C.; und Bhatnagar, G. 2021. Knowledge-driven Description Synthesis for Floor Plan Interpretation. International Journal on Document Analysis and Recognition, 1–14.
Goyal, S.; Mistry, V.; Chattopadhyay, C.; und Bhatnagar, G. 2019. BRIDGE: Building Plan Repository for Image Description Generation, and Evaluation. In International Conference on Document Analysis and Recognition, 1071–1076.
Grønsund, T.; und Aanestad, M. 2020. Augmenting the Algorithm: Emerging Human-in-the-Loop Work Configurations. The Journal of Strategic Information Systems, 29(2).
Hemmer, P.; Kühl, N.; und Schöffer, J. 2022. Utilizing Active Machine Learning for Quality Assurance: A Case Study of Virtual Car Renderings in the Automotive Industry. In Proceedings of the 55th Hawaii International Conference on System Sciences.
Hinterstoisser, S.; Lepetit, V.; Wohlhart, P.; und Konolige, K. 2018. On Pre-Trained Image Features and Synthetic Images for Deep Learning. In European Conference on Computer Vision..
Holzinger, A. 2016.Interactive Machine Learning for Health Informatics: When do we Need the Human-in-theLoop? Brain Informatics, 3(2): 119–131.
Houlsby, N.; Huszar, F.; Ghahramani, Z.; und Lengyel, M. 2011. Bayesian Active Learning for Classification and Preference Learning. arXiv preprint arXiv:1112.5745.
Jakubik, J.; Blumenstiel, B.; Vossing, M.; und Hemmer, P. 2022a. Instance Selection Mechanisms for Human-in-the-Loop Systems in Few-Shot Learning. In International Conference on Wirtschaftsinformatik.
Jakubik, J.; Hemmer, P.; Vössing, M.; Blumenstiel, B.; Bartos, A.; und Mohr, K. 2022b. Designing a Human-in-the-Loop System for Object Detection in Floor Plans. In Innovative Applications of Artificial Intelligence.
Karim, M. M.; Qin, R.; Chen, G.; und Yin, Z. 2021. A Semi Supervised Self-Training Method to Develop Assistive Intelligence for Segmenting Multiclass Bridge Elements from Inspection Videos. Structural Health Monitoring.
Kuncheva, L. I.; und Whitaker, C. J. 2003. Measures of Diversity in Classifier Ensembles and their Relationship with the Ensemble Accuracy. Machine Learning, 51(2): 181–207.
Lakshminarayanan, B.; Pritzel, A.; und Blundell, C. 2017. Simple and Scalable Predictive Uncertainty Estimation Using Deep Ensembles. In Neural Information Processing Systems, 6405–6416.
Liu, C.; Loy, C. C.; Gong, S.; und Wang, G. 2013. POP: Person Re-identification Post-rank Optimisation. In International Conference on Computer Vision, 441–448.
Nikolenko, S. 2021. Synthetic Data for Basic Computer Vision Problems, 161–194. Springer.
Ren, S.; He, K.; Girshick, R.; und Sun, J. 2017.Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. Transactions on Pattern Analysis and Machine Intelligence, 39(6): 1137–1149.
Rezvanifar, A.; Cote, M.; und Albu, A. B. 2020. Symbol Spotting on Digital Architectural Floor Plans Using a Deep Learning-based Framework. In Computer Vision and Pattern Recognition Workshops, 568–569.
Smith, R. 2007. An Overview of the Tesseract OCR Engine. In International Conference on Document Analysis and Recognition, volume 2, 629–633.
Wang, H.; Gong, S.; Zhu, X.; und Xiang, T. 2016. Humanin-the-Loop Person Re-identification. In European Conference on Computer Vision, 405–422.
Zhu, R.; Shen, J.; Deng, X.; Wallden, M.; und Ino, F. 2020. Training Strategies for CNN-based Models to Parse Complex Floor Plans. In International Conference on Software and Computer Applications, 11–16.
Ziran, Z.; und Marinai, S. 2018. Object Detection in Floor Plan Images. In IAPR Workshop on Artificial Neural Networks in Pattern Recognition, 383–394.
Danksagung
Wir bedanken uns bei digitales bauen Teil von DREES & SOMMER für die Ermöglichung und Unterstützung dieser Forschung. Die Autoren bedanken sich für die finanzielle Unterstützung durch das Bundesministerium für Wirtschaft und Klimaschutz im Rahmen des Projektes „Smart Design and Construction“ (Projektnummer 01MK20016F).
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2024 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Jakubik, J., Hemmer, P., Vössing, M., Blumenstiel, B., Bartos, A., Mohr, K. (2024). Entwicklung eines Human-in-the-Loop-Systems zur Objekterkennung in Grundrissen. In: Haghsheno, S., Satzger, G., Lauble, S., Vössing, M. (eds) Künstliche Intelligenz im Bauwesen . Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-42796-2_7
Download citation
DOI: https://doi.org/10.1007/978-3-658-42796-2_7
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-42795-5
Online ISBN: 978-3-658-42796-2
eBook Packages: Computer Science and Engineering (German Language)