Derin öğrenme tabanlı yapı elektrik plan çizimi
Deep learning based building electrical plan drawing
- Tez No: 734526
- Danışmanlar: DOÇ. DR. HAKAN KUTUCU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 144
Özet
Bu tez çalışması, konut binalarında derin öğrenme kullanarak elektrik iç tesisat plan çizimlerinin otomatik oluşturulması ile ilgilidir. Sistem, mimari kat planlarındaki tefriş (dekoratif) sembollerinin tespiti ve sınıflandırılmasına dayalı olarak mekânsal ilişkilerin oluşturulması esasına dayanmaktadır. Elektrik tesisat plan çizimi, bir binanın elektrik ihtiyacını sağlamak için uygulanması gereken kurulum projesinin şematik olarak gösterilmesidir. Çizgilerden ve sembollerden oluşan elektrik plan çizimleri, 2D CAD programları kullanılarak mimari kat planları üzerinde hazırlanmaktadır. Elektrik iç tesisat plan çizimlerinin ilk adımı, kat planları üzerinde uygun yerlere priz, ışık, anahtar gibi elektrik malzeme sembollerinin yerleştirilmesidir. İkinci adım ise mekânsal ilişkiler dikkate alınarak konulmuş bu elektrik sembollerinin bağlantı şemalarının oluşturulmasıdır. Elektrik iç tesisat plan çizimleri, zaman ve dikkat gerektiren işlemdir. Bu çalışma kapsamında, konut binalarında elektrik iç tesisat planları çizilirken kat planları üzerinde uygun yerlere uygun elektrik malzeme sembollerinin otomatik olarak yerleştirmesi için tefriş tabanlı bir sistem geliştirilmiştir. Mimari projelerde tefrişler buzdolabı, televizyon, ocak-fırın, çamaşır makinesi, bulaşık makinesi; koltuklar, masalar, yataklar, dolaplar, kapılar ve pencereler gibi çizim sembollerine verilen genel isimlerdir. Tefriş sembolleri, çizilen mimari kat planlarında oluşturulan odaların tipini ve kullanılması gereken elektrik malzemesini göstermesi bakımından önemlidir. Çalışma kapsamında mobilya, beyaz eşya, sıhhi tesisat, kapı ve pencere gibi kat planlarında en sık kullanılan malzemelerin sembollerini içeren düzinelerce mimari kat planı çizimlerinden bir tefriş sembolleri veri seti oluşturulmuştur. Tefriş sembollerini sınıflandırmak için derin evrişimli bir sinir ağı olan inception-v3 modeli transfer öğrenme ile kullanılmıştır. Oluşturulan model, 20 gerçek kat planı üzerinde test edilerek tefriş sembol sınıflandırmasında %97,05 gibi tatmin edici bir doğruluk elde edilmiştir. Yapılan çalışma ile kat planlarında tefriş sembolleri tespit edilerek sınıflandırılmış ve bu tefrişlere uygun elektrik malzeme sembolleri olması gereken yerlere otomatik olarak yerleştirilmiştir. Daha sonra sınıflandırılan tefriş sembollerine göre mahal tipleri belirlenmiş ve mahaller arası mekânsal ilişkiler oluşturulmuştur. Son adımda mekânsal ilişkiler göz önüne alınarak elektrik bağlantı şemaları otomatik olarak gerçekleştirilmiştir. Böylece elektrik tesisat plan çizimi, otomatik hale getirilerek zamandan ve işçilikten kazanç sağlanmıştır.
Özet (Çeviri)
This thesis is related with the automatic generation of electrical plan drawings in residential buildings by using deep learning. The system is based on the creation of spatial relations through the detection and classification of the furnishing (decorative) symbols in architectural floor plans. Electrical plan drawings are schematic displays of an installation project that must be applied to provide the electricity requirement for construction. Electrical plan drawings consisting of lines and symbols are prepared on architectural floor plans using 2D CAD programs. The placement of electrical power symbols–such as sockets, lights, and switches–is the first step of an electrical plan drawing. The second step is to create the connection diagrams of these electrical power symbols based on spatial relations. Electrical plan drawings are a process that requires time and attention. With this study, a furnishing-based system has been developed to automatically draw the appropriate electrical power symbols on the floor plans while drawing the electrical plan drawings in residential buildings. Furnishing in architectural plans is a general term for drawing symbols representing all furniture, electrical appliances, plumbing fixtures, windows, and doors. Furnishing symbols are important in terms of showing the type of rooms created in architectural floor plans and the electrical materials that should be used. We have created a furnishing symbol dataset drawing on dozens of architectural plan drawings that contain symbols of the most commonly used tools in floor plans, such as furniture, appliances, plumbing, doors, and windows. We used the Inception-v3 model, which is a deep convolutional neural network, with transfer learning to classify furnishing symbols. We tested the model on 20 real floor plans and achieved a very satisfactory accuracy of 97.05% in furnishing symbol classification. With this study, furnishing symbols were detected and classified on the floor plans and then electrical power symbols complying with these symbols were drawn automatically where they should be. Then room types were determined according to classified furnishing symbols and spatial relations between the rooms were established. As a final step, the electrical wiring diagrams were drawn automatically considering the spatial relations. Thus, the electrical plan drawing has been automated, saving time and labor.
Benzer Tezler
- CNN tabanlı modeller kullanılarak sinyal gürültü bastırma ve frekans seçici filtrelemenin modellenmesi, uygulaması ve harmonik tabanlı performans degerlendirilmesi
The modeling, application and harmonic-based performance evaluation of signal denoising and frequency-selective filtering by using CNN-based models
OMAR NAJAR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiSüleyman Demirel ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TURGAY KOÇ
- Makine öğrenme tabanlı ters yapay açıklıklı radar tekniği ile karmaşık hedeflerin görüntülenmesi
Imaging of complex targets by machine learning based inverse synthetic aperture radar technique
GÜLCE EKEN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZLEM ÖZGÜN
- Unsupervised anomaly detection via deep metric learning with end-to-end optimization
Derin metrik öğrenmesi ile baştan sona optimize edilebilen gözetimsiz anomali tespiti
SELİM FIRAT YILMAZ
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SERDAR KOZAT
- Çözücü buharının görüntüye dönüştürülerek derin öğrenme tabanlı sınıflandırma yaklaşımı ile kimlik ve konsantrasyon tespiti
Identity and concentration detection with deep learning based classification approach by converting solvent vapor to image
FERDA DAL
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM YÜCEL ÖZBEK
- Derin öğrenme tabanlı yöntemler ile GPR görüntülerinde obje tespiti
Object detection in GPR images with deep learning based methods
ORHAN APAYDIN
Yüksek Lisans
Türkçe
2023
Jeofizik Mühendisliğiİstanbul Teknik ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGAY İŞSEVEN