Building Information Modeling (BIM) beinhaltet erhebliches Potenzial, vor allem für die Betriebsphase von Gebäuden. Zum Einsatz der Methode werden digitale Bestandsmodelle der bestehenden Bauwerke benötigt, diese sind aber zur Zeit nur wenig vorzufinden. Eine umfassende Digitalisierung muss stattfinden, dabei kann Machine Learning (ML) und speziell Computer Vision (CV) unterstützen und somit die Erstellungsprozesse erheblich beschleunigen. Eine Möglichkeit, um die Qualität der Baupläne wiederherzustellen, wird im Paper „Improving 2D Construction Plans with Cycle-consistent Generative Adversarial Networks (CycleGAN)“ von Firdes Celik, Benedikt Faltin und Prof. Markus König vorgestellt.

Eine wichtige Rolle zur erfolgreichen Bestandsmodellierung von Bauwerken spielen papierne 2D-Pläne. Allerdings ist aufgrund des oftmals hohen Alters der Pläne die Qualität der Unterlagen eine Sache für sich. Sie beinhalten Störfaktoren wie Verfärbungen, Flecken, Ausbleichungen oder Knicklinien, welche die Weiterverarbeitung von CV-Methoden negativ beeinträchtigen können.

In dem Paper wird ein CycleGAN verwendet, um die beschriebenen Anomalien zu beseitigen und somit die Qualität der Baupläne zu steigern. Dem Algorithmus wurde beigebracht, was ein gut erkennbarer und was ein schlecht erkennbarer Plan ist. Dadurch kann er selbstständig schlechte in gute Pläne umwandeln - oder umgekehrt. Es kann gezeigt werden, dass die Weiterverarbeitung der verbesserten Pläne durch anschließende CV-Methoden positiv beeinflusst wird.

Weitere Informationen z. B. zum Data Preparation Aspekt, können bald im Paper nachgelesen werden.

Die Ergebnisse wurden auf der Konferenz 2021 ASCE International Conference on Computing in Civil Engineering (i3CE2021) von Firdes Celik präsentiert.

Link zur Konferenz

•    Firdes Celik, M. Sc. (more...)
•    Benedikt Faltin, M. Sc. (more...)
•    Markus König, Prof. Dr.-Ing. (more...)