Emirates Scholar Research Center - Research Publishing & Indexing Center

تحسين تصنيف عنصر BIM القائم على التعلم العميق عن طريق زيادة البيانات والتجزئة الدلالية

المؤلفون: بونسانغ كو

المجلة: الندوة الدولية الثامنة والثلاثون حول الأتمتة والروبوتات في البناء ، دبي ، الإمارات العربية المتحدة.

تاريخ النشر: نوفمبر 2022

الكلمات الرئيسية: BIM IFC Semantic Integrity MVCNN CRF-RNN


خلاصة

يتمثل أحد الجوانب الحاسمة في BIM في القدرة على تجسيد المعلومات الدلالية حول مكونات العنصر. لكي تكون قابلة للتشغيل البيني ، يجب أن تتوافق هذه المعلومات مع معايير وبروتوكولات فئات مؤسسة الصناعة (IFC). تم استكشاف مناهج الذكاء الاصطناعي كطريقة للتحقق من السلامة الدلالية لـ BIM لتعيينات مؤسسة التمويل الدولية من خلال تعلم الميزات الهندسية لعناصر BIM الفردية. حقق المؤلفون من خلال دراسات سابقة أيضًا في استخدام التعلم الهندسي العميق لتصنيف فئات عناصر BIM الفردية تلقائيًا. ومع ذلك ، كانت هذه الجهود محدودة في عدد بيانات التدريب وقيدت على أنواع فرعية من عناصر BIM. وسعت هذه الدراسة بشكل كبير من مجموعة التدريب ، لتشمل ما مجموعه 46746 عنصرًا تمثل 13 نوعًا من عناصر BIM. يعتبر حجم مجموعة البيانات هو الأول من نوعه. علاوة على ذلك ، تم نشر الحقول العشوائية الشرطية كشبكات عصبية متكررة (CRF-RNN) ، وهي خوارزمية تعلم عميق للتجزئة الدلالية ، لتحسين جودة الصور المدخلة الفردية. تم عرض نتائج نشر مجموعة البيانات والتجزئة لتحسين أداء MVCNN ، كان النموذج سابقًا بأعلى دقة ، بنسبة 4.37٪ ، وتحقيق أداء إجمالي بنسبة 95.38٪.

Read full article

Join the Conversation

  1. Muchas gracias. ?Como puedo iniciar sesion?

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

Scroll to top
Close
Browse Categories
Browse Tags