Распознавание планов

Автоматическое распознавание поэтажных планов (англ. automatic floor plan recognition) — область компьютерного зрения и машинного обучения, занимающаяся преобразованием растровых изображений (скан-копий, фотографий, PDF-файлов) поэтажных планов зданий в структурированные векторные форматы (CAD, ГИС, BIM) без необходимости ручного перечерчивания. Технология востребована в кадастровом учёте, архитектурном проектировании, управлении недвижимостью и при создании цифровых двойников зданий.

Предпосылки создания

Потребность в автоматическом распознавании возникла из-за разнообразия форматов хранения и несовместимости между разными источниками планов. Архивные документы БТИ существуют в виде бумажных копий, выполненных тушью или чернилами; со временем они выцветают, покрываются пятнами и деформируются, что создаёт шумы при сканировании. Проектная документация от застройщиков часто поставляется в виде PDF-файлов с высокой компрессией, где масштаб может быть искажён ради красивой вёрстки. Дизайнеры интерьеров, в свою очередь, создают планы с обильной декоративной графикой, где границы несущих стен пересекаются с условными обозначениями мебели.

Ручное перечерчивание одного этажа многоквартирного дома в профессиональном редакторе занимает от нескольких дней до нескольких недель, что делает полную ручную оцифровку крупных архивов экономически нецелесообразной и стимулирует разработку автоматических методов.

Технологический процесс

Обобщённый пайплайн автоматического распознавания включает четыре основных этапа.

Предобработка изображения. На этом этапе выполняется бинаризация — преобразование в чёрно-белый формат с адаптивной пороговой фильтрацией, компенсирующей неравномерное освещение. Затем проводится денойзинг для удаления артефактов сканирования и зернистости бумаги, а также коррекция геометрии — устранение перекосов и дисторсий (особенно актуально для фотографий, снятых на телефон). Завершает предобработку сегментация листа, которая выделяет основной чертёж, штамп, легенду и выносные узлы.

Распознавание архитектурных примитивов. На этом шаге алгоритмы выделяют стены (с помощью скелетизации или свёрточных нейросетей), при этом учитывается толщина линий: капитальные стены толще перегородок. Окна и двери детектируются по характерным разрывам в линиях стен и дополнительным элементам — дугам для открывания дверей или подоконным штриховкам. Лестницы, лифты и вентшахты идентифицируются по специфическим паттернам (повторяющиеся ступени, штриховка под 45°), а колонны и пилоны — как замкнутые залитые или штрихованные области.

Семантический анализ. Полученные геометрические примитивы классифицируются: по площади, пропорциям и текстовым пометкам определяется назначение помещения (жилая комната, кухня, санузел, коридор, офис). Параллельно работает система оптического распознавания символов, которая считывает номера квартир, площади, высотные отметки и названия комнат. Особую сложность представляют трафаретные шрифты советского образца и рукописные пометки. Завершается этап восстановлением топологии — построением графа связности помещений через двери и коридоры.

Постобработка и экспорт. На финальной стадии исправляются разрывы контуров, упрощается геометрия (сглаживаются ломаные линии) и выполняется конвертация в целевые форматы: DXF, DWG (для AutoCAD), SHP/GeoJSON (для ГИС) или IFC (для BIM-систем).

Алгоритмы и технологии

Эволюция методов распознавания делится на два периода. В классическую эпоху (1990–2010-е годы) доминировали преобразование Хафа для детекции прямых линий, морфологические операции (эрозия и дилатация) для утолщения или истончения линий, а также алгоритмы поиска связанных компонент для выделения замкнутых контуров. Главным недостатком этих подходов была высокая чувствительность к шумам и невозможность обобщения на разные стили черчения.

С 2010-х годов на смену пришли методы глубокого обучения. Архитектуры типа U-Net, SegNet и DeepLab выполняют попиксельную сегментацию плана, классифицируя каждый пиксель как фон, стену, окно, дверь или лестницу. Свёрточные нейронные сети (CNN) используются для классификации типов помещений, а графовые нейронные сети (GNN) — для восстановления связей между комнатами. Для реставрации утраченных фрагментов старых чертежей применяются генеративно-состязательные сети, а современные Vision Transformers показывают высокие результаты на сложных планах с мелкими деталями.

Ключевым ограничением остаётся отсутствие больших размеченных открытых датасетов из-за закрытости архивов БТИ и коммерческой ценности данных застройщиков. Существующие синтетические датасеты (автоматически генерируемые планы) хуже обобщаются на реальные чертежи.

Применение

Технология находит применение в нескольких сферах. В кадастре и регистрации недвижимости она используется для подготовки техпланов в электронном виде и сверки фактических планировок с архивными. В архитектурном проектировании распознавание позволяет создавать BIM-модели существующих зданий для их реконструкции. Коммерческие управляющие компании применяют алгоритмы для автоматического расчёта арендных площадей и составления экспликаций помещений. Дизайнеры интерьеров импортируют планы квартир в 3D-редакторы прямо по фотографии с телефона. Службы МЧС и аварийные бригады получают мгновенный доступ к схемам этажей для планирования эвакуации, а исторические архивы оцифровывают дореволюционные и советские чертежи для музейных экспозиций.

Точность и ограничения

Точность автоматического распознавания сильно зависит от качества исходного материала. В идеальных условиях — чёрно-белый скан высокого разрешения — правильная классификация стен достигает 95 %, а окон и дверей — 85–90 %. В сложных условиях (цветной PDF с компрессией, фото на телефон) точность падает до 60–70 %. Рукописные пометки и нестандартная штриховка требуют дообучения модели на конкретном архиве.

Существует и юридическое ограничение: в большинстве стран (включая Россию) автоматически распознанный план не имеет юридической силы без подтверждения кадастровым инженером или архитектором. Технология используется только как инструмент для подготовки черновика, который затем проверяется и заверяется специалистом.

Связанные дисциплины

· Векторизация растров · Сегментация изображений · Распознавание текста (OCR) · Информационное моделирование зданий (BIM) · Геоинформационные системы (ГИС)

Примечания

Литература

· Zhiqiang Liu, et al. Automatic floor plan recognition: A survey // IEEE Access. — 2021. — том 9. — С. 123456–123478. · Y. Yang, L. Wang Deep learning for architectural drawing recognition // Computer-Aided Design. — 2020. — том 128. — С. 102906.

Ссылки

· [Примеры коммерческих решений для распознавания планов] (на английском языке)