Sähköpiirustusten komponenttien hahmontunnistus

Abstract

Rakennusalan digitalisaatio on luonut tarpeen kehittää tehokkaampia menetelmiä rakennuspiirustusten analysointiin ja määrälaskentaan. Määrälaskentaprosessi sisältää paljon manuaalista ja toistuvaa työtä, mikä korostaa automatisoinnin tarvetta. Opinnäytetyön tavoitteena oli selvittää YOLOv11-neuroverkkomallin soveltuvuutta sähköpiirustuksissa esiintyvien pistorasioiden tunnistamiseen. Tutkimuksessa arvioitiin myös menetelmän toimivuutta, käytännöllisyyttä ja helppokäyttöisyyttä rakennusalan ohjelmistojen kehittäjien näkökulmasta. Tutkimus toteutettiin soveltavan tutkimuksen lähestymistapaa noudattaen. Mallin koulutusmateriaali kerättiin määrälaskentaa suorittavilta yrityksiltä, jonka jälkeen tutustuttiin aineistoon. Tämän jälkeen sähköpiirustuksista annotoitiin pistorasiat, jonka jälkeen YOLOv11-malli koulutettiin ja mallin suoriutumista arvioitiin käyttämällä erikokoisia koulutusaineistoja. Näin voitiin tutkia koulutusdatan määrän vaikutusta mallin tunnistustarkkuuteen. Tulokset osoittivat, että mallin tunnistustarkkuus parani huomattavasti aineiston koon kasvaessa, mutta ei saavuttanut sille asetettuja tavoitteita kaikissa tilanteissa. Malli tunnisti pistorasiat erittäin tarkasti pienistä kuvista, mutta suurissa kuvissa tunnistustarkkuus heikkeni merkittävästi. Mallin suorituskyvyn parantamiseksi suositeltiin suurten kuvien pilkkomista pienempiin osiin ennen analysointia sekä koulutusaineiston monipuolisuuden lisäämistä. Johtopäätöksenä todettiin YOLO-pohjaisen menetelmän soveltuvan sähköpiirustusten objektien tunnistamiseen, joskin sen käyttöönotto vaatii laajempaa ja monipuolisempaa koulutusdataa sekä mahdollisesti parametrien hienosäätöä. Tutkimuksen tuloksista saatiin arvokasta tietoa mallin soveltuvuudesta ongelmaan, sekä millaisella jatkokehityksellä menetelmä voitaisiin ottaa käyttöön määrälaskentaohjelmistoissa.