Similarity based search of 3D assemblies in Tekla Structures using 2D images
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Date
2022-07-29
Department
Major/Subject
Machine Learning, Data Science and Artificial Intelligence
Mcode
SCI3044
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
60
Series
Abstract
Within the building information modeling (BIM) framework, and within the Tekla Structures (TS) software more specifically, there has been a growing need for finding assemblies based on structural similarity. Previous methods developed in TS to address this problem make use of assembly properties, which do not guarantee structural similarity. In general, the subject of assessing the similarity of 3D objects for object retrieval is a well-established field of research, particularly within 3D CAD modeling, but increasingly within the BIM framework as well. Image-based techniques, in particular, have proven increasingly successful in 3D object classification and retrieval in general. In this work, an image-based technique was investigated for the purpose of assembly retrieval using three orthogonal views of the wireframe of the assembly. To perform feature extraction, two different machine learning architectures were explored, namely deep autoencoder based models and models which utilized the deep neural network, Xception. The models were also integrated into TS, expanding on the previous property based methods and UI. Using assemblies extracted from BIM models of different constructions, two test cases were used to evaluate model performance. The findings show that the models are able to distinguish between assemblies, showing that there is potential for image-based approaches for assembly search methods within TS.Inom ramen för byggnadsinformationsmodellering (BIM), och mer specifikt inom programvaran Tekla Structures (TS), har det funnits ett växande behov av att hitta sammansättningar baserade på strukturell likhet. Tidigare metoder som utvecklats i TS för att lösa detta problem använder sig av sammansättningsegenskaper som inte garanterar strukturell likhet. I allmänhet är frågan om bedömning av 3D-objekts likhet för att hitta objekt ett väletablerat forskningsområde, särskilt inom 3D CAD-modellering, men också i allt större utsträckning inom BIM-ramen. Särskilt bildbaserade tekniker har visat sig vara alltmer framgångsrika när det gäller klassificering och hämtning av 3D-objekt i allmänhet. I det här arbetet undersöktes en bildbaserad teknik för att hitta en sammansättning med hjälp av tre ortogonala vyer av trådramen för sammansättningen. För att utföra särdragsextraktionen undersöktes två olika arkitekturer för maskininlärning, nämligen djupa autoenkoderbaserade modeller och modeller som använde det djupa neurala nätverket Xception. Modellerna integrerades också i TS och utökade de tidigare egenskapsbaserade metoderna och användargränssnittet. Med hjälp av sammansättningar som extraherats från BIM-modeller av olika konstruktioner användes två testfall för att utvärdera modellens prestanda. Resultaten visar att modellerna kan skilja mellan olika sammansättningar, vilket visar att det finns potential för bildbaserade metoder för sökmetoder för sammansättningar inom TS.Description
Supervisor
Kannala, JuhoThesis advisor
Grau de la Herrán, AnaKeywords
Tekla Structures, machine learning, 3D models, 2D images, clustering, feature extraction