MLSTRUCT-FP

本数据集包含超过954张大尺度楼层平面图图像，以及它们的墙壁的JSON格式注释。数据库加载器可以加载内存中的楼层、墙壁和板对象，并提供方法来通过应用裁剪、旋转和自定义缩放从楼层平面图创建自定义图像。

This dataset comprises over 954 large-scale floor plan images along with their wall annotations in JSON format. The database loader is capable of loading floor, wall, and slab objects into memory and offers methods to create custom images from floor plans by applying cropping, rotation, and custom scaling.

原始信息汇总

数据集概述

数据集名称

• MLSTRUCT-FP

数据集描述

• 内容：包含超过954张大规模的楼层平面图图像，以及对应的墙体注释，以JSON格式存储。
• 功能：提供基础库以加载和解析楼层平面图，支持创建自定义图像，包括裁剪、旋转和自定义缩放。
• 图像特性：图像存储为PNG格式，背景透明，尺寸范围在6500至9500像素之间。

数据集结构

• 文件结构：

  dataset/ 0a0...736.png 0a7...b41.png ... ff4...ff4.png ffd...faf.png fp.json

• fp.json格式：

  • 包含"rect"（矩形，即墙段）、"slab"（平板）和"floor"（楼层）的详细信息。
  • 每个元素通过唯一的ID进行标识和分组。

数据集使用

• 安装：通过Python pip安装库 MLStructFP。
• 下载：通过填写简单表格请求公共下载链接。

数据集API

• 主要对象：DbLoader、Floor、Rect、Slab、RectBinaryImage 和 RectFloorPhoto。
• 功能：支持数据加载、元素检索、图像绘制及变换（如缩放和旋转）。

引用信息

• 引用格式： tex @article{Pizarro2023, title = {Large-scale multi-unit floor plan dataset for architectural plan analysis and recognition}, journal = {Automation in Construction}, volume = {156}, pages = {105132}, year = {2023}, author = {Pablo N. Pizarro and Nancy Hitschfeld and Ivan Sipiran} }

作者信息

• 作者：Pablo Pizarro R.
• 时间范围：2023 - 2024

搜集汇总

数据集介绍

构建方式

MLSTRUCT-FP数据集的构建基于大规模的楼层平面图图像，涵盖了954张高分辨率图像，并附带详细的墙体标注信息，以JSON格式存储。该数据集通过整合真实楼层平面图的栅格化图像与基于JSON文件的多边形信息，确保了图像与墙体位置的一致性。此外，数据集还提供了楼层、墙体和楼板的详细元数据，便于进行深度分析和机器学习模型的训练。

特点

MLSTRUCT-FP数据集的显著特点在于其高分辨率图像（尺寸范围为6500至9500像素）和丰富的标注信息，涵盖了70873个墙体矩形、954个楼板和954个楼层。数据集的结构化设计使得每个元素（如墙体、楼板）都具有唯一的ID，便于查询和分组操作。此外，数据集支持图像的裁剪、旋转和缩放等操作，为机器学习模型的训练提供了灵活性。

使用方法

MLSTRUCT-FP数据集的使用方法简便，用户可通过Python的pip命令安装相关库，并通过填写简单的表单获取数据集的下载链接。数据集的API提供了丰富的功能，包括加载、解析和操作楼层平面图，支持图像的裁剪、旋转和缩放等变换操作。用户可通过提供的Jupyter Notebook示例快速上手，利用数据集进行机器学习模型的训练和评估。

背景与挑战

背景概述

MLSTRUCT-FP数据集是由Pablo N. Pizarro、Nancy Hitschfeld和Ivan Sipiran于2023年创建的，旨在为建筑平面图的分析与识别提供一个大规模的多单元平面图数据集。该数据集包含了954张大规模的平面图图像，并附有详细的墙壁标注信息，以JSON格式存储。MLSTRUCT-FP数据集的核心研究问题是如何通过机器学习技术有效解析和处理建筑平面图，从而推动建筑自动化领域的发展。该数据集的发布不仅为建筑领域的研究人员提供了宝贵的资源，还为机器学习模型在建筑平面图分析中的应用奠定了基础。

当前挑战

MLSTRUCT-FP数据集在构建过程中面临了多项挑战。首先，数据集的规模庞大，包含954张高分辨率图像，图像尺寸在6500到9500像素之间，这为数据处理和存储带来了技术难题。其次，平面图的复杂性要求精确的标注，尤其是墙壁和楼板的标注，这需要高度专业化的知识和工具。此外，数据集的多样性也带来了挑战，不同建筑风格的平面图需要不同的处理方法。最后，如何有效地将这些数据应用于机器学习模型，尤其是图像分割模型的训练，也是一个重要的研究方向。

常用场景

经典使用场景

MLSTRUCT-FP数据集在建筑设计与分析领域中展现了其经典应用场景，主要用于多单元楼层平面图的自动化处理与分析。通过该数据集，研究者能够加载并解析包含954张大规模楼层平面图的图像，并结合JSON格式的墙壁标注信息，进行楼层、墙壁和楼板的结构化分析。此数据集支持图像的裁剪、旋转和自定义缩放，为机器学习模型提供了丰富的训练数据，特别是在建筑平面图的语义分割与识别任务中表现尤为突出。

衍生相关工作

MLSTRUCT-FP数据集的发布催生了一系列相关研究工作，特别是在建筑平面图的语义分割与识别领域。基于该数据集，研究者开发了多种高效的AI分割模型，用于自动识别和标注楼层平面图中的墙壁、楼板等结构。此外，该数据集还为建筑信息建模（BIM）和自动化施工技术的研究提供了重要的数据支持，推动了建筑行业向智能化、自动化方向的转型。

数据集最近研究

最新研究方向

在建筑信息建模（BIM）和计算机视觉领域，MLSTRUCT-FP数据集的最新研究方向主要集中在利用深度学习技术进行建筑平面图的自动化分析与识别。该数据集通过提供大规模的多单元平面图图像及其详细的墙体和楼板标注，为研究者提供了丰富的资源，以开发和验证基于AI的平面图分割、识别和重建模型。当前的研究热点包括利用卷积神经网络（CNN）和Transformer模型进行平面图的语义分割，以及通过生成对抗网络（GAN）实现平面图的自动生成与优化。这些研究不仅推动了建筑设计自动化的前沿，还为智能城市规划和建筑维护提供了新的技术支持。