Application of Artificial Intelligence in Quantity Takeoff and Work Area Estimation for Electrical Systems in House Construction Plans

Abstract

Quantity takeoff for electrical systems in residential construction projects is often performed manually which can be error-prone. One of the potential approaches to enhancing the efficiency and accuracy of the quantity takeoff process includes applying artificial intelligence (AI), particularly convolutional neural network (CNN)-based models which are capable of detecting and classifying objects from images. However, each model has its own strengths and limitations. Hence, this research aims to comparatively study the application of three convolutional neural network models Mask R-CNN, YOLOv9, and U-Net for extracting room areas and electrical equipment, including lighting fixtures, switches, and power outlets, from residential construction drawings. The results reveal that the detection and classification performance of all three AI models improves when increasing the number of training epochs, higher image resolutions, and larger training datasets. Specifically, when trained for 80 epochs with an image resolution of 1700×1200 pixels and 350 training images, YOLOv9 model achieved the highest accuracy in detecting electrical equipment, exceeding 90% which is comparable to manual quantity takeoff. Meanwhile, U-Net model has the best performance in room area segmentation, with an accuracy of approximately 84%, which was slightly lower than manual quantity takeoff but required less processing time in all task categories.

การถอดปริมาณงานระบบไฟฟ้าสำหรับโครงการก่อสร้างบ้านพักอาศัยมักเป็นการถอดปริมาณด้วยมือซึ่งมีความเสี่ยงต่อการเกิดข้อผิดพลาด จึงเกิดแนวคิดในการนำเทคโนโลยีปัญญาประดิษฐ์ โดยเฉพาะการใช้แบบจำลองที่มีพื้นฐานจากโครงข่ายประสาทคอนโวลูชัน (CNN) ที่สามารถตรวจจับและจำแนกวัตถุได้มาช่วยเพิ่มประสิทธิภาพในการถอดปริมาณงาน อย่างไรก็ตามแบบจำลองแต่ละแบบมีจุดเด่นและจุดด้อยแตกต่างกัน ดังนั้นงานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาเชิงเปรียบเทียบการประยุกต์ใช้แบบจำลองโครงข่ายประสาทคอนโวลูชัน 3 แบบ ได้แก่ Mask R-CNN, YOLOv9 และ U-Net ในการถอดปริมาณพื้นที่ห้องและอุปกรณ์ระบบไฟฟ้า ได้แก่ ดวงไฟ สวิตช์ และเต้ารับไฟฟ้า จากภาพแบบก่อสร้างงานบ้านพักอาศัย ผลการวิจัยพบว่า ความสามารถในการตรวจจับและจำแนกอุปกรณ์ไฟฟ้าและพื้นที่ของแบบจำลองปัญญาประดิษฐ์ทั้งสามแบบเพิ่มขึ้นตามจำนวนรอบการฝึก ระดับความละเอียดของภาพ และจำนวนรูปภาพที่ใช้ในการฝึก โดยที่เมื่อใช้จำนวนรอบการฝึก 80 รอบ ความละเอียดของภาพขนาด 1700×1200 พิกเซล และจำนวนภาพฝึก 350 รูป พบว่าแบบจำลอง YOLOv9 มีความสามารถในการตรวจจับอุปกรณ์ดวงไฟ สวิตช์ และเต้ารับไฟฟ้าได้อย่างแม่นยำที่สุด และมีความแม่นยำเกิน 90% ซึ่งใกล้เคียงกับการถอดปริมาณด้วยมือ ในขณะที่แบบจำลอง U-Net มีความสามารถในการจำแนกพื้นที่ห้องได้ดีที่สุด มีความแม่นยำประมาณ 84% ซึ่งแม้จะต่ำกว่าการถอดปริมาณด้วยมือเล็กน้อย แต่ใช้เวลาในการทำงานน้อยกว่าในทุกประเภทของงาน