Syftet med detta avsnitt är inte att omedelbart betrakta de initiala resultaten som genereras av artificiell intelligens som slutgiltiga; istället är målet att ge användaren möjlighet att visuellt granska dessa resultat, verifiera dem mot en fördefinierad lista, eliminera kandidater med låg noggrannhet, analysera de kvarvarande detektionerna vid behov samt slutligen ladda ner DXF/PDF/PNG-filer.
1. Huvudlogik efter analys
Efter att en arkitektonisk plan har analyserats genererar systemet flera kandidatdetekteringar. Dessa kandidater kan inkludera dörrar, fönster, väggar, axelpunkter, pelare, fasadväggar, trappor, hisschakt eller andra arkitektoniska strukturella element. Det är dock viktigt att notera att inte samtliga detekteringar från artificiell intelligensmodeller bör betraktas som definitivt korrekta. Därför presenteras en kontrollskärm för användaren efter analysen.
Denna kontrollskärm är uppdelad i två huvudsektioner:
• Visuell resultatlista: Visuella resultat markerade på planen.
• Detektionslista: En tabellarisk översikt över de kandidatelement som identifierats av artificiell intelligens.
Genom denna struktur erbjuds användaren inte endast en visuell bild utan även information såsom ID, typ, konfidenspoäng, koordinat, storlek och källa för varje kandidat.
2. Område för visuella resultat
Avsnittet ”Visuella resultat”, beläget längst ner till vänster i diagrammet, visar den bearbetade versionen av den analyserade arkitekturplanen. Här återges de detekterade elementen direkt på planen. Varje kandidatobjekt presenteras med färgade linjer, rutor, etiketter eller ID-nummer.
Syftet med detta avsnitt är att möjliggöra för användaren att visuellt inspektera systemets identifieringar. Om systemet exempelvis har identifierat ett fönster som en dörr, blir detta omedelbart synligt på planen. På samma sätt kan eventuella felaktiga markeringar, såsom en väggsektion registrerad som en axelpunkt, enkelt upptäckas här.
3. Detektionslista
Sektionen ”Detektionslista”, belägen intill det visuella resultatområdet, visar samtliga kandidatelement som AI:n har identifierat i tabellform. Denna tabell ökar öppenheten i systemet. Användaren ser inte endast vilka element systemet har funnit, utan även hur hög säkerhet systemet har för varje detektion.
Denna lista är särskilt viktig för manuell korrigering, då användaren kan ta bort kandidater med låg poäng, eliminera felklassificerade element eller initiera en ny analys med enbart de kandidater som bedöms korrekta.
4. Logik för konfidenspoäng
En central aspekt i systemet är konfidenspoängen, vilken uttrycks i procent och indikerar hur säker artificiell intelligens är på ett specifikt resultat. Exempel på tolkningar av konfidenspoäng är:
• 96 % konfidenspoäng: Systemet bedömer detta resultat som mycket säkert.
• 75 % konfidenspoäng: Resultatet är sannolikt korrekt men bör verifieras.
• 45 % konfidenspoäng: Kandidaten betraktas som osäker och kan kräva borttagning eller närmare granskning.
5. Ta bort kandidater under tröskeln
I övre vänstra delen av diagrammet återfinns sektionen ”Ta bort kandidater under poängen”. Denna funktion ger användaren möjlighet att genomföra automatisk rensning. Användaren definierar en procentuell tröskel, varpå systemet tar bort samtliga kandidater som understiger denna nivå från resultatlistan.
Exempelvis:
• Vid en tröskel om 50 % tas alla kandidater under 50 % bort, medan kandidater på 50 % och däröver behålls.
• Vid en tröskel om 70 % tas fler kandidater bort, vilket ger ett renare men mer selektivt resultat.
Denna funktion är särskilt värdefull vid analyser som genererar många falska positiva detektioner, eftersom användaren slipper ta bort kandidater manuellt en efter en. Istället kan ett tröskelvärde ställas in för automatisk filtrering.
6. Att hitta rätt resultat genom trial and error
En viktig detalj i systemet är att användaren inte är begränsad till ett enda analysresultat. Det går att prova olika tröskelvärden, ta bort kandidater med låg konfidenspoäng, manuellt behålla vissa kandidater och sedan köra om analysen med resterande detektioner.
Ett exempel på ett arbetsflöde kan vara:
1. Systemet utför den initiala analysen.
2. Användaren granskar resultaten.
3. Om antalet falska detektioner är för högt justeras tröskelvärdet till 60 %.
4. Systemet tar bort kandidater under 60 %.
5. Användaren undersöker det visuella resultatet på nytt.
6. Vid behov tas ytterligare kandidater bort manuellt.
7. Analysen körs om med kvarvarande element.
8. Ett renare resultat erhålls.
9. Utdata genereras när resultatet är tillfredsställande.
Denna metod förvandlar systemet från ett helt automatiserat verktyg till en kontrollerad, interaktiv och mänskligt assisterad analysplattform.
7. Användarintervention och manuell rengöring
Strukturen som illustreras i diagrammet visar att användarintervention utgör en integrerad del av systemet. Användaren är inte skyldig att godkänna samtliga kandidater som genereras från analysen.
Användaren ska ha möjlighet att:
• Ta bort felaktiga detektioner.
• Ta bort kandidater med låg poäng i bulk.
• Välja från en lista.
• Välja objekt ur visuella element.
• Ta bort utvalda kandidater från planen.
• Analysera med de återstående korrekta kandidaterna.
Denna funktion är särskilt betydelsefull i arkitektoniska planer, då vissa ritningar kan vara mycket lika varandra. Till exempel kan en tunn vägglinje likna en axellinje. En dörrkarm kan i vissa fall förväxlas med en möbellinje. En fönsterlinje kan i vissa planer framträda som en väggsektion. Därför är det svårt att uppnå ett fullt tillförlitligt resultat utan användarkontroll.
8. Kör analys med återstående element
En av de centrala knapparna i området Detektionslista utgörs av logiken "Kör analys med återstående detektioner". Denna knapp möjliggör att en ny analys kan genomföras endast med de kandidater som återstår efter användarens rengöring. Denna process är väsentlig eftersom:
• Felaktiga kandidater exkluderas från analysen.
• Systemet omarbetar med mer precisa data.
• Resultatmotorn använder den rensade datamängden.
• Den slutliga utdata blir mer tillförlitlig.
Detta motsvarar en mänsklig arbetsmetod inom loopen i artificiella intelligenssystem, vilket innebär att systemet inte enbart förlitar sig på maskinellt beslutsfattande utan kompletteras av mänsklig tillsyn.
9. Slutsatsfasen
I diagrammets mitt återfinns blocket "Slutsats". Detta block hanterar de rensade och verifierade resultaten och genererar det slutgiltiga resultatet.
I slutsatsfasen kan systemet:
• Utvärdera de återstående kandidaterna.
• Tolka planens övergripande struktur.
• Dela in de arkitektoniska elementen i meningsfulla lager.
• Förbereda nödvändiga data för produktion av utdata.
• Skapa den slutliga filstrukturen för DXF-, PDF- och PNG-utdata.
Det centrala är att resultatet inte enbart baseras på den inledande AI-analysen. Resultatet formas efter den rensning och korrigering som utförts av användaren. Den slutgiltiga utdata inkluderar således både AI-förutsägelse och användarkontroll.
10. DXF/PDF-nedladdning
Efter slutsatsfasen kan användaren ladda ner professionella utdata. Blocket "Ladda ner DXF/PDF" i diagrammet illustrerar denna process. I detta skede genererar systemet följande filer:
• PDF: Rapport och visuellt resultat.
• DXF: Teknisk ritning som kan öppnas i CAD-programvara.
• PNG: Bearbetad visuell plan.
DXF-utdata är särskilt betydelsefull för arkitekter och ingenjörer. Eftersom DXF-filer kan öppnas i AutoCAD, DraftSight, LibreCAD eller liknande CAD-programvara kan planen, som bearbetats av artificiell intelligens, överföras till den tekniska ritningsmiljön.
11. Panelen "Genererade filer"
Panelen "Genererade filer" till höger listar samtliga filer som genererats av systemet. Denna panel ger användaren möjlighet att öppna eller ladda ner resultatfilerna individuellt. Panelen kan innehålla följande filtyper:
• Kolumn och skjuvvägg PNG
• Kolumn PNG
• Skjuvvägg PNG
• PDF
• Kolumn och skjuvvägg DXF
• Kandidatkolumn DXF
• Kandidatskjuvvägg DXF
Denna lista visar att systemet inte enbart genererar en enda typ av utdata. Varje utdata tjänar ett specifikt syfte.
Kolumn och skjuvvägg PNG utgör en kombinerad visuell utdata av samtliga resultat.
Kolumn PNG separerar visuellt kolumnkandidater.
Skjuvvägg PNG arkiverar den slutliga vyn på användarskärmen.
PDF är lämplig för rapportering och delning.
Fullständig plan DXF utgör en generell planutdata som kan öppnas i en CAD-miljö.
Kandidatkolumn DXF är en specialiserad teknisk utdata som enbart innehåller kolumnkandidater.
Kandidatskjuvvägg DXF är en teknisk utdata som omfattar skjuvväggskandidater.
Denna förklaring visas under det tredje flödesdiagrammet enligt valt webbplatsspråk.
