Koneoppiminen osana tarjouslaskentaa
Ala-Rakkola, Jarmo (2020)
Ala-Rakkola, Jarmo
2020
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2020112123626
https://urn.fi/URN:NBN:fi:amk-2020112123626
Tiivistelmä
Tässä opinnäytetyössä selvitettiin koneoppimisen soveltuvuutta rakennusteknisiin tarjouslaskennan mittakuviin. Mittakuvat olivat muodoltaan käsinpiirrettyjä hahmotelmia ja niiden tulkinta perustui aiemmin ihmisen suorittamaan kuvanlukuun. Opinnäytetyö rajattiin mittakuvien kahden eri rakenteen muotoihin ja käytettävän koneoppimisen osalta ohjattuun oppimiseen.
Tutkimuksen tekeminen aloitettiin syventymällä koneoppimisen kuvantunnistukseen ja siihen liittyviin avoimen lähdekoodin ohjelmointikirjastoihin. Kuvantunnistuksen ohjelmointikirjastoista valittiin käytettäväksi kaksi suosittua ja hyvin dokumentoitua kirjastoa. Teorian ohjaamana valittiin kuvantunnistuksessa käytettävät menetelmät ja algoritmit.
Opinnäytetyön aikana luotiin prosessi ja ohjelma, jolla koneoppimisen kuvantunnistusta voitiin soveltaa analysoitaviin mittakuviin. Lopputuloksena saatu ohjelma oli toimiva, mutta rajattu toimimaan vain opinnäytetyön rajauksien puitteissa. Kuvantunnistuksen toimivuutta arvioitiin teknologian toimivuuden ja hyötyjen suhteen. The suitability of machine learning to the dimensional drawings of offer processing in civil engineering was studied in this thesis. The dimensional drawings were hand-drawn sketches and they were earlier interpreted by a person. The thesis was limited to two different forms of dimensional structures and to supervised learning of the machine learning that was used in this process.
The research began by focusing on image recognition of machine learning and open-source programming libraries related to it. Two popular and well-documented libraries were selected for use from the image recognition programming libraries. The methods and algorithms used in image recognition were chosen according to the theory.
A process and a program in which image recognition of the machine learning could be applied to the analyzed dimensions that were created during the thesis. The resulting program was functional but limited to work within the limits of the thesis. The functionality of image recognition was evaluated by the functionality and benefits of the technology.
Tutkimuksen tekeminen aloitettiin syventymällä koneoppimisen kuvantunnistukseen ja siihen liittyviin avoimen lähdekoodin ohjelmointikirjastoihin. Kuvantunnistuksen ohjelmointikirjastoista valittiin käytettäväksi kaksi suosittua ja hyvin dokumentoitua kirjastoa. Teorian ohjaamana valittiin kuvantunnistuksessa käytettävät menetelmät ja algoritmit.
Opinnäytetyön aikana luotiin prosessi ja ohjelma, jolla koneoppimisen kuvantunnistusta voitiin soveltaa analysoitaviin mittakuviin. Lopputuloksena saatu ohjelma oli toimiva, mutta rajattu toimimaan vain opinnäytetyön rajauksien puitteissa. Kuvantunnistuksen toimivuutta arvioitiin teknologian toimivuuden ja hyötyjen suhteen.
The research began by focusing on image recognition of machine learning and open-source programming libraries related to it. Two popular and well-documented libraries were selected for use from the image recognition programming libraries. The methods and algorithms used in image recognition were chosen according to the theory.
A process and a program in which image recognition of the machine learning could be applied to the analyzed dimensions that were created during the thesis. The resulting program was functional but limited to work within the limits of the thesis. The functionality of image recognition was evaluated by the functionality and benefits of the technology.