Tổng quan nghiên cứu

Thiết kế mặt bằng kiến trúc là bước đầu tiên và quan trọng trong xây dựng nhà ở, đặc biệt với các căn hộ chung cư ngày càng phổ biến trong bối cảnh đô thị hóa mạnh mẽ tại Việt Nam. Theo ước tính, có hơn 80.000 mặt bằng căn hộ được thu thập từ thị trường bất động sản châu Á, trong đó có hơn 5.000 mặt bằng được bổ sung từ thị trường Việt Nam nhằm tăng tính thực tiễn cho nghiên cứu. Vấn đề đặt ra là làm thế nào để tự động hóa quá trình thiết kế mặt bằng, giúp cả kiến trúc sư và người nghiệp dư có thể tạo ra các bản thiết kế hài hòa về công năng và thẩm mỹ mà không cần kiến thức chuyên sâu.

Mục tiêu nghiên cứu là phát triển một hệ thống tự động thiết kế sơ đồ mặt bằng kiến trúc căn hộ chung cư dựa trên các phương pháp phân tích dữ liệu và mạng học sâu (deep learning). Nghiên cứu tập trung vào việc sử dụng dữ liệu hình ảnh mặt bằng đã được số hóa và gán nhãn, áp dụng các mô hình mạng học sâu để tự động nhận diện vị trí các phòng, tường ngăn và cửa ra vào từ dữ liệu đầu vào là đường bao quanh căn hộ và vị trí cửa chính. Phạm vi nghiên cứu bao gồm dữ liệu thu thập từ năm 2019 đến 2023, với hơn 85.000 mặt bằng căn hộ được xử lý, trong đó có sự kết hợp dữ liệu quốc tế và Việt Nam.

Nghiên cứu có ý nghĩa lớn trong việc rút ngắn thời gian thiết kế, giảm thiểu sự phụ thuộc vào chuyên môn kiến trúc sư, đồng thời mở rộng khả năng tiếp cận thiết kế cho người dùng không chuyên. Các chỉ số đánh giá hiệu quả bao gồm độ chính xác dự đoán vị trí phòng khách đạt khoảng 86%, cùng với khả năng tự động gán nhãn dữ liệu và tạo mặt bằng kiến trúc phù hợp với phong cách thiết kế tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

  • Mạng học sâu (Deep Learning): Sử dụng các kiến trúc mạng CNN như VGG16, ResNet34, Momentum Residual Network và DeepLab-ASPP để trích xuất đặc trưng hình ảnh và phân loại pixel trong ảnh mặt bằng kiến trúc.
  • Mô hình đa tác vụ (Multi-task Learning): Áp dụng mạng đa nhánh để đồng thời dự đoán các pixel đường biên (tường, cửa) và loại phòng (phòng khách, phòng ngủ, phòng ăn, v.v.).
  • Cơ chế attention & contexture: Tăng cường khả năng nhận diện ranh giới phòng và loại phòng bằng cách tích hợp thông tin ngữ cảnh không gian.
  • Phương pháp vector hóa hình ảnh: Chuyển đổi kết quả phân loại pixel thành các đối tượng vector để tạo mặt bằng kiến trúc hoàn chỉnh.
  • Mô hình xác định điểm dừng thuật toán: Sử dụng mạng học sâu để quyết định khi nào quá trình thêm phòng vào mặt bằng nên dừng lại, đảm bảo tính hợp lý của thiết kế.

Các khái niệm chính bao gồm: pixel loại phòng, pixel đường biên, mạng mã hóa-giải mã (encoder-decoder), hàm mất mát Cross Entropy và Smooth L1, cùng các chỉ số đánh giá độ chính xác dựa trên pixel.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu RPLAN gồm hơn 80.000 mặt bằng căn hộ chung cư châu Á, được làm sạch và bổ sung thêm hơn 5.000 mặt bằng từ thị trường Việt Nam, tổng cộng khoảng 85.788 mặt bằng. Mỗi mặt bằng được số hóa thành ảnh kỹ thuật số 256x256 pixel với 4 kênh biểu diễn các thông tin về diện tích, đường bao, tường ngăn và loại phòng.

Phương pháp phân tích gồm hai bài toán chính:

  1. Tự động gán nhãn dữ liệu: Sử dụng mạng học sâu đa tác vụ dựa trên kiến trúc VGG16 để nhận diện và gán nhãn các phòng, tường, cửa ra vào trên ảnh mặt bằng. Bộ dữ liệu huấn luyện gồm 815 ảnh, chia thành 715 ảnh huấn luyện và 100 ảnh kiểm định. Hàm mất mát Cross and within task weighted loss được sử dụng để cân bằng giữa các tác vụ.

  2. Tự động thiết kế mặt bằng kiến trúc: Áp dụng các mạng học sâu ResNet34, Momentum Residual Network và DeepLab-ASPP để xác định vị trí phòng khách, các phòng còn lại, điểm dừng thêm phòng và vị trí tường ngăn. Dữ liệu đầu vào là ảnh đa kênh biểu diễn đường bao và cửa chính. Quá trình huấn luyện sử dụng các hàm mất mát phù hợp như Smooth L1 cho vị trí phòng khách và Cross Entropy cho các tác vụ phân loại pixel.

Timeline nghiên cứu kéo dài từ năm 2019 đến 2023, bao gồm thu thập dữ liệu, xây dựng mô hình, huấn luyện và đánh giá kết quả thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác gán nhãn tự động đạt 86%: Mạng học sâu đa tác vụ dựa trên VGG16 đã tự động gán nhãn các phòng, tường và cửa ra vào với độ chính xác trung bình 86%, giúp giảm thiểu đáng kể công sức gán nhãn thủ công.

  2. Xác định vị trí phòng khách chính xác: Mạng Momentum Residual Network dựa trên ResNet34 dự đoán vị trí phòng khách với sai số khoảng vài pixel, đảm bảo vị trí trung tâm và kết nối hợp lý với các phòng khác.

  3. Xác định vị trí các phòng còn lại và điểm dừng hiệu quả: Mạng DeepLab-ASPP kết hợp với thuật toán lọc nhiễu đã xác định chính xác vị trí và loại phòng tiếp theo, đồng thời mạng xác định điểm dừng giúp quá trình thêm phòng kết thúc đúng lúc, tránh tạo ra các phòng không hợp lý.

  4. Dự đoán vị trí tường ngăn và vector hóa thành công: Mạng encoder-decoder dự đoán vị trí tường với độ chính xác cao, kết quả được chuyển đổi thành các vector tường liên kết, tạo nên mặt bằng kiến trúc hoàn chỉnh, phù hợp với các tiêu chuẩn thiết kế.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy việc ứng dụng mạng học sâu trong thiết kế mặt bằng kiến trúc là khả thi và hiệu quả. Độ chính xác 86% trong gán nhãn tự động giúp giảm thiểu thời gian và công sức chuẩn bị dữ liệu, đồng thời tăng tính nhất quán trong quá trình huấn luyện mô hình thiết kế. Việc sử dụng mạng Momentum Residual Network và DeepLab-ASPP giúp mô hình học được các đặc trưng không gian phức tạp, từ đó dự đoán vị trí phòng và tường chính xác hơn so với các phương pháp truyền thống dựa trên ràng buộc cứng nhắc.

So sánh với các nghiên cứu trước đây, phương pháp này vượt trội ở khả năng tự động hóa và tính linh hoạt trong thiết kế, không bị giới hạn bởi các ràng buộc khuôn mẫu, đồng thời phù hợp với phong cách thiết kế tại Việt Nam nhờ bổ sung dữ liệu địa phương. Kết quả có thể được trình bày qua các biểu đồ so sánh độ chính xác từng tác vụ, bảng thống kê số lượng phòng và phân bố diện tích, cũng như hình ảnh minh họa mặt bằng thiết kế tự động.

Đề xuất và khuyến nghị

  1. Phát triển giao diện người dùng thân thiện: Xây dựng phần mềm hoặc ứng dụng trực quan cho phép người dùng nghiệp dư nhập dữ liệu đường bao và cửa chính, nhận kết quả thiết kế mặt bằng tự động trong vòng 1-2 phút. Chủ thể thực hiện: nhóm phát triển phần mềm, timeline 6-12 tháng.

  2. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm dữ liệu mặt bằng từ các vùng miền khác nhau tại Việt Nam để nâng cao độ chính xác và tính đa dạng của mô hình. Chủ thể thực hiện: nhóm nghiên cứu, timeline 12-18 tháng.

  3. Tích hợp các yếu tố thiết kế thẩm mỹ và phong thủy: Nghiên cứu và bổ sung các tiêu chí thẩm mỹ, phong thủy vào mô hình thiết kế để tạo ra các mặt bằng không chỉ hợp lý về công năng mà còn hài hòa về mặt văn hóa. Chủ thể thực hiện: chuyên gia kiến trúc, nhóm nghiên cứu, timeline 18-24 tháng.

  4. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo cho kiến trúc sư và nhà thiết kế nội thất về cách sử dụng công cụ tự động thiết kế mặt bằng, đồng thời chuyển giao công nghệ cho các công ty xây dựng và bất động sản. Chủ thể thực hiện: trường đại học, doanh nghiệp, timeline 6-12 tháng.

Đối tượng nên tham khảo luận văn

  1. Kiến trúc sư và nhà thiết kế nội thất: Nghiên cứu cung cấp công cụ hỗ trợ tự động hóa thiết kế mặt bằng, giúp tiết kiệm thời gian và tăng hiệu quả công việc, đồng thời mở rộng khả năng sáng tạo.

  2. Chủ căn hộ và người nghiệp dư: Giúp những người không có kiến thức chuyên môn có thể tự tạo ra bản thiết kế mặt bằng hợp lý, phù hợp với nhu cầu cá nhân và phong cách sống.

  3. Doanh nghiệp bất động sản và xây dựng: Ứng dụng công nghệ tự động thiết kế để tối ưu hóa quy trình thiết kế, giảm chi phí và thời gian phát triển dự án.

  4. Nhà nghiên cứu và sinh viên ngành khoa học dữ liệu, trí tuệ nhân tạo: Cung cấp mô hình ứng dụng thực tiễn của mạng học sâu trong lĩnh vực kiến trúc, mở ra hướng nghiên cứu mới về phân tích dữ liệu hình ảnh và thiết kế tự động.

Câu hỏi thường gặp

  1. Mạng học sâu có thể áp dụng cho các loại căn hộ khác nhau không?
    Có, mô hình được huấn luyện trên bộ dữ liệu đa dạng với hơn 85.000 mặt bằng, bao gồm nhiều loại căn hộ có diện tích từ 60 đến 120 m² và số lượng phòng từ 4 đến 8, giúp mô hình có khả năng tổng quát tốt cho nhiều kiểu căn hộ.

  2. Độ chính xác của mô hình trong việc xác định vị trí phòng khách là bao nhiêu?
    Mô hình đạt độ chính xác khoảng 86% trong việc xác định vị trí phòng khách, với sai số trung bình chỉ vài pixel so với vị trí thực tế, đảm bảo tính chính xác cao cho thiết kế.

  3. Quá trình gán nhãn dữ liệu có mất nhiều thời gian không?
    Nhờ sử dụng mạng học sâu đa tác vụ để tự động gán nhãn, thời gian gán nhãn được giảm đáng kể so với phương pháp thủ công, đồng thời đảm bảo độ chính xác cao, chỉ cần tinh chỉnh thủ công một số trường hợp ngoại lệ.

  4. Mô hình có thể tự động quyết định khi nào dừng thêm phòng không?
    Có, một mạng học sâu riêng biệt được huấn luyện để xác định điểm dừng của thuật toán, giúp quá trình thiết kế mặt bằng không bị thêm phòng quá mức, đảm bảo tính hợp lý và thẩm mỹ.

  5. Kết quả thiết kế có thể được chỉnh sửa thủ công sau khi tạo ra không?
    Có, kết quả đầu ra là các vector tường và vị trí phòng có thể được chỉnh sửa bằng phần mềm thiết kế kiến trúc thông thường, giúp người dùng linh hoạt điều chỉnh theo nhu cầu cụ thể.

Kết luận

  • Nghiên cứu đã phát triển thành công hệ thống tự động thiết kế mặt bằng kiến trúc căn hộ chung cư dựa trên mạng học sâu, với độ chính xác gán nhãn tự động đạt khoảng 86%.
  • Mô hình sử dụng các kiến trúc mạng tiên tiến như VGG16, ResNet34, Momentum Residual Network và DeepLab-ASPP để xử lý dữ liệu hình ảnh mặt bằng đa kênh.
  • Bộ dữ liệu huấn luyện kết hợp dữ liệu quốc tế và Việt Nam giúp mô hình phù hợp với phong cách thiết kế địa phương và có tính ứng dụng cao.
  • Kết quả nghiên cứu mở ra hướng phát triển công cụ hỗ trợ thiết kế kiến trúc cho cả chuyên gia và người nghiệp dư, giảm thiểu thời gian và chi phí thiết kế.
  • Các bước tiếp theo bao gồm mở rộng dữ liệu, tích hợp yếu tố thẩm mỹ và phong thủy, phát triển giao diện người dùng và chuyển giao công nghệ cho doanh nghiệp.

Để tiếp tục phát triển và ứng dụng rộng rãi, các nhà nghiên cứu và doanh nghiệp được khuyến khích hợp tác triển khai các giải pháp dựa trên kết quả luận văn này, góp phần hiện đại hóa ngành thiết kế kiến trúc tại Việt Nam.