1. 서 론
1.1. 연구 배경
1.2. 연구 범위
2. 연구 방법
2.1. ML 및 라이브러리 선정
2.2. NFSC 규정 기반 모듈 설계
2.3. 소방설비 자동화 알고리즘 프로세스
2.4. ML 성능평가 방법
3. 연구결과
3.1. 건축개요 표 인식 성능 평가
3.2. 자동화재탐지설비 배치 및 배선 동작 성능
3.3. 스프링클러 배치 알고리즘의 규정 적합성
4. 결 론
1. 서 론
1.1. 연구 배경
건축기술의 고도화와 산업화에 따른 도시 집중으로 제한된 부지를 효율적으로 활용하기 위한 초고층 건축이 지속적으로 증가하고 있다. 국토교통부의 보도자료에 따르면 최근 10년간 동수의 연평균 증가율은 0.7% 연면적의 연평균 증가율은 2.2%로 연면적의 증가율이 더 큰 것으로 보아 규모가 큰 건축물이 증가한 것으로 보도되었다(Ministry of Land, Infrastructure and Transport, 2025). 건물 규모의 확대는 도면의 다양성과 복잡도를 함께 끌어올렸지만, 현장에서는 설비 전문 인력의 부족, 빈번한 용도 변경으로 인한 도면 수정·훼손 등이 겹치면서 설비 결정의 비효율과 오류 가능성이 증대하고 있다(Lee, Choi, & Cho, 2020). 소방청 및 한국소방시설협회가 제시한 설계 절차를 보면, Figure 1과 같이 기획·계획 단계에서 설비 방향과 용량 산정의 원칙이 정해지고, 실제 설비 결정을 위해서는 건축개요에서 핵심 정보를 추출해 관련 법규에 따라 판단하는 과정이 뒤따른다(National Fire Agency, n.d).
그러나 실무에서는 건축개요가 표 형태의 문서·이미지로 제공되는 경우가 많고, 양식과 표기 관례가 사무소마다 다르다. 이 때문에 담당자는 제공 자료를 수작업으로 재정리해야 하며, 이 과정에서 오류·지연이 발생해 시스템 검토 시간, 신뢰성, 성능 효율, 설계 품질에 부정적 영향을 줄 수 있다. 최근 ML(Machine Learning)을 활용한 연구가 다양한 분야에서 진행되고 있으며 소방 및 화재 분야에서도 활용되는 연구가 증가하고 있다. 국외에서는 설계 단계의 규정 적합성 자동 점검과 이미지 평면도 인식 연구가 꾸준히 축적되어 왔다. Wang, Liu, Cai, Wang과 Zhou (2023)은 BIM(Building Information Modeling) 데이터와 구조화된 화재코드 지식을 결합한 자동 규정 적합성 프레임워크를 제안하여, 모델 파싱, 규정 지식화, 규칙 실행, 리포팅의 일관 절차를 구현하고 표준화된 테스트 BIM에서 공간 및 요소 단위 자동 판정을 시연하였다. 문서·주석 추출 측면에서 Villena Toro, Wiberg와 Tarkian (2023)은 도면을 정보 블록, 표, 특성 프레임으로 분해하여 요소별 전용 OCR(Optical Character Recognition) 파이프라인을 구성하고 결과를 표 구조 데이터로 산출하였다. Parente, Rodrigues, Rangel과 Martins (2023)은 건축설계 전반에서 CNN(Convolutional Neural Network)과 GAN(Generative Adversarial Network)의 분석·생성 활용을 고찰하며, 성능 및 시간 절감의 이점과 함께 데이터셋 품질, 통합 미흡, 윤리 이슈 등 실무 적용의 장벽을 정리하였다. 또한 Lv, Zhao, Yu와 Zhao (2021)은 주거 평면도의 방 경계, 유형, 크기를 인식하고 반복 최적화 기반 벡터화로 3차원 재구성까지 연결하는 자동화 프레임워크를 제시하였으며, Zeng, Li, Yu와 Fu (2019)은 Room-Boundary-Guided Attention을 도입한 멀티태스크 네트워크로 문, 창, 방 유형을 동시 추론하는 Deep Floor Plan을 제안하였다.
국내에서는 Choi와 Lee (2023)가 생성형 인공지능을 활용해 도시형 생활주택 평면도 자동 생성 절차를 제안하고, 대량 생성 실험과 추가 학습을 통해 생성 시간, 오류율, 모델 구축 시간을 정량적으로 보고하였다. Kim, Lee, Choi와 Kim (2016)은 개방형 BIM 기반 2차원 도면 자동 생성 프로그램을 구현하여 모델로부터 평면, 단면, 입면을 자동 산출하고 인허가 과정의 업무 중복을 줄일 가능성을 제시하였다. Lee, Park, Lee와 Lee (2024)는 2차원 CAD(Computer-Aided Design)의 레이어 표준화와 GeoJSON, 3차원 모델 변환을 거쳐 IfcOpenShell을 이용한 IFC(Industry Foundation Classes) 자동 변환 시스템을 제안하고, 상용 뷰어 호환성 검증을 통해 속성 보존과 활용 가능성을 확인하였다. 한편, Joe와 Park (2023)은 국내 건축물의 소방설비 정상작동률 저하 문제를 지적하고 화재수신기 연계를 중심으로 한 IoT 기반 실시간 모니터링 플랫폼을 제안하여 운영 관리의 체계화를 도모하였으며, Lee와 Park(2023)은 드론에 YOLOv5(You Only Look Once v5)와 R-CNN(Region-based Convolutional Neural Network)을 적용해 진입로 장애물 탐지, 알림, 연기 성분 분석을 통해 화재 유형과 규모를 분류하는 방안을 제시하였다. 또한 Min과 Cho (2021)는 소방노즐 내부 형상을 설계·제작하고 수치해석 및 실험을 통해 기존 노즐 대비 반발력 저감 효과를 검증하였다.
이와 같이 국외에서는 BIM 기반의 규정 적합성 점검과 이미지 평면도 인식이 꾸준히 성숙해 왔으나, 규정 판정 결과를 실제 배치와 배선 산출까지 일관되게 연결한 사례는 제한적이다. 국내에서는 일반 건축과 BIM 기반의 도면 생성·변환 연구가 진행되었으나, 소방 분야에서는 드론과 IoT 기반 모니터링 및 장비 설계 등 운영·대응 중심의 연구가 주로 진행되어 설계 단계의 평면도와 주석 기계 가독화 및 NFSC(National Fire Safety Code, 국가화재안전기준) 규칙의 자동 판정과 배치 연계가 상대적으로 미흡한 것으로 나타났다. 본 연구는 BIM에 의존하지 않고 2차원 CAD(Computer-Aided Design)와 다양한 문서로부터 문서·표 OCR, 객체 인식, 공간 경계 복원, NFSC 제약식 추론, 설비 자동 배치와 배선을 통합한 엔드투엔드 파이프라인을 제시하며, NFSC 조항을 제약식과 규칙 세트로 정형화하여 규정 적합성 판정을 CAD 산출로 직접 연결함으로써 실무 적용성을 확보하고자 하였다.
1.2. 연구 범위
본 연구는 ML 기반 소방설비 자동 배치 알고리즘을 제안하고, NFSC 충족 여부를 검증하는 것을 연구 범위로 설정하였다. 이를 위해 건축개요표와 도면 주석을 광학문자판독(Optical Character Recognition, OCR)으로 해석하여 용도·연면적·층고 등 설계 제약을 구조화하였다. 벽체, 기둥, 보, 직통계단, 승강기, 출입구 등 핵심 요소는 합성곱신경망(Convolutional Neural Network, CNN) 기반 객체 검출과 OpenCV 기반 형태·기하 분석으로 인식하였으며, 실·출입부 등 연결성 해석을 통해 공간 조건을 파악하였다. 이후 NFSC의 커버리지·이격·접근성 규칙을 제약식으로 모델링하여 스프링클러 및 감지기의 배치안을 자동 생성·검증하였다. 생성 결과는 좌표·속성·레이어 체계로 정규화한 후 응용프로그램 인터페이스(Application Programming Interface, API)를 통해 AutoCAD에 자동 작성하였다. 성능 평가는 인식 성능과 배치 성능 지표를 통해 수행하였다. 본 연구의 범위에는 기본·실시설계 수준의 2차원 자동 배치와 AutoCAD 자동화가 포함되며, 상세 유압 계산, 시공도면 수준의 3차원 전수 충돌 검토, 해외 법규의 전면 대응은 제외하였다.
2. 연구 방법
2.1. ML 및 라이브러리 선정
본 연구는 두 축을 중심으로 도구를 선정하였으며 이는 Table 1과 같다. 첫째, 건축개요 표와 주석에서 설계 제약을 안정적으로 추출하기 위해 OpenCV를 사용해 이진화와 형태학적 연산으로 표의 선을 강화하고 선 검출과 교차점 분석으로 격자와 셀 경계를 복원한 뒤, OCR로 텍스트를 인식하여 용도, 연면적, 층수, 층고를 key value 형태로 표준화하였다. 셀 구조가 불완전한 표본은 문자 영역을 우선 검출한 다음 인식 결과를 정규 표현과 사전 매핑으로 보정해 누락과 오인식을 줄였다(Yeon et al., 2023). 둘째, 도면 상 핵심 요소를 일관되게 식별하기 위해 YOLO v4 기반 CNN 객체 검출을 채택하여 문, 기둥, 보, 직통계단, 승강기, 출입구를 탐지하고, 탐지 결과는 OpenCV로 실 경계를 복원하고 거리와 이격을 계산할 수 있도록 좌표와 속성 단위로 정리하였다. 규정 적용은 NFSC의 커버리지, 최소 이격, 접근성, 면제와 완화 조건을 JSON 규칙셋으로 관리하는 규정 엔진에서 수행하며, 산출 결과는 AutoCAD API와 ObjectARX를 통해 좌표, 레이어, 블록과 심볼로 자동 배치되도록 구성하였다. 배선이 요구되는 경우에는 발신기와 감지기 간 연결을 최단 경로 원칙으로 계산하여 경로 비용을 산정하고 도면에 반영하였다(Nam, Jun, & Choi, 2022).
Table 1.
Development Environment and Used Libraries
2.2. NFSC 규정 기반 모듈 설계
모든 설비 모듈은 NFSC 규정을 설치 기준과 면제 기준으로 구조화한 규칙셋에 연결되며, 층과 실 단위의 건축개요와 도면 인식 결과를 동일 형식으로 받아 판정값을 산출하도록 설계하였다. 입력은 OpenCV와 OCR로 정규화한 용도, 연면적, 층수, 층고와 YOLO v4로 검출한 문과 기둥 등 구조 정보를 포함한다. 모듈 공통 절차는 설치 기준을 먼저 적용해 설치 요구 여부를 결정하고, 동일 입력을 면제 기준에 재적용하여 해당 시 상태를 면제로 재분류하는 순서로 이루어지며 이는 Figure 2와 같다(Nam et al., 2022). 판정이 모호한 경계값이나 인식 신뢰도가 낮은 항목은 보완 필요로 남겨 다음 단계에서 추가 검토가 가능하도록 한다. 스프링클러 모듈은 설치 불가 영역을 선제적으로 제외한 뒤 대상 실을 확정하고, 헤드 커버리지와 벽 이격 등 핵심 기준을 점검하여 설치 여부를 결정한다. 자동화재탐지설비 모듈은 설치 범위와 좌표계를 확정한 후 감지기 배치 요건을 평가하고, 기둥과의 중첩을 검사해 회피 또는 제외로 처리한다. 인명구조기구, 상수도 소화용수설비, 연결송수관설비 등 다른 모듈도 동일한 입력과 판정 절차를 사용하되 적용 범위와 임계값을 각 규정에 맞게 설정한다(Kim, Ko, & Choi, 2025). 최종 판정은 설치 대상, 면제, 보완 필요로 요약되어 근거 변수와 함께 기록되며, AutoCAD API와 ObjectARX를 통해 도면 객체 생성 단계로 전달되고 다음 절의 자동 배치·배관·배선으로 연계된다.
2.3. 소방설비 자동화 알고리즘 프로세스
Figure 3은 본 연구의 설비 결정 절차를 요약하여 제시하였다. 먼저 층별 면적과 주 용도, 층수와 층고, 연면적 등 건축개요를 추출한 뒤 좌표계와 스케일을 표준화하였고, 표와 주석에서 얻은 수치와 기호는 단위와 표기를 일관되게 정비하였다. OCR 신뢰도가 낮은 항목은 사전 규칙과 대체 후보를 적용하여 보정하였으며, 실 단위와 층 단위, 건물 단위의 키 값을 구성하였다. 이어 NFSC의 설치 조건과 면제 및 완화 조건을 규칙셋으로 불러와 변수에 매핑하고, 공간 단위와 층 단위, 건물 단위로 적용 범위를 구분하여 판정을 수행하였다. 설비별 판정은 먼저 설치 기준 충족 여부를 평가하여 충족 시 설치 대상으로 표시하고, 동일 입력을 면제 기준에 재적용하여 해당할 경우 상태를 면제로 재분류하였다. 규칙이 충돌하는 경우에는 면제와 금지를 최우선으로 적용하고, 다음으로 커버리지, 이후 최소 이격, 마지막으로 효율에 관한 판단 순서로 조정하였다. 이러한 우선순위는 NFSC의 법령 체계와 안전 여유를 보수적으로 확보하려는 설계 원칙을 반영한다. 금지와 면제는 법적 강제력이 높으므로 단락 평가의 선행 조건으로 두었고, 커버리지는 법정 최소 기준 충족 여부를 가르는 핵심 판단이므로 이격과 효율보다 앞섰다. 최소 이격은 물리적 설치 가능성과 오작동 위험을 지배하므로 효율보다 선행하였다. 경계값이나 중복 규정이 동시에 성립하는 경우에는 상위 규정과 특수 규정을 우선 적용하고, 보수적 판정을 통해 이격 위반 가능 해를 배제한 뒤 커버리지 보완으로 수렴시키도록 하였다. 자료의 불확실이 남는 경우에는 보완 필요로 표시하여 후속 단계에서 커버리지 보완이나 이격 재검토로 연결하였다. 모든 판정에는 사용된 변수와 규칙 식별자, 판정 시점과 규칙셋 버전을 병기하여 추적성과 재현성을 확보하였으며, 최종 결과는 설비와 층 기준의 요약 목록으로 정리되어 사용자 화면에 제시되고 배치와 배선, 도면 자동 작성의 입력으로 전달되었다. 체크리스트 대조 결과에서 정상 출력이 약 97 퍼센트를 기록하였고 반복 실행에서도 좌표와 연결이 동일하게 재현되어, 본 우선순위와 충돌 해소 절차가 동일 입력에서 일관되게 수렴함을 확인하였다(Choi et al., 2024).
2.4. ML 성능평가 방법
본 연구의 평가는 입력 인식과 객체 인식의 두 범주로 구성하였다. 모든 평가는 동일한 전처리와 운영 환경을 유지하여 비교 가능성을 확보하였다. OCR은 Connectionist Temporal Classification(CTC) 손실을 사용하여 학습하였으며 학습 목표 함수는 식 1, 2와 같다(JaidedAI, 2024). 학습 중 평가는 검증 세트에서의 문자 인식률로 수행하였으며 문자 인식률은 모델이 출력한 최종 문자열이 정답 문자열과 완전히 일치하는 항목의 비율로 정의하였다. 평가는 미니배치 단위로 집계하고 에폭별 평균을 기록하였으며 최고 인식률을 달성한 시점의 체크포인트를 최종 모델로 채택하였다.
여기서 는 CTC 손실 함수, 는 입력 시퀀스, 는 목표 라벨 시퀀스, 는 가능한 출력 시퀀스의 집합, 는 모델이 산출한 조건부 확률, 는 시각 의 소프트맥스 출력 확률이며, 는 시퀀스 길이를 뜻한다.
표 구조 성능 평가는 Accuracy, Precision, Recall과 F1 Score 그리고 Intersection over Union(IoU)을 통해 수행하였으며, 지표 정의는 식 3–7과 같다(Sokolova & Lapalme, 2009; Everingham, Van Gool, Williams, Winn, & Zisserman, 2010). 동일 표본에서 격자 복원이 어려운 경우에는 텍스트 영역 기반 절차로 분기하여 두 절차의 성능 차이를 비교하였다.
여기서 는 실제 양성을 양성으로 정확하게 분류한 경우, 은 실제 음성을 음성으로 정확하게 분류한 경우, 는 실제 음성을 양성으로 잘못 분류한 경우 그리고 은 실제 양성을 음성으로 잘못 분류한 경우를 뜻한다.
여기서 는 ground truth 영역, 는 predicted 영역을 뜻한다.
YOLO v4는 AlexeyAB Darknet의 공개 YOLOv4 설정을 기본으로 하였고, 주요 하이퍼파라미터는 Table 2와 같다(Bochkovskiy, Wang, & Liao, 2020). 객체 인식의 학습 데이터셋은 보유 중인 실제 건축 설계도면으로부터 추출한 이미지 조각으로 구성하였다. 라벨 체계는 문의 도면표기 두 유형(쌍여닫이, 외여닫이)과 기둥의 구조·형상에 따른 여섯 유형(SRC, RC, CFT 원형/각형, H형강 등)으로 총 8종을 정의하였고, 바운딩 박스는 기호 전체를 포괄하도록 주변 여유를 두어 지정하였다. 전체 표본 수는 1,000장 이상이며, 프로젝트·스케일·선 굵기 편차를 반영하도록 다양한 도면에서 균형 있게 수집하였다. 검증은 동일 도면군에서 탐색 영역을 무작위로 선정하여 라벨별 인식 신뢰도를 100회 반복 측정하고, 각 라벨에 대해 최댓값·최솟값·평균값을 보고하였다. 예시 검출 화면과 함께 경계구역 산정(문 인식)과 기둥 회피(배관 ∙ 헤드 배치)의 적용 사례를 부가적으로 확인하였다. 이 평가는 Precision, Recall, mAP(mean Average Precision)처럼 IoU 임계값을 바꾸어 평균을 내는 방식이 아니라, 라벨별 인식 확률의 분포를 반복 검측으로 요약하는 절차를 따랐다(Nam et al., 2022).
Table 2.
YOLO v4 Default Configuration (Bochkovskiy et al., 2020)
| Batch | SD | Input Size | LR | Momentum | Weight Decay | MaxB | Steps | Scales | HSV | RMS | Loss |
| 64 | 8 | 608 × 608 | 0.0013 | 0.949 | 0.0005 | 500500 | 400000, 450000 | 0.1, 0.1 | 0.1, 1.5, 1.5 | 1 | CIoU |
3. 연구결과
3.1. 건축개요 표 인식 성능 평가
표 구조 복원과 문자 인식을 분리하여 평가한 결과를 Table 3과 같다. 평균 정확도는 0.91이며, 표 구조 단계의 정밀도는 0.89, 재현율은 0.99, F1 점수는 0.94로 나타났다. IoU 값은 0.83으로 계산되어 셀 경계의 위치 복원이 전반적으로 정확하게 수행되었음을 확인하였다. Recfall이 특히 높게 나온 이유는 끊긴 격자선과 얇은 선이 포함된 표본에서도 텍스트 영역 기반 절차로 분기해 누락을 최소화했기 때문이며, 정밀도가 상대적으로 낮은 구간은 병합 셀 경계와 치수선이 혼입된 사례에서 오탐이 발생한 것이 주요 원인으로 판단된다. 문자 인식 정확도는 항목별 값의 완전 일치 비율로 산정하였으며 평균은 0.91로 측정되었다. 단위와 자리점과 공백을 통일하는 정규화 규칙을 적용하면 연면적과 층수처럼 숫자 중심 항목의 불일치가 유의하게 감소하였다. Figure 4는 대표 표본의 처리 과정을 보여준다. 왼쪽 패널은 원본 스캔과 복원된 격자선 비교 예시로, 단절된 선분과 병합 셀을 포함한 상황에서도 셀 경계가 재구성되는 모습을 확인할 수 있다. 오른쪽 패널은 검출된 텍스트 박스 좌표와 인식 문자열, 신뢰도 출력이 정리된 사례로, 항목과 값이 정규화된 뒤 키 값으로 매칭되는 과정을 나타낸다. 이러한 결과는 격자 기반 절차와 텍스트 영역 기반 절차의 결합이 표 구조 복원과 항목값 추출의 안정성을 우수한 것으로 나타났다.
Table 3.
Table Recognition Results (Choi et al., 2024)
3.2. 자동화재탐지설비 배치 및 배선 동작 성능
YOLO v4의 학습 검증은 동일 도면군을 대상으로 문과 기둥에 대해 진행하였다. 검증은 무작위 백 회의 검측으로 수행하고, 각 검측의 인식 확률을 최대값과 최소값과 평균값으로 요약하였다. 문의 평균 인식 확률은 각각 0.89와 0.89로 보고되었고, 기둥은 평균이 0.86에서 0.93 사이로 나타났다(Nam et al., 2022). 본 연구에서는 이 검출 결과를 자동 소방설비 모듈의 입력으로 연동하여 규정 판정의 일관성과 배치와 배선 결과의 안정성을 중점적으로 분석하였다. 먼저 기둥 검출을 기반으로 설치 불가 영역을 선제적으로 마스킹하여 스프링클러 배치에서 최소 이격 위반이 감소하고, 코너와 협소 공간의 커버리지 누락은 보완 헤드 추가를 통해 신속히 해소하였다. 문 검출과 실 경계 복원을 결합하면 설치 대상 실의 누락과 과다 지정이 줄어들었다. 자동화재탐지설비의 경우 균등 초기 배치 후 기둥 중첩 해소와 금지 구역 반영 단계에서 이동 구간이 좁혀졌고, 발신기 기준 최단 경로 배선을 적용하면 교차와 루프 발생이 감소하였으며 동일 입력을 반복 실행할 때 좌표와 연결 순서가 동일하게 재현되어 모듈 동작의 반복 가능성이 확인되었다. 이러한 결과는 검출 신뢰도가 높은 문과 기둥 클래스가 후속 규정 평가와 AutoCAD 산출까지의 전 과정을 견인한다는 점을 보여주며 Figure 5는 설치 범위 지정에서 최단 경로 배선 확정까지의 단계별 결과를 나타낸다.
3.3. 스프링클러 배치 알고리즘의 규정 적합성
설비 결정 결과는 NFSC에 근거한 체크리스트로 항목 단위 대조하였다. 스프링클러는 NFSC 103, 자동화재탐지설비는 NFSC 203, 인명구조기구는 NFSC 302, 연결송수관설비는 NFSC 502의 조와 항(National Fire Agency, n.d)을 정리하고 층·실별 입력 변수에 대응되는 요구 조건을 규칙셋으로 호출하였다. 각 실에 대해 설치 기준을 먼저 적용한 뒤 같은 입력을 면제와 완화 조건에 재대입하여 상태를 재분류하고, 사용된 변수 값과 조항 식별자를 함께 기록하였다. 도면 확인은 AutoCAD 산출물의 레이어와 블록과 주석을 수집해 계산값과 배치 결과를 직접 대조하는 방식으로 수행하였다. Figure 6은 본 연구에서 개발된 자동설계 알고리즘 및 모듈을 AutoCAD API에 탑재 및 인터페이스를 나타낸다. Table 4는 모듈별 항목과 적합 결과를 나타내며 정량적으로는 전체 시험에서 정상 출력 4,914건, 부적합 126건으로 집계되어 신뢰성 약 97%, 실행 및 설계 오류 5% 미만을 유지하였다. 모듈별 적합성은 스프링클러가 24개 중 22개 적합, 자동화재탐지설비가 17개 중 16개 적합, 인명구조기구가 6개 전부 적합, 연결송수관설비가 12개 중 11개 적합으로 나타났다. 스프링클러는 요구 개수, 헤드 간격, 벽·기둥·개구부 이격, 금지 구역 침범, 유효 반경 기반 커버리지를 확인하였고, 자동화재탐지설비는 설치 범위, 균등 배치, 기둥 중첩 해소, 발신기 기준 배선의 길이와 꺾임 수와 장애물 회피를 점검하였다. 실 경계가 폐합되고 문과 기둥 인식이 안정적일 때 적합 판정이 높았으며, 불규칙 실과 혼합 용도, 스케일·선 굵기 편차가 큰 도면에서는 보완 필요 사례가 증가했다. 충돌은 면제와 금지를 우선하고 다음으로 커버리지, 그 다음 최소 이격, 마지막으로 효율을 적용하면 동일 입력에서 일관되게 수렴하였다.
Figure 6.
AutoCAD API–Based Interface for the Automated Fire-Protection Design Algorithm and Modules (Choi et al., 2024).
Table 4.
NFSC Compliance by Module (Choi et al., 2024)
4. 결 론
본 연구는 ML을 활용하여 건축물 화재 소방설비의 자동 설계 엔지니어링 알고리즘을 구현하였다. 건축도면의 건축개요 표는 OpenCV와 OCR로 인식하여 용도, 연면적, 층수, 층고 등 핵심 변수를 정규화하고, 도면상의 문과 기둥은 YOLO v4로 검출하여 공간 경계와 장애 요소를 추출하였다. 이렇게 정리한 입력값을 NFSC 기반 규칙셋에 대입해 스프링클러와 자동화재탐지설비 등의 설치 대상과 면제 여부를 판정하고, 모듈별 배치와 배선 결과를 산출하였다. 동일 입력에 대한 결과 재현성을 확보하기 위해 전 과정의 변수와 판정 근거를 기록하였다. 주요 결과는 다음과 같다.
1. 건축개요 표와 주석 인식은 표 구조 복원과 문자 인식을 분리해 평가한 결과 평균 정확도 0.91, 정밀도 0.89, 재현율 0.99, F1 0.94, 교집합 대비 합집합 0.83을 얻었다. 격자 단절 표본에서는 텍스트 영역 기반 절차로 분기하고 단위와 표기를 정규화하여 항목값 불일치를 유의하게 줄였다.
2. 도면 객체 인식은 동일 도면군에서 문과 기둥을 대상으로 무작위 백 회 검측을 수행한 결과 문의 평균 인식 확률은 각각 0.89와 0.89, 기둥은 0.86에서 0.93 범위를 보였다. 이 검출 결과를 입력으로 연동한 자동화재탐지설비 배치와 배선은 기둥 중첩 해소와 금지 구역 반영으로 커버리지 누락과 경로 교차를 줄였고, 동일 입력 반복 시 좌표와 연결 순서가 일관되게 재현되었다.
3. 설비결정 결과는 NFSC 기반 체크리스트로 항목 단위 대조한 결과 정상 출력 4,914건, 부적합 126건으로 신뢰성 약 97%, 실행 및 설계 오류 5% 미만을 확인하였다. 스프링클러는 24개 중 22개 적합, 자동화재탐지설비는 17개 중 16개 적합, 인명구조기구는 6개 전 항목 적합, 연결송수관설비는 12개 중 11개 적합으로 요약되었다. 규칙 충돌은 면제와 금지를 우선하고 다음으로 커버리지, 그 다음 최소 이격, 마지막으로 효율의 순서로 조정할 때 동일 입력에서 판정이 안정적으로 수렴하였다.
