Under the Skin - Determining Electrical Appliances from Surface 3D Scans

New computational methods provide means to deduce semantic information from
measurements, such as range scans and photographs of building interiors. In this paper, we
showcase a method that allows to estimate elements that are not directly observable – ducts
and power lines in walls. For this, we combine information, which is deducted by algorithms
from the raw data, with implicit information that is publicly available: technical standards that
restrict the placement of powerlines. These requirements define preferred installation zones,
which are represented by a rule‐based system in the proposed approach.
The approach is structured into the following steps: First, a coarse geometry is extracted from
input measurements; i.e. the unstructured, laser‐scanned point cloud is transformed into a
simplistic building model. Then, visible endpoints of electrical appliances (e.g. sockets,
switches) are detected from picture information using machine learning techniques and a pre-trained classifier. Afterwards, the positions of installation zones in walls are generated using the rule‐based system mentioned above. Finally, a hypothesis of non‐visible cable ducts is generated, under the assumption that (i) the real configuration obeys the rules of legal requirements and standards and (ii) the configuration connects all endpoints using as little as possible resources, i.e. cable length. Results of a first automatic pipeline are discussed.