Skip to content

README.md

Latest commit

 

History

History
117 lines (101 loc) · 6.62 KB

README.md

File metadata and controls

117 lines (101 loc) · 6.62 KB

Insideout AI Service

실내 도면 이미지를 AI로 분석하여 노드, 엣지, POI 후보를 추출하는 FastAPI 서버입니다. 백엔드(Spring Boot)로부터 분석 요청을 받아 결과를 JSON으로 반환합니다.

👥 팀원 소개 (Contributors)

Insideout 프로젝트를 이끈 양양양말을 소개합니다.

차승은 이민지 김민준 김세현




🔹 Hybrid Navigation
사용자 웹 - BE, FE		 🔹 Auth, Search, Infra
사용자 웹 - BE, FE		 🔹 AI Map Builder
관리자 웹 - AI, FE		 🔹 Map Editor
관리자 웹 - BE, FE

🛠 기술 스택

Core

AI / CV

Validation

🤖 AI 서비스 핵심 역할 (Core Responsibilities)

1. 실내 도면 이미지 분석

실내 도면 이미지를 입력받아 벽, 공간, 복도(통행로), 출입구, 상점명 등 주요 객체를 자동으로 인식합니다. 도면의 해상도와 표기 방식이 달라도 최대한 일관된 분석 결과를 얻을 수 있도록 전처리와 후처리 과정을 함께 적용했습니다.

  • 도면 이미지 전처리
  • 객체 탐지 및 구조물 추출
  • 텍스트 OCR 인식
  • 분석 결과 JSON 반환

2. 노드, 엣지, POI 후보 추출

AI 분석 결과를 기반으로 관리자 웹에서 사용할 수 있는 길찾기 후보 데이터를 생성합니다. 단순 이미지 인식이 아니라, 실제 실내 경로 그래프 구축에 필요한 구조로 데이터를 정리합니다.

  • POI 후보 추출
  • 노드 후보 추출
  • 엣지 후보 추출
  • 관리자 편집용 초안 데이터 생성

3. 관리자 웹 초기 데이터 공급

AI가 만든 초안은 그대로 운영 데이터로 쓰지 않고, 백엔드와 관리자 웹의 맵 에디터가 활용할 수 있도록 전달됩니다. 관리자는 이 결과를 검토하고 수정한 뒤 최종 배포할 수 있습니다.

  • Draft 초기화용 데이터 제공
  • 맵 에디터 연동용 응답 포맷 통일
  • 텍스트, 오브젝트, POI, 노드/엣지 결과 분리 반환

4. 캠퍼스 및 건물 도면 분석

실내 도면뿐 아니라 단지 또는 캠퍼스 형태의 이미지 분석도 지원하여, 건물 단위와 캠퍼스 단위의 초기 맵 구축을 보조합니다.

  • 건물 도면 분석
  • 캠퍼스 지도 분석
  • 분석 타입별 결과 분기 처리

🔄 AI 분석 흐름 (Data Flow)

flowchart LR
    A["도면 이미지 업로드"] --> B["이미지 전처리"]
    B --> C["객체 탐지"]
    B --> D["OCR 텍스트 추출"]
    C --> E["노드/엣지/POI 후보 생성"]
    D --> E
    E --> F["결과 정규화"]
    F --> G["JSON 응답 반환"]
    G --> H["Spring Boot 백엔드 저장"]
    H --> I["관리자 웹 맵 에디터 반영"]
Loading

📌 주요 API 명세 요약

Floorplan Analysis API

Method Endpoint Description
POST /api/v1/ai/floorplans/{floorplanId}/analyze 실내 도면 AI 분석 요청
GET /api/v1/ai/floorplans/{floorplanId}/detections 실내 도면 분석 결과 조회

Campus Analysis API

Method Endpoint Description
POST /api/v1/ai/campuses/{campusMapId}/analyze 캠퍼스 지도 AI 분석 요청
GET /api/v1/ai/campuses/{campusMapId}/detections 캠퍼스 지도 분석 결과 조회

🔥 기술적 도전 및 해결 과제 (Technical Challenges)

1. 도면 품질 차이로 인한 분석 결과 불안정성

  • 문제: 도면마다 해상도, 축척, 표기 방식이 달라 동일한 모델을 적용해도 결과가 일관되지 않았습니다.
  • 해결: 전처리 단계에서 이미지 특성을 보정하고, 후처리 단계에서 결과를 정규화하여 관리자 웹에서 활용 가능한 형태로 변환했습니다.

2. 텍스트와 구조물 정보를 함께 다뤄야 하는 문제

  • 문제: 실내 지도는 단순 객체 탐지뿐 아니라 매장명, 층수, 출입구 표시 같은 텍스트 정보도 중요합니다.
  • 해결: OCR 결과와 객체 탐지 결과를 분리해서 수집한 뒤, 하나의 JSON 구조로 합쳐 맵 에디터 초기 데이터로 사용할 수 있게 했습니다.

3. AI 결과를 운영 데이터로 바로 쓰기 어려운 문제

  • 문제: 탐지 결과에는 오탐이나 누락이 존재할 수 있어 그대로 서비스에 반영하면 경로 오류가 발생할 수 있습니다.
  • 해결: AI 결과를 초안 데이터로만 사용하고, 관리자 웹에서 검토 및 수정 후 배포하는 구조로 설계했습니다.

4. 백엔드와의 응답 구조 정합성 유지

  • 문제: AI 서버가 다양한 분석 타입을 반환하더라도 백엔드가 일관되게 처리할 수 있어야 했습니다.
  • 해결: Pydantic 기반 응답 모델을 사용해 타입별 결과 형식을 통일하고, 백엔드가 안정적으로 저장할 수 있도록 했습니다.