Update function convert image to 3D and 2D

Berdasarkan hasil implementasi yang sudah dilakukan, saat ini sistem memang sudah mampu mengonversi image floor plan menjadi floor plan berbasis web. Namun masih terdapat beberapa kendala utama, terutama pada akurasi deteksi struktur bangunan.

Kondisi Saat Ini

• Proses konversi floor plan image → web floor plan sudah berjalan.

• Dinding (wall) sudah berhasil terdeteksi dan divisualisasikan.

• Namun hasil wall masih terlihat mepet, menempel, atau tidak presisi terhadap posisi sebenarnya pada blueprint.

• Akurasi bentuk ruangan dan ketebalan dinding masih belum mencapai 100%.

• Beberapa sudut, junction, dan pertemuan antar dinding masih kurang rapi sehingga layout hasil konversi belum sepenuhnya sama dengan gambar sumber.

Analisis Penyebab

Dari repository yang digunakan:

• FloorPlanTo3D-API

• FloorPlanTo3D-unityClient

sistem menggunakan pendekatan Mask R-CNN untuk mendeteksi objek floor plan seperti wall, door, dan window. (GitHub)

Kendala yang umum terjadi pada pendekatan ini:

1. Mask hasil segmentasi tidak selalu menghasilkan garis dinding yang presisi.

2. Ketebalan wall pada blueprint berbeda-beda sehingga bounding mask sering bergeser.

3. Junction antar wall (L, T, dan Cross Intersection) sulit direkonstruksi secara akurat.

4. Blueprint dengan style berbeda menghasilkan kualitas deteksi yang berbeda.

5. Hasil segmentasi masih berupa pixel mask sehingga belum menjadi struktur geometris yang bersih.

Rekomendasi Perbaikan (Fase 1.1)

Sebelum masuk ke furniture atau object recognition lanjutan, sebaiknya fokus pada peningkatan akurasi wall reconstruction.

1. Tambahkan Wall Post-Processing

Setelah Mask R-CNN mendeteksi wall:

Mask Detection
      ↓
Morphological Cleanup
      ↓
Contour Extraction
      ↓
Centerline Detection
      ↓
Wall Reconstruction
      ↓
Generate JSON Floor Plan

Tujuannya:

• Membersihkan noise.

• Menyatukan wall yang terputus.

• Merapikan sudut pertemuan dinding.

• Menghasilkan garis centerline yang konsisten.

2. Gunakan Wall Centerline

Daripada menggunakan area mask secara langsung:

Detected Wall Area
      ↓
Skeletonization
      ↓
Centerline
      ↓
Generate Wall Geometry

Dengan pendekatan ini:

• Ketebalan wall bisa dibuat konsisten.

• Sudut ruangan lebih presisi.

• Layout lebih mendekati CAD.

Repository hasil fork yang lebih advanced bahkan sudah menambahkan:

• Wall centerline analysis

• Wall thickness profiling

• Junction detection

• Real-world measurement conversion

(GitHub)

3. Simpan Hasil Sebagai Data Geometri

Daripada menyimpan hasil sebagai image overlay:

{
  "walls": [
    {
      "start": [100, 50],
      "end": [400, 50],
      "thickness": 20
    }
  ]
}

Kemudian render menggunakan:

• Three.js

• Blueprint3D

• Architect3D

Pendekatan ini jauh lebih akurat dibanding render berdasarkan bitmap.

Referensi engine:

• Blueprint3D / Architect3D (GitHub)

Prioritas Berikutnya

Urutan yang disarankan:

Tahap 1

• Wall Detection

• Wall Centerline Extraction

• Wall Thickness Calculation

• Room Boundary Generation

Target:

• Akurasi struktur ≥ 90%

Tahap 2

• Door Detection

• Window Detection

• Door Orientation

• Window Orientation

Target:

• Posisi pintu dan jendela sesuai blueprint

Tahap 3

• Symbol Detection

• Furniture Detection

• CAD Symbol Mapping

• 3D Object Generation

Tahap 4

• Drag & Drop Furniture

• Interior Editing

• Real-time 3D Preview

Kesimpulan

Saat ini bottleneck utama bukan lagi proses image-to-floorplan, melainkan akurasi rekonstruksi dinding (wall reconstruction). Fokus pengembangan berikutnya sebaiknya pada:

1. Wall centerline extraction.

2. Junction detection (L, T, Cross).

3. Wall thickness normalization.

4. Konversi hasil deteksi menjadi data geometri (JSON) daripada langsung menggunakan mask image.

Jika keempat area tersebut sudah stabil, maka akurasi floor plan web akan jauh lebih mendekati blueprint asli dan siap menjadi fondasi untuk deteksi pintu, jendela, serta fitur drag-and-drop furniture pada fase berikutnya.