CN112464832A - 一种基于建筑识图和人工智能的数据处理方法及智能设备 - Google Patents

Abstract

本发明的基于建筑识图和人工智能的数据处理方法及智能设备，首先获取多个施工图像数据的施工图像特征，其次根据指定建筑物的建筑物类型和使用类型检测关联图像特征，然后根据施工图像特征和关联图像特征对指定建筑物的建筑结构数据进行关联结构特征提取并处理，得到与指定建筑物相对应的非结构性数据，最后根据非结构性数据对指定建筑物进行识图标记并确定出指定建筑物的识图显示数据。这样可以指示建筑识图设备将识图显示数据进行显示，由于在显示识图显示数据之前进行了识图标记和处理，进而能够将识图显示数据与实际施工场景进行智能化结合，从而在进行识图显示数据显示时能够呈现出动态效果，提高建筑识图设备与使用者的交互程度。

Description

一种基于建筑识图和人工智能的数据处理方法及智能设备

技术领域

本申请涉及建筑识图和人工智能技术领域，具体而言，涉及一种基于建筑识图和人工智能的数据处理方法及智能设备。

背景技术

建筑施工图的识读对于施工技术人员来说是非常重要的。施工技术人员具备足够的专业知识是确保施工过程安全性和高效性的关键。然而常见的建筑识图技术大多基于机械式或者不具有动态效果的图片实现，这样难以实现建筑识图与实际施工场景的智能化结合。

发明内容

本申请的第一个方面公开了一种基于建筑识图和人工智能的数据处理方法，所述方法至少包括以下步骤：

在建筑识图设备中获取指定建筑物在建造过程中的多个施工图像数据，并分别获取所述多个施工图像数据的施工图像特征；

根据所述指定建筑物的建筑物类型和使用类型检测所述多个施工图像数据中的每个施工图像数据的关联图像特征；

根据所述施工图像特征和所述关联图像特征，对所述指定建筑物的建筑结构数据进行关联结构特征提取；对所述指定建筑物的建筑结构数据的关联结构特征进行特征处理，得到所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据；

根据所述非结构性数据对所述指定建筑物进行识图标记，得到所述指定建筑物的识图标记信息，并根据所述识图标记信息确定所述指定建筑物的识图显示数据；基于所述识图显示数据向所述建筑识图设备发送显示指令，以使所述建筑识图设备将所述识图显示数据进行显示。

优选的，根据所述指定建筑物的建筑物类型和使用类型检测所述多个施工图像数据中的每个施工图像数据的关联图像特征，包括：

根据所述指定建筑物的建筑物类型确定所述多个施工图像数据中的图像特征标签集；

根据所述使用类型确定所述多个施工图像数据的图像更新标签集；

将所述多个施工图像数据中的所述图像特征标签集和所述图像更新标签集进行相关性分析，得到标签相关性分析结果；

通过所述标签相关性分析结果，从所述多个施工图像数据中检测出所述关联图像特征。

优选的，根据所述施工图像特征和所述关联图像特征，对所述指定建筑物的建筑结构数据进行关联结构特征提取包括：

根据所述关联图像特征、所述指定建筑物的建筑配置参数集合、每组建筑配置参数对应的施工图像特征、所述指定建筑物的建筑设计图数据，以及所述施工图像数据的施工时段信息，确定所述建筑配置参数集合中每组建筑配置参数相对于建筑识图设备的识图输出信息；

对所述指定建筑物的建筑结构数据对应的至少部分识图输出信息进行特征识别，得到所述指定建筑物的建筑结构数据的关联结构特征。

优选的，对所述指定建筑物的建筑结构数据的关联结构特征进行特征处理，得到所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据，包括：

基于所述多个施工图像数据所对应的施工项目事件，对所述指定建筑物的建筑结构数据的关联结构特征进行特征整合；

对所述特征整合后得到的关联结构特征聚类建立建筑结构特征矩阵；其中，所述建筑结构特征矩阵中，每一个特征矩阵元素的周围i个特征矩阵元素为与该特征矩阵元素的特征余弦距离最小的特征矩阵元素，i为大于1的整数；

从所述指定建筑物的建筑结构数据对应的建筑结构特征矩阵内随机选取一个目标特征矩阵元素，确定所述目标特征矩阵元素与周围j个特征矩阵元素的特征余弦距离，当所述特征余弦距离小于预设相似度时将该目标特征矩阵元素加入到所述关联结构特征的待处理特征矩阵中；其中，j为大于1的整数，所述待处理特征矩阵用于记录关联结构特征对应的目标建筑结构区域的特征矩阵元素，所述目标建筑结构区域为主体建筑结构区域之外的区域；

重复上述随机选取一个目标特征矩阵元素，确定所述目标特征矩阵元素与周围j个特征矩阵元素的特征余弦距离，当所述特征余弦距离小于预设相似度时将该目标特征矩阵元素加入到所述关联结构特征的待处理特征矩阵中的步骤，直至所述关联结构特征的待处理特征矩阵内所有特征矩阵元素均已确定与周围j个特征矩阵元素的特征余弦距离且无新的目标特征矩阵元素加入所述关联结构特征的待处理特征矩阵，得到所述多个施工图像数据中与所述指定建筑物的建筑结构数据的关联结构特征相对应的目标特征矩阵；

基于所述目标特征矩阵，确定所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据。

优选的，基于所述目标特征矩阵，确定所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据，包括：

从所述目标特征矩阵中确定出n组矩阵元素序列，n为正整数；

将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列；

从每组矩阵元素序列包括的至少两组矩阵元素子序列中确定所述指定建筑物对应的建筑物三维模型对应的矩阵元素所处的矩阵元素子序列；

根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据；

根据所述至少一组三维模型特征数据确定所述指定建筑物对应的建筑物三维模型对应的矩阵元素对应的可视化建筑结构数据；

通过所述可视化建筑结构数据对所述多个施工图像数据进行识图标记，得到与所述指定建筑物相对应的非结构性数据；其中，所述非结构性数据为所述指定建筑物在施工时所产生的建筑余料结构数据，至少部分所述非结构性数据在指定建筑物在建筑识图进程的运行过程中不被使用；

其中，所述将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列，包括：按照预先设置的建筑结构指标权重与矩阵元素之间的匹配关系，将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列；或者，通过统计历史矩阵元素序列中的每组矩阵元素子序列的建筑结构指标权重和矩阵元素，确定建筑结构指标权重与矩阵元素之间的匹配关系；根据确定的匹配关系将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列；

其中，根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据，包括：

确定每组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征；

根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，以及每组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据；

其中，所述至少两组矩阵元素子序列包括第一矩阵元素子序列和第二矩阵元素子序列，所述第一矩阵元素子序列的建筑结构指标权重均值高于所述第二矩阵元素子序列的建筑结构指标权重均值；

其中，所述根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，以及每组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据，包括：

当所述指定建筑物对应的建筑物三维模型对应的矩阵元素在所述n组矩阵元素序列包括的m组矩阵元素序列中处于所述第一矩阵元素子序列时，根据所述m组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述m组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中，确定三维模型关联特征的特征识别度最高的指定建筑物对应的建筑物三维模型对应的矩阵元素作为第一候选矩阵元素，m为小于n的正整数；

当所述指定建筑物对应的建筑物三维模型对应的矩阵元素在所述n组矩阵元素序列包括的p组矩阵元素序列中处于所述第二矩阵元素子序列时，根据所述p组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述p组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中，确定三维模型关联特征的特征识别度最高的指定建筑物对应的建筑物三维模型对应的矩阵元素作为第二候选矩阵元素，p为小于n的正整数，且p与m之和等于n；

根据所述第一候选矩阵元素的三维模型关联特征和所述第二候选矩阵元素的三维模型关联特征，从所述第一候选矩阵元素和所述第二候选矩阵元素中确定至少一组三维模型特征数据。

优选的，所述根据所述第一候选矩阵元素的三维模型关联特征和所述第二候选矩阵元素的三维模型关联特征，从所述第一候选矩阵元素和所述第二候选矩阵元素中确定至少一组三维模型特征数据，包括：

确定第一特征匹配率，所述第一特征匹配率为所述第二候选矩阵元素的三维模型关联特征和所述第一候选矩阵元素的三维模型关联特征之间的匹配率；

当所述第一特征匹配率等于预设匹配率时，分别所述第一候选矩阵元素和所述第二候选矩阵元素中确定对应的分段显示信息并整合，得到所述三维模型特征数据；

当所述第一特征匹配率大于预设匹配率时，从所述第二候选矩阵元素中确定所述三维模型特征数据；

当所述第一特征匹配率小于所述预设匹配率时，从所述第一候选矩阵元素中所述三维模型特征数据。

优选的，根据所述非结构性数据对所述指定建筑物进行识图标记，得到所述指定建筑物的识图标记信息，并根据所述识图标记信息确定所述指定建筑物的识图显示数据包括：

获取所述多个施工图像数据中存在施工连续性的施工计划信息的图像特征标签；

获取所述建筑识图设备的识图标记启动线程的线程配置数据，根据所述识图标记启动线程的线程配置数据确定所述图像特征标签对应的识图标记热度信息；

根据所述识图标记信息确定所述存在施工连续性的施工计划信息之间的关联施工信息；

基于所述关联施工信息与所述识图标记热度信息，确定所述指定建筑物相对于所述存在施工连续性的施工计划信息的识图显示数据。

优选的，基于所述关联施工信息与所述识图标记热度信息，确定所述指定建筑物相对于所述存在施工连续性的施工计划信息的识图显示数据，包括：

对从所述关联施工信息中以设定信息提取方式提取的待处理关联施工信息进行信息分类，得到识图标记信息聚类与聚类特征信息；

根据所述识图标记信息聚类与所述聚类特征信息对所述待处理关联施工信息进行使用类型检测，得到使用类型检测结果；

对所述使用类型检测结果中的目标关联施工信息进行识图标记热度分析，得到所述目标关联施工信息的识图标记匹配信息，将所述识图标记匹配信息与所述使用类型检测结果进行匹配，得到匹配结果，并根据所述匹配结果确定所述识图标记热度信息的识图标记反馈信息；

通过所述识图标记反馈信息，确定所述指定建筑物相对于所述存在施工连续性的施工计划信息的识图显示数据；

其中，对从关联施工信息中以设定信息提取方式提取的待处理关联施工信息进行信息分类，得到识图标记信息聚类与聚类特征信息包括：将所述待处理关联施工信息输入预先训练好的信息分类模型中，得到信息分类模型输出的识图标记信息聚类与聚类特征信息；其中，所述设定信息提取方式为按照关联施工信息的时间先后顺序进行提取；

其中，根据所述识图标记信息聚类与所述聚类特征信息对所述待处理关联施工信息进行使用类型检测，得到使用类型检测结果包括：

重复对所述待处理关联施工信息中的当前关联施工信息执行以下操作，以确定所述使用类型检测结果：

分别确定所述当前关联施工信息中每个识图标记信息聚类与上一关联施工信息中所有目标关联施工信息的识图标记信息聚类之间的信息聚类集中度，确定每个所述识图标记信息聚类对应的最大信息聚类集中度；

判断所述最大信息聚类集中度是否大于设定聚类集中度；

在判断结果为是的情况下，基于所述当前关联施工信息中所述最大信息聚类集中度对应的所述识图标记信息聚类确定所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果，根据所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果确定所述目标关联施工信息的所述使用类型检测结果；

在判断结果为否的情况下，判断所述最大信息聚类集中度对应的所述识图标记信息聚类的聚类元素数量是否大于第一设定数量，且所述目标关联施工信息存在的施工动态标签数是否大于第二设定数量；在判断结果为是的情况下，根据所述当前关联施工信息对应的识图标记信息聚类确定所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果；根据所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果确定所述目标关联施工信息的所述使用类型检测结果；在判断结果为否的情况下，根据所述当前关联施工信息对应的识图标记信息聚类确定新的目标关联施工信息，并根据所述新的目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果确定所述使用类型检测结果；

其中，对所述使用类型检测结果中的目标关联施工信息进行识图标记热度分析，得到所述目标关联施工信息的识图标记匹配信息，包括：

从所述目标关联施工信息对应的关联识图标签类别中获取所述指定建筑物所对应的热度识图标签类别，并对所述所述指定建筑物所对应的热度识图标签类别进行识图标记使用分析，得到目标关联识图标签类别；

将所述目标关联识图标签类别在所述指定建筑物对应的应用程序线程中进行加载，得到待处理关联识图标签类别；

将所述待处理关联识图标签类别对应的第一预定数量个行为类别特征确定为待映射特征，并基于所述确定出所述指定建筑物的第二预定数量个线程特征；其中，所述第一预定数量大于所述第二预定数量；

通过线程特征热度分析模型对所述第二预定数量个线程特征进行热度分析，得到所述识图标记匹配信息；

其中，根据所述匹配结果确定所述识图标记热度信息的识图标记反馈信息，包括：

根据所述使用类型检测结果确定目标关联施工信息的施工起始时间、施工结束时间；

根据所述施工起始时间与所述施工结束时间确定所述目标关联施工信息的施工持续时间；

根据所述匹配结果与所述施工起始时间、所述施工结束时间、所述施工持续时间确定所述识图标记热度信息的识图标记反馈信息。

本申请的第二个方面公开了一种智能设备，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行第一个方面所述的方法。

本申请的第三个方面公开了一种计算机可读信号介质，其上存储有计算机程序，所述计算机程序在运行是实现第一个方面所述的方法。

相较于现有技术，本发明实施例提供的基于建筑识图和人工智能的数据处理方法及智能设备具有以下技术效果：首先获取多个施工图像数据的施工图像特征，其次根据指定建筑物的建筑物类型和使用类型检测每个施工图像数据的关联图像特征，然后根据施工图像特征和关联图像特征对指定建筑物的建筑结构数据进行关联结构特征提取并处理，得到与指定建筑物相对应的非结构性数据，最后根据非结构性数据对指定建筑物进行识图标记并确定出指定建筑物的识图显示数据。这样，可以指示建筑识图设备将识图显示数据进行显示，由于在显示识图显示数据之前进行了识图标记和处理，进而能够将识图显示数据与实际施工场景进行智能化结合，从而在进行识图显示数据显示时能够呈现出动态效果，提高建筑识图设备与使用者的交互程度。

在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。

图1是根据本发明的一些实施例所示的一种示例性基于建筑识图和人工智能的数据处理系统的框图。

图2是根据本发明的一些实施例所示的一种示例性智能设备中硬件和软件组成的示意图。

图3是根据本发明的一些实施例所示的一种示例性基于建筑识图和人工智能的数据处理方法和/或过程的流程图。

具体实施方式

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本发明。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本发明的方面。

这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本发明的范围。应当知晓的是，这些附图并不依照比例。

本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中显示。

图1是根据本发明的一些实施例所示的一种示例性基于建筑识图和人工智能的数据处理系统300的框图，基于建筑识图和人工智能的数据处理系统300可以包括智能设备100和建筑识图设备200。

在一些实施例中，如图2所示，智能设备100可以包括处理引擎110、网络模块120和存储器130，处理引擎110和存储器130通过网络模块120通信。

处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，在一些实施例中，处理引擎110可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎110可以包括中央处理单元(Central ProcessingUnit，CPU)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer，RISC)、微处理器等或其任意组合。

网络模块120可以促进信息和/或数据的交换。在一些实施例中，网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网络(Wireless Local Area Network，WLAN)、城域网(Metropolitan Area Network，MAN)、公用电话交换网(Public Telephone SwitchedNetwork，PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络模块120可以包括至少一个网络接入点。例如，网路120可以包括有线或无线网路接入点，如基站和/或网路接入点。

存储器130可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器130用于存储程序，所述处理引擎110在接收到执行指令后，执行所述程序。

可以理解，图2所示的结构仅为示意，智能设备100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。

图3是根据本发明的一些实施例所示的一种示例性基于建筑识图和人工智能的数据处理方法和/或过程的流程图，基于建筑识图和人工智能的数据处理方法应用于图1中的智能设备，具体可以包括以下步骤S11-步骤S14所描述的内容。

步骤S11，在建筑识图设备中获取指定建筑物在建造过程中的多个施工图像数据，并分别获取所述多个施工图像数据的施工图像特征。

步骤S12，根据所述指定建筑物的建筑物类型和使用类型检测所述多个施工图像数据中的每个施工图像数据的关联图像特征。

步骤S13，根据所述施工图像特征和所述关联图像特征，对所述指定建筑物的建筑结构数据进行关联结构特征提取；对所述指定建筑物的建筑结构数据的关联结构特征进行特征处理，得到所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据。

步骤S14，根据所述非结构性数据对所述指定建筑物进行识图标记，得到所述指定建筑物的识图标记信息，并根据所述识图标记信息确定所述指定建筑物的识图显示数据；基于所述识图显示数据向所述建筑识图设备发送显示指令，以使所述建筑识图设备将所述识图显示数据进行显示。

可以理解，通过执行上述步骤S11-步骤S14，首先获取多个施工图像数据的施工图像特征，其次根据指定建筑物的建筑物类型和使用类型检测每个施工图像数据的关联图像特征，然后根据施工图像特征和关联图像特征对指定建筑物的建筑结构数据进行关联结构特征提取并处理，得到与指定建筑物相对应的非结构性数据，最后根据非结构性数据对指定建筑物进行识图标记并确定出指定建筑物的识图显示数据。这样，可以指示建筑识图设备将识图显示数据进行显示，由于在显示识图显示数据之前进行了识图标记和处理，进而能够将识图显示数据与实际施工场景进行智能化结合，从而在进行识图显示数据显示时能够呈现出动态效果，提高建筑识图设备与使用者的交互程度。

在一些示例中，为了确保对关联图像特征的精准检测，避免检测误差给后续信息显示带来的连锁影响，步骤S12所描述的根据所述指定建筑物的建筑物类型和使用类型检测所述多个施工图像数据中的每个施工图像数据的关联图像特征，可以包括以下步骤S121-步骤S124所描述的内容。

步骤S121，根据所述指定建筑物的建筑物类型确定所述多个施工图像数据中的图像特征标签集。

步骤S122，根据所述使用类型确定所述多个施工图像数据的图像更新标签集。

步骤S123，将所述多个施工图像数据中的所述图像特征标签集和所述图像更新标签集进行相关性分析，得到标签相关性分析结果。

步骤S124，通过所述标签相关性分析结果，从所述多个施工图像数据中检测出所述关联图像特征。

在应用上述步骤S121-步骤S124所描述的内容时，能够分别确定出图像特征标签集和图像更新标签集，从而实现对图像特征标签集和图像更新标签集的全局性分析，这样能够确保对关联图像特征的精准检测，避免检测误差给后续信息显示带来的连锁影响。

在一些示例中，为了确保提取到的关联结构特征不会存在信息缺失，步骤S13所描述的根据所述施工图像特征和所述关联图像特征，对所述指定建筑物的建筑结构数据进行关联结构特征提取，进一步可以包括以下步骤S1311和步骤S1312所描述的内容。

步骤S1311，根据所述关联图像特征、所述指定建筑物的建筑配置参数集合、每组建筑配置参数对应的施工图像特征、所述指定建筑物的建筑设计图数据，以及所述施工图像数据的施工时段信息，确定所述建筑配置参数集合中每组建筑配置参数相对于建筑识图设备的识图输出信息。

步骤S1312对所述指定建筑物的建筑结构数据对应的至少部分识图输出信息进行特征识别，得到所述指定建筑物的建筑结构数据的关联结构特征。

这样一来，基于上述步骤S1311和步骤S1312，能够基于识图输出信息确保提取到的关联结构特征不会存在信息缺失。

在实际实施时，在步骤S13中，对所述指定建筑物的建筑结构数据的关联结构特征进行特征处理，得到所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据，示例性地可以包括以下步骤步骤S1321-步骤S1325所描述的内容。

步骤S1321，基于所述多个施工图像数据所对应的施工项目事件，对所述指定建筑物的建筑结构数据的关联结构特征进行特征整合。

步骤S1322，对所述特征整合后得到的关联结构特征聚类建立建筑结构特征矩阵。

例如，所述建筑结构特征矩阵中，每一个特征矩阵元素的周围i个特征矩阵元素为与该特征矩阵元素的特征余弦距离最小的特征矩阵元素，i为大于1的整数，特征矩阵元素可以理解为不同的关联结构特征聚类。

步骤S1323，从所述指定建筑物的建筑结构数据对应的建筑结构特征矩阵内随机选取一个目标特征矩阵元素，确定所述目标特征矩阵元素与周围j个特征矩阵元素的特征余弦距离，当所述特征余弦距离小于预设相似度时将该目标特征矩阵元素加入到所述关联结构特征的待处理特征矩阵中。

例如，j为大于1的整数，所述待处理特征矩阵用于记录关联结构特征对应的目标建筑结构区域的特征矩阵元素，所述目标建筑结构区域为主体建筑结构区域之外的区域。

步骤S1324，重复上述随机选取一个目标特征矩阵元素，确定所述目标特征矩阵元素与周围j个特征矩阵元素的特征余弦距离，当所述特征余弦距离小于预设相似度时将该目标特征矩阵元素加入到所述关联结构特征的待处理特征矩阵中的步骤，直至所述关联结构特征的待处理特征矩阵内所有特征矩阵元素均已确定与周围j个特征矩阵元素的特征余弦距离且无新的目标特征矩阵元素加入所述关联结构特征的待处理特征矩阵，得到所述多个施工图像数据中与所述指定建筑物的建筑结构数据的关联结构特征相对应的目标特征矩阵。

步骤S1325，基于所述目标特征矩阵，确定所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据。

进一步地，步骤S1325所描述的基于所述目标特征矩阵，确定所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据，进一步包括以下步骤S13251-步骤S13256所描述的内容。

步骤S13251，从所述目标特征矩阵中确定出n组矩阵元素序列，n为正整数。

步骤S13252，将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列。

步骤S13253，从每组矩阵元素序列包括的至少两组矩阵元素子序列中确定所述指定建筑物对应的建筑物三维模型对应的矩阵元素所处的矩阵元素子序列。

步骤S13254，根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据。

步骤S13255，根据所述至少一组三维模型特征数据确定所述指定建筑物对应的建筑物三维模型对应的矩阵元素对应的可视化建筑结构数据。

步骤S13256，通过所述可视化建筑结构数据对所述多个施工图像数据进行识图标记，得到与所述指定建筑物相对应的非结构性数据。

更进一步地，步骤S13252所描述的将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列，包括：按照预先设置的建筑结构指标权重与矩阵元素之间的匹配关系，将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列；或者，通过统计历史矩阵元素序列中的每组矩阵元素子序列的建筑结构指标权重和矩阵元素，确定建筑结构指标权重与矩阵元素之间的匹配关系；根据确定的匹配关系将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列。

更进一步地，步骤S13254所描述的根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据，包括：确定每组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征；根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，以及每组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据。

在上述实施例中，所述至少两组矩阵元素子序列包括第一矩阵元素子序列和第二矩阵元素子序列，所述第一矩阵元素子序列的建筑结构指标权重均值高于所述第二矩阵元素子序列的建筑结构指标权重均值。

在上述实施例中，根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，以及每组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据，可以包括以下步骤S21-步骤S23所描述的内容。

步骤S21，当所述指定建筑物对应的建筑物三维模型对应的矩阵元素在所述n组矩阵元素序列包括的m组矩阵元素序列中处于所述第一矩阵元素子序列时，根据所述m组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述m组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中，确定三维模型关联特征的特征识别度最高的指定建筑物对应的建筑物三维模型对应的矩阵元素作为第一候选矩阵元素，m为小于n的正整数。

步骤S22，当所述指定建筑物对应的建筑物三维模型对应的矩阵元素在所述n组矩阵元素序列包括的p组矩阵元素序列中处于所述第二矩阵元素子序列时，根据所述p组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述p组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中，确定三维模型关联特征的特征识别度最高的指定建筑物对应的建筑物三维模型对应的矩阵元素作为第二候选矩阵元素，p为小于n的正整数，且p与m之和等于n。

步骤S23，根据所述第一候选矩阵元素的三维模型关联特征和所述第二候选矩阵元素的三维模型关联特征，从所述第一候选矩阵元素和所述第二候选矩阵元素中确定至少一组三维模型特征数据。

如此，通过执行上述步骤S21-步骤S23，能够确保三维模型特征数据能够与指定建筑物的实际显示状态相匹配。

在上述基础上，步骤S23所描述的根据所述第一候选矩阵元素的三维模型关联特征和所述第二候选矩阵元素的三维模型关联特征，从所述第一候选矩阵元素和所述第二候选矩阵元素中确定至少一组三维模型特征数据，进一步可以包括以下步骤S231-步骤S234所描述的内容。

步骤S231，确定第一特征匹配率，所述第一特征匹配率为所述第二候选矩阵元素的三维模型关联特征和所述第一候选矩阵元素的三维模型关联特征之间的匹配率。

步骤S232，当所述第一特征匹配率等于预设匹配率时，分别所述第一候选矩阵元素和所述第二候选矩阵元素中确定对应的分段显示信息并整合，得到所述三维模型特征数据。

步骤S233，当所述第一特征匹配率大于预设匹配率时，从所述第二候选矩阵元素中确定所述三维模型特征数据。

步骤S234，当所述第一特征匹配率小于所述预设匹配率时，从所述第一候选矩阵元素中所述三维模型特征数据。

这样一来，通过执行上述步骤S231-步骤S234，能够基于第一特征匹配率与预设匹配率的大小比较关系，灵活地确定三维模型特征数据，从而确保三维模型特征数据能够与指定建筑物的实际显示状态相匹配。

在实际实施过程中，为了确保识图标记的时效性和准确性，在步骤S14中，根据所述非结构性数据对所述指定建筑物进行识图标记，得到所述指定建筑物的识图标记信息，并根据所述识图标记信息确定所述指定建筑物的识图显示数据，进一步可以包括以下步骤S141-步骤S144所描述的内容。

步骤S141，获取所述多个施工图像数据中存在施工连续性的施工计划信息的图像特征标签。

步骤S142，获取所述建筑识图设备的识图标记启动线程的线程配置数据，根据所述识图标记启动线程的线程配置数据确定所述图像特征标签对应的识图标记热度信息。

步骤S143，根据所述识图标记信息确定所述存在施工连续性的施工计划信息之间的关联施工信息。

步骤S144，基于所述关联施工信息与所述识图标记热度信息，确定所述指定建筑物相对于所述存在施工连续性的施工计划信息的识图显示数据。

如此，基于上述步骤S141-步骤S144，能够基于关联施工信息与识图标记热度信息确定指定建筑物相对于存在施工连续性的施工计划信息的识图显示数据，进而确保识图标记的时效性和准确性。

在上述基础上，步骤S144所描述的基于所述关联施工信息与所述识图标记热度信息，确定所述指定建筑物相对于所述存在施工连续性的施工计划信息的识图显示数据，可以包括以下步骤S1441-步骤S1444所描述的内容。

步骤S1441，对从所述关联施工信息中以设定信息提取方式提取的待处理关联施工信息进行信息分类，得到识图标记信息聚类与聚类特征信息。

例如，识图标记信息聚类包括不同的待处理关联施工信息，聚类特征信息用于区分不同的识图标记信息聚类。

步骤S1442，根据所述识图标记信息聚类与所述聚类特征信息对所述待处理关联施工信息进行使用类型检测，得到使用类型检测结果。

步骤S1443，对所述使用类型检测结果中的目标关联施工信息进行识图标记热度分析，得到所述目标关联施工信息的识图标记匹配信息，将所述识图标记匹配信息与所述使用类型检测结果进行匹配，得到匹配结果，并根据所述匹配结果确定所述识图标记热度信息的识图标记反馈信息。

步骤S1444，通过所述识图标记反馈信息，确定所述指定建筑物相对于所述存在施工连续性的施工计划信息的识图显示数据。

更进一步地，步骤S1441所描述的从所述关联施工信息中以设定信息提取方式提取的待处理关联施工信息进行信息分类，得到识图标记信息聚类与聚类特征信息包括：将所述待处理关联施工信息输入预先训练好的信息分类模型中，得到信息分类模型输出的识图标记信息聚类与聚类特征信息；其中，所述设定信息提取方式为按照关联施工信息的时间先后顺序进行提取。

更进一步地，步骤S1442所描述的根据所述识图标记信息聚类与所述聚类特征信息对所述待处理关联施工信息进行使用类型检测，得到使用类型检测结果，可以包括以下步骤S14421-步骤S14425所描述的内容。

步骤S14421，重复对所述待处理关联施工信息中的当前关联施工信息执行以下操作，以确定所述使用类型检测结果。

步骤S14422，分别确定所述当前关联施工信息中每个识图标记信息聚类与上一关联施工信息中所有目标关联施工信息的识图标记信息聚类之间的信息聚类集中度，确定每个所述识图标记信息聚类对应的最大信息聚类集中度。

步骤S14423，判断所述最大信息聚类集中度是否大于设定聚类集中度。

步骤S14424，在判断结果为是的情况下，基于所述当前关联施工信息中所述最大信息聚类集中度对应的所述识图标记信息聚类确定所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果，根据所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果确定所述目标关联施工信息的所述使用类型检测结果。

步骤S14425，在判断结果为否的情况下，判断所述最大信息聚类集中度对应的所述识图标记信息聚类的聚类元素数量是否大于第一设定数量，且所述目标关联施工信息存在的施工动态标签数是否大于第二设定数量；在判断结果为是的情况下，根据所述当前关联施工信息对应的识图标记信息聚类确定所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果；根据所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果确定所述目标关联施工信息的所述使用类型检测结果；在判断结果为否的情况下，根据所述当前关联施工信息对应的识图标记信息聚类确定新的目标关联施工信息，并根据所述新的目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果确定所述使用类型检测结果。

更进一步地，步骤S1443所描述的对所述使用类型检测结果中的目标关联施工信息进行识图标记热度分析，得到所述目标关联施工信息的识图标记匹配信息，包括：从所述目标关联施工信息对应的关联识图标签类别中获取所述指定建筑物所对应的热度识图标签类别，并对所述所述指定建筑物所对应的热度识图标签类别进行识图标记使用分析，得到目标关联识图标签类别；将所述目标关联识图标签类别在所述指定建筑物对应的应用程序线程中进行加载，得到待处理关联识图标签类别；将所述待处理关联识图标签类别对应的第一预定数量个行为类别特征确定为待映射特征，并基于所述确定出所述指定建筑物的第二预定数量个线程特征；其中，所述第一预定数量大于所述第二预定数量；通过线程特征热度分析模型对所述第二预定数量个线程特征进行热度分析，得到所述识图标记匹配信息。

更进一步地，步骤S1443所描述的根据所述匹配结果确定所述识图标记热度信息的识图标记反馈信息，包括：根据所述使用类型检测结果确定目标关联施工信息的施工起始时间、施工结束时间；根据所述施工起始时间与所述施工结束时间确定所述目标关联施工信息的施工持续时间；根据所述匹配结果与所述施工起始时间、所述施工结束时间、所述施工持续时间确定所述识图标记热度信息的识图标记反馈信息。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。

另外，本领域普通技术人员可以理解的是，本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外，本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。

本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python等，或类似的常规程序编程语言，如"C"编程语言，Visual Basic，Fortran2003，Perl，COBOL 2002，PHP，ABAP，动态编程语言如Python，Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非申请专利范围中明确说明，本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的系统。

同样应当理解的是，为了简化本申请揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (10)

1.一种基于建筑识图和人工智能的数据处理方法，其特征在于，所述方法至少包括以下步骤：

在建筑识图设备中获取指定建筑物在建造过程中的多个施工图像数据，并分别获取所述多个施工图像数据的施工图像特征；

根据所述指定建筑物的建筑物类型和使用类型检测所述多个施工图像数据中的每个施工图像数据的关联图像特征；

根据所述施工图像特征和所述关联图像特征，对所述指定建筑物的建筑结构数据进行关联结构特征提取；对所述指定建筑物的建筑结构数据的关联结构特征进行特征处理，得到所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据；

根据所述非结构性数据对所述指定建筑物进行识图标记，得到所述指定建筑物的识图标记信息，并根据所述识图标记信息确定所述指定建筑物的识图显示数据；基于所述识图显示数据向所述建筑识图设备发送显示指令，以使所述建筑识图设备将所述识图显示数据进行显示。

2.根据权利要求1所述的方法，其特征在于，根据所述指定建筑物的建筑物类型和使用类型检测所述多个施工图像数据中的每个施工图像数据的关联图像特征，包括：

根据所述指定建筑物的建筑物类型确定所述多个施工图像数据中的图像特征标签集；

根据所述使用类型确定所述多个施工图像数据的图像更新标签集；

将所述多个施工图像数据中的所述图像特征标签集和所述图像更新标签集进行相关性分析，得到标签相关性分析结果；

通过所述标签相关性分析结果，从所述多个施工图像数据中检测出所述关联图像特征。

3.根据权利要求2所述的方法，其特征在于，根据所述施工图像特征和所述关联图像特征，对所述指定建筑物的建筑结构数据进行关联结构特征提取包括：

根据所述关联图像特征、所述指定建筑物的建筑配置参数集合、每组建筑配置参数对应的施工图像特征、所述指定建筑物的建筑设计图数据，以及所述施工图像数据的施工时段信息，确定所述建筑配置参数集合中每组建筑配置参数相对于建筑识图设备的识图输出信息；

对所述指定建筑物的建筑结构数据对应的至少部分识图输出信息进行特征识别，得到所述指定建筑物的建筑结构数据的关联结构特征。

4.根据权利要求2所述的方法，其特征在于，对所述指定建筑物的建筑结构数据的关联结构特征进行特征处理，得到所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据，包括：

基于所述多个施工图像数据所对应的施工项目事件，对所述指定建筑物的建筑结构数据的关联结构特征进行特征整合；

对所述特征整合后得到的关联结构特征聚类建立建筑结构特征矩阵；其中，所述建筑结构特征矩阵中，每一个特征矩阵元素的周围i个特征矩阵元素为与该特征矩阵元素的特征余弦距离最小的特征矩阵元素，i为大于1的整数；

从所述指定建筑物的建筑结构数据对应的建筑结构特征矩阵内随机选取一个目标特征矩阵元素，确定所述目标特征矩阵元素与周围j个特征矩阵元素的特征余弦距离，当所述特征余弦距离小于预设相似度时将该目标特征矩阵元素加入到所述关联结构特征的待处理特征矩阵中；其中，j为大于1的整数，所述待处理特征矩阵用于记录关联结构特征对应的目标建筑结构区域的特征矩阵元素，所述目标建筑结构区域为主体建筑结构区域之外的区域；

重复上述随机选取一个目标特征矩阵元素，确定所述目标特征矩阵元素与周围j个特征矩阵元素的特征余弦距离，当所述特征余弦距离小于预设相似度时将该目标特征矩阵元素加入到所述关联结构特征的待处理特征矩阵中的步骤，直至所述关联结构特征的待处理特征矩阵内所有特征矩阵元素均已确定与周围j个特征矩阵元素的特征余弦距离且无新的目标特征矩阵元素加入所述关联结构特征的待处理特征矩阵，得到所述多个施工图像数据中与所述指定建筑物的建筑结构数据的关联结构特征相对应的目标特征矩阵；

基于所述目标特征矩阵，确定所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据。

5.根据权利要求4所述的方法，其特征在于，基于所述目标特征矩阵，确定所述多个施工图像数据中与所述指定建筑物相对应的非结构性数据，包括：

从所述目标特征矩阵中确定出n组矩阵元素序列，n为正整数；

将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列；

从每组矩阵元素序列包括的至少两组矩阵元素子序列中确定所述指定建筑物对应的建筑物三维模型对应的矩阵元素所处的矩阵元素子序列；

根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据；

根据所述至少一组三维模型特征数据确定所述指定建筑物对应的建筑物三维模型对应的矩阵元素对应的可视化建筑结构数据；

通过所述可视化建筑结构数据对所述多个施工图像数据进行识图标记，得到与所述指定建筑物相对应的非结构性数据；其中，所述非结构性数据为所述指定建筑物在施工时所产生的建筑余料结构数据，至少部分所述非结构性数据在指定建筑物在建筑识图进程的运行过程中不被使用；

其中，所述将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列，包括：按照预先设置的建筑结构指标权重与矩阵元素之间的匹配关系，将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列；或者，通过统计历史矩阵元素序列中的每组矩阵元素子序列的建筑结构指标权重和矩阵元素，确定建筑结构指标权重与矩阵元素之间的匹配关系；根据确定的匹配关系将每组矩阵元素序列划分为建筑结构指标权重不同的至少两组矩阵元素子序列；

其中，根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据，包括：

确定每组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征；

根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，以及每组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据；

其中，所述至少两组矩阵元素子序列包括第一矩阵元素子序列和第二矩阵元素子序列，所述第一矩阵元素子序列的建筑结构指标权重均值高于所述第二矩阵元素子序列的建筑结构指标权重均值；

其中，所述根据所述指定建筑物对应的建筑物三维模型对应的矩阵元素在每组矩阵元素序列中所处的矩阵元素子序列，以及每组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述n组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中确定至少一组三维模型特征数据，包括：

当所述指定建筑物对应的建筑物三维模型对应的矩阵元素在所述n组矩阵元素序列包括的m组矩阵元素序列中处于所述第一矩阵元素子序列时，根据所述m组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述m组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中，确定三维模型关联特征的特征识别度最高的指定建筑物对应的建筑物三维模型对应的矩阵元素作为第一候选矩阵元素，m为小于n的正整数；

当所述指定建筑物对应的建筑物三维模型对应的矩阵元素在所述n组矩阵元素序列包括的p组矩阵元素序列中处于所述第二矩阵元素子序列时，根据所述p组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素的三维模型关联特征，从所述p组矩阵元素序列包括的指定建筑物对应的建筑物三维模型对应的矩阵元素中，确定三维模型关联特征的特征识别度最高的指定建筑物对应的建筑物三维模型对应的矩阵元素作为第二候选矩阵元素，p为小于n的正整数，且p与m之和等于n；

根据所述第一候选矩阵元素的三维模型关联特征和所述第二候选矩阵元素的三维模型关联特征，从所述第一候选矩阵元素和所述第二候选矩阵元素中确定至少一组三维模型特征数据。

6.如权利要求5所述的方法，其特征在于，所述根据所述第一候选矩阵元素的三维模型关联特征和所述第二候选矩阵元素的三维模型关联特征，从所述第一候选矩阵元素和所述第二候选矩阵元素中确定至少一组三维模型特征数据，包括：

确定第一特征匹配率，所述第一特征匹配率为所述第二候选矩阵元素的三维模型关联特征和所述第一候选矩阵元素的三维模型关联特征之间的匹配率；

当所述第一特征匹配率等于预设匹配率时，分别所述第一候选矩阵元素和所述第二候选矩阵元素中确定对应的分段显示信息并整合，得到所述三维模型特征数据；

当所述第一特征匹配率大于预设匹配率时，从所述第二候选矩阵元素中确定所述三维模型特征数据；

当所述第一特征匹配率小于所述预设匹配率时，从所述第一候选矩阵元素中所述三维模型特征数据。

7.根据权利要求1至6中任一项所述的方法，其特征在于，根据所述非结构性数据对所述指定建筑物进行识图标记，得到所述指定建筑物的识图标记信息，并根据所述识图标记信息确定所述指定建筑物的识图显示数据包括：

获取所述多个施工图像数据中存在施工连续性的施工计划信息的图像特征标签；

获取所述建筑识图设备的识图标记启动线程的线程配置数据，根据所述识图标记启动线程的线程配置数据确定所述图像特征标签对应的识图标记热度信息；

根据所述识图标记信息确定所述存在施工连续性的施工计划信息之间的关联施工信息；

基于所述关联施工信息与所述识图标记热度信息，确定所述指定建筑物相对于所述存在施工连续性的施工计划信息的识图显示数据。

8.根据权利要求7所述的方法，其特征在于，基于所述关联施工信息与所述识图标记热度信息，确定所述指定建筑物相对于所述存在施工连续性的施工计划信息的识图显示数据，包括：

对从所述关联施工信息中以设定信息提取方式提取的待处理关联施工信息进行信息分类，得到识图标记信息聚类与聚类特征信息；

根据所述识图标记信息聚类与所述聚类特征信息对所述待处理关联施工信息进行使用类型检测，得到使用类型检测结果；

对所述使用类型检测结果中的目标关联施工信息进行识图标记热度分析，得到所述目标关联施工信息的识图标记匹配信息，将所述识图标记匹配信息与所述使用类型检测结果进行匹配，得到匹配结果，并根据所述匹配结果确定所述识图标记热度信息的识图标记反馈信息；

通过所述识图标记反馈信息，确定所述指定建筑物相对于所述存在施工连续性的施工计划信息的识图显示数据；

其中，对从关联施工信息中以设定信息提取方式提取的待处理关联施工信息进行信息分类，得到识图标记信息聚类与聚类特征信息包括：将所述待处理关联施工信息输入预先训练好的信息分类模型中，得到信息分类模型输出的识图标记信息聚类与聚类特征信息；其中，所述设定信息提取方式为按照关联施工信息的时间先后顺序进行提取；

其中，根据所述识图标记信息聚类与所述聚类特征信息对所述待处理关联施工信息进行使用类型检测，得到使用类型检测结果包括：

重复对所述待处理关联施工信息中的当前关联施工信息执行以下操作，以确定所述使用类型检测结果：

分别确定所述当前关联施工信息中每个识图标记信息聚类与上一关联施工信息中所有目标关联施工信息的识图标记信息聚类之间的信息聚类集中度，确定每个所述识图标记信息聚类对应的最大信息聚类集中度；

判断所述最大信息聚类集中度是否大于设定聚类集中度；

在判断结果为是的情况下，基于所述当前关联施工信息中所述最大信息聚类集中度对应的所述识图标记信息聚类确定所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果，根据所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果确定所述目标关联施工信息的所述使用类型检测结果；

在判断结果为否的情况下，判断所述最大信息聚类集中度对应的所述识图标记信息聚类的聚类元素数量是否大于第一设定数量，且所述目标关联施工信息存在的施工动态标签数是否大于第二设定数量；在判断结果为是的情况下，根据所述当前关联施工信息对应的识图标记信息聚类确定所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果；根据所述目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果确定所述目标关联施工信息的所述使用类型检测结果；在判断结果为否的情况下，根据所述当前关联施工信息对应的识图标记信息聚类确定新的目标关联施工信息，并根据所述新的目标关联施工信息与所述当前关联施工信息之间的使用类型比较结果确定所述使用类型检测结果；

其中，对所述使用类型检测结果中的目标关联施工信息进行识图标记热度分析，得到所述目标关联施工信息的识图标记匹配信息，包括：

从所述目标关联施工信息对应的关联识图标签类别中获取所述指定建筑物所对应的热度识图标签类别，并对所述所述指定建筑物所对应的热度识图标签类别进行识图标记使用分析，得到目标关联识图标签类别；

将所述目标关联识图标签类别在所述指定建筑物对应的应用程序线程中进行加载，得到待处理关联识图标签类别；

将所述待处理关联识图标签类别对应的第一预定数量个行为类别特征确定为待映射特征，并基于所述确定出所述指定建筑物的第二预定数量个线程特征；其中，所述第一预定数量大于所述第二预定数量；

通过线程特征热度分析模型对所述第二预定数量个线程特征进行热度分析，得到所述识图标记匹配信息；

其中，根据所述匹配结果确定所述识图标记热度信息的识图标记反馈信息，包括：

根据所述使用类型检测结果确定目标关联施工信息的施工起始时间、施工结束时间；

根据所述施工起始时间与所述施工结束时间确定所述目标关联施工信息的施工持续时间；

根据所述匹配结果与所述施工起始时间、所述施工结束时间、所述施工持续时间确定所述识图标记热度信息的识图标记反馈信息。

9.一种智能设备，其特征在于，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行权利要求1-8任一项所述的方法。

10.一种计算机可读信号介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行是实现权利要求1-8任一项所述的方法。

Images