CN112989453A - 一种基于bim的全息变形信息提取方法 - Google Patents
一种基于bim的全息变形信息提取方法 Download PDFInfo
- Publication number
- CN112989453A CN112989453A CN202110116289.3A CN202110116289A CN112989453A CN 112989453 A CN112989453 A CN 112989453A CN 202110116289 A CN202110116289 A CN 202110116289A CN 112989453 A CN112989453 A CN 112989453A
- Authority
- CN
- China
- Prior art keywords
- point
- bim
- point cloud
- model
- target time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BIM的全息变形信息提取方法,方法包括对目标建筑物的BIM模型进行分解,获取其在目标时刻T1所对应的点云中位于各模型面上的各个点,进而将点云和BIM属性进行融合,针对融合后的点云中的各个点,分别执行如下操作:获取目标时刻T2所对应的点云中与该融合后的点的距离在预设范围内的点,根据预设的迭代次数对目标时刻T2所对应的点云中符合条件的点进行拟合,获取最终拟合面,求取该融合后的点和最终拟合面之间的距离,该距离即为该融合后的点在目标时刻T1与目标时刻T2之间的变形量。本发明提供了一种基于BIM实现点云细部分类,使点云带上BIM属性信息,用于对目标建筑物全息变形信息的提取,并进行变形原因分析。
Description
技术领域
本发明涉及测绘变形监测技术领域,具体涉及一种基于BIM的全息变形信息提取方法。
背景技术
全息变形即为从不同观测角度全方位进行变形监测,可视化变形的同时可视化表达全息数据,为变形机理的探究作以数据支持。全息数据是指包括(但不限于)地理实体(点、线、面、体)及其与之相关联的时间时序(静态、动态)、空间位置、地名、地址、属性特征(归属、归类、表象、色彩、材质)、社会价值与用途及其人文活动的时空数据集合。通俗地说,就是包括地上、地下、可见、不可见所有实体,以及实体的自然属性、社会属性。基于点云数据的变形分析研究已经相当成熟,但利用BIM与点云数据集成进行全息变形的研究还处于初步探索发展的阶段,对于基于点云数据的变形分析研究中大多采用模型比较和点云差分比较两种方式,对于该两种方式的方法研究相对比较欠缺,基于BIM的变形分析国内外也存在一些学者,但大多是基于BIM模型进行比较,而BIM模型的精度存在可疑,比较方法也相对欠缺。
现有的点云数据的变形分析方法存在如下问题:(1)国内外关于BIM主要是通过设计部门进行正向设计得到,对于已存在的工程大多使用的数据仍是CAD图纸信息,如何利用CAD数据以及点云数据进行逆向BIM建模存在一定的研究价值,并且国内外关于逆向建模的标准规范也比较匮乏;(2)国内外关于BIM与点云集成技术研究相对较少,如何基于BIM实现点云细部分类都是需要进行研究解决的问题;(3)基于点云数据的变形信息可视化大多是可视化变形结果,从定性角度分析变形,可视化变形的同时可视化点云属性信息,从定量角度分析变形较少,同时可视化的方法研究也相对匮乏,大多学者研究都是点云分割分类去噪配准等方法,未能将该研究方法整合应用到变形可视化当中,实现提高变形可视化精度,从而真正意义上实现全息变形。
发明内容
本发明的目的:提供一种基于BIM实现点云细部分类,使点云带上BIM属性信息,并实现目标建筑物全息变形信息提取的方法。
技术方案:本发明提供的基于BIM的全息变形信息提取方法,其特征在于,用于提取目标建筑物在目标时刻T1至目标时刻T2的全息变形信息,方法包括如下步骤:
步骤1:对目标建筑物的BIM模型进行分解,获取构成该BIM模型的各个模型面的模型面信息;所述模型面信息包括模型面的几何信息以及模型面标识ID;
步骤2:根据目标建筑物在目标时刻T1所对应的点云,以及该点云的点云数据,结合目标建筑物BIM模型中各模型面的模型面信息,基于模型面的几何信息判断获取点云中位于各模型面上的各个点,并将各模型面标识ID赋予位于对应模型面上的各个点;所述点云数据包括目标建筑物点云中各点的坐标信息;
步骤3:分别针对被赋予模型面标识ID的各个点i,依次执行步骤3.1至步骤3.2,进而获取各个点i对应目标时刻T1至目标时刻T2的变形量;
步骤3.1:获取目标建筑物在目标时刻T2的点云中与点i的距离小于第一预设距离的各个点,结合预设的最大迭代次数,对该各个点进行拟合,获取最终拟合面;
步骤3.2:获取点i与最终拟合面之间的距离,定义该距离为点i在目标时刻T1至目标时刻T2的变形量;
步骤4:基于各个点i在目标时刻T1至目标时刻T2的变形量,构成目标建筑物在目标时刻T1至目标时刻T2的全息变形信息数据库。
作为本发明的一种优选方案,在步骤3.1中,获取最终拟合面的方法如步骤S301至步骤S303所述:
步骤S301:初始化变量n=1,
获取目标建筑物在目标时刻T2的点云中与点i的距离小于第一预设距离的各个点,并对该各个点进行拟合,获取第n拟合面,再将该各个点作为第n拟合面所对应的各个待处理点,然后进入步骤S302;
步骤S302:获取第n拟合面所对应的各个待处理点中与第n拟合面的距离小于第二预设距离的各个点,并对该各个点进行拟合,获取第n+1拟合面,再将该各个点作为第n+1拟合面所对应的各个待处理点,然后进入步骤S303;
步骤S303:判断n+1是否达到最大的预设迭代次数,是则将所述第n+1拟合面作为最终拟合面,进入步骤3.2;
否则应用n+1的值针对n进行更新,并返回步骤S302。
作为本发明的一种优选方案,在步骤3.1中,获取拟合面的方法如步骤S311至步骤S312所示:
步骤S311:获取目标建筑物在目标时刻T2的点云中与点i的距离小于第一预设距离的j个点;
基于随机采样一致性算法,对该j个点进行拟合,获取第一拟合面;
步骤S312:获取该j个点中与第一拟合面的距离小于第二预设距离的j(1)个点,基于整体最小二乘法,对该j(1)个点进行拟合,获取第二拟合面,将所述第二拟合面作为最终拟合面,进入步骤3.2。
作为本发明的一种优选方案,在步骤3.1中,基于Knn算法,获取目标建筑物在目标时刻T2的点云中与点i的距离小于第一预设距离的各个点。
作为本发明的一种优选方案,在步骤2中,方法还包括:
针对被赋予模型面标识ID的各个点i:结合点i的模型面标识ID和预构建的BIM属性数据库,获取与点i对应的BIM属性信息;
所述BIM属性数据库包括各模型面标识ID,以及与各模型面标识ID所对应的材料信息、构成目标建筑物的结构名称。
作为本发明的一种优选方案,在步骤4之后,方法还包括:根据目标建筑物在目标时刻T1至目标时刻T2的全息变形信息,获取目标建筑物中各结构的变形程度信息,以及各结构中变形量较大的结构所对应的材料信息。
作为本发明的一种优选方案,在步骤1中,所述方法还包括:根据目标建筑物在目标时刻T1的点云数据以及目标建筑物的CAD数据,构建目标建筑物的BIM模型。
作为本发明的一种优选方案,通过扫描目标建筑物的各表面,获取目标建筑物的点云数据;
在步骤2中,基于模型面的几何信息判断获取点云中位于各模型面上的各个点的方法如下所述:
针对各模型面s:判断模型面s是否为平面,是则执行步骤A,否则执行步骤B;
步骤A、获取模型面s的边角点;
针对通过扫描目标建筑物的各表面中与模型面s所对应的目标建筑物的表面所获取的点云中的各个点p:判断点p与模型面s的各边角点之间的转角之和是否等于360°±Δ或180°±Δ,是则判定点p为位于模型面s上的点;否则判定点p不是位于该模型面上的点;其中Δ为预设的角度阈值;
步骤B、将模型面s按照预设的份数进行划分,获取至少一个分解面,获取各分解面的边角点;
针对通过扫描目标建筑物的表面中与该模型面s所对应的目标建筑物的表面所获取的点云中的各个点p:判断点p与点p投影所在的分解面的各边角点之间的转角之和是否等于360°±Δ或180°±Δ,是则判定点p为位于模型面s上的点;否则判定点p不是位于该模型面上的点。
作为本发明的一种优选方案,在步骤1中,通过Revit API接口开发实现对BIM模型的分解。
作为本发明的一种优选方案,在步骤1之前,方法还包括:分别获取目标建筑物在目标时刻T1和目标时刻T2的点云数据,并对该两组点云数据分别进行预处理。
有益效果:相对于现有技术,本发明提供的方法具有如下优点:
(1)提出了一种基于BIM的点云自动分类方法,通过该方法能够将BIM属性赋予点云,对于BIM与点云集成存在一定研究价值;
(2)实现了点云数据和BIM属性信息的融合,对信息融合后的变形信息进行提取,可用于分析BIM属性与变形之间的关系,为目标建筑物变形的原因分析提供了解决思路。
附图说明
图1是根据本发明实施例提供的基于BIM的全息变形信息提取方法流程图;
图2(a)是根据本发明实施例提供的点云与模型平面的位置示意图;
图2(b)是根据本发明实施例提供的点云与模型曲面的位置示意图;
图3是根据本发明实施例提供的基于转角阈值法对点云进行归类的方法流程图;
图4是根据本发明实施例提供的KnnRansacTLS差分比较算法流程图;
图5是根据本发明实施例提供的点云分类结果示意图;
图6是根据本发明实施例提供的变形信息提取结果精度对比示意图;
图7是根据本发明实施例提供的点云数据预处理前后对照示意图;
图8是根据本发明实施例提供的构建BIM模型方法的流程框图;
图9是根据本发明实施例提供的标高建立结果示意图;
图10是根据本发明实施例提供的观察面轴网构建结果示意图;
图11是根据本发明实施例提供的基于点云数据的逆向BIM建模结果示意图;
图12是根据本发明实施例提供的BIM模型属性编辑示意图;
图13是根据本发明实施例提供的基于八叉树编码的点云区间划分结果示意图;
图14是根据本发明实施例提供的基于BIM的点云分类结果示意图;
图15(a)是根据本发明实施例提供的查询点到目标模型距离0.05m提取结果及精度图;
图15(b)是根据本发明实施例提供的查询点到目标模型距离0.15m提取结果及精度图;
图15(c)是根据本发明实施例提供的查询点到目标模型距离0.5m提取结果及精度图;
图16(a)是根据本发明实施例提供的基于最近邻距离的点云比较结果示意图;
图16(b)是根据本发明实施例提供的基于最小二乘的点云比较结果示意图;
图16(c)是根据本发明实施例提供的基于三角剖分的点云比较结果示意图;
图16(d)是根据本发明实施例提供的基于二次高度函数的点云比较结果示意图;
图17(a)是根据本发明实施例提供的0-1.7323cm变形提取结果的提取结果示意图;
图17(b)是根据本发明实施例提供的0-0.6804cm变形提取结果的提取结果示意图;
图17(c)是根据本发明实施例提供的0.6804-1.7323cm变形提取结果的提取结果示意图;
图17(d)是根据本发明实施例提供的1.4-1.7323cm变形提取结果的提取结果示意图;
图18(a)是根据本发明实施例提供的X方向提取的变形信息结果示意图;
图18(b)是根据本发明实施例提供的Y方向提取的变形信息结果示意图;
图18(c)是根据本发明实施例提供的Z方向提取的变形信息结果示意图;
图19(a)是根据本发明实施例提供的不同变形区间在不同元素中所占比例示意图;
图19(b)是根据本发明实施例提供的不同变形区间在不同结构中所占比例示意图;
图19(c)是根据本发明实施例提供的不同材料在不同变形区间中所占比例示意图;
图19(d)是根据本发明实施例提供的不同断面上不同元素的点云形变量均值图;
图19(e)是根据本发明实施例提供的不同断面上不同结构的点云形变量均值图;
图19(f)是根据本发明实施例提供的不同断面上不同材料的点云形变量均值图;
图20是根据本发明实施例提供的软件界面图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
参照图1,本发明提供的方法主要包括如下步骤:
对采集的目标建筑物的点云数据进行预处理,通过点云拼接、点云去噪、点云压缩、点云补洞、点云配准预处理方法,从而得到理想的区域点云。
基于预处理后的点云数据及CAD数据进行逆向BIM建模,通过Revit API接口开发实现BIM模型分解,获得BIM模型的边角点坐标,通过转角阈值法建立边角点与点云坐标的几何关系从而实现点云归类。
构建全息变形信息提取模型:采用K-DTree对第一期点云建立空间索引,加快点云遍历时间,通过顾及最佳搜索领域的Knn同名点匹配方法找到最佳搜索K值,将Knn与Ransac(随机采样一致性算法)、TLS(整体最小二乘法)方法结合应用于点云比较中,并建立BIM属性数据库。基于PCL(Point Cloud Library)点云库实现变形区间及不同方向变形信息提取,分析统计变形结果,初步探究变形原因与BIM属性的相关性。
在进行基于BIM的点云自动归类前,将BIM模型与点云坐标进行统一共享,然后通过坐标几何位置关系进行分类。本发明是将转换后的点云数据导入AutoCAD中,生成dwg文件,然后通过revit链接CAD文件即可实现BIM模型与点云坐标的统一,最后通过revit中项目基点、测量点等关系进行共享坐标设置。
点云自动归类的重点在于判断点云与BIM模型的关系,而它们之间存在的直接关系就是坐标几何关系,通过分解后的模型可建立模型线及获取边角点的坐标,通过读取点云坐标,判断与这些点线面体及模型属性的关系,就可对点云进行归类。
本发明根据判断点在多边形和几何体的内外部的进行了点云自动归类。通过revit二次开发实现BIM模型分解后,即可读取到分解的BIM模型面的模型边角点的坐标,在分解之前,需要单击模型获取模型的面元素,该面可能是规则的平面也可能是不规则的曲面。
在分解BIM模型之后,通过读取点云数据,并对点云搜索区间划分,来遍历点云数据,建立点云数据与BIM模型点的几何关系就可以对点云数据进行归类。
将点云数据与BIM模型点建立关系,是通过判断点与分解后的模型面的内外部来实现,理论上说,采集的点云数据应该是在实体几何面上,由于BIM模型的误差以及外业激光点云扫描的误差,不可避免点云数据不是在面上,而是在面的附近,本发明认为这些点是在模型面周围的某一范围内认为它是属于该面,即实现点属于面的归类。
对于模型平面和曲面而言,判断点云与模型面关系的方法分别如图2(a)和图2(b)所示,根据转角阈值法对点云进行归类的方法流程图。
如图2(a)和图2(b)所示,点云与模型平面关系判断法,p点为该模型面上扫描的点云任一点,vi,i=1,2,3,4表示模型分解的面,表示点云p与相邻模型点之间的转角。转角法认为当或180°时,该点在该面上。但由于扫描的点云数据往往不是在平面上,而是在该面的附近,所以基于此考虑,本文提出转角阈值法,认为在某一阈值范围内,该点都属于该面,阈值通过实验结果判断取得的合适数值作为预设的角度阈值Δ,即认为:或180°±Δ,则点云p属于该面。上图b表示点云与模型曲面判断法,面v1vnm1mn表示BIM模型分解后的曲面,然后将模型曲线进行微分n等分,n通过实验情况进行取值,即得到vi,mi i=1,2,…,n,pi,i=1,2,…,6同样表示为模型曲面上的点云任一点。将曲面微分成若干个小曲面时,即可认为该小曲面为平面,然后通过转角阈值法就可以判断点云与模型曲面的归属关系,其转角阈值法点云归类算法实现流程如3所示。
通过转角阈值法可实现点云与BIM模型面关系的判断,由于模型面的ElementID即为实体模型的ElementID,所以可以实现点云与BIM模型的关联,导出的点云都将带上ElementID字段,每个字段ElementID对应一条BIM属性。
在本实施例中,目标建筑物为闸站,根据闸站的结构材料分为八类,在BIM模型中每类对应一个ElementID,经过上述的处理后,每个点云都带上了ElementID,即可根据ElementID字段进行分类。
现有的点云模型拟合常用方法包括:最小二乘法、整体最小二乘法(TLS)、特征值法和随机采样一致性法(Ransac)等方法。最小二乘法平面拟合仅考虑了Z方向上的误差,而测量的点云数据X,Y,Z都包含误差,忽略了X,Y方向上的误差影响,所以进行拟合的效果不是很理想;整体最小二乘法拟合在一定程度上克服了最小二乘法的漏洞,它能够将X,Y,Z三个方向上的误差都能考虑,并带入到平差计算当中,但实验结果表明该法在具有复杂噪声的情况下,拟合效果也并不理想,适合于低噪声平面的拟合;特征值法与最小二乘法相比,对拟合平面方程参数加入限制条件,在一定程度上克服了误差的影响,但使用该法进行求解方程时没有考虑到异常点的情况,因此也不是理想的拟合算法;随机采样一致性法拟合是在样本数据中随机选取样本子集进行拟合模型参数计算,通过样本与模型的偏差来设置合理阈值进行内外点的判断,能够有效的剔除异常点及噪声点的影响,但该方法对于复杂的点云模型难以选取合适的阈值,适用于较为规则的点云模型拟合,因此也存在一定的局限性。
本发明针对TLS和Ransac的优点和不足,提出一种新的模型拟合方法,并将其结合Knn算法应用于点云变形提取中。该方法的主要思路是先通过Ransac拟合找到内点和外点,认为距离小于计算的阈值的点为内点,将内点再使用TLS求出拟合参数,最终拟合面作为结果。基于前述的Knn算法、随机采样一致性法、整体最小二乘法,构成了本发明在进行变形信息提取时所用的全息变形信息提取模型,对应的算法标记为KnnRansacTLS点云差分比较方法。
在进行变形信息时,先对第一期点云进行遍历,通过Knn算法找到第二期点云中与第一期点云的各个点的距离小于第一距离阈值的点或等于第一距离阈值的点,对符合条件的点使用随机采样一致性算法进行拟合,获取第一拟合面,对该各个点与第一拟合面的距离进行分析判断,距离小于第二距离阈值的点定义为内点,使用整体最小二乘法对获取的内点进行拟合,获取第二拟合面,将第二拟合面作为最终拟合面;然后求得遍历第一期点云中各点与最终拟合面的距离,该距离即为与第一期点云中各点所对应的变形量,相关的方法流程图如图4所示。
应当清楚的是,基于BIM的点云自动归类研究需要研究对象的BIM数据,但由于现有工程中,BIM模型数据比较缺乏,近些年的大型工程施工前才具有BIM数据,对于已经竣工的小工程大多都是基于CAD图纸数据进行的施工。所以,本发明基于点云及CAD数据进行逆向BIM建模来获取BIM数据。基于BIM的点云自动分类方法对于单个建筑的细部分类更为精确清楚,基于前述方法对点云进行分类的结果如图5所示。
通过模型比较及点云比较两个角度研究变形信息提取:模型比较主要采用Mesh模型比较、BIM模型比较两种方法进行比较分析变形,点云比较采用最小二乘、三角剖分、二次高度函数与本发明提出的KnnRansac及KnnRansacTLS点云比较方法进行变形信息提取并比较其精度,最终将模型方法与传统单点变形监测方法、模型与模型方法比较,验证其精度可靠性。
常用的点云与点云比较法有基于最近邻距离点云比较、最小二乘点云比较、三角剖分点云比较、二次高度函数点云比较,其中最近邻距离比较属于点云直接比较,后三种指的是通过点云与点云拟合面距离来变形提取。为了避免拼接和配准的误差,本发明对建筑物进行了相继两次单站数据采集,将相继采集作为同时间采集,理论上,同时间同区域的两期数据点云差分比较变形结果为0,图6为这几种方法的精度结果对比图,根据对比结果,本发明提出的KnnRansacTLS点云比较法较其他几种方法精度有所改善,即本发明提供的方法的提取结果的精度更高。对如图6所示的对比结果进行统计,统计不同差分比较方法的提取精度结果如表1所示。
表1
不同方法 | 均值(mean) | 标准差(std.dev) |
最近邻 | 0.008224 | 0.003344 |
最小二乘 | 0.005621 | 0.003621 |
三角剖分 | 0.005664 | 0.003703 |
二次高度函数 | 0.006096 | 0.003956 |
KnnRansac | 0.004321 | 0.003632 |
KnnRansacTLS | 0.001563 | 0.001168 |
根据表1所示的对比结果,结合了Knn算法和Ransac算法的KnnRansac法均值较上述4种方法有所减小,但是标准差较最近邻、最小二乘有所增大,最小二乘仅考虑了Z方向上误差,而整体最小二乘TLS能够较好的将XYZ三个方向误差都能考虑其中进行平差,本发明提供的方法将Knn与Ransac、TLS整合形成KnnRansacTLS点云差分比较方法。根据如图6所示的比较结果,本发明提出的KnnRansacTLS点云差分比较方法均值和标准差较其他几种方法明显减小,说明该方法精度较其他几种方法有所改善。本发明通过BIM与点云集成技术实现全息变形,为测绘部门提供一套全息监测方法,从而为变形原因的探究提供数据及技术支持。
以某水利设施闸站为目标建筑物,获取该目标建筑物的全息变形信息的方法如下所示:
第一步,通过点云拼接、点云配准、点云去噪、点云压缩等预处理操作对其点云数据进行预处理,处理前后的点云如图7所示。
第二步,对于预处理后的点云数据,本发明可以提取点云的边缘,然后根据点云轮廓建立轴网标高,辅助点云逆向BIM建模,最后根据CAD施工图纸以及收集的资料将材料结构等属性赋予BIM模型,为发明后续的步骤提供数据准备。构建BIM模型方法的流程框图如图8所示,构建BIM型时标高建立成果图如图9所示,构建BIM型时的观察面轴网构建成果图如图10所示。基于点云数据的逆向BIM建模结果示意图如图11所示,进一步的,构建的BIM模型属性编辑图如图12所示。
第三步,通过基于BIM的点云自动分类方法实现BIM属性信息与点云数据的融合。由于BIM模型是一个实体结构,首先需要对BIM模型进行分解,获取BIM模型的各模型面的边角点坐标,基于转角阈值法对点云进行归类,判断点云中的各个点对应于哪个模型面上;对于归类好的点云,将点云中各个点所在的模型面的标识ID赋予改点,在本发明实施例中,模型面的标识ID为BIM模型的ElementID字段,通过ElementID字段进行点云中各个被赋予ElementID字段的点和BIM属性数据库中的对应信息进行关联,进而实现BIM属性和点云的信息融合。在对点云进行归类时,基于八叉树对点云进行区间划分,然后再进行归类,由此加快点云遍历的时间。基于八叉树编码的点云区间划分结果示意图如图13所示,基于BIM的点云分类结果示意图如图14所示。在本实施例中,部分点云关联ElementID字段的结果如表2所示。
表2
BIM属性数据库中的部分数据如表3所示。
表3
第四步,构建全息变形信息提取模型,将该模型标记为KnnRansacTLS点云差分比较方法。该模型包括KNN算法、随机采样一致性算法、整体最小二乘法。使用本发明提供的方法对目标建筑物的全息变形信息进行提取时,其精度优于现有技术中的方法,基于K-DTree的KnnRansacTLS点云差分比较方法提取的目标建筑物的全息变形信息示意图如图15(a)至15(c)所示,现有技术中的其他点云差分结果示意图如图16(a)至16(d)所示。
第五步,全息变形信息提取。全息变形信息提取模型能够实现全息变形可视化,但其部分区域可能是由于测量误差产生,不是变形所产生,所以本发明可以实现变形信息提取,便于后续的变形分析以及变形原因探究。其中从不同变形区间提取结果示意图如图17(a)至17(d)所示。根据如图17(a)至17(d)所示的提取结果,本实施例中作为目标建筑物的闸站的整体变形在1.7323cm以下,闸顶及闸墩部位变形较闸翼和闸板部位大。从变形区间提取结果来看,闸站的变形与不同方向可能存在一定的规律,本发明从X,Y,Z三个方向对变形信息再次提取,结果如图13所示。
根据如图18(a)至18(c)所示的提取结果,闸站在X,Y,Z方向都存在一定的变形,其中闸板变形最小,闸顶及闸墩的上表面变形最大,其中Z方向闸墩上表面变形较明显,说明整个闸体有沉降或上升的可能。
第六步,变形原因分析。全息变形信息提取模型还有一个重要的部分是对全息数据的可视化,第五步已经得到点云差分比较结果,对BIM属性数据库进行查询统计分析,即可发现BIM属性与点云变形存在一定的相关性。从不同材料结构角度对变形情况进行了统计,变形情况如图19(a)至19(f)所示。
根据图19(a)至图19(c)所示的分析结果,误差范围内的变形不锈钢材料所占比例最大,其次是混凝土,现场浇注,灰色材料,金属,不锈钢,抛光材料所占比例最小;在有变形可能及大变形的区间中金属,不锈钢,抛光材料所占比例最大,表明可能金属材料对变形影响较大,该材料主要是闸顶的材料,可能该材料的承受荷载较小导致闸顶发生变形,证实了闸顶变形较大的可能,其次是混凝土,现场浇注,灰色材料,该材料所占比例较大的原因可能是材料也可能是与外界环境及上下游水位差等影响,不能直接判断其变形与材料是否有直接关系,但该材料所占比例证实了闸墩的上表面存在变形的可能,导致所占比例较大。
根据图19(d)至图19(f)所示的分析结果,
混凝土现场浇注灰色和金属不锈钢抛光材料较不锈钢材料变形大,但是否该材料对其变形影响较大,本发明对上述结果进行正态性检验,从柯尔莫戈洛夫-斯米诺夫和夏皮洛-威尔克两种方法进行检验,判断是否满足正态分布,理论上说,该材料对变形有影响,其结果应该满足正态分布,检验表4所示。
表4
根据表4,该几种材料对应的显著性都大于0.05,由于显著性都大于0.05,所以上述三种材料对于变形的影响都满足正态分布,其中,混凝土现场浇筑灰色材料显著性较弱,结合上图可以看出,闸站右半部分断面上该材料变形较大,但不能说明该材料对其变形影响较大,可能与上下游的水位差、闸站的荷载及地表沉降等因素有关;金属不锈钢抛光材料显著性较高,表明该材料对变形影响可能较大。
本发明的全息变形信息提取模型方法主要是基于PCL的CloudCompare二次开发实现,软件界面如下图20所示。
以上所述仅是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于BIM的全息变形信息提取方法,其特征在于,用于提取目标建筑物在目标时刻T1至目标时刻T2的全息变形信息,方法包括如下步骤:
步骤1:对目标建筑物的BIM模型进行分解,获取构成该BIM模型的各个模型面的模型面信息;所述模型面信息包括模型面的几何信息以及模型面标识ID;
步骤2:根据目标建筑物在目标时刻T1所对应的点云,以及该点云的点云数据,结合目标建筑物BIM模型中各模型面的模型面信息,基于模型面的几何信息判断获取点云中位于各模型面上的各个点,并将各模型面标识ID赋予位于对应模型面上的各个点;所述点云数据包括目标建筑物点云中各点的坐标信息;
步骤3:分别针对被赋予模型面标识ID的各个点i,依次执行步骤3.1至步骤3.2,进而获取各个点i对应目标时刻T1至目标时刻T2的变形量;
步骤3.1:获取目标建筑物在目标时刻T2的点云中与点i的距离小于第一预设距离的各个点,结合预设的最大迭代次数,对该各个点进行拟合,获取最终拟合面;
步骤3.2:获取点i与最终拟合面之间的距离,定义该距离为点i在目标时刻T1至目标时刻T2的变形量;
步骤4:基于各个点i在目标时刻T1至目标时刻T2的变形量,构成目标建筑物在目标时刻T1至目标时刻T2的全息变形信息数据库。
2.根据权利要求1所述的基于BIM的全息变形信息提取方法,其特征在于,在步骤3.1中,获取最终拟合面的方法如步骤S301至步骤S303所述:
步骤S301:初始化变量n=1,
获取目标建筑物在目标时刻T2的点云中与点i的距离小于第一预设距离的各个点,并对该各个点进行拟合,获取第n拟合面,再将该各个点作为第n拟合面所对应的各个待处理点,然后进入步骤S302;
步骤S302:获取第n拟合面所对应的各个待处理点中与第n拟合面的距离小于第二预设距离的各个点,并对该各个点进行拟合,获取第n+1拟合面,再将该各个点作为第n+1拟合面所对应的各个待处理点,然后进入步骤S303;
步骤S303:判断n+1是否达到最大的预设迭代次数,是则将所述第n+1拟合面作为最终拟合面,进入步骤3.2;
否则应用n+1的值针对n进行更新,并返回步骤S302。
3.根据权利要求1所述的基于BIM的全息变形信息提取方法,其特征在于,在步骤3.1中,获取拟合面的方法如步骤S311至步骤S312所示:
步骤S311:获取目标建筑物在目标时刻T2的点云中与点i的距离小于第一预设距离的j个点;
基于随机采样一致性算法,对该j个点进行拟合,获取第一拟合面;
步骤S312:获取该j个点中与第一拟合面的距离小于第二预设距离的j(1)个点,基于整体最小二乘法,对该j(1)个点进行拟合,获取第二拟合面,将所述第二拟合面作为最终拟合面,进入步骤3.2。
4.根据权利要求1至3任一项所述的基于BIM的全息变形信息提取方法,其特征在于,在步骤3.1中,基于Knn算法,获取目标建筑物在目标时刻T2的点云中与点i的距离小于第一预设距离的各个点。
5.根据权利要求1所述的基于BIM的全息变形信息提取方法,其特征在于,在步骤2中,方法还包括:
针对被赋予模型面标识ID的各个点i:结合点i的模型面标识ID和预构建的BIM属性数据库,获取与点i对应的BIM属性信息;
所述BIM属性数据库包括各模型面标识ID,以及与各模型面标识ID所对应的材料信息、构成目标建筑物的结构名称。
6.根据权利要求5所述的基于BIM的全息变形信息提取方法,其特征在于,在步骤4之后,方法还包括:根据目标建筑物在目标时刻T1至目标时刻T2的全息变形信息,获取目标建筑物中各结构的变形程度信息,以及各结构中变形量较大的结构所对应的材料信息。
7.根据权利要求1所述的基于BIM的全息变形信息提取方法,其特征在于,在步骤1中,所述方法还包括:根据目标建筑物在目标时刻T1的点云数据以及目标建筑物的CAD数据,构建目标建筑物的BIM模型。
8.根据权利要求1所述的基于BIM的全息变形信息提取方法,其特征在于,通过扫描目标建筑物的各表面,获取目标建筑物的点云数据;
在步骤2中,基于模型面的几何信息判断获取点云中位于各模型面上的各个点的方法如下所述:
针对各模型面s:判断模型面s是否为平面,是则执行步骤A,否则执行步骤B;
步骤A、获取模型面s的边角点;
针对通过扫描目标建筑物的各表面中与模型面s所对应的目标建筑物的表面所获取的点云中的各个点p:判断点p与模型面s的各边角点之间的转角之和是否等于360°±Δ或180°±Δ,是则判定点p为位于模型面s上的点;否则判定点p不是位于该模型面上的点;其中Δ为预设的角度阈值;
步骤B、将模型面s按照预设的份数进行划分,获取至少一个分解面,获取各分解面的边角点;
针对通过扫描目标建筑物的表面中与该模型面s所对应的目标建筑物的表面所获取的点云中的各个点p:判断点p与点p投影所在的分解面的各边角点之间的转角之和是否等于360°±Δ或180°±Δ,是则判定点p为位于模型面s上的点;否则判定点p不是位于该模型面上的点。
9.根据权利要求1所述的基于BIM的全息变形信息提取方法,其特征在于,在步骤1中,通过Revit API接口开发实现对BIM模型的分解。
10.根据权利要求1所述的基于BIM的全息变形信息提取方法,其特征在于,在步骤1之前,方法还包括:分别获取目标建筑物在目标时刻T1和目标时刻T2的点云数据,并对该两组点云数据分别进行预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116289.3A CN112989453B (zh) | 2021-01-28 | 2021-01-28 | 一种基于bim的全息变形信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116289.3A CN112989453B (zh) | 2021-01-28 | 2021-01-28 | 一种基于bim的全息变形信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989453A true CN112989453A (zh) | 2021-06-18 |
CN112989453B CN112989453B (zh) | 2022-12-06 |
Family
ID=76345705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110116289.3A Active CN112989453B (zh) | 2021-01-28 | 2021-01-28 | 一种基于bim的全息变形信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989453B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552125A (zh) * | 2021-07-19 | 2021-10-26 | 清华大学 | 一种高温风洞环境下材料的烧蚀速率测试装置及方法 |
CN114894114A (zh) * | 2022-05-13 | 2022-08-12 | 广东永和建设集团有限公司 | 一种监测超高支模的光纤光栅监控系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682325A (zh) * | 2016-12-30 | 2017-05-17 | 武汉英思工程科技股份有限公司 | 基于bim的拱坝施工期变形场动态拟合分析方法 |
CN107784656A (zh) * | 2017-09-20 | 2018-03-09 | 重庆大学 | 一种基于几何要素的零件点云分割方法 |
CN108253925A (zh) * | 2018-01-08 | 2018-07-06 | 中煤科工集团武汉设计研究院有限公司 | 一种基于点云剖面的隧道变形监测方法、设备及存储设备 |
CN108898662A (zh) * | 2018-05-30 | 2018-11-27 | 中国人民解放军陆军勤务学院 | 基于点云数据的管线设施bim模型自动化重建方法 |
US20190026400A1 (en) * | 2017-07-18 | 2019-01-24 | Fuscoe Engineering, Inc. | Three-dimensional modeling from point cloud data migration |
CN110807571A (zh) * | 2019-09-19 | 2020-02-18 | 同济大学 | 基于3d激光传感与BIM结合的建筑工程质量控制系统 |
CN110969169A (zh) * | 2019-12-03 | 2020-04-07 | 南京林业大学 | 一种基于点云数据的面变形信息提取方法 |
CN111369607A (zh) * | 2020-05-26 | 2020-07-03 | 上海建工集团股份有限公司 | 一种基于图片解析的预制构件拼装匹配方法 |
WO2020248187A1 (zh) * | 2019-06-13 | 2020-12-17 | 深圳市大疆创新科技有限公司 | 一种点云编码方法、点云解码方法及相关设备 |
-
2021
- 2021-01-28 CN CN202110116289.3A patent/CN112989453B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682325A (zh) * | 2016-12-30 | 2017-05-17 | 武汉英思工程科技股份有限公司 | 基于bim的拱坝施工期变形场动态拟合分析方法 |
US20190026400A1 (en) * | 2017-07-18 | 2019-01-24 | Fuscoe Engineering, Inc. | Three-dimensional modeling from point cloud data migration |
CN107784656A (zh) * | 2017-09-20 | 2018-03-09 | 重庆大学 | 一种基于几何要素的零件点云分割方法 |
CN108253925A (zh) * | 2018-01-08 | 2018-07-06 | 中煤科工集团武汉设计研究院有限公司 | 一种基于点云剖面的隧道变形监测方法、设备及存储设备 |
CN108898662A (zh) * | 2018-05-30 | 2018-11-27 | 中国人民解放军陆军勤务学院 | 基于点云数据的管线设施bim模型自动化重建方法 |
WO2020248187A1 (zh) * | 2019-06-13 | 2020-12-17 | 深圳市大疆创新科技有限公司 | 一种点云编码方法、点云解码方法及相关设备 |
CN110807571A (zh) * | 2019-09-19 | 2020-02-18 | 同济大学 | 基于3d激光传感与BIM结合的建筑工程质量控制系统 |
CN110969169A (zh) * | 2019-12-03 | 2020-04-07 | 南京林业大学 | 一种基于点云数据的面变形信息提取方法 |
CN111369607A (zh) * | 2020-05-26 | 2020-07-03 | 上海建工集团股份有限公司 | 一种基于图片解析的预制构件拼装匹配方法 |
Non-Patent Citations (5)
Title |
---|
HALLENNANN,N等: "BIM related workflow for an image-based deformation monitoring of bridges", 《MAINTENANCE,SAFETY,RISK,MANAGEMENT AND LIFE-CYCLE PERFORMANCE OF BRIDGES》 * |
曾卓等: "基于建筑角点的机载和车载点云数据配准", 《地理空间信息》 * |
李希等: "基于RANSAC和TLS的点云平面拟合", 《计算机工程与设计》 * |
琚俏俏: "基于三维激光扫描的异型建构筑物绝对变形检测", 《测绘通报》 * |
韩达光等: "基于BIM和三维激光扫描在基坑监测中的应用", 《重庆交通大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552125A (zh) * | 2021-07-19 | 2021-10-26 | 清华大学 | 一种高温风洞环境下材料的烧蚀速率测试装置及方法 |
CN114894114A (zh) * | 2022-05-13 | 2022-08-12 | 广东永和建设集团有限公司 | 一种监测超高支模的光纤光栅监控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112989453B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bosché et al. | The value of integrating Scan-to-BIM and Scan-vs-BIM techniques for construction monitoring using laser scanning and BIM: The case of cylindrical MEP components | |
CN111915730B (zh) | 一种顾及语义从点云自动生成室内三维模型的方法及系统 | |
Yan et al. | Automated extraction of structural elements in steel girder bridges from laser point clouds | |
Li et al. | Terrestrial laser scanning assisted flatness quality assessment for two different types of concrete surfaces | |
Teza et al. | Contactless recognition of concrete surface damage from laser scanning and curvature computation | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN110009727A (zh) | 一种具有结构语义的室内三维模型自动重构方法及系统 | |
CN110276732B (zh) | 一种顾及地形特征线要素的山区点云空洞修复方法 | |
CN112784403B (zh) | 基于点云数据建立节理岩体离散元模型的数值模拟方法 | |
CN112989453B (zh) | 一种基于bim的全息变形信息提取方法 | |
Zhao et al. | Automated recognition and measurement based on three-dimensional point clouds to connect precast concrete components | |
CN111145157B (zh) | 基于高分辨率遥感影像的路网数据自动化质量检查方法 | |
CN108830317B (zh) | 基于数字摄影测量的露天矿山边坡岩体节理产状快速精细取值方法 | |
CN115019010A (zh) | 一种基于三维激光扫描+bim技术的隧道结构病害展示方法 | |
CN116305436A (zh) | 一种基于三维激光扫描结合bim的既有桥梁监测方法 | |
Li et al. | A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces | |
CN115203778A (zh) | 隧道超欠挖检测方法、装置、终端设备及存储介质 | |
CN115018249A (zh) | 一种基于激光扫描技术的地铁站施工质量评价方法 | |
Xu et al. | An approach for monitoring prefabricated building construction based on feature extraction and point cloud segmentation | |
CN117252863A (zh) | 一种地理信息异常数据快速检测分析方法 | |
Ma et al. | Review on automated quality inspection of precast concrete components | |
CN106446306A (zh) | 一种基于高斯球聚类的机械零件逆向工程建模方法 | |
CN111881964A (zh) | 一种基于Delaunay三角网的线性建筑物模式识别方法与系统 | |
CN116226640A (zh) | 一种针对隧道物探反演数据的不良地质特征提取方法 | |
CN112859073B (zh) | 一种基于PSInSAR技术的道路破损评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Xu Yangyang Inventor after: Hong Yan Inventor after: Wang Shandong Inventor after: Zhou Xianfeng Inventor before: Xu Yangyang Inventor before: Wang Shandong Inventor before: Hong Yan Inventor before: Zhou Xianfeng |
|
GR01 | Patent grant | ||
GR01 | Patent grant |