CN113544693A - 用于检测安装在建筑物内的建筑物对象的方法和系统 - Google Patents

用于检测安装在建筑物内的建筑物对象的方法和系统 Download PDF

Info

Publication number
CN113544693A
CN113544693A CN201980094067.7A CN201980094067A CN113544693A CN 113544693 A CN113544693 A CN 113544693A CN 201980094067 A CN201980094067 A CN 201980094067A CN 113544693 A CN113544693 A CN 113544693A
Authority
CN
China
Prior art keywords
building
obj
data
artificial intelligence
intelligence module
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.)
Pending
Application number
CN201980094067.7A
Other languages
English (en)
Inventor
C·弗雷
O·采希林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Schweiz AG
Original Assignee
Siemens Schweiz AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Schweiz AG filed Critical Siemens Schweiz AG
Publication of CN113544693A publication Critical patent/CN113544693A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/20—Point-of-sale [POS] network systems
    • G06Q20/203—Inventory monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/20—Point-of-sale [POS] network systems
    • G06Q20/208—Input by product or record sensing, e.g. weighing or scanner processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及用于检测安装在建筑物中的建筑物对象的建筑物对象检测系统，所述系统包括：至少一个扫描仪，其被适配成扫描建筑物内的空间，以生成相应扫描空间的扫描数据；以及在所述建筑物对象检测系统的处理单元上实现的至少一个人工智能模块，其被适配成处理由所述至少一个扫描仪生成的扫描数据，以对安装在扫描空间内的建筑物对象进行自动检测和分类，其中所述人工智能模块利用经加标签的训练数据来训练，所述经加标签的训练数据包括从被提供有相关联的对象标识符的先前扫描的建筑物对象的扫描数据中导出的标签，所述对象标识符处于相应被安装的建筑物对象附近。

Description

用于检测安装在建筑物内的建筑物对象的方法和系统
本发明涉及一种计算机实现方法和建筑物对象检测系统，用于检测安装在建筑物内的固定方位处的建筑物对象、特别是提供建筑物服务的建筑物安装设备。
在许多用例中，有必要检测安装在公共或私人建筑物内的建筑物对象或静态对象。例如，可能期望提供位于诸如工厂之类的建筑物内的建筑物对象的清单（inventory）。另外，可能有必要检查是否已经满足安全性要求，诸如建筑物房间内是否有足够数量的烟雾检测器。然而，使用常规扫描仪对建筑物中的设备进行检测和注释是耗时且繁琐的，因为它基于操作者执行的对建筑物对象的手动视觉标识。此外，操作者基于图像或扫描数据对建筑物对象进行的视觉标识容易出错，这是因为操作者可能会忽略所生成的图像或扫描数据内的建筑物对象。
因此，本发明的目的是提供一种用于有效检测安装在建筑物内的建筑物对象的方法和系统。
该目的由包括权利要求1的特征的建筑物对象检测系统根据本发明的第一方面来实现。
根据本发明的第一方面，本发明提供了一种用于检测安装在建筑物中的建筑物对象的建筑物对象检测系统，其中所述建筑物对象检测系统包括：
至少一个扫描仪，其被适配成扫描建筑物内的空间，以生成相应扫描空间的扫描数据，以及
在所述建筑物对象检测系统的处理单元上实现的至少一个人工智能模块AIM，其被适配成处理由所述至少一个扫描仪生成的扫描数据，以对安装在扫描空间内的建筑物对象进行自动检测和分类，
其中人工智能模块AIM利用经加标签的训练数据来训练，所述经加标签的训练数据包括从被提供有相关联的对象标识符的先前扫描的建筑物对象的扫描数据中导出的标签，所述对象标识符处于相应被安装的建筑物对象附近。
根据本发明的第一方面的建筑物对象检测系统提供了快速且可靠地检测安装在建筑物内的建筑物对象的优点。
在根据本发明的第一方面的建筑物对象检测系统的可能实施例中，相关联的对象标识符包括可见对象标识符。在可能的实现方式中，可见对象标识符包括一维条形码、二维QR码和/或三维码。
在另外的可能替代实施例中，相关联的对象标识符包括不可见对象标识符。在可能的实施例中，不可见对象标识符包括被适配成提供不可见频率范围内的电磁标识信号的电磁信号对象标识符。
在根据本发明的第一方面的建筑物对象检测系统的另外的可能实施例中，所述至少一个扫描仪被装配在所述建筑物对象检测系统的远程控制或自主驾驶机器人上。
所述驾驶机器人可在建筑物内移动，以将建筑物内的扫描空间的扫描数据提供给所述建筑物对象检测系统的经训练的人工智能模块AIM。
在根据本发明的第一方面的建筑物对象检测系统的可能实施例中，人工智能模块AIM在所述驾驶机器人的本地处理器上实现。
在根据本发明的第一方面的建筑物对象检测系统的另外的可能替代实施例中，人工智能模块AIM在建筑物的网络的本地控制器上实现。
在根据本发明的第一方面的建筑物对象检测系统的仍另外的可能替代实施例中，人工智能模块AIM在云平台的远程服务器上实现，以对安装在建筑物的扫描空间内的建筑物对象进行检测和分类。
在根据本发明的第一方面的建筑物对象检测系统的可能实施例中，由装配到所述建筑物对象检测系统的驾驶机器人的所述至少一个扫描仪生成的扫描数据包括点云数据、和/或图像数据、雷达数据和/或声学数据。
在根据本发明的第一方面的建筑物对象检测系统的仍另外的可能实施例中，经训练的人工智能模块AIM包括经训练的深度神经网络。
在根据本发明的第一方面的建筑物对象检测系统的仍另外的可能实施例中，经训练的人工智能模块AIM从不同的扫描仪接收扫描数据，其中基于一个扫描仪所提供的扫描数据对建筑物对象的分类由所述建筑物对象检测系统的验证单元基于另一个扫描仪所提供的扫描数据来验证。
在根据本发明的第一方面的建筑物对象检测系统的另外的可能实施例中，对建筑物对象的分类进一步由所述建筑物对象检测系统的验证单元基于针对建筑物对象在建筑物内的安装的预定安装规则来验证。
在根据本发明的第一方面的建筑物对象检测系统的仍另外的可能实施例中，安装在建筑物的扫描空间内的被检测和分类的建筑物对象被存储在所述建筑物对象检测系统的数据库中，并且由所述建筑物对象检测系统的处理单元来处理，以生成被扫描的物理建筑物的数字孪生体，其中所述数字孪生体形成被扫描的物理建筑物的实时数字副本。
在根据本发明的第一方面的建筑物对象检测系统的另外的可能实施例中，将被扫描的物理建筑物的所生成的数字孪生体与存储在数据库中的同一建筑物的数字规划模型进行比较，以自动检测被扫描的物理建筑物与所规划的建筑物之间的偏差。
在检测到偏差的情况下，可以由所述建筑物对象检测系统的控制器自动触发对应的措施。
在根据本发明的第一方面的建筑物对象检测系统的另外的可能实施例中，由所述至少一个扫描仪生成的扫描数据包括地理参考（georeferenced）扫描数据，所述地理参考扫描数据由所述建筑物对象检测系统的处理器来处理以确定检测到的建筑物对象的方位。
在根据本发明的第一方面的建筑物对象检测系统的另外的可能实施例中，将被检测和分类的建筑物对象的所确定的方位与建筑物的建筑物平面图数据进行比较，以自动验证由经训练的人工智能模块AIM执行的对相应建筑物对象的分类。
在根据本发明的第一方面的建筑物对象检测系统的仍另外的可能实施例中，由人工智能模块AIM所检测和分类的建筑物对象被提供有注释数据，并且被存储在所述系统的数据库中。
在根据本发明的第一方面的建筑物对象检测系统的仍另外的可能实施例中，将装配到所述可移动驾驶机器人的扫描仪自动移动到建筑物内的、由建筑物的数字孪生体中指定的建筑物对象的坐标所指示的位置，以扫描所指示的位置的周围环境。
在根据本发明的第一方面的建筑物对象检测系统的仍另外的可能实施例中，安装在建筑物中并且由所述建筑物对象检测系统所检测的建筑物对象包括：安全和警报安装设备、特别是温度传感器、火灾检测设备、火灾保护设备、雷电保护设备，通信安装设备、特别是电话插座和/或无线电插座和通信线路，人工照明设备和灯具、电气开关、电气插座和电源线、能量供应安装设备、加热和冷却安装设备、通风安装设备、供水和排水安装设备、自动扶梯和电梯安装设备、安装在建筑物中的窗和门。
在根据本发明的第一方面的建筑物对象检测系统的仍另外的可能实施例中，用于针对人工智能模块AIM提供经加标签的训练数据的对象标识符包括层级式（hierarchical）分类器和/或对象属性。
通过使用层级式分类器，可以改进并加速对人工智能模块AIM的训练。
在根据本发明的第一方面的建筑物对象检测系统的仍另外的可能实施例中，被放置在所安装的建筑物对象附近并且用于针对人工智能模块AIM提供经加标签的训练数据的对象标识符提供绝对或相对方位信息。
根据另外的方面，本发明提供了一种包括权利要求20的特征的用于检测安装在建筑物内的建筑物对象的计算机实现方法。
根据第二方面，本发明提供了一种用于检测安装在建筑物内的建筑物对象的计算机实现方法，
其中所述方法包括以下步骤：
扫描建筑物内的空间以生成相应扫描空间的扫描数据；以及
由人工智能模块AIM处理所生成的扫描数据，以对安装在扫描空间内的建筑物对象进行自动检测和分类，
其中人工智能模块AIM利用经加标签的训练数据来训练，所述经加标签的训练数据包括从被提供有相关联的对象标识符的先前扫描的建筑物对象的扫描数据中导出的标签，所述对象标识符处于相应被安装的建筑物对象附近。
根据另外的方面，本发明提供了一种包括权利要求21的特征的用于训练人工智能模块AIM的训练方法。
根据该另外的方面，本发明提供了一种用于训练在根据本发明的第一方面的建筑物对象检测系统的处理单元中实现的人工智能模块AIM的方法，其中所述训练方法包括以下步骤：
将对象标识符物理地附着在被安装在建筑物中的建筑物对象附近，
扫描建筑物内的空间，以生成相应扫描空间的扫描数据，
处理所生成的扫描数据，以从所述扫描数据中包括的对象标识符中导出标签，
利用所导出的标签来自动注释所述扫描数据，以提供经加标签的训练数据；以及
利用经加标签的训练数据来训练人工智能模块AIM。
根据另外的方面，本发明提供了一种包括权利要求22的特征的驾驶机器人。
根据该另外的方面，本发明提供了一种驾驶机器人，包括：至少一个扫描仪，其被适配成生成建筑物内的扫描空间的扫描数据，其中所生成的扫描数据被提供给在根据本发明的第一方面的建筑物对象检测系统的处理单元上实现的人工智能模块AIM，所述系统用于检测安装在建筑物中的建筑物对象。
在下文中，参考附图更详细地描述了本发明的不同方面的可能实施例。
图1示出了根据本发明的方面的用于检测安装在建筑物内的建筑物对象的建筑物对象检测系统的可能示例性实施例的框图；
图2示出了根据本发明的另外的方面的用于检测安装在建筑物内的建筑物对象的计算机实现方法的可能示例性实施例的流程图；
图3示出了用于说明经加标签的训练数据的生成的示意图，该经加标签的训练数据用于训练用于检测安装在建筑物内的对象的人工智能模块；
图4示出了用于检测安装在建筑物内的建筑物对象的系统的可能示例性实施例的框图；
图5示出了用于训练根据本发明的第一方面的建筑物对象检测系统的人工智能模块的训练过程的可能实施例的流程图；
图6示出了根据本发明的第一方面的建筑物对象检测系统所使用的驾驶机器人的实施例。
如在图1的示意性框图中可以看到的，在所图示的实施例中，根据本发明的方面的用于检测安装在建筑物内的建筑物对象OBJ的系统1包括：至少一个扫描仪2和至少一个人工智能模块（AIM）3。如图1的示意性框图中所图示，在可能的示例性实施例中，扫描仪（SC）2可以装配到机器人（ROB）4。另外，如图1中所示，在可能的示例性实施例中，人工智能模块3可以在处理单元（PU）5上实现。用于检测安装在诸如办公建筑物或工厂之类的建筑物内的建筑物对象OBJ的建筑物对象检测系统1可以包括：一个或多个扫描仪2，其被适配成生成扫描数据SD，该扫描数据SD由扫描仪2提供给在处理单元5上实现的人工智能模块3。建筑物对象检测系统1可以包括向人工智能模块3提供扫描数据SD的一个或多个扫描仪2或扫描设备2。一个或多个扫描仪2可以装配在机器人4上，该机器人4在建筑物的房间内移动。在可能的实施例中，机器人4可以是远程控制的。在替代的实施例中，机器人4在被扫描的建筑物内自主移动。扫描仪2被适配成扫描建筑物内的周围空间，以生成扫描空间的扫描数据SD，并且将扫描数据SD提供给在建筑物对象检测系统1的处理器或处理单元5中实现的人工智能模块3。人工智能模块3被适配成处理接收到的扫描数据SD，以对安装在扫描空间内的建筑物对象OBJ进行自动检测和分类。人工智能模块3利用经加标签的训练数据LTD来训练，该经加标签的训练数据LTD包括从被提供有相关联的对象标识符OBJ-ID的先前扫描的建筑物对象OBJ的扫描数据SD中自动导出的标签L。被扫描的建筑物对象OBJ可以是例如具有相关联的对象标识符OBJ-ID（诸如，可见码）的烟雾检测器。在可能的实施例中，经训练的人工智能模块3在可移动机器人4的本地处理器中实现。在替代的实施例中，人工智能模块3在由扫描仪2扫描的建筑物的网络的本地控制器上实现。在仍另外的可能实施例中，人工智能模块3在云平台的远程服务器上实现。
图2示出了用于检测安装在建筑物内的建筑物对象OBJ的计算机实现方法的可能示例性实施例的流程图。
安装在建筑物中并且可由根据本发明的建筑物对象检测系统1检测的建筑物对象OBJ可以包括各种各样不同的所安装的建筑物对象OBJ。建筑物对象OBJ位于建筑物房间内的预定义的固定方位处。建筑物对象OBJ可以包括安全和警报安装设备，诸如温度传感器、火灾检测设备、火灾保护设备或雷电保护设备。火灾检测设备可以包括例如烟雾检测器。建筑物对象OBJ还可以包括通信安装设备，诸如电话插座和/或无线电插座以及通信线路。安装在建筑物房间中的建筑物对象OBJ可以包括在建筑物的房间内提供人造光的灯具或照明设备。另外，安装在建筑物中的建筑物对象OBJ可以包括安装在建筑物中的开关和电气插座以及电源线。此外，建筑物对象OBJ可以包括能量供应安装设备。另外，可检测的建筑物对象OBJ可以包括加热和/或冷却安装设备和通风安装设备，诸如风扇。建筑物对象OBJ可以进一步包括供水和/或排水安装设备。建筑物对象OBJ的另外示例包括自动扶梯和电梯安装设备。而且，安装在建筑物中的窗和门形成了根据建筑物的建筑物平面图而安装在建筑物中的预定义方位处的建筑物对象OBJ。一些建筑物对象OBJ形成了建筑物的组成部分，即它们不能够被轻易移除或更换。其他建筑物对象OBJ可以被移除和/或更换，但是仍然位于建筑物的固定预定义方位处。例如，灭火器设备位于建筑物中的预定义位置处，然而，在一定寿命之后，就用新的灭火器设备来更换该灭火器设备。
安装在建筑物中的大部分建筑物对象OBJ是取决于建筑物对象的类型根据预定义安装规则IR来安装的。安装规则IR针对安全关键型安装设备可能非常严格，而针对不太关键的建筑物对象OBJ可能更加一般。在可能的实施例中，不同类型的建筑物对象OBJ和相关联的安装规则IR可以被存储在建筑物对象检测系统1的数据库8中。安装规则IR可以用于支持在根据本发明的计算机实现方法内对建筑物对象OBJ的分类。
在所图示的实施例中，该计算机实现方法包括两个主要步骤。对建筑物对象OBJ的检测可以由已经训练的人工智能模块3在推理阶段IPH中执行。经训练的人工智能模块3还能够对不包括相关联的对象标识符OBJ-ID的建筑物对象OBJ进行分类。
在第一步骤S1IPH中，由系统1的至少一个扫描仪2来扫描建筑物内的空间，以生成相应扫描空间的扫描数据SD。
在另外的步骤S2IPH中，由人工智能模块3处理所生成的扫描数据SD，以对安装在扫描空间内的建筑物对象OBJ进行自动检测和分类。人工智能模块3已经利用经加标签的训练数据LTD在训练阶段TPH中和/或在建筑物对象检测系统1的操作期间被训练，该经加标签的训练数据LTD包括从被提供有相关联的对象标识符OBJ-ID的先前扫描的建筑物对象OBJ的扫描数据SD中导出的标签L。图5中图示了在训练阶段TPH中对人工智能模块3的训练。
在可能的实施例中，相关联的对象标识符OBJ-ID包括：可见对象标识符OBJ-ID，其可以附着到建筑物对象的外壳、或者其可以被提供在相应建筑物对象附近。例如，相关联的对象标识符OBJ-ID可以包括可见码，该可见码附着到建筑物对象的外壳、或者被提供在相应建筑物对象周围的预定范围内。例如，如果建筑物对象是装配到建筑物内的房间的天花板的烟雾检测器，则形成了对象标识符OBJ-ID的可见码可以例如借助于贴纸（sticker）以烟雾检测器周围例如30cm的预定半径r而附着到烟雾检测器的外壳、或者固定到靠近烟雾检测器的房间的天花板。在可能的实施例中，可见码可以是一维条形码。在优选实施例中，可见码可以包括二维QR码。在仍另外的替代实施例中，形成了对象标识符OBJ-ID的可见码还可以包括三维码。
在可能的实施例中，在步骤S1IPH中提供扫描数据SD的至少一个扫描仪2可以是被适配成提供图像数据的相机。图像数据形成了可以由人工智能模块3处理的扫描数据SD。在可能的实施例中，可以在不同的频率范围内生成图像数据。在可能的实施例中，由扫描仪2生成的图像数据可以包括可见频率范围内的可见图像数据。在另外的可能实施例中，所生成的图像数据可以包括在不可见频率范围内生成的数据，即人眼不可见的数据，诸如红外数据。用于生成扫描数据SD的扫描仪2还可以包括二维或三维扫描仪2，特别是生成点云数据的三维激光扫描设备。点云包括预定扫描空间中的数据点集合。点云数据由扫描仪2来生成，该扫描仪2测量其周围对象的外表面上的大量点。作为3D扫描过程的输出，包括点云数据的扫描数据SD可以被提供给人工智能模块3，以用于进一步处理。可以实时执行以下处理步骤S2IPH。
在仍另外的可能实施例中，扫描仪2也可以用于生成声学数据作为扫描数据SD。在仍另外的可能实施例中，扫描数据SD还可以包括由扫描仪2的周围环境中的对象所反射的雷达信号的雷达数据。
在图2中所示的步骤S1IPH中，可以由不同种类的扫描设备2、特别是相机、激光扫描仪、雷达扫描仪和/或声学扫描设备来扫描在建筑物内的移动机器人4周围的空间。由一个或多个扫描设备2生成的扫描数据SD被传递到至少一个经训练的人工智能模块3。在优选的实施例中，人工智能模块3包括经训练的深度神经网络DNN。在可能的实现方式中，深度神经网络DNN是用于自动检测相应对象的经训练的卷积神经网络CNN。在可能的实施例中，经训练的人工智能模块3从不同的扫描仪2或扫描设备2（诸如，相机、激光扫描仪2等）接收扫描数据SD。在可能的实施例中，基于一个扫描仪2（诸如，相机）所提供的扫描数据SD对建筑物对象的分类基于另一个扫描仪2（诸如，激光扫描设备）所提供的扫描数据SD在另外的数据处理步骤中来验证。在仍另外的可能实施例中，可以基于针对对象在建筑物内的安装的预定安装规则IR来进一步验证对象的分类。安装规则IR可以例如指示特定类型的对象必须安装在建筑物内的何处、以及必须以什么方式安装在建筑物内。安装规则IR例如可以包括如下规则：该规则指示烟雾检测器必须被装配在与另一个建筑物对象（诸如，建筑物的窗）的最小距离处。安装规则IR可以存储在可由系统1的处理单元5访问的数据库8中。对于不同种类的建筑物对象OBJ（诸如，烟雾检测器或开关设备）而言，可以存在被存储在系统1的数据库8中的多个安装规则IR，这些安装规则IR可以用于验证指定的建筑物对象OBJ。在可能的实施例中，由至少一个扫描仪2生成的扫描数据SD可以包括地理参考扫描数据SD，该地理参考扫描数据SD被处理以确定建筑物内的检测到的建筑物对象的方位。在可能的实施例中，将被检测和分类的建筑物对象的所确定的方位与相应建筑物的建筑物平面图数据进行比较，以验证由经训练的人工智能模块3形成的对相应建筑物对象的分类。在可能的实施例中，由人工智能模块3所检测和分类的建筑物对象可以被提供有注释数据，并且被存储在数据库8中以用于进一步处理。
在可能的实施例中，在图2的流程图中所示的扫描数据SD生成步骤SIPH1和对象分类步骤SIPH2之后是使用不同扫描数据源2和/或安装规则IR和/或建筑物的建筑物平面图数据的验证步骤。该验证增加了分类结果的可靠性和建筑物对象检测针对外部影响的鲁棒性。
图3示出了用于说明用于训练在处理单元5上实现的检测系统1的人工智能模块3的训练数据的生成的示意图。如在图3的示意图中可以看到的，诸如烟雾检测器之类的建筑物对象或安装在建筑物内的任何其他建筑物对象包括相关联的对象标识符OBJ-ID，诸如可见对象码。形成了对象标识符OBJ-ID的对象码可以是例如QR码，该QR码附着到建筑物对象的外壳、或者附着在所安装的建筑物对象周围的预定范围内。扫描设备2可以用于扫描建筑物对象和相关联的对象标识符OBJ-ID以生成扫描数据SD，该扫描数据SD被提供给安装在对象标识符OBJ-ID检测单元6中的码检测算法，如图3中所图示。运行例如QR码检测算法的对象标识符OBJ-ID检测单元6可以生成从接收到的扫描数据SD中导出的标签L，以生成用于在训练阶段TPH中训练人工智能模块3的经加标签的训练数据LTD。对象标识符OBJ-ID检测单元6可以有权访问数据库8，以生成标签L，并且提取和/或检索相关联的标签L。经训练的人工智能模块3稍后可以在推理阶段IPH中用于借助于至少一个扫描设备2来执行对其他安装的物理建筑物对象OBJ的检测和分类，该至少一个扫描设备2由图1的框图中图示的机器人4来移动、或者被装配在由操作者通过建筑物推动的手推车（trolley）上。
图4示出了根据本发明的检测系统1的另外的可能示例性实施例的框图。在所图示的示例性实施例中，建筑物检测系统1包括多于一个扫描设备或扫描仪2-i。第一扫描设备2-1可以是图像源，诸如提供周围环境的图像作为扫描数据SD1的相机，该扫描数据SD1被提供给用于对周围环境中的建筑物对象OBJ进行分类的第一经训练的人工智能模块3-1。
在所图示的示例性实施例中，建筑物检测系统1包括第二扫描设备2-2，第二扫描设备2-2可以作为图像源来生成二维点云作为扫描数据SD2。在所图示的示例性实施例中，该二维点云被提供给用于对周围环境中的建筑物对象OBJ进行分类的第二人工智能模块3-2。
另外，在所图示的实施例中，建筑物检测系统1包括第三扫描设备2-3，诸如生成三维点云作为扫描数据SD3的激光扫描仪，该扫描数据SD3被提供给用于对扫描仪2-3的周围环境中的建筑物对象OBJ进行分类的第三经训练的人工智能模块3-3。
在图4的所图示的实施例中，建筑物检测系统1包括验证单元7，验证单元7用于验证对建筑物对象OBJ的正确分类。例如，验证单元7可以使用由不同的人工智能模块3-i输出的被分类的建筑物对象OBJ，以执行关于被分类的建筑物对象OBJ是否已经被正确分类的验证。例如，如果由不同的人工智能模块3-i输出的被分类的建筑物对象OBJ属于相同类别，则验证单元7可以验证该分类是成功的。相比之下，如果由不同的人工智能模块3-i分类的建筑物对象OBJ是不同的，则验证单元7不能够成功地执行验证。在仍另外的可能实施例中，验证单元7可以基于针对建筑物对象OBJ在建筑物内的安装的预定安装规则IR来验证对建筑物对象的分类，也如图4的框图中所图示的那样。在由验证单元7成功验证之后，可以将被检测和分类的建筑物对象OBJ存储在检测系统1的数据库8中。在可能的实施例中，处理单元9可以基于多个被检测和分类的建筑物对象OBJ以及诸如相应建筑物的楼层平面图（floorplan）之类的建筑物数据来自动生成被扫描的建筑物的数字孪生体DT。数字孪生体DT包括被扫描的物理建筑物的实时数字副本。数字孪生体DT可以由处理单元9实时更新。在可能的实施例中，可以将被扫描的建筑物的数字孪生体DT与同一建筑物的数字规划模型进行比较，以检测被扫描的物理建筑物与所规划的建筑物之间的偏差。取决于检测到的偏差，可以触发如下动作：例如安装缺失的对象、特别是建筑物对象OBJ（诸如，烟雾检测器）。另外，处理器可以将被检测和分类的建筑物对象OBJ的所确定的方位与所规划的建筑物的建筑物平面图数据进行比较，以检查一个或多个经训练的人工智能模块3-i对相应建筑物对象的分类是否正确。扫描仪2、人工智能模块3和验证单元7、以及数据库8和处理单元9可以集成在图1、6中所图示的可移动机器人4中。
根据本发明的计算机实现方法和建筑物检测系统1的另外的实施例是可能的。在可能的实现方式中，可以使用室内查看器（indoor viewer）来生成关注点（point ofinterest）POI。关注点POI包括具有附加信息的、在室内查看器实例的三维坐标系统1内定义的点，该附加信息可以包括用于指示特定方位的GPS坐标。更多的关注点POI可以包括类型、类型组和方位。关注点POI可以与三维扫描中的对象相关联。
在可能的实施例中，人工智能模块3可以包括深度学习人工神经网络DNN。在另外的可能实施例中，人工智能模块3可以用于其他种类的机器学习算法。在可能的实施例中，人工智能模块3可以在图形处理单元GPU中实现。包括用于实现机器学习ML算法的人工神经网络ANN的人工智能模块3使用经加标签的训练数据LTD，其中经加标签的训练数据LTD包括从具有相关联的对象标识符OBJ-ID的先前扫描的对象的扫描数据SD中自动导出的标签L。在可能的实施例中，先前扫描的建筑物对象OBJ可以包括在训练环境中扫描和/或在现场（即，在建筑物内）扫描的参考建筑物对象OBJ。在可能的实施例中，训练数据的标签L是从二维QR码中导出的。QR码包括：由黑色和白色方块组成的二次矩阵，其以二进制形式表示编码数据。QR码可以通过纠错码来保护。QR码可以包括相应对象的直接描述，诸如烟雾检测器“Sinteso FDOOT241-9”，或者可以包括网络链接。扫描仪2可以聚焦于QR码的周围环境，并且可以基于由QR码编码的信息将描述指派给检测到的建筑物对象。
由于建筑物内的建筑物对象OBJ是根据功能方向和安装规则IR来装配和安装的，因此还有可能提供对象选择的过滤关联（filtered association）。例如，常规的标准烟雾检测器被装配在办公建筑物内的房间天花板上。在许多情况下，这种规范或标准或甚至法律包括用于维持安装距离的指示以及类似信息。这些安装规则IR可以用于由根据本发明的建筑物对象检测系统1进行的建筑物对象检测，也如图4的实施例中所图示的那样。可能的安装规则IR可以例如是：“如果检测到的建筑物对象是烟雾检测器，则在x平方米和y米的周围环境内必须存在另外的烟雾检测器”。这允许在逻辑语义级别上排除或包括对象。
在可能的实施例中，安装规则IR可以由检测系统1来使用以增加检测质量，例如通过实现如图4的实施例中所图示的验证单元7。安装规则IR的另外示例可以是：除了通道（passage）之外，还必须以1至1.4米的高度在房间墙壁上安装灯的开关。
在根据本发明的检测系统1的可能实施例中，评估形成了扫描数据SD的点云，以用于对对象进行检测和分类。与基于纯图像的检测相比时，对点云的评估可以增加检测质量。点云数据包括深度信息，即，这些点不仅包括x和y坐标，还包括z坐标。这允许以更可靠的方式来识别建筑物对象OBJ的形式和几何形状。图像识别算法可以使用点云数据和/或二维照片/视频数据两者来进行对象检测，以进一步改进合格的分析结果。扫描设备2-i的数量和类型可以取决于用例而变化。
利用扫描设备的地理参考，还有可能确定WGS 84坐标（GPS）或替代坐标系统1（诸如UTM）的数据，这使得有可能在建筑物的二维或三维平面图中注释建筑物对象。在建筑物的二维楼层平面图中，还有可能放置对应的符号。另外，经由另一个系统1的界面坐标（interface coordinate）传递到建筑物对象OBJ是有可能的。检测到的建筑物对象OBJ可以包括各种各样不同的可以被提供在建筑物内的建筑物对象OBJ，诸如传感器或传感器设备，特别是烟雾传感器或温度传感器。其他建筑物对象OBJ可以包括装配在建筑物的房间中的灯开关单元或其他硬件组件。
在根据本发明的检测系统1的仍另外的可能实施例中，可以取决于系统1的环境和/或操作模式来执行不同扫描设备2-i之间的切换。扫描设备2-i可以包括生成周围环境的图像作为扫描数据SD的相机。在另外的可能实施例中，扫描设备2-i可以包括生成由扫描空间的多个图像组成的视频流的相机。在可能的实施例中，扫描设备2-i可以包括提供周围环境的360°图像的鱼眼相机。
在优选实施例中，可见对象标识符OBJ-ID（诸如，QR码）可以附着到相关联的建筑物对象，例如，直接附着在其外壳上或附着在其周围环境中或附着在其附近。在替代的实施例中，所附着的对象标识符OBJ-ID还可以包括人眼特别不可见的标识符。
不可见对象标识符OBJ-ID可以包括如下对象标识符OBJ-ID：其提供人眼不可见的电磁信号（诸如，无线电信号）、特别是蓝牙或RFID信号，或者提供不可见频率范围内的光学信号（诸如，红外信号）。
在某些国家，烟雾检测器必须与相关联的对象标识符OBJ-ID一起装配。这些强制性标记标识符可以被根据本发明的检测系统1用作相关联的对象标识符OBJ-ID。对象标识符OBJ-ID可以是强制性标记，该强制性标记由附着到对象（特别是烟雾检测器）的外壳或被提供在建筑物对象附近的文本或字符序列所形成。字符可以包括编码地址。如果检测到并识别出这种地址，则在该编码地址的直接周围环境中存在物理建筑物对象（诸如，烟雾检测器）的概率较高。相关联的对象标识符OBJ-ID还可以包括三维码，例如相应对象的外壳的形式。例如，如果烟雾检测器具有不同的外壳形式，则相应外壳的形式可以形成相关联的对象标识符OBJ-ID，该对象标识符OBJ-ID由根据本发明的检测系统1来使用。相比之下，如果不同的建筑物对象OBJ具有相同的外壳，则可以使用附加的QR码来标识相应的建筑物对象。
在可能的实施例中，三维（3D）码可以利用附加的维度（即，颜色）来扩展二维QR码。二维码中的每个像素或点可以包括对值进行编码的颜色（波长λ）。该3D码可以由LED提供。在该实施例中，对象标识符OBJ-ID包括LED矩阵，用以提供三维码。
在可能的实施例中，如果建筑物对象被包括在所生成的扫描数据SD中，则可以使用室内查看器在建筑物对象的所确定的方位处注释该对象。可以在数字孪生体DT中参考建筑物对象的方位。为此，可以使用WGS 84方位或房间方位（距离墙壁、天花板、地板）。360°图像可以包括可通过激光扫描生成的点云数据来丰富的像素。
在可能的实施例中，附加的经加标签的训练数据LTD在检测系统1的操作期间的推理阶段IPH中被生成，并且被存储在系统1的数据库8中。根据本发明的检测系统1可以用于生成建筑物的清单，包括所有被检测和分类的建筑物对象OBJ、以及它们在建筑物内的方位。被扫描的建筑物的所生成的数字孪生体DT可以用于不同的目的。在可能的实施例中，可以将被扫描的建筑物的所生成的数字孪生体DT与建筑物数据进行比较，以识别与建筑物平面图的偏差，从而触发对应的动作。在另外的可能实施例中，数字孪生体DT还可以用于支持在建筑物内执行服务的服务技术人员。数字孪生体DT形成了存储在系统1的数据库8中的机器可读数据。
除了由检测系统1的扫描设备2-i提供的扫描数据SD之外，具有图例（legend）中指定的空间细节和设备的楼层平面图还可以用作系统1的附加输入。因此，在可能的实施例中，可以使用扫描设备2-i来扫描建筑物的印刷楼层平面图和安装在建筑物中的建筑物对象OBJ的对应图例。建筑物对象可以包括例如烟雾检测器、警报设备、可连接的开关或灯具。可以上传被扫描的楼层平面图的所生成的图像。识别算法可以使这些图像可搜索，使得有可能发现建筑物对象OBJ以及在它们内出现的场景。可以创建lambda函数，该函数在新图像已经被上传时自动将新检测到的图像标签L直接添加到搜索索引中。识别算法检索图像，并且返回检测到的图像的标签L。可以将返回的图像与被提供有搜索索引的置信度得分一起推送，以提供输出数字孪生体DT。检测系统1的扫描设备2-i可以捕获图像作为扫描数据SD，该扫描数据SD包含建筑物对象OBJ、场景和/或例如文本数据。在可能的实施例中，可以将扫描设备2-i（诸如，相机）所提供的图像上传到包括至少一个经训练的人工智能模块3-i的云平台的远程服务器。可以触发编号（number）或函数来调用识别算法，该识别算法检索图像并且返回检测到的图像的标签L。检索到的标签L可以用于在系统1的训练阶段TPH中和/或操作推理阶段IPH期间生成被应用于人工智能模块3-i的训练数据。在可能的实施例中，可以向所导出的标签L提供相关联的搜索索引。在可能的实施例中，扫描数据SD包括可以由形成了可移动机器人4的NavVis M6手推车捕获的图像以提供逼真的点云，并且包括由鱼眼相机提供的360°图像。在可能的实施例中，QR码可以包含紧挨着它的被扫描的建筑物对象的任何细节和/或信息。扫描数据SD可以包括相应建筑物对象在数字孪生体DT内的正确坐标处的方位和地点。
在可能的实施例中，所扫描的被检测和分类的对象可以包括装配在建筑物中的固定方位处的静态对象。
因此，根据本发明的计算机实现方法和系统1可以用于针对任何种类的建筑物的广泛范围的不同用例，以对安装在相应建筑物内的多个建筑物对象OBJ进行检测和分类。
在可能的实施例中，可以基于建筑物内的预定空间或房间的坐标来检测建筑物对象OBJ。例如，如果在数字孪生体DT BIM数据模型中，建筑物对象OBJ被提供有相关联的坐标。可以选择这些建筑物对象OBJ作为可能的候选建筑物对象OBJ，使得检测系统1的至少一个扫描仪2-i可以聚焦在由这些坐标指示的区域上，以检测所指示的位置处的物理建筑物对象。在可能的实现方式中，可以例如由可移动机器人4将扫描仪2-i自动移动到所指示的位置，以扫描所指示的位置的周围环境。然后，可以确定由数字孪生体DT的可能候选建筑物对象的坐标所指示的该可能候选建筑物对象是否确实作为物理建筑物对象存在于所指示的位置处。这允许由检测系统1检查所规划的建筑物的各个建筑物对象OBJ是否已经被安装在所建造的物理建筑物中。在成功验证了该建筑物对象已经被安装在所规划的位置（坐标）处之后，扫描仪2-i可以将所生成的扫描数据SD实时传递到人工智能模块3。
根据另外的方面，本发明提供了一种用于训练在根据本发明的第一方面的建筑物对象检测系统1的处理单元5中实现的人工智能模块3的方法。
图5示出了在训练阶段TPH中执行的这种训练方法的可能实施例的流程图。
在第一步骤S1TPH中，将对象标识符OBJ-ID物理地附着在被安装在相应建筑物中的建筑物对象OBJ附近。对象标识符OBJ-ID可以例如包括印刷在贴纸上的QR码，该贴纸附着在建筑物对象（诸如，烟雾检测器）的周围环境中。在可能的实施例中，印刷在贴纸上的QR码可以在对应物理建筑物对象（即，烟雾检测器）周围的预定义半径r内附着到房间的天花板。取决于建筑物对象的形式，对象标识符OBJ-ID还可以附着在相应建筑物对象的外壳上。
在另外的步骤S2TPH中，由扫描仪2来扫描建筑物内的空间，以生成相应扫描空间的扫描数据。扫描仪2可以装配到可移动驾驶机器人4。驾驶机器人4在建筑物的房间内移动，并且被适配成扫描周围的房间或空间。
在另外的步骤S3TPH中，处理所生成的扫描数据SD，以从扫描数据SD中包括的对象标识符OBJ-ID中自动导出标签L。扫描数据SD可以例如包括其中对象标识符OBJ-ID位于对应建筑物对象附近的区域的图像。所生成的图像捕获对象标识符OBJ-ID和对应建筑物对象。通过处理图像数据，有可能检测到诸如二维QR条形码之类的对象标识符OBJ-ID，并且从该对象标识符中自动导出与同一图像中包括的对应建筑物对象相关联的标签L。
在另外的步骤S4TPH中，利用所导出的标签L来自动注释扫描数据SD（诸如，图像），以提供经加标签的训练数据，该经加标签的训练数据可以存储在系统1的数据库8中。
在另外的步骤S5TPH中，利用经加标签的训练数据LTD来训练人工智能模块3。以这种方式训练的人工智能模块3然后可以在推理阶段IPH中使用，以对不具有相关联的对象标识符OBJ-ID的建筑物对象OBJ也进行检测和分类，如图2的流程图中所图示。因此，经训练的方法允许基于在现场提供的具有所附着的对象标识符OBJ-ID的建筑物对象OBJ来训练人工智能模块3。这具有如下优点：即，安装在建筑物中的仅一部分建筑物对象OBJ必须被提供有所附着的物理对象标识符OBJ-ID（诸如，QR码贴纸）以提供经训练的人工智能模块3，该经训练的人工智能模块3具有对多个其他物理建筑物对象OBJ进行检测和分类的容量和能力，这些其他物理建筑物对象OBJ被安装在同一建筑物或另一个建筑物中、但是在它们附近不具有所附着的物理对象标识符OBJ-ID。因此，训练过程变得更加高效。在系统1的操作期间，经加标签的训练数据库8仍然可以增加。根据本发明的建筑物对象检测系统1被加标签以训练其自己，并且被自动优化。例如，在具有若干个楼层的建筑物中，安装在第一楼层中的建筑物对象OBJ可以被操作者附着对象标识符OBJ-ID，该对象标识符OBJ-ID被放置在经加标签的建筑物对象OBJ附近。该建筑物对象OBJ和所附着的对象标识符OBJ-ID可以用于提供用于训练系统1的人工智能模块3的经加标签的训练数据LTD。然后，可以将具有扫描仪2的可移动驾驶机器人4放置到建筑物的下一楼层中，以处理所生成的扫描数据SD，以便对安装在建筑物的下一楼层内的建筑物对象OBJ进行检测和分类。由第一楼层中的建筑物对象OBJ所提供的训练数据可以足以训练人工智能模块3，使得不必将对象标识符OBJ-ID也附着到建筑物的下一楼层（即，第二楼层）中的建筑物对象OBJ来提供分类结果。
在可能的实施例中，用于针对人工智能模块3提供经加标签的训练数据LTD的对象标识符OBJ-ID可以包括层级式分类器和/或对象属性。例如，烟雾检测器的层级式对象标识符OBJ-ID可以包括若干个层级式分类器，如下所示。第一分类器可以指示该建筑物对象（例如，烟雾检测器）是安装在房间的天花板处的建筑物对象。层级式对象标识符OBJ-ID的下一个分类器可以指示该建筑物对象是火灾检测元件。层级式对象标识符OBJ-ID的下一个分类器可以指示该建筑物对象是烟雾检测器。进一步地，层级式对象标识符OBJ-ID的下一个分类器可以指示相应烟雾检测器的类型。通过使用层级式对象标识符OBJ-ID，可以便于对人工智能模块3进行训练，并且可以提高训练过程的性能。
在另外的可能实施例中，放置在所安装的建筑物对象OBJ附近并且用于针对人工智能模块3提供经加标签的训练数据LTD的对象标识符OBJ-ID可以提供绝对或相对方位信息。例如，形成了附着在烟雾检测器附近的烟雾检测器的对象标识符OBJ-ID的QR码可以指示对应烟雾检测器的相对方位。例如，对象标识符OBJ-ID或QR码可以指示对应烟雾检测器位于对象标识符OBJ-ID的左侧。编码在对象标识符OBJ-ID中的绝对或相对方位还可以便于训练过程，并且增加训练过程的效率。利用根据本发明的训练方法，可以显著减轻耗时且繁琐的学习过程，这是由于诸如QR码之类的对象标识符OBJ-ID可以包括相应建筑物对象的确切描述（例如，层级式分类器）。
建筑物对象描述还可以由对象标识符OBJ-ID（诸如，QR码）所指示的链接来提供。因此，在可能的实现方式中，对象标识符OBJ-ID还可以包括用于指示至数据源的链接的码，该数据源包括相关联的建筑物对象的确切描述。附加地，必须向相当大量的建筑物对象OBJ提供对象标识符OBJ-ID（诸如，QR码）。随着扫描仪2所提供的扫描数量增加，必须向其提供对象标识符OBJ-ID的对象的数量可以显著减少，这是因为要检测和表征的建筑物对象已经被存储在系统1的数据库8中。因此，当执行用于检测安装在建筑物内的建筑物对象OBJ的计算机实现方法时，系统1可以自动扩展其训练数据库8。通过在运行中（on the fly）进行学习，建筑物对象检测系统1不断地提高其性能。每次扫描在不同位置处和不同环境条件下针对与相同对象标识符OBJ-ID相关联的相同建筑物对象OBJ生成多个训练数据。这为训练人工智能模块3提供了优势。一旦已经检测到建筑物对象，就可以在检测到的方位处对其进行注释。可以对检测到的建筑物对象的新方位进行地理参考。可以将该方位传递到BIM数据模型中。这允许在二维或三维建筑物平面图中注释该建筑物对象。检测到的对象可以被集成到建筑物的数字孪生体DT中。另外，检测到的建筑物对象可以被链接到例如位于建筑物的相同天花板或墙壁处的相邻建筑物对象OBJ或元件。在可能的实施例中，可以验证所安装的建筑物对象是否满足预定义的安装规则IR。有可能自动检测位于特定确定位置处的被分类的建筑物对象是否满足相关联的安装规则IR。在违反了安装规则IR的情况下，操作者可以被引导至该建筑物对象，例如以改变其在墙壁或天花板处的方位。针对不同类型的建筑物对象OBJ的多个不同的安装规则IR可以存储在数据库8中。这些安装规则IR可以取决于建筑物的位置（例如，建筑物所位于的国家）而变化。取决于建筑物的确切方位，可以从建筑物对象检测系统1的数据库8加载安装规则IR的不同集合。例如，如果建筑物位于慕尼黑，则可以从建筑物对象检测系统1的数据库8下载针对德国的安装规则IR。在可能的实施例中，如果对于建筑物对象而言存在安装规则IR，则用户U可以使用对应的编辑器来设置或定义对应的安装规则IR。因此，在可能的实施例中，可以根据用户U的最佳实践经验来定义安装规则IR。所存储的安装规则IR可以提高对象检测和分类的质量。例如，如果根据安装规则IR，特定的建筑物对象（诸如，烟雾检测器）应当已经装配在建筑物房间的天花板处，然而却尚未在建筑物对象检测系统1的扫描仪2的扫描区域内的所请求方位处被检测到，则可以自动生成消息。因此，如果在建筑物房间中尚未检测到必要的建筑物对象（诸如，烟雾检测器），则可以自动生成对应的警报消息，并且该警报消息可以触发由操作者执行的对策。此外，如果检测到不应当处于可能是安全性关键的扫描区域处的建筑物对象，则可以自动触发对应的警报消息，并且可以将操作者引导至该检测到的不想要的建筑物对象的方位，以从所指定的方位移除该建筑物对象。因此，根据本发明的建筑物对象检测系统1能够检测建筑物对象OBJ在建筑物内的错误放置，并且向建筑物对象检测系统1的用户U自动生成对应的消息。建筑物可以包括办公室或居住公寓。另外，建筑物还可以包括工业设施，诸如工厂。
图6示出了驾驶机器人4的可能示例性实施例，该驾驶机器人4可以在也如图1的框图中图示的根据本发明的建筑物对象检测系统1中被使用。驾驶机器人4可以包括扫描仪2，扫描仪2用于在以步行速度移动通过建筑物时自动捕获点云、360°沉浸式虚拟数据（imaginary data）、以及传感器数据。在所图示的示例性实施例中，驾驶机器人4包括平台4A，平台4A用于承载操作者或用户U，如图6中所示。平台4A被装配在车轮4B、4C上，以在建筑物内的房间的地面地板上移动。不同种类的扫描仪2-1至2-7可以被装配在驾驶机器人4的顶部上，以自动生成驾驶机器人4周围的扫描空间的扫描数据SD。扫描仪2可以提供点云数据、图像数据、雷达数据和/或声学数据。在可能的实施例中，处理单元5也可以集成在驾驶机器人4中，如图6中所示。处理单元5可以例如包括附着到驾驶机器人4结构的膝上型计算机或平板设备。在可能的实施例中，处理单元5可以包括可以由用户U操作的图形用户U界面GUI。驾驶机器人4还可以包括手柄4D，以在驾驶机器人4通过建筑物的移动期间向用户U提供稳定性，和/或操纵驾驶机器人4。驾驶机器人4可以包括用于操作车轮的马达，特别是电动马达4E。处理单元5可以从扫描仪2-i接收扫描数据SD。在可能的实施例中，驾驶机器人4的处理单元5可以包括通信接口，以将扫描数据SD转发到具有集成的人工智能模块3的另一个处理单元。在替代的实施例中，人工智能模块3也可以集成在如图6中所示的驾驶机器人4的处理单元5中。在可能的实施例中，可以实时处理从扫描仪2接收到的扫描数据SD，以对安装在驾驶机器人4周围的扫描空间内的建筑物对象OBJ进行检测和分类。可移动驾驶机器人4允许更快速且更容易地捕获室内建筑物数据。图形用户U界面GUI的屏幕上的实时反馈允许操作者或用户U保持跟踪已经扫描的区域。可移动驾驶机器人4可以在不平坦的地面、上坡道、下坡道、以及狭窄的走廊、或建筑物的其他空间上保持扫描。以6DSLAM为特征允许在六个自由度上移动扫描机器人设备4，从而允许对周围环境进行多方面扫描（versatilescan）。扫描或过程数据SD可以被存储在可移除SSD驱动器上。所存储的数据可以经由通信接口被传递到其他工作站或云平台的服务器。可以提供若干个激光扫描仪来捕获高密度点云，同时多个相机拍摄高分辨率图片，这些图片提供了沉浸式360°演示（walkthrough）。可移动驾驶机器人4即使在移动时也会提供勘测级（survey-grade）点云。甚至可以通过包括SLAM锚点（anchor）勘测标记来改进准确性。SLAM锚点包括地面控制点，该地面控制点可以增加准确性并且可以在数据处理期间自动进行地理参考。在可能的实现方式中，可以为了在汽车后备箱中或在行李箱中的方便运输来设计可移动驾驶机器人4。
在系统1的可能实施例中，由可移动驾驶机器人4的扫描仪2提供的扫描数据SD被处理以自动检测建筑物对象OBJ。在可能的实施例中，首先，检测对象标识符OBJ-ID。从检测到的对象标识符OBJ-ID开始，可以在检测到的对象标识符OBJ-ID周围发起扫描，以提供扫描数据SD，该扫描数据SD被处理以检测在检测到的对象标识符OBJ-ID附近的建筑物对象（诸如，烟雾检测器）。
根据本发明的建筑物对象检测系统1和相关联的计算机实现方法可以用于广泛范围的应用。例如，建筑物对象检测系统1可以用于验证建筑物是否包括强制性建筑物对象OBJ，特别是安全性相关的建筑物对象OBJ或元件（诸如，烟雾检测器）。另外，可以自动检测所构建的物理建筑物与相应建筑物的建筑物平面图之间的差异，以触发所构建的物理建筑物内的修正或改变。另外，可以由建筑物对象检测系统1来验证所构建的物理建筑物是否已经满足建筑物的位置处的所有要求的安装规则IR。这使得有可能执行用于批准特定州或区内的所构建的物理建筑物的自动批准过程。另外，在发生不想要的事件（诸如，损坏建筑物的火灾）的情况下，建筑物操作者可以证明所有要求的安装规则IR已经被满足。此外，通过在建筑物的规划和构建中验证是否已经满足了所有安装规则IR，显著降低了发生这种不想要的事件（如火灾）的概率。根据本发明的建筑物对象检测系统1可以用于其中根据安装规则IR安装了建筑物对象OBJ的任何建筑物。这些建筑物可以包括办公建筑物、酒店、游轮、公寓楼或房屋。建筑物还可以包括公共建筑物，特别是诸如机场、船港或火车站之类的交通建筑物。建筑物还可以包括用于运输货物或人员的隧道或其他基础设施建筑物。在可能的实施例中，驾驶机器人4还可以包括链接到导航平台的导航单元，该导航平台被适配成自动导航驾驶机器人4通过所研究的关注建筑物。可移动驾驶机器人4可以由被运输的用户U来手动控制、和/或由导航系统1来远程控制。在可能的实施例中，扫描数据SD的处理可以实时执行。例如，如果关注的建筑物对象已经被检测或分类，则可以更彻底地研究关注的建筑物对象周围的区域。例如，如果关注的建筑物对象已经被建筑物对象检测系统1所检测和分类，则可以将可移动驾驶机器人4导航到检测到的建筑物对象OBJ的区域，以由机器人4的扫描仪2执行附加的扫描。附加的扫描可以由可移动机器人4的相同或不同的扫描仪设备2来执行。在已经对检测到的建筑物对象的扫描数据SD进行分析和处理之后，可以触发附加的动作，诸如从建筑物中移除检测到的建筑物对象。在可能的实施例中，还可以处理扫描数据SD，以自动确定检测到的建筑物对象的操作状态。例如，可以激活附加的扫描仪2，以确定检测到的建筑物对象的当前操作状态。例如，在原始示例中，如果检测到被装配在建筑物的房间天花板上的灯具，则传感器可以提供指示该检测到的灯具是被打开还是关闭的传感器数据。另外，扫描数据SD还可以指示所安装的灯具是否正在闪烁。可以将检测到的建筑物对象的检测到的操作状态通知给平台，以用于触发对应的措施。例如，如果扫描数据SD指示检测到的建筑物对象（诸如，灯具）有故障或处于不期望的操作状态，则可以修复或更换检测到的建筑物对象。因此，根据本发明的建筑物对象检测系统1可以链接到维护系统1，从而改进对安装在建筑物内的多个建筑物对象OBJ的维护。
参考符号列表
1 对象检测系统
2 扫描仪
3 人工智能模块
4 驾驶机器人
4A 平台
4B、4C 车轮
4D 手柄
4E 电动马达
5 处理单元
6 对象标识符检测单元
7 验证单元
8 数据库
9 处理单元。

Claims (22)

1.一种用于检测安装在建筑物中的建筑物对象（OBJ）的建筑物对象检测系统（1），所述系统（1）包括：
至少一个扫描仪（2），其被适配成扫描建筑物内的空间，以生成相应扫描空间的扫描数据（SD）；以及
在所述建筑物对象检测系统（1）的处理单元（5）上实现的至少一个人工智能模块（3），其被适配成处理由所述至少一个扫描仪（2）生成的扫描数据（SD），以对安装在扫描空间内的建筑物对象（OBJ）进行自动检测和分类，
其中所述人工智能模块（3）利用经加标签的训练数据（LTD）来训练，所述经加标签的训练数据（LTD）包括从被提供有相关联的对象标识符（OBJ-ID）的先前扫描的建筑物对象（OBJ）的扫描数据（SD）中导出的标签（L），所述对象标识符（OBJ-ID）处于相应被安装的建筑物对象（OBJ）附近。
2.根据权利要求1所述的系统（1），其中所述至少一个扫描仪（2）被装配到所述系统（1）的远程控制或自主驾驶机器人（4），其中所述驾驶机器人（4）可在建筑物内移动，以将所述建筑物内的扫描空间的扫描数据（SD）提供给在所述驾驶机器人（4）的本地处理器上、或在所述建筑物的网络的本地控制器上实现的、或者在云平台的远程服务器上实现的经训练的人工智能模块（3），以对安装在建筑物的扫描空间内的建筑物对象（OBJ）进行检测和分类。
3.根据权利要求1或2所述的系统（1），其中相关联的对象标识符（OBJ-ID）包括可见对象标识符（OBJ-ID）和/或不可见对象标识符（OBJ-ID）。
4.根据前述权利要求1至3中任一项所述的系统（1），其中与建筑物对象（OBJ）相关联的对象标识符（OBJ-ID）被附着到建筑物对象（OBJ）的外壳、或者被提供在相应建筑物对象（OBJ）附近。
5.根据权利要求4所述的系统（1），其中所述可见对象标识符（OBJ-ID）包括：
一维条形码，
二维QR码，和/或
三维码。
6.根据前述权利要求1至5中任一项所述的系统（1），其中由装配到所述驾驶机器人（4）的所述至少一个扫描仪（2）生成的扫描数据（SD）包括：点云数据、和/或图像数据、雷达数据和/或声学数据。
7.根据前述权利要求1至6中任一项所述的系统（1），其中经训练的人工智能模块（3）包括经训练的深度神经网络。
8.根据前述权利要求1至7中任一项所述的系统（1），其中经训练的人工智能模块（3）从不同的扫描仪（2）接收扫描数据（SD），其中基于一个扫描仪（2）所提供的扫描数据（SD）对建筑物对象（OBJ）的分类由所述系统（1）的验证单元（7）基于另一个扫描仪（2）所提供的扫描数据（SD）来验证。
9.根据权利要求8所述的系统（1），其中对建筑物对象（OBJ）的分类进一步由所述系统（1）的验证单元（7）基于针对建筑物对象（OBJ）在建筑物内的安装的预定安装规则（IR）来验证。
10.根据前述权利要求1至9中任一项所述的系统（1），其中安装在建筑物的扫描空间内的被检测和分类的建筑物对象（OBJ）被存储在所述系统（1）的数据库（8）中，并且由所述系统（1）的处理单元（5）来处理，以生成被扫描的物理建筑物的数字孪生体（DT），其中所述数字孪生体（DT）形成了被扫描的物理建筑物的实时数字副本。
11.根据权利要求10所述的系统（1），其中将被扫描的物理建筑物的所生成的数字孪生体（DT）与存储在数据库（8）中的同一建筑物的数字规划模型进行比较，以自动检测被扫描的物理建筑物与所规划的建筑物之间的偏差。
12.根据前述权利要求1至11中任一项所述的系统（1），其中由所述至少一个扫描仪（2）生成的扫描数据（SD）包括地理参考扫描数据（SD），所述地理参考扫描数据（SD）由所述系统（1）的处理器来处理以确定检测到的建筑物对象（OBJ）的方位。
13.根据权利要求12所述的系统（1），其中将被检测和分类的建筑物对象（OBJ）的所确定的方位与建筑物的建筑物平面图数据进行比较，以验证由经训练的人工智能模块（3）执行的对相应建筑物对象（OBJ）的分类。
14.根据前述权利要求1至13中任一项所述的系统，其中由所述人工智能模块（3）所检测和分类的建筑物对象（OBJ）被提供有注释数据，并且被存储在所述系统（1）的数据库（8）中。
15.根据前述权利要求1至14中任一项所述的系统（1），其中将装配到所述可移动驾驶机器人（4）的扫描仪（2）自动移动到建筑物内的、由建筑物的数字孪生体（DT）中指定的建筑物对象（OBJ）的坐标所指示的位置，以扫描所指示的位置的周围环境。
16.根据前述权利要求1至15中任一项所述的系统（1），其中安装在建筑物中并且由所述建筑物对象检测系统（1）所检测的建筑物对象（OBJ）包括：
安全和警报安装设备，特别是温度传感器、火灾检测设备、火灾保护设备、雷电保护设备，
通信安装设备，特别是电话插座和/或无线电插座和通信线路，
人工照明设备、电气开关和电气插座以及电源线，
能量供应安装设备、加热和冷却安装设备、通风安装设备，
供水和排水安装设备，
自动扶梯和电梯安装设备、窗和门。
17.根据前述权利要求3至16中任一项所述的系统（1），其中所述不可见对象标识符（OBJ-ID）包括电磁信号对象标识符（OBJ-ID），特别是蓝牙和RFID对象标识符（OBJ-ID）。
18.根据前述权利要求1至17中任一项所述的系统（1），其中用于针对所述人工智能模块（3）提供经加标签的训练数据（LTD）的对象标识符（OBJ-ID）包括层级式分类器和/或对象属性。
19.根据前述权利要求1至18中任一项所述的系统（1），其中放置在所安装的建筑物对象（OBJ）附近并且用于针对所述人工智能模块（3）提供经加标签的训练数据（LTD）的对象标识符（OBJ-ID）提供绝对或相对方位信息。
20.一种用于检测安装在建筑物内的建筑物对象（OBJ）的计算机实现方法，所述方法包括以下步骤：
扫描（S1IPH）建筑物内的空间，以生成相应扫描空间的扫描数据（SD）；以及
由人工智能模块（3）处理（S2IPH）所生成的扫描数据（SD），以对安装在扫描空间内的建筑物对象（OBJ）进行自动检测和分类，
其中所述人工智能模块（3）利用经加标签的训练数据（LTD）来训练，所述经加标签的训练数据（LTD）包括从被提供有相关联的对象标识符（OBJ-ID）的先前扫描的建筑物对象（OBJ）的扫描数据（SD）中导出的标签（L），所述对象标识符（OBJ-ID）处于相应被安装的建筑物对象（OBJ）附近。
21.一种用于训练在根据前述权利要求1至19中任一项所述的建筑物对象检测系统（1）的处理单元（5）中实现的人工智能模块（3）的方法，
所述训练方法包括以下步骤：
将对象标识符（OBJ-ID）物理地附着（S1TPH）在被安装在建筑物中的建筑物对象（OBJ）附近；
扫描（S2TPH）建筑物内的空间，以生成相应扫描空间的扫描数据（SD）；
处理（S3TPH）所生成的扫描数据（SD），以从所述扫描数据（SD）中包括的对象标识符（OBJ-ID）中导出标签（L）；
利用所导出的标签（L）来自动注释（S4TPH）所述扫描数据（SD），以提供经加标签的训练数据（LTD）；以及
利用经加标签的训练数据（LTD）来训练（S5TPH）所述人工智能模块（3）。
22.一种驾驶机器人（4），包括：至少一个扫描仪（2），其被适配成生成建筑物内的扫描空间的扫描数据（SD），
其中所生成的扫描数据（SD）被提供给在根据前述权利要求1至19中任一项所述的建筑物对象检测系统（1）的处理单元（5）上实现的人工智能模块（3），以检测安装在建筑物中的建筑物对象（OBJ）。
CN201980094067.7A 2019-01-14 2019-11-14 用于检测安装在建筑物内的建筑物对象的方法和系统 Pending CN113544693A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19151592.3 2019-01-14
EP19151592.3A EP3680813A1 (en) 2019-01-14 2019-01-14 Method and system for detecting objects installed within a building
PCT/EP2019/081259 WO2020147996A1 (en) 2019-01-14 2019-11-14 Method and system for detecting building objects installed within a building

Publications (1)

Publication Number Publication Date
CN113544693A true CN113544693A (zh) 2021-10-22

Family

ID=65030920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980094067.7A Pending CN113544693A (zh) 2019-01-14 2019-11-14 用于检测安装在建筑物内的建筑物对象的方法和系统

Country Status (4)

Country Link
US (1) US12026595B2 (zh)
EP (2) EP3680813A1 (zh)
CN (1) CN113544693A (zh)
WO (1) WO2020147996A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114036987A (zh) * 2021-11-12 2022-02-11 上海擎朗智能科技有限公司 一种扶梯检测方法、装置、移动设备和存储介质

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11508078B2 (en) * 2020-08-05 2022-11-22 Lineage Logistics, LLC Point cloud annotation for a warehouse environment
TWI768776B (zh) * 2021-03-19 2022-06-21 國立臺灣大學 室內定位系統及室內定位方法
GB2605431B (en) * 2021-03-31 2023-05-31 Bow Tie Construction Ltd System and Method for Design and Installation of Building Elements
CN113378642B (zh) * 2021-05-12 2022-05-06 三峡大学 一种对农村违法占地建筑物进行检测的方法
DE102022105079A1 (de) * 2022-03-03 2023-09-07 Still Gesellschaft Mit Beschränkter Haftung Automatische Herstellung eines digitalen Zwillings
CN116129277B (zh) * 2023-04-04 2023-11-21 重庆市建设工程质量检验测试中心有限公司 一种建筑节能检测方法及系统
CN116401895B (zh) * 2023-05-05 2023-09-29 国网浙江省电力有限公司 用于电力营销管理系统的信息处理方法及系统
CN117057024B (zh) * 2023-10-11 2023-12-29 建研防火科技有限公司 一种火灾自动报警探测器布置方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020164052A1 (en) * 2000-04-19 2002-11-07 Reed Alastair M. Enhancing embedding of out-of-phase signals
US20160328660A1 (en) * 2015-05-04 2016-11-10 Yi Sun Huang Machine Learning System, Method, and Program Product for Point of Sale Systems
US20170243317A1 (en) * 2013-08-02 2017-08-24 Digimarc Corporation Learning systems and methods
WO2018005369A1 (en) * 2016-06-30 2018-01-04 Bossa Nova Robotics Ip, Inc. Multiple camera system for inventory tracking
CN108021819A (zh) * 2016-11-04 2018-05-11 西门子保健有限责任公司 使用深度学习网络的匿名和安全分类
CN108340405A (zh) * 2017-11-10 2018-07-31 广东康云多维视觉智能科技有限公司 一种机器人三维扫描系统及方法
CN109154993A (zh) * 2016-03-29 2019-01-04 波萨诺瓦机器人知识产权有限公司 用于对物品定位、识别和计数的系统和方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100843085B1 (ko) * 2006-06-20 2008-07-02 삼성전자주식회사 이동 로봇의 격자지도 작성 방법 및 장치와 이를 이용한영역 분리 방법 및 장치
US8468244B2 (en) * 2007-01-05 2013-06-18 Digital Doors, Inc. Digital information infrastructure and method for security designated data and with granular data stores
US10643079B2 (en) * 2017-03-31 2020-05-05 Alarm.Com Incorporated Supervised delivery techniques
GB2562095B (en) * 2017-05-05 2020-07-15 Arm Kk An electronic label and methods and system therefor
US11295167B2 (en) * 2020-04-27 2022-04-05 Toshiba Global Commerce Solutions Holdings Corporation Automated image curation for machine learning deployments

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020164052A1 (en) * 2000-04-19 2002-11-07 Reed Alastair M. Enhancing embedding of out-of-phase signals
US20170243317A1 (en) * 2013-08-02 2017-08-24 Digimarc Corporation Learning systems and methods
US20160328660A1 (en) * 2015-05-04 2016-11-10 Yi Sun Huang Machine Learning System, Method, and Program Product for Point of Sale Systems
CN109154993A (zh) * 2016-03-29 2019-01-04 波萨诺瓦机器人知识产权有限公司 用于对物品定位、识别和计数的系统和方法
WO2018005369A1 (en) * 2016-06-30 2018-01-04 Bossa Nova Robotics Ip, Inc. Multiple camera system for inventory tracking
CN108021819A (zh) * 2016-11-04 2018-05-11 西门子保健有限责任公司 使用深度学习网络的匿名和安全分类
CN108340405A (zh) * 2017-11-10 2018-07-31 广东康云多维视觉智能科技有限公司 一种机器人三维扫描系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114036987A (zh) * 2021-11-12 2022-02-11 上海擎朗智能科技有限公司 一种扶梯检测方法、装置、移动设备和存储介质
CN114036987B (zh) * 2021-11-12 2024-05-31 上海擎朗智能科技有限公司 一种扶梯检测方法、装置、移动设备和存储介质

Also Published As

Publication number Publication date
US20220122358A1 (en) 2022-04-21
WO2020147996A1 (en) 2020-07-23
EP3912081A1 (en) 2021-11-24
US12026595B2 (en) 2024-07-02
EP3680813A1 (en) 2020-07-15

Similar Documents

Publication Publication Date Title
US12026595B2 (en) Method and system for detecting building objects installed within a building
US20220157138A1 (en) Facility surveillance systems and methods
US11182598B2 (en) Smart area monitoring with artificial intelligence
CN107832680B (zh) 用于视频分析的计算机化的方法、系统和存储介质
JP2019023848A (ja) ロボットによる自動マッピング用コンピュータシステム及び方法
US20140267776A1 (en) Tracking system using image recognition
US10725176B2 (en) System and method of intrusion detection
US11749080B2 (en) Group identification and monitoring
Shin et al. Multimodal layer surveillance map based on anomaly detection using multi‐agents for smart city security
US9842477B2 (en) Lighting device and lighting system
Symeonidis et al. Vision-based UAV safe landing exploiting lightweight deep neural networks
US20230358890A1 (en) Individual identification and tracking via combined video and lidar systems
WO2021204587A1 (en) Aligning and augmenting a partial subspace of a physical infrastructure with at least one information element
KR20220062570A (ko) 객체 이동 시스템
JP2022526071A (ja) 状況認識監視
Vlaminck et al. Indoor assistance for visually impaired people using a RGB-D camera
CN113505704B (zh) 图像识别的人员安全侦测方法、系统、设备及存储介质
Kostoeva et al. Indoor 3D interactive asset detection using a smartphone
RU2729196C1 (ru) Системы и способы формирования светового потока на основании изображений
Meng et al. Arpico: Using pictures to build localization service for indoor iot applications
RU2744510C2 (ru) Система и способ формирования светового потока на основании изображений
Khan et al. Building Rich Interior Hazard Maps for Public Safety
Schwesinger 3D Perception Based Lifelong Navigation of Service Robots in Dynamic Environments

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