CN114596313A - 一种基于室内点云的建筑物构件损伤检测方法及相关设备 - Google Patents

一种基于室内点云的建筑物构件损伤检测方法及相关设备 Download PDF

Info

Publication number
CN114596313A
CN114596313A CN202210495710.0A CN202210495710A CN114596313A CN 114596313 A CN114596313 A CN 114596313A CN 202210495710 A CN202210495710 A CN 202210495710A CN 114596313 A CN114596313 A CN 114596313A
Authority
CN
China
Prior art keywords
damage
building
point cloud
component
original
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
Application number
CN202210495710.0A
Other languages
English (en)
Other versions
CN114596313B (zh
Inventor
王伟玺
黄俊杰
谢林甫
李晓明
汤圣君
郭仁忠
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202210495710.0A priority Critical patent/CN114596313B/zh
Publication of CN114596313A publication Critical patent/CN114596313A/zh
Application granted granted Critical
Publication of CN114596313B publication Critical patent/CN114596313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于室内点云的建筑物构件损伤检测方法及相关设备，所述方法包括：对原始建筑物室内点云和损伤后建筑物室内点云进行预处理；预处理后，根据不同房间构件的几何形状特征和相互之间的空间位置关系，对原始建筑物室内点云进行构件提取和房间划分；根据原始建筑物和损伤建筑物中具有相同楼层编号、房间编号以及构件编号的点簇进行损伤检测；根据损伤检测得到的损伤等级进行损伤模式的识别并计算损伤数值。本发明基于室内点云对建筑物进行构件级别的损伤检测，有效识别受到损伤后的建筑物中每一个构件的损伤情况，提升了损伤识别的精度。

Description

一种基于室内点云的建筑物构件损伤检测方法及相关设备
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于室内点云的建筑物构件损伤检测方法及相关设备。
背景技术
虽然目前基于高分辨率影像的建筑物损伤评估技术较为成熟，并且能在一定程度上实现自动化，但是二维的影像数据无法准确反应建筑物整体结构，无法自动化识别不同构件，同时，影像数据的采集对现场条件要求较高，对损伤后建筑物进行影像数据采集存在较大困难。
随着点云数据采集技术的发展，三维激光点云成为建筑物对象理想的数据载体，点云只需要依靠三维空间坐标信息就可以准确反应建筑物整体结构及各个构件的信息，数据采集自动化程度高，可以深入损伤建筑物进行室内精确数据扫描采集。现有的基于点云对建筑物进行损伤检测的技术大多针对于建筑物外部整体损伤情况，并且无法对损伤模式进行准确判断，输入的点云大多数为建筑物外部点云。然而建筑物外部的损伤情况并无法准确反应打击手段对建筑物造成的影响，严重阻碍后续对建筑物损伤情况的准确评估。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于室内点云的建筑物构件损伤检测方法、系统、终端及计算机可读存储介质，旨在解决现有技术中基于点云对建筑物进行损伤检测的技术无法对建筑物损伤情况进行准确评估的问题。
为实现上述目的，本发明提供一种基于室内点云的建筑物构件损伤检测方法，所述基于室内点云的建筑物构件损伤检测方法包括如下步骤：
对原始建筑物室内点云和损伤后建筑物室内点云进行预处理；
预处理后，根据不同房间构件的几何形状特征和相互之间的空间位置关系，对原始建筑物室内点云进行构件提取和房间划分；
根据原始建筑物和损伤建筑物中具有相同楼层编号、房间编号以及构件编号的点簇进行损伤检测；
根据损伤检测得到的损伤等级进行损伤模式的识别并计算损伤数值。
所述的基于室内点云的建筑物构件损伤检测方法，其中，所述对原始建筑物室内点云和损伤后建筑物室内点云进行预处理，具体包括：
对原始建筑物室内点云和损伤后建筑物室内点云进行降噪以及降采样，去除原始建筑物室内点云和损伤后建筑物室内点云中的离散噪声点；
分别在原始建筑物室内点云和损伤后建筑物室内点云上选取三个或者三个以上同名点进行点云配准，通过ICP算法对配准结果进行优化，得到配准后的原始建筑物室内点云和损伤后建筑物室内点云；
对每一个在原始建筑物室内点云中的点
Figure 245373DEST_PATH_IMAGE001
，搜索点
Figure 818306DEST_PATH_IMAGE001
在损伤后建筑物室内点云中最邻近的
Figure 394780DEST_PATH_IMAGE002
个点，并计算点
Figure 524410DEST_PATH_IMAGE001
与
Figure 745307DEST_PATH_IMAGE003
个点的平均距离
Figure 364508DEST_PATH_IMAGE004
，通过如下公式：
Figure 365962DEST_PATH_IMAGE005
；
计算原始建筑物室内点云和损伤后建筑物室内点云之间的平均距离
Figure 486233DEST_PATH_IMAGE006
，若平均距离
Figure 686270DEST_PATH_IMAGE006
小于两倍的点云空间分辨率，则认为配准合格；其中，n表示点云的个数。
所述的基于室内点云的建筑物构件损伤检测方法，其中，所述预处理后，根据不同房间构件的几何形状特征和相互之间的空间位置关系，对原始建筑物室内点云进行构件提取和房间划分，具体包括：
配准合格后，提取原始建筑物中不同楼层点云，计算不同楼层点云的包围盒，获取原始建筑物室内点云中不同楼层点云的包围盒的最大三维角点
Figure 414055DEST_PATH_IMAGE007
和最小三维角点
Figure 840488DEST_PATH_IMAGE008
，根据如下公式：
Figure 311921DEST_PATH_IMAGE009
；
判断损伤后建筑物室内点云中的点
Figure 366465DEST_PATH_IMAGE010
是否属于原始建筑物室内点云楼层
Figure 717680DEST_PATH_IMAGE011
的包围盒中，循环将损伤后建筑物室内点云中每一个点与原始建筑物室内点云中每一个楼层的包围盒进行判断，完成对损伤后建筑物室内点云的楼层划分；
完成楼层划分后，依次对原始建筑物每一楼层点云进行构件提取以及房间划分；
计算每一个原始建筑物室内构件点簇的包围盒，根据包围盒的最大点信息和最小点信息对损伤后建筑物室内点云进行构件点簇的提取，并赋予与原始建筑物室内构件点簇相同的标签。
所述的基于室内点云的建筑物构件损伤检测方法，其中，所述构件包括：墙、梁、柱、顶板和底板；
所述构件提取具体包括：
对原始建筑物室内点云进行多尺度分辨率的超体素分割，以超体素为基元进行区域增长，将同属于一个平面的相邻超体素进行拟合，完成对原始建筑物室内点云中的平面进行分割，构成点簇集合；
计算点簇集合的几何特征、表面特征和空间上下文特征，构成特征向量集合；
使用标记好的训练数据集对随机森林分类器进行训练，得到随机森林分类器的配置文件后，使用配置文件对分类器进行配置，使用分类器对平面点簇进行墙、梁、柱、顶板和底板的类别进行标注；
初始分类完成后，根据先验规则对标注的类别进行优化，完成构件提取；
其中，所述先验规则包括：梁、柱的体积始终小于墙、顶板、底板；墙、柱始终垂直于顶板、底板；同一楼层的底板始终低于顶板；梁始终与顶板相邻接。
所述的基于室内点云的建筑物构件损伤检测方法，其中，所述房间划分具体包括：
依次对每一楼层中的原始建筑物的构件进行房间划分，提取同一楼层中的地面点簇，计算底板点簇的法向量，将墙面点簇沿着地面点簇的法向量方向投影到二维平面上构成二维投影图，利用最小二乘法实现对墙面的拟合，将原先散乱的直线拟合到直线；
完成投影后对二维投影图进行二进制处理，将墙面直线的像素设置为0，其它像素设置为1，在二维图像上形成相对独立的连通区域；
基于形态学知识消除识别错误的连通区域，去除小面积以及比例失调的连通区域；
使用分水岭分割算法对处理后的连通区域进行粗分割，为每一个连通区域赋予一个空间标签，使用格网分割算法对分割得到的连通区域进行精细分割，获得每一个房间在二维图像上的带有房间编号标签的准确投影区域，提取投影区域的角点作为房间的二维角点；
将二维角点逆投影变化到三维空间中得到三维房角点，基于底板点簇法向量的方向以及底板点簇和顶板点簇之间的高度差异，扩充房间点，形成一个房间包围盒，根据房间包围盒对构件点簇进行房间划分，赋予每一个构件点簇标签
Figure 693727DEST_PATH_IMAGE012
，其中
Figure 765588DEST_PATH_IMAGE013
为楼层编号，
Figure 143480DEST_PATH_IMAGE014
为房间编号，
Figure 885171DEST_PATH_IMAGE015
为构件编号。
所述的基于室内点云的建筑物构件损伤检测方法，其中，所述根据原始建筑物和损伤建筑物中具有相同楼层编号、房间编号以及构件编号的点簇进行损伤检测，具体包括：
搜索每一个在原始构件点簇中的点
Figure 410830DEST_PATH_IMAGE001
在损伤后建筑物构件点簇中最邻近的
Figure 224065DEST_PATH_IMAGE003
个点，计算点
Figure 377835DEST_PATH_IMAGE001
与
Figure 946219DEST_PATH_IMAGE003
个点的平均距离
Figure 631279DEST_PATH_IMAGE004
，通过如下公式：
Figure 185888DEST_PATH_IMAGE005
；
计算原始构件点簇和损伤后建筑物构件点簇之间的平均距离
Figure 272793DEST_PATH_IMAGE006
，假设
Figure 12078DEST_PATH_IMAGE006
为体素化的原始分辨率对原始构件点簇和损伤后建筑物构件点簇进行体素化，获得原始构件和损伤后建筑物构件的原始体素集合，设原始构件中体素总数为
Figure 105805DEST_PATH_IMAGE016
；
基于原始构件体素集合
Figure 260843DEST_PATH_IMAGE017
对损伤后构件体素集合
Figure 530150DEST_PATH_IMAGE018
进行布尔计算，判断原始构件体素集合中的体素是否与损伤后构件体素相交；若原始体素未与损伤构件体素集合中的任何体素相交，则认为原始体素所在的原始构件位置发生损伤；
提取发生损伤的原始体素的邻接体素，以原始体素分辨率的
Figure 378021DEST_PATH_IMAGE019
为步长提高邻接体素的分辨率和损伤构件体素的分辨率后再次进行损伤体素的识别，直到无法再在原始构件的体素集合中提取到损伤体素，将检测到的损伤体素按照原始分辨率的体素添加到原始构件发生损伤体素集合
Figure 709776DEST_PATH_IMAGE020
；
根据原始分辨率的体素计算损伤体素数量
Figure 730822DEST_PATH_IMAGE021
，计算损伤体素数量
Figure 526739DEST_PATH_IMAGE021
和原始构件中体素总数为
Figure 732462DEST_PATH_IMAGE016
之间的比率R，若R大于
Figure 879409DEST_PATH_IMAGE022
但小于
Figure 438566DEST_PATH_IMAGE023
，则认为损伤构件发生轻度损伤，若R大于
Figure 292253DEST_PATH_IMAGE023
但小于
Figure 216347DEST_PATH_IMAGE024
，则认为伤构件发生中度损伤，若R大于
Figure 912907DEST_PATH_IMAGE024
，则认为伤构件发生重度损伤。
所述的基于室内点云的建筑物构件损伤检测方法，其中，所述损伤模式包括：撕裂形损伤、破洞形损伤和塑性变形损伤；
所述撕裂形损伤的损伤参数包括：损伤长度、损伤宽度和损伤体积；
所述破洞形损伤的损伤参数包括：损伤长度、损伤宽度和损伤体积；
所述塑性变形损伤的损伤参数包括：损伤长度、损伤宽度、损伤体积和最大挠度；
所述根据损伤检测得到的损伤等级进行损伤模式的识别并计算损伤数值，具体包括：
基于发生损伤的原始构件的构件点簇计算构件的法向量
Figure 134810DEST_PATH_IMAGE025
，在原始构件发生损伤体素集合
Figure 170899DEST_PATH_IMAGE020
中的每一个损伤体素
Figure 328211DEST_PATH_IMAGE026
定义一条直线
Figure 449751DEST_PATH_IMAGE027
，对直线
Figure 226077DEST_PATH_IMAGE028
和损伤后构件体素集合
Figure 913410DEST_PATH_IMAGE018
进行布尔计算，若损伤体素
Figure 444886DEST_PATH_IMAGE029
的直线
Figure 709514DEST_PATH_IMAGE027
与
Figure 679744DEST_PATH_IMAGE030
中任意体素都不相交，则设置损伤体素
Figure 424846DEST_PATH_IMAGE029
的损伤值为-1，若损伤体素
Figure 64906DEST_PATH_IMAGE029
的直线
Figure 692196DEST_PATH_IMAGE027
与
Figure 138221DEST_PATH_IMAGE030
中的体素
Figure 924780DEST_PATH_IMAGE031
相交，则计算体素
Figure 798058DEST_PATH_IMAGE029
与体素
Figure 912645DEST_PATH_IMAGE032
之间的距离
Figure 834465DEST_PATH_IMAGE033
，将距离
Figure 554159DEST_PATH_IMAGE033
设置为损伤体素
Figure 395076DEST_PATH_IMAGE029
的损伤值
Figure 387172DEST_PATH_IMAGE034
；
完成损伤体素的初始损伤值计算后，使用高斯滤波对初始损伤值进行平滑处理，获得优化后的损伤值
Figure 174999DEST_PATH_IMAGE035
；
完成平滑处理后，基于优化后的损伤值
Figure 545937DEST_PATH_IMAGE035
对原始构件发生损伤体素集合
Figure 698701DEST_PATH_IMAGE020
中的体素进行特征聚类，得到若干个发生不同损伤模式损伤的损伤体素簇，通过将损伤体素簇中体素的数量乘以体素大小得到损伤处的相对损伤体积；
计算损伤体素簇的包围盒，通过损伤体素簇的包围盒的长和宽确定损伤处的损伤长度和宽度；
依次计算损伤体素簇中体素损伤值的平均值
Figure 725563DEST_PATH_IMAGE036
；
若
Figure 379398DEST_PATH_IMAGE036
大于零，则认为损伤体素簇处发生塑性变形损伤，并通过计算体素簇中体素损伤值最大值
Figure 729477DEST_PATH_IMAGE037
，确定塑性变形损伤的损伤最大挠度；
若
Figure 115459DEST_PATH_IMAGE036
小于零，则认为损伤体素簇处发生边撕裂形损伤或破洞形损伤，若处损伤的损伤长度除以损伤宽度大于3，则认为损伤模式为边撕裂形损伤，反之则认为是破洞形损伤。
此外，为实现上述目的，本发明还提供一种基于室内点云的建筑物构件损伤检测系统，其中，所述基于室内点云的建筑物构件损伤检测系统包括：
点云预处理模块，用于对原始建筑物室内点云和损伤后建筑物室内点云进行预处理；
建筑物分析模块，用于预处理后，根据不同房间构件的几何形状特征和相互之间的空间位置关系，对原始建筑物室内点云进行构件提取和房间划分；
损伤等级检测模块，用于根据原始建筑物和损伤建筑物中具有相同楼层编号、房间编号以及构件编号的点簇进行损伤检测；
损伤模式识别模块，用于根据损伤检测得到的损伤等级进行损伤模式的识别并计算损伤数值。
此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于室内点云的建筑物构件损伤检测程序，所述基于室内点云的建筑物构件损伤检测程序被所述处理器执行时实现如上所述的基于室内点云的建筑物构件损伤检测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于室内点云的建筑物构件损伤检测程序，所述基于室内点云的建筑物构件损伤检测程序被处理器执行时实现如上所述的基于室内点云的建筑物构件损伤检测方法的步骤。
本发明中，对原始建筑物室内点云和损伤后建筑物室内点云进行预处理；预处理后，根据不同房间构件的几何形状特征和相互之间的空间位置关系，对原始建筑物室内点云进行构件提取和房间划分；根据原始建筑物和损伤建筑物中具有相同楼层编号、房间编号以及构件编号的点簇进行损伤检测；根据损伤检测得到的损伤等级进行损伤模式的识别并计算损伤数值。本发明基于室内点云对建筑物进行构件级别的损伤检测，有效识别受到损伤后的建筑物中每一个构件的损伤情况，提升了损伤识别的精度。
附图说明
图1是本发明基于室内点云的建筑物构件损伤检测方法的较佳实施例的流程图；
图2是本发明基于室内点云的建筑物构件损伤检测方法的较佳实施例的基于点云的建筑物构件级损伤检测总体流程图；
图3是本发明基于室内点云的建筑物构件损伤检测方法的较佳实施例中对两期建筑物点云进行配准的流程示意图；
图4是本发明基于室内点云的建筑物构件损伤检测方法的较佳实施例中基于原始建筑物室内点云的构件提取以及房间划分流程图；
图5是本发明基于室内点云的建筑物构件损伤检测方法的较佳实施例中基于两期构件点簇的构件损伤等级判断流程图；
图6是本发明基于室内点云的建筑物构件损伤检测方法的较佳实施例中损伤数值计算的流程图；
图7是本发明基于室内点云的建筑物构件损伤检测方法的较佳实施例中损伤数值优化及聚类的流程图；
图8是本发明基于室内点云的建筑物构件损伤检测方法的较佳实施例中损伤模式识别及损伤数值计算流程图；
图9是本发明基于室内点云的建筑物构件损伤检测系统的较佳实施例的原理示意图；
图10为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明较佳实施例所述的基于室内点云的建筑物构件损伤检测方法，如图1和图2所示，所述基于室内点云的建筑物构件损伤检测方法包括以下步骤：
步骤S10、对原始建筑物室内点云和损伤后建筑物室内点云进行预处理。
具体地，所述步骤S10具体包括：
步骤S11、对原始建筑物室内点云和损伤后建筑物室内点云进行降噪以及降采样，去除原始建筑物室内点云和损伤后建筑物室内点云中的离散噪声点，确保原始建筑物室内点云和损伤后建筑物室内点云（两期点云）的空间分辨率为0.03m，即点云中任意两点间的距离大于等于0.03m，从而去除两期点云中的离散点，提升后续算法精度与效率；
步骤S12、分别在原始建筑物室内点云和损伤后建筑物室内点云（两期点云）上选取三个或者三个以上同名点进行两期点云配准，通过ICP算法对配准结果进行优化，优化过程如图3所示，在原始建筑物室内点云和损伤后建筑物室内点云（两期点云）上选取至少三个同名点，获取旋转平移变化矩阵，计算旋转平移参数，得到粗匹配结果，再通过ICP算法进行优化，得到配准后的原始建筑物室内点云和损伤后建筑物室内点云；
步骤S13、对每一个在原始建筑物室内点云中的点
Figure 957513DEST_PATH_IMAGE001
，搜索点
Figure 87143DEST_PATH_IMAGE001
在损伤后建筑物室内点云中最邻近的
Figure 308040DEST_PATH_IMAGE002
个点，并计算点
Figure 927240DEST_PATH_IMAGE001
与
Figure 928694DEST_PATH_IMAGE003
个点的平均距离
Figure 783387DEST_PATH_IMAGE004
，通过如下公式：
Figure 983424DEST_PATH_IMAGE005
；
计算原始建筑物室内点云和损伤后建筑物室内点云之间的平均距离
Figure 976788DEST_PATH_IMAGE006
，若平均距离
Figure 403221DEST_PATH_IMAGE006
小于两倍的点云空间分辨率（0.03m），则认为配准合格；其中，n表示点云的个数。
步骤S20、预处理后，根据不同房间构件的几何形状特征和相互之间的空间位置关系，对原始建筑物室内点云进行构件提取和房间划分。
具体地，根据不同房间的构件：墙、梁、柱、顶板、底板的几何形状特征以及相互之间的空间位置关系，对原始建筑物室内点云进行构件提取和房间划分。
如图4所示，所述步骤S20具体包括：
步骤S21、由于原始建筑物室内点云的楼层信息明显，配准合格后，通过手动分割的方式提取原始建筑物中不同楼层点云，计算这些不同楼层点云的包围盒，获取原始建筑物室内点云中不同楼层点云的包围盒Bouding Box的最大三维角点
Figure 671391DEST_PATH_IMAGE007
和最小三维角点
Figure 929197DEST_PATH_IMAGE008
，根据如下公式：
Figure 303851DEST_PATH_IMAGE009
；
判断损伤后建筑物室内点云中的点
Figure 811055DEST_PATH_IMAGE010
是否属于原始建筑物室内点云楼层
Figure 86179DEST_PATH_IMAGE011
的包围盒Bouding Box中，循环将损伤后建筑物室内点云中每一个点与原始建筑物室内点云中每一个楼层的包围盒进行判断，从而自动化的实现对损伤后建筑物室内点云的楼层划分；
步骤S22、完成楼层划分后，依次对原始建筑物每一楼层点云进行构件提取以及房间划分；
步骤S23、最后计算每一个原始建筑物室内构件点簇的包围盒Bouding Box，根据包围盒的最大点信息和最小点信息对损伤后建筑物室内点云进行构件点簇的提取，并赋予与原始建筑物室内构件点簇相同的标签。
进一步地，所述构件包括：墙、梁、柱、顶板和底板；如图4所示，所述构件提取具体包括（即步骤S22中的构件提取具体包括）：
步骤S2211、对原始建筑物室内点云进行多尺度分辨率的超体素分割，以超体素为基元进行区域增长，将同属于一个平面的相邻超体素进行拟合，最终实现对原始建筑物室内点云中的平面进行分割，构成点簇集合；
步骤S2212、计算点簇集合的几何特征、表面特征和空间上下文特征，构成特征向量集合；
步骤S2213、使用标记好的训练数据集对随机森林分类器进行训练，得到随机森林分类器的配置文件后，使用随机森林分类器的配置文件对分类器进行配置，然后使用配置好的分类器对平面点簇进行墙、梁、柱、顶板和底板的类别进行标注；
步骤S2214、初始分类完成后，根据先验规则对标注的类别进行优化，最终完成构件提取。
其中，所述先验规则包括：梁、柱的体积始终小于墙、顶板、底板；墙、柱始终垂直于顶板、底板；同一楼层的底板始终低于顶板；梁始终与顶板相邻接。
进一步地，如图4所示，所述房间划分具体包括（即步骤S22中的房间划分具体包括）：
步骤S2221、依次对每一楼层中的原始建筑物的构件进行房间划分，首先提取同一楼层中的地面点簇，计算底板点簇的法向量，将墙面点簇沿着地面点簇的法向量方向投影到二维平面上构成二维投影图，利用最小二乘法实现对墙面的拟合，将原先散乱的直线拟合到直线；
步骤S2222、完成投影后对二维投影图进行二进制处理，将墙面直线的像素设置为0，其它像素设置为1，在二维图像上形成相对独立的连通区域；
步骤S2223、基于形态学知识消除识别错误的连通区域，去除小面积以及比例失调的连通区域；
步骤S2224、然后使用分水岭分割算法对处理后的连通区域进行粗分割，为每一个连通区域赋予一个空间标签，使用格网分割算法对分割得到的连通区域进行精细分割，获得每一个房间在二维图像上的带有房间编号标签的准确投影区域，提取投影区域的角点作为房间的二维角点；
步骤S2225、最后将二维角点逆投影变化到三维空间中得到三维房角点，基于底板点簇法向量的方向以及底板点簇和顶板点簇之间的高度差异，扩充房间点，形成一个房间包围盒，根据房间包围盒对构件点簇进行房间划分，赋予每一个构件点簇标签
Figure 401754DEST_PATH_IMAGE012
，其中
Figure 471341DEST_PATH_IMAGE013
为楼层编号，
Figure 731421DEST_PATH_IMAGE014
为房间编号，
Figure 731607DEST_PATH_IMAGE015
为构件编号。
步骤S30、根据原始建筑物和损伤建筑物中具有相同楼层编号、房间编号以及构件编号的点簇进行损伤检测。
具体地，依次提取步骤S20中得到的原始建筑物和损伤建筑物中具有相同楼层编号、房间编号以及构件编号的点簇进行损伤检测。
如图5所示，所述步骤S30具体包括：
步骤S31、首先搜索每一个在原始构件点簇中的点
Figure 964005DEST_PATH_IMAGE001
在损伤后建筑物构件点簇中最邻近的
Figure 266810DEST_PATH_IMAGE003
个点，计算点
Figure 889553DEST_PATH_IMAGE001
与
Figure 506479DEST_PATH_IMAGE003
个点的平均距离
Figure 655700DEST_PATH_IMAGE004
，通过如下公式：
Figure 332669DEST_PATH_IMAGE005
；
计算原始构件点簇和损伤后建筑物构件点簇之间的平均距离
Figure 426396DEST_PATH_IMAGE006
，假设
Figure 643751DEST_PATH_IMAGE006
为体素化的原始分辨率对原始构件点簇和损伤后建筑物构件点簇进行体素化，获得原始构件和损伤后建筑物构件的原始体素集合，设原始构件中体素总数为
Figure 850741DEST_PATH_IMAGE016
；
步骤S32、基于原始构件体素集合
Figure 105136DEST_PATH_IMAGE017
对损伤后构件体素集合
Figure 827105DEST_PATH_IMAGE018
进行布尔计算，判断原始构件体素集合中的体素是否与损伤后构件体素相交；若原始体素未与损伤构件体素集合中的任何体素相交，则认为原始体素所在的原始构件位置发生损伤；
步骤S33、为进一步准确识别发生损伤的原始体素，提取发生损伤的原始体素的邻接体素，以原始体素分辨率的
Figure 785833DEST_PATH_IMAGE019
为步长提高邻接体素的分辨率和损伤构件体素的分辨率后再次参照步骤S32进行损伤体素的识别，对上述步骤进行迭代直到无法再在原始构件的体素集合中提取到损伤体素，将检测到的损伤体素按照原始分辨率的体素添加到原始构件发生损伤体素集合
Figure 768702DEST_PATH_IMAGE020
；
步骤S34、根据原始分辨率的体素计算损伤体素数量
Figure 849790DEST_PATH_IMAGE021
，计算损伤体素数量
Figure 996738DEST_PATH_IMAGE021
和原始构件中体素总数为
Figure 431261DEST_PATH_IMAGE016
之间的比率R，若R大于
Figure 347265DEST_PATH_IMAGE022
但小于
Figure 333675DEST_PATH_IMAGE023
，则认为损伤构件发生轻度损伤，若R大于
Figure 154870DEST_PATH_IMAGE023
但小于
Figure 455401DEST_PATH_IMAGE024
，则认为伤构件发生中度损伤，若R大于
Figure 288228DEST_PATH_IMAGE024
，则认为伤构件发生重度损伤。
步骤S40、根据损伤检测得到的损伤等级进行损伤模式的识别并计算损伤数值。
具体地，本发明对发生轻度损伤、中度损伤以及重度损伤的构件进行损伤模式的识别并计算每一处损伤处的体积。本发明定义了三种损伤模式：撕裂形损伤、破洞形损伤、塑性变形损伤，所述撕裂形损伤的损伤参数包括：损伤长度、损伤宽度和损伤体积；所述破洞形损伤的损伤参数包括：损伤长度、损伤宽度和损伤体积；所述塑性变形损伤的损伤参数包括：损伤长度、损伤宽度、损伤体积和最大挠度。
如图6、图7和图8所示，所述步骤S40具体包括：
步骤S41、首先基于发生损伤的原始构件的构件点簇计算构件的法向量
Figure 320906DEST_PATH_IMAGE025
，在步骤S30中生成的原始构件发生损伤体素集合
Figure 442446DEST_PATH_IMAGE020
中的每一个损伤体素
Figure 343405DEST_PATH_IMAGE029
定义一条直线
Figure 234001DEST_PATH_IMAGE027
，对直线
Figure 686848DEST_PATH_IMAGE028
和损伤后构件体素集合
Figure 92422DEST_PATH_IMAGE018
进行布尔计算，若损伤体素
Figure 335DEST_PATH_IMAGE029
的直线
Figure 417541DEST_PATH_IMAGE027
与
Figure 182234DEST_PATH_IMAGE018
中任意体素都不相交，则设置损伤体素
Figure 12787DEST_PATH_IMAGE029
的损伤值为-1，若损伤体素
Figure 380183DEST_PATH_IMAGE029
的直线
Figure 42109DEST_PATH_IMAGE027
与
Figure 915387DEST_PATH_IMAGE018
中的体素
Figure 905340DEST_PATH_IMAGE031
相交，则计算体素
Figure 951793DEST_PATH_IMAGE029
与体素
Figure 592859DEST_PATH_IMAGE032
之间的距离
Figure 637038DEST_PATH_IMAGE033
，将距离
Figure 238921DEST_PATH_IMAGE033
设置为损伤体素
Figure 698852DEST_PATH_IMAGE029
的损伤值
Figure 335370DEST_PATH_IMAGE034
；
步骤S42、完成损伤体素的初始损伤值计算后，使用高斯滤波对初始损伤值进行平滑处理，获得优化后的损伤值
Figure 550451DEST_PATH_IMAGE035
，确保获得的损伤范围边界明确；
步骤S43、完成平滑处理后，基于优化后的损伤值
Figure 498684DEST_PATH_IMAGE035
对原始构件发生损伤体素集合
Figure 152519DEST_PATH_IMAGE020
中的体素进行特征聚类，得到若干个发生不同损伤模式损伤的损伤体素簇，通过将损伤体素簇中体素的数量乘以体素大小得到损伤处的相对损伤体积；
步骤S44、计算损伤体素簇的包围盒，通过损伤体素簇的包围盒的长和宽确定损伤处的损伤长度和宽度；
步骤S45、依次计算损伤体素簇中体素损伤值的平均值
Figure 253330DEST_PATH_IMAGE036
；
步骤S46、若
Figure 436050DEST_PATH_IMAGE036
大于零，则认为损伤体素簇处发生塑性变形损伤，并通过计算体素簇中体素损伤值最大值
Figure 215787DEST_PATH_IMAGE037
，确定塑性变形损伤的损伤最大挠度；
步骤S47、若
Figure 266789DEST_PATH_IMAGE036
小于零，则认为损伤体素簇处发生边撕裂形损伤或破洞形损伤，若处损伤的损伤长度除以损伤宽度大于3，则认为损伤模式为边撕裂形损伤，反之则认为是破洞形损伤。
本发明旨在根据不同期的建筑物室内激光雷达点云，对建筑物进行构件级别的损伤检测，首先对原始建筑物室内点云和损伤后建筑物室内点云进行预处理（包括降噪、配准等），然后基于原始建筑物室内点云逐层进行房间提取以及构件信息提取，然后根据原始房间及构件信息对原始及损伤后的建筑物室内激光雷达点云进行分割，提取单个构件的不同期点云，针对不同期点云间存在配准误差问题，分别对原始及损伤后的构件点云进行平均距离计算，以平均距离为依据对两期构件中点云进行体素化，最后基于体素进行布尔计算及距离计算实现构件级的损伤等级以及模式检测；主要包括以下步骤：基于激光点云的建筑物构件信息提取；基于动态化的体素分辨率的构件损伤等级判定；损伤构件的损伤体积计算及损伤模式判别；该方法可以有效识别受到损伤后的建筑物中每一个构件的损伤情况。
本发明通过多尺度的平面点簇分割方法，提取了原始建筑物室内点云中不同构件的平面点簇，进行分类，并使用一套先验规则对分类结果进行约束，从而高精度地从原始建筑物室内点云中提取构件；同时考虑到损伤后建筑物室内点云构件集合特征不明显，本发明使用原始建筑物室内点云中提取出来的构件包围盒来对损伤后建筑物室内点云进行分割，从而准确提取损伤后的构件点云。
本发明提出了自适应分辨率的体素化方法来初步识别构件发生损伤的位置，这一方法可以成功避免两期点云配准误差；并且为了进一步提升损伤识别的精度，本发明提出了动态调整体素分辨率的方法，来对发生损伤的位置进行进一步探测；最后本发明通过原始构件中的损伤体素进行数值计算，确定构件发生的损伤模式以及确定损伤参数。
进一步地，如图9所示，基于上述基于室内点云的建筑物构件损伤检测方法，本发明还相应提供了一种基于室内点云的建筑物构件损伤检测系统，其中，所述基于室内点云的建筑物构件损伤检测系统包括：
点云预处理模块51，用于对原始建筑物室内点云和损伤后建筑物室内点云进行预处理；
建筑物分析模块52，用于预处理后，根据不同房间构件的几何形状特征和相互之间的空间位置关系，对原始建筑物室内点云进行构件提取和房间划分；
损伤等级检测模块53，用于根据原始建筑物和损伤建筑物中具有相同楼层编号、房间编号以及构件编号的点簇进行损伤检测；
损伤模式识别模块54，用于根据损伤检测得到的损伤等级进行损伤模式的识别并计算损伤数值。
进一步地，如图10所示，基于上述基于室内点云的建筑物构件损伤检测方法和系统，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30。图10仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于室内点云的建筑物构件损伤检测程序40，该基于室内点云的建筑物构件损伤检测程序40可被处理器10所执行，从而实现本申请中基于室内点云的建筑物构件损伤检测方法。
所述处理器10在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述基于室内点云的建筑物构件损伤检测方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中基于室内点云的建筑物构件损伤检测程序40时实现上述基于室内点云的建筑物构件损伤检测方法的步骤，此处不再赘述。
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于室内点云的建筑物构件损伤检测程序，所述基于室内点云的建筑物构件损伤检测程序被处理器执行时实现如上所述的基于室内点云的建筑物构件损伤检测方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于室内点云的建筑物构件损伤检测方法，其特征在于，所述基于室内点云的建筑物构件损伤检测方法包括：
对原始建筑物室内点云和损伤后建筑物室内点云进行预处理；
预处理后，根据不同房间构件的几何形状特征和相互之间的空间位置关系，对原始建筑物室内点云进行构件提取和房间划分；
根据原始建筑物和损伤建筑物中具有相同楼层编号、房间编号以及构件编号的点簇进行损伤检测；
根据损伤检测得到的损伤等级进行损伤模式的识别并计算损伤数值。
2.根据权利要求1所述的基于室内点云的建筑物构件损伤检测方法，其特征在于，所述对原始建筑物室内点云和损伤后建筑物室内点云进行预处理，具体包括：
对原始建筑物室内点云和损伤后建筑物室内点云进行降噪以及降采样，去除原始建筑物室内点云和损伤后建筑物室内点云中的离散噪声点；
分别在原始建筑物室内点云和损伤后建筑物室内点云上选取三个或者三个以上同名点进行点云配准，通过ICP算法对配准结果进行优化，得到配准后的原始建筑物室内点云和损伤后建筑物室内点云；
对每一个在原始建筑物室内点云中的点
Figure 32043DEST_PATH_IMAGE001
，搜索点
Figure 792189DEST_PATH_IMAGE001
在损伤后建筑物室内点云中最邻近的
Figure 590380DEST_PATH_IMAGE002
个点，并计算点
Figure 179493DEST_PATH_IMAGE003
与
Figure 582793DEST_PATH_IMAGE004
个点的平均距离
Figure 638474DEST_PATH_IMAGE005
，通过如下公式：
Figure 861645DEST_PATH_IMAGE006
；
计算原始建筑物室内点云和损伤后建筑物室内点云之间的平均距离
Figure 270760DEST_PATH_IMAGE007
，若平均距离
Figure 590883DEST_PATH_IMAGE007
小于两倍的点云空间分辨率，则认为配准合格；其中，n表示点云的个数。
3.根据权利要求2所述的基于室内点云的建筑物构件损伤检测方法，其特征在于，所述预处理后，根据不同房间构件的几何形状特征和相互之间的空间位置关系，对原始建筑物室内点云进行构件提取和房间划分，具体包括：
配准合格后，提取原始建筑物中不同楼层点云，计算不同楼层点云的包围盒，获取原始建筑物室内点云中不同楼层点云的包围盒的最大三维角点
Figure 489569DEST_PATH_IMAGE008
Figure 652566DEST_PATH_IMAGE009
和最小三维角点
Figure 927690DEST_PATH_IMAGE010
Figure 102319DEST_PATH_IMAGE011
，根据如下公式：
Figure 109589DEST_PATH_IMAGE012
；
判断损伤后建筑物室内点云中的点
Figure 307352DEST_PATH_IMAGE013
是否属于原始建筑物室内点云楼层
Figure 448484DEST_PATH_IMAGE014
的包围盒中，循环将损伤后建筑物室内点云中每一个点与原始建筑物室内点云中每一个楼层的包围盒进行判断，完成对损伤后建筑物室内点云的楼层划分；
完成楼层划分后，依次对原始建筑物每一楼层点云进行构件提取以及房间划分；
计算每一个原始建筑物室内构件点簇的包围盒，根据包围盒的最大点信息和最小点信息对损伤后建筑物室内点云进行构件点簇的提取，并赋予与原始建筑物室内构件点簇相同的标签。
4.根据权利要求3所述的基于室内点云的建筑物构件损伤检测方法，其特征在于，所述构件包括：墙、梁、柱、顶板和底板；
所述构件提取具体包括：
对原始建筑物室内点云进行多尺度分辨率的超体素分割，以超体素为基元进行区域增长，将同属于一个平面的相邻超体素进行拟合，完成对原始建筑物室内点云中的平面进行分割，构成点簇集合；
计算点簇集合的几何特征、表面特征和空间上下文特征，构成特征向量集合；
使用标记好的训练数据集对随机森林分类器进行训练，得到随机森林分类器的配置文件后，使用配置文件对分类器进行配置，使用分类器对平面点簇进行墙、梁、柱、顶板和底板的类别进行标注；
初始分类完成后，根据先验规则对标注的类别进行优化，完成构件提取；
其中，所述先验规则包括：梁、柱的体积始终小于墙、顶板、底板；墙、柱始终垂直于顶板、底板；同一楼层的底板始终低于顶板；梁始终与顶板相邻接。
5.根据权利要求4所述的基于室内点云的建筑物构件损伤检测方法，其特征在于，所述房间划分具体包括：
依次对每一楼层中的原始建筑物的构件进行房间划分，提取同一楼层中的地面点簇，计算底板点簇的法向量，将墙面点簇沿着地面点簇的法向量方向投影到二维平面上构成二维投影图，利用最小二乘法实现对墙面的拟合，将原先散乱的直线拟合到直线；
完成投影后对二维投影图进行二进制处理，将墙面直线的像素设置为0，其它像素设置为1，在二维图像上形成相对独立的连通区域；
基于形态学知识消除识别错误的连通区域，去除小面积以及比例失调的连通区域；
使用分水岭分割算法对处理后的连通区域进行粗分割，为每一个连通区域赋予一个空间标签，使用格网分割算法对分割得到的连通区域进行精细分割，获得每一个房间在二维图像上的带有房间编号标签的准确投影区域，提取投影区域的角点作为房间的二维角点；
将二维角点逆投影变化到三维空间中得到三维房角点，基于底板点簇法向量的方向以及底板点簇和顶板点簇之间的高度差异，扩充房间点，形成一个房间包围盒，根据房间包围盒对构件点簇进行房间划分，赋予每一个构件点簇标签
Figure 602253DEST_PATH_IMAGE015
，其中
Figure 842742DEST_PATH_IMAGE016
为楼层编号，
Figure 855697DEST_PATH_IMAGE017
为房间编号，
Figure 472623DEST_PATH_IMAGE018
为构件编号。
6.根据权利要求5所述的基于室内点云的建筑物构件损伤检测方法，其特征在于，所述根据原始建筑物和损伤建筑物中具有相同楼层编号、房间编号以及构件编号的点簇进行损伤检测，具体包括：
搜索每一个在原始构件点簇中的点
Figure 497211DEST_PATH_IMAGE001
在损伤后建筑物构件点簇中最邻近的
Figure 705339DEST_PATH_IMAGE004
个点，计算点
Figure 877694DEST_PATH_IMAGE001
与
Figure 485262DEST_PATH_IMAGE004
个点的平均距离
Figure 426673DEST_PATH_IMAGE019
，通过如下公式：
Figure 336860DEST_PATH_IMAGE006
；
计算原始构件点簇和损伤后建筑物构件点簇之间的平均距离
Figure 996512DEST_PATH_IMAGE007
，假设
Figure 627344DEST_PATH_IMAGE007
为体素化的原始分辨率对原始构件点簇和损伤后建筑物构件点簇进行体素化，获得原始构件和损伤后建筑物构件的原始体素集合，设原始构件中体素总数为
Figure 751158DEST_PATH_IMAGE020
；
基于原始构件体素集合
Figure 769930DEST_PATH_IMAGE021
对损伤后构件体素集合
Figure 572669DEST_PATH_IMAGE022
进行布尔计算，判断原始构件体素集合中的体素是否与损伤后构件体素相交；若原始体素未与损伤构件体素集合中的任何体素相交，则认为原始体素所在的原始构件位置发生损伤；
提取发生损伤的原始体素的邻接体素，以原始体素分辨率的
Figure 397406DEST_PATH_IMAGE023
为步长提高邻接体素的分辨率和损伤构件体素的分辨率后再次进行损伤体素的识别，直到无法再在原始构件的体素集合中提取到损伤体素，将检测到的损伤体素按照原始分辨率的体素添加到原始构件发生损伤体素集合
Figure 313409DEST_PATH_IMAGE024
；
根据原始分辨率的体素计算损伤体素数量
Figure 440765DEST_PATH_IMAGE025
，计算损伤体素数量
Figure 75009DEST_PATH_IMAGE025
和原始构件中体素总数为
Figure 172278DEST_PATH_IMAGE020
之间的比率R，若R大于
Figure 129739DEST_PATH_IMAGE026
但小于
Figure 490313DEST_PATH_IMAGE027
，则认为损伤构件发生轻度损伤，若R大于
Figure 408590DEST_PATH_IMAGE027
但小于
Figure 512812DEST_PATH_IMAGE028
，则认为伤构件发生中度损伤，若R大于
Figure 341091DEST_PATH_IMAGE029
，则认为伤构件发生重度损伤。
7.根据权利要求6所述的基于室内点云的建筑物构件损伤检测方法，其特征在于，所述损伤模式包括：撕裂形损伤、破洞形损伤和塑性变形损伤；
所述撕裂形损伤的损伤参数包括：损伤长度、损伤宽度和损伤体积；
所述破洞形损伤的损伤参数包括：损伤长度、损伤宽度和损伤体积；
所述塑性变形损伤的损伤参数包括：损伤长度、损伤宽度、损伤体积和最大挠度；
所述根据损伤检测得到的损伤等级进行损伤模式的识别并计算损伤数值，具体包括：
基于发生损伤的原始构件的构件点簇计算构件的法向量
Figure 669304DEST_PATH_IMAGE030
，在原始构件发生损伤体素集合
Figure 12561DEST_PATH_IMAGE024
中的每一个损伤体素
Figure 841846DEST_PATH_IMAGE031
定义一条直线
Figure 586948DEST_PATH_IMAGE032
，对直线
Figure 86062DEST_PATH_IMAGE033
和损伤后构件体素集合
Figure 854298DEST_PATH_IMAGE022
进行布尔计算，若损伤体素
Figure 300323DEST_PATH_IMAGE031
的直线
Figure 227827DEST_PATH_IMAGE032
与
Figure 101106DEST_PATH_IMAGE034
中任意体素都不相交，则设置损伤体素
Figure 340326DEST_PATH_IMAGE031
的损伤值为-1，若损伤体素
Figure 386779DEST_PATH_IMAGE031
的直线
Figure 106474DEST_PATH_IMAGE032
与
Figure 88336DEST_PATH_IMAGE035
中的体素
Figure 627902DEST_PATH_IMAGE036
相交，则计算体素
Figure 212467DEST_PATH_IMAGE031
与体素
Figure 973618DEST_PATH_IMAGE037
之间的距离
Figure 188699DEST_PATH_IMAGE038
，将距离
Figure 543457DEST_PATH_IMAGE038
设置为损伤体素
Figure 541500DEST_PATH_IMAGE031
的损伤值
Figure 235787DEST_PATH_IMAGE039
；
完成损伤体素的初始损伤值计算后，使用高斯滤波对初始损伤值进行平滑处理，获得优化后的损伤值
Figure 684085DEST_PATH_IMAGE040
；
完成平滑处理后，基于优化后的损伤值
Figure 198243DEST_PATH_IMAGE040
对原始构件发生损伤体素集合
Figure 514824DEST_PATH_IMAGE024
中的体素进行特征聚类，得到若干个发生不同损伤模式损伤的损伤体素簇，通过将损伤体素簇中体素的数量乘以体素大小得到损伤处的相对损伤体积；
计算损伤体素簇的包围盒，通过损伤体素簇的包围盒的长和宽确定损伤处的损伤长度和宽度；
依次计算损伤体素簇中体素损伤值的平均值
Figure 63617DEST_PATH_IMAGE041
；
若
Figure 682817DEST_PATH_IMAGE041
大于零，则认为损伤体素簇处发生塑性变形损伤，并通过计算体素簇中体素损伤值最大值
Figure 356375DEST_PATH_IMAGE042
，确定塑性变形损伤的损伤最大挠度；
若
Figure 289696DEST_PATH_IMAGE041
小于零，则认为损伤体素簇处发生边撕裂形损伤或破洞形损伤，若处损伤的损伤长度除以损伤宽度大于3，则认为损伤模式为边撕裂形损伤，反之则认为是破洞形损伤。
8.一种基于室内点云的建筑物构件损伤检测系统，其特征在于，所述基于室内点云的建筑物构件损伤检测系统包括：
点云预处理模块，用于对原始建筑物室内点云和损伤后建筑物室内点云进行预处理；
建筑物分析模块，用于预处理后，根据不同房间构件的几何形状特征和相互之间的空间位置关系，对原始建筑物室内点云进行构件提取和房间划分；
损伤等级检测模块，用于根据原始建筑物和损伤建筑物中具有相同楼层编号、房间编号以及构件编号的点簇进行损伤检测；
损伤模式识别模块，用于根据损伤检测得到的损伤等级进行损伤模式的识别并计算损伤数值。
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于室内点云的建筑物构件损伤检测程序，所述基于室内点云的建筑物构件损伤检测程序被所述处理器执行时实现如权利要求1-7任一项所述的基于室内点云的建筑物构件损伤检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于室内点云的建筑物构件损伤检测程序，所述基于室内点云的建筑物构件损伤检测程序被处理器执行时实现如权利要求1-7任一项所述的基于室内点云的建筑物构件损伤检测方法的步骤。
CN202210495710.0A 2022-05-09 2022-05-09 一种基于室内点云的建筑物构件损伤检测方法及相关设备 Active CN114596313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210495710.0A CN114596313B (zh) 2022-05-09 2022-05-09 一种基于室内点云的建筑物构件损伤检测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210495710.0A CN114596313B (zh) 2022-05-09 2022-05-09 一种基于室内点云的建筑物构件损伤检测方法及相关设备

Publications (2)

Publication Number Publication Date
CN114596313A true CN114596313A (zh) 2022-06-07
CN114596313B CN114596313B (zh) 2022-10-04

Family

ID=81812696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210495710.0A Active CN114596313B (zh) 2022-05-09 2022-05-09 一种基于室内点云的建筑物构件损伤检测方法及相关设备

Country Status (1)

Country Link
CN (1) CN114596313B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880243A (zh) * 2022-12-02 2023-03-31 广东机电职业技术学院 基于3d点云分割的铁轨表面损伤检测方法、系统和介质
CN116935375A (zh) * 2023-08-15 2023-10-24 安徽助行软件科技有限公司 一种智能生产线打包装盒检测系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140270492A1 (en) * 2013-03-15 2014-09-18 State Farm Mutual Automobile Insurance Company Automatic building assessment
CN109341528A (zh) * 2018-10-22 2019-02-15 大昌建设集团有限公司 一种基于三维激光扫描的建筑物爆破振动损伤评价方法
JP2019175015A (ja) * 2018-03-27 2019-10-10 株式会社竹中工務店 被災情報処理装置、及び被災情報処理モデル学習装置
CN111986322A (zh) * 2020-07-21 2020-11-24 西安理工大学 一种基于结构分析的点云室内场景布局重建方法
CN112560573A (zh) * 2020-10-29 2021-03-26 河北省地震局 一种建筑物震害信息检测提取方法
CN112686877A (zh) * 2021-01-05 2021-04-20 同济大学 基于双目相机的三维房屋损伤模型构建测量方法及系统
CN112967384A (zh) * 2021-03-24 2021-06-15 扆亮海 识别建筑测绘构件的点云智能化切分方法
CN113326863A (zh) * 2021-03-24 2021-08-31 广州大学 建筑结构健康状况检测方法、系统及修缮方案确定方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140270492A1 (en) * 2013-03-15 2014-09-18 State Farm Mutual Automobile Insurance Company Automatic building assessment
JP2019175015A (ja) * 2018-03-27 2019-10-10 株式会社竹中工務店 被災情報処理装置、及び被災情報処理モデル学習装置
CN109341528A (zh) * 2018-10-22 2019-02-15 大昌建设集团有限公司 一种基于三维激光扫描的建筑物爆破振动损伤评价方法
CN111986322A (zh) * 2020-07-21 2020-11-24 西安理工大学 一种基于结构分析的点云室内场景布局重建方法
CN112560573A (zh) * 2020-10-29 2021-03-26 河北省地震局 一种建筑物震害信息检测提取方法
CN112686877A (zh) * 2021-01-05 2021-04-20 同济大学 基于双目相机的三维房屋损伤模型构建测量方法及系统
CN112967384A (zh) * 2021-03-24 2021-06-15 扆亮海 识别建筑测绘构件的点云智能化切分方法
CN113326863A (zh) * 2021-03-24 2021-08-31 广州大学 建筑结构健康状况检测方法、系统及修缮方案确定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHILU YUAN ET.AL.: "A survey on indoor 3D modeling and applications via RGB-D devices", 《FRONTIERS OF INFORMATION TECHNOLOGY & ELECTRONIC ENGINEERING》 *
宋锦阳等: "三维点云室内平面要素提取与优化", 《测绘通报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880243A (zh) * 2022-12-02 2023-03-31 广东机电职业技术学院 基于3d点云分割的铁轨表面损伤检测方法、系统和介质
CN116935375A (zh) * 2023-08-15 2023-10-24 安徽助行软件科技有限公司 一种智能生产线打包装盒检测系统及方法

Also Published As

Publication number Publication date
CN114596313B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN107507167B (zh) 一种基于点云平面轮廓匹配的货物托盘检测方法及系统
CN114596313B (zh) 一种基于室内点云的建筑物构件损伤检测方法及相关设备
EP3505962B1 (en) Method and apparatus for processing point cloud data
Mammeri et al. A real-time lane marking localization, tracking and communication system
Teoh et al. Symmetry-based monocular vehicle detection system
JP5822255B2 (ja) 対象物識別装置及びプログラム
EP1959675A2 (en) Detection device, method and program thereof
US7965890B2 (en) Target recognition system and method
US20100259537A1 (en) Computer vision cad models
JP5223675B2 (ja) 車両検知装置，車両検知方法並びに車両検知プログラム
CN105139416A (zh) 一种基于图像信息和深度信息的物体识别方法
Ding et al. Fast lane detection based on bird’s eye view and improved random sample consensus algorithm
Li et al. Road markings extraction based on threshold segmentation
CN114495026A (zh) 一种激光雷达识别方法、装置、电子设备和存储介质
CN108108737A (zh) 基于多特征融合的闭环检测系统及方法
CN109741306B (zh) 应用于危险化学品库房堆垛的图像处理方法
Duan et al. Real time road edges detection and road signs recognition
CN111027526A (zh) 一种提高车辆目标检测识别检测效率的方法
WO2020209046A1 (ja) 物体検出装置
CN107578037B (zh) 一种基于似物性估计的道线检测方法
Bae et al. Monocular vision-based lane detection using segmented regions from edge information
WO2021220346A1 (ja) エレベーターの３次元データの処理装置
WO2021220345A1 (ja) エレベーターの３次元データの処理装置
Akizuki et al. Stable position and pose estimation of industrial parts using evaluation of observability of 3D vector pairs
Liu et al. Part-based adaptive detection of workpieces using differential evolution

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
GR01 Patent grant
GR01 Patent grant