CN115049028B - 基于无监督学习的施工区域分区方法、系统、终端及介质 - Google Patents

基于无监督学习的施工区域分区方法、系统、终端及介质 Download PDF

Info

Publication number
CN115049028B
CN115049028B CN202210984700.3A CN202210984700A CN115049028B CN 115049028 B CN115049028 B CN 115049028B CN 202210984700 A CN202210984700 A CN 202210984700A CN 115049028 B CN115049028 B CN 115049028B
Authority
CN
China
Prior art keywords
point
cell units
partition
construction
area
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.)
Active
Application number
CN202210984700.3A
Other languages
English (en)
Other versions
CN115049028A (zh
Inventor
陈子奇
吴业秋
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.)
China Construction Fifth Bureau Third Construction Co Ltd
Original Assignee
China Construction Fifth Bureau Third Construction Co Ltd
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 China Construction Fifth Bureau Third Construction Co Ltd filed Critical China Construction Fifth Bureau Third Construction Co Ltd
Priority to CN202210984700.3A priority Critical patent/CN115049028B/zh
Publication of CN115049028A publication Critical patent/CN115049028A/zh
Application granted granted Critical
Publication of CN115049028B publication Critical patent/CN115049028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于无监督学习的施工区域分区方法、系统、终端及介质，其中方法包括：首先获取建筑物及施工区域的基础信息；再以不可分割构件为样点，对施工区域进行泰森多边形划分，将每一个泰森多边形作为一个细胞单元；然后对每个细胞单元进行赋值；最后将距离各施工机具对应的关键点位最近的样点作为核心点，基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区。本发明可以提高施工区域分区合理性，降低对人工的依赖。

Description

基于无监督学习的施工区域分区方法、系统、终端及介质
技术领域
本发明涉及建筑工程施工领域，尤其涉及一种基于无监督学习的施工区域分区方法、系统、终端及介质。
背景技术
无监督学习是一种不依靠或极少依靠人工类别标注的机器学习方案，它根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题。
DBSCAN算法是比较有代表性的基于密度的无监督学习聚类算法，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。在该算法中，簇的核心是依靠样本密度确定，且簇的划分依靠密度可达方法，在实际划分中表现不佳。
在建筑施工中，由于建筑物占地面积大，而机械、人员数量少，需要将施工区域分割成多个区域形成流水施工作业。以往的施工区分方案以后浇带、膨胀加强带作为区域之间的隔断。当后浇带、膨胀加强带所分区域无法满足分区要求，可自行增加后浇带辅助分区划定。在以往的工程中，对于后浇带一般依靠劳动力、施工机械布置等条件，通过经验进行非定量划定，划分往往不甚合理。
发明内容
本发明提供了一种基于无监督学习的施工区域分区方法、系统、终端及介质，以解决现有的施工区域分区方法不合理的问题。
第一方面，提供了一种基于无监督学习的施工区域分区方法，包括：
获取建筑物及施工区域的基础信息，提取不可分割构件的类型及位置、施工机具位置；
以不可分割构件为样点，对施工区域进行泰森多边形划分，每一个泰森多边形均为一个细胞单元；
对每个细胞单元进行赋值，包括该细胞单元的样点的位置、该细胞单元的面积，以及该细胞单元的样点与各施工机具对应的关键点位之间的距离修正值；
将距离各施工机具对应的关键点位最近的样点作为核心点，初始化核心点列表，基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区。
进一步地，在以不可分割构件为样点，对施工区域进行泰森多边形划分的过程中，对于横截面为非点状结构的不可分割构件，首先求取其最小外接凸多边形，在进行泰森多边形划分时，取与其他样点距离最近的边或点为基准进行样点间距离计算。
进一步地，细胞单元的样点与施工机具对应的关键点位之间的距离修正值为：细胞单元的样点与施工机具对应的关键点位的之间的欧氏距离与修正系数的乘积，所述修正系数随施工机具辐射区域的增大而减小。
进一步地，所述基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区，具体包括：
A：以核心点列表队首的核心点为圆心，将预设半径内的样点对应的细胞单元加入簇内；
B：以簇内未被访问且距离核心点最近的样点为圆心，将预设半径内的样点对应的细胞单元进入簇内；
C：重复步骤B，直至簇内所有细胞单元的面积之和达到预设的分区面积最小值时停止，此时簇内所有细胞单元构成一个分区；
D：将不属于当前簇内且距离停止样点最近的一个细胞单元的样点作为核心点添加到核心点列表的队尾，同时删除当前核心点列表队首的核心点；
E：重复步骤A~D，直至核心点列表为空，完成对施工区域的分区。
进一步地，还包括：
当聚类过程中出现离群样点，则获取距离此离群样点最近的细胞单元和最近的关键点位；
判断最近的细胞单元所在分区的核心点对应的关键点位与最近的关键点位是否相同；
若相同，则将该离群样点对应的细胞单元划分到该最近的细胞单元所在分区；
若不同，获取距离此离群样点最近的细胞单元所在分区和最近的关键点位所对应的分区，并分别计算此离群样点对应的细胞单元加入两个分区后的分区面积；若两个分区面积均超过或均不超过预设的分区面积最大值，则将该离群样点对应的细胞单元加入到面积更大的分区；若一个分区面积超过预设的分区面积最大值而另一个分区面积不超过预设的分区面积最大值，则将该离群样点对应的细胞单元加入不超过预设的分区面积最大值的分区。
进一步地，两个细胞单元的样点之间的距离L通过如下公式计算：
Figure DEST_PATH_IMAGE002
其中，X、X’分别表示两个细胞单元的样点的横坐标，Y、Y’分别表示两个细胞单元的样点的纵坐标，CVn、CVn’ 分别表示两个细胞单元的样点与第n个关键点位之间的距离修正值。
第二方面，提供了一种基于无监督学习的施工区域分区系统，包括：
信息获取模块，用于获取建筑物及施工区域的基础信息，提取不可分割构件类型及位置、施工机具位置；
泰森多边形划分模块，用于以不可分割构件为样点，对施工区域进行泰森多边形划分，每一个泰森多边形均为一个细胞单元；
赋值模块，用于对每个细胞单元进行赋值，包括该细胞单元的样点的位置、该细胞单元的面积，以及该细胞单元的样点与各施工机具对应的关键点位之间的距离修正值；
分区模块，用于将距离各施工机具对应的关键点位最近的样点作为核心点，初始化核心点列表，基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区。
进一步地，所述基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区，具体包括：
A：以核心点列表队首的核心点为圆心，将预设半径内的样点对应的细胞单元加入簇内；
B：以簇内未被访问且距离核心点最近的样点为圆心，将预设半径内的样点对应的细胞单元进入簇内；
C：重复步骤B，直至簇内所有细胞单元的面积之和达到预设的分区面积最小值时停止，此时簇内所有细胞单元构成一个分区；
D：将不属于当前簇内且距离停止样点最近的一个细胞单元的样点作为核心点添加到核心点列表的队尾，同时删除当前核心点列表队首的核心点；
E：重复步骤A~D，直至核心点列表为空，完成对施工区域的分区。
第三方面，提供了一种电子终端，包括存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于无监督学习的施工区域分区方法的步骤。
第四方面，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于无监督学习的施工区域分区方法的步骤。
本发明提出了一种基于无监督学习的施工区域分区方法、系统、终端及介质，首先获取建筑物及施工区域的基础信息；再以不可分割构件为样点，对施工区域进行泰森多边形划分，将每一个泰森多边形作为一个细胞单元；然后对每个细胞单元进行赋值；最后将距离各施工机具对应的关键点位最近的样点作为核心点，基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区。应用了无监督学习的优势，仅需要建筑物及施工区域的基础信息即可进行自主学习训练，极大的降低了对人工经验的依赖；通过改进DBSCAN算法，克服了传统算法中的诸多不便同时保留了密度可达这一核心特点，将DBSCAN算法成功应用于施工分区这一技术领域，可以提高施工区域分区合理性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于无监督学习的施工区域分区方法流程图；
图2是本发明实施例提供的一种典型的剪力墙布置及其最小外接凸多边形示意图；
图3是本发明实施例提供的一处典型的剪力墙与周围点状生成泰森多边形的示意图；
图4是本发明实施例提供的传统的DBSCAN算法聚类示意图；
图5是本发明实施例提供的改进的DBSCAN算法聚类示意图；
图6是本发明实施例提供的最近的细胞单元所在分区的核心点对应的关键点位与最近的关键点位不相同的情况示意图；
图7是本发明实施例提供的一种施工区域示意图；
图8是本发明实施例提供的细胞单元划分示意图；
图9是本发明实施例提供的细胞单元赋值示意图；
图10是本发明实施例提供的核心点与关键点位示意图；
图11是本发明实施例提供的两个细胞单元CU1、CU2示意图；
图12是本发明实施例提供的以CU1为圆心的聚类示意图；
图13是本发明实施例提供的以CU2为圆心的聚类示意图；
图14是本发明实施例提供的以CU3为圆心的聚类示意图；
图15是本发明实施例提供的第一个分区划分完成时的状态示意图；
图16是本发明实施例提供的完成所有分区时的状态示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
如图1所示，本发明实施例提供了一种基于无监督学习的施工区域分区方法，包括：
S1：获取建筑物及施工区域的基础信息，包括建筑物形状及面积、建筑结构形式、不可分割构件的类型及位置、施工机具位置、分区面积最大值及最小值等信息。
建筑物形状及建筑结构形式用于确定不可分割构件。不可分割构件是指不能在分区中被分割的构建，在常见的建筑结构形式中，框架柱、剪力墙等竖向受力构件为不可分割构件，而梁板等水平构件可以被分割。在其他项目中，需要根据建筑结构形式设定不可分割构件，如涉及到人防项目中，洗消集水井可作为不可分割构件。
施工机具指对施工分区有影响的施工机具，在常见工程中，塔吊、吊车、人货电梯等大型机械为施工分区有影响的施工机具，而变压器、水泵等设备对施工分区影响不大，一般不予考虑。
分区面积最大值及最小值是指在实际分区过程中，分区后的施工区域面积的最大值与最小值，面积过大与过小均不宜设置单独的分区。
S2：以不可分割构件为样点，对施工区域进行泰森多边形划分，每一个泰森多边形均为一个细胞单元，细胞单元是施工区域分区过程中的最小单元。
具体地，在以不可分割构件为样点，对施工区域进行泰森多边形划分的过程中，对于横截面为点状结构的不可分割构件，如上述提到的框架柱、洗消集水井，将其看作点进行计算。对于横截面为非点状结构的不可分割构件，如上述提到的剪力墙，首先求取其最小外接凸多边形，在进行泰森多边形划分时，取与其他样点距离最近的边或点为基准进行样点间距离计算。如图2所示，为一种典型的剪力墙布置示意图，其中虚线为其最小外接凸多边形。如图3所示，为一处典型的剪力墙与周围点状生成泰森多边形的示意图，其中虚线为泰森多边形边界，在计算剪力墙构成的样点与其他泰森多边形的样点之间的距离时，以剪力墙最小外接凸多边形与其他样点距离最近的边或点为基准进行计算。
S3：对每个细胞单元进行赋值，包括该细胞单元的样点的位置、该细胞单元的面积，以及该细胞单元的样点与各施工机具对应的关键点位之间的距离修正值。
每个细胞单元可以表示为：CU (X,Y,Area,CV1,CV2,…, CVn)。其中，X、Y分别为细胞单元的样点的位置的横坐标和纵坐标，Area为细胞单元的面积，CVn为细胞单元的样点与第n个施工机具对应的关键点位之间的距离修正值，一个施工机具的位置对应一个关键点位。由于在分区时，与塔吊、吊车、人货电梯等关键点位的距离对分区至关重要，因此将细胞单元与关键点位的欧式距离作为特征值。另外，也可在细胞单元的表示中增加Index作为细胞单元的编号。
需说明的是，在实际施工过程中，较大的塔吊与人货电梯可以辐射更大区域施工，对于较大塔吊与人货电梯，可以乘以修正系数使其距离修正值可以减小，使其与其他细胞单元进行距离计算时得到的值较小，更容易分为一个分区。即细胞单元的样点与施工机具对应的关键点位之间的距离修正值为：细胞单元的样点与施工机具对应的关键点位的之间的欧氏距离与修正系数的乘积，所述修正系数随施工机具辐射区域的增大而减小。
S4：将距离各施工机具对应的关键点位最近的样点作为核心点，初始化核心点列表，基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区。
传统的DBSCAN算法中有三类点，分别是核心点、边缘点和离群点。其中核心点和边缘点组成了簇，而离群点则被单独分类。而在实际工程中，由于资源配置均是以分区为单位（如只在分区配置机具加工棚、配电装置、灭火器材等），每一个细胞单元必定属于一个分区。因此传统算法中的离群点则不适合实际情况，需要对其进行改进。
传统算法中簇的脱离标准为簇以外的所有点位均为密度不可达，密度可达的方式使得DBSCAN可以发现任意形状的簇，但不能对簇中的点位数量进行限制。而在实际工程中分区的大小是有上下限的。
传统算法中核心点的确定，是依靠半径和最小点位数确定的，算法从核心点出发，依据密度可达划分簇。而在实际工程中分区的初始点往往源自对实际工程的考虑而确定，因此传统算法中的核心点则不适合实际情况，需要对其进行改进。
传统算法中为了提高算法速度，在计算密度可达时，是优先以半径内距离核心点最远的点进行计算，这样会使得簇快速扩张，但簇的形状更倾向于细长型。如下图4所示，以点1为核心点，划定范围内点2距离最远，再以点2为核心点向外依次扩张至点3/4/5/6，形成长条形分区。在实际工程中，长条形分区会使得资源运输困难，并非好的分区方案。
基于此，本实施例中采用了改进的DBSCAN算法，主要包括以下方面。
核心点：由于在分区时，与塔吊、吊车、人货电梯等关键点位的距离对分区至关重要，因此，将与关键点位距离最近的样点作为核心点，既搜索CV1,CV2,…,CVn最小值的细胞单元的样点作为核心点，核心点的数量与关键点位的数量相同。
计算距离：在两个细胞单元的样点之间的距离L时，需要将距离修正值一同考虑计算，其计算公式如下：
Figure DEST_PATH_IMAGE003
其中，X、X’分别表示两个细胞单元的样点的横坐标，Y、Y’分别表示两个细胞单元的样点的纵坐标，CVn、CVn’ 分别表示两个细胞单元的样点与第n个关键点位之间的距离修正值。
计算顺序：根据选取的核心点，初始化构建核心点列表。
采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区，具体包括：
S41：以核心点列表队首的核心点为圆心，将预设半径R内的样点对应的细胞单元加入簇内。
S42：以簇内未被访问（即未作为圆心进行计算）且距离核心点最近的样点为圆心，将预设半径R内的样点对应的细胞单元进入簇内。
S43：重复步骤S42，直至簇内所有细胞单元的面积之和达到预设的分区面积最小值时停止，此时簇内所有细胞单元构成一个分区。
如图5所示，以核心点1为圆心，核心点半径R范围内有点1至点8，其中点2距点1最近，以点2为圆心计算，将点9至点11纳入簇内，再以点3为圆心，将点12/13纳入簇内，并按照加入簇的顺序建立列表（点1，点2，点3，……，点12，点13，……）。按此方式获得的分区会在在尺寸上较为平均，不会出现长条形的分区。当分区的面积达到分区面积最小值时，停止计算。
S44：将不属于当前簇内且距离停止样点最近的一个细胞单元的样点作为核心点添加到核心点列表的队尾，同时删除当前核心点列表队首的核心点。
S45：重复步骤S41~ S44，直至核心点列表为空，完成对施工区域的分区。
需说明的是，聚类过程中可能会出现离群的样点，当聚类过程中出现离群样点，则获取距离此离群样点最近的细胞单元和最近的关键点位；判断最近的细胞单元所在分区的核心点对应的关键点位与最近的关键点位是否相同；
若相同，则将该离群样点对应的细胞单元划分到该最近的细胞单元所在分区；
若不同，获取距离此离群样点最近的细胞单元所在分区和最近的关键点位所对应的分区，并分别计算此离群样点对应的细胞单元加入两个分区后的分区面积；若两个分区面积均超过或均不超过预设的分区面积最大值，则将该离群样点对应的细胞单元加入到面积更大的分区，因其面积较大，在加入离群样点对应的细胞单元后，对单位面积的资源影响较小；若一个分区面积超过预设的分区面积最大值而另一个分区面积不超过预设的分区面积最大值，则将该离群样点对应的细胞单元加入不超过预设的分区面积最大值的分区。不同的情况经常发生于远离主体建筑且处于两台塔吊覆盖范围的附属构筑物，如图6所示，关键点位a、关键点位b分别为两台塔吊，A、B区域为主体建筑物的分区，其中A分区的核心点通过关键点位a确定，B分区的核心点通过关键点位b确定。斜线填充部位为一处凉亭M。此时计算对于A/B分区，加入M是否会超过分区最大面积，进而对M进行分区。
下面结合一实例对本发明的方案进行说明。
收集基础信息：
收集建筑物及施工区域的基础信息，包括建筑物形状及面积、建筑结构形式、不可分割构件的类型及位置、施工机具位置、分区面积最大值及最小值等信息。如图7所示，对于此建筑物，面积为8537m2，柱网轴距为8.4m，建筑结构为框架结构，局部为剪力墙结构，建筑周围布置三台塔吊。对于该建筑，分区面积为2000-3000m2。
划分细胞单元：
以不可分割构件为样点，对施工区域进行泰森多边形划分，每一个泰森多边形均为一个细胞单元。对于柱构件，将其看作点进行计算。对于剪力墙，如上述提到的剪力墙，首先求剪力墙最小外接凸多边形，在进行泰森多边形划分时，取与其他样点距离最近的边或点为基准进行样点间距离计算。分割完成后如图8所示，虚线为细胞单元边线。
对细胞单元赋值：
由于关键点位1的塔吊较大，运输能力强，其修正系数较小，设为0.5，而关键点位2/3塔吊较小，修正系数较大，设为1。
如图9所示，以区域最下角为（0,0），以毫米及平方毫米为单位，则图中所示斜线所示点位的细胞单元值为CU (24900,37800,70.56*106,61623*0.5,39859*1,64407*1)。依照相同方法计算其他细胞单元。
应用改进的DBSCAN算法进行聚类分区：
依据与关键点位的距离确定核心点并建立核心点列表：{CU1，CU50，CU100}。其核心点如图10所示。
改进DBSCAN算法中的半径R依据经验取值，此处取R=11000。
细胞单元之间的距离为5维空间的欧氏距离：
Figure DEST_PATH_IMAGE005
以图11中所示的两个细胞单元CU1、CU2为例：CU1(54600,88200, 70.56*106,,4141,92933,94286)，CU2(46200,88200, 70.56*106,,4354,87876,96838)，Lcu1-cu2=10133。
如图12所示，以核心点CU 1为起始点，以R为半径，将CU2-CU4纳入分区内，将其加入簇列表{CU1,CU2,CU3,CU4}。判断CU2-CU4与CU1的距离，以较小的点为圆心进行下一步计算，如图13所示，以CU2为圆心，将CU5、CU6纳入分区, 将其加入簇列表{CU1,CU2,CU3,CU4,CU5,CU6}。如图14所示，由于CU1与CU3的距离小于CU1与CU5的距离，下一步计算的圆心为CU3，计算过后将CU7纳入分区。
当分区面积超过分区面积最小值时，停止计算该分区，并将距停止细胞单元最近的下一个细胞单元的样点作为核心点加入核心点列表队尾，同时删除当前核心点列表队首的核心点。如图15所示，停止细胞单元为CU23，距CU23最近的细胞单元为CU24，则核心点列表变为{CU50,CU100, CU24}。
然后以CU50为起点，进行下一分区的计算，直至所有细胞单元均进入某一分区内，如图16所示，从而实现施工区域的分区。
本发明实施例还提供了一种基于无监督学习的施工区域分区系统，包括：
信息获取模块，用于获取建筑物及施工区域的基础信息，提取不可分割构件类型及位置、施工机具位置；
泰森多边形划分模块，用于以不可分割构件为样点，对施工区域进行泰森多边形划分，每一个泰森多边形均为一个细胞单元；
赋值模块，用于对每个细胞单元进行赋值，包括该细胞单元的样点的位置、该细胞单元的面积，以及该细胞单元的样点与各施工机具对应的关键点位之间的距离修正值；
分区模块，用于将距离各施工机具对应的关键点位最近的样点作为核心点，初始化核心点列表，基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区。
应当理解，本实施例中的功能单元模块可以集中在一个处理单元中，也可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成在一个单元模块中，可以采用硬件或软件的形式来实现。本实施例提供的基于无监督学习的施工区域分区系统其他具体技术细节参见前述实施例提供的基于无监督学习的施工区域分区方法，在此不再赘述。
本发明实施例还提供了一种电子终端，包括存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于无监督学习的施工区域分区方法的步骤。
该电子终端还包括：通信接口，用于与外界设备进行通信，进行数据交互传输。
其中，存储器可能包含高速RAM存储器，也可能还包括非易失性除颤器，例如至少一个磁盘存储器。
如果存储器、处理器和通信接口独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构总线，外部设备互联总线或扩展工业标准体系结构总线等。所述总线可以分为地址总线、数据总线、控制总线等。
可选的，在具体实现上，如果存储器、处理器和通信接口集成在一块芯片上，则存储器、处理器即通信接口可以通过内部接口完成相互之间的通信。
各个步骤的具体实现过程请参照前述方法的阐述。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
本发明实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于无监督学习的施工区域分区方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于无监督学习的施工区域分区方法，其特征在于，包括：
获取建筑物及施工区域的基础信息，提取不可分割构件的类型及位置、施工机具位置；
以不可分割构件为样点，对施工区域进行泰森多边形划分，每一个泰森多边形均为一个细胞单元；
对每个细胞单元进行赋值，包括该细胞单元的样点的位置、该细胞单元的面积，以及该细胞单元的样点与各施工机具对应的关键点位之间的距离修正值；
将距离各施工机具对应的关键点位最近的样点作为核心点，初始化核心点列表，基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区；
所述基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区，具体包括：
A：以核心点列表队首的核心点为圆心，将预设半径内的样点对应的细胞单元加入簇内；
B：以簇内未被访问且距离核心点最近的样点为圆心，将预设半径内的样点对应的细胞单元进入簇内；
C：重复步骤B，直至簇内所有细胞单元的面积之和达到预设的分区面积最小值时停止，此时簇内所有细胞单元构成一个分区；
D：将不属于当前簇内且距离停止样点最近的一个细胞单元的样点作为核心点添加到核心点列表的队尾，同时删除当前核心点列表队首的核心点；
E：重复步骤A~D，直至核心点列表为空，完成对施工区域的分区。
2.根据权利要求1所述的基于无监督学习的施工区域分区方法，其特征在于，在以不可分割构件为样点，对施工区域进行泰森多边形划分的过程中，对于横截面为非点状结构的不可分割构件，首先求取其最小外接凸多边形，在进行泰森多边形划分时，取与其他样点距离最近的边或点为基准进行样点间距离计算。
3.根据权利要求1所述的基于无监督学习的施工区域分区方法，其特征在于，细胞单元的样点与施工机具对应的关键点位之间的距离修正值为：细胞单元的样点与施工机具对应的关键点位的之间的欧氏距离与修正系数的乘积，所述修正系数随施工机具辐射区域的增大而减小。
4.根据权利要求1所述的基于无监督学习的施工区域分区方法，其特征在于，还包括：
当聚类过程中出现离群样点，则获取距离此离群样点最近的细胞单元和最近的关键点位；
判断最近的细胞单元所在分区的核心点对应的关键点位与最近的关键点位是否相同；
若相同，则将该离群样点对应的细胞单元划分到该最近的细胞单元所在分区；
若不同，获取距离此离群样点最近的细胞单元所在分区和最近的关键点位所对应的分区，并分别计算此离群样点对应的细胞单元加入两个分区后的分区面积；若两个分区面积均超过或均不超过预设的分区面积最大值，则将该离群样点对应的细胞单元加入到面积更大的分区；若一个分区面积超过预设的分区面积最大值而另一个分区面积不超过预设的分区面积最大值，则将该离群样点对应的细胞单元加入不超过预设的分区面积最大值的分区。
5.根据权利要求1或4所述的基于无监督学习的施工区域分区方法，其特征在于，两个细胞单元的样点之间的距离L通过如下公式计算：
Figure DEST_PATH_IMAGE001
其中，X、X’分别表示两个细胞单元的样点的横坐标，Y、Y’分别表示两个细胞单元的样点的纵坐标，CVn、CVn’ 分别表示两个细胞单元的样点与第n个关键点位之间的距离修正值。
6.一种基于无监督学习的施工区域分区系统，其特征在于，包括：
信息获取模块，用于获取建筑物及施工区域的基础信息，提取不可分割构件类型及位置、施工机具位置；
泰森多边形划分模块，用于以不可分割构件为样点，对施工区域进行泰森多边形划分，每一个泰森多边形均为一个细胞单元；
赋值模块，用于对每个细胞单元进行赋值，包括该细胞单元的样点的位置、该细胞单元的面积，以及该细胞单元的样点与各施工机具对应的关键点位之间的距离修正值；
分区模块，用于将距离各施工机具对应的关键点位最近的样点作为核心点，初始化核心点列表，基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区；
所述基于核心点列表采用改进的DBSCAN算法对所有细胞单元进行聚类，实现对施工区域的分区，具体包括：
A：以核心点列表队首的核心点为圆心，将预设半径内的样点对应的细胞单元加入簇内；
B：以簇内未被访问且距离核心点最近的样点为圆心，将预设半径内的样点对应的细胞单元进入簇内；
C：重复步骤B，直至簇内所有细胞单元的面积之和达到预设的分区面积最小值时停止，此时簇内所有细胞单元构成一个分区；
D：将不属于当前簇内且距离停止样点最近的一个细胞单元的样点作为核心点添加到核心点列表的队尾，同时删除当前核心点列表队首的核心点；
E：重复步骤A~D，直至核心点列表为空，完成对施工区域的分区。
7.一种电子终端，包括存储器、处理器，以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于无监督学习的施工区域分区方法的步骤。
8.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于无监督学习的施工区域分区方法的步骤。
CN202210984700.3A 2022-08-17 2022-08-17 基于无监督学习的施工区域分区方法、系统、终端及介质 Active CN115049028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210984700.3A CN115049028B (zh) 2022-08-17 2022-08-17 基于无监督学习的施工区域分区方法、系统、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210984700.3A CN115049028B (zh) 2022-08-17 2022-08-17 基于无监督学习的施工区域分区方法、系统、终端及介质

Publications (2)

Publication Number Publication Date
CN115049028A CN115049028A (zh) 2022-09-13
CN115049028B true CN115049028B (zh) 2022-12-13

Family

ID=83168402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210984700.3A Active CN115049028B (zh) 2022-08-17 2022-08-17 基于无监督学习的施工区域分区方法、系统、终端及介质

Country Status (1)

Country Link
CN (1) CN115049028B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392407B (zh) * 2022-10-28 2023-03-24 中建五局第三建设有限公司 基于无监督学习的危险源预警方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336783A (zh) * 2012-05-11 2013-10-02 南京大学 联合泰森多边形与反距离加权的密度图制图方法
CN104573705A (zh) * 2014-10-13 2015-04-29 北京建筑大学 一种建筑物激光扫描点云数据的聚类方法
CN109492796A (zh) * 2018-10-12 2019-03-19 东南大学 一种城市空间形态自动分区方法与系统
CN109685140A (zh) * 2018-12-25 2019-04-26 上海海事大学 一种基于主成分分析的dbscan算法岸桥状态分类方法
CN110264080A (zh) * 2019-06-20 2019-09-20 天津市建筑设计院 一种绿色建筑运行性能评价方法、装置、设备及存储介质
CN110322694A (zh) * 2019-07-16 2019-10-11 青岛海信网络科技股份有限公司 一种城市交通控制片区划分的方法及装置
CN110569745A (zh) * 2019-08-20 2019-12-13 北方工业大学 一种遥感图像建筑区检测方法
CN111273607A (zh) * 2018-12-04 2020-06-12 沈阳高精数控智能技术股份有限公司 基于Spark的数控机床运行状态监测方法
CN111401714A (zh) * 2020-03-10 2020-07-10 张邦妹 一种城区基准密度分区方法
CN112712033A (zh) * 2020-12-30 2021-04-27 哈尔滨工业大学 一种城市排水管网汇水区自动划分方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8484253B2 (en) * 2010-12-31 2013-07-09 Microsoft Corporation Variational mode seeking
CN109325998B (zh) * 2018-10-08 2023-06-30 香港理工大学 一种基于点云数据的室内3d建模方法、系统及相关装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336783A (zh) * 2012-05-11 2013-10-02 南京大学 联合泰森多边形与反距离加权的密度图制图方法
CN104573705A (zh) * 2014-10-13 2015-04-29 北京建筑大学 一种建筑物激光扫描点云数据的聚类方法
CN109492796A (zh) * 2018-10-12 2019-03-19 东南大学 一种城市空间形态自动分区方法与系统
CN111273607A (zh) * 2018-12-04 2020-06-12 沈阳高精数控智能技术股份有限公司 基于Spark的数控机床运行状态监测方法
CN109685140A (zh) * 2018-12-25 2019-04-26 上海海事大学 一种基于主成分分析的dbscan算法岸桥状态分类方法
CN110264080A (zh) * 2019-06-20 2019-09-20 天津市建筑设计院 一种绿色建筑运行性能评价方法、装置、设备及存储介质
CN110322694A (zh) * 2019-07-16 2019-10-11 青岛海信网络科技股份有限公司 一种城市交通控制片区划分的方法及装置
CN110569745A (zh) * 2019-08-20 2019-12-13 北方工业大学 一种遥感图像建筑区检测方法
CN111401714A (zh) * 2020-03-10 2020-07-10 张邦妹 一种城区基准密度分区方法
CN112712033A (zh) * 2020-12-30 2021-04-27 哈尔滨工业大学 一种城市排水管网汇水区自动划分方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
C-DBSCAN:Density based clustering with constrains;C Ruiz et al.;《RSFDGrc 2007》;20070516;80-87 *
基于混合聚类算法的高压配电网网架规划;权钊龙 等;《电气应用》;20211231;第40卷(第12期);216-223 *

Also Published As

Publication number Publication date
CN115049028A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN115049028B (zh) 基于无监督学习的施工区域分区方法、系统、终端及介质
CN107564077A (zh) 一种绘制道路网的方法及装置
CN111915091A (zh) 一种车位排布方法、装置、终端和介质
CN113971723B (zh) 高精地图中三维地图的构建方法、装置、设备和存储介质
CN111814235A (zh) 车位排布优化和多边形简化方法、装置、设备和存储介质
CN111967084A (zh) 基于数据驱动装配式钢结构的参数化建模方法及系统
CN109670469A (zh) 一种轴网生成方法、电子设备以及存储介质
CN116702454A (zh) 一种物流布局的建模方法、装置、电子设备及存储介质
CN112991161B (zh) 异形幕墙处理和分割方法、装置、计算机设备和存储介质
CN116186571B (zh) 车辆聚类方法、装置、计算机设备及存储介质
CN112287432A (zh) 目标区域获取方法、装置、计算机设备和存储介质
CN109949421B (zh) 三角网切割方法及装置
CN114595538B (zh) 一种处理方法及装置和电子设备
EP4258162A1 (en) Placement position acquisition method, model training method, and related devices
CN109325300A (zh) 外轮廓建模加载方法、系统、装置及计算机可读存储介质
CN118640894B (zh) 自动生成机器人巡检建筑的轻量化环境地图方法及系统
CN113255063B (zh) 一种船舶建造策划方法、装置及系统
CN114239115B (zh) 一种粗略计算相交构件的方法、装置、设备和存储介质
CN115375700A (zh) 异形幕墙中等距曲线生成方法、异形幕墙分割方法和装置
CN118687580A (zh) 点云定位地图的加载与匹配方法、装置、电子设备及介质
CN117270994A (zh) 一种轨道数据的计算方法、装置、设备及存储介质
CN117216833A (zh) 一种基于自动拾取编辑构件轮廓的方法及装置
CN115203788A (zh) 一种基于bim装配式工程的预制梁处理方法和系统
CN118521273A (zh) 一种装配式建筑施工智能管理系统及智能管理方法
CN116002008A (zh) 一种创建胎架保型模板的方法、装置、电子设备及介质

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