CN115294294A - 基于深度图像和点云的管线bim模型重建方法及系统 - Google Patents

基于深度图像和点云的管线bim模型重建方法及系统 Download PDF

Info

Publication number
CN115294294A
CN115294294A CN202211230756.6A CN202211230756A CN115294294A CN 115294294 A CN115294294 A CN 115294294A CN 202211230756 A CN202211230756 A CN 202211230756A CN 115294294 A CN115294294 A CN 115294294A
Authority
CN
China
Prior art keywords
point cloud
cloud data
bim
pipeline
depth image
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
CN202211230756.6A
Other languages
English (en)
Inventor
史春城
张红
李生珠
张宇琪
魏圩雨
邹邦伟
张本法
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.)
SEPCO Electric Power Construction Co Ltd
Original Assignee
SEPCO Electric Power 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 SEPCO Electric Power Construction Co Ltd filed Critical SEPCO Electric Power Construction Co Ltd
Priority to CN202211230756.6A priority Critical patent/CN115294294A/zh
Publication of CN115294294A publication Critical patent/CN115294294A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T17/05—Geographic models
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本公开提供了基于深度图像和点云的管线BIM模型重建方法及系统，涉及建筑工程计算机图像辅助建模技术领域，包括获取规则管线以及不规则管线构件的深度图像、RGB图像以及点云数据，对深度图像提取语义特征进行语义分割，生成三维语义地图；将点云数据与三维语义地图的两个点集融合至同一坐标系下，进行粗匹配；选取有效点云数据进行单目标点云数据的分割提取，计算提取点云数据的VFH特征值，基于VFH特征值与初步BIM模型、点云数据的对应关系，利用BIM标准数据库的属性信息，提取几何信息以及形状信息进行精确识别匹配，完成管线BIM重建，结合形状与语义实现BIM建模的精度要求。

Description

基于深度图像和点云的管线BIM模型重建方法及系统
技术领域
本公开涉及建筑工程计算机图像辅助建模技术领域，具体涉及基于深度图像和点云的管线BIM（Building Information Modeling，建筑信息模型）模型重建方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
管线是指联结泵、阀或控制系统等的管道，用于传送液体、气体或研成粉末的固体，为各种管道和电线、电缆等的总称。随着社会的进步和发展，大型综合电力建设建筑项目的数量在不断的增多，其规模也越来越大，使得大型综合建筑施工现场的情况也更加复杂，施工中使用到的设备和管线种类也越来越多。所以如何在庞大建筑施工中提升综合管线的布置工作质量，降低施工成本和施工技术的复杂性，提升施工效率的问题也愈加重要。
所以越来越多的企业引入建筑信息模型（Building Information Modeling，BIM）实现施工管线的全生命周期管理，但是由于早期管线设施图纸保存不完整，依靠传统的人工测绘方法进行BIM建模工作过于繁琐，虽然仅仅基于点云数据被广泛用于BIM建模，但是在数据量庞大且针对复杂管线铺设的复杂场景中，点云数据的语义信息不能被准确提取，在针对形状复杂、尺寸要求繁琐的管线部件中，数据的精度要求非常高的前提下，仅仅依靠点云数据难以满足建模的要求，另外，无法对点云中的具有语义信息的组件进行描述，或者虽然能够描述点云的整体信息，但是无法得到点云组件的形状信息。
发明内容
本公开为了解决上述问题，提出了基于深度图像和点云的管线BIM模型重建方法及系统，利用图像提供丰富的语义信息以及点云数据提供精确的几何信息，对深度RGB图像进行分割，生成三维语义地图，通过点云数据组件骨架线的精确提取与匹配实现数据的融合，对管线进行BIM重建。
根据一些实施例，本公开采用如下技术方案：
基于深度图像和点云的管线BIM模型重建方法，包括：
获取规则管线以及不规则管线构件的深度图像、RGB图像以及点云数据，并对图像进行预处理；
对深度图像中的每一个像素进行分类，对深度图像提取语义特征进行语义分割，生成三维语义地图；
将三维语义地图与点云数据进行数据的多源融合，将点云数据与三维语义地图的两个点集融合至同一坐标系下，进行粗匹配，得到初步BIM模型；
选取有效点云数据进行单目标点云数据的分割提取，计算提取点云数据的VFH特征值，基于VFH特征值与初步BIM模型、点云数据的对应关系，利用点云数据的毫米级高精度特性与BIM本身的属性信息，提取几何信息以及形状信息进行精确识别匹配，完成管线BIM重建。
根据一些实施例，本公开采用如下技术方案：
基于深度图像和点云的管线BIM模型重建系统，包括：
图像与数据获取模块，用于获取规则管线以及不规则管线构件的深度图像、RGB图像以及点云数据，并对图像进行预处理；
语义地图生成模块，用于对深度图像中的每一个像素进行分类，对深度图像提取语义特征进行语义分割，生成三维语义地图；
初步模型构建模块，用于将三维语义地图与点云数据进行数据的多源融合，将点云数据与三维语义地图的两个点集融合至同一坐标系下，进行粗匹配，得到初步BIM模型；
最终模型构建模块，用于选取有效点云数据进行单目标点云数据的分割提取，计算提取点云数据的VFH特征值，基于VFH特征值与初步BIM模型、点云数据的对应关系，利用点云数据的毫米级高精度特性与BIM本身的属性信息，提取几何信息以及形状信息进行精确识别匹配，完成管线BIM重建。
与现有技术相比，本公开的有益效果为：
本公开利用深度图像提供丰富的语义信息和点云数据提供精确的几何信息，对采集的RGB图像进行分割，生成三维语义地图，通过点云粗匹配和精确匹配实现数据的融合，实现管线中不同构件的BIM模型重建。
本公开语义三维地图重建采用成本较低的RGB图像，实现更精确的实例级分割，提高了图像的分割效率，同时对目标体在位置和位姿进行较好精度的校正，极大的提高了点云数据的识别分类准确率，实现BIM模型的精确化匹配与自动化重建。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例所述的方法实施流程图；
图2为本公开实施例所述的BIM模型构建架构图；
图3为本公开实施例所述的点云数据精确识别匹配的流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本公开的一种实施例中提供了一种基于深度图像和点云的管线BIM模型重建方法，如图1所示，步骤包括：
S1：获取规则管线以及不规则管线构件的深度图像、RGB图像以及点云数据，并对图像进行预处理；
S2：对深度图像中的每一个像素进行分类，对深度图像提取语义特征进行语义分割，生成三维语义地图；
S3：将三维语义地图与点云数据进行数据的多源融合，将点云数据与三维语义地图的两个点集融合至同一坐标系下，进行粗匹配，得到初步BIM模型；
S4：选取有效点云数据进行单目标点云数据的分割提取，计算提取点云数据的VFH特征值，基于VFH特征值与初步BIM模型、点云数据的对应关系，利用点云数据的毫米级高精度特性与BIM本身的属性信息，提取几何信息以及形状信息进行精确识别匹配，完成管线BIM重建。
作为一种实施例，所述对图像进行预处理的步骤为：对采集的图像进行人工标注，在标注的过程中，采用多边形勾勒出所需构件的边界以及形状，并保存为标签格式。所述标签格式为JSON标签格式。
作为一种实施例，所述对深度图像提取语义特征进行语义分割的过程包括：
将图像输入至语义分割的深度学习模型中，采用编码-解码的架构，利用卷积层对图像中的语义特征进行提取，对图像中每一个像素代表的语义进行提取，完成像素的语义分割。
具体的，采集1800张图像并进行人工标注，标注过程中采用多边形勾勒出所需组件边界，并保存，利用语义分割的深度学习模型，采用编码-解码的普通架构，利用卷积层对图像中的语义特征进行提取，获取到图像的二维语义标签特征图。
对深度学习模型进行训练，使用交叉熵函数为损失函数计算真实标签与结果之间的误差，采用标准随机梯度下降算法作为权值优化算法，初始学习率设置为0.001，以保证在训练过程中有更好的收敛性，学习速率衰减规律的公式为：
Figure DEST_PATH_IMAGE001
（1）
其中，
Figure 189938DEST_PATH_IMAGE002
表示学习速率，
Figure DEST_PATH_IMAGE003
表示当前迭代速率；
Figure 372657DEST_PATH_IMAGE004
表示当前迭代，
Figure DEST_PATH_IMAGE005
表示训练过 程中的总迭代次数。
作为一种实施例，所述生成三维语义地图的过程包括：
分别计算RGB图像以及深度图像的几何和光度误差，利用高斯-牛顿非线性最小二乘法获得最优相机外参进行位姿估计，实现三维地图的精确融合。
具体的，几何误差的的计算过程为：
Figure 214711DEST_PATH_IMAGE006
（2）
其中，
Figure DEST_PATH_IMAGE007
表示相机位姿基于变化矩阵的世界坐标系位置指数转化
Figure 937817DEST_PATH_IMAGE008
表示 在
Figure DEST_PATH_IMAGE009
时刻该帧深度图像在
Figure 315971DEST_PATH_IMAGE010
顶点在相机坐标系下的反投影；
Figure DEST_PATH_IMAGE011
表示相机当前较前一帧的 姿态变化估计值；
Figure 200750DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
分别表示在
Figure 733363DEST_PATH_IMAGE014
时刻相机坐标系下对应的顶点和法线。
光度误差主要计算当前的实时的RGB图像和最后一帧的深度学习模型之间最小化像素光度误差的运动参数，计算公式为：
Figure DEST_PATH_IMAGE015
（3）
其中，
Figure 260159DEST_PATH_IMAGE016
为当前的实时RGB图像，
Figure DEST_PATH_IMAGE017
为最后一帧的深度学习模型，
Figure 194617DEST_PATH_IMAGE018
为最小 化像素光度误差的运动参数；
Figure DEST_PATH_IMAGE019
为RGB图像中的像素位置；
Figure 748833DEST_PATH_IMAGE020
为图像内部参数，
Figure DEST_PATH_IMAGE021
为RGB图像像素
Figure 831058DEST_PATH_IMAGE022
所在位置的强度值，
Figure DEST_PATH_IMAGE023
为时间
Figure 99229DEST_PATH_IMAGE024
的图像像 素
Figure 153772DEST_PATH_IMAGE022
在相机坐标系下的三维坐标。
联合式子（2）和（3）通过构造最小二乘法，即优化高斯-牛顿最小二乘法，得到公式为：
Etrack = Eicp + ωrgbErgb (4)
其中，ωrgb表示权重大小，这里设置为0.01。
然后基于贝叶斯更新的方法将RGB图像分割得到的二维语义标签融合、映射至三维地图，实现三维语义地图的构建。
具体的，基于Surfel模型表示三维地图，对于每个Surfel点，包含中心点坐标
Figure DEST_PATH_IMAGE025
，Surfel半径c∈R，颜色c∈N3，法向量n∈N，初始化时间戳t0，最后更新时间戳 t，对Surfel点添加l向量表示像素语义标签并存储每个点的类别概率。假设三维场景中存 在n个Surfel点，且他们之间存在时间对应关系，根据贝叶斯公式计算为：
Figure 114775DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE027
（5）
其中，
Figure 621980DEST_PATH_IMAGE028
分别表示t和t0时刻对某点综合观测；
作为一种实施例，将三维语义地图与点云数据进行数据的多源融合，将点云数据与三维语义地图的两个点集融合至同一坐标系下，进行粗匹配，得到初步BIM模型的过程包括：
操作人员将管线与构件点集中的点基本对齐，由于三维语义地图的几何精度较 低，造成两类点集不能完美融合，设置三维语义地图中点Pm与点云相对的点Pm，之间的最大 距离阈值
Figure DEST_PATH_IMAGE029
=0.1，采用DBSCAN算法将具有相同标记的点云分割成不同聚类，然后将三维语 义地图中的语义标签匹配至点云分割簇中。设置阈值的原因在于过滤无关的点，确保建模 对象的完整。
在获得构件在点云中的粗略位置，得到初始模型后，需要进一步对复杂的形状的构件进行精确的局部位置匹配，包括：
获取管线构件的点云数据，选取去除平立面点云后的有效点云数据进行单目标点云数据的分割提取计算提取其VFH特征值，基于VFH特征值与初步BIM模型、点云数据之间的对应关系，与BIM标准构件属性中的点云模型进行点云之间两两配准，并对点云模型与BIM模型的几何参数信息进行对比评价，选取其中参数信息最相似模型，完成识别匹配。
对于复杂形状的构件的点云的局部精确位置匹配的具体实施过程包括：
S41:对获取的点云数据据进行预处理，去除噪声并对空洞进行修补；对点云数据进行滤波提取，选取去除平面点云后的有效点云进行单目标点云数据的分割提取计算提取其VFH特征值，获取到该特征值与初步BIM模型以及点云数据模型之间的对应关系，获取BIM模型数据库中的构件属性中的点云数据，将其与BIM特征数据库中的构件属性进行点云之间的两两配准，获取其具体的所属类别、类型以及安装位置和方式等数据。
S42：在得到待建模构件的所述类别、属性以及安装位置等数据后，对待建模的点云构件根据所属属性数据进行位置局部配准，包括：
S420：对点云构件骨架曲线进行提取，提取待建模点云构件的边界点簇，若存在多个边界点簇，则选取具有最大m值的边界点簇，m为任一边界点簇中任意两点间欧式距离的最大值；
S421：依次生成点云构件的多个分段：新一个分段是由上一个分段的二阶Delaunay邻域点构成，初始分段由上一步骤所得到边界点簇构成。
求取每个分段的中值点，连接所有分段的中值点，得到初始骨架曲线，平滑处理后得到最终的构件骨架曲线。
S422：获取待建模构件的形状，构成形状集以及尺度集；
S423：将获取的各个待建模的构件形状集和骨架曲线进行两两匹配，若是两个待匹配的点云构件的骨架曲线与形状相匹配，则两个点云构件匹配。
优选的，形状集由所述二维形状集内的所有二维形状的尺度信息构成，形状的尺度信息为二维形状中任意两个采样点的直线段的最大长度。
直至所有的点云构件全部匹配完成，则完成点云数据与图像的融合的管线以及构件的BIM建模。
实施例2
本公开的一种实施例中提供了一种基于深度图像和点云的管线BIM模型重建系统，包括：
图像与数据获取模块，用于获取规则管线以及不规则管线构件的深度图像、RGB图像以及点云数据，并对图像进行预处理；
语义地图生成模块，用于对深度图像中的每一个像素进行分类，对深度图像提取语义特征进行语义分割，生成三维语义地图；
初步模型构建模块，用于将三维语义地图与点云数据进行数据的多源融合，将点云数据与三维语义地图的两个点集融合至同一坐标系下，进行粗匹配，得到初步BIM模型；
最终模型构建模块，用于选取有效点云数据进行单目标点云数据的分割提取，计算提取点云数据的VFH特征值，基于VFH特征值与初步BIM模型、点云数据的对应关系，利用点云数据的毫米级高精度特性与BIM本身的属性信息，提取几何信息以及形状信息进行精确识别匹配，完成管线BIM重建。
进一步的，所述深度图像由深度相机进行采集得到；所述点云数据由激光扫描获取得到。
实施例2具体实施实施例1中所述方法的任一步骤。
本公开是参照根据本公开实施例的方法、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。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.基于深度图像和点云的管线BIM模型重建方法，其特征在于，包括：
获取规则管线以及不规则管线构件的深度图像、RGB图像以及点云数据，并对图像进行预处理；
对深度图像中的每一个像素进行分类，对深度图像提取语义特征进行语义分割，生成三维语义地图；
将三维语义地图与点云数据进行数据的多源融合，将点云数据与三维语义地图的两个点集融合至同一坐标系下，进行粗匹配，得到初步BIM模型；
选取有效点云数据进行单目标点云数据的分割提取，计算提取点云数据的VFH特征值，基于VFH特征值与初步BIM模型、点云数据的对应关系，利用点云数据的毫米级高精度特性与BIM本身的属性信息，提取几何信息以及形状信息进行精确识别匹配，完成管线BIM重建。
2.如权利要求1所述的基于深度图像和点云的管线BIM模型重建方法，其特征在于，所述对图像进行预处理的步骤为：对采集的图像进行人工标注，在标注的过程中，采用多边形勾勒出所需构件的边界以及形状，并保存为标签格式。
3.如权利要求1所述的基于深度图像和点云的管线BIM模型重建方法，其特征在于，所述对深度图像提取语义特征进行语义分割的过程包括：
将图像输入至语义分割的深度学习模型中，采用编码-解码的架构，利用卷积层对图像中的语义特征进行提取，对图像中每一个像素代表的语义进行提取，完成像素的语义分割。
4.如权利要求1所述的基于深度图像和点云的管线BIM模型重建方法，其特征在于，所述生成三维语义地图的过程包括：
分别计算RGB图像以及深度图像的几何和光度误差，利用高斯-牛顿非线性最小二乘法获得最优相机外参进行位姿估计，实现三维地图的精确融合。
5.如权利要求4所述的基于深度图像和点云的管线BIM模型重建方法，其特征在于，所述光度误差是计算当前的RGB图像和最后一帧的深度学习模型之间最小化像素光度误差的运动参数。
6.如权利要求4所述的基于深度图像和点云的管线BIM模型重建方法，其特征在于，利用贝叶斯更新的方法将RGB图像分割得到的二维语义标签融合、映射至三维地图，实现三维语义地图的构建。
7.如权利要求1所述的基于深度图像和点云的管线BIM模型重建方法，其特征在于，所述提取计算几何信息进行精确识别匹配的过程包括：
获取管线构件的点云数据，选取去除平立面点云后的有效点云数据进行单目标点云数据的分割提取计算提取其VFH特征值，基于VFH特征值与初步BIM模型、点云数据之间的对应关系，与BIM标准构件属性中的点云模型进行点云之间两两配准，并对点云模型与BIM模型的几何参数信息进行对比评价，选取其中参数信息最相似模型，完成识别匹配。
8.基于深度图像和点云的管线BIM模型重建系统，其特征在于，包括：
图像与数据获取模块，用于获取规则管线以及不规则管线构件的深度图像、RGB图像以及点云数据，并对图像进行预处理；
语义地图生成模块，用于对深度图像中的每一个像素进行分类，对深度图像提取语义特征进行语义分割，生成三维语义地图；
初步模型构建模块，用于将三维语义地图与点云数据进行数据的多源融合，将点云数据与三维语义地图的两个点集融合至同一坐标系下，进行粗匹配，得到初步BIM模型；
最终模型构建模块，用于选取有效点云数据进行单目标点云数据的分割提取，计算提取点云数据的VFH特征值，基于VFH特征值与初步BIM模型、点云数据的对应关系，利用点云数据的毫米级高精度特性与BIM本身的属性信息，提取几何信息以及形状信息进行精确识别匹配，完成管线BIM重建。
9.如权利要求8所述的基于深度图像和点云的管线BIM模型重建系统，其特征在于，所述深度图像由深度相机进行采集得到。
10.如权利要求8所述的基于深度图像和点云的管线BIM模型重建系统，其特征在于，所述点云数据由激光扫描获取得到。
CN202211230756.6A 2022-10-10 2022-10-10 基于深度图像和点云的管线bim模型重建方法及系统 Pending CN115294294A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211230756.6A CN115294294A (zh) 2022-10-10 2022-10-10 基于深度图像和点云的管线bim模型重建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211230756.6A CN115294294A (zh) 2022-10-10 2022-10-10 基于深度图像和点云的管线bim模型重建方法及系统

Publications (1)

Publication Number Publication Date
CN115294294A true CN115294294A (zh) 2022-11-04

Family

ID=83819410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211230756.6A Pending CN115294294A (zh) 2022-10-10 2022-10-10 基于深度图像和点云的管线bim模型重建方法及系统

Country Status (1)

Country Link
CN (1) CN115294294A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229007A (zh) * 2023-02-27 2023-06-06 深圳比目鱼平方科技有限公司 利用bim建模的四维数字图像构建方法、装置、设备及介质
CN117523134A (zh) * 2023-09-22 2024-02-06 南京林业大学 基于结构感知点云语义分割的三维建筑物模型简化方法
CN117557553A (zh) * 2023-12-28 2024-02-13 中核武汉核电运行技术股份有限公司 一种核电站管道焊缝检测方法及装置
CN117593454A (zh) * 2023-11-21 2024-02-23 重庆市祥和大宇包装有限公司 三维重建与目标表面平面点云生成方法
CN117710977A (zh) * 2024-02-02 2024-03-15 西南石油大学 基于点云数据的大坝bim三维模型语义快速提取方法及系统
CN118365821A (zh) * 2024-06-19 2024-07-19 江西省送变电工程有限公司 一种工程进度视觉管理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109887009A (zh) * 2019-01-24 2019-06-14 西北大学 一种点云局部匹配方法
CN111210518A (zh) * 2020-01-15 2020-05-29 西安交通大学 基于视觉融合地标的拓扑地图生成方法
CN114724120A (zh) * 2022-06-10 2022-07-08 东揽(南京)智能科技有限公司 基于雷视语义分割自适应融合的车辆目标检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109887009A (zh) * 2019-01-24 2019-06-14 西北大学 一种点云局部匹配方法
CN111210518A (zh) * 2020-01-15 2020-05-29 西安交通大学 基于视觉融合地标的拓扑地图生成方法
CN114724120A (zh) * 2022-06-10 2022-07-08 东揽(南京)智能科技有限公司 基于雷视语义分割自适应融合的车辆目标检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
牛鹏涛等.: "融合RGB-D深度图像和LiDAR点云的石油管线BIM建模", 《测绘通报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229007A (zh) * 2023-02-27 2023-06-06 深圳比目鱼平方科技有限公司 利用bim建模的四维数字图像构建方法、装置、设备及介质
CN116229007B (zh) * 2023-02-27 2023-09-01 深圳比目鱼平方科技有限公司 利用bim建模的四维数字图像构建方法、装置、设备及介质
CN117523134A (zh) * 2023-09-22 2024-02-06 南京林业大学 基于结构感知点云语义分割的三维建筑物模型简化方法
CN117523134B (zh) * 2023-09-22 2024-07-12 南京林业大学 基于结构感知点云语义分割的三维建筑物模型简化方法
CN117593454A (zh) * 2023-11-21 2024-02-23 重庆市祥和大宇包装有限公司 三维重建与目标表面平面点云生成方法
CN117557553A (zh) * 2023-12-28 2024-02-13 中核武汉核电运行技术股份有限公司 一种核电站管道焊缝检测方法及装置
CN117557553B (zh) * 2023-12-28 2024-05-24 中核武汉核电运行技术股份有限公司 一种核电站管道焊缝检测方法及装置
CN117710977A (zh) * 2024-02-02 2024-03-15 西南石油大学 基于点云数据的大坝bim三维模型语义快速提取方法及系统
CN117710977B (zh) * 2024-02-02 2024-04-26 西南石油大学 基于点云数据的大坝bim三维模型语义快速提取方法及系统
CN118365821A (zh) * 2024-06-19 2024-07-19 江西省送变电工程有限公司 一种工程进度视觉管理方法及系统

Similar Documents

Publication Publication Date Title
CN115294294A (zh) 基于深度图像和点云的管线bim模型重建方法及系统
CN108764048B (zh) 人脸关键点检测方法及装置
Ma et al. A review of 3D reconstruction techniques in civil engineering and their applications
CN108596974B (zh) 动态场景机器人定位建图系统及方法
CN105096386B (zh) 大范围复杂城市环境几何地图自动生成方法
CN111462210B (zh) 一种基于极线约束的单目线特征地图构建方法
CN109685886A (zh) 一种基于混合现实技术的配网三维场景建模方法
Ameri et al. Automatic 3D building reconstruction using plane-roof structures
US20220067233A1 (en) Generating operational and realistic models of physical systems
CN108133496B (zh) 一种基于g2o与随机蕨类算法的稠密地图创建方法
CN104463969B (zh) 一种对航空倾斜拍摄的地理照片的模型的建立方法
CN104268941A (zh) 仿真三维地图的热区形成方法及装置
WO2024088071A1 (zh) 三维场景重建方法、装置、设备及存储介质
Hu et al. Geometric feature enhanced line segment extraction from large-scale point clouds with hierarchical topological optimization
CN115546422A (zh) 一种建筑物的三维模型构建方法、系统和电子设备
CN115719377A (zh) 一种六自由度位姿估计数据集自动采集系统
CN108898679A (zh) 一种零部件序号自动标注的方法
CN106780577B (zh) 一种基于组特征的直线匹配方法
CN116403275B (zh) 基于多目视觉检测封闭空间中人员行进姿态的方法及系统
Guo et al. Full-automatic high-precision scene 3D reconstruction method with water-area intelligent complementation and mesh optimization for UAV images
CN104851100B (zh) 可变光源下的双目视图立体匹配方法
CN112396696B (zh) 一种基于特征点检测与分割的语义地图增量更新方法
CN113487741B (zh) 稠密三维地图更新方法及装置
CN114863021A (zh) 一种基于三维重建场景的仿真数据集分析方法及系统
JP2022182359A (ja) 三次元モデル作成支援システム、プログラム及び記録媒体

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20221104