CN115775116B - 基于bim的路桥工程管理方法及系统 - Google Patents

Abstract

公开了一种基于BIM的路桥工程管理方法及系统，其采用基于深度学习的人工智能检测技术，以通过路桥工程的多个施工现场数据来对所述路桥工程的BIM模型进行分解，进一步基于分解后的BIM模型来进行施工状态的动态特征挖掘。这样，实现对于路桥工程的施工进度的监测管理，以保证路桥工程的工程质量以及工程进度。

Description

基于BIM的路桥工程管理方法及系统

技术领域

本申请涉及路桥工程领域，且更为具体地，涉及一种基于BIM的路桥工程管理方法及系统。

背景技术

目前，随着社会的发展，路桥施工工程越来越多，在路桥施工的工程中，与普通的房屋建筑施工不同，路桥建筑的施工线比较长，因此在路桥施工过程中对于工程质量以及工程进度等方面的监测相对于普通的房屋建筑难度更大。

相关技术中，多由专业的工程监督人员，在路桥建筑的工地上监测并记录工程质量以及工程进度等，并整理形成文件，但是由于路桥建筑的施工线比较长，通过人为检测整理，容易出现数据滞后，且对工程质量以及工程进度的检测不够直观，准确度较低。

因此，期待一种优化的路桥工程管理方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于BIM的路桥工程管理方法及系统，其采用基于深度学习的人工智能检测技术，以通过路桥工程的多个施工现场数据来对所述路桥工程的BIM模型进行分解，进一步基于分解后的BIM模型来进行施工状态的动态特征挖掘。这样，实现对于路桥工程的施工进度的监测管理，以保证路桥工程的工程质量以及工程进度。

根据本申请的一个方面，提供了一种基于BIM的路桥工程管理方法，其包括：获取路桥工程的BIM模型；获取所述路桥工程的多个施工现场数据；根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型；将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量；计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵；分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理。

在上述基于BIM的路桥工程管理方法中，所述将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述分解后BIM模型特征向量，所述卷积神经网络模型的第一层的输入为所述分解后BIM模型。

在上述基于BIM的路桥工程管理方法中，所述作为过滤器的卷积神经网络模型为深度残差网络模型。

在上述基于BIM的路桥工程管理方法中，所述计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵，包括：以如下公式计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵；其中，所述公式为：，

其中和分别表示所述多个分解后BIM模型特征向量中两个相邻分解后BIM模型特征向量，表示所述转移矩阵，表示矩阵相乘。

在上述基于BIM的路桥工程管理方法中，所述将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理，包括：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

在上述基于BIM的路桥工程管理方法中，还包括训练步骤：对所述作为过滤器的卷积神经网络模型和所述分类器进行训练。

在上述基于BIM的路桥工程管理方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括路桥工程的训练BIM模型，所述路桥工程的多个训练施工现场数据，以及，所述路桥工程的施工进度是否合理的真实值；根据所述多个训练施工现场数据对所述训练BIM模型进行分解以得到多个训练分解后BIM模型；将所述多个训练分解后BIM模型分别通过所述作为过滤器的卷积神经网络模型以得到多个训练分解后BIM模型特征向量；计算所述多个训练分解后BIM模型特征向量中每两个相邻训练分解后BIM模型特征向量之间的转移矩阵以得到多个训练转移矩阵；分别计算所述多个训练转移矩阵中各个训练转移矩阵的全局均值以得到由多个全局均值组成的训练分类特征向量；将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的反向传播来对所述作为过滤器的卷积神经网络模型和所述分类器进行训练，其中，在所述训练过程的每一轮迭代中，计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。

在上述基于BIM的路桥工程管理方法中，所述在所述训练过程的每一轮迭代中，以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值；其中，所述公式为：

 ，

其中是所述训练分类特征向量，是所述分类器对所述训练分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，表示向量之间的距离，表示向量的二范数，且和是权重超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示所述分类器的标签值。

根据本申请的另一方面，提供了一种基于BIM的路桥工程管理系统，包括：BIM模型生成单元，用于获取路桥工程的BIM模型；现场数据采集单元，用于获取所述路桥工程的多个施工现场数据；BIM模型分解单元，用于根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型；特征过滤单元，用于将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量；转移单元，用于计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵；均值化单元，用于分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量；以及检验结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理。

在上述基于BIM的路桥工程管理系统中，所述BIM模型分解单元，进一步用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述分解后BIM模型特征向量，所述卷积神经网络模型的第一层的输入为所述分解后BIM模型。

在上述基于BIM的路桥工程管理系统中，所述作为过滤器的卷积神经网络模型为深度残差网络模型。

在上述基于BIM的路桥工程管理系统中，所述转移单元，进一步用于：以如下公式计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵；其中，所述公式为：，

其中和分别表示所述多个分解后BIM模型特征向量中两个相邻分解后BIM模型特征向量，表示所述转移矩阵，表示矩阵相乘。

在上述基于BIM的路桥工程管理系统中，所述检验结果生成单元，进一步用于：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

在上述基于BIM的路桥工程管理系统中，还包括用于对所述作为过滤器的卷积神经网络模型和所述分类器进行训练的训练模块。

在上述基于BIM的路桥工程管理系统中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括路桥工程的训练BIM模型，所述路桥工程的多个训练施工现场数据，以及，所述路桥工程的施工进度是否合理的真实值；训练BIM模型分解单元，用于根据所述多个训练施工现场数据对所述训练BIM模型进行分解以得到多个训练分解后BIM模型；训练特征过滤单元，用于将所述多个训练分解后BIM模型分别通过所述作为过滤器的卷积神经网络模型以得到多个训练分解后BIM模型特征向量；训练转移单元，用于计算所述多个训练分解后BIM模型特征向量中每两个相邻训练分解后BIM模型特征向量之间的转移矩阵以得到多个训练转移矩阵；训练均值化单元，用于分别计算所述多个训练转移矩阵中各个训练转移矩阵的全局均值以得到由多个全局均值组成的训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及，训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述作为过滤器的卷积神经网络模型和所述分类器进行训练，其中，在所述训练过程的每一轮迭代中，计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。

在上述基于BIM的路桥工程管理系统中，所述在所述训练过程的每一轮迭代中，以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值；其中，所述公式为： ，

其中是所述训练分类特征向量，是所述分类器对所述训练分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，表示向量之间的距离，表示向量的二范数，且和是权重超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示所述分类器的标签值。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于BIM的路桥工程管理方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于BIM的路桥工程管理方法。

与现有技术相比，本申请提供的基于BIM的路桥工程管理方法及系统，其采用基于深度学习的人工智能检测技术，以通过路桥工程的多个施工现场数据来对所述路桥工程的BIM模型进行分解，进一步基于分解后的BIM模型来进行施工状态的动态特征挖掘。这样，实现对于路桥工程的施工进度的监测管理，以保证路桥工程的工程质量以及工程进度。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于BIM的路桥工程管理方法的流程图。

图2为根据本申请实施例的基于BIM的路桥工程管理方法的架构图。

图3为根据本申请实施例的基于BIM的路桥工程管理方法中对所述作为过滤器的卷积神经网络模型和所述分类器进行训练的流程图。

图4为根据本申请实施例的基于BIM的路桥工程管理系统的框图。

图5为根据本申请实施例的基于BIM的路桥工程管理系统中训练模块的框图。

图6为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述：如上所述，由于现有的路桥工程管理相关技术中，多由专业的工程监督人员，在路桥建筑的工地上监测并记录工程质量以及工程进度等，并整理形成文件，但是由于路桥建筑的施工线比较长，通过人为检测整理，容易出现数据滞后，且对工程质量以及工程进度的检测不够直观，准确度较低。因此，期待一种优化的路桥工程管理方案。

相应地，考虑到BIM技术是以3D模型为基础对项目进行全生命周期管理的一种技术应用，它能够在公路桥梁施工前深入项目，大大提升规划、设计和管理公路桥梁的施工。BIM同时也是一种数字信息的应用，支持路桥工程的集成管理环境，可以使公路桥梁工程在施工管理中整个进程中基于以往数据，显著提高效率、防范风险。基于此，在本申请的技术方案中，期望通过路桥工程的多个施工现场数据来对所述路桥工程的BIM模型进行分解来得到分解后的BIM模型，进一步基于所述分解后的BIM模型来进行施工状态的动态特征挖掘，以此来实现对于路桥工程的施工进度的监测管理。在此过程中，难点在于如何挖掘出所述路桥工程的施工状态特征信息，以此来进行路桥工程的施工进度管理，以保证路桥工程的工程质量以及工程进度。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为挖掘所述路桥工程的施工状态特征信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取路桥工程的BIM模型，并且获取所述路桥工程的多个施工现场数据。特别地，这里，所述多个施工现场数据可以采用以天为单位来采集多天的施工现场数据，所述施工现场数据包括施工参数数据、现场人员数据、工程进度数据。然后，根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型。相应地，在本申请的一个具体示例中，可以根据所述多个施工现场数据对所述BIM模型按照逐步细分的方式进行树形分解，其原则为根据BIM模型的三维空间特征及业务属性特征从大到小进行细分。

接着，使用在隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来对于所述多个分解后BIM模型中的各个分解后BIM模型进行特征挖掘，以分别提取出所述各个分解后BIM模型的关于施工现场的各个数据的高维隐含特征分布信息，从而得到多个分解后BIM模型特征向量。

进一步地，再计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵，以此来表示出所述各个分解后BIM模型的关于施工现场的各个数据隐含特征间的关联性特征分布信息，即关于所述施工状态的隐含特征信息，从而得到多个转移矩阵。

然后，为了能够准确地对于路桥工程的施工进度进行监测管理，需要进一步对于所述各个分解后BIM模型的关联特征分布信息进行降维整合，也就是，对于所述施工状态的各个隐含特征进行整合，以此来提高后续分类的精准度。也就是，在本申请的技术方案中，分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量。接着，进一步再将述分类特征向量通过分类器以得到用于表示路桥工程的施工进度是否合理的分类结果。

也就是，在本申请的技术方案中，所述分类器的标签包括所述路桥工程的施工进度合理，以及，所述路桥工程的施工进度不合理，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述路桥工程的施工进度是否合理的判断标签，因此，在得到所述分类结果后，可基于所述分类结果来判断出所述路桥工程的施工进度是否合理，以此来进行路桥工程的施工进度管理，从而保证路桥工程的工程质量以及工程进度。

特别地，在本申请的技术方案中，由于所述分类特征向量是分别计算所述多个转移矩阵中各个转移矩阵的全局均值得到的多个全局均值组成的，而所述全局均值相对于转移矩阵本身使得特征分布稀疏化，这就导致所述分类特征向量的整体特征分布具有较强的离散性，使得分类器的训练困难，尤其是分类器的标签值的收敛困难。

因此，优选地使用软标签学习来代替常用的硬标签学习，具体地，在每次迭代时，计算所述分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为分类器的标签值，表示为：，所述分类特征向量，是所述分类器对所述分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，表示向量之间的距离，表示向量的二范数，且和是权重超参数。

这里，所述基于跨分类器软相似性的自由标签优化因数作为分类器的标签值，可以代替以硬标签值计算所述分类特征向量的分类概率，对所述分类特征向量和分类器的权重矩阵进行双向聚簇，来通过所述分类特征向量与权重矩阵的跨分类器的软相似性模拟基于分类器权重矩阵的伪类别，从而以软相似性学习来避免了硬标签学习带来的分类量化损失，实现了更关注于分类器的内在权重结构的自由标签优化，从而优化了分类器的标签值的训练，提升了分类器的训练速度。这样，能够准确地对于路桥工程的施工进度合理性进行检测判断，从而以此进行路桥工程的施工进度管理，保证路桥工程的工程质量以及工程进度。

基于此，本申请提出了一种基于BIM的路桥工程管理方法，其包括：获取路桥工程的BIM模型；获取所述路桥工程的多个施工现场数据；根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型；将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量；计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵；分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量；以及，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法：图1为根据本申请实施例的基于BIM的路桥工程管理方法的流程图。如图1所示，根据本申请实施例的基于BIM的路桥工程管理方法，包括：S110，获取路桥工程的BIM模型；S120，获取所述路桥工程的多个施工现场数据；S130，根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型；S140，将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量；S150，计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵；S160，分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理。

图2为根据本申请实施例的基于BIM的路桥工程管理方法的架构图。如图2所示，在该架构中，首先，获取路桥工程的BIM模型，同时，获取所述路桥工程的多个施工现场数据；接着，根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型；然后，将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量；继而，计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵；再分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量；最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理。

如上所述，由于现有的路桥工程管理相关技术中，多由专业的工程监督人员，在路桥建筑的工地上监测并记录工程质量以及工程进度等，并整理形成文件，但是由于路桥建筑的施工线比较长，通过人为检测整理，容易出现数据滞后，且对工程质量以及工程进度的检测不够直观，准确度较低。因此，期待一种优化的路桥工程管理方案。

相应地，考虑到BIM技术是以3D模型为基础对项目进行全生命周期管理的一种技术应用，它能够在公路桥梁施工前深入项目，大大提升规划、设计和管理公路桥梁的施工。BIM同时也是一种数字信息的应用，支持路桥工程的集成管理环境，可以使公路桥梁工程在施工管理中整个进程中基于以往数据，显著提高效率、防范风险。基于此，在本申请的技术方案中，期望通过路桥工程的多个施工现场数据来对所述路桥工程的BIM模型进行分解来得到分解后的BIM模型，进一步基于所述分解后的BIM模型来进行施工状态的动态特征挖掘，以此来实现对于路桥工程的施工进度的监测管理。在此过程中，难点在于如何挖掘出所述路桥工程的施工状态特征信息，以此来进行路桥工程的施工进度管理，以保证路桥工程的工程质量以及工程进度。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为挖掘所述路桥工程的施工状态特征信息提供了新的解决思路和方案。

在步骤S110和步骤S120中，获取路桥工程的BIM模型，并获取所述路桥工程的多个施工现场数据。特别地，这里，所述多个施工现场数据可以采用以天为单位来采集多天的施工现场数据，所述施工现场数据包括施工参数数据、现场人员数据、工程进度数据。

在步骤S130中，根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型。相应地，在本申请的一个具体示例中，可以根据所述多个施工现场数据对所述BIM模型按照逐步细分的方式进行树形分解，其原则为根据BIM模型的三维空间特征及业务属性特征从大到小进行细分。在本申请的技术方案中，基于施工参数数据、现场人员数据和工程进度数据层面对所述BIM模型进行层层细分。其中，基于施工参数数据进行模型分解时，又可基于区域、楼层、专业等层面进行分解。例如，首先，将所述BIM模型按照区域进行划分；接着，对于每个区域按照楼层进行细分；然后，对于每个楼层根据专业进行分类；再根据每个楼层下各个专业的图元的构件类型，把楼层进一步细化为构件；继而，把图元分类到对应的构件下。其中，所述专业是BIM模型按照BIM模型业务功能对BIM模型进行细分的一个BIM模型基本数据定义，例如，土建，钢筋等；所述构件类型是构件的一个必要特征，可以为梁，板等基本的BIM模型类型，也可以是做法，约束关系等抽象的类型。

在步骤S140中，将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量。也就是，使用在隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来对于所述多个分解后BIM模型中的各个分解后BIM模型进行特征挖掘，以分别提取出所述各个分解后BIM模型的关于施工现场的各个数据的高维隐含特征分布信息，从而得到多个分解后BIM模型特征向量。

在本申请的一个具体示例中，所述作为过滤器的卷积神经网络模型为深度残差网络模型，其原理是利用残差模块进行训练，建立了输入与输出之间的有效连接，使神经网络在深度拓宽的同时还能保持其特征表达的能力，巧妙地解决了由层数加深引发的梯度消失或梯度爆炸问题。

具体地，在本申请实施例中，所述将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述分解后BIM模型特征向量，所述卷积神经网络模型的第一层的输入为所述分解后BIM模型。

在步骤S150中，计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵。也就是，计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵，以此来表示出所述各个分解后BIM模型的关于施工现场的各个数据隐含特征间的关联性特征分布信息，即关于所述施工状态的隐含特征信息，从而得到多个转移矩阵。

具体地，在本申请实施例中，以如下公式计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵；其中，所述公式为：，其中和分别表示所述多个分解后BIM模型特征向量中两个相邻分解后BIM模型特征向量，表示所述转移矩阵，表示矩阵相乘。

在步骤S160中，分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量。为了能够准确地对于路桥工程的施工进度进行监测管理，需要进一步对于所述各个分解后BIM模型的关联特征分布信息进行降维整合，也就是，对于所述施工状态的各个隐含特征进行整合，以此来提高后续分类的精准度。

在步骤S170中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理。也就是，在本申请的技术方案中，所述分类器的标签包括所述路桥工程的施工进度合理，以及，所述路桥工程的施工进度不合理，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述路桥工程的施工进度是否合理的判断标签，因此，在得到所述分类结果后，可基于所述分类结果来判断出所述路桥工程的施工进度是否合理，以此来进行路桥工程的施工进度管理，从而保证路桥工程的工程质量以及工程进度。

具体地，在本申请实施例中，首先，使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；然后，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

在上述基于BIM的路桥工程管理方法中，还包括训练步骤：对所述作为过滤器的卷积神经网络模型和所述分类器进行训练。

图3为根据本申请实施例的基于BIM的路桥工程管理方法中对所述作为过滤器的卷积神经网络模型和所述分类器进行训练的流程图。如图3所示，所述训练步骤，包括：S210，获取训练数据，所述训练数据包括路桥工程的训练BIM模型，所述路桥工程的多个训练施工现场数据，以及，所述路桥工程的施工进度是否合理的真实值；S220，根据所述多个训练施工现场数据对所述训练BIM模型进行分解以得到多个训练分解后BIM模型；S230，将所述多个训练分解后BIM模型分别通过所述作为过滤器的卷积神经网络模型以得到多个训练分解后BIM模型特征向量；S240，计算所述多个训练分解后BIM模型特征向量中每两个相邻训练分解后BIM模型特征向量之间的转移矩阵以得到多个训练转移矩阵；S250，分别计算所述多个训练转移矩阵中各个训练转移矩阵的全局均值以得到由多个全局均值组成的训练分类特征向量；S260，将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及，S270，基于所述分类损失函数值并通过梯度下降的反向传播来对所述作为过滤器的卷积神经网络模型和所述分类器进行训练，其中，在所述训练过程的每一轮迭代中，计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。

特别地，在本申请的技术方案中，由于所述分类特征向量是分别计算所述多个转移矩阵中各个转移矩阵的全局均值得到的多个全局均值组成的，而所述全局均值相对于转移矩阵本身使得特征分布稀疏化，这就导致所述分类特征向量的整体特征分布具有较强的离散性，使得分类器的训练困难，尤其是分类器的标签值的收敛困难。

因此，优选地使用软标签学习来代替常用的硬标签学习，具体地，在每次迭代时，计算所述分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为分类器的标签值，表示为：

 ，

其中是所述训练分类特征向量，是所述分类器对所述训练分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，表示向量之间的距离，表示向量的二范数，且和是权重超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示所述分类器的标签值。

这里，所述基于跨分类器软相似性的自由标签优化因数作为分类器的标签值，可以代替以硬标签值计算所述分类特征向量的分类概率，对所述分类特征向量和分类器的权重矩阵进行双向聚簇，来通过所述分类特征向量与权重矩阵的跨分类器的软相似性模拟基于分类器权重矩阵的伪类别，从而以软相似性学习来避免了硬标签学习带来的分类量化损失，实现了更关注于分类器的内在权重结构的自由标签优化，从而优化了分类器的标签值的训练，提升了分类器的训练速度。这样，能够准确地对于路桥工程的施工进度合理性进行检测判断，从而以此进行路桥工程的施工进度管理，保证路桥工程的工程质量以及工程进度。

综上，基于本申请实施例的基于BIM的路桥工程管理方法被阐明，其采用基于深度学习的人工智能检测技术，以通过路桥工程的多个施工现场数据来对所述路桥工程的BIM模型进行分解，进一步基于分解后的BIM模型来进行施工状态的动态特征挖掘。这样，实现对于路桥工程的施工进度的监测管理，以保证路桥工程的工程质量以及工程进度。

示例性系统：图4为根据本申请实施例的基于BIM的路桥工程管理系统的框图。如图4所示，根据本申请实施例的基于BIM的路桥工程管理系统100，包括：BIM模型生成单元110，用于获取路桥工程的BIM模型；现场数据采集单元120，用于获取所述路桥工程的多个施工现场数据；BIM模型分解单元130，用于根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型；特征过滤单元140，用于将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量；转移单元150，用于计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵；均值化单元160，用于分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量；以及，检验结果生成单元170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理。

在一个示例中，在上述基于BIM的路桥工程管理系统100中，所述BIM模型分解单元130，进一步用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述分解后BIM模型特征向量，所述卷积神经网络模型的第一层的输入为所述分解后BIM模型。

在一个示例中，在上述基于BIM的路桥工程管理系统100中，所述作为过滤器的卷积神经网络模型为深度残差网络模型。

在一个示例中，在上述基于BIM的路桥工程管理系统100中，所述转移单元150，进一步用于：以如下公式计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵；其中，所述公式为：，

其中和分别表示所述多个分解后BIM模型特征向量中两个相邻分解后BIM模型特征向量，表示所述转移矩阵，表示矩阵相乘。

在一个示例中，在上述基于BIM的路桥工程管理系统100中，所述检验结果生成单元170，进一步用于：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

在一个示例中，在上述基于BIM的路桥工程管理系统100中，还包括用于对所述作为过滤器的卷积神经网络模型和所述分类器进行训练的训练模块200。

图5为根据本申请实施例的基于BIM的路桥工程管理系统中训练模块的框图。如图5所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括路桥工程的训练BIM模型，所述路桥工程的多个训练施工现场数据，以及，所述路桥工程的施工进度是否合理的真实值；训练BIM模型分解单元220，用于根据所述多个训练施工现场数据对所述训练BIM模型进行分解以得到多个训练分解后BIM模型；训练特征过滤单元230，用于将所述多个训练分解后BIM模型分别通过所述作为过滤器的卷积神经网络模型以得到多个训练分解后BIM模型特征向量；训练转移单元240，用于计算所述多个训练分解后BIM模型特征向量中每两个相邻训练分解后BIM模型特征向量之间的转移矩阵以得到多个训练转移矩阵；训练均值化单元250，用于分别计算所述多个训练转移矩阵中各个训练转移矩阵的全局均值以得到由多个全局均值组成的训练分类特征向量；分类损失单元260，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及，训练单元270，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述作为过滤器的卷积神经网络模型和所述分类器进行训练，其中，在所述训练过程的每一轮迭代中，计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。

在一个示例中，在上述基于BIM的路桥工程管理系统100中，所述在所述训练过程的每一轮迭代中，以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值；其中，所述公式为： ，

其中是所述训练分类特征向量，是所述分类器对所述训练分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，表示向量之间的距离，表示向量的二范数，且和是权重超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示所述分类器的标签值。

这里，本领域技术人员可以理解，上述基于BIM的路桥工程管理系统 100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的基于BIM的路桥工程管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的基于BIM的路桥工程管理系统 100可以实现在各种终端设备中，例如用于基于BIM的路桥工程管理的服务器等。在一个示例中，根据本申请实施例的基于BIM的路桥工程管理系统 100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于BIM的路桥工程管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于BIM的路桥工程管理系统 100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于BIM的路桥工程管理系统 100与该终端设备也可以是分立的设备，并且该基于BIM的路桥工程管理系统 100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备：下面，参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于BIM的路桥工程管理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如路桥工程的BIM模型和施工现场数据等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于BIM的路桥工程管理方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于BIM的路桥工程管理方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于BIM的路桥工程管理方法，其特征在于，包括：

获取路桥工程的BIM模型；

获取所述路桥工程的多个施工现场数据；

根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型；

将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量；

计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵；

分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量；以及

将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理；

其中，根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型，包括：根据所述多个施工现场数据对所述BIM模型按照逐步细分的方式进行树形分解以得到多个分解后BIM模型。

2.根据权利要求1所述的基于BIM的路桥工程管理方法，其特征在于，所述将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量，包括：

使用所述卷积神经网络模型的各层在层的正向传递中分别进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述卷积神经网络模型的最后一层的输出为所述分解后BIM模型特征向量，所述卷积神经网络模型的第一层的输入为所述分解后BIM模型。

3.根据权利要求2所述的基于BIM的路桥工程管理方法，其特征在于，所述作为过滤器的卷积神经网络模型为深度残差网络模型。

4.根据权利要求3所述的基于BIM的路桥工程管理方法，其特征在于，所述计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵，包括：

以如下公式计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵；

其中，所述公式为：

，

其中和分别表示所述多个分解后BIM模型特征向量中两个相邻分解后BIM模型特征向量，示所述转移矩阵，表示矩阵相乘。

5.根据权利要求4所述的基于BIM的路桥工程管理方法，其特征在于，所述将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理，包括：

使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

6.根据权利要求5所述的基于BIM的路桥工程管理方法，其特征在于，还包括训练步骤：对所述作为过滤器的卷积神经网络模型和所述分类器进行训练。

7.根据权利要求6所述的基于BIM的路桥工程管理方法，其特征在于，所述训练步骤，包括：

获取训练数据，所述训练数据包括路桥工程的训练BIM模型，所述路桥工程的多个训练施工现场数据，以及，所述路桥工程的施工进度是否合理的真实值；

根据所述多个训练施工现场数据对所述训练BIM模型进行分解以得到多个训练分解后BIM模型；

将所述多个训练分解后BIM模型分别通过所述作为过滤器的卷积神经网络模型以得到多个训练分解后BIM模型特征向量；

计算所述多个训练分解后BIM模型特征向量中每两个相邻训练分解后BIM模型特征向量之间的转移矩阵以得到多个训练转移矩阵；

分别计算所述多个训练转移矩阵中各个训练转移矩阵的全局均值以得到由多个全局均值组成的训练分类特征向量；

将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及

基于所述分类损失函数值并通过梯度下降的反向传播来对所述作为过滤器的卷积神经网络模型和所述分类器进行训练，其中，在所述训练过程的每一轮迭代中，计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。

8.根据权利要求7所述的基于BIM的路桥工程管理方法，其特征在于，所述在所述训练过程的每一轮迭代中，以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值；

其中，所述公式为：

，

其中是所述训练分类特征向量，是所述分类器对所述训练分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，表示向量之间的距离，表示向量的二范数，且和是权重超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示所述分类器的标签值。

9.一种基于BIM的路桥工程管理系统，其特征在于，包括：

BIM模型生成单元，用于获取路桥工程的BIM模型；

现场数据采集单元，用于获取所述路桥工程的多个施工现场数据；

BIM模型分解单元，用于根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型；

特征过滤单元，用于将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量；

转移单元，用于计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵；

均值化单元，用于分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量；以及

检验结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理；

其中，所述BIM模型分解单元，包括：根据所述多个施工现场数据对所述BIM模型按照逐步细分的方式进行树形分解以得到多个分解后BIM模型。

10.根据权利要求9所述的基于BIM的路桥工程管理系统，其特征在于，还包括用于对所述作为过滤器的卷积神经网络模型和所述分类器进行训练的训练模块。

Images