CN115901621A - 一种高层建筑外表面混凝土病害数字化识别方法及系统 - Google Patents
一种高层建筑外表面混凝土病害数字化识别方法及系统 Download PDFInfo
- Publication number
- CN115901621A CN115901621A CN202211320322.5A CN202211320322A CN115901621A CN 115901621 A CN115901621 A CN 115901621A CN 202211320322 A CN202211320322 A CN 202211320322A CN 115901621 A CN115901621 A CN 115901621A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- concrete
- dimensional
- building
- rise
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000007547 defect Effects 0.000 title claims abstract description 17
- 201000010099 disease Diseases 0.000 claims abstract description 46
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 23
- 239000007787 solid Substances 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012805 post-processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 2
- 230000018109 developmental process Effects 0.000 claims description 2
- 230000006698 induction Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 14
- 239000010410 layer Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000011440 grout Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 240000004922 Vigna radiata Species 0.000 description 1
- 235000010721 Vigna radiata var radiata Nutrition 0.000 description 1
- 235000011469 Vigna radiata var sublobata Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种高层建筑外表面混凝土病害数字化识别方法及系统，涉及工程数字化技术领域，包括以下步骤：S1：运用无人机搭载三维激光扫描仪获取高层混凝土结构建筑点云数据；S2：对点云数据进行处理；S3：自动识别、标记混凝土病害；S4：重构三维实体模型；S5：将识别到的病害结果集成到BIM模型中。本发明具有高效、高质的优点，可有效解决传统的混凝土病害检测劳动强度大、效率低且难以适用于高层结构的外立面的问题。
Description
技术领域
本发明涉及工程数字化技术领域，尤其是涉及一种高层建筑外表面混凝土病害数字化识别方法及系统。
背景技术
随着中国城市建设进程不断加快，对高层建筑的施工技术不断成熟，高层建筑也越来越多。但是，由于高层建筑特点导致对高层建筑的外立面混凝土病害的检测变得格外困难。然而外立面的混凝土病害危害也是极大，轻则影响美观，重则影响建筑的强度、刚度和稳定性。
传统的混凝土病害检测主要靠人工肉眼观察，这种方法劳动强度大、效率低，且这种方法难以适用于高层结构的外立面。因此急需一种新的自动高效的适用于高层建筑外表面的混凝土病害检测方法。
发明内容
本发明的目的在于提供一种高层建筑外表面混凝土病害数字化识别方法及系统，以解决上述背景技术中传统的混凝土病害检测劳动强度大、效率低且难以适用于高层结构的外立面的问题。
为实现上述目的，本发明提供一种高层建筑外表面混凝土病害数字化识别方法，包括以下步骤：
S1：运用无人机搭载三维激光扫描仪获取高层混凝土结构建筑点云数据：选择无人机和三维激光扫描仪，制定无人机三维激光扫描技术实施方案，运用无人机三维激光扫描技术获取高层混凝土结构建筑点云数据；
S2：对点云数据进行处理：包括点云滤波、点云下采样以及点云配准；
S3：自动识别、标记混凝土病害：开发RandLA-Net点云深度学习自动识别系统，归纳总结混凝土结构常见病害类型以及其主要特征，基于RandLA-Net语义分割自动识别系统对预处理后的三维点云数据进行处理，对识别到的病害进行结果标记；
S4：重构三维实体模型：通过径向基函数RBF重构建模算法得到建筑结构的三维几何模型；
S5：将识别到的病害结果集成到BIM模型中：根据建筑图纸构建详细准确的BIM模型，运用Autodesk Navisworks软件将标识的病害点云叠加到BIM模型中。
进一步的，步骤S2中所述点云配准运用改进粒子群PSO算法，其具体步骤如下：
S201：确定粒子的个数，维数以及参数空间的范围；
S202：在搜索空间内随机产生粒子群的初始位置和速度，初始化每个粒子的局部最优位置以及全局最优位置；
S203：根据公式
f(Pi)＝min∑(|yi1zi2-zi1yi2|+|zi1xi2-xi1zi2|+|xi1yi2-yi1xi2|)
对于每一个粒子，计算其适应度函数，如果当前最好位置优于历史最优值，则更新历史最优值，依次计算并更新全局最优值；
S204：根据公式
判断是否满足终止条件，若满足则输出全局最优解，否则转到步骤S203继续进行迭代；
S205：得到最优参数，最终完成配准。
进一步的，步骤S4中所述三维重建采用径向基函数RBF神经网络算法，隐式化地构建BIM模型，整体算法分为预处理、处理和后处理三部分：
(1)预处理部分包括构建几何体、连通性数组以及针对预定本征和自然条件的边界识别策略，除了模型的几何细节，如高度、长度、宽度等，模型的参数细节，如节点向量、NURBS基函数的阶数、控制顶点和RBF的参数也被确定；
(2)在处理阶段，基于节点跨度将域划分为若干段，对于多个补丁的分析，代码通过补丁进入一个循环，使这个循环显式的原因是定义几何图形的控制点一次只与一个补丁相关，一旦形成了全局刚度矩阵和力向量，边界条件被施加到系统的全局集合上；
(3)后处理阶段主要对计算得到的BIM模型进行可视化后处理。
一种高层建筑外表面混凝土病害数字化识别系统，包括：
扫描模块，被配置为运用无人机三维激光扫描技术获取高层混凝土结构建筑点云数据；
数据处理模块，被配置为对点云数据进行处理，包括点云滤波、点云下采样以及点云配准；
自动识别模块，被配置为归纳总结混凝土结构常见病害类型以及其主要特征，基于RandLA-Net语义分割自动识别系统对预处理后的三维点云数据进行处理，对识别到的病害进行结果标记；
建模模块，被配置为通过径向基函数RBF重构建模算法得到建筑结构的三维几何模型；
集成模块，被配置为根据建筑图纸构建详细准确的BIM模型，运用AutodeskNavisworks软件将标识的病害点云叠加到BIM模型中。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。
与现有技术相比，本发明的有益效果是：
1.无人机三维激光扫描技术可以对全空域进行观测；通过对高层建筑外立面进行全方位的观测，便于自动获取高层建筑外立面混凝土表面实时点云数据；基于RandLA-Net进行开发自动识别混凝土病害并进行标记；运用Autodesk Revit和Autodesk Navisworks对结果进行可视化呈现；全过程主要通过计算机进行处理，对人工的需求较小，高效且高质。
2.相较传统的检测方法，本发明的方法减少了外业检测的工作量，节省人力物力和时间，实现外业转内业，而且结果更直观，更易于实现共享和保存。
3.本发明利用BIM软件进行结果呈现有利于将此方法集成到BIM平台中，有利于本方法的进一步发展。
附图说明
图1为本发明高层建筑外表面混凝土病害数字化识别方法及系统的流程图；
图2为常见混凝土病害分类图；
图3为解析三角测量原理图；
图4为RandLA-Net深度学习框架中Attentive Pooling框架部分图；
图5为RandLA-Net深度学习框架中扩展残差部分部分图；
图6为基于RandLA-Net深度学习预测图；
图7为图6语义分割效果预测图；
图8为N-RPIM算法流程图；
图9为N-RPIM算法中的空间转换原理图；
图10为重构三维模型图。
具体实施方式
下面将结合本发明的实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1-图10所示，本发明公开了一种高层建筑外表面混凝土病害数字化识别方法，包括以下步骤：
步骤S1：运用无人机搭载三维激光扫描仪获取高层混凝土结构建筑点云数据：选择无人机和三维激光扫描仪，制定无人机三维激光扫描技术实施方案，运用无人机三维激光扫描技术获取高层混凝土结构建筑点云数据；
其中，所述S1具体包括：
S101：收集项目资料，制定项目检测方案；尽可能全面的收集项目资料，了解建设方、施工方等各方对检测的精细度需求，了解相关法律、法规，制定项目检测方案。
S102：实地考察现场环境，以评估现场飞行条件和可能存在的风险因素；如潜在的飞行障碍、风速风向影响、天气影响、电磁干扰等。
S103：向国家主管部门申请飞行许可；向政府相关部分申请飞行许可，并与建设单位、施工单位等协商好，争取得到建设单位和施工单位的协助。
S104：根据检测要求、现场环境选择合适的无人机以及配套设备，对无人机操作员进行培训，明确任务的重难点和其他应重视的细节；为保证无人机能可靠地获得影像资料，本实施例具体采用多旋翼式无人机系统，该无人机系统具有能低飞、灵活飞行、稳定悬停、可搭载多镜头、拥有机载稳定器、能低频防颤等特点。
S105：制定无人机飞行计划；制定详细全面的无人机飞行计划，包括无人机起飞降落地点、飞行时间、飞行轨迹、检测控制点、检测重点区域、控制点等。
S106：实飞，获取点云数据。
如图3所示，本发明中所用无人机三维激光扫描技术主要运用解析空中三角测量原理，解析空中三角测量是指用计算的方法，根据像片上量测的像点坐标和少量地面控制点，采用较严密的数学公式，按最小二乘法原理，用电子计算机解算待定点的平面坐标和高程，也称电算加密。
步骤S2：对点云数据进行处理：包括点云滤波、点云下采样以及点云配准；
所述点云滤波处理目的是滤掉噪声，运用统计离群点组合算法进行噪声点过滤，原始采集的点云数据往往包含大量散列点、孤立点，这些数据点对结果造成干扰，需要去除，本发明选择高斯滤波进行点云滤波处理；
所述高斯滤波对所有点云数据进行加权平均处理，每一个点都由其本身和邻域内的其他点值经过加权平均后得到，中心点的权重值加大，远离中心点的权重值减小，通过得到的每个点云的值来筛选出散列点、孤立点，并进行去除。具体思路为：对每个点的邻域进行统计分析，计算它到k个临近点的平均距离。假设得到的结果是一个高斯分布，其形状有均值和标准差a决定，如果平均距离在标准范围L(由全局距离平均值和方差定义)之外的点，可被定义为噪声点可从点云数据集中去除掉。标准范围L有下式确定：L＝ασ±μ，其中α为标准差倍数，若一个点到其周围点的距离超出平均距离α倍标准差W上，则改点被判定为噪声点，将其从点云数据集中去除；μ和σ与设定的近邻值K的个数有关。
所述点云下采样通过缩减点的数量减少点云数据，同时保持扫描物体表面的细节形状特征，体素化是将物体的几何形式转换为最接近该物体的体素表示形式，产生体数据集，其不仅包含模型的表面信息而且能描述模型的内部属性，将输入的三维点云数据创建一个三维体素栅格(可将体素栅格想象成微小的立方体的集合)，然后在每个体素内计算体素中所有点的重也来，用体素的重也、近似表示体素中的其他点，这样该体素内所有点就用一个重也点最终表示，舍弃体素里的其他点。
所述点云配准处理即给定两个来自不同坐标系的三维数据点集，找到两个点集空间的变换关系，使得两个点集能统一到同一坐标系统中，本发明运用改进粒子群PSO算法，其具体步骤如下：
S201：确定粒子的个数，维数以及参数空间的范围；
S202：在搜索空间内随机产生粒子群的初始位置和速度，初始化每个粒子的局部最优位置以及全局最优位置；
S203：根据公式
f(Pi)＝min∑(|yi1zi2-zi1yi2|+|zi1xi2-xi1zi2|+|xi1yi2-yi1xi2|)
对于每一个粒子，计算其适应度函数，如果当前最好位置优于历史最优值，则更新历史最优值，依次计算并更新全局最优值；
S204：根据公式
判断是否满足终止条件，若满足则输出全局最优解，否则转到步骤S203继续进行迭代；
S205：得到最优参数，最终完成配准。
所述步骤S2数据处理中变化检测，用于在无序点云在连续变化中检测变化，本发明选择八叉树算法进行点云快速三维空间检索，以提升其计算效率。
步骤S3：自动识别、标记混凝土病害：开发RandLA-Net点云深度学习自动识别系统，归纳总结混凝土结构常见病害类型以及其主要特征，基于RandLA-Net语义分割自动识别系统对预处理后的三维点云数据进行处理，对识别到的病害进行结果标记；
开发基于RandLA-Net语义分割的混凝土病害自动识别系统，总结混凝土结构常见病害特征，基于MeshLab的点云处理工具箱对部分高层建筑三维点云进行分类标注，之后基于RandLA-Net深度学习网络进行深度训练，最终对三维点云数据进行语义分割预测；所述RandLA-Net语义分割识别病害区域，首先RandLA-Net会对大型三维点云进行栅格采样，之后会对其再进行“概率采样”。
点云关键点分割三维点云投影二维影像，再基于三维点云的深度学习算法来进行语义分割，具体步骤如下：
基于RandLA-Net语义分割识别混凝土病害，其深度学习框架如图4和图5所示，RandLA-Net采用的是RS采样方式，它的优势很明显，处理大场景点云速度快，但是会丢失一些稀疏关键点的信息，所以它设计了一个LFA的结构，简单点说就是局部特征的聚合，增大网络的感受野来保存复杂的网络结构；LFA主要聚合局部的特征，它由四部分组成：
第一部分是LocSE，这部分是局部空间编码的部分，这部分主要通过利用KNN的方法寻找领域点，然后通过特征去学习领域点的一个相对位置关系，与原有的特诊进行一个Concat，这里面通过相对位置学习的一个算是特征吧，这部分将领域和中心点的位置关系进行学习，会提高网络识别点云空间的网络结构，提高一个分割效率，其LFA框架部分如图5所示。
第二部分是Attentive pool(注意力池)部分，这部分主要是利用自己的特征去自学习一个权重，简单点理解就是将自己认为特征比较重要的部分进行一个注意力加权，然后将特征聚合，并且解决点云的无序性问题，Attentive Pooling框架部分如图4所示。
第三部分是扩展残差部分，这部分作用简单来说就是一个领域经过一次LocSE和Attentive pool之后，一个点可以映射K个点，经过两次之后，可以映射K平方个点，意思就是扩大网络的感受野，RandLA-Net堆叠了两组LocSE和注意池就可以达到令人满意的平衡。
第四部分便是升维，RandLA-Net的网络结构相比其他网络的结构类似，也是先提升网络的维度，对点进行提特征，然后在进行点的还原，并且融合上下文的信息，点云的输入的话是一个尺寸为N×din的大场景点云，然后下采样部分是4个编码层，每一层点云的数量减少(聚合)成原来的25％，然后利用增加空间通道数(维数)的方法保留更多的信息，然后上采样部分是4个解码层，利用KNN搜索的每个点的紧邻点的索引，用最近插值的方法将点的尺度放大，然后利用MLP将上文相同维度的特征信息进行融合，最后利用3个FC层对其进行输出，输出结果为N×nclass，nclass是每一类别的数量。
如图2所示，所述RandLA-Net语义分割识别混凝土病害区域自动识别系统主要考虑的混凝土病害包括：A1：麻面，混凝土表面呈现出无数绿豆般大小的不规则小凹点，直径通常不大于5mm；A2：蜂窝：混凝土表面无水泥浆，骨料间有空隙存在，形成数量或多或少的窟窿，形状不规则、大小如蜂窝，露出石子深度大于5mm，深度不漏主筋，可能漏箍筋；A3：孔洞，混凝土表面超过保护层厚度，但不超出截面尺寸1/3的缺陷，结构内存在着空隙，局部或部分没有混凝土；A4：烂边和烂根，模板拼缝不严密、接缝处止浆不好，振捣过密、过低、太靠近拼缝时混凝土表面失浆造成墙柱边角处缺陷；A5：层印，各层间等待时间过长、因故障停歇而未按施工缝处理等原因造成表面分层；A6：“泪痕状水纹”或“细羽毛绒纹”：混凝土沁水在壁上出现水纹，上部浆体沿模板滑到下层形成“眼泪”，混凝土表面因吸附力形成“细雨毛状绒毛”；A7：裂纹，混凝土因干缩或自收缩而造成宽度在0.05mm-0.2mm之间，走向纵横交错，无规律性，分布不均，并随温度和湿度变化而逐渐发展的裂纹；A8：露筋，垫块移位、垫块太少、钢筋过密、振捣时导致钢筋移位等原因致使拆模后露筋。
步骤S4：重构三维实体模型：通过径向基函数RBF重构建模算法得到建筑结构的三维几何模型；
所述重构三维实体模型采用径向基函数RBF神经网络算法，隐式化地构建BIM模型，近年来，径向基函数(Radial Basis Function，RBF)在复杂三维建模、外形设计、地理测绘等作为散乱数据插值或者逼近的领域有了深入的探讨，并且在这些领域成为非常有效的函数空间，其触角已经延伸到理论与技术的应用研究，采用不同的RBF可获得不同的建模效果和适应不同形态模型的构建。本发明提出一种在无网格径向点插值法(RPIM)框架下的非均匀有理B样条(NURBS)与径向基函数(RBF)耦合的新方法。
将语义分割预测分类得到的三维点云进行数据输入，采用径向基函数RBF网络对点云进行插值构建，本方法提出记为N-RPIM，NURBS基函数被用来精确地建模问题域的几何形状，而RPIM用于场变量插值，该公式应用于重建高层建筑BIM模型，以突出优点，其建模流程如图8所示，整体算法分为预处理、处理和后处理三部分：
(1)预处理部分包括构建几何体、连通性数组以及针对预定本征和自然条件的边界识别策略，除了模型的几何细节，如高度、长度、宽度等，模型的参数细节，如节点向量、NURBS基函数的阶数、控制顶点和RBF的参数也被确定，这其中的参数变换原理如图9所示；
(2)在处理阶段，基于节点跨度将域划分为若干段，对于多个补丁的分析，代码通过补丁进入一个循环，使这个循环显式的原因是定义几何图形的控制点一次只与一个补丁相关，一旦形成了全局刚度矩阵和力向量，边界条件被施加到系统的全局集合上；
(3)后处理阶段主要对计算得到的BIM模型进行可视化后处理。
步骤S5：将识别到的病害结果集成到BIM模型中：根据建筑图纸构建详细准确的BIM模型，运用Autodesk Navisworks软件将标识的病害点云叠加到BIM模型中。
所述将识别到的病害结果集成到BIM模型中的具体步骤为：首先根据建筑图纸运用Autodesk Revit软件建立建筑三维实体模型，再将Autodesk Revit模型导入到AutodeskNavisworks软件中，利用Autodesk Navisworks软件将RandLA-Net软件识别标记到的结果点云叠加到BIM三维实体模型中。
本发明选择基于启发式特征提取法的三维点云深度学习语义分割的损伤识别方法，相比其他方法，其工程适用性较强，应用范围更广，检测类别更全。
实施例2：
一种高层建筑外表面混凝土病害数字化识别系统，包括：
扫描模块，被配置为运用无人机三维激光扫描技术获取高层混凝土结构建筑点云数据；
数据处理模块，被配置为对点云数据进行处理，包括点云滤波、点云下采样以及点云配准；
自动识别模块，被配置为归纳总结混凝土结构常见病害类型以及其主要特征，基于RandLA-Net语义分割自动识别系统对预处理后的三维点云数据进行处理，对识别到的病害进行结果标记；
建模模块，被配置为通过径向基函数RBF重构建模算法得到建筑结构的三维几何模型；
集成模块，被配置为根据建筑图纸构建详细准确的BIM模型，运用AutodeskNavisworks软件将标识的病害点云叠加到BIM模型中。
实施例3：
一种计算机可读存储介质,用于存储计算机指令，所述计算机指令被处理器执行时,完成实施例1中提供的方法中的步骤。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种高层建筑外表面混凝土病害数字化识别方法，其特征是：包括以下步骤：
S1：运用无人机搭载三维激光扫描仪获取高层混凝土结构建筑点云数据：选择无人机和三维激光扫描仪，制定无人机三维激光扫描技术实施方案，运用无人机三维激光扫描技术获取高层混凝土结构建筑点云数据；
S2：对点云数据进行处理：包括点云滤波、点云下采样以及点云配准；
S3：自动识别、标记混凝土病害：开发RandLA-Net点云深度学习自动识别系统，归纳总结混凝土结构常见病害类型以及其主要特征，基于RandLA-Net语义分割自动识别系统对预处理后的三维点云数据进行处理，对识别到的病害进行结果标记；
S4：重构三维实体模型：通过径向基函数RBF重构建模算法得到建筑结构的三维几何模型；
S5：将识别到的病害结果集成到BIM模型中：根据建筑图纸构建详细准确的BIM模型，运用Autodesk Navisworks软件将标识的病害点云叠加到BIM模型中。
2.根据权利要求1所述的一种高层建筑外表面混凝土病害数字化识别方法，其特征是：步骤S2中所述点云配准运用改进粒子群PSO算法，其具体步骤如下：
S201：确定粒子的个数，维数以及参数空间的范围；
S202：在搜索空间内随机产生粒子群的初始位置和速度，初始化每个粒子的局部最优位置以及全局最优位置；
S203：根据公式
f(Pi)＝min∑(|yi1zi2-zi1yi2|+|zi1xi2-xi1zi2|+|xi1yi2-yi1xi2|)
对于每一个粒子，计算其适应度函数，如果当前最好位置优于历史最优值，则更新历史最优值，依次计算并更新全局最优值；
S204：根据公式
判断是否满足终止条件，若满足则输出全局最优解，否则转到步骤S203继续进行迭代；
S205：得到最优参数，最终完成配准。
3.根据权利要求1所述的一种高层建筑外表面混凝土病害数字化识别方法，其特征是：步骤S4中所述三维重建采用径向基函数RBF神经网络算法，隐式化地构建BIM模型，整体算法分为预处理、处理和后处理三部分：
(1)预处理部分包括构建几何体、连通性数组以及针对预定本征和自然条件的边界识别策略，除了模型的几何细节，如高度、长度、宽度等，模型的参数细节，如节点向量、NURBS基函数的阶数、控制顶点和RBF的参数也被确定；
(2)在处理阶段，基于节点跨度将域划分为若干段，对于多个补丁的分析，代码通过补丁进入一个循环，使这个循环显式的原因是定义几何图形的控制点一次只与一个补丁相关，一旦形成了全局刚度矩阵和力向量，边界条件被施加到系统的全局集合上；
(3)后处理阶段主要对计算得到的BIM模型进行可视化后处理。
4.一种高层建筑外表面混凝土病害数字化识别系统，其特征是：包括：
扫描模块，被配置为运用无人机三维激光扫描技术获取高层混凝土结构建筑点云数据；
数据处理模块，被配置为对点云数据进行处理，包括点云滤波、点云下采样以及点云配准；
自动识别模块，被配置为基于RandLA-Net语义分割自动识别系统对预处理后的三维点云数据进行处理，对识别到的病害进行结果标记；
建模模块，被配置为通过径向基函数RBF重构建模算法得到建筑结构的三维几何模型；
集成模块，被配置为将识别到的病害结果集成到BIM模型中。
5.根据权利要求4所述的一种高层建筑外表面混凝土病害数字化识别系统，其特征是：所述自动识别模块包括：
开发子模块，被配置为开发RandLA-Net点云深度学习自动识别系统；
归纳子模块，被配置为归纳总结混凝土结构常见病害类型以及其主要特征；
处理子模块，被配置为基于RandLA-Net语义分割自动识别系统对预处理后的三维点云数据进行处理；
标记子模块，被配置为对识别到的病害进行结果标记。
6.根据权利要求4所述的一种高层建筑外表面混凝土病害数字化识别系统，其特征是：所述集成模块包括：
构建子模块，被配置为根据建筑图纸构建详细准确的BIM模型；
叠加子模块，被配置为运用Autodesk Navisworks软件将标识的病害点云叠加到BIM模型中。
7.一种计算机可读存储介质，其特征是：用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-3中任一项所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211320322.5A CN115901621A (zh) | 2022-10-26 | 2022-10-26 | 一种高层建筑外表面混凝土病害数字化识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211320322.5A CN115901621A (zh) | 2022-10-26 | 2022-10-26 | 一种高层建筑外表面混凝土病害数字化识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115901621A true CN115901621A (zh) | 2023-04-04 |
Family
ID=86471920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211320322.5A Pending CN115901621A (zh) | 2022-10-26 | 2022-10-26 | 一种高层建筑外表面混凝土病害数字化识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115901621A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363861A (zh) * | 2019-07-14 | 2019-10-22 | 南京林业大学 | 基于激光雷达点云的田地作物三维重构方法 |
| CN111932671A (zh) * | 2020-08-22 | 2020-11-13 | 扆亮海 | 基于密集点云数据的三维实体模型重建方法 |
| CN112347550A (zh) * | 2020-12-07 | 2021-02-09 | 厦门大学 | 耦合式室内三维语义建图及建模方法 |
| CN113704860A (zh) * | 2021-09-08 | 2021-11-26 | 中铁二十局集团第六工程有限公司 | 超高层建筑信息化施工平台搭建方法、设备及存储介质 |
| CN113868733A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于三维点云的既有结构bim模型自动化生成方法 |
| CN113888531A (zh) * | 2021-11-02 | 2022-01-04 | 中南大学 | 混凝土表面缺陷检测方法、装置、电子设备及存储介质 |
| CN114092697A (zh) * | 2021-11-09 | 2022-02-25 | 南京林业大学 | 注意力融合全局和局部深度特征的建筑立面语义分割方法 |
| CN114202470A (zh) * | 2021-11-12 | 2022-03-18 | 江苏核电有限公司 | 一种压力容器主螺栓孔螺纹三维重建及缺陷自动识别方法 |
| CN114612488A (zh) * | 2022-03-11 | 2022-06-10 | 中国电建集团中南勘测设计研究院有限公司 | 建筑物单体化信息提取方法、计算机装置及存储介质 |
| CN114820924A (zh) * | 2022-03-24 | 2022-07-29 | 香港大学深圳研究院 | 一种基于bim和视频监控的博物馆参观分析的方法及系统 |
| CN114879217A (zh) * | 2022-07-12 | 2022-08-09 | 中国工程物理研究院应用电子学研究所 | 一种目标位姿的判断方法及系统 |
| CN115187639A (zh) * | 2022-07-19 | 2022-10-14 | 中航沈飞民用飞机有限责任公司 | 一种基于改进粒子群算法的点云配准方法 |
| CN115187565A (zh) * | 2022-07-20 | 2022-10-14 | 东南大学 | 一种水下桥墩病害识别定位方法、装置、电子设备及存储介质 |
-
2022
- 2022-10-26 CN CN202211320322.5A patent/CN115901621A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363861A (zh) * | 2019-07-14 | 2019-10-22 | 南京林业大学 | 基于激光雷达点云的田地作物三维重构方法 |
| CN111932671A (zh) * | 2020-08-22 | 2020-11-13 | 扆亮海 | 基于密集点云数据的三维实体模型重建方法 |
| CN112347550A (zh) * | 2020-12-07 | 2021-02-09 | 厦门大学 | 耦合式室内三维语义建图及建模方法 |
| CN113868733A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于三维点云的既有结构bim模型自动化生成方法 |
| CN113704860A (zh) * | 2021-09-08 | 2021-11-26 | 中铁二十局集团第六工程有限公司 | 超高层建筑信息化施工平台搭建方法、设备及存储介质 |
| CN113888531A (zh) * | 2021-11-02 | 2022-01-04 | 中南大学 | 混凝土表面缺陷检测方法、装置、电子设备及存储介质 |
| CN114092697A (zh) * | 2021-11-09 | 2022-02-25 | 南京林业大学 | 注意力融合全局和局部深度特征的建筑立面语义分割方法 |
| CN114202470A (zh) * | 2021-11-12 | 2022-03-18 | 江苏核电有限公司 | 一种压力容器主螺栓孔螺纹三维重建及缺陷自动识别方法 |
| CN114612488A (zh) * | 2022-03-11 | 2022-06-10 | 中国电建集团中南勘测设计研究院有限公司 | 建筑物单体化信息提取方法、计算机装置及存储介质 |
| CN114820924A (zh) * | 2022-03-24 | 2022-07-29 | 香港大学深圳研究院 | 一种基于bim和视频监控的博物馆参观分析的方法及系统 |
| CN114879217A (zh) * | 2022-07-12 | 2022-08-09 | 中国工程物理研究院应用电子学研究所 | 一种目标位姿的判断方法及系统 |
| CN115187639A (zh) * | 2022-07-19 | 2022-10-14 | 中航沈飞民用飞机有限责任公司 | 一种基于改进粒子群算法的点云配准方法 |
| CN115187565A (zh) * | 2022-07-20 | 2022-10-14 | 东南大学 | 一种水下桥墩病害识别定位方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| M.H. MOKHTARAM ETAL.: "Coupling of NURBS and Meshfree RPIM for plane stress of web with openings", 《ENGINEERING ANALYSIS WITH BOUNDARY ELEMENTS》, vol. 138, 5 March 2022 (2022-03-05), pages 266 - 279, XP086999719, DOI: 10.1016/j.enganabound.2022.02.018 * |
| QINGYONG HU ETAL.: "RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds", 《PROCEEDINGS OF THE IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, 31 December 2020 (2020-12-31), pages 11108 - 11117 * |
| 陈斯祺等: "基于天牛须改进粒子群算法的点云配准方法", 《激光技术》, vol. 44, no. 6, 30 November 2020 (2020-11-30), pages 678 - 683 * |
| 陈斯祺等: "基于天牛须改进粒子群算法的点云配准方法", 《激光技术》, vol. 44, no. 6, pages 678 - 683 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110189412B (zh) | 基于激光点云的多楼层室内结构化三维建模方法及系统 | |
| Poullis et al. | Automatic reconstruction of cities from remote sensor data | |
| Nurunnabi et al. | Robust cylinder fitting in three-dimensional point cloud data | |
| Zhou et al. | 2.5 d dual contouring: A robust approach to creating building models from aerial lidar point clouds | |
| Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
| CN103017739B (zh) | 基于激光雷达点云与航空影像的真正射影像的制作方法 | |
| Wei | Building boundary extraction based on lidar point clouds data | |
| CN107146280A (zh) | 一种基于切分的点云建筑物重建方法 | |
| Qin et al. | Automated reconstruction of parametric bim for bridge based on terrestrial laser scanning data | |
| Xu et al. | Robust segmentation and localization of structural planes from photogrammetric point clouds in construction sites | |
| CN115564926B (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
| Shen et al. | A new algorithm of building boundary extraction based on LIDAR data | |
| Cheng et al. | Three-dimensional reconstruction of large multilayer interchange bridge using airborne LiDAR data | |
| CN111652241B (zh) | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 | |
| F Laefer et al. | Processing of terrestrial laser scanning point cloud data for computational modelling of building facades | |
| CN110765526A (zh) | 一种基于知识规则驱动的古建筑结构分析模型重建方法 | |
| CN110378047A (zh) | 一种基于计算机视觉的大跨度桥梁拓扑感知三维重建方法 | |
| CN115222883A (zh) | 一种基于地基LiDAR点云的电力杆塔重建方法 | |
| Guo et al. | Extraction of dense urban buildings from photogrammetric and LiDAR point clouds | |
| Papaioannou et al. | The effect of riverine terrain spatial resolution on flood modeling and mapping | |
| CN115901621A (zh) | 一种高层建筑外表面混凝土病害数字化识别方法及系统 | |
| CN115980700A (zh) | 一种用于公路基础设施三维数据采集的方法及系统 | |
| CN115841545A (zh) | 一种基于机载雷达的3d点云电力线提取与重建方法 | |
| Yu et al. | A cue line based method for building modeling from LiDAR and satellite imagery | |
| Guldur et al. | Laser-based automatic cross-sectional change detection for steel frames |
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 |