CN115908424B - 基于三维激光扫描的建筑物健康检测方法、系统及介质 - Google Patents
基于三维激光扫描的建筑物健康检测方法、系统及介质 Download PDFInfo
- Publication number
- CN115908424B CN115908424B CN202310109205.2A CN202310109205A CN115908424B CN 115908424 B CN115908424 B CN 115908424B CN 202310109205 A CN202310109205 A CN 202310109205A CN 115908424 B CN115908424 B CN 115908424B
- Authority
- CN
- China
- Prior art keywords
- building
- target building
- point cloud
- acquiring
- data
- 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
Links
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于三维激光扫描的建筑物健康检测方法、系统及介质,包括:获取目标建筑物的环境信息及遮挡情况,生成目标建筑物的基本信息,根据基本信息结合图纸信息生成三维激光扫描的扫描站点规划方案;获取各扫描站点的点云数据,拟合获取目标建筑物三维模型;通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,对目标建筑物的健康状况进行评估;根据异常情况生成建筑物预警信息,并判断主导因素,基于主导因素生成目标建筑物的异常修正与防护方案。本发明的通过高精度建筑三维模型,实现建筑全生命周期信息化的健康检测与管理,为建筑寿命预测提供相关依据,提高了建筑健康的监测效率及检测准确度。
Description
技术领域
本发明涉及建筑检测技术领域,更具体的,涉及一种基于三维激光扫描的建筑物健康检测方法、系统及介质。
背景技术
随着社会的发展和经济的进步,各种建筑的数量逐渐增加,建筑的结构也 越来越丰富,房屋数量的大幅增长,房屋结构的安全问题逐渐引起社会的广泛关注。房屋建筑一般暴露在室外环境,存在许多潜在、无法预知的各种因素,故对使用中的房屋建筑结构在结构安全和稳定状态进行监测和评估十分重要。以往依靠人工对房屋建筑进行定期检测,但人工检测不具备实时性,同时容易由于数据量过大而出现失误。随着科技的发展,把建筑物健康监测与激光扫描、云计算、大数据、人工智能等前沿信息技术相结合已是必然趋势。
在建筑全生命周期健康检测过程中,存在建筑三维模型重构效果不清晰和重构成本过高的问题,为此提出基于三维激光扫描的建筑健康检测方法。采用三维激光采集并处理建筑测量数据,通过优化处理点云数值将离散点拟合为曲面,获取高精度建筑三维模型,完成建筑全生命周期信息化管理。在该系统的实现过程中,如何构建高精度建筑三维模型,对结构异常进行预警分析评估建筑物健康状况是亟不可待需要解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种基于三维激光扫描的建筑物健康检测方法、系统及介质。
本发明第一方面提供了一种基于三维激光扫描的建筑物健康检测方法,包括:
获取目标建筑物的环境信息及遮挡情况,生成目标建筑物的基本信息,基于目标建筑物的基本信息结合图纸信息生成三维激光扫描的扫描站点规划方案;
根据扫描站点规划方案获取各扫描站点的点云数据,通过多源点云数据进行拼接配准,获取目标建筑物三维模型;
通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,根据异常情况对目标建筑物的健康状况进行评估;
当所述目标建筑物的健康状况不符合预设健康标准时,则根据异常情况生成建筑物预警信息,判断异常情况发生的主导因素,基于主导因素生成目标建筑物的异常修正与防护方案。
本方案中,根据扫描站点规划方案获取各扫描站点的点云数据,通过多源点云数据进行拼接配准,获取目标建筑物三维模型,具体为:
获取扫描站点规划方案中各扫描站点的点云数据,将点云数据预处理,将目标建筑物的二维图纸信息为基础对各扫描站点的点云数据进行杂点消除;
根据各扫描站点的位置信息及点云特征进行点云拼接,获取各扫描站点点云数据的重叠度,根据所述重叠度拼接点云数据;
获取点云的拼接误差,当相邻两扫描站点的拼接误差小于预设误差阈值时,则证明拼接质量符合标准,将拼接后的点云数据进行坐标转换;
通过坐标转换后的点云数据进行三维重建,将点云数据进行组去噪及精简后根据二维图纸信息进行封装,生成目标建筑物三维模型。
本方案中,通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,具体为:
通过目标建筑物三维模型获取目标建筑单一墙面上的点云集合,将点云集合中的点云数据进行平面拟合获取墙面拟合平面;
将所述墙面拟合平面划分为若干子区域,将子区域内的墙面拟合平面为基准面,根据子区域对应点云空间中各点云到基准面的距离信息将点云进行集群划分;
根据所述集群划分获取子区域内点云的空间集群分布,通过主成分分析获取子区域点云空间中的主成分集群,根据所述主成分集群中点云确定主成分方向;
将子区域点云空间中的点云投影在主成分方向获取子区域的平整度离散点分布图,基于平整度离散点获取子区域的平整度判断曲线,通过所述主成分方向及基准面的法线方向构建坐标系,并平整度判断曲线及基准面对应的定位线进行坐标重构;
获取平整度判断曲线中各平整度离散点到定位线的最短距离,并计算各平整离散点对应最短距离的均方差,当所述均方差大于预设阈值时,则将子区域设置不平整标签。
本方案中,通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,还包括:
通过目标建筑物三维模型获取标记不平整标签的墙面子区域,将标记子区域的点云进行点云正投影,获取子区域的灰度图;
构建建筑物墙面异常检测模型,基于数据检索获取常见建筑物及墙面病害图像数据,并对获取的图像数据进行图像数据增强并根据病害类型进行预分类,生成带数据标记的数据集;
基于残差网络连接特征金字塔网络结合FPN网络生成多尺度特征提取网络,生成特征矩阵,并在CNN模型中引入动态空洞卷积对所述特征矩阵进行精细化分割特征提取;
根据所述精细化分割特征对卷积图进行特征的重新分配,为卷积图进行分类预测,设置分割标签,将带有分割标签的卷积图输入到全连接层;
通过所述带数据标记的数据集对建筑物墙面异常检测模型进行训练,将子区域的灰度图输入训练好的模型中,获取子区域病害的分割结果,根据病害分割结果连接多分类的SVM模块,识别目标建筑物墙面异常情况。
本方案中,根据异常情况对目标建筑物的健康状况进行评估,具体为:
获取目标建筑物的墙面异常情况,并在目标建筑墙面异常情况识别结果的基础上判断目标建筑物的异常程度;
基于鱼骨图法对建筑病害相关文献、知识库及历史数据进行共性分析,获取建筑病害对建筑物健康的主要影响因素,根据所述主要影响因素分析下属影响因子;
根据主要影响因素的下属影响因子获取建筑病害的评价指标,基于层次分析方法获取评价指标的权重信息,预设建筑物健康状况的评估等级;
利用模糊综合评价法通过隶属度函数获取各个下属影响因子对评估等级的隶属度,构建隶属度矩阵,将隶属度矩阵结合评价指标的权重信息生成模糊综合评价结果,获取目标建筑物的健康状况评估等级。
本方案中,根据异常情况生成建筑物预警信息,判断异常情况发生的主导因素,基于主导因素生成目标建筑物的异常修正与防护方案,具体为:
当目标建筑物的健康评估等级不落在预设健康等级范围时,则基于目标建筑物异常情况及健康状况评估等级生成建筑物预警信息;
获取异常情况所在子区域的环境特征、结构特征及材料特征,通过所述结构特征及材料特征构建子区域的特征描述,通过特征描述根据相似计算在目标建筑物获取相似子区域;
判断相似子区域中是否含有异常情况,若含有,则基于大数据检索在历史监测记录或相似建筑物中进行检索获取符合预设条件的数据,若不含有,则将异常情况所在子区域的环境特征与相似子区域的环境特征进行对比分析;
通过对比获取环境特征差异,并根据历史三维激光扫描数据获取异常子区域的结构特征变化,通过环境特征差异及结构特征变化根据建筑病害的致病因素分析主导因素;
根据目标建筑物的建筑病害及主导因素获取相似度大于预设相似度阈值的历史维修数据,根据历史维修数据根据环境特征进行筛选,并通过实施操作难度进行排序,根据排序结果选取目标建筑物的异常修正与防护方案。
本发明第二方面还提供了一种基于三维激光扫描的建筑物健康检测系统,该系统包括:存储器、处理器,所述存储器中包括一种基于三维激光扫描的建筑物健康检测方法程序,所述一种基于三维激光扫描的建筑物健康检测方法程序被所述处理器执行时实现如下步骤:
获取目标建筑物的环境信息及遮挡情况,生成目标建筑物的基本信息,基于目标建筑物的基本信息结合图纸信息生成三维激光扫描的扫描站点规划方案;
根据扫描站点规划方案获取各扫描站点的点云数据,通过多源点云数据进行拼接配准,获取目标建筑物三维模型;
通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,根据异常情况对目标建筑物的健康状况进行评估;
当所述目标建筑物的健康状况不符合预设健康标准时,则根据异常情况生成建筑物预警信息,判断异常情况发生的主导因素,基于主导因素生成目标建筑物的异常修正与防护方案。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于三维激光扫描的建筑物健康检测方法程序,所述一种基于三维激光扫描的建筑物健康检测方法程序被处理器执行时,实现如上述任一项所述的一种基于三维激光扫描的建筑物健康检测方法的步骤。
本发明公开了一种基于三维激光扫描的建筑物健康检测方法、系统及介质,包括:获取目标建筑物的环境信息及遮挡情况,生成目标建筑物的基本信息,根据基本信息结合图纸信息生成三维激光扫描的扫描站点规划方案;获取各扫描站点的点云数据,拟合获取目标建筑物三维模型;通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,对目标建筑物的健康状况进行评估;根据异常情况生成建筑物预警信息,并判断主导因素,基于主导因素生成目标建筑物的异常修正与防护方案。本发明的通过高精度建筑三维模型,实现建筑全生命周期信息化的健康检测与管理,为建筑寿命预测提供相关依据,提高了建筑健康的监测效率及检测准确度。
附图说明
图1示出了本发明一种基于三维激光扫描的建筑物健康检测方法的流程图;
图2示出了本发明获取目标建筑物的异常情况的方法流程图;
图3示出了本发明构建建筑物墙面异常检测模型识别目标建筑物的墙面异常情况的方法流程图;
图4示出了本发明一种基于三维激光扫描的建筑物健康检测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于三维激光扫描的建筑物健康检测方法的流程图。
如图1所示,本发明第一方面提供了一种基于三维激光扫描的建筑物健康检测方法,包括:
S102,获取目标建筑物的环境信息及遮挡情况,生成目标建筑物的基本信息,基于目标建筑物的基本信息结合图纸信息生成三维激光扫描的扫描站点规划方案;
S104,根据扫描站点规划方案获取各扫描站点的点云数据,通过多源点云数据进行拼接配准,获取目标建筑物三维模型;
S106,通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,根据异常情况对目标建筑物的健康状况进行评估;
S108,当所述目标建筑物的健康状况不符合预设健康标准时,则根据异常情况生成建筑物预警信息,判断异常情况发生的主导因素,基于主导因素生成目标建筑物的异常修正与防护方案。
需要说明的是,在进行目标建筑物三维激光扫描时,为了更好的掌握建筑物的现状,需要对目标建筑物进行提前勘探,获取目标建筑物的位置信息及这档情况等基本信息,结合图纸信息生成三维激光扫描的扫描站点,保证扫描站点的规划方案能够完整获取目标建筑物的点云数据,对于环境狭窄、遮挡物过多的区域可以设置靶标球以用来提高点云拼接的精度;
获取扫描站点规划方案中各扫描站点的点云数据,将点云数据预处理,将目标建筑物的二维图纸信息为基础对各扫描站点的点云数据进行杂点消除,将人为因素造成的无关信息进行剔除;根据各扫描站点的位置信息及点云特征进行点云拼接,获取各扫描站点点云数据的重叠度,当两扫描站点的点云护具重叠度达到一定程度,则根据所述重叠度拼接点云数据;获取点云的拼接误差,当相邻两扫描站点的拼接误差小于预设误差阈值时,则证明拼接质量符合标准,将拼接后的点云数据进行坐标转换;通过坐标转换后的点云数据进行三维重建,将点云数据进行组去噪及精简后根据二维图纸信息进行封装,封装后进行洞口及缺口的填补,生成目标建筑物三维模型。
图2示出了本发明获取目标建筑物的异常情况的方法流程图。
根据本发明实施例,通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,具体为:
S202,通过目标建筑物三维模型获取目标建筑单一墙面上的点云集合,将点云集合中的点云数据进行平面拟合获取墙面拟合平面;
S204,将所述墙面拟合平面划分为若干子区域,将子区域内的墙面拟合平面为基准面,根据子区域对应点云空间中各点云到基准面的距离信息将点云进行集群划分;
S206,根据所述集群划分获取子区域内点云的空间集群分布,通过主成分分析获取子区域点云空间中的主成分集群,根据所述主成分集群中点云确定主成分方向;
S208,将子区域点云空间中的点云投影在主成分方向获取子区域的平整度离散点分布图,基于平整度离散点获取子区域的平整度判断曲线,通过所述主成分方向及基准面的法线方向构建坐标系,并平整度判断曲线及基准面对应的定位线进行坐标重构;
S210,获取平整度判断曲线中各平整度离散点到定位线的最短距离,并计算各平整离散点对应最短距离的均方差,当所述均方差大于预设阈值时,则将子区域设置不平整标签。
需要说明的是,建筑物的单一墙面上的点云数据大致位于同一个平面内,基于最小二乘法的多项式线性回归方法拟合墙面点云,将墙面拟合平面作为基准面,设置墙面点云拟合的平面函数,获取平面函数与点云的点误差,基于各点云的点误差获取所有点的误差平方和,求取误差平方和最小时平面函数的参数值,得到墙面拟合平面。
图3示出了本发明构建建筑物墙面异常检测模型识别目标建筑物的墙面异常情况的方法流程图。
根据本发明实施例,构建建筑物墙面异常检测模型识别目标建筑物的墙面异常情况,具体为:
S302,通过目标建筑物三维模型获取标记不平整标签的墙面子区域,将标记子区域的点云进行点云正投影,获取子区域的灰度图;
S304,构建建筑物墙面异常检测模型,基于数据检索获取常见建筑物及墙面病害图像数据,并对获取的图像数据进行图像数据增强并根据病害类型进行预分类,生成带数据标记的数据集;
S306,基于残差网络连接特征金字塔网络结合FPN网络生成多尺度特征提取网络,生成特征矩阵,并在CNN模型中引入动态空洞卷积对所述特征矩阵进行精细化分割特征提取;
S308,根据所述精细化分割特征对卷积图进行特征的重新分配,为卷积图进行分类预测,设置分割标签,将带有分割标签的卷积图输入到全连接层;
S310,通过所述带数据标记的数据集对建筑物墙面异常检测模型进行训练,将子区域的灰度图输入训练好的模型中,获取子区域病害的分割结果,根据病害分割结果连接多分类的SVM模块,识别目标建筑物墙面异常情况。
需要说明的是,对获取的图像数据进行数据增强后,将各个图像的进行数据标记,基于带数据标签的数据集生成训练集及测试集,通过训练集对建筑物墙面异常检测模型获取最优参数,基于最优参数进行模型设置,通过残差网络连接的特征金字塔,增强特征提取时的感受野通过残差网络有效降低了训练误差,并通过FPN网络生成特征边界框回归,同时引入动态空洞卷积对确保计算量不增加的情况下进一步增加感受野,提高图像数据的分割精度,获取多尺度的特征信息。
需要说明的是,获取目标建筑物的墙面异常情况,并在目标建筑墙面异常情况识别结果的基础上集合病害的评判标准判断目标建筑物的异常程度;基于鱼骨图法对建筑病害相关文献、知识库及历史数据进行共性分析,获取建筑病害对建筑物健康的主要影响因素,根据所述主要影响因素分析下属影响因子;根据主要影响因素的下属影响因子获取建筑病害的评价指标,基于层次分析方法获取评价指标的权重信息,预设建筑物健康状况的评估等级;利用模糊综合评价法通过隶属度函数获取各个下属影响因子对评估等级的隶属度,构建隶属度矩阵,将隶属度矩阵结合评价指标的权重信息生成模糊综合评价结果,获取目标建筑物的健康状况评估等级。
所述鱼骨图法首先借助专家访谈及其他形式找出所处理的问题,确定问题之后将问题标注在鱼头处,明确问题的成因,并根据鱼头处的问题衍生出其他问题,将问题进行分类整合并进行标识明确问题的成因后再次进行表示,循环往复后生成鱼骨图,对建筑病害相关文献、知识库及历史数据进行共性分析获取相关鱼骨图,进行评价指标的识别。
需要说明的是,当目标建筑物的健康评估等级不落在预设健康等级范围时,则基于目标建筑物异常情况及健康状况评估等级生成建筑物预警信息;获取异常情况所在子区域的环境特征、结构特征及材料特征,通过所述结构特征及材料特征构建子区域的特征描述,通过特征描述根据相似计算在目标建筑物获取相似子区域;判断相似子区域中是否含有异常情况,若含有,则基于大数据检索在历史监测记录或相似建筑物中进行检索获取符合预设条件的数据,若不含有,则将异常情况所在子区域的环境特征与相似子区域的环境特征进行对比分析;通过对比获取环境特征差异,并根据历史三维激光扫描数据获取异常子区域的结构特征变化,通过环境特征差异及结构特征变化根据建筑病害的致病因素分析主导因素;根据目标建筑物的建筑病害及主导因素获取相似度大于预设相似度阈值的历史维修数据,根据历史维修数据根据环境特征进行筛选,并通过实施操作难度进行排序,根据排序结果选取目标建筑物的异常修正与防护方案。
根据本发明实施例,根据三维激光扫描获取目标建筑物的沉降病害,具体为:
根据目标建筑物的三维模型选取沉降病害检测特征点,获取特征点三维坐标数据存入数据库中,根据数据库中预设时间内特征点位置信息变化序列进行曲线拟合确定目标建筑物各特征点的沉降规律曲线;
通过预设时间内各特征点的沉降规律曲线获取各特征点在不同时间点的沉降速度,同时根据不同时间点的沉降速度获取沉降加速度信息,获取预设时间段内沉降速度均值作为当前沉降基准;
通过判断沉降加速度信息的正负值设置不同的预警阈值,根据当前时间目标建筑物中目标特征点的三维坐标数据与上一时间戳的三维坐标数据获取当前沉降速度,计算沉降加速度信息,并获取对应的预警阈值区间;
根据当前沉降速度与沉降基准获取数据偏差,将所述数据偏差与预警阈值区间进行对比,根据对比结果生成相应等级的预警信息;
另外,将目标建筑物的沉降病害与墙面病害进行共同评估,获取目标建筑物的健康状况评估等级。
图4示出了本发明一种基于三维激光扫描的建筑物健康检测系统的框图。
本发明第二方面还提供了一种基于三维激光扫描的建筑物健康检测系统4,该系统包括:存储器41、处理器42,所述存储器中包括一种基于三维激光扫描的建筑物健康检测方法程序,所述一种基于三维激光扫描的建筑物健康检测方法程序被所述处理器执行时实现如下步骤:
获取目标建筑物的环境信息及遮挡情况,生成目标建筑物的基本信息,基于目标建筑物的基本信息结合图纸信息生成三维激光扫描的扫描站点规划方案;
根据扫描站点规划方案获取各扫描站点的点云数据,通过多源点云数据进行拼接配准,获取目标建筑物三维模型;
通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,根据异常情况对目标建筑物的健康状况进行评估;
当所述目标建筑物的健康状况不符合预设健康标准时,则根据异常情况生成建筑物预警信息,判断异常情况发生的主导因素,基于主导因素生成目标建筑物的异常修正与防护方案。
需要说明的是,在进行目标建筑物三维激光扫描时,为了更好的掌握建筑物的现状,需要对目标建筑物进行提前勘探,获取目标建筑物的位置信息及这档情况等基本信息,结合图纸信息生成三维激光扫描的扫描站点,保证扫描站点的规划方案能够完整获取目标建筑物的点云数据,对于环境狭窄、遮挡物过多的区域可以设置靶标球以用来提高点云拼接的精度;
获取扫描站点规划方案中各扫描站点的点云数据,将点云数据预处理,将目标建筑物的二维图纸信息为基础对各扫描站点的点云数据进行杂点消除,将人为因素造成的无关信息进行剔除;根据各扫描站点的位置信息及点云特征进行点云拼接,获取各扫描站点点云数据的重叠度,当两扫描站点的点云护具重叠度达到一定程度,则根据所述重叠度拼接点云数据;获取点云的拼接误差,当相邻两扫描站点的拼接误差小于预设误差阈值时,则证明拼接质量符合标准,将拼接后的点云数据进行坐标转换;通过坐标转换后的点云数据进行三维重建,将点云数据进行组去噪及精简后根据二维图纸信息进行封装,封装后进行洞口及缺口的填补,生成目标建筑物三维模型。
根据本发明实施例,通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,具体为:
通过目标建筑物三维模型获取目标建筑单一墙面上的点云集合,将点云集合中的点云数据进行平面拟合获取墙面拟合平面;
将所述墙面拟合平面划分为若干子区域,将子区域内的墙面拟合平面为基准面,根据子区域对应点云空间中各点云到基准面的距离信息将点云进行集群划分;
根据所述集群划分获取子区域内点云的空间集群分布,通过主成分分析获取子区域点云空间中的主成分集群,根据所述主成分集群中点云确定主成分方向;
将子区域点云空间中的点云投影在主成分方向获取子区域的平整度离散点分布图,基于平整度离散点获取子区域的平整度判断曲线,通过所述主成分方向及基准面的法线方向构建坐标系,并平整度判断曲线及基准面对应的定位线进行坐标重构;
获取平整度判断曲线中各平整度离散点到定位线的最短距离,并计算各平整离散点对应最短距离的均方差,当所述均方差大于预设阈值时,则将子区域设置不平整标签。
需要说明的是,建筑物的单一墙面上的点云数据大致位于同一个平面内,基于最小二乘法的多项式线性回归方法拟合墙面点云,将墙面拟合平面作为基准面,设置墙面点云拟合的平面函数,获取平面函数与点云的点误差,基于各点云的点误差获取所有点的误差平方和,求取误差平方和最小时平面函数的参数值,得到墙面拟合平面。
根据本发明实施例,通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,还包括:
通过目标建筑物三维模型获取标记不平整标签的墙面子区域,将标记子区域的点云进行点云正投影,获取子区域的灰度图;
构建建筑物墙面异常检测模型,基于数据检索获取常见建筑物及墙面病害图像数据,并对获取的图像数据进行图像数据增强并根据病害类型进行预分类,生成带数据标记的数据集;
基于残差网络连接特征金字塔网络结合FPN网络生成多尺度特征提取网络,生成特征矩阵,并在CNN模型中引入动态空洞卷积对所述特征矩阵进行精细化分割特征提取;
根据所述精细化分割特征对卷积图进行特征的重新分配,为卷积图进行分类预测,设置分割标签,将带有分割标签的卷积图输入到全连接层;
通过所述带数据标记的数据集对建筑物墙面异常检测模型进行训练,将子区域的灰度图输入训练好的模型中,获取子区域病害的分割结果,根据病害分割结果连接多分类的SVM模块,识别目标建筑物墙面异常情况。
需要说明的是,对获取的图像数据进行数据增强后,将各个图像的进行数据标记,基于带数据标签的数据集生成训练集及测试集,通过训练集对建筑物墙面异常检测模型获取最优参数,基于最优参数进行模型设置,通过残差网络连接的特征金字塔,增强特征提取时的感受野通过残差网络有效降低了训练误差,并通过FPN网络生成特征边界框回归,同时引入动态空洞卷积对确保计算量不增加的情况下进一步增加感受野,提高图像数据的分割精度,获取多尺度的特征信息。
需要说明的是,获取目标建筑物的墙面异常情况,并在目标建筑墙面异常情况识别结果的基础上集合病害的评判标准判断目标建筑物的异常程度;基于鱼骨图法对建筑病害相关文献、知识库及历史数据进行共性分析,获取建筑病害对建筑物健康的主要影响因素,根据所述主要影响因素分析下属影响因子;根据主要影响因素的下属影响因子获取建筑病害的评价指标,基于层次分析方法获取评价指标的权重信息,预设建筑物健康状况的评估等级;利用模糊综合评价法通过隶属度函数获取各个下属影响因子对评估等级的隶属度,构建隶属度矩阵,将隶属度矩阵结合评价指标的权重信息生成模糊综合评价结果,获取目标建筑物的健康状况评估等级。
所述鱼骨图法首先借助专家访谈及其他形式找出所处理的问题,确定问题之后将问题标注在鱼头处,明确问题的成因,并根据鱼头处的问题衍生出其他问题,将问题进行分类整合并进行标识明确问题的成因后再次进行表示,循环往复后生成鱼骨图,对建筑病害相关文献、知识库及历史数据进行共性分析获取相关鱼骨图,进行评价指标的识别。
需要说明的是,当目标建筑物的健康评估等级不落在预设健康等级范围时,则基于目标建筑物异常情况及健康状况评估等级生成建筑物预警信息;获取异常情况所在子区域的环境特征、结构特征及材料特征,通过所述结构特征及材料特征构建子区域的特征描述,通过特征描述根据相似计算在目标建筑物获取相似子区域;判断相似子区域中是否含有异常情况,若含有,则基于大数据检索在历史监测记录或相似建筑物中进行检索获取符合预设条件的数据,若不含有,则将异常情况所在子区域的环境特征与相似子区域的环境特征进行对比分析;通过对比获取环境特征差异,并根据历史三维激光扫描数据获取异常子区域的结构特征变化,通过环境特征差异及结构特征变化根据建筑病害的致病因素分析主导因素;根据目标建筑物的建筑病害及主导因素获取相似度大于预设相似度阈值的历史维修数据,根据历史维修数据根据环境特征进行筛选,并通过实施操作难度进行排序,根据排序结果选取目标建筑物的异常修正与防护方案。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于三维激光扫描的建筑物健康检测方法程序,所述一种基于三维激光扫描的建筑物健康检测方法程序被处理器执行时,实现如上述任一项所述的一种基于三维激光扫描的建筑物健康检测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种基于三维激光扫描的建筑物健康检测方法,其特征在于,包括以下步骤:
获取目标建筑物的环境信息及遮挡情况,生成目标建筑物的基本信息,基于目标建筑物的基本信息结合二维图纸信息生成三维激光扫描的扫描站点规划方案;
根据扫描站点规划方案获取各扫描站点的点云数据,通过多源点云数据进行拼接配准,获取目标建筑物三维模型;
通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,根据异常情况对目标建筑物的健康状况进行评估;
当所述目标建筑物的健康状况不符合预设健康标准时,则根据异常情况生成建筑物预警信息,判断异常情况发生的主导因素,基于主导因素生成目标建筑物的异常修正与防护方案;
通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,具体为:
通过目标建筑物三维模型获取目标建筑单一墙面上的点云集合,将点云集合中的点云数据进行平面拟合获取墙面拟合平面;
将所述墙面拟合平面划分为若干子区域,将子区域内的墙面拟合平面为基准面,根据子区域对应点云空间中各点云到基准面的距离信息将点云进行集群划分;
根据所述集群划分获取子区域点云空间中的点云的空间集群分布,通过主成分分析获取子区域点云空间中的主成分集群,根据所述主成分集群中点云确定主成分方向;
将子区域点云空间中的点云投影在主成分方向获取子区域的平整度离散点分布图,基于平整度离散点获取子区域的平整度判断曲线,通过所述主成分方向及基准面的法线方向构建坐标系,并将平整度判断曲线及基准面对应的定位线进行坐标重构;
获取平整度判断曲线中各平整度离散点到定位线的最短距离,并计算各平整度离散点对应最短距离的均方差,当所述均方差大于预设阈值时,则将子区域设置不平整标签;
通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,还包括:
通过目标建筑物三维模型获取标记不平整标签的墙面子区域,将标记子区域的点云进行点云正投影,获取子区域的灰度图;
构建建筑物墙面异常检测模型,基于数据检索获取常见建筑物及墙面病害图像数据,并对获取的图像数据进行图像数据增强并根据病害类型进行预分类,生成带数据标记的数据集;
基于残差网络连接特征金字塔网络结合FPN网络生成多尺度特征提取网络,生成特征矩阵,并在CNN模型中引入动态空洞卷积对所述特征矩阵进行精细化分割特征提取;
根据所述精细化分割特征对卷积图进行特征的重新分配,为卷积图进行分类预测,设置分割标签,将带有分割标签的卷积图输入到全连接层;
通过所述带数据标记的数据集对建筑物墙面异常检测模型进行训练,将子区域的灰度图输入训练好的模型中,获取子区域病害的分割结果,根据病害分割结果连接多分类的SVM模块,识别目标建筑物墙面异常情况;
根据异常情况生成建筑物预警信息,判断异常情况发生的主导因素,基于主导因素生成目标建筑物的异常修正与防护方案,具体为:
当目标建筑物的健康状况评估等级不落在预设健康等级范围时,则基于目标建筑物异常情况及健康状况评估等级生成建筑物预警信息;
获取异常情况所在子区域的环境特征、结构特征及材料特征,通过所述结构特征及材料特征构建子区域的特征描述,通过特征描述根据相似计算在目标建筑物获取相似子区域;
判断相似子区域中是否含有异常情况,若含有,则基于大数据检索在历史监测记录或相似建筑物中进行检索获取符合预设条件的数据,若不含有,则将异常情况所在子区域的环境特征与相似子区域的环境特征进行对比分析;
通过对比获取环境特征差异,并根据历史三维激光扫描数据获取异常情况所在子区域的结构特征变化,通过环境特征差异及结构特征变化根据建筑病害的致病因素分析主导因素;
根据目标建筑物的建筑病害及主导因素获取相似度大于预设相似度阈值的历史维修数据,根据历史维修数据基于环境特征进行筛选,并通过实施操作难度进行排序,根据排序结果选取目标建筑物的异常修正与防护方案。
2.根据权利要求1所述的一种基于三维激光扫描的建筑物健康检测方法,其特征在于,根据扫描站点规划方案获取各扫描站点的点云数据,通过多源点云数据进行拼接配准,获取目标建筑物三维模型,具体为:
获取扫描站点规划方案中各扫描站点的点云数据,将点云数据预处理,将目标建筑物的二维图纸信息为基础对各扫描站点的点云数据进行杂点消除;
根据各扫描站点的位置信息及点云特征进行点云拼接,获取各扫描站点点云数据的重叠度,根据所述重叠度拼接点云数据;
获取点云的拼接误差,当相邻两扫描站点的拼接误差小于预设误差阈值时,则证明拼接质量符合标准,将拼接后的点云数据进行坐标转换;
通过坐标转换后的点云数据进行三维重建,将点云数据进行组去噪及精简后根据二维图纸信息进行封装,生成目标建筑物三维模型。
3.根据权利要求1所述的一种基于三维激光扫描的建筑物健康检测方法,其特征在于,根据异常情况对目标建筑物的健康状况进行评估,具体为:
获取目标建筑物的墙面异常情况,并在目标建筑墙面异常情况识别结果的基础上判断目标建筑物的异常程度;
基于鱼骨图法对建筑病害相关文献、知识库及历史数据进行共性分析,获取建筑病害对建筑物健康的主要影响因素,根据所述主要影响因素分析下属影响因子;
根据主要影响因素的下属影响因子获取建筑病害的评价指标,基于层次分析方法获取评价指标的权重信息,预设建筑物健康状况的评估等级;
利用模糊综合评价法通过隶属度函数获取各个下属影响因子对评估等级的隶属度,构建隶属度矩阵,将隶属度矩阵结合评价指标的权重信息生成模糊综合评价结果,获取目标建筑物的健康状况评估等级。
4.一种基于三维激光扫描的建筑物健康检测系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括一种基于三维激光扫描的建筑物健康检测方法程序,所述一种基于三维激光扫描的建筑物健康检测方法程序被所述处理器执行时实现如下步骤:
获取目标建筑物的环境信息及遮挡情况,生成目标建筑物的基本信息,基于目标建筑物的基本信息结合二维图纸信息生成三维激光扫描的扫描站点规划方案;
根据扫描站点规划方案获取各扫描站点的点云数据,通过多源点云数据进行拼接配准,获取目标建筑物三维模型;
通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,根据异常情况对目标建筑物的健康状况进行评估;
当所述目标建筑物的健康状况不符合预设健康标准时,则根据异常情况生成建筑物预警信息,判断异常情况发生的主导因素,基于主导因素生成目标建筑物的异常修正与防护方案;
通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,具体为:
通过目标建筑物三维模型获取目标建筑单一墙面上的点云集合,将点云集合中的点云数据进行平面拟合获取墙面拟合平面;
将所述墙面拟合平面划分为若干子区域,将子区域内的墙面拟合平面为基准面,根据子区域对应点云空间中各点云到基准面的距离信息将点云进行集群划分;
根据所述集群划分获取子区域点云空间中的点云的空间集群分布,通过主成分分析获取子区域点云空间中的主成分集群,根据所述主成分集群中点云确定主成分方向;
将子区域点云空间中的点云投影在主成分方向获取子区域的平整度离散点分布图,基于平整度离散点获取子区域的平整度判断曲线,通过所述主成分方向及基准面的法线方向构建坐标系,并将平整度判断曲线及基准面对应的定位线进行坐标重构;
获取平整度判断曲线中各平整度离散点到定位线的最短距离,并计算各平整度离散点对应最短距离的均方差,当所述均方差大于预设阈值时,则将子区域设置不平整标签;
通过目标建筑物三维模型结合点云数据及影像数据获取目标建筑物的异常情况,还包括:
通过目标建筑物三维模型获取标记不平整标签的墙面子区域,将标记子区域的点云进行点云正投影,获取子区域的灰度图;
构建建筑物墙面异常检测模型,基于数据检索获取常见建筑物及墙面病害图像数据,并对获取的图像数据进行图像数据增强并根据病害类型进行预分类,生成带数据标记的数据集;
基于残差网络连接特征金字塔网络结合FPN网络生成多尺度特征提取网络,生成特征矩阵,并在CNN模型中引入动态空洞卷积对所述特征矩阵进行精细化分割特征提取;
根据所述精细化分割特征对卷积图进行特征的重新分配,为卷积图进行分类预测,设置分割标签,将带有分割标签的卷积图输入到全连接层;
通过所述带数据标记的数据集对建筑物墙面异常检测模型进行训练,将子区域的灰度图输入训练好的模型中,获取子区域病害的分割结果,根据病害分割结果连接多分类的SVM模块,识别目标建筑物墙面异常情况;
根据异常情况生成建筑物预警信息,判断异常情况发生的主导因素,基于主导因素生成目标建筑物的异常修正与防护方案,具体为:
当目标建筑物的健康状况评估等级不落在预设健康等级范围时,则基于目标建筑物异常情况及健康状况评估等级生成建筑物预警信息;
获取异常情况所在子区域的环境特征、结构特征及材料特征,通过所述结构特征及材料特征构建子区域的特征描述,通过特征描述根据相似计算在目标建筑物获取相似子区域;
判断相似子区域中是否含有异常情况,若含有,则基于大数据检索在历史监测记录或相似建筑物中进行检索获取符合预设条件的数据,若不含有,则将异常情况所在子区域的环境特征与相似子区域的环境特征进行对比分析;
通过对比获取环境特征差异,并根据历史三维激光扫描数据获取异常情况所在子区域的结构特征变化,通过环境特征差异及结构特征变化根据建筑病害的致病因素分析主导因素;
根据目标建筑物的建筑病害及主导因素获取相似度大于预设相似度阈值的历史维修数据,根据历史维修数据基于环境特征进行筛选,并通过实施操作难度进行排序,根据排序结果选取目标建筑物的异常修正与防护方案。
5.一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中包括一种基于三维激光扫描的建筑物健康检测方法程序,所述一种基于三维激光扫描的建筑物健康检测方法程序被处理器执行时,实现如权利要求1至3中任一项所述的一种基于三维激光扫描的建筑物健康检测方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310109205.2A CN115908424B (zh) | 2023-02-14 | 2023-02-14 | 基于三维激光扫描的建筑物健康检测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310109205.2A CN115908424B (zh) | 2023-02-14 | 2023-02-14 | 基于三维激光扫描的建筑物健康检测方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908424A CN115908424A (zh) | 2023-04-04 |
CN115908424B true CN115908424B (zh) | 2023-05-30 |
Family
ID=85737477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310109205.2A Active CN115908424B (zh) | 2023-02-14 | 2023-02-14 | 基于三维激光扫描的建筑物健康检测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908424B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879920B (zh) * | 2023-07-12 | 2024-02-09 | 中电建绿建有限公司 | 一种基于激光点云技术的堤坝质量检测方法及系统 |
CN116930206B (zh) * | 2023-07-21 | 2024-02-23 | 广州市胜特建筑科技开发有限公司 | 基于激光扫描的建筑物损坏检测方法及系统 |
CN116629947B (zh) * | 2023-07-24 | 2023-10-27 | 中关村科学城城市大脑股份有限公司 | 流动站点处理信息生成方法、装置、设备和介质 |
CN116678368B (zh) * | 2023-07-28 | 2023-10-17 | 山东德丰重工有限公司 | 基于bim技术的装配式钢结构数据智能采集方法 |
CN116740063B (zh) * | 2023-08-14 | 2023-11-14 | 山东众志电子有限公司 | 基于机器视觉的玻璃纤维丝生产质量检测方法 |
CN117196224B (zh) * | 2023-09-13 | 2024-02-09 | 广州城市职业学院 | 一种古建筑的修复智能管理方法及系统 |
CN117197135B (zh) * | 2023-11-06 | 2024-02-23 | 深圳海智创科技有限公司 | 一种基于激光点云的墙面平整度检测方法和系统 |
CN117315001B (zh) * | 2023-11-27 | 2024-02-23 | 江苏房城建设工程质量检测有限公司 | 一种基于激光扫描的房建面积快速检测方法及系统 |
CN117557554B (zh) * | 2024-01-05 | 2024-04-23 | 海斯福(深圳)科技有限公司 | 一种含氟涂层的喷涂平整度智能检测方法及系统 |
CN117764982B (zh) * | 2024-01-11 | 2024-05-07 | 松佳精密科技(东莞)有限公司 | 基于三维点云技术的冲压模架磨损检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216407A (zh) * | 2021-12-15 | 2022-03-22 | 南通大学 | 一种基于三维激光扫描技术的隧道结构健康监测系统 |
CN114723709A (zh) * | 2022-04-11 | 2022-07-08 | 武汉汉宁轨道交通技术有限公司 | 隧道病害检测方法、装置和电子设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011085821A (ja) * | 2009-10-16 | 2011-04-28 | Sony Corp | 欠陥修正装置および欠陥修正方法 |
CN107220987A (zh) * | 2016-03-22 | 2017-09-29 | 嘉兴博海信息科技有限公司 | 一种基于主成分分析的建筑物屋顶边缘快速检测方法 |
US10650531B2 (en) * | 2018-03-16 | 2020-05-12 | Honda Motor Co., Ltd. | Lidar noise removal using image pixel clusterings |
CN108682012B (zh) * | 2018-05-15 | 2021-07-27 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于线扫激光的3d曲面玻璃表面平整性缺陷检测方法 |
KR20210064896A (ko) * | 2019-11-26 | 2021-06-03 | 한국전자통신연구원 | 복셀화 방법 활용을 위한 3차원 점군 데이터의 최적 방향 설정 장치 및 방법 |
US11703457B2 (en) * | 2020-12-29 | 2023-07-18 | Industrial Technology Research Institute | Structure diagnosis system and structure diagnosis method |
CN112907528B (zh) * | 2021-02-09 | 2021-11-09 | 南京航空航天大学 | 一种基于点云转图像的复材铺丝表面缺陷检测与识别方法 |
CN113125444A (zh) * | 2021-04-20 | 2021-07-16 | 上海应用技术大学 | 一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法 |
CN113971660B (zh) * | 2021-09-30 | 2022-11-08 | 哈尔滨工业大学 | 桥梁健康诊断的计算机视觉方法和智能摄像系统 |
CN114353876A (zh) * | 2022-01-07 | 2022-04-15 | 兰州大学 | 一种黄土公路边坡健康监测方法 |
-
2023
- 2023-02-14 CN CN202310109205.2A patent/CN115908424B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216407A (zh) * | 2021-12-15 | 2022-03-22 | 南通大学 | 一种基于三维激光扫描技术的隧道结构健康监测系统 |
CN114723709A (zh) * | 2022-04-11 | 2022-07-08 | 武汉汉宁轨道交通技术有限公司 | 隧道病害检测方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115908424A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115908424B (zh) | 基于三维激光扫描的建筑物健康检测方法、系统及介质 | |
Rutzinger et al. | A comparison of evaluation techniques for building extraction from airborne laser scanning | |
CN112347916B (zh) | 基于视频图像分析的电力现场作业安全监控方法及装置 | |
Estes et al. | A platform for crowdsourcing the creation of representative, accurate landcover maps | |
CN115294117B (zh) | Led灯珠的缺陷检测方法及相关装置 | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN116229007B (zh) | 利用bim建模的四维数字图像构建方法、装置、设备及介质 | |
CN117271683A (zh) | 一种测绘数据的智能分析评价方法 | |
CN114511718A (zh) | 一种建筑施工用物料智能管理方法及系统 | |
CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
CN113253709B (zh) | 一种适用于轨道交通车辆健康诊断方法及装置 | |
Kölle et al. | Hybrid acquisition of high quality training data for semantic segmentation of 3D point clouds using crowd-based active learning | |
CN113393442A (zh) | 列车零部件异常检测方法、系统、电子设备及存储介质 | |
CN115512098B (zh) | 一种桥梁电子化巡检系统及巡检方法 | |
CN115830381A (zh) | 基于改进YOLOv5的员工未佩戴口罩检测方法及相关组件 | |
CN112434648A (zh) | 一种墙体形状变化检测方法及系统 | |
CN112434653A (zh) | 一种遥感图像建筑区检测方法及系统 | |
CN111814764A (zh) | 一种遗撒物确定系统 | |
CN116596411B (zh) | 一种结合两票检测的生产安全评价方法及系统 | |
Shao et al. | Automated Two-Stage Approach for Damage Detection of Surface Defects in Historical Buildings | |
CN116109211B (zh) | 基于设备数字化的设备运行水平分析方法及装置 | |
CN116188973B (zh) | 认知生成机制裂缝检测方法 | |
CN117710834B (zh) | 一种基于大数据的中尺度涡旋识别分析方法、系统及介质 | |
US20230281802A1 (en) | Autonomous Measurement of the Zone of Inhibition for Antibacterial Sutures | |
CN117975310A (zh) | 基于无人机的电力施工人员行为识别方法 |
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 |