CN116051771A - 一种基于无人机倾斜摄影模型的光伏bim屋顶自动建模方法 - Google Patents

Abstract

本申请涉及一种基于无人机倾斜摄影模型的光伏BIM屋顶自动建模方法，它包括如下步骤：对无人机倾斜摄影数据进行除噪；提取出三角面数据集与点数据集；建筑单体数据识别与分割；对建筑单体进行投影，生成单体建筑的屋顶灰度图像；去除灰度图像中的镂空区域；通过图像算法识别单体屋面板与构筑物的几何参数，并自动生成屋顶BIM模型，然后遍历下一个单体直至全部屋顶模型创建完成。本发明通过对无人机倾斜摄影模型数据进行屋顶自动识别和提取，生成三维可视化、结构化、可分析的三维BIM模型数据，实现既有建筑屋顶几何数据的自动化采集，提高既有屋顶测绘的效率，为分布式光伏电站设计与分析提供准确模型基础。

Description

一种基于无人机倾斜摄影模型的光伏BIM屋顶自动建模方法

技术领域

本申请涉及光伏电站设计BIM建模技术领域，具体涉及一种基于无人机倾斜摄影模型的光伏BIM屋顶自动建模方法。

背景技术

太阳能光伏产业是我国未来发展的战略性新兴产业重要领域，分布式光伏发电是太阳能光伏能源利用的重要途径之一，通过利用既有空间进行开发与建设，具有较高的土地集约性，运行方式以用户侧自发自用、多余电量上网，资源利用率更高。建筑物屋顶的光伏发电项目应用是最为广泛的分布式光伏发电系统，我国分布式光伏资源十分丰富，积极开展屋顶分布式光伏发电的规划、建设和运营，是应对能源资源约束、改善生态环境的重要举措。但屋顶分布式光伏电站在设计过程中，需采集既有建筑屋顶的实际尺寸和位置，以便更为准确的设计和应用。这一过程当前主要有GPS-RTK测量与高精度无人机测量两种方式。

全GPS-RTK测量通过选择视野开阔、卫星信号较好的位置架设GPS基准站，人工手持GPS移动接收端，需人工攀爬屋顶进行测量，且容易受到密林、水塘、高压线等影响卫星信号。

高精度无人机测量通过无人机航拍采集大量的高精度影像数据，通过软件自动编译生成倾斜摄影模型，提供了更加真实的地表细节信息，能够提高外业测量的效率。但由于倾斜摄影模型包含大量屋顶以外的环境数据，且创建模型为片面模型，需进行内业处理，即通过人工描取测量屋顶的轮廓和尺寸，而屋顶情况复杂多样，测绘费时费力，人力成本高，准确性无法保障。

发明内容

本发明的目的在于，提供一种基于无人机倾斜摄影模型的光伏BIM屋顶自动建模方法，通过对三维倾斜摄影模型数据进行屋顶自动识别和提取，生成三维可视化、结构化、可分析的三维BIM模型数据，实现既有建筑屋顶几何数据的自动化采集，提高既有屋顶测绘的效率，并为分布式光伏电站设计与分析提供准确模型基础。

本发明采取的技术方案是：一种基于无人机倾斜摄影模型的光伏BIM屋顶自动建模方法，包括如下步骤：

S1：对采集的倾斜摄影数据进行除噪，删除倾斜摄影中的树木与噪点；

S2：通过OSG2Tileset包进行数据解析，读取倾斜摄影OSGB模型，提取出三角面数据集与点数据集；其中，三角面数据由三个端点组成；点数据由(x、y、z)三个数据量组成，其中x、y为大地坐标数据，z表示高程；

S3：将提取的三角面集与点数据集转换为平面灰度图，通过图像边界识别算法进行建筑单体范围的识别，并基于图像单体范围框逆向计算三维空间的平面范围框，进而通过范围判断，实现各单体的三角面集和点数据集的分割与提取；

S4：将分割后的单体三角面投影至平面，确定该三角面投影灰度图像的范围，并根据三个端点标高计算对应栅格的灰度值，形成灰度图像；

S5：通过腐蚀计算和膨胀计算对步骤S4中获得的灰度图像进行除噪处理，补全镂空区域的灰度；

S6：以单体的屋面标高H作为输入参数，基于单体灰度图进行屋面板边界的提取，将提取的边界平面像素点逆向还原为平面点，进行依次连线形成边界轮廓，获得边界轮廓点集，并根据输入的屋面标高H，生成屋面板BIM模型；

S7：将屋顶灰度图进行图像线形变换，保留屋顶构筑物的图像区域，过滤掉屋面及以下的图像区域，再根据灰度不同进行图像聚类与分割，并对分割后的图像提取边界，获得各个聚类的边界轮廓点集；根据屋顶构筑物边界轮廓点集、拉伸起点高度和拉伸终点高度生成屋顶构筑物BIM模型；

S8：将单体的屋面板BIM模型与屋顶构筑物BIM模型进行合模，完成单体的屋面BIM模型创建，然后遍历下一个单体直至全部屋顶模型创建完成。

进一步地，所述步骤S3的具体方法为：

S301：根据提取的倾斜摄影模型的点数据集计算平面矩形包围盒尺寸，根据预设的栅格尺寸，建立平面栅格矩阵S₁[X,Y]，其中，X表示栅格行数、Y表示栅格列数；

S302：遍历点数据集合，为平面栅格矩阵S₁[X,Y]中每个栅格赋值栅格范围内点集的最大高程值；

S303：以整个点数据集中的最低点高程值与最高点高程值为范围进行等分，计算平面栅格矩阵S₁[X,Y]中每个数据对应等分范围的编号并将所属编号作为每个数据灰度值，按照计算后的平面栅格矩阵S₁[X,Y]生成灰度图M₁；

S304：通过对灰度图M₁进行图像识别分割单体区域，并对每个分割区域进行单体编号，对所提取单体分割图像进行边界轮廓的识别，得到轮廓后向外扩A个像素点，以便所得轮廓能充分包含单体内的点；

S305：将分割后的单体轮廓逆向还原为平面区域范围，遍历点数据集中每一个点，判断该点是否在该平面区域范围内，是则计入单体数据集，否则遍历下一个点，直至完成单体点数据集的分割；针对三角面数据集中每个三角面，判断三角面中任意一点是否在该平面区域范围内，是在则计入单体数据集，否则遍历下一个三角面，直至完成单体三角面数据集的分割。

进一步地，所述步骤S4的具体方法为：

S401：输入单体的屋面标高H，并以图像栅格尺寸Gp、灰度精度Gs和灰度起算标高h₀作为控制参数；

S402：计算单体的灰度图像尺寸[m，n]，其中，m为x轴方向对应的图像尺寸数量，n为y轴方向对应的图像尺寸数量，m＝(X_max-X_min)/Gp，n＝(Y_max-Y_min)/Gp，m与n的计算结果均上取整；X_max为建筑单体点集中x坐标最大值，X_min为建筑单体点集中x坐标最小值，Y_max为建筑单体点集中y坐标最大值，Y_min为该建筑单体点集y坐标最小值；

S403：创建一个的平面栅格S₂[m，n]，平面栅格S₂[m，n]为以(X_min，Y_min)为起点，边长等于Gp的正方形栅格，平面栅格S₂[m，n]在x坐标正轴方向排列有m个栅格，在y坐标正轴方向排列有n个栅格；

S404：选取建筑单体的一个三角面，将所述三角面的三个顶点P₁、P₂和P₃投影至二维平面，三个顶点围成的区域对应平面栅格S₂[m，n]的栅格区域为所述三角面的栅格投影范围；判断栅格区域是否属于所述三角面的栅格投影范围的依据是：若平面栅格S₂[m，n]的栅格中存在三个顶点围成的区域，则将该栅格纳入三角面的栅格投影范围；

S405：遍历步骤S404获得的栅格投影范围中的每个栅格，计算每个栅格的中心坐标所对应在该三角面的标高z，每个栅格的灰度值g＝(z-h₀)/Gs，计算结果向下取整；

S406：重复步骤S404和S405直至所有的三角面均投影生成灰度图像M₂[m，n]，若相邻两个三角面的栅格投影范围存在重复时，取高灰度值。

进一步地，所述步骤S6的具体方法为：

S601：采用基本二值化算法对除噪后的单体灰度图像进行处理，得到屋面板范围的黑色图片；

S602：通过Canny算法拾取二值化后的图像边界；

S603：通过Harris角点检测算法识别图像边界角点，并按照顺序存储角点像素的位置JD_i(m_i，n_i)；其中，m_i为第i个角点像素的行数，n_i为第i个角点像素的列数；

S604：将每个角点的像素位置还原为平面点坐标，得到屋面板边界轮廓点集SideP，具体的计算公式为：x_i＝X_min+(m_i+0.5)*Gp，y_i＝Y_min+(n_i+0.5)*Gp；其中，x_i为第i个角点的在x轴方向上的坐标，y_i为第i个角点在y轴方向上的坐标；

S605：根据边界轮廓点集SideP和屋面标高H，生成屋面板BIM模型。

进一步地，所述步骤S7的具体方法为：

S701：通过计算对原屋面板灰度图像中逐个像素进行线形变换，完成灰度过滤；具体计算公式为：s(a,b)＝c+kr(a,b)，其中，a、b表示灰度图像像素的行列数，c和k均为常数，s(a,b)为线形变换后的灰度图像矩阵，r(a,b)为原始灰度图像矩阵；

S702：计算线形变换后灰度图像的直方图，以所述直方图中的波峰数量作为到灰度值的分类数量，将线形变换后灰度图像采用K-means算法进行分类与分割，得到分类分割后的图像聚类；

S703：对S702中每个图像聚类执行步骤S601～S603，得到各个分类的边界轮廓点集GSideP；

S704：根据屋顶构筑物边界轮廓点集GSideP、拉伸起点高度和拉伸终点高度生成屋顶构筑物BIM模型，所述拉伸起点高度为屋面标高H，所述拉伸终点高度为每个图像聚类对应的平均灰度值反算的高程值。

本发明的有益效果在于：

(1)本发明通过无人机航拍倾斜摄影，并通过算法自动识别屋面轮廓和标高，相比与当前现场测绘屋面数据，具有自动化、准确率高的优点，提高了分布式光伏电站前期勘探的工作效率；

(2)本发明采用图像作为屋面识别提取的媒介，巧妙避免了直接分析倾斜摄影数据带来的算法计算量大、算法复杂度高、分析难度大的问题；

(3)本发明以BIM模型作为最终输出结果，其具有三维可视化、可分析等特点，可直接用于后续三维设计分析和出图，并直接作为三维数字化交付成果进行竣工交付，相比一般格式数据具有更广泛、更深远的应用；

(4)本发明可以适用于多种不同标高、不同形状的屋面，并支持屋面女儿墙、突出构筑物的自动提取，具有适用范围广的技术优势。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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申请的一些实施例，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它的附图。

图1为本发明实施例的方法流程图；

图2为三角面栅格投影范围示意图；

图3为本发明实施例的倾斜摄影模型；

图4为本发明实施例的灰度图像；

图5为本发明实施例的建筑单体识别范围示意图；

图6为本发明实施例的建筑单体倾斜摄影模型；

图7为本发明实施例的单体屋顶灰度图；

图8为本发明实施例除噪后屋顶灰度图；

图9为本发明实施例提取的屋顶边界图，其中(a)为通过Canny算法拾取二值化后提取的图像边界，(b)为通过Harris角点检测算法提取的图像边界角点；

图10为本发明实施例的屋面板BIM模型；

图11为本发明实施例进行线形变换后的单体屋顶构筑物灰度图；

图12为本发明实施例的单体屋顶不同标高构筑物灰度图；

图13为本发明实施例的单体屋顶构筑物BIM模型；

图14为本发明实施例的单体屋顶合并BIM模型；

图15为本发明实施例的多标高屋顶建筑自动屋顶BIM建模效果示意图，其中(a)为建筑实景图，(b)为对应的屋顶BIM模型；

图16为本发明实施例的合并屋顶BIM模型。

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。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，本发明并不限于下面公开的具体实施例的限制。

除非另作定义，此处使用的技术术语或者科学术语应当为本申请所述领域内具有一般技能的人士所理解的通常意义。本专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也相应地改变。

如图1～图16所示，本发明实施例提供了一种基于无人机倾斜摄影模型的光伏BIM屋顶自动建模方法，下面结合具体建筑模型，说明本发明实施例的具体步骤。所述建筑模型由10栋单体建筑组成，占地面积100.53亩，屋顶以平屋顶为主，200mm厚女儿墙，其中食堂楼屋顶有多个排烟孔，本发明实施例的倾斜摄影模型如图3所示。

S1：对采集的倾斜摄影数据进行除噪，删除倾斜摄影中的树木与噪点，从而精简数据量，确保倾斜摄影数据处理的效率。

S2：通过OSG2Tileset包进行数据解析，读取倾斜摄影OSGB模型，提取出三角面数据集与点数据集；其中，三角面数据由三个端点组成；点数据由(x、y、z)三个数据量组成，其中x、y为大地坐标数据，z表示高程。

S3：将提取的三角面集与点数据集转换为平面灰度图，通过图像边界识别算法进行建筑单体范围的识别，并基于图像单体范围框逆向计算三维空间的平面范围框，进而通过范围判断，实现各单体的三角面集和点数据集的分割与提取；具体方法为：

S301：根据提取的倾斜摄影模型的点数据集计算平面矩形包围盒尺寸，根据预设的栅格尺寸，建立平面栅格矩阵S₁[X,Y]，其中，X表示栅格行数、Y表示栅格列数。

S302：遍历点数据集合，为平面栅格矩阵S₁[X,Y]中每个栅格赋值栅格范围内点集的最大高程值。

S303：以整个点数据集中的最低点高程值与最高点高程值为范围进行256等分，本发明实施例进行了256等分，编号为0～255。计算平面栅格矩阵S₁[X,Y]中每个数据对应等分范围的编号并将所述编作为每个数据灰度值，按照计算后的平面栅格矩阵S₁[X,Y]生成如图4所示的灰度图M₁。

S304：通过对灰度图M₁进行图像识别分割单体区域，并对每个分割区域进行单体编号，对所提取单体分割图像进行边界轮廓的识别，得到轮廓后向外扩A个像素点，以便所得轮廓能充分包含单体内的点。在本发明实施例中，取A＝3。

S305：将分割后的单体轮廓逆向还原为平面区域范围，遍历点数据集中每一个点，判断该点是否在该平面区域范围内，是则计入单体数据集，否则遍历下一个点，直至完成单体点数据集的分割；针对三角面数据集中每个三角面，判断三角面中任意一点是否在该平面区域范围内，是在则计入单体数据集，否则遍历下一个三角面，直至完成单体三角面数据集的分割，得到如图5所示的建筑单体识别范围示意图。

S4：将分割后的单体三角面投影至平面，确定该三角面投影灰度图像的范围，并根据三个端点标高计算对应栅格的灰度值，形成灰度图像。以图6所示的建筑单体倾斜摄影模型为例，具体方法为：

S401：输入单体的屋面标高H，并以图像栅格尺寸Gp、灰度精度Gs和灰度起算标高h₀作为控制参数。

S402：计算单体的灰度图像尺寸[m，n]，其中，m为x轴方向对应的图像尺寸数量，n为y轴方向对应的图像尺寸数量，m＝(X_max-X_min)/Gp，n＝(Y_max-Y_min)/Gp，m与n的计算结果均上取整；X_max为建筑单体点集中x坐标最大值，X_min为建筑单体点集中x坐标最小值，Y_max为建筑单体点集中y坐标最大值，Y_min为该建筑单体点集y坐标最小值。

S403：创建一个的平面栅格S₂[m，n]，平面栅格S₂[m，n]为以(X_min，Y_min)为起点，边长等于Gp的正方形栅格，平面栅格S₂[m，n]在x坐标正轴方向排列有m个栅格，在y坐标正轴方向排列有n个栅格。

S404：选取建筑单体的一个三角面，将所述三角面的三个顶点P₁、P₂和P₃投影至二维平面，三个顶点围成的区域对应平面栅格S₂[m，n]的栅格区域为所述三角面的栅格投影范围。判断栅格区域是否属于所述三角面的栅格投影范围的依据是：若平面栅格S₂[m，n]的栅格中存在三个顶点围成的区域，则将该栅格纳入三角面的栅格投影范围。

S405：遍历步骤S404获得的栅格投影范围中的每个栅格，计算每个栅格的中心坐标所对应在该三角面的标高z，每个栅格的灰度值g＝(z-h₀)/Gs，计算结果向上取整。

S406：重复步骤S404和S405直至所有的三角面均投影生成灰度图像M₂[m，n]，若相邻两个三角面的栅格投影范围存在重复时，取高灰度值。图6所示的建筑单体倾斜摄影模型对应的单体屋顶灰度图像如图7所示。

S5：通过腐蚀计算和膨胀计算对步骤S4中获得的灰度图像进行除噪处理，补全镂空区域的灰度。由于无人机航拍的时间、距离、角度等问题，采集的倾斜摄影三角面数据通常会存在大量镂空，导致灰度图像的不完整。为确保图像处理的准确度，需对灰度图像进行除噪处理，补齐镂空区域的灰度。本发明实施例采用膨胀计算进行图像除噪，去除小颗粒噪声的同时，形状边界平滑，不改变其面积，处理效果较好。本发明实施例先通过腐蚀计算腐蚀图像，再通过膨胀计算对图像进行膨胀，能够去除孤立的小点、毛刺和连接两块区域的小点，消除小物体、平滑较大物体的边界。除噪后的屋顶灰度图像如图8所示。

S6：以单体的屋面标高H作为输入参数，基于单体灰度图进行屋面板边界的提取，提取结果如图9所示。将提取的边界平面像素点逆向还原为平面点，进行依次连线形成边界轮廓，获得边界轮廓点集，并根据输入的屋面标高H，生成屋面板BIM模型，具体方法为：

S601：采用基本二值化算法对除噪后的单体灰度图像进行处理，得到屋面板范围的黑色图片。

S602：通过Canny算法拾取二值化后的图像边界。

S603：通过Harris角点检测算法识别图像边界角点，并按照顺序存储角点像素的位置JD_i(m_i，n_i)；其中，m_i为第i个角点像素的行数，n_i为第i个角点像素的列数。

S604：将每个角点的像素位置还原为平面点坐标，得到屋面板边界轮廓点集SideP，具体的计算公式为：x_i＝X_min+(m_i+0.5)*Gp，y_i＝Y_min+(n_i+0.5)*Gp；其中，x_i为第i个角点的在x轴方向上的坐标，y_i为第i个角点在y轴方向上的坐标。

S605：根据边界轮廓点集SideP和屋面标高H，生成屋面板BIM模型。本发明实施例是基于Revit软件开展屋顶BIM的建模，利用Revit二次开发创建迹线屋顶的API接口FootPrintRoof，调用边界轮廓点集SideP和屋面标高H，自动生成屋面板BIM模型，生成的屋面板BIM模型如图10所示。

S7：如图11和图12所示，将屋顶灰度图进行图像线形变换，保留屋顶构筑物的图像区域，过滤掉屋面标高及以下的图像区域，再根据灰度不同进行图像聚类与分割，并对分割后的图像提取边界，获得各个聚类的边界轮廓点集；根据屋顶构筑物边界轮廓点集、拉伸起点高度和拉伸终点高度生成屋顶构筑物BIM模型，具体方法为：

S701：通过计算对原屋面板灰度图像中逐个像素进行线形变换，完成灰度过滤；具体计算公式为：s(a,b)＝c+kr(a,b)，其中，a、b表示灰度图像像素的行列数，c和k均为常数，在本发明实施例中，c取(H-h₀+0.2)/Gs，k取1，s(a,b)为线形变换后的灰度图像矩阵，r(a,b)为原始灰度图像矩阵。

S702：计算线形变换后灰度图像的直方图，以所述直方图中的波峰数量作为到灰度值的分类数量，将线形变换后灰度图像采用K-means算法进行分类与分割，得到分类分割后的图像聚类，具体方法为：

从图像中选取K个点作为初始的聚类中心，然后遍历所有的像素点，计算每个像素到每个聚类中心的距离，将像素分类到距离最小的一个聚类中，并根据分类结果计算出新的聚类中心，如此反复迭代直到聚类中心收敛到稳定值，得到分类分割后的图像聚类。

S703：对S702中每个图像聚类执行步骤S601～S603，得到各个分类的边界轮廓点集GsideP。

S704：根据屋顶构筑物边界轮廓点集GSideP、拉伸起点高度和拉伸终点高度生成屋顶构筑物BIM模型，所述拉伸起点高度为屋面标高H，所述拉伸终点高度为每个图像聚类对应的平均灰度值反算的高程值。

本发明实施例基于Revit软件开展屋顶构筑物BIM的建模，利用Revit二次开发创建拉伸实体的API接口NewExtrusion，调用屋顶构筑物边界轮廓点集GSideP、拉伸起点高度和拉伸重点高度，自动生成屋顶构筑物BIM模型，生成的屋面板BIM模型如图13所示。

S8：将单体的屋面板BIM模型与屋顶构筑物BIM模型进行合模，即将图10和图13合模，可得到如图14所示的单体屋顶合并BIM模型，完成图6所示的建筑单体的屋面BIM模型创建，然后遍历下一个单体直至全部屋顶模型创建完成。

如单体屋顶具有多个不同标高的屋面，例如图15(a)所示的建筑单体，则按照屋面标高自上而下顺序遍历S3～S7，并去除重复模型，实现多重标高屋顶BIM模型的创建，得到如图15(b)所示的屋顶BIM模型。图3所示倾斜摄影模型通过本发明实施例所述的屋顶自动建模方法，可得到如图16所示的屋顶BIM模型。

本发明实施例对前期单体分割、单体屋顶提取和三维BIM建模各个环节均实现了自动化，自动化程度较高。本发明实施例将倾斜摄影模型数据转换为图片数据进行分析，通过图像作为屋面识别提取的媒介，避免了直接分析倾斜摄影点集数据带来的算法计算量大、算法复杂度高、分析难度大的问题，减小了数据分析的量。同时采用Revit二次开发进行屋面构筑物的自动生成，可直接用于屋顶三维建，进行后续设计分析和出图等应用。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于无人机倾斜摄影模型的光伏BIM屋顶自动建模方法，其特征在于，包括如下步骤：

S1：对采集的倾斜摄影数据进行除噪，删除倾斜摄影中的树木与噪点；

S2：通过OSG2Tileset包进行数据解析，读取倾斜摄影OSGB模型，提取出三角面数据集与点数据集；其中，三角面数据由三个端点组成；点数据由(x、y、z)三个数据量组成，其中x、y为大地坐标数据，z表示高程；

S3：将提取的三角面集与点数据集转换为平面灰度图，通过图像边界识别算法进行建筑单体范围的识别，并基于图像单体范围框逆向计算三维空间的平面范围框，进而通过范围判断，实现各单体的三角面集和点数据集的分割与提取；

S4：将分割后的单体三角面投影至平面，确定该三角面投影灰度图像的范围，并根据三个端点标高计算对应栅格的灰度值，形成灰度图像；

S5：通过腐蚀计算和膨胀计算对步骤S4中获得的灰度图像进行除噪处理，补全镂空区域的灰度；

S6：以单体的屋面标高H作为输入参数，基于单体灰度图进行屋面板边界的提取，将提取的边界平面像素点逆向还原为平面点，进行依次连线形成边界轮廓，获得边界轮廓点集，并根据输入的屋面标高H，生成屋面板BIM模型；

S7：将屋顶灰度图进行图像线形变换，保留屋顶构筑物的图像区域，过滤掉屋面及以下的图像区域，再根据灰度不同进行图像聚类与分割，并对分割后的图像提取边界，获得各个聚类的边界轮廓点集；根据屋顶构筑物边界轮廓点集、拉伸起点高度和拉伸终点高度生成屋顶构筑物BIM模型；

S8：将单体的屋面板BIM模型与屋顶构筑物BIM模型进行合模，完成单体的屋面BIM模型创建，然后遍历下一个单体直至全部屋顶模型创建完成。

2.根据权利要求1所述的一种基于无人机倾斜摄影模型的光伏BIM屋顶自动建模方法，其特征在于，所述步骤S3的具体方法为：

S301：根据提取的倾斜摄影模型的点数据集计算平面矩形包围盒尺寸，根据预设的栅格尺寸，建立平面栅格矩阵S₁[X,Y]，其中，X表示栅格行数、Y表示栅格列数；

S302：遍历点数据集合，为平面栅格矩阵S₁[X,Y]中每个栅格赋值栅格范围内点集的最大高程值；

S303：以整个点数据集中的最低点高程值与最高点高程值为范围进行等分，计算平面栅格矩阵S₁[X,Y]中每个数据对应等分范围的编号并将所属编号作为每个数据灰度值，按照计算后的平面栅格矩阵S₁[X,Y]生成灰度图M₁；

S304：通过对灰度图M₁进行图像识别分割单体区域，并对每个分割区域进行单体编号，对所提取单体分割图像进行边界轮廓的识别，得到轮廓后向外扩A个像素点，以便所得轮廓能充分包含单体内的点；

S305：将分割后的单体轮廓逆向还原为平面区域范围，遍历点数据集中每一个点，判断该点是否在该平面区域范围内，是则计入单体数据集，否则遍历下一个点，直至完成单体点数据集的分割；针对三角面数据集中每个三角面，判断三角面中任意一点是否在该平面区域范围内，是在则计入单体数据集，否则遍历下一个三角面，直至完成单体三角面数据集的分割。

3.根据权利要求2所述的一种基于无人机倾斜摄影模型的光伏BIM屋顶自动建模方法，其特征在于，所述步骤S4的具体方法为：

S401：输入单体的屋面标高H，并以图像栅格尺寸Gp、灰度精度Gs和灰度起算标高h₀作为控制参数；

S402：计算单体的灰度图像尺寸[m，n]，其中，m为x轴方向对应的图像尺寸数量，n为y轴方向对应的图像尺寸数量，m＝(X_max-X_min)/Gp，n＝(Y_max-Y_min)/Gp，m与n的计算结果均上取整；X_max为建筑单体点集中x坐标最大值，X_min为建筑单体点集中x坐标最小值，Y_max为建筑单体点集中y坐标最大值，Y_min为该建筑单体点集y坐标最小值；

S403：创建一个的平面栅格S₂[m，n]，平面栅格S₂[m，n]为以(X_min，Y_min)为起点，边长等于Gp的正方形栅格，平面栅格S₂[m，n]在x坐标正轴方向排列有m个栅格，在y坐标正轴方向排列有n个栅格；

S404：选取建筑单体的一个三角面，将所述三角面的三个顶点P₁、P₂和P₃投影至二维平面，三个顶点围成的区域对应平面栅格S₂[m，n]的栅格区域为所述三角面的栅格投影范围；判断栅格区域是否属于所述三角面的栅格投影范围的依据是：若平面栅格S₂[m，n]的栅格中存在三个顶点围成的区域，则将该栅格纳入三角面的栅格投影范围；

S405：遍历步骤S404获得的栅格投影范围中的每个栅格，计算每个栅格的中心坐标所对应在该三角面的标高z，每个栅格的灰度值g＝(z-h₀)/Gs，计算结果向下取整；

S406：重复步骤S404和S405直至所有的三角面均投影生成灰度图像M₂[m，n]，若相邻两个三角面的栅格投影范围存在重复时，取高灰度值。

4.根据权利要求3所述的一种基于无人机倾斜摄影模型的光伏BIM屋顶自动建模方法，其特征在于，所述步骤S6的具体方法为：

S601：采用基本二值化算法对除噪后的单体灰度图像进行处理，得到屋面板范围的黑色图片；

S602：通过Canny算法拾取二值化后的图像边界；

S603：通过Harris角点检测算法识别图像边界角点，并按照顺序存储角点像素的位置JD_i(m_i，n_i)；其中，m_i为第i个角点像素的行数，n_i为第i个角点像素的列数；

S604：将每个角点的像素位置还原为平面点坐标，得到屋面板边界轮廓点集SideP，具体的计算公式为：x_i＝X_min+(m_i+0.5)*Gp，y_i＝Y_min+(n_i+0.5)*Gp；其中，x_i为第i个角点的在x轴方向上的坐标，y_i为第i个角点在y轴方向上的坐标；

S605：根据边界轮廓点集SideP和屋面标高H，生成屋面板BIM模型。

5.根据权利要求4所述的一种基于无人机倾斜摄影模型的光伏BIM屋顶自动建模方法，其特征在于，所述步骤S7的具体方法为：

S701：通过计算对原屋面板灰度图像中逐个像素进行线形变换，完成灰度过滤；具体计算公式为：s(a,b)＝c+kr(a,b)，其中，a、b表示灰度图像像素的行列数，c和k均为常数，s(a,b)为线形变换后的灰度图像矩阵，r(a,b)为原始灰度图像矩阵；

S702：计算线形变换后灰度图像的直方图，以所述直方图中的波峰数量作为到灰度值的分类数量，将线形变换后灰度图像采用K-means算法进行分类与分割，得到分类分割后的图像聚类；

S703：对S702中每个图像聚类执行步骤S601～S603，得到各个分类的边界轮廓点集GSideP；

S704：根据屋顶构筑物边界轮廓点集GSideP、拉伸起点高度和拉伸终点高度生成屋顶构筑物BIM模型，所述拉伸起点高度为屋面标高H，所述拉伸终点高度为每个图像聚类对应的平均灰度值反算的高程值。

Images