CN116167668B - 基于bim的绿色节能建筑施工质量评价方法及系统 - Google Patents

基于bim的绿色节能建筑施工质量评价方法及系统 Download PDF

Info

Publication number
CN116167668B
CN116167668B CN202310456577.2A CN202310456577A CN116167668B CN 116167668 B CN116167668 B CN 116167668B CN 202310456577 A CN202310456577 A CN 202310456577A CN 116167668 B CN116167668 B CN 116167668B
Authority
CN
China
Prior art keywords
point cloud
cloud data
degree
difference
original
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
Application number
CN202310456577.2A
Other languages
English (en)
Other versions
CN116167668A (zh
Inventor
于涛
王炳营
于鹏
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.)
Shandong Jinzhizun Decoration Engineering Co ltd
Original Assignee
Shandong Jinzhizun Decoration Engineering 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 Shandong Jinzhizun Decoration Engineering Co ltd filed Critical Shandong Jinzhizun Decoration Engineering Co ltd
Priority to CN202310456577.2A priority Critical patent/CN116167668B/zh
Publication of CN116167668A publication Critical patent/CN116167668A/zh
Application granted granted Critical
Publication of CN116167668B publication Critical patent/CN116167668B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及基于BIM的绿色节能建筑施工质量评价方法及系统，包括：对获取的点云数据进行聚类划分处理，并进行点云数据扩增，根据划分区域的点云数据分布特征获取干扰程度，结合原始点云数据和扩增点云数据的差异来获取差异程度，通过交叉划分区域中点云数据的走势程度以及差异程度获取基于连通性的局部离群因子，进而得到点云数据的路径距离修正系数，得到更加准确的局部离群因子。本发明使得COF算法检测得到的异常点云更加准确，进而建得到的BIM模型更能表征绿色节能建筑的结构，即可根据BIM模型对绿色节能建筑施工质量进行精准的施工质量评价。

Description

基于BIM的绿色节能建筑施工质量评价方法及系统
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于BIM的绿色节能建筑施工质量评价方法及系统。
背景技术
绿色节能建筑是一个健康、可持续、高效和环保的建筑，通过运用可再生能源、减少化石能源消耗等一些手段来降低建筑能耗和环境污染，进而产生巨大的环境、经济和社会效益。而在绿色节能建筑施工过程中，例如绿色节能建筑的装修过程中，需要根据建筑的BIM模型来精细施工来实现对建筑的数据化管理，并且专业工程师可以根据BIM模型来建立绿色节能建筑施工质量评价模型来分析施工质量，因此BIM模型的构建的准确影响着绿色节能建筑施工质量的评价模型的构建。激光雷达技术可以快速准确地采集环境和结构的三维数据，通过在建筑物内外进行扫描测量，获取建筑物的形状结构等细节特征，例如墙体边界、梁柱、门窗等，特别是绿色节能建筑中的可再生能源系统、排水管道系统等细节特征，并且还可以与其他数据源结合，进而获取建筑物的真实状态，因此现如今在构建BIM模型的过程中往往使用激光雷达探测的点云数据进行处理。
然而由于绿色节能建筑内部结构的复杂性特征以及激光雷达设备的精度问题，会造成点云数据出现精度问题，进而影响BIM模型的构建。由于表征绿色节能建筑的结构特征的点云数据往往呈现线性分布，因此传统的绿色节能建筑的异常点云数据确定过程中，往往采用局部离群因子算法的改进的算法基于连通性的局部离群因子算法（COF）来进行检测，而由于所获取的点云数据中会在内部复杂管道系统中出现交叉重叠的点云部分，因此若仅根据每个点云数据的局部平均连接距离来确定异常程度时，会将原本不属于当前管道的点云数据的其他管道的点云数据计算得到错误的点云数据的异常程度，因此需要对每个点云数据的局部范围内的路径距离进行自适应修正，使得获取的点云数据的局部平均连接距离获取的更加准确，进而得到准确的异常程度值，精准识别出异常点云数据，使得构建得到的BIM模型更能表征绿色节能建筑的结构，即可根据BIM模型对绿色节能建筑施工质量进行施工质量评价。
发明内容
本发明提供基于BIM的绿色节能建筑施工质量评价方法及系统，以解决现有的问题。
本发明的基于BIM的绿色节能建筑施工质量评价方法及系统采用如下技术方案：
本发明提供了基于BIM的绿色节能建筑施工质量评价方法，该方法包括以下步骤：
获取建筑施工环境的点云数据，记为原始点云数据，原始点云数据中每一个点云数据对应一个回波强度，对原始点云数据进行聚类划分，将获得的每一个聚簇作为一个划分区域，获得若干个划分区域；
获取以任意点云数据为球心，在预设范围半径的球形范围内的点云密度，获取划分区域中点云密度的方差，将点云密度的最大和最小值差异记为干扰程度因子，根据干扰程度因子对点云密度的方差的乘积校正结果获得干扰程度；
对划分区域的点云数据进行多次平面拟合，获得若干个点云平面，获取点云平面所包含点云数据的数量，将点云数据的数量差异与点云数据的数量之间的比例关系记为走势程度因子，根据点云平面法向量的余弦相似度对走势程度因子的乘积校正结果获得走势程度；
对原始点云数据进行扩增获得扩增点云数据，获取划分区域的SVD特征值以及特征向量，根据原始点云数据和扩增点云数据中，同一划分区域的最大特征值的差异大小获得混淆程度；将所有划分区域的最大特征值对应特征向量去除，将特征向量去除进行SVD重构获得重构后的原始点云数据和扩增点云数据中，预设范围半径内的点云密度的差异记为差异程度因子，利用干扰程度和混淆程度对差异程度因子进行乘积校正，获得差异程度；
将走势程度大于预设的走势程度阈值的划分区域记为交叉划分区域，根据差异程度对走势程度进行乘积校正获得距离修正系数；
根据距离修正系数对COF算法获取的局部离群因子值进行乘积修正，根据获得的修正后的局部离群因子值的大小，获取异常点云数据；将异常点云数据去除，实现对点云数据的优化。
进一步的，所述划分区域，获取方法如下：
对原始点云数据进行DBSCAN聚类，根据经验预设DBSCAN聚类的半径参数和最小点数量参数，获得若干个聚簇，将一个聚簇作为一个划分区域，将采集的原始点云数据分为多个划分区域。
进一步的，所述干扰程度，获取方法如下：
获取原始点云数据的各个区域中任意点云数据，在预设范围半径的球形范围内的点云密度，作为对应点云数据的点云密度；
则原始点云数据的所有划分区域中，第
Figure SMS_1
个划分区域的干扰程度
Figure SMS_2
的获取方法为：
Figure SMS_3
其中，
Figure SMS_6
表示第
Figure SMS_10
个划分区域内第
Figure SMS_13
个点云数据的点云密度；
Figure SMS_4
表示第
Figure SMS_8
个划 分区域内的所有点云数据对应的点云密度的方差；
Figure SMS_11
表示第
Figure SMS_14
个划分区域的所有点云数据 的回波强度；
Figure SMS_5
表示获取最大值；
Figure SMS_9
表示获取最小值；干扰程度因子
Figure SMS_12
表示第
Figure SMS_15
个划分区域中点云数据的回波强度的最值差异；
Figure SMS_7
表示以自 然常数为底的指数函数。
进一步的，所述走势程度，获取方法如下：
在所有划分区域中，人为预设RANSAC算法中距离阈值参数，利用RANSAC算法对划分区域中的点云数据进行多次平面拟合，平面拟合的次数也是人为预设，获得若干个点云平面，并获取每个点云平面的法向量的方向和每个点云平面点云数据的数量；另外对所有点云平面进行两两组合，获取到若干种组合方式；
第c个划分区域内的走势程度
Figure SMS_16
的获取方法为：
Figure SMS_17
其中，
Figure SMS_30
表示第
Figure SMS_19
个划分区域中的所有点云平面两两组合的组合方式的数量；
Figure SMS_26
和
Figure SMS_21
分别表示第
Figure SMS_22
个划分区域中第
Figure SMS_24
个点云平面组合中的第一个点云平面中的点云数据的 数量，和第二个点云平面中的点云数据的数量；
Figure SMS_28
表示第
Figure SMS_27
个划分区域中点云数据的数量；
Figure SMS_31
和
Figure SMS_18
分别表示第
Figure SMS_23
个划分区域中第
Figure SMS_25
个点云平面组合中的第一个点云平面法向量的方 向，和第二个点云平面法向量的方向；
Figure SMS_29
表示走势程度因子；
Figure SMS_32
表示第
Figure SMS_33
个划分区域中第
Figure SMS_20
个点云平面组合中第一个点云平面和第二个点云平面之间的法向量方向 的余弦相似度。
进一步的，所述差异程度，获取方法如下：
将划分区域的走势程度大于预设走势程度阈值的区域记为交叉划分区域；
根据经验预设增采样的搜索邻域步长、采样半径以及采样步长，通过增采样对原始点云数据进行扩增，将扩增后的点云数据记为扩增点云数据，对原始点云数据和扩增点云数据中各个划分区域进行SVD分解，获得各个划分区域对应的特征值以及特征向量，每一个划分区域都存在多个特征值和特征向量，利用线性归一化将所有划分区域的特征值进行归一化处理，获得归一化特征值；
在同一个点云数据所在的原始点云数据和扩增点云数据的同一个划分区域中，对 应划分区域的最大归一化特征值之间的差值大于0时，则将对应的混淆程度设置为1；若在 同一个点云数据所在的原始点云数据和扩增点云数据同一个划分区域中，对应划分区域的 最大归一化特征值之间的差值小于0，则将混淆程度设置为
Figure SMS_34
，其中
Figure SMS_35
为两个最大归 一化特征值的差值的绝对值；将混淆程度作为原始点云数据中划分区域中的点云数据的混 淆程度；
在所有划分区域的特征值中，获取原始点云数据以及对应的扩增点云数据的各个划分区域的最大特征值，将最大特征值对应的特征向量进行去除，并进行SVD重构，得到SVD重构后的特征向量，根据SVD重构后的特征向量还原点云数据，获得重构后的原始点云数据和重构后的扩增点云数据，获取重构后的原始点云数据和重构后的扩增点云数据中各个点云数据在预设范围半径内的点云密度；
则原始点云数据中任意划分区域的第
Figure SMS_36
个点云数据的差异程度
Figure SMS_37
的获取方法为：
Figure SMS_38
其中，
Figure SMS_39
和
Figure SMS_43
分别表示构成交叉划分区域中两个划分区域分别对应的干扰程度；
Figure SMS_46
表示原始点云数据中目标划分区域的第
Figure SMS_40
个点云数据的混淆程度；
Figure SMS_42
表示交叉划分 区域在重构后的原始点云数据
Figure SMS_45
中第
Figure SMS_48
个点云数据所在的预设范围半径内的点云密度；
Figure SMS_41
表示交叉划分区域在重构后的原始点云数据中第
Figure SMS_44
个点云数据，在重构后的扩增点 云数据
Figure SMS_47
中对应的点云数据所在的预设范围半径内的点云密度；
将不处于交叉划分区域的点云数据的差异程度设置为1。
进一步的，所述根据距离修正系数对COF算法获取的局部离群因子值进行乘积修正，具体包括的步骤如下：
获取第
Figure SMS_49
个划分区域中第
Figure SMS_50
个点云数据的距离修正系数
Figure SMS_51
：
Figure SMS_52
其中，
Figure SMS_53
表示第
Figure SMS_54
个划分区域的走势程度；
Figure SMS_55
表示第
Figure SMS_56
个划分区域的第
Figure SMS_57
个点云数 据的差异程度；
人为预设距离邻域范围，获取任意点云数据的第
Figure SMS_58
距离邻域范围内的点云数据之 间的欧式距离，根据两个点云数据的距离修正系数
Figure SMS_59
的和值作为最终距离修正系数，将最 终距离修正系数乘以两个点云数据之间的欧式距离，得到最终欧式距离，根据最终欧式距 离结合COF算法得到修正后的每个点云数据基于连通性的局部离群因子值，实现根据距离 修正系数对COF算法获取的局部离群因子值进行乘积修正。
进一步的，所述异常点云数据，获取方法如下：
根据获取的点云数据的基于连通性的局部离群因子值，进行异常点云数据的筛选，将基于连通性的局部离群因子值大于1的点云数据，记为异常点云数据。
本发明另外还提供了一种基于BIM的绿色节能建筑施工质量评价系统，包括以下模块：
点云数据采集模块：采集建筑结构的所有区域及结构的点云数据，将获取的点云数据记为原始点云数据；
干扰程度分析模块：对原始点云数据进行聚类，根据聚类结果对原始点云数据进行区域划分获得若干个划分区域，根据划分区域内点云数据的回波强度的差异和方差获得对应区域的干扰强度；
修正系数分析模块：对原始点云数据的各个划分区域进行多次平面拟合，获得若干个点云平面，获取任意两个点云平面法向量方向的余弦相似度，将点云平面所包含的点云数据的数量，与划分区域所的点云数据数量的比例关系记为走势程度因子，根据余弦相似度和走势程度因子获得走势程度；对原始点云数据进行扩增，获得扩增后的点云数据记为扩增点云数据，对原始点云数据和扩增点云数据进行SVD分解获取对应的特征值和特征向量，根据划分区域的干扰程度、特征值的差值以及划分区域的点云密度获得差异程度，根据差异程度和走势程度的乘积调节结果获得距离修正系数；
异常点云获取模块：利用距离修正系数对点云数据之间的欧式距离进行修正，进而利用COF算法获得每个点云数据中基于连通性的局部离群因子值，根据局部离群因子值的大小判断是否为异常点云数据，获取所有异常点云数据；
BIM模型构建模块：将异常点云数据去除，将异常点云去除优化后的点云数据，输入到BIM建模软件中，实现点云数据的BIM模型构建，通过专业建模工程师对点云数据和建立的BIM模型，进行模型细节调整，形成最终的绿色节能建筑的BIM模型。
本发明的技术方案的有益效果是：本实施例中根据激光雷达获取建筑内部结构的点云数据，并对点云数据进行聚类处理获取各个区域，并根据各个区域的点云数据的分布特征获取各个区域的干扰程度。通过综合比较相交重叠区域中点云数据的走势程度以及每个点云的差异程度进行自适应获取基于连通性的局部离群因子。其中在获取相交重叠区域中的点云数据的走势程度以及差异程度的过程中，通过走势程度来表征点云数据的线性分布特征，并结合原始点云数据和扩增之后的差异来获取差异程度，进而得到点云数据的路径距离修正系数，使得计算得到的基于连通性的局部离群因子更加准确，避免了传统的COF算法对异常点云筛选过程中，由于点云数据之间的重叠分布获取错误的结果，使得COF算法检测得到的异常点云更加准确，进而建得到的BIM模型更能表征绿色节能建筑的结构，即可根据BIM模型对绿色节能建筑施工质量进行精准的施工质量评价。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，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他的附图。
图1为本发明基于BIM的绿色节能建筑施工质量评价系统的模块流程图；
图2为本发明基于BIM的绿色节能建筑施工质量评价方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于BIM的绿色节能建筑施工质量评价方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于BIM的绿色节能建筑施工质量评价方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于BIM的绿色节能建筑施工质量评价系统的模块流程图，该系统包括以下模块：
点云数据采集模块：采集建筑结构的所有区域及结构的点云数据，将获取的点云数据记为原始点云数据。
干扰程度分析模块：对原始点云数据进行聚类，根据聚类结果对原始点云数据进行区域划分获得若干个划分区域，根据划分区域内点云数据的回波强度的差异和方差获得对应区域的干扰强度。
修正系数分析模块：对原始点云数据的各个划分区域进行多次平面拟合，获得若干个点云平面，获取任意两个点云平面法向量方向的余弦相似度，将点云平面所包含的点云数据的数量，与划分区域所的点云数据数量的比例关系记为走势程度因子，根据余弦相似度和走势程度因子获得走势程度；对原始点云数据进行扩增，获得扩增后的点云数据记为扩增点云数据，对原始点云数据和扩增点云数据进行SVD分解获取对应的特征值和特征向量，根据划分区域的干扰程度、特征值的差值以及划分区域的点云密度获得差异程度，根据差异程度和走势程度的乘积调节结果获得距离修正系数。
异常点云获取模块：利用距离修正系数对点云数据之间的欧式距离进行修正，进而利用COF算法获得每个点云数据中基于连通性的局部离群因子值，根据局部离群因子值的大小判断是否为异常点云数据，获取所有异常点云数据。
BIM模型构建模块：将异常点云数据去除，将异常点云去除优化后的点云数据，输入到BIM建模软件中，实现点云数据的BIM模型构建，通过专业建模工程师对点云数据和建立的BIM模型，进行模型细节调整，形成最终的绿色节能建筑的BIM模型。
进一步的，请参阅图2，干扰程度分析模块、修正系数分析模块、异常点云获取模块以及BIM模型构建模块具体包括以下步骤：
步骤S001，利用聚类算法对获取的原始点云数据进行聚类，根据聚类结果进行区域划分，并计算不同区域的干扰程度。
根据获取的原始点云数据，由于其绿色节能建筑物结构内部相较于传统的建筑物的内部结构更加复杂，包含有较多的可再生能源系统、排水管道系统部分，因此对于采集的原始点云数据中会存在较多的重叠部分。因此在进行基于连通性的局部离群检测过程中，若仅根据每个原始点云数据的局部平均连接距离来确定异常程度时，会将原本不属于当前管道的原始点云数据的其他管道的原始点云数据计算得到错误的原始点云数据的异常程度，因此对于重叠区域的原始点云数据的局部范围内的路径距离进行自适应修正，使得获取的原始点云数据的基于连通性的局部离群因子获取的更加准确。
另外，由于采集的原始点云数据中对应有多种实际建筑区域，例如墙体区域、管道区域、门窗区域等等，不同实际建筑区域之间存在不同的空间分布特征，即对应的不同实际建筑区域的位置不同，会存在较大的差异，而不同实际建筑区域在原始点云数据中对应的区域受到的噪声程度不同，因此本实施例对所有的原始点云数据进行聚类，根据聚类结果将不同区域进行划分，获得若干个划分区域，并根据不同划分区域所表征的内容不同来计算划分区域内的可能的干扰程度。
需要说明的是，原始点云数据中每一个点云数据都对应一个回波强度；
对所有采集的原始点云数据进行区域划分：对原始点云数据进行DBSCAN聚类，根据经验设置DBSCAN聚类的半径参数大小为5，最小点数量为8，其中DBSCAN聚类方法为公知技术，在本实施例中不再赘述；获得若干个聚簇，并将一个聚簇作为一个划分区域，将采集的原始点云数据分为多个划分区域。由于不同划分区域所表征的内容不同，并且聚类结果仅是根据原始点云数据之间的欧式距离进行度量，因此同一个划分区域内可能存在多种不同内容，其中本实施例所述的不同内容表现的为不同物体，例如同一个划分区域内可能同时存在门和窗户，同一个划分区域内可能同时存在多种不同的管道重叠，若对于同一个划分区域内若不同内容之间的差异越大，则对应的该划分区域内的不同内容之间的点云差异更加明显，则对应的该划分区域中干扰程度越小。
预设范围半径为
Figure SMS_60
，
Figure SMS_61
表示第
Figure SMS_62
个聚簇的聚簇中心距离聚簇中最远的点云之间的 欧式距离，
Figure SMS_63
表示取整函数，8为超参数值，该超参数值可根据实施者具体实施情况而定，本 实施例给出的为经验参考值，以原始点云数据中的点云数据为球心，获取原始点云数据的 各个区域中任意点云数据，在预设范围半径的球形范围内的点云密度，作为对应点云数据 的点云密度，记为
Figure SMS_64
，表示；
则原始点云数据的所有划分区域中，第
Figure SMS_65
个划分区域的干扰程度
Figure SMS_66
的获取方法为：
Figure SMS_67
其中，
Figure SMS_70
表示第
Figure SMS_72
个划分区域内第
Figure SMS_75
个点云数据的点云密度；
Figure SMS_69
表示第
Figure SMS_74
个划 分区域内的所有点云数据对应的点云密度的方差；
Figure SMS_77
表示第
Figure SMS_79
个划分区域的所有点云数据 的回波强度；
Figure SMS_71
表示获取最大值；
Figure SMS_73
表示获取最小值；干扰程度因子
Figure SMS_76
表示第
Figure SMS_78
个划分区域中点云数据的回波强度的最值差异；
Figure SMS_68
表示以自 然常数为底的指数函数。
其中，
Figure SMS_80
表示第
Figure SMS_81
个划分区域所有点云数据对应的点云密度的方差，即为划分 区域中的不同内容由于其本身的反射率和形状等的不同，进而会造成不同内容的点云密度 不同，若划分区域内的点云密度方差越大，则表明该划分区域中的不同内容之间的点云差 异较为明显，则对应的该划分区域的干扰程度较低；
Figure SMS_82
表示第c个划分区域中回 波强度的变化，作为点云密度方差变化的参考权重值，即划分区域中若回波强度的差异较 小，则表明该划分区域中的不同内容的点云的表征信息程度差异较小，则对应的点云密度 方差变化的信息参考性程度较小。
至此，对采集点云数据进行区域的划分，并计算不同划分区域的干扰程度。
步骤S002，对原始点云数据进行多次平面拟合，将多次平面拟合结果进行两两组合，根据组合结果以及平面所包含点云数据的数量获得走势程度，另外对原始点云数据进行扩增，根据扩增前后的SVD特征值的差异获和点云密度差异获得差异程度。
由于绿色节能建筑物结构内部相较于传统的建筑物的内部结构更加复杂，包含有较多的可再生能源系统、排水管道系统部分，因此原始点云数据往往呈现为线性分布特征，记为走势程度，根据走势程度来获取原始点云数据中的点云数据的距离修正系数，来调整COF算法获取的点云数据的局部范围内的欧式距离，但是由于管道之间会存在许多交叉重叠的区域，会使得走势程度计算不准确，因此需要获取划分区域内点云数据的自适应距离修正系数。
对原始点云数据中第
Figure SMS_83
个划分区域进行分析，获取该划分区域的走势程度：在划分 区域中利用RANSAC算法对划分区域中的点云数据进行多次平面拟合，其中，设置RANSAC算 法中距离阈值参数为5，平面拟合的次数M可根据实施者具体实施情况而定，本实施例给出 经验参考值
Figure SMS_84
，获得M个点云平面，并获取每个点云平面的法向量的方向
Figure SMS_85
和每个点云 平面中的点云数据的数量n；另外对所有点云平面进行两两组合，获取到共L种组合方式，其 中
Figure SMS_86
，符号
Figure SMS_87
表示阶乘符号；
则第c个划分区域内的走势程度
Figure SMS_88
的获取方法为：
Figure SMS_89
其中，
Figure SMS_98
表示第
Figure SMS_90
个划分区域中的所有点云平面两两组合的组合方式的数量；
Figure SMS_94
和
Figure SMS_93
分别表示第
Figure SMS_96
个划分区域中第
Figure SMS_97
个点云平面组合中的第一个点云平面中的点云数据的 数量，和第二个点云平面中的点云数据的数量；
Figure SMS_101
表示第
Figure SMS_99
个划分区域中点云数据的数量；
Figure SMS_103
和
Figure SMS_92
分别表示第
Figure SMS_95
个划分区域中第
Figure SMS_100
个点云平面组合中的第一个点云平面法向量的方 向，和第二个点云平面法向量的方向；
Figure SMS_104
表示走势程度因子；
Figure SMS_102
表示第
Figure SMS_105
个划分区域中第
Figure SMS_91
个点云平面组合中第一个点云平面和第二个点云平面之间的法向量方向 的余弦相似度。
其中，对于划分区域的走势程度来说，通过在划分区域中多次进行点云平面的拟合，若该划分区域中的点云数据的分布所呈现的走势程度较大，即对应呈现的分布特征越规律，则对应的多次拟合的点云平面中各个点云平面之间的差异较小，其中各个点云平面之间的法向量的余弦相似度较大；其中，在比较组合的两个点云平面之间的法向量的余弦相似度来说，由于两个点云平面之间构成的点云数据的数量不同，因此若两个点云平面中构成的点云数据的数量差异较大，则表明对应的两个点云平面的参考性较小，则对应的两个点云平面的组合中的法向量的余弦相似度的参考性较小。
其中，由于建筑中的管道之间会存在较多的交叉重叠的区域，因此交叉重叠的区 域在对应划分区域的走势程度会出现较大的偏差，即交叉重叠的区域不确定呈现哪个划分 区域的线性分布特征，因此得到的划分区域会由于交叉重叠的区域造成两个原本不在同一 个划分区域的点云数据变成了同一个划分区域，将发生交叉重叠的区域记为交叉划分区 域，本实施例预设走势程度阈值
Figure SMS_106
，将划分区域的走势程度大于预设走势程度阈值 的区域记为交叉划分区域，走势程度阈值可根据实施者具体实施情况而定，本实施例给出 的为经验参考值。
本实施例通过不同尺度下划分区域的点云数据的变化进行分析，根据交叉划分区域中点云数据在变化前和变化后获得混淆程度，进而获取可以自适应的距离修正系数，本实施例中通过增采样对原始点云数据进行扩增，将扩增后的点云数据记为扩增点云数据，在扩增过程中原始点云数据的划分区域的位置不变，则扩增点云数据中的划分区域与原始点云数据的同一位置的划分区域相互对应；其中，根据经验将增采样的搜索邻域步长设置为3，采样半径为3，采样步长为2，需要说明的是，增采样为公知技术，在本实施例中不再赘述。
记原始点云数据为
Figure SMS_107
，其对应的扩增点云数据为
Figure SMS_108
，对原始点云数据和扩增点云 数据中各个划分区域进行SVD分解，获得各个划分区域对应的特征值以及特征向量，每一个 划分区域都存在多个特征值和特征向量，利用线性归一化将所有划分区域的特征值进行归 一化处理，获得归一化特征值，根据原始点云数据
Figure SMS_109
和扩增点云数据为
Figure SMS_110
之间同一个划分 区域的最大的归一化特征值之间的差值，获得混淆程度
Figure SMS_111
；
混淆程度的具体获取方法为：在同一个点云数据所在的原始点云数据
Figure SMS_112
和扩增点 云数据
Figure SMS_113
的同一个划分区域中，对应划分区域的最大归一化特征值之间的差值大于0时，则 表明特征值变小，则将对应的混淆程度设置为1；若在同一个点云数据所在的原始点云数据
Figure SMS_114
和扩增点云数据
Figure SMS_115
同一个划分区域中，对应划分区域的最大归一化特征值之间的差值小 于0，则将混淆程度设置为
Figure SMS_116
，其中
Figure SMS_117
为两个最大归一化特征值的差值的绝对值；将混 淆程度作为原始点云数据中划分区域中的点云数据的混淆程度。
根据归一化特征值的大小的变化来获得点云数据的混淆程度，其中原点云数据的特征值与扩增后的点云数据的特征值变大，则表明扩增点云数据后增加了原始点云数据的信息量，则对应的扩增点云数据中的数据信息更混乱，即对应的增大的越多扩增点云数据的混淆程度越大。
另外，在所有划分区域的特征值中，获取原始点云数据以及对应的扩增点云数据 的各个划分区域的最大特征值，将最大特征值对应的特征向量进行去除，并进行SVD重构， 得到SVD重构后的特征向量，根据SVD重构后的特征向量还原点云数据，获得重构后的原始 点云数据
Figure SMS_118
和重构后的扩增点云数据
Figure SMS_119
，SVD重构为公知技术，不过多赘述，获取重构后的原 始点云数据
Figure SMS_120
和重构后的扩增点云数据
Figure SMS_121
中各个点云数据在预设范围半径内的点云密度
Figure SMS_122
；
需要说明的是，本实施例认为特征值最大的包含有需要扩增的点云信息，则对应的为混淆的信息，因此将最大特征值对应的特征向量去除后并重构获得的点云数据的差异来表示当前划分区域内的点云数据的差异程度。
则原始点云数据中任意划分区域的第
Figure SMS_123
个点云数据的差异程度
Figure SMS_124
的获取方法为：
Figure SMS_125
其中，
Figure SMS_127
和
Figure SMS_130
分别表示构成交叉划分区域中两个划分区域分别对应的干扰程度；
Figure SMS_133
表示原始点云数据中目标划分区域的第
Figure SMS_128
个点云数据的混淆程度；
Figure SMS_129
表示交叉划分 区域在重构后的原始点云数据
Figure SMS_132
中第
Figure SMS_135
个点云数据所在的预设范围半径内的点云密度；
Figure SMS_126
表示交叉划分区域在重构后的原始点云数据中第
Figure SMS_131
个点云数据，在重构后的扩增点 云数据
Figure SMS_134
中对应的点云数据所在的预设范围半径内的点云密度；
需要说明的是，将不处于交叉划分区域的点云数据的差异程度设置为1；获取所有划分区域中的点云数据的差异程度；
至此，获得所有点云数据的差异程度。
步骤S003，根据走势程度和差异程度获得点云数据的距离修正系数，并利用距离修正系数对点云数据之间的欧式距离进行调节修正，根据调节修正后的欧式距离结合COF算法获得每个点云数据的局部离群因子值；
获取第
Figure SMS_136
个划分区域中第
Figure SMS_137
个点云数据的距离修正系数
Figure SMS_138
：
Figure SMS_139
其中，
Figure SMS_140
表示第
Figure SMS_141
个划分区域的走势程度；
Figure SMS_142
表示第
Figure SMS_143
个划分区域的第
Figure SMS_144
个点云数 据的差异程度；
若点云数据不在交叉划分区域内，则对应的所在划分区域的走势程度越大，表明该点云数据越呈现线性分布，则对应需要得到的距离修正系数越小；
若点云数据在交叉划分区域内，则形成交叉划分区域对应的划分区域的走势程度差异越大，表明该点云数据所处的两个划分区域走势程度差异明显，则对应的划分区域的线性特征较好区分，那么对应的距离修正系数越接近于1，若差异越小，则表明该点云数据所处的两个划分区域走势程度差异较小，则对应划分区域均呈现相似的线性特征，则对应的距离修正系数较大。
获取所有划分区域中的点云数据的距离修正系数；
至此，获取每个划分区域的走势程度，并计算局部范围内点云数据的混淆程度，综合获取划分区域中每个点云数据的差异程度，自适应获取距离修正系数。
步骤S004，根据每个点云数据的局部离群因子值的大小获取异常点云数据，将异常点云数据去除实现对原始点云数据的优化，并利用去除后的点云数据构建BIM模型。
根据上述步骤计算得到的划分区域中每个点云数据的距离修正系数
Figure SMS_145
，在进行 点云数据的COF算法过程中，在计算当前点云数据的基于连通性的局部离群因子的过程中， 会获取任意点云数据的第
Figure SMS_146
距离邻域范围内的点云数据之间的欧式距离，需要根据两个点 云数据之间的距离修正系数
Figure SMS_147
的和值作为最终距离修正系数，将最终距离修正系数乘以 两个点云数据之间的欧式距离，得到最终欧式距离，进而根据最终欧式距离结合COF算法得 到修正后的每个点云数据基于连通性的局部离群因子值；
其中COF算法为公知技术，在本实施例中不再赘述，其中COF算法的距离邻域范围
Figure SMS_148
值设置为8，可根据实施者具体实施情况而定。
根据获取的点云数据的基于连通性的局部离群因子值，进行异常点云数据的筛选，即对应的若点云数据的基于连通性的局部离群因子值大于1，则表明该点云数据为异常点云数据。
至此，根据自适应获取的点云数据的距离修正系数，进行自适应COF计算，获取异常点云数据；
根据上述步骤将异常点云数据进行去除，获取得到去除后的点云数据。将去除异常点云的点云数据输入至BIM建模软件中，根据建筑的实际情况设置材料属性、纹理等，从而形成三维建筑模型进行BIM模型的构建，并通过专业的建模工程师对点云数据和建立的BIM模型之间存在差异的情况，进行模型细节调整，使其更为精确，形成最终的绿色节能建筑的BIM模型。
在建筑施工流程中，可根据绿色节能建筑的BIM模型，对确定施工节点进行数字可视化指导，比如在施工起始阶段，根据地基部分在BIM模型中情况指导应先将地基工程做好；在安装水、电、气等管线过程中，指导确保每一道管线的排线合理性，并根据建筑项目的设计标准、规范等要求，确定对施工质量的检验标准。
需要说明的是，本实施例中所用的exp(-x)模型仅用于表示负相关关系和约束模 型输出的结果处于
Figure SMS_149
区间内，具体实施时可替换成具有同样目的的其他模型，本实施例 只是以exp(-x)模型为例进行叙述，不做具体限定，其中x是指该模型的输入。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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.基于BIM的绿色节能建筑施工质量评价方法，其特征在于，该方法包括以下步骤：
获取建筑施工环境的点云数据，记为原始点云数据，原始点云数据中每一个点云数据对应一个回波强度，对原始点云数据进行聚类划分，将获得的每一个聚簇作为一个划分区域，获得若干个划分区域；
获取以任意点云数据为球心，在预设范围半径的球形范围内的点云密度，获取划分区域中点云密度的方差，将点云密度的最大和最小值差异记为干扰程度因子，根据干扰程度因子对点云密度的方差的乘积校正结果获得干扰程度；
对划分区域的点云数据进行多次平面拟合，获得若干个点云平面，获取点云平面所包含点云数据的数量，将点云数据的数量差异与点云数据的数量之间的比例关系记为走势程度因子，根据点云平面法向量的余弦相似度对走势程度因子的乘积校正结果获得走势程度；
对原始点云数据进行扩增获得扩增点云数据，获取划分区域的SVD特征值以及特征向量，根据原始点云数据和扩增点云数据中，同一划分区域的最大特征值的差异大小获得混淆程度；将所有划分区域的最大特征值对应特征向量去除，将特征向量去除进行SVD重构获得重构后的原始点云数据和扩增点云数据中，预设范围半径内的点云密度的差异记为差异程度因子，利用干扰程度和混淆程度对差异程度因子进行乘积校正，获得差异程度；
将走势程度大于预设的走势程度阈值的划分区域记为交叉划分区域，根据差异程度对走势程度进行乘积校正获得距离修正系数；
根据距离修正系数对COF算法获取的局部离群因子值进行乘积修正，根据获得的修正后的局部离群因子值的大小，获取异常点云数据；将异常点云数据去除，实现对点云数据的优化；
所述预设范围半径小于对应聚簇的聚簇中心距离聚簇中最远的点云之间的欧式距离；
所述干扰程度，获取方法如下：
获取原始点云数据的各个区域中任意点云数据，在预设范围半径的球形范围内的点云密度，作为对应点云数据的点云密度；
则原始点云数据的所有划分区域中，第
Figure QLYQS_1
个划分区域的干扰程度/>
Figure QLYQS_2
的获取方法为：
Figure QLYQS_3
其中，
Figure QLYQS_5
表示第/>
Figure QLYQS_8
个划分区域内第/>
Figure QLYQS_11
个点云数据的点云密度；/>
Figure QLYQS_6
表示第/>
Figure QLYQS_10
个划分区域内的所有点云数据对应的点云密度的方差；/>
Figure QLYQS_13
表示第/>
Figure QLYQS_15
个划分区域的所有点云数据的回波强度；/>
Figure QLYQS_4
表示获取最大值；/>
Figure QLYQS_9
表示获取最小值；干扰程度因子
Figure QLYQS_12
表示第/>
Figure QLYQS_14
个划分区域中点云数据的回波强度的最值差异；/>
Figure QLYQS_7
表示以自然常数为底的指数函数；
点云数据的数量差异为两两组合后的点云平面的点云数据的数量差异；
所述走势程度，获取方法如下：
在所有划分区域中，人为预设RANSAC算法中距离阈值参数，利用RANSAC算法对划分区域中的点云数据进行多次平面拟合，平面拟合的次数也是人为预设，获得若干个点云平面，并获取每个点云平面的法向量的方向和每个点云平面点云数据的数量；另外对所有点云平面进行两两组合，获取到若干种组合方式；
第c个划分区域内的走势程度
Figure QLYQS_16
的获取方法为：
Figure QLYQS_17
其中，
Figure QLYQS_26
表示第/>
Figure QLYQS_21
个划分区域中的所有点云平面两两组合的组合方式的数量；/>
Figure QLYQS_22
和
Figure QLYQS_29
分别表示第/>
Figure QLYQS_32
个划分区域中第/>
Figure QLYQS_30
个点云平面组合中的第一个点云平面中的点云数据的数量，和第二个点云平面中的点云数据的数量；/>
Figure QLYQS_33
表示第/>
Figure QLYQS_24
个划分区域中点云数据的数量；
Figure QLYQS_28
和/>
Figure QLYQS_19
分别表示第/>
Figure QLYQS_25
个划分区域中第/>
Figure QLYQS_18
个点云平面组合中的第一个点云平面法向量的方向，和第二个点云平面法向量的方向；/>
Figure QLYQS_23
表示走势程度因子；/>
Figure QLYQS_27
表示第/>
Figure QLYQS_31
个划分区域中第/>
Figure QLYQS_20
个点云平面组合中第一个点云平面和第二个点云平面之间的法向量方向的余弦相似度；
所述差异程度，获取方法如下：
将划分区域的走势程度大于预设走势程度阈值的区域记为交叉划分区域；
根据经验预设增采样的搜索邻域步长、采样半径以及采样步长，通过增采样对原始点云数据进行扩增，将扩增后的点云数据记为扩增点云数据，对原始点云数据和扩增点云数据中各个划分区域进行SVD分解，获得各个划分区域对应的特征值以及特征向量，每一个划分区域都存在多个特征值和特征向量，利用线性归一化将所有划分区域的特征值进行归一化处理，获得归一化特征值；
在同一个点云数据所在的原始点云数据和扩增点云数据的同一个划分区域中，对应划分区域的最大归一化特征值之间的差值大于0时，则将对应的混淆程度设置为1；若在同一个点云数据所在的原始点云数据和扩增点云数据同一个划分区域中，对应划分区域的最大归一化特征值之间的差值小于0，则将混淆程度设置为
Figure QLYQS_34
，其中/>
Figure QLYQS_35
为两个最大归一化特征值的差值的绝对值；将混淆程度作为原始点云数据中划分区域中的点云数据的混淆程度；
在所有划分区域的特征值中，获取原始点云数据以及对应的扩增点云数据的各个划分区域的最大特征值，将最大特征值对应的特征向量进行去除，并进行SVD重构，得到SVD重构后的特征向量，根据SVD重构后的特征向量还原点云数据，获得重构后的原始点云数据和重构后的扩增点云数据，获取重构后的原始点云数据和重构后的扩增点云数据中各个点云数据在预设范围半径内的点云密度；
则原始点云数据中任意划分区域的第
Figure QLYQS_36
个点云数据的差异程度/>
Figure QLYQS_37
的获取方法为：
Figure QLYQS_38
其中，
Figure QLYQS_39
和/>
Figure QLYQS_44
分别表示构成交叉划分区域中两个划分区域分别对应的干扰程度；/>
Figure QLYQS_47
表示原始点云数据中目标划分区域的第/>
Figure QLYQS_40
个点云数据的混淆程度；/>
Figure QLYQS_43
表示交叉划分区域在重构后的原始点云数据/>
Figure QLYQS_46
中第/>
Figure QLYQS_48
个点云数据所在的预设范围半径内的点云密度；
Figure QLYQS_41
表示交叉划分区域在重构后的原始点云数据中第/>
Figure QLYQS_42
个点云数据在重构后的扩增点云数据/>
Figure QLYQS_45
中对应的点云数据所在的预设范围半径内的点云密度；
将不处于交叉划分区域的点云数据的差异程度设置为1；
获取第
Figure QLYQS_49
个划分区域中第/>
Figure QLYQS_50
个点云数据的距离修正系数/>
Figure QLYQS_51
：
Figure QLYQS_52
其中，
Figure QLYQS_53
表示第/>
Figure QLYQS_54
个划分区域的走势程度；/>
Figure QLYQS_55
表示第/>
Figure QLYQS_56
个划分区域的第/>
Figure QLYQS_57
个点云数据的差异程度。
2.根据权利要求1所述基于BIM的绿色节能建筑施工质量评价方法，其特征在于，所述划分区域，获取方法如下：
对原始点云数据进行DBSCAN聚类，根据经验预设DBSCAN聚类的半径参数和最小点数量参数，获得若干个聚簇，将一个聚簇作为一个划分区域，将采集的原始点云数据分为多个划分区域。
3.根据权利要求1所述基于BIM的绿色节能建筑施工质量评价方法，其特征在于，所述根据距离修正系数对COF算法获取的局部离群因子值进行乘积修正，具体包括的步骤如下：
人为预设距离邻域范围，获取任意点云数据的第
Figure QLYQS_58
距离邻域范围内的点云数据之间的欧式距离，根据两个点云数据的距离修正系数/>
Figure QLYQS_59
的和值作为最终距离修正系数，将最终距离修正系数乘以两个点云数据之间的欧式距离，得到最终欧式距离，根据最终欧式距离结合COF算法得到修正后的每个点云数据基于连通性的局部离群因子值，实现根据距离修正系数对COF算法获取的局部离群因子值进行乘积修正。
4.根据权利要求1所述基于BIM的绿色节能建筑施工质量评价方法，其特征在于，所述异常点云数据，获取方法如下：
根据获取的点云数据的基于连通性的局部离群因子值，进行异常点云数据的筛选，将基于连通性的局部离群因子值大于1的点云数据，记为异常点云数据。
5.基于权利要求1-4中任一项所述的基于BIM的绿色节能建筑施工质量评价方法的基于BIM的绿色节能建筑施工质量评价系统，其特征在于，该系统包括以下模块：
点云数据采集模块：采集建筑结构的所有区域及结构的点云数据，将获取的点云数据记为原始点云数据；
干扰程度分析模块：对原始点云数据进行聚类，根据聚类结果对原始点云数据进行区域划分获得若干个划分区域，根据划分区域内点云数据的回波强度的差异和方差获得对应区域的干扰强度；
修正系数分析模块：对原始点云数据的各个划分区域进行多次平面拟合，获得若干个点云平面，获取任意两个点云平面法向量方向的余弦相似度，将点云平面所包含的点云数据的数量，与划分区域所的点云数据数量的比例关系记为走势程度因子，根据余弦相似度和走势程度因子获得走势程度；对原始点云数据进行扩增，获得扩增后的点云数据记为扩增点云数据，对原始点云数据和扩增点云数据进行SVD分解获取对应的特征值和特征向量，根据划分区域的干扰程度、特征值的差值以及划分区域的点云密度获得差异程度，根据差异程度和走势程度的乘积调节结果获得距离修正系数；
异常点云获取模块：利用距离修正系数对点云数据之间的欧式距离进行修正，进而利用COF算法获得每个点云数据中基于连通性的局部离群因子值，根据局部离群因子值的大小判断是否为异常点云数据，获取所有异常点云数据；
BIM模型构建模块：将异常点云数据去除，将异常点云去除优化后的点云数据，输入到BIM建模软件中，实现点云数据的BIM模型构建，通过专业建模工程师对点云数据和建立的BIM模型，进行模型细节调整，形成最终的绿色节能建筑的BIM模型。
CN202310456577.2A 2023-04-26 2023-04-26 基于bim的绿色节能建筑施工质量评价方法及系统 Active CN116167668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310456577.2A CN116167668B (zh) 2023-04-26 2023-04-26 基于bim的绿色节能建筑施工质量评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310456577.2A CN116167668B (zh) 2023-04-26 2023-04-26 基于bim的绿色节能建筑施工质量评价方法及系统

Publications (2)

Publication Number Publication Date
CN116167668A CN116167668A (zh) 2023-05-26
CN116167668B true CN116167668B (zh) 2023-07-14

Family

ID=86420423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310456577.2A Active CN116167668B (zh) 2023-04-26 2023-04-26 基于bim的绿色节能建筑施工质量评价方法及系统

Country Status (1)

Country Link
CN (1) CN116167668B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116363520B (zh) * 2023-06-02 2023-08-04 青岛海滨风景区小鱼山管理服务中心 一种城市绿地规划用景观生态检测系统
CN116629706B (zh) * 2023-07-19 2023-09-22 山东新中鲁建设有限公司 一种基于bim的绿色节能建筑施工质量评估方法
CN117313222B (zh) * 2023-11-29 2024-02-02 青岛东捷建设集团有限公司 基于bim技术的建筑施工数据处理方法
CN117332102B (zh) * 2023-11-30 2024-02-06 陕西建一建设有限公司 一种基于bim的建筑数据优化存储方法
CN117455725B (zh) * 2023-12-22 2024-03-12 广惠建设工程集团有限公司 一种基于bim建筑的建筑能耗管理方法及系统
CN117828378B (zh) * 2024-03-04 2024-05-17 北京清水爱派建筑设计股份有限公司 一种数字化智能绿色建筑设计评价方法
CN117874900B (zh) * 2024-03-12 2024-05-24 中钜(陕西)工程咨询管理有限公司 一种基于bim技术的房屋建筑工程监理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114037708A (zh) * 2021-11-04 2022-02-11 北京建筑大学 一种陆地桥梁提取方法和系统
CN114332366A (zh) * 2021-12-24 2022-04-12 西运才 数字城市单体房屋点云立面3d特征提取方法
CN115908751A (zh) * 2022-11-23 2023-04-04 南京莱斯信息技术股份有限公司 一种基于三维点云的飞行器捕获与识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5462093B2 (ja) * 2010-07-05 2014-04-02 株式会社トプコン 点群データ処理装置、点群データ処理システム、点群データ処理方法、および点群データ処理プログラム
CN111709430B (zh) * 2020-06-08 2021-10-15 大连理工大学 基于高斯过程回归的室外场景三维点云的地面提取方法
CN113129441A (zh) * 2021-04-09 2021-07-16 郑州意合达建筑科技研究院 一种基于三维激光扫描的工程地质测绘方法及系统
CN115880487A (zh) * 2021-09-27 2023-03-31 南京林业大学 基于深度学习方法的林木激光点云枝叶分离方法
CN114764871B (zh) * 2022-06-15 2022-09-13 青岛市勘察测绘研究院 一种基于机载激光点云的城市建筑物属性提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114037708A (zh) * 2021-11-04 2022-02-11 北京建筑大学 一种陆地桥梁提取方法和系统
CN114332366A (zh) * 2021-12-24 2022-04-12 西运才 数字城市单体房屋点云立面3d特征提取方法
CN115908751A (zh) * 2022-11-23 2023-04-04 南京莱斯信息技术股份有限公司 一种基于三维点云的飞行器捕获与识别方法

Also Published As

Publication number Publication date
CN116167668A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN116167668B (zh) 基于bim的绿色节能建筑施工质量评价方法及系统
CN110246112B (zh) 基于深度学习的激光扫描slam室内三维点云质量评价方法
CN111062282B (zh) 基于改进yolov3模型的变电站指针式仪表识别方法
CN111798475B (zh) 一种基于点云深度学习的室内环境3d语义地图构建方法
CN109740588B (zh) 基于弱监督和深度响应重分配的x光图片违禁品定位方法
Sun et al. Aerial 3D building detection and modeling from airborne LiDAR point clouds
CN110458187B (zh) 一种恶意代码家族聚类方法和系统
CN112101278A (zh) 基于k近邻特征提取和深度学习的宅基地点云分类方法
CN114626470B (zh) 基于多类型几何特征算子的飞机蒙皮关键特征检测方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
Yang et al. A Point Cloud Simplification Method Based on Modified Fuzzy C‐Means Clustering Algorithm with Feature Information Reserved
CN112784403A (zh) 基于点云数据建立节理岩体离散元模型的数值模拟方法
CN113822284A (zh) 一种基于边界注意力的rgbd图像语义分割方法
CN112541908B (zh) 基于机器视觉的铸件飞边识别方法及存储介质
CN109002792B (zh) 基于分层多模型度量学习的sar图像变化检测方法
CN108399430A (zh) 一种基于超像素和随机森林的sar图像舰船目标检测方法
CN113936210A (zh) 塔吊防撞方法
Salem et al. Assessment of methods for industrial indoor object recognition
US20210150078A1 (en) Reconstructing an object
CN116186864B (zh) 一种基于bim技术的深基坑模型快速建模方法及系统
CN117252863A (zh) 一种地理信息异常数据快速检测分析方法
CN115393631A (zh) 基于贝叶斯层图卷积神经网络的高光谱图像分类方法
Wang et al. A new method of 3d point cloud data processing in low-speed self-driving car
CN114972882A (zh) 基于多注意力机制的磨损表面损伤深度估计方法及系统
CN114742849A (zh) 一种基于图像增强的水准仪距离测量方法

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