CN116186864B - 一种基于bim技术的深基坑模型快速建模方法及系统 - Google Patents
一种基于bim技术的深基坑模型快速建模方法及系统 Download PDFInfo
- Publication number
- CN116186864B CN116186864B CN202310442622.9A CN202310442622A CN116186864B CN 116186864 B CN116186864 B CN 116186864B CN 202310442622 A CN202310442622 A CN 202310442622A CN 116186864 B CN116186864 B CN 116186864B
- Authority
- CN
- China
- Prior art keywords
- data points
- data
- point
- consistency
- data point
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于BIM技术的深基坑模型快速建模方法及系统,包括:采集工程勘测数据,得到三角网结构,获取中心点,根据过中心点的中心线获取数据点的第一异常指标;根据三角网结构中数据点的高度获取数据点的所有邻域范围梯度值,进一步得到数据点的梯度二元组;将数据点划分为多个一致性区域;根据一致性区域内数据点的个数获取异常数据点以及异常区域;获取异常数据点的第二异常指标,进一步得到异常数据点的异常率;根据一致性区域序列以及异常数据点的异常率获取第一采样点集合以及多个第二采样点集合;根据采样点集合进行插值拟合,建立深基坑的三维模型。本发明计算量小,建模速度快,建模精度高。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于BIM技术的深基坑模型快速建模方法及系统。
背景技术
现有的通过BIM技术对深基坑模型进行建模时,由于勘探点数据的距离往往较远,难以满足构建模型所需精度要求,因此首先需要对数据进行插值,通过插值后的数据进行建模,但由于勘探点数据较多,现有方法将所有数据作为采样点进行插值导致建模速度较慢。基于此,本发明提出了一种基于BIM技术的深基坑模型快速建模方法及系统,通过对突变点,即难以用函数关系拟合的勘探点附近进行较多的采样,对于规律性较强的勘探点进行较少的采样,在提高建模精度的同时,避免了采样点数量过多导致插值计算量较大,建模速度慢的问题,有效提高了建模速度。
发明内容
本发明提供一种基于BIM技术的深基坑模型快速建模方法及系统,以解决现有的问题。
本发明的一种基于BIM技术的深基坑模型快速建模方法采用如下技术方案:
本发明一个实施例提供了一种基于BIM技术的深基坑模型快速建模方法,该方法包括以下步骤:
采集工程勘测数据,得到多个数据点;
根据所有数据点的坐标获取三角网结构,每个数据点作为三角网结构中一个顶点;根据三角网络结构中所有顶点以及第一预设阈值,获取中心点;过中心点作360条直线作为中心线;将每条中心线包含的所有数据点的高度构成一个高度序列,根据高度序列获取中心线上每个数据点的第一异常指标;
根据三角网结构中所有数据点的高度获取每个数据点的所有邻域范围梯度值;根据每个数据点的所有邻域范围梯度值,获取每个数据点的梯度二元组;
根据每个数据点的梯度二元组对数据点进行分类;将一个类别中直接相邻或间接相连的数据点划分为一个一致性区域;根据一致性区域内数据点的个数从小到大的顺序对所有一致性区域进行排序,得到一致性区域序列;计算一致性区域序列中每个一致性区域的分割率,根据分割率获取异常数据点以及异常区域;将异常区域从一致性区域序列中剔除;
获取每个异常数据点的第二异常指标,将每个异常数据点的第一异常指标与第二异常指标的乘积作为每个异常数据点的异常率;
根据一致性区域序列中一致性区域中包含的数据点的个数以及每个异常数据点的异常率获取第一采样点集合以及每个数据点的第二采样点集合;
分别对第一采样点集合、每个第二采样点集合中的所有采样点进行插值拟合,将所有插值拟合结果叠加,得到插值拟合后的数据;根据插值拟合后的数据建立深基坑的三维模型。
优选的,所述根据三角网络结构中所有顶点以及第一预设阈值,获取中心点,包括的具体步骤如下:
获取所有数据点的横坐标均值和纵坐标均值作为预估初始中心点的横坐标和纵坐标值;计算所有数据点到预估初始中心点的欧式距离,将到预估初始中心点的欧式距离最小的数据点作为初始中心点;
获取三角网结构中和初始中心点相连的顶点作为预估顶点,计算预估顶点的高度与初始中心点的高度之间的差值的绝对值,若差值的绝对值小于第一预设阈值,将对应的顶点作为中心区域顶点,并记为第一层顶点;获取三角网结构中与第一层顶点相连但与初始中心点不相连的顶点作为新的预估顶点,计算新的预估顶点的高度与初始中心的高度的差值的绝对值,若差值绝对值小于第一预设阈值,则将对应的顶点作为中心区域顶点,并记为第二层顶点;依次类推获取第三层顶点、第四层顶点、...,直到不存在满足条件的某一层顶点时停止迭代;
获取所有中心区域顶点的横坐标均值以及纵坐标均值,作为预估中心点的横坐标以及纵坐标;计算每个数据点到预估中心点的欧式距离,将到预估中心点的欧式距离最小的数据点作为中心点。
优选的,所述根据高度序列获取中心线上每个数据点的第一异常指标,获取所有中心区域顶点,包括的具体步骤如下:
对高度序列进行分解得到一个残差分量,将残差分量上所有点的值的方差作为残差分量的方差值,将残差分量的方差值作为高度序列对应的中心线的异常概率;将每条中心线上的异常概率作为每条中心线上包含的每个数据点的第一异常指标。
优选的,所述根据三角网结构中所有数据点的高度获取每个数据点的所有邻域范围梯度值,包括的具体步骤如下:
获取三角网结构中与每个数据点相连的顶点,作为每个数据点的1邻域顶点;将每个数据点的每个1邻域顶点的高度减去每个数据点的高度,得到每个数据点的第一差值;将每个数据点的每个第一差值除以所有数据点的第一差值中的最大第一差值实现对每个数据点的每个第一差值的归一化;将每个数据点所有归一化后的第一差值的均值作为每个数据点的1邻域范围梯度值;
将每个数据点的所有1邻域顶点的1邻域范围梯度值的均值作为每个数据点的2邻域范围梯度值;将每个数据点的所有1邻域顶点的2邻域范围梯度值的均值作为每个数据点的3邻域范围梯度值,以此类推,获取每个数据点的所有邻域范围梯度值。
优选的,所述根据每个数据点的所有邻域范围梯度值,获取每个数据点的梯度二元组,包括的具体步骤如下:
对每个数据点的多个邻域范围梯度值按照邻域范围大小进行排序,得到每个数据点的梯度值序列;利用每个数据点的梯度值序列中第一个梯度值与第二个梯度值中较小的梯度值除以较大的梯度值,得到每个数据点的第一比值;当数据点的第一比值大于或等于第二预设阈值时,计算数据点的梯度值序列中第三个梯度值与第一个梯度值以及第二个梯度值的比值,将得到的两个比值的均值作为数据点的第二比值;当数据点的第二比值大于第二预设阈值T时,计算数据点的梯度值序列中第四个梯度值与前三个梯度值的比值的均值,作为第三比值,以此类推,直到得到的结果小于第二预设阈值或数据点的梯度值序列已遍历完成时停止迭代,当得到的结果小于第二预设阈值时,将得到的结果对应的倒数第二个梯度值与倒数第二个梯度值对应的邻域范围大小构成数据点的梯度二元组;当梯度值序列已遍历完成时,将梯度值序列中最后一个梯度值以及该梯度值对应的邻域范围大小构成数据点的梯度二元组。
优选的,所述根据每个数据点的梯度二元组对数据点进行分类,包括的具体步骤如下:
将两个数据点的梯度二元组中第一个元素的比值第一相似度,将两个数据点的梯度二元组中第二个元素的比值作为第二相似度;当第一相似度与第二相似度均大于第三预设阈值时,将两个数据点划分为同一个类别;
将两个数据点之间的第一相似度与第二相似度的均值作为两个数据点的相似度;将每个数据点与一个类别中所有数据点的相似度之和作为数据点和类别的相似度;
获取每个类别和其他类别的交集,得到交集数据点,将交集数据点从所属类别中去除,实现每个类别的第一次更新;对于每个交集数据点,计算交集数据点与更新后每个类别的相似度,将交集数据点加入相似度最大的类别,实现每个类别的第二次更新。
优选的,所述计算一致性区域序列中每个一致性区域的分割率,根据分割率获取异常数据点以及异常区域,包括的具体步骤如下:
对于一致性区域序列中第i个一致性区域,计算第i个一致性区域数据点个数与一致性区域序列中第i个一致性区域之前的所有一致性区域中包含的数据点个数之和,将所述数据点个数之和除以所有数据点的个数,所得的结果作为第i个一致性区域的分割率;
获取分割率最接近第四预设阈值的一致性区域作为分割区域,将一致性区域序列中分割区域以及分割区域之前的所有一致性区域作为异常区域,将异常区域中的数据点作为异常数据点。
优选的,所述获取每个异常数据点的第二异常指标,包括的具体步骤如下:
获取每个一致性区域内所有数据点的梯度二元组中第一个元素的均值,作为每个一致性区域的梯度值;获取每个异常数据点最接近的两个一致性区域的梯度值的差值绝对值作为每个异常数据点的第二差值,将每个异常数据点的第二差值除以所有异常数据点的第二差值中的最大第二差值实现对每个异常数据点的第二差值的归一化;将归一化后的第二差值作为对应异常数据点的第二异常指标。
优选的,所述根据一致性区域序列中一致性区域中包含的数据点的个数以及每个异常数据点的异常率获取第一采样点集合以及每个数据点的第二采样点集合,包括的具体步骤如下:
设置一个基本采样数量n,对于一致性序列中第一个一致性区域,在该一致性区域范围内进行数量为n的均匀采样,得到n个数据点,作为采样点;对于一致性区域中第二个一致性区域,首先利用第二个一致性区域中数据点的数量除以第一个一致性区域内数据点的数量,得到第二个一致性区域中数据点的数量与第一个一致性区域内数据点的数量的比值m2,在第二个一致性区域范围内进行数量为的均匀采样,得到/>个数据点,作为采样点;对于一致性区域中第三个一致性区域,首先利用第三个一致性区域中数据点的数量除以第一个一致性区域内数据点的数量,得到第三个一致性区域中数据点的数量与第一个一致性区域内数据点的数量的比值/>,在第三个一致性区域范围内进行数量为/>的均匀采样,得到/>个数据点,作为采样点;依次类推,对每个一致性区域进行采样,得到多个采样点;将对所有一致性区域采样获得的所有采样点构成第一采样点集合;
本发明还提出一种基于BIM技术的深基坑模型快速建模系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种基于BIM技术的深基坑模型快速建模方法的步骤。
本发明的技术方案的有益效果是:本发明根据所有数据点获取中心点,根据过中心点的中心线获取数据点的第一异常指标,使得最终筛选的采样点与深基坑形状的贴合度较高,提高了插值拟合结果的数据质量;本发明根据三角网结构中数据点的高度获取数据点的所有邻域范围梯度值,进一步得到数据点的梯度二元组,根据梯度二元组将数据点划分为多个一致性区域,根据一致性区域内数据点的个数获取异常数据点以及异常区域,获取异常数据点的第二异常指标,进一步得到异常数据点的异常率,对一致性区域进行均匀采样并拟合,可以达到使用较少采样点数据达到较高插值精度的目的,相较于传统方法用所有数据点进行插值拟合计算,大大减小了插值拟合计算所需计算量,提高了建模速度;根据异常数据点的异常率进行采样,并与一致性区域分开拟合,避免了传统方法中为了对异常数据点和正常区域数据点的高度进行精准拟合导致计算量较大,有效提高了建模精度和速度,在建模速度较快的同时,建模精度较高,得到的深基坑模型与原始的深基坑的贴合程度更大。
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为本发明的一种基于BIM技术的深基坑模型快速建模方法的步骤流程图。
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一种基于BIM技术的深基坑模型快速建模方法,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一种基于BIM技术的深基坑模型快速建模方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于BIM技术的深基坑模型快速建模方法的步骤流程图,该方法包括以下步骤:
S001.采集工程勘测数据。
通过深度相机拍摄深基坑的深度图像,深度图像中每个像素点即为一个勘探点,将每个像素点的坐标作为勘探点的坐标,将每个像素点的深度作为勘探点的高度。此时所有的勘探点是均匀分布的。
S002.获取每个数据点的第一异常指标。
需要说明的是,深度相机的精度难以满足建模精度,因此需要对勘探点的数据进行插值得到更加符合要求的建模精度。将每个勘测点的数据视作一个数据点,则每个数据点包含坐标和高度信息。深基坑可能存在很多异常区域,此些异常区域的数据点没有明显函数关系,较难拟合,现有的通过BIM技术对深基坑模型进行建模时,针对所有数据点统一进行插值的计算,则会导致异常区域的数据点拟合度低,若提高异常区域数据点的拟合度,则会增加计算量大且会导致其他区域数据点的拟合度降低。本发明实施例的目的是通过分析数据点的异常率找到深基坑的异常区域,对异常区域的数据点尽可能多的保留,使得后续在插值拟合时,更多考虑异常区域的数据点的值,而不是对所有数据点统一进行插值的计算,从而提高所有数据点的拟合度。
需要进一步说明的是,为了获取异常区域,首先要获取深基坑的中心区域。考虑到深基坑是中间高度低,四周高度较高的情况,因此中心区域是指深基坑中间的一块较为平坦的区域,中心区域的高度变化较小。由于深基坑的不同边缘点与中心区域的距离不一定完全相同,获取中心区域时需要从初始中心点开始向初始中心点四周进行搜索。
在本发明实施例中,获取中心区域的具体过程如下:
首先将所有数据点的横坐标均值和纵坐标均值作为预估初始中心点的横坐标和纵坐标值,从而得到预估初始中心点。计算所有数据点到预估初始中心点的欧式距离,将欧式距离最小的数据点作为初始中心点。将初始中心点的高度作为中心区域的高度。
根据所有数据点的坐标通过逐点插入算法计算得到Delaunay三角网结构。在该Delaunay三角网结构中,每个数据点都为Delaunay三角网结构中的一个顶点。获取在Delaunay三角网结构中与初始中心点相连的顶点,计算此些顶点的高度与初始中心点的高度的差值的绝对值,若差值绝对值小于第一预设阈值K,则将对应的顶点作为中心区域顶点,并记为第一层顶点。获取在Delaunay三角网结构中与第一层顶点相连但与初始中心点不相连的顶点,计算此些顶点的高度与初始中心的高度的差值的绝对值,若差值绝对值小于第一预设阈值K,则将对应的顶点作为中心区域顶点,并记为第二层顶点。依次类推获取第三层顶点、第四层顶点、...,直到不存在满足条件的某一层顶点时停止迭代。在本发明实施例中,第一预设阈值K=5cm,在其他实施例中,实施人员可根据需要设置第一预设阈值K的值。
最终得到的每一层顶点都为中心区域顶点。同时将初始中心点也作为中心区域顶点。
根据中心区域顶点获取中心区域的中心点,具体过程如下:
计算所有中心区域顶点的横坐标均值以及纵坐标均值,作为预估中心点的横坐标以及纵坐标,如此得到了预估中心点。计算每个数据点与预估中心点的欧式距离,将最小欧式距离对应的数据点作为中心点。
至此,获取了中心点。
过中心点作360条直线,每条直线之间的夹角为0.5°,将过中心点的每条直线都记作中心线。过中心点的每条直线经过多个数据点,若存在数据点不位于任何中心线上,则计算该数据点到所有中心线的距离,将该数据点划分至距离最近的中心线。
需要说明的是,EMD是一种将复杂信号进行分解为多个IMF分量和残差分量的方法,每个IMF分量相当于是一个信号曲线,是有规律的,残差分量表示的是原始信号分解为多个不同信号后的残留信号,可以表示原始信号的无序性。
在本发明实施例中,将每条中心线包含的所有数据点的高度构成一个高度序列,通过EMD对高度序列进行分解得到一个残差分量,计算残差分量的方差值,将该方差值作为该高度序列对应的中心线的异常概率。需要说明的是,残差分量的方差值的计算方法为:将残差分量上所有点的值的方差作为残差分量的方差值。当方差值越大,表示无序性越大,该中心线上的数据点的高度的规律性越弱,该中心线上的数据点的拟合难度越高。
同理,获取每条中心线的异常概率,将每条中心线上的异常概率作为该中心线上包含的每个数据点的第一异常指标。
至此,获取了每个数据点的第一异常指标。
需要说明的是,数据点的第一异常指标为根据该数据点所在的中心线的异常概率获得,异常概率越大,中心线包含的所有数据点的高度拟合的难度越大,即该中心线上的高度没有规律,要准确拟合需要更大的计算量和计算时间。
S003.获取数据点的梯度二元组。
需要说明的是,步骤S002获得的中心线的异常概率表示的是中心线包含的所有数据点的高度的拟合难度,可能大部分数据点具有规律性,某个数据点的高度不符合其他数据点的高度规律,导致该中心线的异常概率较大。因此接下来需要获取异常数据点,此处的异常数据点指高度不符合其他数据点的高度规律的数据点。考虑到梯度可以表示规律性,因此可根据梯度筛选异常数据点。为了获取异常数据点,首先需要先获取每个数据点的梯度。
在本发明实施例中,对于每个数据点,获取Delaunay三角网结构中与该数据点相连的顶点,记为该数据点的1邻域顶点。将该数据点的1邻域顶点的高度减去该数据点的高度,得到该数据点的第一差值,将该数据点的每个第一差值除以所有数据点的第一差值中的最大第一差值实现对该数据点的每个第一差值的归一化。将该数据点所有归一化后的第一差值的均值作为该数据点的第一梯度值。第一梯度值表示数据点的1邻域范围梯度值,1邻域范围是指与数据点直接相连即距离为1的顶点所组成的范围。
同理,获取每个数据点的第一梯度值。将每个数据点的所有1邻域顶点的第一梯度值的均值作为每个数据点的第二梯度值。需要说明的是,每个数据点的第一梯度值是根据每个数据点的1邻域范围内的顶点获得的,每个数据点的第二梯度值是根据每个数据点的1邻域范围内的顶点的1邻域范围内的顶点获得的,因此每个数据点的第二梯度值表示数据点的2邻域范围梯度值,2邻域范围是指与数据点距离为2的顶点所组成的范围。
同理,获取每个数据点的3邻域范围梯度值、4邻域范围梯度值、5邻域范围梯度值、...。
至此,获取了每个数据点的多个邻域范围梯度值。
需要说明的是,每个数据点有多个邻域范围梯度值,梯度可以表示规律性,若从小邻域范围到大邻域范围,梯度值均不变或变化很小,则该梯度值所表示的规律的适用范围越大。梯度值一致且梯度值的邻域范围也一致的数据点处于同一个规律下的概率较大,因此后续可根据该规律来对数据点进行分类,使得同一个类别中的数据点的规律较强,从而使得后续对每个类别中的数据点进行差插值拟合时,拟合方程较为简单,计算量小,拟合速度高。为获取处于同一个规律下的数据点,首先需获取数据点的梯度二元组。
在本发明实施例中,获取数据点的梯度二元组的具体过程如下:
对每个数据点的多个邻域范围梯度值,按照邻域范围大小进行排序,得到每个数据点的梯度值序列。计算每个数据点的梯度值序列中第一个梯度值与第二个梯度值的比值作为每个数据点的第一比值,需要说明的是,第一比值小于等于1,即获取第一比值时用小的数值比大的数值,例如第一梯度值较第二梯度值大时,用第二梯度值比上第一梯度值得到第一比值,第一梯度值较第二梯度值小或与第二梯度值相等时,用第一梯度值比上第二梯度值得到第一比值。
当数据点的第一比值大于或等于第二预设阈值T时,计算数据点的梯度值序列中第三个梯度值与第一个梯度值以及第二个梯度值的比值,将得到的两个比值的均值作为数据点的第二比值,其中计算第三个梯度值与第一个梯度值以及第二个梯度值的比值时,采用的是小的数值比大的数值的方法。当数据点的第二比值大于第二预设阈值T时,则计算数据点的梯度值序列中第四个梯度值与前三个梯度值的比值的均值,作为第三比值,以此类推,直到得到的结果小于第二预设阈值或数据点的梯度值序列已遍历完成时停止迭代,当得到的结果小于第二预设阈值T时,将该比值对应的倒数第二个梯度值与该梯度值对应的邻域范围大小构成数据点的梯度二元组。当梯度值序列已遍历完成时,将梯度值序列中最后一个梯度值以及该梯度值对应的邻域范围大小构成数据点的梯度二元组。在本发明实施例中,第二预设阈值T=0.7,在其他实施例中,实施人员可根据需要设置第二预设阈值T的值。
梯度二元组中第一个元素为梯度值,第二个元素为梯度值对应的邻域范围大小,例如数据点的第三比值小于第二预设阈值,则将第三比值对应的倒数第二个梯度值(即梯度值序列中第三个梯度值)与该梯度值对应的邻域范围大小3,构成数据点的梯度二元组/>。
至此,获取了每个数据点的梯度二元组。
S004.根据梯度二元组对数据点进行分类,得到多个一致性区域。
需要说明的是,可根据数据点的梯度二元组将数据点分为不同的类别,根据同一个类别中数据点的分布将数据点划分为多个一致性区域,每个一致性区域内包含的数据点之间的具有规律性。使得后续可根据一致性区域进一步得到异常数据点,即高度不符合其他数据点的高度规律的数据点。
需要进一步说明的是,本发明实施例不采用步骤S002获得的中心区域作为一致性区域的原因是,中心区域计算的是初始中心点与周围数据点的差异,虽然可确保初始中心点与筛选出的多层顶点之间(即中心区域顶点)的差异小于第一预设阈值,但无法确保中心区域顶点之间的差异小于第一预设阈值,例如:初始中心点的高度为5,初始中心点周围有两个中心区域顶点A和B。A的高度为2,与初始中心点的高度差为3,该高度差小于第一预设阈值;B的高度为9,与初始中心点的高度差为4,该高度差小于第一预设阈值。但A和B之间的高度差为7,该高度差大于第一预设阈值。
在本发明实施例中,将数据点分为不同的类别的具体方法为:
梯度二元组中第一个元素为梯度值,第二个元素为梯度值对应的邻域范围大小。将两个数据点的梯度二元组中第一个元素的比值(小值比大值)作为此两个数据点的第一相似度,将两个数据点的梯度二元组中第二个元素的比值(小值比大值)作为此两个数据点的第二相似度。当第一相似度与第二相似度均大于第三预设阈值R时,将此两个数据点划分为同一个类别。如此可得到多个类别。
需要说明的是,得到的多个类别中可能存在重复的数据点,即某个数据点可能同时处于多个类别,为避免该情况发生,需要根据重复的数据点对类别进行更新,确保每个数据点仅属于一个类别。
在本发明实施例中,首先获取每个类别和其他类别的交集,得到交集数据点,将交集数据点从该类别中去除,实现每个类别的第一次更新。对于每个交集数据点,计算交集数据点与更新后每个类别(此处为交集节点之前所在的类别)的相似度,将交集数据点加入相似度最大的类别,实现每个类别的第二次更新。此时每个数据点仅属于一个类别。
需要说明的是,本发明实施例中,计算交集数据点与更新后类别的相似度的计算方法为:将两个数据点之间的第一相似度与第二相似度的均值,作为此两个数据点的相似度。计算交集数据点与类别中所有数据点的相似度之和作为该交集数据点与该类别的相似度。
至此,获取了多个类别。
需要说明的是,每个类别中数据点之间具有较大规律性,但可能存在同一个类别中的数据点之间分布较远的情况,此时需要根据类别中数据点的分布将数据点划分成多个一致性区域。
在本发明实施例中,若同一个类别中,两个数据点之间在Delaunay三角网结构中直接相连或通过该类别中其他数据点间接相连时,将此两个数据点划分为一个区域。如此可实现将一个类别中的数据点划分为多个区域。同理,将所有类别中数据点划分为多个区域,将每个区域作为一个一致性区域。
至此,获取了一致性区域。
需要说明的是,本发明实施例通过结合数据点的梯度二元组对数据进行分类,根据每个类别中数据点的分布对数据点进一步进行划分,使得最终得到的每个一致性区域内的数据点之间存在非常强的规律性,进一步使得后续根据一致性区域采样数据点进行插值拟合时得到的结果更加准确。
S005.获取异常数据点,根据异常数据点的异常率以及一致性区域获取采样点。
需要说明的是,每个一致性区域内的数据点之间存在非常强的规律性,若一个一致性区域内的数据点数量非常少,则该一致性区域内的数据点有较大概率不符合周围的数据点的规律性,此时该数据点为异常数据点。因此可根据一致性区域内数据点的数量获取异常数据点。
在本发明实施例中,根据一致性区域内数据点的个数从小到大的顺序对所有一致性区域进行排序,得到一致性区域序列。从一致性区域序列中第一个一致性区域开始,依次计算每个一致性区域的分割率:
对于一致性区域序列中第i个一致性区域,计算第i个一致性区域数据点个数与一致性区域序列中第i个一致性区域之前的所有一致性区域中包含的数据点个数之和,将数据点个数之和除以所有数据点的个数,所得的结果作为第i个一致性区域的分割率。
获取分割率最接近第四预设阈值W的一致性区域作为分割区域,将一致性区域序列中分割区域以及分割区域之前的所有一致性区域作为异常区域,将异常区域中的数据点作为异常数据点。在本发明实施例中,第四预设阈值W=0.02,在其他实施例中,实施人员可根据需要设置第四预设阈值的值。
将异常区域不再作为一致性区域,将异常序列从一致性区域序列中剔除。
获取每个一致性区域内所有数据点的梯度二元组中第一个元素的均值,作为该一致性区域的梯度值。获取每个异常数据点最接近的两个一致性区域(此处的一致性区域不包含异常区域),获取此两个一致性区域的梯度值的差值绝对值作为每个异常数据点的第二差值,将每个异常数据点的第二差值除以所有异常数据点的第二差值中的最大第二差值实现对每个异常数据点的第二差值的归一化。将归一化后的第二差值作为对应异常数据点的第二异常指标。将每个异常数据点的第一异常指标与第二异常指标的乘积作为每个异常数据点的异常率,用q表示。
至此,获取了每个异常数据点的异常率。
需要说明的是,异常率越大的异常数据点越需要以该异常数据点为中心进行采样更多的点。而一致性区域内的数据点就有较强的规律性,对于一致性区域内的数据点均匀采样即可。如此使得最终插值拟合时,对一致性区域可采用少量的采样点进行拟合,对异常数据点采用异常数据点附近的数据点进行拟合。
在本发明实施例中,首先设置一个基本采样数量n,对于一致性序列中第一个一致性区域,在该一致性区域范围内进行数量为n的均匀采样,采样得到n个数据点,作为采样点。对于一致性区域中第二个一致性区域,首先利用该一致性区域中数据点的数量除以第一个一致性区域内数据点的数量,得到该一致性区域中数据点的数量与第一个一致性区域内数据点的数量的比值m2,在该一致性区域范围内进行数量为的均匀采样,采样得到个数据点,作为采样点。对于一致性区域中第三个一致性区域,首先利用该一致性区域中数据点的数量除以第一个一致性区域内数据点的数量,得到该一致性区域中数据点的数量与第一个一致性区域内数据点的数量的比值/>,在该一致性区域范围内进行数量为的均匀采样,采样得到/>个数据点,作为采样点。依次类推,对每个一致性区域进行采样,得到多个采样点。在本发明实施例中,基本采样数量n=20,在其他实施例中,实施人员可根据需要设置n的值。将对所有一致性区域采样获得的所有采样点构成第一采样点集合。
对于每个异常数据点,首先将异常数据点作为采样点,其次,获取距离每个异常数据点欧式距离最近的个数据点,作为采样点,其中q为异常数据点的异常率。将根据每个异常数据点得到的采样点构成每个异常数据点的第二采样点集合。
至此,获取了所有采样点,得到了一个第一采样点集合以及多个第二采样点集合。
需要说明的是,本发明实施例结合一致性区域内数据点的个数以及异常数据点的异常率获取采样点,使得得到的采样点在规律性较强的区域即易拟合的区域分布较少,使得后续使用较少数据即达到了较高精度的插值结果,有益于提高易拟合区域的拟合速度;采样点在规律性较差的区域即不易拟合的区域分布较多,有益与提高不易拟合区域的拟合准确度。
S006.根据采样点进行插值拟合建立三维模型。
分别对第一采样点集合、每个第二采样点集合中的所有采样点利用克里金插值的方法进行插值计算,得到多个插值拟合结果。将所有插值拟合结果叠加,得到最终的插值拟合后的数据。根据插值拟合后的数据建立深基坑的三维模型。
通过BIM技术对深基坑进行建模,通常需要经过以下几个步骤:
步骤一,收集基础数据:对现场测量数据进行处理,包括现场测量数据、CAD图纸、GIS数据等。
步骤二,创建BIM模型:根据收集到的基础数据,利用BIM软件创建3D模型,并且设置深基坑的形状、尺寸和土层类型等参数。可以利用一些BIM软件自带的深基坑模块来简化模型的创建。
步骤三,添加分析模块:建模后,可以添加分析模块对模型进行分析。根据不同的分析需要,可以选择不同的模块对模型进行分析,比如可以选择渗流分析模块对深基坑运水情况进行分析,也可以选择结构分析模块对深基坑支撑结构进行分析等。
步骤四,优化模型:通过分析结果,可以对模型进行优化,以提高深基坑的稳定性和安全性。可以通过增加支撑结构、调整土层类型或者更改深基坑尺寸等方式来进行优化。
步骤五,输出设计图纸:最后,根据优化后的BIM模型,输出设计图纸和相关文档。这些图纸和文档可以用于制定施工方案、监测深基坑的变形和应力情况等。需要说明的是,通过BIM技术进行建模的方法为本领域技术人员的公知技术,在此不再进行赘述。
本发明所涉及的方法即为对步骤一中收集到的现场测量数据进行处理,处理之后,再根据基于BIM技术对深基坑进行建模所需要经过的步骤二~步骤五进行操作,以实现最终建立深基坑的三维模型。
通过以上步骤,完成了深基坑模型的快速建模。
需要说明的是,本发明实施例针对一致性区域的采样点和异常数据周围的采样点分开拟合是因为,若将一致性区域的采样点和异常数据周围的采样点一起拟合,需要一个高阶的函数,才能达到精准拟合的效果,拟合的计算量大,时间长。而将一致性区域的采样点和异常数据周围的采样点分开拟合,再将拟合结果叠加,可大幅减少计算量。
本发明实施例还提出一种基于BIM技术的深基坑模型快速建模系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种基于BIM技术的深基坑模型快速建模方法的步骤。
本发明实施例通过根据所有数据点获取中心点,根据过中心点的中心线获取数据点的第一异常指标,使得最终筛选的采样点与深基坑形状的贴合度较高,提高了插值拟合结果的数据质量;本发明实施例根据三角网结构中数据点的高度获取数据点的所有邻域范围梯度值,进一步得到数据点的梯度二元组,根据梯度二元组将数据点划分为多个一致性区域,根据一致性区域内数据点的个数获取异常数据点以及异常区域,获取异常数据点的第二异常指标,进一步得到异常数据点的异常率,对一致性区域进行均匀采样并拟合,可以达到使用较少采样点数据达到较高插值精度的目的,相较于传统方法用所有数据点进行插值拟合计算,大大减小了插值拟合计算所需计算量,提高了建模速度;根据异常数据点的异常率进行采样,并与一致性区域分开拟合,避免了传统方法中为了对异常数据点和正常区域数据点的高度进行精准拟合导致计算量较大,有效提高了建模精度和速度,在建模速度较快的同时,建模精度较高,得到的深基坑模型与原始的深基坑的贴合程度更大。
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 (8)
1.一种基于BIM技术的深基坑模型快速建模方法,其特征在于,该方法包括以下步骤:
采集工程勘测数据,得到多个数据点;
根据所有数据点的坐标获取三角网结构,每个数据点作为三角网结构中一个顶点;根据三角网络结构中所有顶点以及第一预设阈值,获取中心点;过中心点作360条直线作为中心线;将每条中心线包含的所有数据点的高度构成一个高度序列,根据高度序列获取中心线上每个数据点的第一异常指标;
根据三角网结构中所有数据点的高度获取每个数据点的所有邻域范围梯度值;根据每个数据点的所有邻域范围梯度值,获取每个数据点的梯度二元组;
根据每个数据点的梯度二元组对数据点进行分类;将一个类别中直接相邻或间接相连的数据点划分为一个一致性区域;根据一致性区域内数据点的个数从小到大的顺序对所有一致性区域进行排序,得到一致性区域序列;计算一致性区域序列中每个一致性区域的分割率,根据分割率获取异常数据点以及异常区域;将异常区域从一致性区域序列中剔除;
获取每个异常数据点的第二异常指标,将每个异常数据点的第一异常指标与第二异常指标的乘积作为每个异常数据点的异常率;
根据一致性区域序列中一致性区域中包含的数据点的个数以及每个异常数据点的异常率获取第一采样点集合以及每个数据点的第二采样点集合;
分别对第一采样点集合、每个第二采样点集合中的所有采样点进行插值拟合,将所有插值拟合结果叠加,得到插值拟合后的数据;根据插值拟合后的数据建立深基坑的三维模型;
其中,根据高度序列获取中心线上每个数据点的第一异常指标的方法为:对高度序列进行分解得到一个残差分量,将残差分量上所有点的值的方差作为残差分量的方差值,将残差分量的方差值作为高度序列对应的中心线的异常概率;将每条中心线上的异常概率作为每条中心线上包含的每个数据点的第一异常指标;
其中,获取每个异常数据点的第二异常指标的方法为:获取每个一致性区域内所有数据点的梯度二元组中第一个元素的均值,作为每个一致性区域的梯度值;获取每个异常数据点最接近的两个一致性区域的梯度值的差值绝对值作为每个异常数据点的第二差值,将每个异常数据点的第二差值除以所有异常数据点的第二差值中的最大第二差值实现对每个异常数据点的第二差值的归一化;将归一化后的第二差值作为对应异常数据点的第二异常指标。
2.根据权利要求1所述的一种基于BIM技术的深基坑模型快速建模方法,其特征在于,所述根据三角网络结构中所有顶点以及第一预设阈值,获取中心点,包括的具体步骤如下:
获取所有数据点的横坐标均值和纵坐标均值作为预估初始中心点的横坐标和纵坐标值;计算所有数据点到预估初始中心点的欧式距离,将到预估初始中心点的欧式距离最小的数据点作为初始中心点;
获取三角网结构中和初始中心点相连的顶点作为预估顶点,计算预估顶点的高度与初始中心点的高度之间的差值的绝对值,若差值的绝对值小于第一预设阈值,将对应的顶点作为中心区域顶点,并记为第一层顶点;获取三角网结构中与第一层顶点相连但与初始中心点不相连的顶点作为新的预估顶点,计算新的预估顶点的高度与初始中心的高度的差值的绝对值,若差值绝对值小于第一预设阈值,则将对应的顶点作为中心区域顶点,并记为第二层顶点;依次类推获取第三层顶点、第四层顶点、...,直到不存在满足条件的某一层顶点时停止迭代;
获取所有中心区域顶点的横坐标均值以及纵坐标均值,作为预估中心点的横坐标以及纵坐标;计算每个数据点到预估中心点的欧式距离,将到预估中心点的欧式距离最小的数据点作为中心点。
3.根据权利要求1所述的一种基于BIM技术的深基坑模型快速建模方法,其特征在于,所述根据三角网结构中所有数据点的高度获取每个数据点的所有邻域范围梯度值,包括的具体步骤如下:
获取三角网结构中与每个数据点相连的顶点,作为每个数据点的1邻域顶点;将每个数据点的每个1邻域顶点的高度减去每个数据点的高度,得到每个数据点的第一差值;将每个数据点的每个第一差值除以所有数据点的第一差值中的最大第一差值实现对每个数据点的每个第一差值的归一化;将每个数据点所有归一化后的第一差值的均值作为每个数据点的1邻域范围梯度值;
将每个数据点的所有1邻域顶点的1邻域范围梯度值的均值作为每个数据点的2邻域范围梯度值;将每个数据点的所有1邻域顶点的2邻域范围梯度值的均值作为每个数据点的3邻域范围梯度值,以此类推,获取每个数据点的所有邻域范围梯度值。
4.根据权利要求1所述的一种基于BIM技术的深基坑模型快速建模方法,其特征在于,所述根据每个数据点的所有邻域范围梯度值,获取每个数据点的梯度二元组,包括的具体步骤如下:
对每个数据点的多个邻域范围梯度值按照邻域范围大小进行排序,得到每个数据点的梯度值序列;利用每个数据点的梯度值序列中第一个梯度值与第二个梯度值中较小的梯度值除以较大的梯度值,得到每个数据点的第一比值;当数据点的第一比值大于或等于第二预设阈值时,计算数据点的梯度值序列中第三个梯度值与第一个梯度值以及第二个梯度值的比值,将得到的两个比值的均值作为数据点的第二比值;当数据点的第二比值大于第二预设阈值T时,计算数据点的梯度值序列中第四个梯度值与前三个梯度值的比值的均值,作为第三比值,以此类推,直到得到的结果小于第二预设阈值或数据点的梯度值序列已遍历完成时停止迭代,当得到的结果小于第二预设阈值时,将得到的结果对应的倒数第二个梯度值与倒数第二个梯度值对应的邻域范围大小构成数据点的梯度二元组;当梯度值序列已遍历完成时,将梯度值序列中最后一个梯度值以及该梯度值对应的邻域范围大小构成数据点的梯度二元组。
5.根据权利要求1所述的一种基于BIM技术的深基坑模型快速建模方法,其特征在于,所述根据每个数据点的梯度二元组对数据点进行分类,包括的具体步骤如下:
将两个数据点的梯度二元组中第一个元素的比值作为第一相似度,将两个数据点的梯度二元组中第二个元素的比值作为第二相似度;当第一相似度与第二相似度均大于第三预设阈值时,将两个数据点划分为同一个类别;
将两个数据点之间的第一相似度与第二相似度的均值作为两个数据点的相似度;将每个数据点与一个类别中所有数据点的相似度之和作为数据点和类别的相似度;
获取每个类别和其他类别的交集,得到交集数据点,将交集数据点从所属类别中去除,实现每个类别的第一次更新;对于每个交集数据点,计算交集数据点与更新后每个类别的相似度,将交集数据点加入相似度最大的类别,实现每个类别的第二次更新。
6.根据权利要求1所述的一种基于BIM技术的深基坑模型快速建模方法,其特征在于,所述计算一致性区域序列中每个一致性区域的分割率,根据分割率获取异常数据点以及异常区域,包括的具体步骤如下:
对于一致性区域序列中第i个一致性区域,计算第i个一致性区域数据点个数与一致性区域序列中第i个一致性区域之前的所有一致性区域中包含的数据点个数之和,将所述数据点个数之和除以所有数据点的个数,所得的结果作为第i个一致性区域的分割率;
获取分割率最接近第四预设阈值的一致性区域作为分割区域,将一致性区域序列中分割区域以及分割区域之前的所有一致性区域作为异常区域,将异常区域中的数据点作为异常数据点。
7.根据权利要求1所述的一种基于BIM技术的深基坑模型快速建模方法,其特征在于,所述根据一致性区域序列中一致性区域中包含的数据点的个数以及每个异常数据点的异常率获取第一采样点集合以及每个数据点的第二采样点集合,包括的具体步骤如下:
设置一个基本采样数量n,对于一致性序列中第一个一致性区域,在该一致性区域范围内进行数量为n的均匀采样,得到n个数据点,作为采样点;对于一致性区域中第二个一致性区域,首先利用第二个一致性区域中数据点的数量除以第一个一致性区域内数据点的数量,得到第二个一致性区域中数据点的数量与第一个一致性区域内数据点的数量的比值m2,在第二个一致性区域范围内进行数量为的均匀采样,得到/>个数据点,作为采样点;对于一致性区域中第三个一致性区域,首先利用第三个一致性区域中数据点的数量除以第一个一致性区域内数据点的数量,得到第三个一致性区域中数据点的数量与第一个一致性区域内数据点的数量的比值/>,在第三个一致性区域范围内进行数量为/>的均匀采样,得到/>个数据点,作为采样点;依次类推,对每个一致性区域进行采样,得到多个采样点;将对所有一致性区域采样获得的所有采样点构成第一采样点集合;
8.一种基于BIM技术的深基坑模型快速建模系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442622.9A CN116186864B (zh) | 2023-04-24 | 2023-04-24 | 一种基于bim技术的深基坑模型快速建模方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442622.9A CN116186864B (zh) | 2023-04-24 | 2023-04-24 | 一种基于bim技术的深基坑模型快速建模方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116186864A CN116186864A (zh) | 2023-05-30 |
CN116186864B true CN116186864B (zh) | 2023-07-07 |
Family
ID=86452419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310442622.9A Active CN116186864B (zh) | 2023-04-24 | 2023-04-24 | 一种基于bim技术的深基坑模型快速建模方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186864B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002092658A (ja) * | 2000-09-19 | 2002-03-29 | Asia Air Survey Co Ltd | 3次元デジタル地図作成装置及び3次元デジタル地図作成のプログラムを記憶した記憶媒体 |
CN115049791A (zh) * | 2022-08-12 | 2022-09-13 | 山东鲁晟精工机械有限公司 | 结合图像处理的数控车床工件三维建模方法 |
WO2023273339A1 (zh) * | 2021-06-30 | 2023-01-05 | 广东三维家信息科技有限公司 | 一种三维模型简化方法、装置及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5920319A (en) * | 1994-10-27 | 1999-07-06 | Wake Forest University | Automatic analysis in virtual endoscopy |
US7133044B2 (en) * | 2001-05-15 | 2006-11-07 | Autodesk, Inc. | System of feature-based surface mapping |
US8600708B1 (en) * | 2009-06-01 | 2013-12-03 | Paradigm Sciences Ltd. | Systems and processes for building multiple equiprobable coherent geometrical models of the subsurface |
CN106780723B (zh) * | 2016-12-16 | 2022-08-02 | 上海勘察设计研究院(集团)有限公司 | 一种利用bim技术实现基坑快速参数化三维建模的方法 |
GB201712486D0 (en) * | 2017-08-03 | 2017-09-20 | Ev Offshore Ltd | Quantative surface measurements by combining image and height profile data |
CN112686999B (zh) * | 2021-01-08 | 2022-10-04 | 北京理工大学 | 一种行星地表非规则网格三维几何建模方法 |
CN113280752B (zh) * | 2021-04-21 | 2023-04-25 | 深圳市道通科技股份有限公司 | 一种凹槽深度测量方法、装置、系统及激光测量设备 |
CN114332413A (zh) * | 2022-01-06 | 2022-04-12 | 河海大学 | 一种基于滑动克里金插值的地质体建模方法及装置 |
-
2023
- 2023-04-24 CN CN202310442622.9A patent/CN116186864B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002092658A (ja) * | 2000-09-19 | 2002-03-29 | Asia Air Survey Co Ltd | 3次元デジタル地図作成装置及び3次元デジタル地図作成のプログラムを記憶した記憶媒体 |
WO2023273339A1 (zh) * | 2021-06-30 | 2023-01-05 | 广东三维家信息科技有限公司 | 一种三维模型简化方法、装置及存储介质 |
CN115049791A (zh) * | 2022-08-12 | 2022-09-13 | 山东鲁晟精工机械有限公司 | 结合图像处理的数控车床工件三维建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116186864A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106199557B (zh) | 一种机载激光雷达数据植被提取方法 | |
CN116167668B (zh) | 基于bim的绿色节能建筑施工质量评价方法及系统 | |
CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
CN110084817B (zh) | 基于深度学习的数字高程模型生产方法 | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
CN116186864B (zh) | 一种基于bim技术的深基坑模型快速建模方法及系统 | |
CN115222625A (zh) | 一种基于多尺度噪声的激光雷达点云去噪方法 | |
CN110992473A (zh) | 一种基于车载激光扫描点云的树木枝干建模方法及系统 | |
CN113269791B (zh) | 一种基于边缘判定与区域生长的点云分割方法 | |
CN107679333A (zh) | 一种二维拓扑优化结果几何重构的方法 | |
CN113538264B (zh) | 一种点云数据的去噪方法、装置及存储介质 | |
CN113724279B (zh) | 路网自动划分交通小区的系统、方法、设备及存储介质 | |
Papagiannopoulos et al. | How to teach neural networks to mesh: Application on 2-D simplicial contours | |
CN102737542B (zh) | 一种顾及多重约束条件的水深注记自动选取方法 | |
CN112308966A (zh) | 基于多级曲率约束的高斯混合模型点云滤波方法 | |
CN114663373A (zh) | 一种用于零件表面质量检测的点云配准方法及装置 | |
CN114386466B (zh) | 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法 | |
CN116503575A (zh) | 一种图形化生成高质量建筑模型的方法及电子设备 | |
CN114862715A (zh) | 一种融合地形特征语义信息的tin渐进加密去噪方法 | |
CN116720632B (zh) | 基于gis和bim的工程建设智能管理方法及系统 | |
CN117152172A (zh) | 一种基于点云数据的输电线路杆塔和电力线提取方法 | |
Ji et al. | Point cloud segmentation for complex microsurfaces based on feature line fitting | |
CN106874916B (zh) | 一种复杂外板点云场景对比提取方法及装置 | |
CN112949614B (zh) | 一种自动分配候选区域的人脸检测方法及装置和电子设备 |
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 |