CN116797741B - 一种基于点云数据的曲面多边形弯扭骨架逆向建模方法 - Google Patents
一种基于点云数据的曲面多边形弯扭骨架逆向建模方法 Download PDFInfo
- Publication number
- CN116797741B CN116797741B CN202310913772.3A CN202310913772A CN116797741B CN 116797741 B CN116797741 B CN 116797741B CN 202310913772 A CN202310913772 A CN 202310913772A CN 116797741 B CN116797741 B CN 116797741B
- Authority
- CN
- China
- Prior art keywords
- point
- cloud data
- point cloud
- axis
- curved
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013461 design Methods 0.000 claims abstract description 19
- 238000005452 bending Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000010408 sweeping Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 31
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明涉及点云计算领域，具体公开了一种基于点云数据的曲面多边形弯扭骨架逆向建模方法，包括获取骨架的第一点云数据；通过半自动骨架点云分割算法，对第一点云数据进行分割，获得每一个构件对应的第二点云数据；通过多边形曲梁轴线提取算法，分别提取每一个第二点云数据的轴线点和截面角点，并将其保存为对应该构件的第三数据；依据全部第三数据，利用BIM软件，通过密集截面扫掠的方式，进行骨架整体逆向建模，得到建模结果。本发明实现骨架各构件的快速准确分割，可快速准确的获取多边形弯扭构件的轴线信息和角点信息，提高了骨架的竣工验收效率，并为面板深化设计提供了更精确的骨架竣工模型。
Description
技术领域
本发明涉及点云计算领域，尤其涉及一种基于点云数据的曲面多边形弯扭骨架逆向建模方法。
背景技术
随着现代建筑技术的飞速发展，数字技术正在越来越多的运用于建筑领域，特别是由空间骨架(梁架)、面板构成的曲面采光顶、穹顶等大型空间结构，凭借其自身良好的采光和延展性表达，常出现在国际性体育场馆、博览会等地标性公共建筑中。通常为了结构强度或美观等因素，大部分骨架设计均采用主梁的轴线所在平面之间相互平行，主梁之间通过若干根次梁连接。
在骨架施工阶段，为了确认实际加工与安装相比于原值设计的误差，需要对该阶段完工后的实际骨架外形尺寸进行复测，为后续的玻璃面板深化设计提供数据。然而，弯曲且扭转的多边形骨架几何形状难以测量和描述，数据量大，跨度长，所需测量的点位多，给玻璃面板设计安装带来困难。
三维激光扫描技术可获取结构表面三维点云信息，根据不同结构特点和实际工程需求开发点云数据处理算法，可实现复杂结构的尺寸质量检测、虚拟预拼装和逆向建模等目的。目前在公用民用建筑和桥梁建造过程中点云技术得到了广泛的运用，但面对曲面采光顶、穹顶等特定的骨架结构，其点云数据扔需要人工标注辅助处理，缺乏针对性的自动化数据分割处理方法。
发明内容
为了克服现有的曲面采光顶等骨架的点云数据难以自动识别的问题，本发明提供一种基于点云数据的曲面多边形弯扭骨架逆向建模方法。
本发明具体公开了一种基于点云数据的曲面多边形弯扭骨架逆向建模方法，运用于全部主梁的轴线所在平面相互平行设计的骨架，其特征在于，包括：
获取骨架的第一点云数据；其中，所述骨架包括曲面多边形弯扭的若干个构件，所述构件所属的种类包括圈梁、主梁和次梁；
通过半自动骨架点云分割算法，对第一点云数据进行分割，获得每一个构件对应的第二点云数据；
通过多边形曲梁轴线提取算法，分别提取每一个第二点云数据的轴线点和截面角点，并将其保存为对应该构件的第三数据；
依据全部所述第三数据，利用BIM软件，通过密集截面扫掠的方式，进行骨架整体逆向建模，得到建模结果。
作为优选地，所述半自动骨架点云分割算法，具体为：
将第一点云数据中，属于圈梁的部分进行人工分割，得到每一根圈梁的第二点云数据，将第一点云数据其余部分保存为主次梁点云数据；
对主次梁点云数据进行主成分分析，选取前三个特征向量对主次梁点云数据进行坐标变换，且坐标变换后主梁的轴线方向与坐标轴中的Y轴平行，获得主次梁数据；
统计主次梁数据中各坐标区间的点云数量，依据点云数量的峰值进行分割，获得全部的对应单根主梁的第四点云数据；
通过近邻搜索算法获取每个第四点云数据中每个点的邻域点，通过主成分分析计算邻域点的主方向，作为当前点的方向向量；
根据当前点的方向向量筛选每根主梁的侧面点云数据；
根据当前主梁的侧面点云数据拟合获得该主梁的两个侧平面，并根据点与平面关系筛选出位于该主梁两个侧平面内的点，保存为该主梁的第二点云数据；
从主次梁点云数据中剔除全部主梁的第二点云数据，得到次梁点云数据，通过密度聚类获得每一根次梁的第二点云数据。
优选地，所述统计主次梁数据中各坐标区间的点云数量，依据点云数量的峰值进行分割获得全部的对应单根主梁的第四点云数据，具体为：
沿X轴方向，以取值范围0.5至1倍的当前构件设计梁宽作为区间长度，统计各区间内点云的数量，选取峰值区间及其相邻区间的点云数据作为单根主梁的第四点云数据。
优选地，所述近邻搜索算法的邻域取值范围是1cm至5cm，且不超过0.1倍的当前构件设计梁宽。
优选地，所述多边形曲梁轴线提取算法，包括以下步骤：
获取单个第二点云数据；
通过Laplacian收缩算法，获取当前第二点云数据的粗轴线点；
通过邻域搜索算法，获取每个粗轴线点的邻域点，并通过主成分分析计算邻域点的主方向，作为当前粗轴线点的方向向量；
依据粗轴线点及该粗轴线点的方向向量，截取第二点云数据的切片，并投影至粗轴线点及该粗轴线点的方向向量构成的平面内，保存为第五点云数据；
通过随机采样一致性算法在第五点云数据中多次拟合直线，且每次直线拟合后删除当前直线所拟合的点，直到所有第五点云数据内的点均被删除；
根据曲面多边形弯扭骨架截面形状的先验知识，通过计算任意两条直线的内角，内角在第一阈值范围内时判断两条直线相邻，计算相邻的两条直线的交点，将所述交点输出为截面角点；
计算截面角点的中心点，作为细轴线点；其中，每个所述细轴线点对应四个截面角点；
输出全部细轴线点和全部截面角点。
优选地，所述输出全部细轴线点和全部截面角点，具体为：
以细轴线点作为新的粗轴线点，重新代入所述多边形曲梁轴线提取算法，计算截面角点和细轴线点；
迭代上一步的计算若干次，输出最后一次迭代得到全部细轴线点和全部截面角点。
优选地，所述邻域搜索算法的邻域大小取值范围是1cm至5cm，且不超过当前构件设计梁宽。
优选地，所述依据粗轴线点及该粗轴线点的方向向量，截取第二点云数据的切片，具体为：
在沿粗轴线点的方向向量的方向上，第二点云数据的点和当前粗轴线点的连线中，选取投影长度小于0.5倍当前构件设计梁宽的连线，依据所选取连线所在的平面截取第二点云数据的切片。
优选地，所述通过随机采样一致性算法在第五点云数据中多次拟合直线，且每次直线拟合后删除当前直线所拟合的点，直到所有第五点云数据内的点均被删除，其中：
所述多次拟合直线的次数等于曲梁截面边的数量；所拟合直线的点阈值取值范围是0.5cm至2cm，且不大于0.1倍设计梁宽。
优选地，属于所述圈梁或属于所述次梁的构件均为弯曲双向扭转结构，属于所述主梁的构件均为单向弯曲结构。
本发明的有益效果是：
(1)通过半自动骨架点云分割算法，可以简单方便地通过先验知识，实现骨架各构件的快速准确分割；
(2)通过多边形曲梁轴线提取算法，可快速准确的获取多边形弯扭构件的轴线信息和角点信息；
(3)结合BIM软件，可实现曲面多边形弯扭骨架的自动化逆向建模，从而提高了骨架的竣工验收效率，并为面板深化设计提供了更精确的骨架竣工模型。
附图说明
下文将结合说明书附图对本发明进行进一步的描述说明，其中：
图1为本发明其中一个实施例的方法流程图；
图2为本发明另一实施例的骨架点云示意图；
图3为本发明另一实施例的梁圈点云数据示意图；
图4为本发明另一实施例的主梁点云数据示意图；
图5为本发明另一实施例的次梁点云数据示意图；
图6为本发明另一实施例的建模结果；
图7为本发明又一实施例的构件切片示意图。
图中：1、第二点云数据；2、切片；3、细轴线点；4、真实轴线。
具体实施方式
下面将结合本发明实施例中的附图，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。
本方案的骨架是指于曲面幕墙、曲面采光顶、穹顶等大型空间结构的骨架，由钢结构、混凝土结构或木结构其中一种或其任意组合制成。在骨架施工中，圈梁和次梁通常会形变为弯曲双向扭转结构，主梁则为单向弯曲结构。本方案的骨架中，全部主梁的轴线所在平面相互平行设计，即全部主梁在XY平面内的投影是相互平行的线，主梁的轴线所在的平面与XY平面垂直。
参见图1，作为本发明的其中一个实施，本实施例的骨架包括曲面多边形弯扭的若干个构件，构件所属的种类包括圈梁、主梁和次梁。
本实施例公开了一种基于点云数据的曲面多边形弯扭骨架逆向建模方法，其实现步骤包括：
S1、获取骨架的第一点云数据；
S2、通过半自动骨架点云分割算法，对第一点云数据进行分割，获得每一个构件对应的第二点云数据1；
S3、通过多边形曲梁轴线提取算法，分别提取每一个第二点云数据1的轴线点和截面角点，并将其保存为对应该构件的第三数据；
S4、依据全部第三数据，利用BIM软件，通过密集截面扫掠的方式，进行骨架整体逆向建模，得到建模结果。
本实施例的亮点在于分割以及轴线提取，即步骤S2和步骤S3，其中步骤S2的半自动骨架点云分割算法与现有技术的依赖事先人工标注的构件分割方法相比，采用的技术手段完全不同。
本实施例通过半自动骨架点云分割算法，可以简单方便地通过先验知识，实现骨架各构件的快速准确分割；通过多边形曲梁轴线提取算法，可快速准确的获取多边形弯扭构件的轴线信息和角点信息；结合BIM软件，可实现曲面多边形弯扭骨架的自动化逆向建模，从而提高了骨架的竣工验收效率，并为面板深化设计提供了更精确的骨架竣工模型。
参见图2至图6，作为本发明的另一实施例，是上述实施例结合具体施工实例的详细说明。
本实施例的半自动骨架点云分割算法，其实现的具体步骤如下：
A1、将第一点云数据中，属于圈梁的部分进行人工分割，得到每一根圈梁的第二点云数据1，自动将第一点云数据其余部分保存为主次梁点云数据；
A2、对主次梁点云数据进行主成分分析，选取前三个特征向量对主次梁点云数据进行坐标变换，获得主次梁数据；(此变换并不会造成主次梁点云数据维度信息的丢失；)
A3、统计主次梁数据中各坐标区间的点云数量，依据点云数量的峰值进行分割获得全部的对应单根主梁的第四点云数据；
A4、通过近邻搜索算法获取每个第四点云数据中每个点的邻域点，通过主成分分析计算邻域点的主方向，作为当前点的方向向量；
A5、根据当前点的方向向量筛选每根主梁的侧面点云数据；
A6、根据当前主梁的侧面点云数据拟合获得该主梁的两个侧平面，并根据点与平面关系筛选出位于该主梁两个侧平面内的点，保存为该主梁的第二点云数据1；
A7、从主次梁点云数据中剔除全部主梁的第二点云数据1，得到次梁点云数据，通过密度聚类获得每一根次梁的第二点云数据1。
本实施例的近邻搜索(向量检索)算法采用Kd－Tree算法。本实施例的近邻搜索算法的邻域取值范围是1cm至5cm，且不超过0.1倍的当前构件设计梁宽。
步骤A2中，选取前三个特征向量对主次梁点云数据进行坐标变换，主要是由于在三维空间中通过主成分分析(PCA)进行变换，因此需要选取三个特征向量来确定新的正交坐标系。
步骤A4中计算邻域点的主方向，在主成分分析中有两种情况，平面分布的点云数据第一主成分表现为平面的法向量，线分布的点云数据第一主成分表现为线的方向向量。
本实施例步骤A3的具体实现的分步骤如下：
A31、沿X轴方向，以取值范围0.5至1倍的当前构件设计梁宽作为区间长度，统计各区间内点云的数量，选取峰值区间及其相邻区间的点云数据作为单根主梁的第四点云数据。
本实施例的多边形曲梁轴线提取算法，包括以下步骤：
B1、获取单个第二点云数据1；
B2、通过Laplacian收缩算法，获取当前第二点云数据1的粗轴线点；
B3、通过邻域搜索算法，获取每个粗轴线点的邻域点，并通过主成分分析计算邻域点的主方向，作为当前粗轴线点的方向向量；
B4、依据粗轴线点及该粗轴线点的方向向量，截取第二点云数据1的切片2，并投影至粗轴线点及该粗轴线点的方向向量构成的平面内，保存为第五点云数据；
B5、通过随机采样一致性算法在第五点云数据中多次拟合直线，且每次直线拟合后删除当前直线所拟合的点，直到所有第五点云数据内的点均被删除；
B6、根据曲面多边形弯扭骨架截面形状的先验知识，通过计算相邻直线的内角，内角在第一阈值范围内时判断两条直线相邻，计算相邻的两条直线的交点，将交点输出为截面角点；
B7、计算截面角点的中心点，作为细轴线点3；其中，每个细轴线点3对应四个截面角点；
B8、输出全部细轴线点3和全部截面角点，。
第一阈值范围是90°±20°，即步骤B6中通过选取内角在90°±20°范围内的直线视为相邻边，计算直线交点，即为截面角点。
Laplacian算法是基于Laplacian约束的收缩算法。
本实施例中邻域搜索算法的邻域大小取值范围是1cm至5cm，且不超过当前构件设计梁宽。
步骤B4中的：依据粗轴线点及该粗轴线点的方向向量，截取第二点云数据1的切片2，其具体实现的分步骤如下：
B41、在沿粗轴线点的方向向量的方向上，第二点云数据1的点和当前粗轴线点的连线中，选取投影长度小于0.5倍当前构件设计梁宽的连线，依据所选取连线所在的平面截取第二点云数据1的切片2。
在一段主梁的点云数据中，假设原始点云数据对应长方体主梁的四个侧面，通过拉普拉斯收缩算法得到粗略的长方体的粗轴线点，每个点通过找其邻域点来计算当前点的方向，然后将点云数据(长方体的四个侧面的点)和当前轴线点的连线构成的向量，在当前点方向上的投影长度在一定范围内的点作为切片2，即切片2是从单根梁的点云数据中截取一段范围内的点云数据。
本实施例的步骤B5中，多次拟合直线的次数等于曲梁截面边的数量；所拟合直线的点阈值取值范围是0.5cm至2cm，且不大于0.1倍设计梁宽。
由于本实施例适用的场景是建筑中的多边形弯扭骨架，1至5cm的取值范围是根据常见建筑骨架的尺寸以及点云的密度确定的，下限是为了避免邻域太小导致计算过程中某个切片2截面的某个边无数据，上限以及设计梁宽，是根据施工工艺确定的。常见弯扭骨架施工工艺为以直代曲，认为设计梁宽或5cm范围内的梁是直的，才能满足迭代优化的条件。
参见图7，作为本发明的又一实施，本实施例与上述实施例的区别在于，针对步骤B8，具体实现的分步骤如下：
B81、以细轴线点3作为新的粗轴线点，重新代入步骤B3至B8，计算截面角点和细轴线点3；
B82、迭代上一步的计算两次，输出最后一次迭代得到的全部细轴线点3和全部截面角点。
本实施例的迭代计算，是因为通过Laplacian收缩算法计算获得的粗轴线点，会因点云数据的缺失或不均匀性，往往与真实轴线4存在一定偏差，即粗轴线点的位置以及粗轴线点的方向向量的方向(就是这刀切的是不是垂直于构件的真实轴线4)均出现偏差；但是，如图7所示，如果在一个较小的范围内进行数据截取，即使截面投影沿构件的梁宽方向、梁高方向或两个方向均发生偏转，其粗轴线点(角点中心，即四个角点连线的交点)仍落在真实轴线4上。因此粗轴线点通过第一次迭代可以获得较为准确的拟合轴线(此时角点信息还是不准的)，以该轴线点作为新的粗轴线点进行第二次迭代，可获得较为准确的截面特征，其后，更多次数的迭代将会进一步修正切片2厚度带来的偏差(切片2为一个范围内数据的投影，偏转后截面边会变厚)。
伴随神经网络技术的出现与兴起，现有技术用到机器学习来辅助进行三维模型逆向重建的方案，均采用有监督学习，例如通过神经网络分割平面再经过IFC文件告诉BIM软件哪里有一个平面；然而，上述常用的室内逆向建模方法需要在先制作数据集和标签，以供模型进行训练与验证，研发周期长，训练占用资源多；本实施例是通过无监督学习算法，提取构件的特征信息来实现三维重建，通过各个基础算法的组合，使其对本实施例的曲面多边形弯扭骨架场景起到针对性的优化；其中，所涉及的基础算法均为本领域的常用算法，因此不再赘述；本实施例从数据的相关关系以及实际结构的几何特征入手，只需要依据结构的先验知识，例如骨架中全部构件的截面均为四边形，即可直接通过有限次数的迭代获得足够精度的迭代结果，无需提前训练与验证。
Claims (8)
1.一种基于点云数据的曲面多边形弯扭骨架逆向建模方法，运用于全部主梁的轴线所在平面相互平行设计的骨架，其特征在于，包括：
获取骨架的第一点云数据；其中，所述骨架包括曲面多边形弯扭的若干个构件，所述构件所属的种类包括圈梁、主梁和次梁；
通过半自动骨架点云分割算法，对第一点云数据进行分割，获得每一个构件对应的第二点云数据；
通过多边形曲梁轴线提取算法，分别提取每一个第二点云数据的轴线点和截面角点，并将其保存为对应该构件的第三数据；
依据全部所述第三数据，利用BIM软件，通过密集截面扫掠的方式，进行骨架整体逆向建模，得到建模结果；
其中，所述半自动骨架点云分割算法，包括以下步骤：
将第一点云数据中，属于圈梁的部分进行人工分割，得到每一根圈梁的第二点云数据，将第一点云数据其余部分保存为主次梁点云数据；
对主次梁点云数据进行主成分分析，选取前三个特征向量对主次梁点云数据进行坐标变换，且坐标变换后主梁的轴线方向与坐标轴中的Y轴平行，获得主次梁数据；
统计主次梁数据中各坐标区间的点云数量，依据点云数量的峰值进行分割，获得全部的对应单根主梁的第四点云数据；
通过近邻搜索算法获取每个第四点云数据中每个点的邻域点，通过主成分分析计算邻域点的主方向，作为当前点的方向向量；
根据当前点的方向向量筛选每根主梁的侧面点云数据；
根据当前主梁的侧面点云数据拟合获得该主梁的两个侧平面，并根据点与平面关系筛选出位于该主梁两个侧平面内的点，保存为该主梁的第二点云数据；
从主次梁点云数据中剔除全部主梁的第二点云数据，得到次梁点云数据，通过密度聚类获得每一根次梁的第二点云数据；
所述多边形曲梁轴线提取算法，包括以下步骤：
获取单个第二点云数据；
通过Laplacian收缩算法，获取当前第二点云数据的粗轴线点；
通过邻域搜索算法，获取每个粗轴线点的邻域点，并通过主成分分析计算邻域点的主方向，作为当前粗轴线点的方向向量；
依据粗轴线点及该粗轴线点的方向向量，截取第二点云数据的切片，并投影至粗轴线点及该粗轴线点的方向向量构成的平面内，保存为第五点云数据；
通过随机采样一致性算法在第五点云数据中多次拟合直线，且每次直线拟合后删除当前直线所拟合的点，直到所有第五点云数据内的点均被删除；其中，所述多次拟合直线的次数等于曲梁截面边的数量；
根据曲面多边形弯扭骨架截面形状的先验知识，通过计算任意两条直线的内角，内角在第一阈值范围内时判断两条直线相邻，计算相邻的两条直线的交点，将所述交点输出为截面角点；
计算截面角点的中心点，作为细轴线点；其中，每个所述细轴线点对应四个截面角点；
输出全部细轴线点和全部截面角点。
2.根据权利要求1所述的一种基于点云数据的曲面多边形弯扭骨架逆向建模方法，其特征在于，所述统计主次梁数据中各坐标区间的点云数量，依据点云数量的峰值进行分割获得全部的对应单根主梁的第四点云数据，具体为：
沿X轴方向，以取值范围0.5至1倍的当前构件设计梁宽作为区间长度，统计各区间内点云的数量，选取峰值区间及其相邻区间的点云数据作为单根主梁的第四点云数据。
3.根据权利要求1所述的一种基于点云数据的曲面多边形弯扭骨架逆向建模方法，其特征在于，所述近邻搜索算法的邻域取值范围是1cm至5cm，且不超过0.1倍的当前构件设计梁宽。
4.根据权利要求1所述的一种基于点云数据的曲面多边形弯扭骨架逆向建模方法，其特征在于，所述输出全部细轴线点和全部截面角点，具体为：
以细轴线点作为新的粗轴线点，重新代入所述多边形曲梁轴线提取算法，计算截面角点和细轴线点；
迭代上一步的计算若干次，输出最后一次迭代得到全部细轴线点和全部截面角点。
5.根据权利要求1所述的一种基于点云数据的曲面多边形弯扭骨架逆向建模方法，其特征在于，所述邻域搜索算法的邻域大小取值范围是1cm至5cm，且不超过当前构件设计梁宽。
6.根据权利要求1所述的一种基于点云数据的曲面多边形弯扭骨架逆向建模方法，其特征在于，所述依据粗轴线点及该粗轴线点的方向向量，截取第二点云数据的切片，具体为：
在沿粗轴线点的方向向量的方向上，在第二点云数据的点和当前粗轴线点的连线中，选取投影长度小于0.5倍当前构件设计梁宽的连线，依据所选取连线所在的平面截取第二点云数据的切片。
7.根据权利要求1所述的一种基于点云数据的曲面多边形弯扭骨架逆向建模方法，其特征在于，所述通过随机采样一致性算法在第五点云数据中多次拟合直线，且每次直线拟合后删除当前直线所拟合的点，直到所有第五点云数据内的点均被删除，其中：
所拟合直线的点阈值取值范围是0.5cm至2cm，且不大于0.1倍设计梁宽。
8.根据权利要求1所述的一种基于点云数据的曲面多边形弯扭骨架逆向建模方法，其特征在于，属于所述圈梁或属于所述次梁的构件均为弯曲双向扭转结构，属于所述主梁的构件均为单向弯曲结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913772.3A CN116797741B (zh) | 2023-07-24 | 2023-07-24 | 一种基于点云数据的曲面多边形弯扭骨架逆向建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913772.3A CN116797741B (zh) | 2023-07-24 | 2023-07-24 | 一种基于点云数据的曲面多边形弯扭骨架逆向建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116797741A CN116797741A (zh) | 2023-09-22 |
| CN116797741B true CN116797741B (zh) | 2024-01-05 |
Family
ID=88040343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310913772.3A Active CN116797741B (zh) | 2023-07-24 | 2023-07-24 | 一种基于点云数据的曲面多边形弯扭骨架逆向建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797741B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388723A (zh) * | 2018-02-09 | 2018-08-10 | 吕若丹 | 板桥桥梁点云的部件自动检测方法及系统 |
| CN110095060A (zh) * | 2019-03-12 | 2019-08-06 | 中建三局第一建设工程有限责任公司 | 基于三维扫描技术的钢结构快速质量检测方法 |
| CN112595258A (zh) * | 2020-11-23 | 2021-04-02 | 扆亮海 | 基于地面激光点云的地物轮廓提取方法 |
| 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 |
| CN114861500A (zh) * | 2022-05-26 | 2022-08-05 | 山东大学 | 基于三维点云自动生成隧道结构有限元模型的方法及系统 |
| CN115203778A (zh) * | 2022-05-17 | 2022-10-18 | 中铁二十局集团第三工程有限公司 | 隧道超欠挖检测方法、装置、终端设备及存储介质 |
| CN115222883A (zh) * | 2022-07-15 | 2022-10-21 | 南京泛在地理信息产业研究院有限公司 | 一种基于地基LiDAR点云的电力杆塔重建方法 |
| JP2023066377A (ja) * | 2021-10-28 | 2023-05-15 | エヌビディア コーポレーション | 自律システム及びアプリケーションのための人工知能を使用した点群高密度化を有する３ｄ表面再構成 |
-
2023
- 2023-07-24 CN CN202310913772.3A patent/CN116797741B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388723A (zh) * | 2018-02-09 | 2018-08-10 | 吕若丹 | 板桥桥梁点云的部件自动检测方法及系统 |
| CN110095060A (zh) * | 2019-03-12 | 2019-08-06 | 中建三局第一建设工程有限责任公司 | 基于三维扫描技术的钢结构快速质量检测方法 |
| CN112595258A (zh) * | 2020-11-23 | 2021-04-02 | 扆亮海 | 基于地面激光点云的地物轮廓提取方法 |
| JP2023066377A (ja) * | 2021-10-28 | 2023-05-15 | エヌビディア コーポレーション | 自律システム及びアプリケーションのための人工知能を使用した点群高密度化を有する３ｄ表面再構成 |
| 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 |
| CN115203778A (zh) * | 2022-05-17 | 2022-10-18 | 中铁二十局集团第三工程有限公司 | 隧道超欠挖检测方法、装置、终端设备及存储介质 |
| CN114861500A (zh) * | 2022-05-26 | 2022-08-05 | 山东大学 | 基于三维点云自动生成隧道结构有限元模型的方法及系统 |
| CN115222883A (zh) * | 2022-07-15 | 2022-10-21 | 南京泛在地理信息产业研究院有限公司 | 一种基于地基LiDAR点云的电力杆塔重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116797741A (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Semi-automated generation of parametric BIM for steel structures based on terrestrial laser scanning data | |
| Kopsida et al. | Real-time volume-to-plane comparison for mixed reality–based progress monitoring | |
| US20080021683A1 (en) | Geospatial Modeling System Providing Building Roof Type Identification Features and Related Methods | |
| CN113487722B (zh) | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 | |
| CN110458174A (zh) | 一种无序点云关键特征点精确提取方法 | |
| CN113656858A (zh) | 基于激光扫描点云与bim模型的双球嵌套结构数模比对方法 | |
| Bassier et al. | Comparison of Wall Reconstruction algorithms from Point Cloud Data for as-built BIM | |
| CN115222883A (zh) | 一种基于地基LiDAR点云的电力杆塔重建方法 | |
| CN113587807A (zh) | 一种飞机壁板加工特征面的扫描路径生成方法 | |
| CN111046459A (zh) | 一种基于3d软件的建筑模型图像设计方法 | |
| CN115018249A (zh) | 一种基于激光扫描技术的地铁站施工质量评价方法 | |
| CN115203778A (zh) | 隧道超欠挖检测方法、装置、终端设备及存储介质 | |
| CN116797741B (zh) | 一种基于点云数据的曲面多边形弯扭骨架逆向建模方法 | |
| CN116051734B (zh) | 基于三维激光扫描及实景三维建模的工程量快速统计方法 | |
| EP3365223B1 (en) | Method and system for determining the manufacturing dimensions for a connecting element | |
| CN116051771A (zh) | 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 | |
| CN113569331B (zh) | 一种建筑物三维模型语义化的方法及系统 | |
| KR20230174318A (ko) | 인공지능 모델을 이용하여 건축도면으로부터 개산견적을 산출하는 방법 | |
| CN114998474A (zh) | 一种基于激光点云的规则建筑立面快速制图方法 | |
| Drobnyi et al. | Generating geometric digital twins of buildings: a review | |
| CN117237541B (zh) | 基于建筑立面点云的多视角投影主体结构建模方法及系统 | |
| CN110737934A (zh) | 老虎窗屋面桁架节点的生成方法、装置和存储介质 | |
| Perez-Perez et al. | Automatic 3D modeling of structural and mechanical components from point clouds | |
| CN111862322B (zh) | 一种拱轴线提取方法及装置 | |
| Li et al. | Quality evaluation of point cloud model for interior structure of a common building |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Hantao Inventor after: Wu Xiaofeng Inventor after: Ma Xiaoxiao Inventor after: Chen Wenbin Inventor after: Cui Na Inventor after: Huang Dong Inventor after: Liu Lu Inventor after: Fu Yang Inventor after: Jiang Zhanggao Inventor after: Peng Jiahua Inventor after: Ruan Jing Inventor after: Liu Jiepeng Inventor after: Ye Kun Inventor after: Cheng Qiyuan Inventor after: Xu Qing Inventor after: Zhang Meifei Inventor after: Li Laian Inventor after: Liao Yue Inventor after: Zhang Jie Inventor after: Zeng Yan Inventor before: Li Hantao Inventor before: Wu Xiaofeng Inventor before: Ma Xiaoxiao Inventor before: Chen Wenbin Inventor before: Cui Na Inventor before: Huang Dong Inventor before: Liu Lu Inventor before: Fu Yang Inventor before: Jiang Zhanggao Inventor before: Peng Jiahua Inventor before: Ruan Jing Inventor before: Liu Jiepeng Inventor before: Ye Kun Inventor before: Cheng Qiyuan Inventor before: Xu Qing Inventor before: Zhang Meifei Inventor before: Li Laian Inventor before: Liao Yue Inventor before: Zhang Jie Inventor before: Zeng Yan |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |