CN116805351A - 一种基于物联网的智慧建筑管理系统及方法 - Google Patents
一种基于物联网的智慧建筑管理系统及方法 Download PDFInfo
- Publication number
- CN116805351A CN116805351A CN202310704374.0A CN202310704374A CN116805351A CN 116805351 A CN116805351 A CN 116805351A CN 202310704374 A CN202310704374 A CN 202310704374A CN 116805351 A CN116805351 A CN 116805351A
- Authority
- CN
- China
- Prior art keywords
- module
- building
- dimensional image
- density
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000002360 preparation method Methods 0.000 claims abstract description 9
- 238000007726 management method Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 6
- 238000009877 rendering Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于物联网的智慧建筑管理系统及方法，属于人工智能算法技术领域；该系统包括数据准备模块、计算机视觉模块、机器学习模块、参数化建模模块、优化算法模块和输出结果模块；数据准备模块收集和准备二维图像的数据；计算机视觉模块使用区域分割技术对二维图像的区域密度进行标记，进行关键特征疏密程度评估；机器学习模块使用机器学习算法学习建筑物的规律和特征，并生成三维建筑模型；参数化建模模块基于二维图像的数据疏密程度标记情况，完成对所述三维建筑模型的参数设置。优化算法模块对生成的三维建筑模型进行优化和改进以提高准确性；输出结果模块输出相应的三维模型格式。
Description
技术领域
本发明涉及人工智能算法技术领域，具体为一种基于物联网的智慧建筑管理系统及方法。
背景技术
传统的建筑设计过程中，通常需要手动绘制和构建三维模型，这是一项繁琐且时间消耗较大的任务。由于人为因素，可能存在很大的误差和不一致性。人工智能算法可以应用于二维图像的转换以自动化和加速三维建筑模型的生成过程。通过使用计算机视觉和机器学习技术，利用特征提取技术，提取二维图像中的建筑物的特征信息，对二维图像进行区域密度和关键特征疏密程度的评估，然后利用这些信息生成准确的三维模型。
发明内容
本发明的目的在于提供一种基于物联网的智慧建筑管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于物联网的智慧建筑管理方法，管理方法包括：
步骤S100：对待建模的目标建筑物进行二维图像的数据采集，对采集到二维图像的数据进行预处理，所谓预处理包括去除噪声、校正尺寸和转换格式；
步骤S200：用计算机视觉技术对二维图像进行分析，对所述目标建筑物内各个建筑元素进行识别；对所述二维图像内各部分建筑元素的疏密分布情况进行分析；基于所述各部分建筑元素的疏密分布情况，完成对所述二维图像的图像标记；
步骤S300：通过机器学习训练模型，生成所述二维图像对应的三维建筑模型；
步骤S400：基于所述二维图像的图像标记情况，完成对所述三维建筑模型的参数设置；
步骤S500：通过优化算法，分别对三维建筑模型和建筑场景的数据集进行优化；
步骤S600：对所述生成的三维建筑模型输出为相应的三维模型格式。
进一步的，步骤S200对二维图像解析的过程包括：
步骤S201：利用图像处理技术对二维图像进行预处理，获得更清晰的二维图像；
步骤S202：利用图像识别技术和特征提取技术基于对所述二维图像进行识别提取，获取所述二维图像的像素数量；
步骤S203：对所述二维图像的像素数量进行区域密度的评估；
步骤S204：基于区域密度的评估，进行关键特征疏密程度评估。
进一步的，步骤S203对所述二维图像内各部分建筑元素的疏密程度情况进行分析包括：
步骤S203-1：使用基于边缘检测的算法，对二维图像进行边缘提取，获取二维图像建筑物的轮廓区域；
步骤S203-2：使用区域分割中的区域增长法对所述二维图像建筑物的轮廓区域进行分割，分割后获取若干个子区域；
步骤S203-3：设所述子区域的像素数量为N，所述子区域的面积为A，分别计算所述子区域的像素密度D为D＝N/A，计算所述二维图像建筑物的轮廓区域密度得到平均像素密度T；
步骤S203-4：进行区域密度的评估，所述像素密度D大于所述平均像素密度T时，区域标记为密集区域，像素密度D等于平均像素密度T时，区域标记为中等密集区域，像素密度D小于平均像素密度T时，区域标记为疏松密集区域；
进一步，所述步骤S204对所述关键特征疏密程度评估进行分析包括：
步骤S204-1：设置一个针对建筑场景进行训练的数据集，训练一个建筑元素的多类别分类器；
步骤S204-2：设置候选框的宽高为每个子区域宽高的四分之一，在所述子区域中对每个候选框进行特征向量提取并将其输入到分类器中进行分类，分别得到候选框属于每个类别的分类概率，若一个候选框中的某个分类概率超过其分类阈值，则将其归类为该类别的一个实例，遍历所有的候选框，根据分类器输出的分类概率，统计每个类别的实例数量Q；由于多个候选框的分类可能存在重叠或者包含的情况，根据区域密度的评估，若所述区域标记是密集区域和所述区域标记是中等密集区域，则进行三次特征向量提取并分类取其分类概率的平均值，再进行统计每个类别的实例数量Q；
步骤S204-3：分别累加子区域的所有实例数量Sq为Sq＝Q1+Q2+Q3+...+Qn，所述Q1为第一个类别的实例数量，所述Q2为第二个类别的实例数量，所述Q3为第三个类别的实例数量，所述Qn为第n个类别的实例数量；则分别计算所述子区域的关键特征密度K为K＝Sq/A,所述A为子区域的面积，累加所有实例数量的和S总为S总＝Sq1+Sq2+Sq3+...+Sqn，所述Sq1为第一个子区域的所有实例数量，所述Sq2为第二个子区域的所有实例数量，所述Sq3为第三个子区域的所有实例数量，所述Sqn为第n个子区域的所有实例数量；计算所述二维图像建筑物的轮廓关键特征密度得到平均关键特征密度L为L＝S总/M，所述M为二维图像建筑物的轮廓区域面积。
进一步的，步骤S300机器学习进行迭代更新的流程包括：
步骤S301：初始化模型参数，在迭代训练之前随机初始化模型参数；
步骤S302：通过计算损失函数，获得欧几里得距离；
步骤S304：通过反向传播计算损失函数对于模型参数的梯度；
步骤S305：进行参数更新，模型调整；
步骤S306：重复进行损失计算和参数更新。
进一步的，所述步骤S400基于二维图像的图像标记情况完成三维建筑模型的参数设置过程包括：
步骤S401：基于二维图像的图像标记数据，获取关键特征疏密程度评估；
步骤S402：使用B样条曲线控制增加或者减少曲线控制点的数量；
步骤S403：所述区域标记为关键特征密集区域，设定曲线控制点的数量为3n个，所述区域标记为关键特征中等密集区域，设定曲线控制点的数量为2n个，所述区域标记为关键特征疏松密集区域，设定曲线控制点的数量为n个；
步骤S404：生成相应的建筑物模型。
为更好实现上述方法还提出来一种基于物联网的智慧建筑管理系统，所述智慧建筑管理系统包括：数据准备模块、计算机视觉模块、机器学习模块、参数化建模模块、优化算法模块、输出结果模块；
所述数据准备模块，对待建模的目标建筑物进行二维图像的数据采集，对采集到二维图像的数据进行预处理，所谓预处理包括去除噪声、校正尺寸和转换格式；
所述计算机视觉模块，对所述目标建筑物内各个建筑元素进行识别；对所述二维图像内各部分建筑元素的疏密分布情况进行分析；基于所述各部分建筑元素的疏密分布情况，完成对所述二维图像的图像标记；
所述机器学习模块，通过机器学习训练模型，生成所述二维图像对应的三维建筑模型；
所述参数化建模模块，基于所述二维图像的图像标记情况，完成对所述三维建筑模型的参数设置；
所述优化算法模块，优化算法对所述生成的三维建筑模型进行优化和改进；
所述输出结果模块，对所述生成的三维建筑模型输出为相应的三维模型格式。
进一步的，所述计算机视觉模块包括图像处理模块、图像识别和特征提取模块，疏密分布情况模块；
所述图像处理模块，利用图像处理技术对二维图像进行预处理；
所述边缘检测模块，利用图像识别技术和特征提取技术基于对所述二维图像进行识别提取，获取所述二维图像的像素数量；
所述疏密分布情况模块，对所述目标建筑物内各个建筑元素进行识别；对所述二维图像内各部分建筑元素的疏密分布情况进行分析；基于所述各部分建筑元素的疏密分布情况，完成对所述二维图像的图像标记。
进一步的，所述参数化建模模块包括获取图像标记数据模块，曲线控制模块；
所述图像标记数据模块，基于二维图像的图像标记数据，获取关键特征疏密程度评估；
所述曲线控制模块，根据获取区域标的颜色，使用B样条曲线进行设置曲线控制点的数量。
进一步的，所述优化算法模块，对所述生成的三维建筑模型进行优化和改进。
进一步的，所述输出结果模块包括三维建筑模型模块、空间布局模块、几何形状模块、材质和质感模块、渲染图像模块；
所述三维建筑模型模块输出结果是一个具有几何形状和空间布局的三维模型；
所述空间布局模块输出结果展示了建筑物在三维空间中的布局和组织方式；
所述几何形状模块是三维建筑模型中包含了建筑物各个元素的几何形状；
所述材质和质感模块输出的三维模型一般包含了材质和质感的信息；
所述渲染图像模块用于更好展示三维建筑，进行渲染操作。
与现有技术相比，本发明所达到的有益效果是：本发明通过使用人工智能算法将二维图像转换为三维建筑模型可以提高自动化程度、使用计算机视觉和特征提取，在二维图像中提取建筑物的特征信息，通过区域分割对所述二维图像的特征信息进行数据疏密程度进行标记，提高三维建筑模型准确率，根据疏密程度的标记结果，针对不同区域设置不同的曲线控制点数，提高了对三维建筑物模型的灵活性调整和细节化处理。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是基于物联网的智慧建筑管理系统的模块示意图；
图2是基于物联网的智慧建筑管理系统的流程示意图；
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。
请参阅图1-2，本发明提供技术方案：一种基于物联网的智慧建筑管理方法，管理方法包括：
步骤S100：对待建模的目标建筑物进行二维图像的数据采集，对采集到二维图像的数据进行预处理，所谓预处理包括去除噪声、校正尺寸和转换格式；
步骤S200：用计算机视觉技术对二维图像进行分析，对所述目标建筑物内各个建筑元素进行识别；对所述二维图像内各部分建筑元素的疏密分布情况进行分析；基于所述各部分建筑元素的疏密分布情况，完成对所述二维图像的图像标记；
其中，步骤S200对二维图像解析的过程包括：
步骤S201：利用图像处理技术对二维图像进行预处理，获得更清晰的二维图像；
步骤S202：利用图像识别技术和特征提取技术基于对所述二维图像进行识别提取，获取所述二维图像的像素数量；
步骤S203：对所述二维图像的像素数量进行区域密度的评估；
其中，步骤S203对所述二维图像内各部分建筑元素的疏密程度情况进行分析包括：
步骤S203-1：使用基于边缘检测的算法，对二维图像进行边缘提取，获取二维图像建筑物的轮廓区域；
步骤S203-2：使用区域分割中的区域增长法对所述二维图像建筑物的轮廓区域进行分割，分割后获取若干个子区域；
步骤S203-3：设所述子区域的像素数量为N，所述子区域的面积为A，分别计算所述子区域的像素密度D为D＝N/A，计算所述二维图像建筑物的轮廓区域密度得到平均像素密度T；
步骤S203-4：进行区域密度的评估，所述像素密度D大于所述平均像素密度T时，区域标记为密集区域，像素密度D等于平均像素密度T时，区域标记为中等密集区域，像素密度D小于平均像素密度T时，区域标记为疏松密集区域；
例如说，我们有一张二维图纸，我们使用边缘检测算法对图纸进行处理，得到了建筑物的边缘信息，根据建筑物的轮廓，我们使用区域分割技术将图纸进行分割，假设得到了三个子区域：区域1代表建筑物A区域，区域2代表建筑物B区域，区域3代表建筑物C区域，假设经过计算得到平均像素密度T为0.6，建筑物A区域的像素密度为0.8，建筑物B区域的像素密度为0.4，建筑物C区域的像素密度为0.6,由S203-4进行疏密程度的评估可以得到结论，建筑物A区域是密集区域标记为红色，建筑物B区域是疏松密集区域标记为绿色，建筑物C区域是中等密集区域标记为黄色；
其中，所述步骤S204对所述关键特征疏密程度评估进行分析包括：
步骤S204-1：设置一个针对建筑场景进行训练的数据集，训练一个建筑元素的多类别分类器；
步骤S204-2：设置候选框的宽高为每个子区域宽高的四分之一，在所述子区域中对每个候选框进行特征向量提取并将其输入到分类器中进行分类，分别得到候选框属于每个类别的分类概率，若一个候选框中的某个分类概率超过其分类阈值，则将其归类为该类别的一个实例，遍历所有的候选框，根据分类器输出的分类概率，统计每个类别的实例数量Q；由于多个候选框的分类可能存在重叠或者包含的情况，根据区域密度的评估，若所述区域标记是密集区域和所述区域标记是中等密集区域，则进行三次特征向量提取并分类取其分类概率的平均值，再进行统计每个类别的实例数量Q；
步骤S204-3：分别累加子区域的所有实例数量Sq为Sq＝Q1+Q2+Q3+...+Qn，所述Q1为第一个类别的实例数量，所述Q2为第二个类别的实例数量，所述Q3为第三个类别的实例数量，所述Qn为第n个类别的实例数量；则分别计算所述子区域的关键特征密度K为K＝Sq/A,所述A为子区域的面积，累加所有实例数量的和S总为S总＝Sq1+Sq2+Sq3+...+Sqn，所述Sq1为第一个子区域的所有实例数量，所述Sq2为第二个子区域的所有实例数量，所述Sq3为第三个子区域的所有实例数量，所述Sqn为第n个子区域的所有实例数量；计算所述二维图像建筑物的轮廓关键特征密度得到平均关键特征密度L为L＝S总/M，所述M为二维图像建筑物的轮廓区域面积；
步骤S300：通过机器学习训练模型，生成所述二维图像对应的三维建筑模型；
其中，所述步骤S300机器学习进行迭代更新的流程包括：
步骤S301：初始化模型参数，在迭代训练之前随机初始化模型参数；
步骤S302：通过计算损失函数，获得欧几里得距离；
步骤S304：通过反向传播计算损失函数对于模型参数的梯度；
步骤S305：进行参数更新，模型调整；
步骤S306：重复进行损失计算和参数更新。
步骤S400：基于所述二维图像的图像标记情况，完成对所述三维建筑模型的参数设置；其中，所述步骤S400基于二维图像的图像标记情况完成三维建筑模型的参数设置过程包括：
步骤S401：基于二维图像的图像标记数据，获取关键特征疏密程度评估；
步骤S402：使用B样条曲线控制增加或者减少曲线控制点的数量；
步骤S403：所述区域标记为关键特征密集区域，设定曲线控制点的数量为3n个，所述区域标记为关键特征中等密集区域，设定曲线控制点的数量为2n个，所述区域标记为关键特征疏松密集区域，设定曲线控制点的数量为n个；
步骤S404：生成相应的建筑物模型。
步骤S500：通过优化算法，分别对三维建筑模型和建筑场景的数据集进行优化；
步骤S600：对所述生成的三维建筑模型输出为相应的三维模型格式。
为更好实现上述方法还提出来一种基于物联网的智慧建筑管理系统及方法，所述智慧建筑管理系统包括数据准备模块、计算机视觉模块、机器学习模块、参数化建模模块、优化算法模块、输出结果模块；
所述数据准备模块，对待建模的目标建筑物进行二维图像的数据采集，对采集到二维图像的数据进行预处理，所谓预处理包括去除噪声、校正尺寸和转换格式；
所述计算机视觉模块包括图像处理模块、图像识别和特征提取模块，疏密分布情况模块；所述图像处理模块，利用图像处理技术对二维图像进行预处理；所述边缘检测模块，利用图像识别技术和特征提取技术基于对所述二维图像进行识别提取，获取所述二维图像的像素数量；所述疏密分布情况模块，对所述目标建筑物内各个建筑元素进行识别；对所述二维图像内各部分建筑元素的疏密分布情况进行分析；基于所述各部分建筑元素的疏密分布情况，完成对所述二维图像的图像标记。
所述机器学习模块，通过机器学习训练模型，生成所述二维图像对应的三维建筑模型。
所述参数化建模模块，所述参数化建模模块包括获取图像标记数据模块，曲线控制模块；所述图像标记数据模块，基于二维图像的图像标记数据，获取区域标记的颜色；所述曲线控制模块，根据获取区域标的颜色，使用B样条曲线进行设置曲线控制点的数量。
所述优化算法模块，优化算法对所述生成的三维建筑模型进行优化和改进。
所述输出结果模块包括三维建筑模型模块、空间布局模块、几何形状模块、材质和质感模块、渲染图像模块；所述三维建筑模型模块输出结果是一个具有几何形状和空间布局的三维模型；所述空间布局模块输出结果展示了建筑物在三维空间中的布局和组织方式；所述几何形状模块是三维建筑模型中包含了建筑物各个元素的几何形状；所述材质和质感模块输出的三维模型一般包含了材质和质感的信息；所述渲染图像模块用于更好展示三维建筑，进行渲染操作。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (10)
1.一种基于物联网的智慧建筑管理方法，其特征在于，所述管理方法包括：
步骤S100：对待建模的目标建筑物进行二维图像的数据采集，对采集到二维图像的数据进行预处理，所谓预处理包括去除噪声、校正尺寸和转换格式；
步骤S200：用计算机视觉技术对二维图像进行分析，对所述二维图像内建筑元素的区域密度进行评估；基于所述建筑元素的区域密度进行评估，完成对所述二维图像的图像标记；基于图像标记完成关键特征疏密程度评估；
步骤S300：通过机器学习训练模型，生成所述二维图像对应的三维建筑模型；
步骤S400：基于所述二维图像的图像标记情况，完成对所述三维建筑模型的参数设置；
步骤S500：通过优化算法，分别对三维建筑模型和建筑场景的数据集进行优化；
步骤S600：对所述生成的三维建筑模型输出为相应的三维模型格式。
2.根据权利要求1所述的一种基于物联网的智慧建筑管理方法，其特征在于：所述步骤S200在对二维图像进行分析时的过程包括：
步骤S201：利用图像处理技术对二维图像进行预处理，获得建筑场景数据集；
步骤S202：利用图像识别技术和特征提取技术基于对所述二维图像进行识别提取，获取所述二维图像的像素数量；
步骤S203：对所述二维图像的像素数量进行区域密度的评估；
步骤S204：基于区域密度的评估，进行关键特征疏密程度评估。
3.根据权利要求2所述的一种基于物联网的智慧建筑管理方法，其特征在于：所述步骤S203对所述二维图像内的建筑元素的疏密程度情况进行分析包括：
步骤S203-1：使用基于边缘检测的算法，对二维图像进行边缘提取，获取二维图像建筑物的轮廓区域；
步骤S203-2：使用区域分割中的区域增长法对所述二维图像建筑物的轮廓区域进行分割，分割后获取若干个子区域；
步骤S203-3：设所述子区域的像素数量为N，所述子区域的面积为A，所述二维图像建筑物的轮廓区域面积为M，分别计算所述子区域的像素密度D为D＝N/A，计算所述二维图像建筑物的轮廓区域密度得到平均像素密度T；
步骤S203-4：进行区域密度的评估，所述像素密度D大于所述平均像素密度T时，区域标记为密集区域，像素密度D等于平均像素密度T时，区域标记为中等密集区域，像素密度D小于平均像素密度T时，区域标记为疏松密集区域。
4.根据权利要求3所述的一种基于物联网的智慧建筑管理方法，其特征在于：所述步骤S204对所述关键特征疏密程度评估进行分析包括：
步骤S204-1：设置一个针对建筑场景进行训练的数据集，训练一个建筑元素的多类别分类器；
步骤S204-2：设置候选框的宽高为每个子区域宽高的四分之一，在所述子区域中对每个候选框进行特征向量提取并将其输入到分类器中进行分类，分别得到候选框属于每个类别的分类概率，若一个候选框中的某个分类概率超过其分类阈值，则将其归类为该类别的一个实例，遍历所有的候选框，根据分类器输出的分类概率，统计每个类别的实例数量Q；由于多个候选框的分类可能存在重叠或者包含的情况，根据区域密度的评估，若所述区域标记是密集区域和所述区域标记是中等密集区域，则进行三次特征向量提取并分类取其分类概率的平均值，再进行统计每个类别的实例数量Q；
步骤S204-3：分别累加子区域的所有实例数量Sq为Sq＝Q1+Q2+Q3+...+Qn，所述Q1,Q2,Q3,...,Qn分别为第1,2,3,..,n个类别的实例数量；则分别计算所述子区域的关键特征密度K为K＝Sq/A,所述A为子区域的面积，累加所有实例数量的和S总为S总＝Sq1+Sq2+Sq3+...+Sqn，所述Sq1,Sq2,Sq3,...,Sqn,分别为第1,2,3,...,n个子区域的所有实例数量；计算所述二维图像建筑物的轮廓关键特征密度得到平均关键特征密度L为L＝S总/M，所述M为二维图像建筑物的轮廓区域面积；
步骤S204-4：进行关键特征疏密程度评估，所述关键特征密度K大于所述平均关键特征密度L时，区域标记为关键特征密集区域，关键特征密度K等于平均关键特征密度L时，区域标记为关键特征中等密集区域，关键特征密度K小于平均关键特征密度L时，区域标记为关键特征疏松密集区域。
5.根据权利要求4所述的一种基于物联网的智慧建筑管理方法，其特征在于：所述步骤S300机器学习进行迭代更新的流程包括：
步骤S301：初始化模型参数，在迭代训练之前随机初始化模型参数；
步骤S302：通过计算损失函数，获得欧几里得距离；
步骤S304：通过反向传播计算损失函数对于模型参数的梯度；
步骤S305：进行参数更新，模型调整；
步骤S306：重复进行损失计算和参数更新。
6.根据权利要求5所述的一种基于物联网的智慧建筑管理方法，其特征在于：所述步骤S400基于二维图像的图像标记情况完成三维建筑模型的参数设置过程包括：
步骤S401：基于二维图像的图像标记数据，获取关键特征疏密程度评估；
步骤S402：使用B样条曲线控制增加或者减少曲线控制点的数量；
步骤S403：所述区域标记为关键特征密集区域，设定曲线控制点的数量为3n个，所述区域标记为关键特征中等密集区域，设定曲线控制点的数量为2n个，所述区域标记为关键特征疏松密集区域，设定曲线控制点的数量为n个；
步骤S404：生成相应的建筑物模型。
7.根据权利要求1-6中任一项的一种基于物联网的智慧建筑管理方法的一种基于物联网的智慧建筑管理系统，其特征在于：所述管理系统包括数据准备模块、计算机视觉模块、机器学习模块、参数化建模模块、优化算法模块、输出结果模块；
所述数据准备模块，对待建模的目标建筑物进行二维图像的数据采集，对采集到二维图像的数据进行预处理，所谓预处理包括去除噪声、校正尺寸和转换格式；
所述计算机视觉模块，对所述目标建筑物内各个建筑元素进行识别；对所述二维图像内建筑元素的区域密度进行评估；基于所述建筑元素的区域密度进行评估，完成对所述二维图像的图像标记；基于图像标记完成关键特征疏密程度评估；
所述机器学习模块，通过机器学习训练模型，生成所述二维图像对应的三维建筑模型；
所述参数化建模模块，基于所述二维图像的图像标记情况，完成对所述三维建筑模型的参数设置；
所述优化算法模块，分别对三维建筑模型和建筑场景的数据集进行优化；
所述输出结果模块，对所述生成的三维建筑模型输出为相应的三维模型格式。
8.根据权利要求7所述的一种基于物联网的智慧建筑管理系统，其特征在于：所述数据准备模块包括导入图纸模块、数据格式模块、矢量化图纸模块、图像预处理模块、图像校正模块；所述导入图纸模块用于将二维图像文件导入计算机中；
所述数据格式模块，用于图纸导入时需要将其转换成计算机可处理格式；
所述矢量化图纸模块，进行图像处理和分析，将图纸转化为矢量格式；
所述图像预处理模块，对边缘检测和特征提取的准确性进行优化；
所述图像校正模块，用于二维图像在扫描或数字化过程中存在旋转、缩放或失真问题需要进行图像校正。
9.根据权利要求7所述的一种基于物联网的智慧建筑管理系统，其特征在于：所述计算机视觉模块包括图像处理模块、图像识别和特征提取模块，疏密分布情况模块；
所述图像处理模块，利用图像处理技术对二维图像进行预处理；
所述边缘检测模块，利用图像识别技术和特征提取技术基于对所述二维图像进行识别提取，获取所述二维图像的像素数量；
所述疏密分布情况模块，对所述目标建筑物内各个建筑元素进行识别；对所述二维图像内各部分建筑元素的疏密分布情况进行分析；基于所述各部分建筑元素的疏密分布情况，完成对所述二维图像的图像标记。
10.根据权利要求7所述的一种基于物联网的智慧建筑管理系统，其特征在于：所述参数化建模模块包括获取图像标记数据模块，曲线控制模块；
所述图像标记数据模块，基于二维图像的图像标记数据，获取区域标记的颜色；
所述曲线控制模块，根据获取区域关键特征疏密程度评估，使用B样条曲线进行设置曲线控制点的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310704374.0A CN116805351A (zh) | 2023-06-14 | 2023-06-14 | 一种基于物联网的智慧建筑管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310704374.0A CN116805351A (zh) | 2023-06-14 | 2023-06-14 | 一种基于物联网的智慧建筑管理系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116805351A true CN116805351A (zh) | 2023-09-26 |
Family
ID=88079304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310704374.0A Pending CN116805351A (zh) | 2023-06-14 | 2023-06-14 | 一种基于物联网的智慧建筑管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116805351A (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140334667A1 (en) * | 2013-05-08 | 2014-11-13 | Honeywell International Inc. | Aerial image segmentation for refineries |
| JP2015088819A (ja) * | 2013-10-29 | 2015-05-07 | セコム株式会社 | 撮像シミュレーション装置 |
| CN108535321A (zh) * | 2018-03-30 | 2018-09-14 | 吉林建筑大学 | 一种基于三维红外热成像技术的建筑热工性能检测方法 |
| CN110533765A (zh) * | 2019-07-30 | 2019-12-03 | 西安理工大学 | 一种多次单应诱导的多平面结构物体的三维重建方法 |
| CN110992377A (zh) * | 2019-12-02 | 2020-04-10 | 北京推想科技有限公司 | 图像分割方法、装置、计算机可读存储介质和设备 |
| CN111340822A (zh) * | 2020-02-24 | 2020-06-26 | 武汉大学 | 一种多尺度自适应机载LiDAR点云建筑物单体化分割方法 |
| CN113252053A (zh) * | 2021-06-16 | 2021-08-13 | 中智行科技有限公司 | 高精度地图生成方法、装置和电子设备 |
| CN113326759A (zh) * | 2021-05-26 | 2021-08-31 | 中国地质大学（武汉） | 一种遥感影像建筑物识别模型的不确定性估计方法 |
| WO2021169502A1 (en) * | 2020-02-27 | 2021-09-02 | Changsha Pixel Code Technology Co. Ltd | A pixel image as well as its processing method and application system |
| CN113920420A (zh) * | 2020-07-07 | 2022-01-11 | 香港理工大学深圳研究院 | 一种建筑物提取方法、装置、终端设备及可读存储介质 |
| CN114332134A (zh) * | 2022-03-08 | 2022-04-12 | 航天宏图信息技术股份有限公司 | 一种基于密集点云的建筑物立面提取方法和装置 |
| CN114758252A (zh) * | 2022-06-16 | 2022-07-15 | 南开大学 | 基于图像的分布式光伏屋顶资源分割与提取方法及系统 |
| CN115631297A (zh) * | 2022-09-27 | 2023-01-20 | 中南建筑设计院股份有限公司 | 基于深度学习图像识别的城市三维快速建模方法及系统 |
| KR20230036327A (ko) * | 2021-09-07 | 2023-03-14 | 서울대학교산학협력단 | 패치기반의 딥러닝 알고리즘을 통한 실내도면 이미지에서의 실내공간정보 자동추출방법 및 그 장치 |
| CN115861569A (zh) * | 2022-12-06 | 2023-03-28 | 中冶南方城市建设工程技术有限公司 | 既有建筑绿色改造中基于数字图像采集的三维重建方法 |
| CN116030182A (zh) * | 2021-10-26 | 2023-04-28 | 智维云图(上海)智能科技有限公司 | 一种基于图纸识别技术的建筑三维可视化方法和系统 |
-
2023
- 2023-06-14 CN CN202310704374.0A patent/CN116805351A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140334667A1 (en) * | 2013-05-08 | 2014-11-13 | Honeywell International Inc. | Aerial image segmentation for refineries |
| JP2015088819A (ja) * | 2013-10-29 | 2015-05-07 | セコム株式会社 | 撮像シミュレーション装置 |
| CN108535321A (zh) * | 2018-03-30 | 2018-09-14 | 吉林建筑大学 | 一种基于三维红外热成像技术的建筑热工性能检测方法 |
| CN110533765A (zh) * | 2019-07-30 | 2019-12-03 | 西安理工大学 | 一种多次单应诱导的多平面结构物体的三维重建方法 |
| CN110992377A (zh) * | 2019-12-02 | 2020-04-10 | 北京推想科技有限公司 | 图像分割方法、装置、计算机可读存储介质和设备 |
| CN111340822A (zh) * | 2020-02-24 | 2020-06-26 | 武汉大学 | 一种多尺度自适应机载LiDAR点云建筑物单体化分割方法 |
| WO2021169502A1 (en) * | 2020-02-27 | 2021-09-02 | Changsha Pixel Code Technology Co. Ltd | A pixel image as well as its processing method and application system |
| CN113920420A (zh) * | 2020-07-07 | 2022-01-11 | 香港理工大学深圳研究院 | 一种建筑物提取方法、装置、终端设备及可读存储介质 |
| CN113326759A (zh) * | 2021-05-26 | 2021-08-31 | 中国地质大学（武汉） | 一种遥感影像建筑物识别模型的不确定性估计方法 |
| CN113252053A (zh) * | 2021-06-16 | 2021-08-13 | 中智行科技有限公司 | 高精度地图生成方法、装置和电子设备 |
| KR20230036327A (ko) * | 2021-09-07 | 2023-03-14 | 서울대학교산학협력단 | 패치기반의 딥러닝 알고리즘을 통한 실내도면 이미지에서의 실내공간정보 자동추출방법 및 그 장치 |
| CN116030182A (zh) * | 2021-10-26 | 2023-04-28 | 智维云图(上海)智能科技有限公司 | 一种基于图纸识别技术的建筑三维可视化方法和系统 |
| CN114332134A (zh) * | 2022-03-08 | 2022-04-12 | 航天宏图信息技术股份有限公司 | 一种基于密集点云的建筑物立面提取方法和装置 |
| CN114758252A (zh) * | 2022-06-16 | 2022-07-15 | 南开大学 | 基于图像的分布式光伏屋顶资源分割与提取方法及系统 |
| CN115631297A (zh) * | 2022-09-27 | 2023-01-20 | 中南建筑设计院股份有限公司 | 基于深度学习图像识别的城市三维快速建模方法及系统 |
| CN115861569A (zh) * | 2022-12-06 | 2023-03-28 | 中冶南方城市建设工程技术有限公司 | 既有建筑绿色改造中基于数字图像采集的三维重建方法 |
Non-Patent Citations (6)
| Title |
|---|
| 任燕红;郭幸丽;马丽;: "基于增强算子的污染土雷达图像特征提取仿真", 计算机仿真, no. 04, 15 April 2020 (2020-04-15) * |
| 王少荣;敖知琪;要曙丽;陈毅松;汪国平;: "自适应的线条画绘制", 中国图象图形学报, no. 05, 16 May 2018 (2018-05-16) * |
| 莫中夏;张新长;张志强;: "基于超像素的高分辨率影像建筑物提取", 地理与地理信息科学, no. 06, 5 December 2017 (2017-12-05) * |
| 董斌智: "基于多任务模型的建筑平面图结构识别方法与系统实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 February 2023 (2023-02-15) * |
| 陈健?;彭凌霄;仇晓兰;丁赤飚;吴一戎;: "基于深度神经网络的SAR建筑目标三维重建方法", 中国科学:信息科学, no. 12, 20 December 2019 (2019-12-20) * |
| 高华;: "关于古建筑图像中破损点优化提取仿真", 计算机仿真, no. 11, 15 November 2017 (2017-11-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111027547B (zh) | 一种针对二维图像中的多尺度多形态目标的自动检测方法 | |
| CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
| CN108629286B (zh) | 一种基于主观感知显著模型的遥感机场目标检测方法 | |
| CN112270317B (zh) | 一种基于深度学习和帧差法的传统数字水表读数识别方法 | |
| CN110021028B (zh) | 一种基于服装款式图的自动制衣方法 | |
| CN115205692B (zh) | 基于生成对抗网络的典型地物要素智能识别与提取方法 | |
| CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
| CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
| CN113012124B (zh) | 一种鞋印孔洞和嵌入物特征检测及描述方法 | |
| CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
| CN112990183A (zh) | 离线手写汉字同名笔画提取方法、系统、装置 | |
| CN114612450B (zh) | 基于数据增广机器视觉的图像检测分割方法、系统、电子设备 | |
| CN112686872B (zh) | 基于深度学习的木材计数方法 | |
| CN116993947B (zh) | 一种三维场景可视化展示方法及系统 | |
| CN112926694A (zh) | 基于改进的神经网络对图像中的猪只进行自动识别的方法 | |
| CN116934761A (zh) | 一种乳胶手套缺陷自适应检测方法 | |
| CN109886320B (zh) | 一种人体股骨x光片智能识读方法及系统 | |
| CN116805351A (zh) | 一种基于物联网的智慧建筑管理系统及方法 | |
| CN111047614A (zh) | 一种基于特征提取的复杂场景图像的目标角点提取方法 | |
| CN114463720B (zh) | 一种基于线段交并比损失函数的车道线检测方法 | |
| CN112364844B (zh) | 一种基于计算机视觉技术的数据采集方法及系统 | |
| CN114708237A (zh) | 一种用于头发健康状况的检测算法 | |
| CN114022434A (zh) | 一种护栏上下边线自动化提取方法及提取系统 | |
| Ahmadia et al. | The application of neural networks, image processing and cad-based environments facilities in automatic road extraction and vectorization from high resolution satellite images | |
| JP2004094427A (ja) | 帳票画像処理装置及び該装置を実現するためのプログラム |
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 |