CN116882035B - 一种基于人工智能的空间对象识别与建模方法及相关设备 - Google Patents
一种基于人工智能的空间对象识别与建模方法及相关设备 Download PDFInfo
- Publication number
- CN116882035B CN116882035B CN202311145951.3A CN202311145951A CN116882035B CN 116882035 B CN116882035 B CN 116882035B CN 202311145951 A CN202311145951 A CN 202311145951A CN 116882035 B CN116882035 B CN 116882035B
- Authority
- CN
- China
- Prior art keywords
- coordinate
- coordinates
- model
- target
- initial
- 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 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 91
- 230000000903 blocking effect Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000000295 complement effect Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Architecture (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Civil Engineering (AREA)
- Computational Mathematics (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及空间建模技术领域,尤其涉及一种基于人工智能的空间对象识别与建模方法及相关设备,其方法包括:获取目标对象的空间点云数据,并基于空间点云数据,获取初始坐标;判断初始坐标是否为异常坐标;若初始坐标为异常坐标,则将初始坐标删除,并重新获取初始坐标;若初始坐标非异常坐标,则将初始坐标标记为目标坐标,并基于目标坐标生成基础模型;对基础模型进行区块化处理,并生成区块化模型;基于预设模型部件数据库以及预设选取规则,判断是否存在与区块化模型相匹配的模型部件;若存在与区块化模型相匹配的模型部件,则基于基础模型与模型部件生成目标模型。本申请有助于提高建模的准确性。
Description
技术领域
本申请涉及空间建模技术领域,尤其涉及一种基于人工智能的空间对象识别与建模方法及相关设备。
背景技术
随着科学技术的进步与现代人工智能技术的飞速发展,现代建模方式已经迈入自动化、智能化和个性化的崭新阶段,现代建模方法主要有两种方式,一种是利用激光点云数据人工手动提取空间对象整体轮廓线,通过人工优化轮廓来提高空间结构的准确性,另一种是利用机器学习算法对点云数据进行分层,相似层分类形成不同组成部分,分别去建模,从而实现整体轮廓建模。
然而,相关技术中的建模方法中,无论是第一种方法还是第二种方法,都没有对点云数据进行相关的筛选,而是直接根据获取到的点云数据进行建模,当点云数据中存在异常坐标时,容易导致最终的建模结果不够准确。
发明内容
为了有助于提高建模结果的准确性,本申请提供一种基于人工智能的空间对象识别与建模方法及相关设备。
第一方面,本申请提供的一种基于人工智能的空间对象识别与建模方法,采用如下的技术方案:
一种基于人工智能的空间对象识别与建模方法,包括:
获取目标对象的空间点云数据,并基于所述空间点云数据,获取初始坐标;
判断所述初始坐标是否为异常坐标;
若所述初始坐标为所述异常坐标,则将所述初始坐标删除,并重新获取所述初始坐标;
若所述初始坐标非所述异常坐标,则将所述初始坐标标记为目标坐标,并基于所述目标坐标生成基础模型;
对所述基础模型进行区块化处理,并生成区块化模型;
基于预设模型部件数据库以及预设选取规则,判断是否存在与所述区块化模型相匹配的模型部件;
若存在与所述区块化模型相匹配的所述模型部件,则基于所述基础模型与所述模型部件生成目标模型。
通过采用上述技术方案,根据目标空间的空间点云数据获取初始坐标,并判断初始坐标是否为异常坐标,若是,则表明该初始坐标出现异常,不符合空间建模要求,因此需要将该初始坐标删除,并重新获取该初始坐标;若该初始坐标非异常坐标,则表明该初始坐标符合空间建模要求,因此将符合空间建模要求的初始坐标标记为目标坐标,并根据目标坐标生成基础模型,对基础模型进行区块化处理,并生成区块化模型,再根据预设模型部件数据库以及预设选取规则,判断是否存在与区块化模型相匹配的模型部件,若存在,则表明可以直接在基础模型的基础上调用该模型部件进行空间建模;
在根据空间点云数据获取到基础坐标后,对基础坐标进行异常判断,并将判定为异常坐标的基础坐标进行删除,只保留正常坐标,因此,在进行空间建模时,空间模型均是根据正常坐标建立的,极大的去除了异常坐标对建模结果的干扰,因此有助于提高建模结果的准确性。
可选的,所述判断所述初始坐标是否为异常坐标的具体步骤包括:
基于所述初始坐标,获取与所述初始坐标相邻的坐标作为相邻坐标;
基于所述初始坐标与所述相邻坐标,获取坐标距离;
判断所述坐标距离是否小于或等于预设距离阈值;
若所述坐标距离小于或等于所述预设距离阈值,则判定所述初始坐标非所述异常坐标;
若所述坐标距离大于所述预设距离阈值,则判定所述初始坐标为所述异常坐标。
通过采用上述技术方案,根据初始坐标获取相邻坐标,并根据初始坐标和相邻坐标,计算两者之间的坐标距离,判断该坐标距离是否大于预设距离阈值,若否,即初始坐标和相邻坐标之间的坐标距离小于或等于预设距离阈值,则表明该坐标距离属于正常范围内,因此判定该初始坐标非异常坐标,若是,即初始坐标和相邻坐标之间的坐标距离大于预设距离阈值,则表明该坐标距离超出正常范围内,因此判定该初始坐标为异常坐标;通过计算初始坐标与相邻坐标之间的坐标距离,并将之与预设距离阈值相比较,有助于清楚地判断出该初始坐标是否为异常坐标,从而便于对异常坐标进行删除,进而有助于提高空间建模结果的准确性。
可选的,在所述对所述基础模型进行区块化处理,并生成区块化模型之前还包括:
基于所述基础模型,判断所述异常坐标是否为关键坐标;
若所述异常坐标为所述关键坐标,则重新获取所述关键坐标,并基于所述关键坐标对所述基础模型进行修正;
若所述异常坐标非所述关键坐标,则基于所述空间点云数据,获取所述初始坐标的坐标数量作为第一坐标数量;
获取所述目标坐标的坐标数量作为第二坐标数量;
获取所述第一坐标数量与所述第二坐标数量的第一数量差值;
判断所述第一数量差值是否大于预设数量阈值;
若所述第一数量差值大于所述预设数量阈值,则获取补差坐标;
基于所述补差坐标,对所述基础模型进行修正。
通过采用上述技术方案,先判断异常坐标是否为关键坐标,若是,则表明该异常坐标所对应的基础坐标的重要性较高,对基础模型的生成影响较大,因此需要重新获取该关键坐标,对通过该关键坐标对基础模型进行修正,若否,则表明该异常坐标所对应的基础坐标的重要性较低,对基础模型生成影响不大;
为进一步判断是否需要对基础模型进行修正,需要获取第一坐标数量和第二坐标数量,再根据第一坐标数量和第二坐标数量获取第一数量差值,并判断该第一数量差值是否大于预设数量阈值,若是,则表明异常坐标的数量在所有基础坐标数量中所占的比重过大,因目标坐标的数量在所有基础坐标数量中所占的比重过小,影响基础模型的准确性,所以需要获取补差坐标,并根据补差坐标对基础模型进行修正;
结合重要坐标和第一数量差值作为判断因素,通过多重判断,判断是否需要对基础模型进行修正,有助于提高基础模型的准确性,从而有助于提高目标模型的准确性。
可选的,所述若所述第一数量差值大于所述预设数量阈值,则获取补差坐标的具体步骤包括:
若所述第一数量差值大于所述预设数量阈值,则基于所述坐标距离以及所述预设距离阈值获取坐标缺失区域;
基于所述基础模型,判断是否存在与所述坐标缺失区域相对称的对称区域;
若存在与所述坐标缺失区域相对称的对称区域,则判断所述对称区域是否为所述坐标缺失区域;
若所述对称区域非所述坐标缺失区域,则获取所述对称区域所对应的目标坐标;
基于所述目标坐标获取缺失坐标,并将所述缺失坐标作为所述补差坐标。
通过采用上述技术方案,若第一数量差值大于预设数量阈值,则根据基础模型和预设距离阈值获取坐标缺失区域,并判断是否存在与该坐标缺失区域相对称的对称区域,若存在,则继续判断该对称区域是否也为坐标缺失区域,若否,则表明与坐标缺失区域对称的对称区域并非坐标缺失区域,即对称区域的目标坐标是未缺失的,因此可以直接根据该对称区域所对应的目标坐标获取缺失坐标,并将该缺失坐标作为补差坐标;根据坐标缺失区域和对称区域的对称关系,通过对称区域的目标坐标获取坐标缺失区域的缺失坐标,不仅方便快捷,而且所获取到的缺失坐标均为完整的目标坐标,因此根据该缺失坐标所生成的基础模型会更加精准。
可选的,在所述若存在与所述坐标缺失区域相对称的对称区域,则判断所述对称区域是否为所述坐标缺失区域之后还包括:
若所述对称区域为所述坐标缺失区域,则分别获取所述对称区域所对应的目标坐标以及与所述对称区域相对称的坐标缺失区域的目标坐标;
基于所述对称区域所对应的目标坐标以及与所述对称区域对称的所述缺失区域的目标坐标,获取单边坐标;
获取所述单边坐标的坐标数量作为第三坐标数量;
获取所述第三坐标数量与所述第二坐标数量的数量总和;
获取所述第一坐标数量与所述数量总和的第二数量差值;
判断所述第二数量差值是否大于所述预设数量阈值;
若所述第二数量差值小于或等于所述预设数量阈值,则将所述单边坐标作为所述补差坐标。
通过采用上述技术方案,若对称区域为坐标缺失区域,则表明对称区域的目标坐标是缺失的,因此不能直接根据对称区域的目标坐标获取坐标缺失区域的缺失坐标,因此分别获取对称区域所对应的目标坐标以及与该对称区域相对称的坐标缺失区域的目标坐标,基于对称区域所对应的目标坐标以及与该对称区域对称的缺失区域的目标坐标获取单边坐标,获取第三坐标数量和第二坐标数量的数量总和以及第一坐标数量与该数量总和的第二数量差值,并判断该第二数量差值是否大于预设数量阈值,若是,则表明目标坐标与单边坐标的和满足基础模型的数量标准,因此将单边坐标作为补差坐标,有助于提高基础模型的准确性,从而有助于提高目标模型的准确性。
可选的,在所述基于所述基础模型,判断是否存在与所述坐标缺失区域相对称的对称区域之后还包括:
若不存在与所述坐标缺失区域相对称的对称区域,则获取所述坐标缺失区域的区域个数;
判断所述区域个数是否大于1;
若所述区域个数等于1,则基于所述坐标缺失区域,重新获取所述初始坐标;
若所述区域个数大于1,则获取不同所述坐标缺失区域的区域范围;
基于不同所述区域范围,获取范围总和;
对所述区域范围进行排序,并生成排序列表;
基于所述排序列表、所述范围总和以及预设补差规则获取目标区域,并重新获取所述目标区域的目标坐标作为所述补差坐标。
通过采用上述技术方案,若不存在与坐标缺失区域相对称的对称区域,则获取坐标缺失区域的区域个数,并判断该区域个数是否大于1,若是,则表明存在多个坐标缺失区域,因此获取不同坐标缺失区域的区域范围,并根据不同区域范围获取范围总和,从不同缺失区域中选择目标区域,并重新获取目标区域的目标坐标作为补差坐标;选择区域范围满足预设补差规则的缺失区域作为目标区域,重新获取该目标区域的目标坐标,第二坐标数量即可满足基础模型的数量要求,因此将目标区域的目标坐标作为补差坐标,无需重新获取所有坐标缺失区域所对应的目标坐标,不仅有助于提高建模效率,还有助于提高基础模型的准确性。
可选的,所述基于预设模型部件数据库以及预设选取规则,判断是否存在与所述区块化模型相匹配的模型部件的具体步骤包括:
基于所述区块化模型,获取与不同所述区块化模型相匹配的目标坐标作为区块坐标;
获取所述区块坐标的坐标数量作为第四坐标数量;
对所述第四坐标数量进行排序,生成数量列表,并基于所述数量列表判断是否存在多个所述区块化模型所对应的所述第四坐标数量相等;
若不存在多个所述区块化模型所对应的所述第四坐标数量相等,则基于所述排序列表、所述预设选取规则以及所述预设模型部件数据库,判断是否存在与所述区块化模型相匹配的模型部件;
若存在多个所述区块化模型所对应的所述第四坐标数量相等,则基于所述基础模型获取不同所述区块化模型的模型位置;
基于所述模型位置、所述数量列表以及预设建模规则,判断是否存在与所述区块化模型相匹配的模型部件。
通过采用上述技术方案,获取第四坐标数量,并判断是否存在多个区块化模型所对应的第四坐标数量相等,若不存在,则表明每个区块化模型所对应的第四坐标数量均不相同,对不同第四坐标数量进行排序,并根据排序先后顺序判断预设模型部件数据库中是否有与该区块化模型匹配的模型部件,若存在,则表明同时有多个区块化模型所对应的第四坐标数量相同,则根据基础模型获取不同区块化模型的模型位置,再根据模型位置以及预设建模规则判断是否存在与区块化模型相匹配的模型部件;
根据不同的情况,设置不同的规则,来确定判断是否存在与区块化模型相匹配的模型部件的判断先后顺序,当所有第四坐标数量均不相同时,根据第四坐标数量的多少来确定先后顺序,第四坐标数量越多,则对应的区块化模型更加明显,因此更加便于匹配对应的模型部件,有助于提高建模效率,而当存多个在第四坐标数量相同时,则根据预设建模规则,来确定判断是否存在与区块化模型相匹配的模型部件的判断先后顺序,因此更加方便建模,从而也有助于提高建模效率。
第二方面,本申请还公开了一种基于人工智能的空间对象识别与建模系统,采用如下的技术方案:
一种基于人工智能的空间对象识别与建模系统,包括:
第一获取模块,用于获取目标对象的空间点云数据,并基于所述空间点云数据,获取初始坐标;
第一判断模块,用于判断所述初始坐标是否为异常坐标;
第二获取模块,若所述初始坐标为所述异常坐标,则所述第二获取模块用于将所述初始坐标删除,并重新获取所述初始坐标;
第一生成模块,若所述初始坐标非所述异常坐标,则所述生成模块用于将所述初始坐标标记为目标坐标,并基于所述目标坐标生成基础模型;
第二生成模块,用于对所述基础模型进行区块化处理,并生成区块化模型;
第二判断模块,用于基于预设模型部件数据库以及预设选取规则,判断是否存在与所述区块化模型相匹配的模型部件;
第三生成模块,若存在与所述区块化模型相匹配的所述模型部件,则所述第三生成模块用于基于所述基础模型与所述模型部件生成目标模型。
通过采用上述技术方案,根据目标空间的空间点云数据获取初始坐标,并判断初始坐标是否为异常坐标,若是,则表明该初始坐标出现异常,不符合空间建模要求,因此需要将该初始坐标删除,并重新获取该初始坐标;若该初始坐标非异常坐标,则表明该初始坐标符合空间建模要求,因此将符合空间建模要求的初始坐标标记为目标坐标,并根据目标坐标生成基础模型,对基础模型进行区块化处理,并生成区块化模型,再根据预设模型部件数据库以及预设选取规则,判断是否存在与区块化模型相匹配的模型部件,若存在,则表明可以直接在基础模型的基础上调用该模型部件进行空间建模;
在根据空间点云数据获取到基础坐标后,对基础坐标进行异常判断,并将判定为异常坐标的基础坐标进行删除,只保留正常坐标,因此,在进行空间建模时,空间模型均是根据正常坐标建立的,极大的去除了异常坐标对建模结果的干扰,因此有助于提高建模结果的准确性。
第三方面,本申请提供的一种计算机装置,采用如下的技术方案:
一种智能终端,包括存储器、处理器,所述存储器中用于存储能够在所述处理器上运行的计算机程序,所述处理器加载计算机程序时,执行第一方面的方法。
通过采用上述技术方案,基于第一方面的方法生成计算机程序,并存储于存储器中,以被处理器加载执行,从而,根据存储器及处理器制作智能终端,方便使用者使用。
第四方面,本申请提供的一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器加载时,执行第一方面的方法。
通过采用上述技术方案,基于第一方面的方法生成计算机程序,并存储于计算机可读存储介质中,以被处理器加载并执行,通过计算机可读存储介质,方便计算机程序的可读及存储。
综上所述,本申请包括以下有益技术效果:
在根据空间点云数据获取到基础坐标后,对基础坐标进行异常判断,并将判定为异常坐标的基础坐标进行删除,只保留正常坐标,因此,在进行空间建模时,空间模型均是根据正常坐标建立的,极大的去除了异常坐标对建模结果的干扰,因此有助于提高建模结果的准确性。
附图说明
图1是本申请实施例一种基于人工智能的空间对象识别与建模方法的主要流程图;
图2是步骤S201至步骤S205的步骤流程图;
图3是步骤S301至步骤S308的步骤流程图;
图4是步骤S401至步骤S405的步骤流程图;
图5是步骤S501至步骤S507的步骤流程图;
图6是步骤S601至步骤S607的步骤流程图;
图7是步骤S701至步骤S706的步骤流程图;
图8是本申请实施例一种基于人工智能的空间对象识别与建模系统的模块图。
附图标记说明:
1、第一获取模块;2、第一判断模块;3、第二获取模块;4、第一生成模块;5、第二生成模块;6、第二判断模块;7、第三生成模块。
具体实施方式
第一方面,本申请公开了一种基于人工智能的空间对象识别与建模方法。
参照图1,一种基于人工智能的空间对象识别与建模方法,包括步骤S101至步骤S107:
步骤S101:获取目标对象的空间点云数据,并基于空间点云数据,获取初始坐标。
具体的,目标对象即目标空间对象,可以为需要以此为基础进行建模的建筑物,例如房屋和高塔等,本实施例中,通过激光扫描仪对目标对象进行扫描,从而生成该目标对象的空间点云数据,该空间点云数据包含大量目标对象表面的空间坐标,而该空间坐标即为初始坐标。
步骤S102:判断初始坐标是否为异常坐标。
具体的,异常坐标表示出现异常的坐标,也表示不满足建模要求的坐标,本实施例中,可以通过根据不同初始坐标的位置关系来判断该初始坐标是否为异常坐标。
步骤S103:若初始坐标为异常坐标,则将初始坐标删除,并重新获取初始坐标。
步骤S104:若初始坐标非异常坐标,则将初始坐标标记为目标坐标,并基于目标坐标生成基础模型。
具体的,本实施例中,非异常坐标即为目标坐标,基础模型即为目标坐标组合生成的坐标集合模型。
步骤S105:对基础模型进行区块化处理,并生成区块化模型。
具体的,将基础模型切割成不同区块,生成多个区块化模型,本实施例中,区块化模型表示将基础模型切割后形成的子模型。
步骤S106:基于预设模型部件数据库、预设选取规则以及预设选取规则,判断是否存在与区块化模型相匹配的模型部件。
具体的,预设模型部件数据库即预先设置的用于存储模型部件的数据库,该预设模型部件数据库中存储有大量不同类型的模型部件,例如门部件、窗部件以及墙部件等,本实施例中,通过将区块化模型与预设模型部件数据库中的模型部件进行匹配,若匹配程度超过90%,或其他预先设定的数值,则判定存在与区块化模型相匹配的模型部件;预设选取规则即预先设置的,用于确定不同区块化模型与预设模型部件数据库中的模型部件进行匹配先后顺序的规则。
步骤S107:若存在与区块化模型相匹配的模型部件,则基于基础模型与模型部件生成目标模型。
具体的,本实施例中,若存在与区块化模型相匹配的模型部件,则直接从预设模型部件数据库中调用与区块化模型相匹配的模型部件进行建模,并生成目标模型,目标模型即最终生成的空间模型。
本实施例提供的基于人工智能的空间对象识别与建模方法,根据目标空间的空间点云数据获取初始坐标,并判断初始坐标是否为异常坐标,若是,则表明该初始坐标出现异常,不符合空间建模要求,因此需要将该初始坐标删除,并重新获取该初始坐标;若该初始坐标非异常坐标,则表明该初始坐标符合空间建模要求,因此将符合空间建模要求的初始坐标标记为目标坐标,并根据目标坐标生成基础模型,对基础模型进行区块化处理,并生成区块化模型,再根据预设模型部件数据库以及预设选取规则,判断是否存在与区块化模型相匹配的模型部件,若存在,则表明可以直接在基础模型的基础上调用该模型部件进行空间建模。
在根据空间点云数据获取到基础坐标后,对基础坐标进行异常判断,并将判定为异常坐标的基础坐标进行删除,只保留正常坐标,因此,在进行空间建模时,空间模型均是根据正常坐标建立的,极大的去除了异常坐标对建模结果的干扰,因此有助于提高建模结果的准确性。
参照图2,在本实施例的其中一种实施方式中,步骤S102判断初始坐标是否为异常坐标的具体步骤包括步骤S201至步骤S205:
步骤S201:基于初始坐标,获取与初始坐标相邻的坐标作为相邻坐标。
具体的,选定一个初始坐标,再根据基础模型获取相邻坐标,本实施例中,相邻坐标即与初始坐标相邻的坐标。
步骤S202:基于初始坐标与相邻坐标,获取坐标距离。
具体的,本实施例中,根据初始坐标和相邻坐标,计算两坐标之间的坐标间距,本实施例中可以通过坐标距离计算公式计算。
步骤S203:判断坐标距离是否小于或等于预设距离阈值。
具体的,将坐标距离与预设距离阈值作比较,从而判断出该坐标距离与预设距离阈值的大小关系,预设距离阈值即预先设置的用于根据坐标距离判断初始坐标是否为异常坐标的判断标准,本实施例中,通过激光扫描仪对目标对象进行扫描时,预设有扫描精度,预设距离阈值可以根据扫描精度设置,例如,若扫描精度为A,则预设距离阈值可以为AB,其中B为百分比,值得注意的是,在本实施例中,B≥100%。
步骤S204:若坐标距离小于或等于预设距离阈值,则判定初始坐标非异常坐标。
步骤S205:若坐标距离大于预设距离阈值,则判定初始坐标为异常坐标。
具体的,当坐标缺失时,也可能导致坐标距离大于预设距离阈值,因此还可以通过测算目标对象的实际尺寸,再通过扫描精度估算大致初始坐标的数量,再通过当前初始坐标数量与估算得出的数量相比较,若相差数量在某个范围内,则判定初始坐标为异常坐标,若相差数量超出某个范围,则判定导致坐标距离大于预设距离阈值的原因是坐标缺失,因此判定该初始坐标为正常坐标。
本实施方式提供的基于人工智能的空间对象识别与建模方法,根据初始坐标获取相邻坐标,并根据初始坐标和相邻坐标,计算两者之间的坐标距离,判断该坐标距离是否大于预设距离阈值,若否,即初始坐标和相邻坐标之间的坐标距离小于或等于预设距离阈值,则表明该坐标距离属于正常范围内,因此判定该初始坐标非异常坐标,若是,即初始坐标和相邻坐标之间的坐标距离大于预设距离阈值,则表明该坐标距离超出正常范围内,因此判定该初始坐标为异常坐标;通过计算初始坐标与相邻坐标之间的坐标距离,并将之与预设距离阈值相比较,有助于清楚地判断出该初始坐标是否为异常坐标,从而便于对异常坐标进行删除,进而有助于提高空间建模结果的准确性。
参照图3,在本实施例的其中一种实施方式中,在步骤S105对基础模型进行区块化处理,并生成区块化模型之前还包括步骤S301至步骤S308:
步骤S301:基于基础模型,判断异常坐标是否为关键坐标。
具体的,关键坐标为对基础模型的生成比较关键且影响较大的坐标,本实施例中,在通过激光扫描仪对目标对象进行扫描时,可以根据扫描顺序和方向对初始坐标进行编号,因此通过异常坐标的编号即可获知该异常坐标原本应该所处位置,再判断该所处位置是不是形成基础模型的关键坐标。
本实施例中,根据基础模型可以将特定位置所在的坐标设置为关键坐标,特殊位置可以为基础模型中不同区域的顶点位置以及基础模型中不同区域的连接位置等,例如非目标建筑为高塔时,塔顶区域所在坐标以及塔顶与塔身连接区域所在的坐标均可以设定为关键坐标。
步骤S302:若异常坐标为关键坐标,则重新获取关键坐标,并基于关键坐标对基础模型进行修正。
具体的,本实施例中,若异常坐标为关键坐标,则表明该异常坐标原本应该所处的坐标位置对生成基础模型的重要性较高,但是由于该坐标发生异常成为了异常坐标,因此对生成基础模型存在较大的不良影响,极有可能导致生成的基础模型不够精准,因此需要重新获取该关键坐标对基础模型进行修正。
步骤S303:若异常坐标非关键坐标,则基于空间点云数据,获取初始坐标的坐标数量作为第一坐标数量。
具体的,第一坐标数量及初始坐标的坐标数量,本实施例中,可以通过坐标编号计算出第一坐标数量。
步骤S304:获取目标坐标的坐标数量作为第二坐标数量。
具体的,第二坐标数量即目标坐标的坐标数量,本实施例中,可以通过坐标编号计算出第二坐标数量。
步骤S305:获取第一坐标数量与第二坐标数量的第一数量差值。
具体的,本实施例中,第一数量差值即第一坐标数量减去第二坐标数量所得的差值。
步骤S306:判断第一数量差值是否大于预设数量阈值。
具体的,预设数量阈值即预先设置的,用于判断第一数量差值是否过大的判断标准,本实施例中也是用于判断异常坐标所占比重是否过大的判别标准。
步骤S307:若第一数量差值大于预设数量阈值,则获取补差坐标。
具体的,若第一数量差值大于预设数量阈值,则表明异常坐标所占比重过大,因此生成的基础模型准确性较低,因此需要获取补差坐标来提高基础模型的准确性。
步骤S308:基于补差坐标,对基础模型进行修正。
具体的,本实施例中,将补差坐标补充进基础模型中,从而对基础模型进行补修正。
本实施方式提供的基于人工智能的空间对象识别与建模方法,先判断异常坐标是否为关键坐标,若是,则表明该异常坐标所对应的基础坐标的重要性较高,对基础模型的生成影响较大,因此需要重新获取该关键坐标,对通过该关键坐标对基础模型进行修正,若否,则表明该异常坐标所对应的基础坐标的重要性较低,对基础模型生成影响不大。
为进一步判断是否需要对基础模型进行修正,需要获取第一坐标数量和第二坐标数量,再根据第一坐标数量和第二坐标数量获取第一数量差值,并判断该第一数量差值是否大于预设数量阈值,若是,则表明异常坐标的数量在所有基础坐标数量中所占的比重过大,因目标坐标的数量在所有基础坐标数量中所占的比重过小,影响基础模型的准确性,所以需要获取补差坐标,并根据补差坐标对基础模型进行修正。
结合重要坐标和第一数量差值作为判断因素,通过多重判断,判断是否需要对基础模型进行修正,有助于提高基础模型的准确性,从而有助于提高目标模型的准确性。
参照图4,在本实施例的其中一种实施方式中,步骤S307若第一数量差值大于预设数量阈值,则获取补差坐标的具体步骤包括步骤S401至步骤S405:
步骤S401:若第一数量差值大于预设数量阈值,则基于坐标距离以及预设距离阈值获取坐标缺失区域。
具体的,若第一数量差值大于预设数量阈值,则表明异常坐标较多,那么有些区域必然存在坐标缺失,而存在坐标缺失的区域记为坐标缺失区域,本实施例中,通过比对坐标距离与预设距离阈值之间的大小关系来判断该区域是否存在坐标缺失,也可以通过基础模型根据坐标编号来确定坐标缺失区域。
步骤S402:基于基础模型,判断是否存在与坐标缺失区域相对称的对称区域。
具体的,本实施例中,对称区域即与坐标缺失区域相对称的区域,本实施例中可以通过基础模型进行分析,此外在对目标对象进行扫描时,还可以对目标对象进行拍摄,通过拍摄到的图像进行分析,再将拍摄的图像与基础模型进行匹配,从而判断出是否存在与坐标缺失区域相对称的对称区域。
步骤S403:若存在与坐标缺失区域相对称的对称区域,则判断对称区域是否为坐标缺失区域。
具体的,本实施例中,若存在与坐标缺失区域相对称的对称区域,则需要进一步判断对称区域是否也为坐标缺失区域。
步骤S404:若对称区域非坐标缺失区域,则获取对称区域所对应的目标坐标。
步骤S405:基于目标坐标获取缺失坐标,并将缺失坐标作为补差坐标。
具体的,缺失坐标即缺失区域的目标坐标,本实施例中,可以通过找到缺失区域和对称区域的对称面,分别根据对称区域所对应目标坐标与该对称面来确定坐标缺失区域所对应缺失坐标。
本实施方式提供的基于人工智能的空间对象识别与建模方法,若第一数量差值大于预设数量阈值,则根据基础模型和预设距离阈值获取坐标缺失区域,并判断是否存在与该坐标缺失区域相对称的对称区域,若存在,则继续判断该对称区域是否也为坐标缺失区域,若否,则表明与坐标缺失区域对称的对称区域并非坐标缺失区域,即对称区域的目标坐标是未缺失的,因此可以直接根据该对称区域所对应的目标坐标获取缺失坐标,并将该缺失坐标作为补差坐标;根据坐标缺失区域和对称区域的对称关系,通过对称区域的目标坐标获取坐标缺失区域的缺失坐标,不仅方便快捷,而且所获取到的缺失坐标均为完整的目标坐标,因此根据该缺失坐标所生成的基础模型会更加精准。
参照图5,在本实施例的其中一种实施方式中,在步骤S403若存在与坐标缺失区域相对称的对称区域,则判断对称区域是否为坐标缺失区域之后还包括步骤S501至步骤S507:
步骤S501:若对称区域为坐标缺失区域,则分别获取对称区域所对应的目标坐标以及与对称区域相对称的坐标缺失区域的目标坐标。
步骤S502:基于对称区域所对应的目标坐标以及与对称区域对称的缺失区域的目标坐标。
具体的,单边坐标包括两种,分别为对称区域缺失但是与对称区域相对称的坐标缺失区域存在的坐标,以及坐标缺失区域缺失但是与坐标缺失区域对称的对称区域存在的坐标,本实施例中可以通过对称性质获取单边坐标。
步骤S503:获取单边坐标的坐标数量作为第三坐标数量。
具体的,本实施例中,第三坐标数量即两种单边坐标的总和。
步骤S504:获取第三坐标数量与第二坐标数量的数量总和。
具体的,本实施例中,数量总和即第三坐标数量与第二坐标数量的总和。
步骤S505:获取第一坐标数量与数量总和的第二数量差值。
具体的,本实施例中,第二数量差值即第一坐标数量减去数量总和所得的差值。
步骤S506:判断第二数量差值是否大于预设数量阈值。
具体的,本实施例中,通过比对第二数量差值与预设数量阈值的大小,从而判断出第二数量差值是否大于预设数量阈值。
步骤S507:若第二数量差值小于或等于预设数量阈值,则将单边坐标作为补差坐标。
具体的,本实施例中,若第二数量差值小于或等于预设数量阈值,则表明目标坐标与单边坐标的和满足基础模型的数量标准,因此可以将单边坐标作为补差坐标。值得注意的是,若第二数量差值大于预设数量阈值,则表明目标坐标与单边坐标的和仍然不满足基础模型的数量标准,因此还需要根据实际情况重新获取补差坐标。
本实施方式提供的基于人工智能的空间对象识别与建模方法,若对称区域为坐标缺失区域,则表明对称区域的目标坐标是缺失的,因此不能直接根据对称区域的目标坐标获取坐标缺失区域的缺失坐标,因此分别获取对称区域所对应的目标坐标以及与该对称区域相对称的坐标缺失区域的目标坐标,基于对称区域所对应的目标坐标以及与该对称区域对称的缺失区域的目标坐标获取单边坐标,获取第三坐标数量和第二坐标数量的数量总和以及第一坐标数量与该数量总和的第二数量差值,并判断该第二数量差值是否大于预设数量阈值,若是,则表明目标坐标与单边坐标的和满足基础模型的数量标准,因此将单边坐标作为补差坐标,有助于提高基础模型的准确性,从而有助于提高目标模型的准确性。
参照图6,在本实施例的其中一种实施方式中,在步骤S402基于基础模型,判断是否存在与坐标缺失区域相对称的对称区域之后还包括步骤S601至步骤S607:
步骤S601:若不存在与坐标缺失区域相对称的对称区域,则获取坐标缺失区域的区域个数。
具体的,区域个数即坐标缺失区域的个数。
步骤S602:判断区域个数是否大于1。
步骤S603:若区域个数等于1,则基于坐标缺失区域,重新获取初始坐标。
具体的,本实施例中,重新对目标对象上与该坐标缺失区域相对应的区域进行扫描,从而重新获取该坐标缺失区域的初始坐标。
步骤S604:若区域个数大于1,则获取不同坐标缺失区域的区域范围。
具体的,区域范围即坐标缺失区域的范围,本实施例中,区域范围也可以表示为由包围着缺失坐标的目标坐标组成的范围,因此只需获取到包围着缺失坐标的各个目标坐标,即可获取到区域范围。
步骤S605:基于不同区域范围,获取范围总和。
具体的,本实施例中,范围总和及各个区域范围之和。
步骤S606:对区域范围进行排序,并生成排序列表。
具体的,本实施例中,排序列表即根据区域范围从大到小进行排序生成的列表。
步骤S607:基于排序列表、范围总和以及预设补差规则获取目标区域,并重新获取目标区域的目标坐标作为补差坐标。
具体的,本实施例中,按照排序列表的顺序,选择范围区域占范围总和比重超过范围阈值的坐标缺失区域作为目标区域,本实施例中范围阈值可以是范围区域占范围总和比重的80或其他数值。
此外,目标区域可能是1个,也可能是多个,由区域范围的大小决定,例如若A坐标缺失区域的区域范围占范围总和的85%,超过80%,因此目标区域记为A坐标缺失区域;若A坐标缺失区域的区域范围占范围总和的65%,B坐标缺失区域的区域范围占范围总和的20%,65%+20%=85%,超过80%,因此目标区域记为A坐标缺失区域和B坐标缺失区域。
值得注意的是,为提高建模效率,若目标区域存在多个时,首先按照排序列表选择区域范围最大的坐标缺失区域,再根据该坐标缺失区域的区域范围占范围总和的比重选择与其最相匹配的其他坐标缺失区域,例如若A坐标缺失区域的区域范围占范围总和的65%,则优先选择区域范围占范围总和比重为16%的坐标缺失区域与A坐标缺失区域进行匹配组成目标区域。
本实施方式提供的基于人工智能的空间对象识别与建模方法,若不存在与坐标缺失区域相对称的对称区域,则获取坐标缺失区域的区域个数,并判断该区域个数是否大于1,若是,则表明存在多个坐标缺失区域,因此获取不同坐标缺失区域的区域范围,并根据不同区域范围获取范围总和,从不同缺失区域中选择目标区域,并重新获取目标区域的目标坐标作为补差坐标;选择区域范围满足预设补差规则的缺失区域作为目标区域,重新获取该目标区域的目标坐标,第二坐标数量即可满足基础模型的数量要求,因此将目标区域的目标坐标作为补差坐标,无需重新获取所有坐标缺失区域所对应的目标坐标,不仅有助于提高建模效率,还有助于提高基础模型的准确性。
参照图7,在本实施例的其中一种实施方式中,步骤S106基于预设模型部件数据库、预设选取规则以及预设选取规则,判断是否存在与区块化模型相匹配的模型部件的具体步骤包括步骤S701至步骤S706:
步骤S701:基于区块化模型,获取与不同区块化模型相匹配的目标坐标作为区块坐标。
具体的,区块坐标即与不同区块化模型相匹配的目标坐标,本实施例中,也表示区块化模型所包含的目标坐标。
步骤S702:获取区块坐标的坐标数量作为第四坐标数量。
具体的,本实施例中,第四坐标数量即区块坐标的坐标数量。
步骤S703:对第四坐标数量进行排序,生成数量列表,并基于数量列表判断是否存在多个区块化模型所对应的第四坐标数量相等。
具体的,本实施例中,数量列表即根据第四坐标数量的大小顺序排序生成的列表,根据数量列表,判断是否存在多个相等的第四坐标数量。
步骤S704:若不存在多个区块化模型所对应的第四坐标数量相等,则基于数量列表、预设选取规则以及预设模型部件数据库,判断是否存在与区块化模型相匹配的模型部件。
具体的,若不存在,则表明每个第四坐标数量均不相等,本实施例中预设选取规则优先选择第四坐标数量较多的区块化模型进行匹配。
步骤S705:若存在多个区块化模型所对应的第四坐标数量相等,则基于基础模型获取不同区块化模型的模型位置。
具体的,本实施例中,模型位置即区块化模型在基础模型中所处的位置,例如顶部、底部或中间区域等。
步骤S706:基于模型位置以及预设建模规则,判断是否存在与区块化模型相匹配的模型部件。
具体的,预设建模规则即预先设置的建模规则,包括建模顺序等,本实施例中,根据预设建模规则选择模型位置进行建模。
本实施方式提供的基于人工智能的空间对象识别与建模方法,获取第四坐标数量,并判断是否存在多个区块化模型所对应的第四坐标数量相等,若不存在,则表明每个区块化模型所对应的第四坐标数量均不相同,对不同第四坐标数量进行排序,并根据排序先后顺序判断预设模型部件数据库中是否有与该区块化模型匹配的模型部件,若存在,则表明同时有多个区块化模型所对应的第四坐标数量相同,则根据基础模型获取不同区块化模型的模型位置,再根据模型位置以及预设建模规则判断是否存在与区块化模型相匹配的模型部件。
根据不同的情况,设置不同的规则,来确定判断是否存在与区块化模型相匹配的模型部件的判断先后顺序,当所有第四坐标数量均不相同时,根据第四坐标数量的多少来确定先后顺序,第四坐标数量越多,则对应的区块化模型更加明显,因此更加便于匹配对应的模型部件,有助于提高建模效率,而当存在多个在第四坐标数量相同时,则根据预设建模规则,来确定判断是否存在与区块化模型相匹配的模型部件的判断先后顺序,因此更加方便建模,从而也有助于提高建模效率。
第二方面,本申请还公开了一种基于人工智能的空间对象识别与建模系统。
参照图8,一种基于人工智能的空间对象识别与建模系统,包括:
第一获取模块1,用于获取目标对象的空间点云数据,并基于空间点云数据,获取初始坐标;
第一判断模块2,用于判断初始坐标是否为异常坐标;
第二获取模块3,若初始坐标为异常坐标,则第二获取模块3用于将初始坐标删除,并重新获取初始坐标;
第一生成模块4,若初始坐标非异常坐标,则生成模块用于将初始坐标标记为目标坐标,并基于目标坐标生成基础模型;
第二生成模块5,用于对基础模型进行区块化处理,并生成区块化模型;
第二判断模块6,用于基于预设模型部件数据库以及预设选取规则,判断是否存在与区块化模型相匹配的模型部件;
第三生成模块7,若存在与区块化模型相匹配的模型部件,则第三生成模块7用于基于基础模型与模型部件生成目标模型。
第三方面,本申请实施例公开一种智能终端,包括存储器、处理器,存储器中用于存储能够在处理器上运行的计算机程序,处理器加载计算机程序时,执行上述实施例的一种基于人工智能的空间对象识别与建模方法。
第四方面,本申请实施例公开一种计算机可读存储介质,并且,计算机可读存储介质中存储有计算机程序,其中,计算机程序被处理器加载时,执行上述实施例的一种基于人工智能的空间对象识别与建模方法。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (7)
1.一种基于人工智能的空间对象识别与建模方法,其特征在于,包括:
获取目标对象的空间点云数据,并基于所述空间点云数据,获取初始坐标;
判断所述初始坐标是否为异常坐标;
若所述初始坐标为所述异常坐标,则将所述初始坐标删除,并重新获取所述初始坐标;
若所述初始坐标非所述异常坐标,则将所述初始坐标标记为目标坐标,并基于所述目标坐标生成基础模型;
对所述基础模型进行区块化处理,并生成区块化模型;
基于预设模型部件数据库以及预设选取规则,判断是否存在与所述区块化模型相匹配的模型部件;
若存在与所述区块化模型相匹配的所述模型部件,则基于所述基础模型与所述模型部件生成目标模型;
其中,所述判断所述初始坐标是否为异常坐标的具体步骤包括:
基于所述初始坐标,获取与所述初始坐标相邻的坐标作为相邻坐标;
基于所述初始坐标与所述相邻坐标,获取坐标距离;
判断所述坐标距离是否小于或等于预设距离阈值;
若所述坐标距离小于或等于所述预设距离阈值,则判定所述初始坐标非所述异常坐标;
若所述坐标距离大于所述预设距离阈值,则判定所述初始坐标为所述异常坐标;
在所述对所述基础模型进行区块化处理,并生成区块化模型之前还包括:
基于所述基础模型,判断所述异常坐标是否为关键坐标;
若所述异常坐标为所述关键坐标,则重新获取所述关键坐标,并基于所述关键坐标对所述基础模型进行修正;
若所述异常坐标非所述关键坐标,则基于所述空间点云数据,获取所述初始坐标的坐标数量作为第一坐标数量;
获取所述目标坐标的坐标数量作为第二坐标数量;
获取所述第一坐标数量与所述第二坐标数量的第一数量差值;
判断所述第一数量差值是否大于预设数量阈值;
若所述第一数量差值大于所述预设数量阈值,则获取补差坐标;
基于所述补差坐标,对所述基础模型进行修正;
所述若所述第一数量差值大于所述预设数量阈值,则获取补差坐标的具体步骤包括:
若所述第一数量差值大于所述预设数量阈值,则基于所述坐标距离以及所述预设距离阈值获取坐标缺失区域;
基于所述基础模型,判断是否存在与所述坐标缺失区域相对称的对称区域;
若存在与所述坐标缺失区域相对称的对称区域,则判断所述对称区域是否为所述坐标缺失区域;
若所述对称区域非所述坐标缺失区域,则获取所述对称区域所对应的目标坐标;
基于所述目标坐标获取缺失坐标,并将所述缺失坐标作为所述补差坐标。
2.根据权利要求1所述的一种基于人工智能的空间对象识别与建模方法,其特征在于,在所述若存在与所述坐标缺失区域相对称的对称区域,则判断所述对称区域是否为所述坐标缺失区域之后还包括:
若所述对称区域为所述坐标缺失区域,则分别获取所述对称区域所对应的目标坐标以及与所述对称区域相对称的坐标缺失区域的目标坐标;
基于所述对称区域所对应的目标坐标以及与所述对称区域对称的所述缺失区域的目标坐标,获取单边坐标;
获取所述单边坐标的坐标数量作为第三坐标数量;
获取所述第三坐标数量与所述第二坐标数量的数量总和;
获取所述第一坐标数量与所述数量总和的第二数量差值;
判断所述第二数量差值是否大于所述预设数量阈值;
若所述第二数量差值小于或等于所述预设数量阈值,则将所述单边坐标作为所述补差坐标。
3.根据权利要求1所述的一种基于人工智能的空间对象识别与建模方法,其特征在于,在所述基于所述基础模型,判断是否存在与所述坐标缺失区域相对称的对称区域之后还包括:
若不存在与所述坐标缺失区域相对称的对称区域,则获取所述坐标缺失区域的区域个数;
判断所述区域个数是否大于1;
若所述区域个数等于1,则基于所述坐标缺失区域,重新获取所述初始坐标;
若所述区域个数大于1,则获取不同所述坐标缺失区域的区域范围;
基于不同所述区域范围,获取范围总和;
对所述区域范围进行排序,并生成排序列表;
基于所述排序列表、所述范围总和以及预设补差规则获取目标区域,并重新获取所述目标区域的目标坐标作为所述补差坐标。
4.根据权利要求1所述的一种基于人工智能的空间对象识别与建模方法,其特征在于,所述基于预设模型部件数据库以及预设选取规则,判断是否存在与所述区块化模型相匹配的模型部件的具体步骤包括:
基于所述区块化模型,获取与不同所述区块化模型相匹配的目标坐标作为区块坐标;
获取所述区块坐标的坐标数量作为第四坐标数量;
对所述第四坐标数量进行排序,生成数量列表,并基于所述数量列表判断是否存在多个所述区块化模型所对应的所述第四坐标数量相等;
若不存在多个所述区块化模型所对应的所述第四坐标数量相等,则基于所述数量列表、所述预设选取规则以及所述预设模型部件数据库,判断是否存在与所述区块化模型相匹配的模型部件;
若存在多个所述区块化模型所对应的所述第四坐标数量相等,则基于所述基础模型获取不同所述区块化模型的模型位置;
基于所述模型位置、所述数量列表以及预设建模规则,判断是否存在与所述区块化模型相匹配的模型部件。
5.一种基于人工智能的空间对象识别与建模系统,应用于权利要求1至4中任一项所述的方法,其特征在于,包括:
第一获取模块(1),用于获取目标对象的空间点云数据,并基于所述空间点云数据,获取初始坐标;
第一判断模块(2),用于判断所述初始坐标是否为异常坐标;
第二获取模块(3),若所述初始坐标为所述异常坐标,则所述第二获取模块(3)用于将所述初始坐标删除,并重新获取所述初始坐标;
第一生成模块(4),若所述初始坐标非所述异常坐标,则所述生成模块用于将所述初始坐标标记为目标坐标,并基于所述目标坐标生成基础模型;
第二生成模块(5),用于对所述基础模型进行区块化处理,并生成区块化模型;
第二判断模块(6),用于基于预设模型部件数据库以及预设选取规则,判断是否存在与所述区块化模型相匹配的模型部件;
第三生成模块(7),若存在与所述区块化模型相匹配的所述模型部件,则所述第三生成模块(7)用于基于所述基础模型与所述模型部件生成目标模型。
6.一种智能终端,包括存储器、处理器,其特征在于,所述存储器中用于存储能够在所述处理器上运行的计算机程序,所述处理器加载计算机程序时,执行权利要求1至4中任一项所述的方法。
7.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序被处理器加载时,执行权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311145951.3A CN116882035B (zh) | 2023-09-07 | 2023-09-07 | 一种基于人工智能的空间对象识别与建模方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311145951.3A CN116882035B (zh) | 2023-09-07 | 2023-09-07 | 一种基于人工智能的空间对象识别与建模方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116882035A CN116882035A (zh) | 2023-10-13 |
CN116882035B true CN116882035B (zh) | 2023-11-21 |
Family
ID=88272059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311145951.3A Active CN116882035B (zh) | 2023-09-07 | 2023-09-07 | 一种基于人工智能的空间对象识别与建模方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882035B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2226609A2 (en) * | 2009-01-30 | 2010-09-08 | General Electric Company | Nondestructive detection of anomalies (foreign objects, anomal dimensions) of an engine for example by means of computed tomography |
CN108038908A (zh) * | 2017-11-21 | 2018-05-15 | 泰瑞数创科技(北京)有限公司 | 基于人工智能的空间对象识别及建模方法和系统 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN112907744A (zh) * | 2021-03-08 | 2021-06-04 | 千寻位置网络有限公司 | 数字高程模型的构建方法、装置、设备及存储介质 |
CN114071112A (zh) * | 2021-10-18 | 2022-02-18 | 北京魔鬼鱼科技有限公司 | 车辆点云识别成像方法及系统 |
CN114998536A (zh) * | 2022-05-31 | 2022-09-02 | 广州市城市规划勘测设计研究院 | 基于新型基础测绘的模型生成方法、装置及存储介质 |
CN115423824A (zh) * | 2022-08-26 | 2022-12-02 | 中国科学院沈阳自动化研究所 | 一种基于点云体素矩形栅格的火车车厢的定位与分割方法 |
CN115661421A (zh) * | 2022-08-16 | 2023-01-31 | 中山大学·深圳 | 点云异常值的移除方法、点云处理方法、装置及相关设备 |
WO2023045252A1 (zh) * | 2021-09-26 | 2023-03-30 | 浪潮电子信息产业股份有限公司 | 模型训练、点云缺失补全方法、装置、设备及介质 |
CN116310115A (zh) * | 2023-03-17 | 2023-06-23 | 合肥泰瑞数创科技有限公司 | 一种基于激光点云构建建筑物三维模型的方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11703457B2 (en) * | 2020-12-29 | 2023-07-18 | Industrial Technology Research Institute | Structure diagnosis system and structure diagnosis method |
-
2023
- 2023-09-07 CN CN202311145951.3A patent/CN116882035B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2226609A2 (en) * | 2009-01-30 | 2010-09-08 | General Electric Company | Nondestructive detection of anomalies (foreign objects, anomal dimensions) of an engine for example by means of computed tomography |
CN108038908A (zh) * | 2017-11-21 | 2018-05-15 | 泰瑞数创科技(北京)有限公司 | 基于人工智能的空间对象识别及建模方法和系统 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN112907744A (zh) * | 2021-03-08 | 2021-06-04 | 千寻位置网络有限公司 | 数字高程模型的构建方法、装置、设备及存储介质 |
WO2023045252A1 (zh) * | 2021-09-26 | 2023-03-30 | 浪潮电子信息产业股份有限公司 | 模型训练、点云缺失补全方法、装置、设备及介质 |
CN114071112A (zh) * | 2021-10-18 | 2022-02-18 | 北京魔鬼鱼科技有限公司 | 车辆点云识别成像方法及系统 |
CN114998536A (zh) * | 2022-05-31 | 2022-09-02 | 广州市城市规划勘测设计研究院 | 基于新型基础测绘的模型生成方法、装置及存储介质 |
CN115661421A (zh) * | 2022-08-16 | 2023-01-31 | 中山大学·深圳 | 点云异常值的移除方法、点云处理方法、装置及相关设备 |
CN115423824A (zh) * | 2022-08-26 | 2022-12-02 | 中国科学院沈阳自动化研究所 | 一种基于点云体素矩形栅格的火车车厢的定位与分割方法 |
CN116310115A (zh) * | 2023-03-17 | 2023-06-23 | 合肥泰瑞数创科技有限公司 | 一种基于激光点云构建建筑物三维模型的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116882035A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961236B (zh) | 电路板缺陷检测方法及装置 | |
CN110334390B (zh) | Cad中外墙识别方法、装置、存储介质及处理器 | |
JP2009199575A (ja) | 画像マッチング方法、プログラムおよび応用装置 | |
EP3460762A1 (en) | Device and method for extracting topographical boundary | |
CN112883820A (zh) | 基于激光雷达点云的道路目标3d检测方法及系统 | |
CN115240213A (zh) | 表格图像识别方法、装置、电子设备及存储介质 | |
Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
CN113205857B (zh) | 基因组性染色体非同源区域的鉴定方法和装置 | |
CN116882035B (zh) | 一种基于人工智能的空间对象识别与建模方法及相关设备 | |
KR102260556B1 (ko) | 전역 정보와 지역 정보 통합을 통한 딥러닝 기반 주차구획 검출 방법 및 장치 | |
CN115292971B (zh) | 基于贝叶斯的裂缝属性分析方法、装置及存储介质 | |
CN111881934A (zh) | 电子元器件属性与类别的空间关系发现方法 | |
CN111797993A (zh) | 深度学习模型的评价方法、装置、电子设备及存储介质 | |
CN116363319A (zh) | 一种建筑物屋顶的建模方法、建模装置、设备及介质 | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
CN115311396A (zh) | 一种超高建筑物屋顶轮廓线的自动提取方法及系统 | |
CN114821513A (zh) | 一种基于多层网络的图像处理方法及装置、电子设备 | |
EP3076370B1 (en) | Method and system for selecting optimum values for parameter set for disparity calculation | |
CN113657179A (zh) | 图像识别及建模方法、装置、电子设备及存储介质 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN101206679B (zh) | 布局图设计规则检查的方法与计算机可读取记录介质 | |
CN112069445A (zh) | 一种2d slam算法评估及量化方法 | |
CN117197730B (zh) | 一种城市空间畸变图像的修复评估方法 | |
KR102337693B1 (ko) | 누락되거나 잘못된 바운딩 박스 작업 결과를 검출하는 방법 및 이를 수행하는 컴퓨터 장치 | |
CN115170970B (zh) | 一种用于检测城市街道景观破损的方法 |
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 |