CN117011477A - 一种基于bim的钢结构形变监测处理方法及系统 - Google Patents
一种基于bim的钢结构形变监测处理方法及系统 Download PDFInfo
- Publication number
- CN117011477A CN117011477A CN202311278790.5A CN202311278790A CN117011477A CN 117011477 A CN117011477 A CN 117011477A CN 202311278790 A CN202311278790 A CN 202311278790A CN 117011477 A CN117011477 A CN 117011477A
- Authority
- CN
- China
- Prior art keywords
- deformation
- steel structure
- dimensional information
- bim
- information data
- 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.)
- Granted
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 126
- 239000010959 steel Substances 0.000 title claims abstract description 126
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims description 33
- 230000009466 transformation Effects 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 19
- 238000013179 statistical model Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 18
- 238000012423 maintenance Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Graphics (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Economics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于BIM的钢结构形变监测处理方法及系统，用于钢结构安全监测领域，该方法包括以下步骤：获取激光扫描仪对钢结构进行扫描得到的数字图像，并基于数字图像建立BIM模型；采用GrabCut算法对数字图像进行处理，检测钢结构的表面变形情况，得到变形区域；利用三维重建技术获取变形区域的三维信息数据；将变形区域的三维信息数据与BIM模型中的三维信息数据进行比对，检测钢结构变形的精确位置和形变程度；利用改进的CNN模型并基于三维信息对钢结构变形进行评估；制定钢结构形变处理方案。本发明通过机器学习和深度学习技术，可以自动检测数字图像和三维信息中的变形，减轻人工检测的工作量。
Description
技术领域
本发明涉及钢结构安全监测领域，具体来说，尤其涉及一种基于BIM的钢结构形变监测处理方法及系统。
背景技术
钢结构工程因其轻便、抗震性强、建设速度快以及环保友好等一系列优势，在全球的工程建设场景中得到了广泛的采纳。尤其是近年来，轻型钢结构的发展更为迅速，成为了一个重要的趋势。然而，对于影响钢结构工程稳定性的各类性能指标的检测和监测的研究，在我国仍处于初级阶段，许多相关的研究还未开始进行。
BIM是Building Information Modeling（建筑信息模型）的简称，它是一个动态的建筑设计和管理过程，可以创建并管理建筑和基础设施的物理和功能信息。BIM模型是一个高度精确的数字表示，可以用于设计决策、施工规划、性能预测、以及在整个建筑生命周期内的设施运营。
钢结构形变监测是指对钢结构是否出现变形、变形的程度、变形的位置等进行实时或定期的检测。这种监测的目的是确保结构的完整性和安全性，及时发现并解决可能存在的问题。
现有的方法大多依赖人工视觉检测，这需要投入大量的人工和时间，效率较低，并且，人工检测的结果可能会受到主观因素的影响，准确性难以保证，且人工检测难以实现对钢结构的实时监测，可能会导致某些潜在危险隐患的漏检，影响结构的安全性，对于一些复杂的变形情况，现有方法可能难以给出满意的判断和处理方案，需要投入大量的人工和时间进行研究。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
为了克服以上问题，本发明旨在提出一种基于BIM的钢结构形变监测处理方法及系统，目的在于解决人工检测的结果可能会受到主观因素的影响，准确性难以保证问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种基于BIM的钢结构形变监测处理方法，该钢结构形变监测处理方法包括以下步骤：
S1、获取激光扫描仪对钢结构进行扫描得到的数字图像，并基于数字图像建立BIM模型；
S2、采用GrabCut算法对数字图像进行处理，并对处理好的数字图像进行分析，检测钢结构的表面变形情况，得到变形区域；
S3、利用三维重建技术获取变形区域的三维信息数据；
S4、将所述变形区域的三维信息数据与所述BIM模型中的三维信息数据进行比对，检测钢结构变形的精确位置和形变程度；
S5、根据钢结构检测结果，利用改进的CNN模型并基于三维信息对钢结构变形进行评估，判断实际的变形情况；
S6、获取变形情况的评估结果，并制定钢结构形变处理方案。
可选地，所述采用GrabCut算法对数字图像进行处理，并对处理好的数字图像进行分析，检测钢结构的表面变形情况，得到变形区域包括以下步骤：
S21、对输入的数字图像进行标注，并将正常区域标注为背景像素，将疑似变形区域标注为前景像素；
S22、根据标注的前景像素和背景像素构建颜色统计模型；
S23、利用颜色统计模型对未标注的区域像素进行分类，并对未标注的区域像素进行判断；
S24、利用图像边界信息，识别变形区域边界；
S25、重复执行S23-S24的步骤，并优化颜色统计模型和变形区域边界；
S26、对变形区域边界的分割结果进行评估，重新标注不准确的区域，并重复执行S21-S25的步骤。
可选地，所述利用颜色统计模型对未标注的区域像素进行分类，并对未标注的区域像素进行判断包括以下步骤：
S231、根据已经标注的前景像素和背景像素，获取未标注区域；
S232、提取未标注区域的像素颜色，将未标注区域的像素颜色输入颜色统计模型中，计算未标注区域的像素颜色为前景和背景的概率；
S233、根据每个像素的前景和背景概率，若前景的概率高于背景的概率，则像素分类为前景，反之则分类为背景，并进行像素分类；
S234、获取分类结果，生成初始的图像分割结果。
可选地，所述利用图像边界信息，识别变形区域边界包括以下步骤：
S241、使用高斯滤波器来消除图像中的噪声；
S242、计算图像的梯度强度和方向，找到边界的候选点；
S243、通过双阈值算法和非最大值抑制来确定真正的边缘信息；
S244、利用Hough变换对边缘信息进行形状分析，提取几何特征；
S245、使用统计方法来比较变形区域和正常区域的边界特征的差异；
S246、根据比较结果，设置阈值，将边界特征差异大于阈值的区域标记为变形区域；
其中，所述通过双阈值算法和非最大值抑制来确定真正的边缘信息包括以下步骤：
S2431、利用Sobel算子分别计算每个像素点在水平方向和竖直方向的梯度值；
S2432、根据水平方向和竖直方向的梯度值计算每个像素点的梯度强度；
S2433、在同一方向上，保留梯度强度最大的像素点，将其他像素点视为非边缘并进行抑制；
S2434、设定一个高阈值和一个低阈值，其中，将梯度强度大于高阈值的像素点被确认为强边缘，将小于低阈值的像素点被确认为非边缘，将介于高阈值和低阈值之间的像素点被视为弱边缘；
S2435、若弱边缘像素点的邻域内存在强边缘像素点，则该弱边缘也被确认为边缘，否则被确认为非边缘。
可选地，所述利用三维重建技术获取变形区域的三维信息数据包括以下步骤：
S31、获取变形区域的数字图像；
S32、若存在多个视角的数字图像，则对数字图像进行配准，建立数字图像中的特征点之间的对应关系；
S33、判断是否有多个视角的图像，若存在，则选择多视图立体算法，若不存在，则选择单目立体算法；
S34、根据判断结果选择三维重建算法，获得变形区域的三维信息；
S35、对所述三维信息进行处理，所述处理至少包括三维信息补全、平滑及降噪。
可选地，所述将所述变形区域的三维信息数据与所述BIM模型中的三维信息数据进行比对，检测钢结构变形的精确位置和形变程度包括以下步骤：
S41、获取变形区域的三维信息；
S42、使用ICP算法将所述变形区域的三维信息数据与所述BIM模型的三维信息数据进行配准，并映射到统一的坐标系中；
S43、使用计算机视觉中的形态差分法计算所述变形区域的三维信息数据与所述BIM模型的三维信息数据的形状差异，并判断是否存在较大形态差分；
S44、根据形态差分的判断结果，确定变形的位置，并评估变形的程度；
S45、记录变形的位置和程度，并提供信息输入与信息输出的可视化展示界面。
可选地，所述使用ICP算法将所述变形区域的三维信息数据与所述BIM模型的三维信息数据进行配准，并映射到统一的坐标系中包括以下步骤：
S421、设定初始的变换参数；
S422、在变形区域的三维信息数据中的每个点找到BIM模型的三维信息数据中的最近邻点，形成点对；
S423、计算最近邻点的点对匹配点对之间的距离，并找到一个变换，使得这个距离的平方误差和最小；
S424、使用所得到的变换更新当前的变换参数；
S425、重复执行S422-S424的步骤，直到变换参数的变化小于某个阈值或者迭代次数超过设定的最大次数；
S426、用得到的变换参数将变形区域的三维信息数据映射到BIM模型的坐标系中。
可选地，所述根据钢结构检测结果，利用改进的CNN模型并基于三维信息对钢结构变形进行评估，判断实际的变形情况包括以下步骤：
S51：获取包含钢结构变形的三维信息数据，并对三维信息数据进行处理，包括去噪、归一化和缩放；
S52：构建预训练的改进CNN模型；
S53：使用包含已知变形情况的数据集来训练预训练的改进CNN模型；
S54：将预处理后的三维信息数据输入到训练好的改进CNN模型中，模型会输出预测的变形信息；
S55：对训练好的改进CNN模型预测的结果进行分析，确定钢结构的实际变形情况，所述变形情况至少包括变形的大小、位置和形状，并将变形情况的分析结果进行反馈。
可选地，所述获取变形情况的评估结果，并制定钢结构形变处理方案包括以下步骤：
S61、获取变形情况的评估结果，若钢结构出现轻微变形，则进行加固处理；
S62、若钢结构出现严重变形，则进行拆除重建或更换；
S63、若钢结构出现严重变形中出现复杂变形，则根据知识图谱对复杂变形进行判断，优化施工处理方案；
所述根据知识图谱对复杂变形进行判断包括以下步骤：
构建一个包含钢结构变形知识的知识图谱；
将复杂变形的变形评估结果输入到知识图谱中，并在知识图谱中查找与输入数据相似的已知变形案例；
根据查找到的相似案例，提出处理该输入变形情况的方案和建议；
基于输入的变形数据和专业知识，对施工处理方案进行优化和调整。
根据本发明的另一个方面，提供了一种基于BIM的钢结构形变监测处理系统，该系统包括：数据采集与模型构建模块、图像处理模块、变形检测模块、变形定位模块、变形评估模块和处理方案制定模块；
所述数据采集与模型构建模块通过所述图像处理模块与所述变形检测模块连接，所述变形检测模块通过所述变形定位模块与所述变形评估模块连接，所述变形评估模块与所述处理方案制定模块连接；
所述数据采集与模型构建模块，用于获取激光扫描仪对钢结构进行扫描得到的数字图像，并基于数字图像建立BIM模型；
所述图像处理模块，用于采用GrabCut算法对数字图像进行处理，并对处理好的数字图像进行分析，检测钢结构的表面变形情况，得到变形区域；
所述变形检测模块，用于利用三维重建技术获取变形区域的三维信息数据；
所述变形定位模块，用于将所述变形区域的三维信息数据与所述BIM模型中的三维信息数据进行比对，检测钢结构变形的精确位置和形变程度；
所述变形评估模块，用于根据钢结构检测结果，利用改进的CNN模型并基于三维信息对钢结构变形进行评估，判断实际的变形情况；
所述处理方案制定模块，用于获取变形情况的评估结果，并制定钢结构形变处理方案。
相较于现有技术，本申请具有以下有益效果：
1、本发明通过激光扫描仪定期扫描钢结构，可以实时监测到钢结构的变形情况，为变形的及时发现和处理提供依据；通过与BIM模型的比对，可以精确地定位到变形的位置，这为后续的维修和加固提供了准确的信息；通过机器学习和深度学习技术，可以自动检测数字图像和三维信息中的变形，减轻人工检测的工作量；通过机器学习模型，可以自动评估变形的严重程度，为维修方案的选择提供参考。
2、本发明通过知识图谱技术，可以根据历史案例自动判断复杂变形情况，并提供处理方案的推荐，提高工作效率；知识图谱技术可以根据历史案例提供变形处理方案的推荐，但最终方案的制定还需要结合专业知识进行优化，这样可以综合利用人工智能和人工专家知识，取得更佳效果；通过BIM模型和知识图谱，可以实现对钢结构全生命周期的信息化管理，为日后的运维和维修提供信息支持。
3、本发明通过实时监测和精确定位变形，可以及时发现和处理潜在的安全隐患，降低因钢结构损坏带来的风险，因为可以根据变形的严重程度和位置，为维修工作提供精确的信息，从而提高维修工作的质量和效率，通过自动化的检测和评估，减少了人工检测的工作量，节省了大量的人力和物力，从而降低了整体的运营成本。
4、及时的检测和维护可以延长钢结构的使用寿命，提高其经济效益，信息化管理使得钢结构全生命周期的数据得以保存和利用，有利于节能减排和构建绿色建筑。
附图说明
结合实施例的以下描述，本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂，实施例结合附图详细阐述。在此以示意图示出：
图1是根据本发明实施例的一种基于BIM的钢结构形变监测处理方法的流程图；
图2是根据本发明实施例的一种基于BIM的钢结构形变监测处理系统的原理框图。
图中：
1、数据采集与模型构建模块；2、图像处理模块；3、变形检测模块；4、变形定位模块；5、变形评估模块；6、处理方案制定模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
根据本发明的实施例，提供了一种基于BIM的钢结构形变监测处理方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种基于BIM的钢结构形变监测处理方法，该钢结构形变监测处理方法包括以下步骤：
S1、获取激光扫描仪对钢结构进行扫描得到的数字图像，并基于数字图像建立BIM模型。
需要解释说明的是，激光扫描是一种非接触、高精度的测量技术，能够快速捕捉目标物体的形状和外观，生成高精度的3D数据。在钢结构检测中，激光扫描仪可以对钢结构进行全方位、无死角的扫描，得到精确的数字图像。
BIM（Building Information Modeling）是一种基于模型的设计和管理方法，其中所有相关的建筑设计信息都嵌入在一个3D模型中。基于获得的数字图像，BIM模型可以精确地反映出钢结构的实际状态。
首先使用激光扫描仪对钢结构进行扫描，得到的数字图像反映了钢结构的实际状态。然后基于这些数字图像，建立钢结构的BIM模型。这个模型包含了钢结构的详细信息，包括形状、尺寸、材料属性等。
S2、采用GrabCut算法对数字图像进行处理，并对处理好的数字图像进行分析，检测钢结构的表面变形情况，得到变形区域。
优选地，所述采用GrabCut算法对数字图像进行处理，并对处理好的数字图像进行分析，检测钢结构的表面变形情况，得到变形区域包括以下步骤：
S21、对输入的数字图像进行标注，并将正常区域标注为背景像素，将疑似变形区域标注为前景像素；
S22、根据标注的前景像素和背景像素构建颜色统计模型；
S23、利用颜色统计模型对未标注的区域像素进行分类，并对未标注的区域像素进行判断；
S24、利用图像边界信息，识别变形区域边界；
S25、重复执行S23-S24的步骤，并优化颜色统计模型和变形区域边界；
S26、对变形区域边界的分割结果进行评估，重新标注不准确的区域，并重复执行S21-S25的步骤。
优选地，所述利用颜色统计模型对未标注的区域像素进行分类，并对未标注的区域像素进行判断包括以下步骤：
S231、根据已经标注的前景像素和背景像素，获取未标注区域；
S232、提取未标注区域的像素颜色，将未标注区域的像素颜色输入颜色统计模型中，计算未标注区域的像素颜色为前景和背景的概率；
S233、根据每个像素的前景和背景概率，若前景的概率高于背景的概率，则像素分类为前景，反之则分类为背景，并进行像素分类；
S234、获取分类结果，生成初始的图像分割结果。
需要解释说明是，计算未标注区域的像素颜色为前景和背景的概率的拓展如下：
对整个图像，给每个像素赋予属于前景或者背景的概率，一般可以将前景区域赋高概率，背景区域赋低概率，未标注区域赋予0.5的概率，基于用户标注的前景和背景样本点，用高斯混合模型（GMM）分别建立前景和背景的颜色模型，对于每个未标注的像素，计算它使用前景和背景GMM模型的概率，即它属于前景或者背景的概率，构建图模型，将相邻像素的概率联系起来，迭代优化所有像素的前景背景概率，以获得整体最优的分割结果，用优化结果更新前景背景GMM模型。
优选地，所述利用图像边界信息，识别变形区域边界包括以下步骤：
S241、使用高斯滤波器来消除图像中的噪声；
S242、计算图像的梯度强度和方向，找到边界的候选点；
S243、通过双阈值算法和非最大值抑制来确定真正的边缘信息；
S244、利用Hough变换对边缘信息进行形状分析，提取几何特征；
S245、使用统计方法来比较变形区域和正常区域的边界特征的差异；
S246、根据比较结果，设置阈值，将边界特征差异大于阈值的区域标记为变形区域；
其中，所述通过双阈值算法和非最大值抑制来确定真正的边缘信息包括以下步骤：
S2431、利用Sobel算子分别计算每个像素点在水平方向和竖直方向的梯度值；
S2432、根据水平方向和竖直方向的梯度值计算每个像素点的梯度强度；
S2433、在同一方向上，保留梯度强度最大的像素点，将其他像素点视为非边缘并进行抑制；
S2434、设定一个高阈值和一个低阈值，其中，将梯度强度大于高阈值的像素点被确认为强边缘，将小于低阈值的像素点被确认为非边缘，将介于高阈值和低阈值之间的像素点被视为弱边缘；
S2435、若弱边缘像素点的邻域内存在强边缘像素点，则该弱边缘也被确认为边缘，否则被确认为非边缘。
需要解释说明的是，识别变形区域边界可以使用边缘检测算法，如Canny运算符结合Hough变换。Canny包括高斯滤波、计算图像梯度、双阈值检测、非极大值抑制等步骤。它可以有效提取图像边缘。Hough变换可以检测各种形状的边界，此外，GrabCut算法结合边缘检测和迭代优化，可以有效分割数字图像，检测出钢结构的变形区域，为后续变形评估和分析提供基础。
S3、利用三维重建技术获取变形区域的三维信息数据。
优选地，所述利用三维重建技术获取变形区域的三维信息数据包括以下步骤：
S31、获取变形区域的数字图像；
S32、若存在多个视角的数字图像，则对数字图像进行配准，建立数字图像中的特征点之间的对应关系；
S33、判断是否有多个视角的图像，若存在，则选择多视图立体算法，若不存在，则选择单目立体算法；
S34、根据判断结果选择三维重建算法，获得变形区域的三维信息；
S35、对所述三维信息进行处理，所述处理至少包括三维信息补全、平滑及降噪。
需要解释说明的是，获取变形区域的数字图像。这可能需要多视角的图像以获取更丰富的信息，若有多视角图像，则进行图像配准。这可以使用SIFT、SURF等算法实现，此外，三维重建技术涉及从二维图像中恢复三维信息的技术。常用的算法有：多视图立体技术：使用两个或更多视角的图像，通过匹配图像中的特征点找出对应点，然后使用三角测量的原理计算出三维坐标。单目立体技术：使用单一视角的图像，根据图像中的线索如纹理、阴影等判断像素点的三维信息。结构光三维扫描：使用结构光对物体表面进行扫描，获取三维信息。光学流算法：跟踪图像中的特征点，根据特征点的运动轨迹计算三维信息。三维重建技术可以有效地从二维图像中恢复出三维信息，为变形检测和评估提供更加全面和准确的依据。但在实际应用中，还需要结合具体的图像和环境选择最合适的算法。
S4、将所述变形区域的三维信息数据与所述BIM模型中的三维信息数据进行比对，检测钢结构变形的精确位置和形变程度。
优选地，所述将所述变形区域的三维信息数据与所述BIM模型中的三维信息数据进行比对，检测钢结构变形的精确位置和形变程度包括以下步骤：
S41、获取变形区域的三维信息；
S42、使用ICP算法将所述变形区域的三维信息数据与所述BIM模型的三维信息数据进行配准，并映射到统一的坐标系中；
S43、使用计算机视觉中的形态差分法计算所述变形区域的三维信息数据与所述BIM模型的三维信息数据的形状差异，并判断是否存在较大形态差分；
S44、根据形态差分的判断结果，确定变形的位置，并评估变形的程度；
S45、记录变形的位置和程度，并提供信息输入与信息输出的可视化展示界面。
优选地，所述使用ICP算法将所述变形区域的三维信息数据与所述BIM模型的三维信息数据进行配准，并映射到统一的坐标系中包括以下步骤：
S421、设定初始的变换参数；
S422、在变形区域的三维信息数据中的每个点找到BIM模型的三维信息数据中的最近邻点，形成点对；
S423、计算最近邻点的点对匹配点对之间的距离，并找到一个变换，使得这个距离的平方误差和最小；
S424、使用所得到的变换更新当前的变换参数；
S425、重复执行S422-S424的步骤，直到变换参数的变化小于某个阈值或者迭代次数超过设定的最大次数；
S426、用得到的变换参数将变形区域的三维信息数据映射到BIM模型的坐标系中。
需要解释说明的是，ICP（迭代最近点）算法是一种三维点云配准算法。它通过迭代的方式找到两组点云之间的最优配准变换。主要步骤包括：选择初始变换参数。在两组点云中找到每个点的最近邻点，形成点对。所谓点对是指源数据集中的每个点在目标数据集中找到的最近邻点。也就是说，对于源数据集中的每个点，在目标数据集中找到与其最近的点，这两个点构成一个点对，计算点对之间的距离，找到可以最小化距离的变换。使用新变换更新当前变换。进行迭代，直到变换参数的变化小于阈值或者达到最大迭代次数。形态差分法用于比较两个三维形状，寻找它们之间的差异。主要步骤包括：将两个三维形状转换到同一坐标系下。对两个形状的表面进行采样，得到离散的点集。对每个点，在另一个形状上找到最近的点。计算每个点对之间的距离，如果超过阈值，则认为该区域存在较大差异。记录和显示差异区域。这些技术的结合可以实现变形区域三维信息与BIM模型三维信息的精确比对，检测出变形的位置和程度，为后续的评估和处理提供依据。
此外，在应用迭代最近点（ICP）算法过程中，为了控制迭代的次数以及精确度，通常设定变换参数的变化阈值和最大迭代次数。这两个阈值的设定需要平衡计算速度和精度，具体设定通常根据任务需求和计算资源来确定。
变换参数的变化阈值：这是一个很小的正数，表示允许的最大变换参数变动范围。如果出现连续两次迭代中，所有变换参数（例如平移参数和旋转参数）的变化都小于这个阈值，那么可以认为算法已经收敛，停止迭代。这个阈值的设定通常需要根据数据的具体尺度和配准精度需求来确定。
最大迭代次数：这是一个正整数，限制算法的最大迭代次数，例如可以设定为100次。即使算法没有完全收敛，如果迭代次数已经达到这个上限，那么也要停止迭代。设置最大迭代次数的目的是防止算法陷入无限迭代，保证算法能在有限时间内完成。最大迭代次数的设定通常需要根据配准精度需求和计算资源约束来确定。
S5、根据钢结构检测结果，利用改进的CNN模型并基于三维信息对钢结构变形进行评估，判断实际的变形情况。
优选地，所述根据钢结构检测结果，利用改进的CNN模型并基于三维信息对钢结构变形进行评估，判断实际的变形情况包括以下步骤：
S51：获取包含钢结构变形的三维信息数据，并对三维信息数据进行处理，包括去噪、归一化和缩放；
S52：构建预训练的改进CNN模型；
S53：使用包含已知变形情况的数据集来训练预训练的改进CNN模型；
S54：将预处理后的三维信息数据输入到训练好的改进CNN模型中，模型会输出预测的变形信息；
S55：对训练好的改进CNN模型预测的结果进行分析，确定钢结构的实际变形情况，所述变形情况至少包括变形的大小、位置和形状，并将变形情况的分析结果进行反馈。
需要解释说明的是，是一种用于图像处理的深度学习模型。常用的改进CNN（卷积神经网络）模型有：
1、3D CNN：可以直接处理三维信息，提取三维特征。它使用三维卷积核和池化层，可以更好地处理三维信息。
2、ResNet：引入了残差块，可以有效地解决深层网络的梯度消失问题，使得网络可以构建得更深。这可以提高模型的预测精度。
3、DenseNet：每一层都与其他所有层直接连接，可以有效地利用特征并提高参数的利用效率。这也可以提高模型的预测精度
4、Inception：在同一个模块中并行使用不同尺寸的卷积核，可以有效地提取不同尺度下的特征。这也可以提高模型的预测精度。本发明优选为3D CNN。
此外，“反馈”可能有几种理解，具体需要依据实际应用环境和需求：
反馈至系统：在这种情况下，分析结果将反馈到系统中，系统可以据此进行自我调整，优化预测效果。例如，借用了强化学习方法的系统，会根据预测结果的反馈来进行学习，对模型的参数进行更新和优化。
反馈至用户：在此场景下，比如说是专业工程师或者是建筑结构的管理人员，他们可以根据反馈结果做出相应的决策。例如，如果报告表明有严重的结构变形，维修团队可能需要立即采取行动来修复或者加固。如果报告显示的是小范围、轻微的变形，可能就可以延后处理。
反馈至数据库：在某些情况下，反馈的结果可能会被存储到数据库中，用于未来的分析和参考。例如，可以记录下建筑物每次检查的结果，以便进行长期的监测和趋势分析。
S6、获取变形情况的评估结果，并制定钢结构形变处理方案。
优选地，所述获取变形情况的评估结果，并制定钢结构形变处理方案包括以下步骤：
S61、获取变形情况的评估结果，若钢结构出现轻微变形，则进行加固处理；
S62、若钢结构出现严重变形，则进行拆除重建或更换；
S63、若钢结构出现严重变形中出现复杂变形，则根据知识图谱对复杂变形进行判断，优化施工处理方案；
所述根据知识图谱对复杂变形进行判断包括以下步骤：
构建一个包含钢结构变形知识的知识图谱；
将复杂变形的变形评估结果输入到知识图谱中，并在知识图谱中查找与输入数据相似的已知变形案例；
根据查找到的相似案例，提出处理该输入变形情况的方案和建议；
基于输入的变形数据和专业知识，对施工处理方案进行优化和调整。
需要解释说明的是，知识图谱是一种组织知识的结构，它采用实体与关系模型来描述某一领域内的概念以及概念之间的关系。知识图谱技术可以用于复杂变形的判断和方案推荐，使用知识图谱技术可以实现对复杂变形情况的判断和方案推荐。
根据本发明的另一个实施例，如图2所示，还提供了一种基于BIM的钢结构形变监测处理系统，该系统包括：数据采集与模型构建模块1、图像处理模块2、变形检测模块3、变形定位模块4、变形评估模块5和处理方案制定模块6；
所述数据采集与模型构建模块1通过所述图像处理模块2与所述变形检测模块3连接，所述变形检测模块3通过所述变形定位模块4与所述变形评估模块5连接，所述变形评估模块5与所述处理方案制定模块6连接；
所述数据采集与模型构建模块1，用于获取激光扫描仪对钢结构进行扫描得到的数字图像，并基于数字图像建立BIM模型；
所述图像处理模块2，用于采用GrabCut算法对数字图像进行处理，并对处理好的数字图像进行分析，检测钢结构的表面变形情况，得到变形区域；
所述变形检测模块3，用于利用三维重建技术获取变形区域的三维信息数据；
所述变形定位模块4，用于将所述变形区域的三维信息数据与所述BIM模型中的三维信息数据进行比对，检测钢结构变形的精确位置和形变程度；
所述变形评估模块5，用于根据钢结构检测结果，利用改进的CNN模型并基于三维信息对钢结构变形进行评估，判断实际的变形情况；
所述处理方案制定模块6，用于获取变形情况的评估结果，并制定钢结构形变处理方案。
综上所述，借助于本发明的上述技术方案，本发明通过激光扫描仪定期扫描钢结构，可以实时监测到钢结构的变形情况，为变形的及时发现和处理提供依据；通过与BIM模型的比对，可以精确地定位到变形的位置，这为后续的维修和加固提供了准确的信息；通过机器学习和深度学习技术，可以自动检测数字图像和三维信息中的变形，减轻人工检测的工作量；通过机器学习模型，可以自动评估变形的严重程度，为维修方案的选择提供参考；通过知识图谱技术，可以根据历史案例自动判断复杂变形情况，并提供处理方案的推荐，提高工作效率；知识图谱技术可以根据历史案例提供变形处理方案的推荐，但最终方案的制定还需要结合专业知识进行优化，这样可以综合利用人工智能和人工专家知识，取得更佳效果；通过BIM模型和知识图谱，可以实现对钢结构全生命周期的信息化管理，为日后的运维和维修提供信息支持；本发明通过实时监测和精确定位变形，可以及时发现和处理潜在的安全隐患，降低因钢结构损坏带来的风险，因为可以根据变形的严重程度和位置，为维修工作提供精确的信息，从而提高维修工作的质量和效率，通过自动化的检测和评估，减少了人工检测的工作量，节省了大量的人力和物力，从而降低了整体的运营成本，及时的检测和维护可以延长钢结构的使用寿命，提高其经济效益，信息化管理使得钢结构全生命周期的数据得以保存和利用，有利于节能减排和构建绿色建筑。
虽然本发明已以较佳实施例揭示如上，然所述实施例仅为了便于说明而举例而已，并非用以限定本发明，本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰，本发明所主张的保护范围应以权利要求书所述为准。
Claims (10)
1.一种基于BIM的钢结构形变监测处理方法，其特征在于，该钢结构形变监测处理方法包括以下步骤：
S1、获取激光扫描仪对钢结构进行扫描得到的数字图像，并基于数字图像建立BIM模型；
S2、采用GrabCut算法对数字图像进行处理，并对处理好的数字图像进行分析，检测钢结构的表面变形情况，得到变形区域；
S3、利用三维重建技术获取变形区域的三维信息数据；
S4、将所述变形区域的三维信息数据与所述BIM模型中的三维信息数据进行比对，检测钢结构变形的精确位置和形变程度；
S5、根据钢结构检测结果，利用改进的CNN模型并基于三维信息对钢结构变形进行评估，判断实际的变形情况；
S6、获取变形情况的评估结果，并制定钢结构形变处理方案。
2.根据权利要求1所述的一种基于BIM的钢结构形变监测处理方法，其特征在于，所述采用GrabCut算法对数字图像进行处理，并对处理好的数字图像进行分析，检测钢结构的表面变形情况，得到变形区域包括以下步骤：
S21、对输入的数字图像进行标注，并将正常区域标注为背景像素，将疑似变形区域标注为前景像素；
S22、根据标注的前景像素和背景像素构建颜色统计模型；
S23、利用颜色统计模型对未标注的区域像素进行分类，并对未标注的区域像素进行判断；
S24、利用图像边界信息，识别变形区域边界；
S25、重复执行S23-S24的步骤，并优化颜色统计模型和变形区域边界；
S26、对变形区域边界的分割结果进行评估，重新标注不准确的区域，并重复执行S21-S25的步骤。
3.根据权利要求2所述的一种基于BIM的钢结构形变监测处理方法，其特征在于，所述利用颜色统计模型对未标注的区域像素进行分类，并对未标注的区域像素进行判断包括以下步骤：
S231、根据已经标注的前景像素和背景像素，获取未标注区域；
S232、提取未标注区域的像素颜色，将未标注区域的像素颜色输入颜色统计模型中，计算未标注区域的像素颜色为前景和背景的概率；
S233、根据每个像素的前景和背景概率，若前景的概率高于背景的概率，则像素分类为前景，反之则分类为背景，并进行像素分类；
S234、获取分类结果，生成初始的图像分割结果。
4.根据权利要求2所述的一种基于BIM的钢结构形变监测处理方法，其特征在于，所述利用图像边界信息，识别变形区域边界包括以下步骤：
S241、使用高斯滤波器来消除图像中的噪声；
S242、计算图像的梯度强度和方向，找到边界的候选点；
S243、通过双阈值算法和非最大值抑制来确定真正的边缘信息；
S244、利用Hough变换对边缘信息进行形状分析，提取几何特征；
S245、使用统计方法来比较变形区域和正常区域的边界特征的差异；
S246、根据比较结果，设置阈值，将边界特征差异大于阈值的区域标记为变形区域；
其中，所述通过双阈值算法和非最大值抑制来确定真正的边缘信息包括以下步骤：
S2431、利用Sobel算子分别计算每个像素点在水平方向和竖直方向的梯度值；
S2432、根据水平方向和竖直方向的梯度值计算每个像素点的梯度强度；
S2433、在同一方向上，保留梯度强度最大的像素点，将其他像素点视为非边缘并进行抑制；
S2434、设定一个高阈值和一个低阈值，其中，将梯度强度大于高阈值的像素点被确认为强边缘，将小于低阈值的像素点被确认为非边缘，将介于高阈值和低阈值之间的像素点被视为弱边缘；
S2435、若弱边缘像素点的邻域内存在强边缘像素点，则该弱边缘也被确认为边缘，否则被确认为非边缘。
5.根据权利要求1所述的一种基于BIM的钢结构形变监测处理方法，其特征在于，所述利用三维重建技术获取变形区域的三维信息数据包括以下步骤：
S31、获取变形区域的数字图像；
S32、若存在多个视角的数字图像，则对数字图像进行配准，建立数字图像中的特征点之间的对应关系；
S33、判断是否有多个视角的图像，若存在，则选择多视图立体算法，若不存在，则选择单目立体算法；
S34、根据判断结果选择三维重建算法，获得变形区域的三维信息；
S35、对所述三维信息进行处理，所述处理至少包括三维信息补全、平滑及降噪。
6.根据权利要求1所述的一种基于BIM的钢结构形变监测处理方法，其特征在于，所述将所述变形区域的三维信息数据与所述BIM模型中的三维信息数据进行比对，检测钢结构变形的精确位置和形变程度包括以下步骤：
S41、获取变形区域的三维信息；
S42、使用ICP算法将所述变形区域的三维信息数据与所述BIM模型的三维信息数据进行配准，并映射到统一的坐标系中；
S43、使用计算机视觉中的形态差分法计算所述变形区域的三维信息数据与所述BIM模型的三维信息数据的形状差异，并判断是否存在较大形态差分；
S44、根据形态差分的判断结果，确定变形的位置，并评估变形的程度；
S45、记录变形的位置和程度，并提供信息输入与信息输出的可视化展示界面。
7.根据权利要求6所述的一种基于BIM的钢结构形变监测处理方法，其特征在于，所述使用ICP算法将所述变形区域的三维信息数据与所述BIM模型的三维信息数据进行配准，并映射到统一的坐标系中包括以下步骤：
S421、设定初始的变换参数；
S422、在变形区域的三维信息数据中的每个点找到BIM模型的三维信息数据中的最近邻点，形成点对；
S423、计算最近邻点的点对匹配点对之间的距离，并找到一个变换，使得这个距离的平方误差和最小；
S424、使用所得到的变换更新当前的变换参数；
S425、重复执行S422-S424的步骤，直到变换参数的变化小于某个阈值或者迭代次数超过设定的最大次数；
S426、用得到的变换参数将变形区域的三维信息数据映射到BIM模型的坐标系中。
8.根据权利要求1所述的一种基于BIM的钢结构形变监测处理方法，其特征在于，所述根据钢结构检测结果，利用改进的CNN模型并基于三维信息对钢结构变形进行评估，判断实际的变形情况包括以下步骤：
S51：获取包含钢结构变形的三维信息数据，并对三维信息数据进行处理，包括去噪、归一化和缩放；
S52：构建预训练的改进CNN模型；
S53：使用包含已知变形情况的数据集来训练预训练的改进CNN模型；
S54：将预处理后的三维信息数据输入到训练好的改进CNN模型中，模型会输出预测的变形信息；
S55：对训练好的改进CNN模型预测的结果进行分析，确定钢结构的实际变形情况，所述变形情况至少包括变形的大小、位置和形状，并将变形情况的分析结果进行反馈。
9.根据权利要求1所述的一种基于BIM的钢结构形变监测处理方法，其特征在于，所述获取变形情况的评估结果，并制定钢结构形变处理方案包括以下步骤：
S61、获取变形情况的评估结果，若钢结构出现轻微变形，则进行加固处理；
S62、若钢结构出现严重变形，则进行拆除重建或更换；
S63、若钢结构出现严重变形中出现复杂变形，则根据知识图谱对复杂变形进行判断，优化施工处理方案；
所述根据知识图谱对复杂变形进行判断包括以下步骤：
构建一个包含钢结构变形知识的知识图谱；
将复杂变形的变形评估结果输入到知识图谱中，并在知识图谱中查找与输入数据相似的已知变形案例；
根据查找到的相似案例，提出处理该输入变形情况的方案和建议；
基于输入的变形数据和专业知识，对施工处理方案进行优化和调整。
10.一种基于BIM的钢结构形变监测处理系统，用于实现权利要求1-9中任一项所述的基于BIM的钢结构形变监测处理方法，其特征在于，该系统包括：数据采集与模型构建模块、图像处理模块、变形检测模块、变形定位模块、变形评估模块和处理方案制定模块；
所述数据采集与模型构建模块通过所述图像处理模块与所述变形检测模块连接，所述变形检测模块通过所述变形定位模块与所述变形评估模块连接，所述变形评估模块与所述处理方案制定模块连接；
所述数据采集与模型构建模块，用于获取激光扫描仪对钢结构进行扫描得到的数字图像，并基于数字图像建立BIM模型；
所述图像处理模块，用于采用GrabCut算法对数字图像进行处理，并对处理好的数字图像进行分析，检测钢结构的表面变形情况，得到变形区域；
所述变形检测模块，用于利用三维重建技术获取变形区域的三维信息数据；
所述变形定位模块，用于将所述变形区域的三维信息数据与所述BIM模型中的三维信息数据进行比对，检测钢结构变形的精确位置和形变程度；
所述变形评估模块，用于根据钢结构检测结果，利用改进的CNN模型并基于三维信息对钢结构变形进行评估，判断实际的变形情况；
所述处理方案制定模块，用于获取变形情况的评估结果，并制定钢结构形变处理方案。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311278790.5A CN117011477B (zh) | 2023-10-07 | 2023-10-07 | 一种基于bim的钢结构形变监测处理方法及系统 |
| CN202311635623.1A CN117808964A (zh) | 2023-10-07 | 2023-10-07 | 一种基于bim的钢结构形变监测处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311278790.5A CN117011477B (zh) | 2023-10-07 | 2023-10-07 | 一种基于bim的钢结构形变监测处理方法及系统 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311635623.1A Division CN117808964A (zh) | 2023-10-07 | 2023-10-07 | 一种基于bim的钢结构形变监测处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011477A true CN117011477A (zh) | 2023-11-07 |
| CN117011477B CN117011477B (zh) | 2023-12-19 |
Family
ID=88563970
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311635623.1A Pending CN117808964A (zh) | 2023-10-07 | 2023-10-07 | 一种基于bim的钢结构形变监测处理方法及系统 |
| CN202311278790.5A Active CN117011477B (zh) | 2023-10-07 | 2023-10-07 | 一种基于bim的钢结构形变监测处理方法及系统 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311635623.1A Pending CN117808964A (zh) | 2023-10-07 | 2023-10-07 | 一种基于bim的钢结构形变监测处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN117808964A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117685881A (zh) * | 2024-01-31 | 2024-03-12 | 成都建工第七建筑工程有限公司 | 一种混凝土结构实体位置与尺寸偏差的感知与检测系统 |
| CN117788871A (zh) * | 2023-12-26 | 2024-03-29 | 海南言发高科技有限公司 | 一种基于人工智能的车载称重管理方法及平台 |
| CN117848221A (zh) * | 2024-03-04 | 2024-04-09 | 南通进宝机械制造有限公司 | 一种钢件长度测量系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112665515A (zh) * | 2020-12-02 | 2021-04-16 | 上海建工四建集团有限公司 | 基于bim的钢结构变形监测方法 |
| CN115376030A (zh) * | 2022-09-20 | 2022-11-22 | 中国建筑第七工程局有限公司 | 一种基于bim和无人机技术的钢结构监测方法 |
| CN115422635A (zh) * | 2022-08-25 | 2022-12-02 | 新誉时代工程咨询有限公司 | 基于bim的钢结构工程监测方法、系统、设备及存储介质 |
| KR20230086087A (ko) * | 2021-12-08 | 2023-06-15 | 황권 | 3차원 스캐닝을 이용한 건설 현장 감리 장치 및 감리 방법 |
| CN116305436A (zh) * | 2023-02-28 | 2023-06-23 | 东南大学 | 一种基于三维激光扫描结合bim的既有桥梁监测方法 |
-
2023
- 2023-10-07 CN CN202311635623.1A patent/CN117808964A/zh active Pending
- 2023-10-07 CN CN202311278790.5A patent/CN117011477B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112665515A (zh) * | 2020-12-02 | 2021-04-16 | 上海建工四建集团有限公司 | 基于bim的钢结构变形监测方法 |
| KR20230086087A (ko) * | 2021-12-08 | 2023-06-15 | 황권 | 3차원 스캐닝을 이용한 건설 현장 감리 장치 및 감리 방법 |
| CN115422635A (zh) * | 2022-08-25 | 2022-12-02 | 新誉时代工程咨询有限公司 | 基于bim的钢结构工程监测方法、系统、设备及存储介质 |
| CN115376030A (zh) * | 2022-09-20 | 2022-11-22 | 中国建筑第七工程局有限公司 | 一种基于bim和无人机技术的钢结构监测方法 |
| CN116305436A (zh) * | 2023-02-28 | 2023-06-23 | 东南大学 | 一种基于三维激光扫描结合bim的既有桥梁监测方法 |
Non-Patent Citations (4)
| Title |
|---|
| NATHANIEL M. LEVINE 等: "Development of a building information model-guided post-earthquake building inspection framework using 3D synthetic environments", EARTHQUAKE ENGINEERING AND ENGINEERING VIBRATION, vol. 22, no. 2 * |
| SIYU HAN 等: "Rapid Reconstruction of 3D Structural Model Based on Interactive Graph Cuts", BUILDINGS * |
| 何熹 等: "基于海量点云的钢结构形变分析", 工程勘察, no. 12 * |
| 贾东峰 等: "基于海量点云的发电厂承重结构形变分析", 测绘与空间地理信息, no. 06 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788871A (zh) * | 2023-12-26 | 2024-03-29 | 海南言发高科技有限公司 | 一种基于人工智能的车载称重管理方法及平台 |
| CN117685881A (zh) * | 2024-01-31 | 2024-03-12 | 成都建工第七建筑工程有限公司 | 一种混凝土结构实体位置与尺寸偏差的感知与检测系统 |
| CN117685881B (zh) * | 2024-01-31 | 2024-06-04 | 成都建工第七建筑工程有限公司 | 一种混凝土结构实体位置与尺寸偏差的感知与检测方法 |
| CN117848221A (zh) * | 2024-03-04 | 2024-04-09 | 南通进宝机械制造有限公司 | 一种钢件长度测量系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117011477B (zh) | 2023-12-19 |
| CN117808964A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117011477B (zh) | 一种基于bim的钢结构形变监测处理方法及系统 | |
| Yang et al. | Automatic pixel‐level crack detection and measurement using fully convolutional network | |
| CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
| CN106709947B (zh) | 一种基于rgbd相机的三维人体快速建模系统 | |
| CN107564062B (zh) | 位姿异常检测方法及装置 | |
| CN110097596B (zh) | 一种基于opencv的目标检测系统 | |
| CN112837344B (zh) | 一种基于条件对抗生成孪生网络的目标跟踪方法 | |
| CN105335965B (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
| CN112365503A (zh) | 基于点云数据的变电站场景分割方法 | |
| AU2020404445A1 (en) | Method and system for detecting physical features of objects | |
| Hu et al. | Efficient and automatic plane detection approach for 3-D rock mass point clouds | |
| CN112966542A (zh) | 一种基于激光雷达的slam系统和方法 | |
| CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
| CN101246595A (zh) | 光学三维扫描系统中多视点云数据拼合方法 | |
| Liang et al. | An extraction and classification algorithm for concrete cracks based on machine vision | |
| CN113538373A (zh) | 一种基于三维点云的施工进度自动检测方法 | |
| CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
| CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
| CN115546116A (zh) | 全覆盖式岩体不连续面提取与间距计算方法及系统 | |
| CN111079826A (zh) | 融合slam和图像处理的施工进度实时识别方法 | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| Farella et al. | Sparse point cloud filtering based on covariance features | |
| CN116091706B (zh) | 多模态遥感影像深度学习匹配的三维重建方法 | |
| Jisen | A study on target recognition algorithm based on 3D point cloud and feature fusion | |
| CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 |
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 |