CN117152374B - 基于三维激光点云的高效索穹顶结构数字孪生建立方法 - Google Patents

基于三维激光点云的高效索穹顶结构数字孪生建立方法 Download PDF

Info

Publication number
CN117152374B
CN117152374B CN202310916652.9A CN202310916652A CN117152374B CN 117152374 B CN117152374 B CN 117152374B CN 202310916652 A CN202310916652 A CN 202310916652A CN 117152374 B CN117152374 B CN 117152374B
Authority
CN
China
Prior art keywords
point
skeleton
point cloud
points
component
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
Application number
CN202310916652.9A
Other languages
English (en)
Other versions
CN117152374A (zh
Inventor
张爱林
马浩
赵曦
张艳霞
王杰
上官广浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202310916652.9A priority Critical patent/CN117152374B/zh
Publication of CN117152374A publication Critical patent/CN117152374A/zh
Application granted granted Critical
Publication of CN117152374B publication Critical patent/CN117152374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/04—Architectural design, interior design

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Generation (AREA)

Abstract

本发明涉及索穹顶结构数字孪生技术领域，具体公开了基于三维激光点云的高效索穹顶结构数字孪生建立方法，该方法包括：S1，将索穹顶结构整体点云数据划分为n等分的模块点云数据；S2，通过分层、聚类、收缩算法提取模块点云数据的候选骨架点模型Sca；S3，通过设计状态节点坐标库以及节点邻接矩阵，建立标准骨架模型Sst，基于标准骨架模型Sst利用最邻近算法将候选骨架点模型Sca分割，得到各构件骨架点Scp；S4，基于各构件骨架点Scp，拟合各模块几何特征；S5，将各模块点云数据拟合得到的几何特征整合，建立索穹顶结构数字孪生模型。本发明方法能更好保留结构重要几何特征，降低了海量点云数据处理所需的内存空间，提高了点云数据处理的时间效率和适用性。

Description

基于三维激光点云的高效索穹顶结构数字孪生建立方法
技术领域
本发明涉及土木工程技术领域，尤其涉及索穹顶结构数字孪生技术领域。
背景技术
在实际的索穹顶结构中，几何偏差不可避免。这些几何偏差造成实际结构模型的预应力水平改变，导致结构刚度和稳定承载力下降，在极端情况下，会导致结构整体失稳，发生安全事故。因此索穹顶结构偏差检测是工程领域的一个热点问题。
当前大多数索穹顶结构偏差检测依靠全站仪或人工来实现，这种检测方式需要人工标定，测量周期长、效率低，且结构信息获取不全面。而基于三维激光扫描的检测技术在索穹顶结构工程中展现出效率高、精度高的优势。但目前基于三维激光扫描的检测技术多依靠手动测量，对进一步提高检测效率和数据保真度带来不便。
数字孪生将结构的物理模型与数字模型紧密结合，以实现设计、模拟、优化和维护，协助实时监测结构状态，便于纠正施工偏差，并对结构进行预测和评估。
发明内容
本发明要解决的技术问题在于提供一种索穹顶结构数字孪生建立方法，该方法有助于快速高效建立索穹顶结构数字孪生中的数据连接层，快速准确地连接索穹顶结构物理层和数字层模型；该方法能以自动化方式进一步提高索穹顶结构偏差检测的效率和数据准确性；更重要的是，该方法通过数字孪生，即基于数字驱动的检测方法代替传统基于人工驱动的检测方法，以实现多维度同步自动化检测，助力索穹顶结构数字化发展。
为解决上述技术问题，本发明采用的技术方案是：一种基于三维激光点云的高效索穹顶结构数字孪生建立方法，该方法包括以下步骤：
S1，将索穹顶结构整体点云数据划分为n等分的模块点云数据；
S2，通过分层、聚类、收缩算法提取模块点云数据的候选骨架点模型Sca；
S3，通过设计状态节点坐标库以及节点邻接矩阵，建立标准骨架模型Sst，基于标准骨架模型Sst利用最邻近算法将候选骨架点模型Sca分割，得到各构件骨架点Scp；
S4，基于各构件骨架点Scp，拟合各模块几何特征；
S5，将各模块点云数据拟合得到的几何特征整合，建立索穹顶结构数字孪生模型。
优选的，步骤S2中，按照两种分层步骤，分别将模块点云数据经过分层、聚类、收缩算法，获取候选骨架点模型Sca1和Sca2；整合Sca1和Sca2，得到候选骨架点模型Sca；所述两种分层步骤包括：按照各点到最高点的距离相似性分层，按照各点高度分层。
优选的，步骤S2中，通过分层将所述点云数据分为各层数据集；通过聚类将所述各层数据集分割为构件分段点云NEps；通过收缩从所述构件分段点云NEps中提取中心；遍历所有构件分段点云NEps，完成所有构件分段点云NEps的收缩，得到所述候选骨架点模型Sca。
优选的，所述通过聚类将所述各层数据集分割为构件分段点云NEps包括：在各层数据集中的一个数据集中随机选择一个点p；遍历该数据集中其余点，计算到点p的距离，如果小于RFd，则将该点加入Fd(p)；判断Fd(p)中点数是否≥Ptsmin，若是，则将Fd(p)标记为一个构件分段点云NEps，反之则将点p标记为噪声点；对该数据集中剩余点重复此步骤，直至所有点被标记为某一构件分段点云NEps中的点或噪声点；其中，RFd为邻域半径，Fd(p)代表点p的领域点集，Ptsmin为噪声点判定因子；
所述通过收缩从所述构件分段点云NEps中提取中心包括：通过一个构件分段点云NEps中全部点三维坐标计算获得中心点坐标{xEps，yEps，zEps}，
Sp＝{xEps，yEps，zEps} (2)
公式(2)、(3)中，Sp代表构件分段点云NEps的中心，N代表单个构件分段点云的点个数。
优选的，步骤S3中，所述设计状态节点坐标库为设计状态下，对所述模块点云数据中包含的所有节点坐标集合，以编号形式为各节点命名；所述节点邻接矩阵为所述模块点云数据中各节点之间连接关系的d阶方阵，d为构件个数，所述节点邻接矩阵中的非0项代表对应行和列编号节点间是连接的，这对节点中的构件编号为该非0项数字，而0项则代表对应行和列编号节点间不连接；所述建立标准骨架模型Sst的数据储存格式为r行5列矩阵，各行储存一个骨架点信息，第1列为各点编号，第2-4列为各点x、y、z坐标，第5列为各点所属构件编号；利用最邻近算法在标准骨架模型Sst中搜寻候选骨架点模型Sca各点pi的邻域点q1-qk，判定pi的邻域点q1-qk所属构件编号如果相同，则pi为该构件所属骨架点，储存至构件骨架点Scp中；遍历候选骨架点模型Sca中所有点，完成各构件骨架点Scp的分割。
优选的，所述最邻近算法的邻域点数k设置为3，以点pi两侧点所属构件是否相同为判断依据，如相同，则说明点pi为杆件上的点，不同则说明点pi为节点处的点，将节点处的骨架候选点剔除。
优选的，步骤S4中，对构件骨架点Scp做中心化处理得到中心化构件骨架点Sct，
Sct＝{xcti，ycti，zcti}，i＝1…l (5)
公式(5)、(6)中，{xcti，ycti，zcti}代表中心化处理后的所有骨架点坐标，l为构件骨架点Scp的点个数；
对中心化构件骨架点Sct进行奇异值分解，
公式(7)中，Ul×l和Vw×w分别为左右奇异值矩阵，l×l和w×w分别代表两个矩阵的维度，l×l表示U为一个l阶方阵，l为构件骨架点Scp的点个数，w×w表示V为一个w阶方阵，w为3，Sl×w的主对角线元素为奇异值，l×w表示Sl×w为一个l行w列的矩阵，Vw×w中每一列为Sct特征值对应的特征向量，按照特征值大小依次排列，取V矩阵第一列作为方向向量；
依据节点邻接矩阵，获取各节点连接的构件编号，对各模块中的节点进行拟合：
对于两构件节点，通过求解构件直线方程交点拟合节点坐标：
公式(8)中，(x1,y1,x1)和(x2,y2,z2)分别为构件L1和L2上的任意一点，(xct1,yct1,zct1)和(xct2,yct2,zct2)分别为上一节中拟合得到构件L1和L2的中心点，(m1,n1,l1)和(m2,n2,l2)分别为构件L1和L2的方向向量，t1和t2分别为构件L1和L2上点(x1,y1,z1)和(x2,y2,z2)对应的坐标参数，交点Ip由下式计算：
公式(9)中，为交点Ip的三维坐标，tp为两构件连接点处的坐标参数，采用投影反射法求解tp；
对于构件数为j的多构件交点，首先将构件两两组合分为组，分别求直线交点Ip1,Ip2…Ipj，交点坐标为h组拟合结果中心，
公式(11)中，(xcti,ycti,zcti)为第i分组求解得到的连接点Ipi三维坐标，为交点Ip的三维坐标的最终拟合结果；
对于0构件交点，交点Ip为：
公式(12)中，为交点Ip的三维坐标，/>为该构件中心点三维坐标，(mI,nI,lI)为构件方向向量,tp为单构件节点处的坐标参数，由下式计算：
公式(13)中，为该构件另一端节点坐标，利用两端节点到中心点距离相同，求解得到tp。
优选的，所述采用投影反射法求解tp包括：两构件的空间直线投影至Z＝0平面，降维为二维直线；
由下式计算得到连接点处的坐标参数：
优选的，步骤S5中，所述将各模块点云数据拟合得到的几何特征整合包括：将各模块按照划分时的位置排列，确定各模块最高点为节点1，以节点1的三维坐标作为指标平移其他节点坐标，平移量为/>将平移后的各模块模型按照编号重新排列；对于两个相邻模块，依据两模块中相应节点编号，提取对应节点坐标，按照中心收缩的方式，取两次拟合结果的质心，将各模块中的所有边缘节点调整完成。
与现有技术相比，本发明具有以下有益效果：
(1)针对于索穹顶结构的两种分层规则下的骨架点提取算法，能够更好保留结构重要几何特征；
(2)利用标准骨架模型对整体结构骨架点分割，从而降低了海量点云数据处理所需的内存空间，提高了点云数据处理的时间效率和适用性；
(3)节点坐标库与节点邻接矩阵的数据储存方式在保证数据轻量化的同时，能够快速对比设计状态得到节点几何偏差，达到基于数据驱动的索穹顶结构多维度同步自动化偏差检测。
附图说明
图1是本发明基于三维激光点云的索穹顶结构数字孪生建立方法实现流程图。
图2为本发明实施例的索穹顶结构整体点云数据示意图。
图3a为本发明实施例的索穹顶结构整体点云数据模块划分方式示意图。
图3b为本发明实施例的索穹顶结构单个模块点云数据示意图。
图4a为本发明实施例的模块点云数据按照各点到最高点的距离相似性分层结果示意图。
图4b为本发明实施例的模块点云数据按照各点高度分层结果示意图。
图5为本发明实施例的候选骨架点模型Sca示意图。
图6a为本发明实施例的索穹顶结构节点及杆件编号示意图。
图6b为本发明实施例的标准骨架模型Sst。
图7a为本发明实施例的索穹顶结构脊杆骨架点分割结果示意图。
图7b为本发明实施例的索穹顶结构撑杆骨架点分割结果示意图。
图8为本发明实施例的构件几何特征拟合过程示意图。
图9为本发明实施例的节点几何特征拟合过程示意图。
图10为本发明实施例的索穹顶结构模块几何特征拟合结果示意图。
图11为本发明实施例的索穹顶结构模块拼合过程示意图。
图12为本发明实施例的索穹顶结构数字孪生模型示意图。
具体实施方式
下面结合附图，对本发明的技术方案做进一步说明。应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
如图1本发明流程图所示，本发明基于三维激光点云的高效索穹顶结构数字孪生建立方法，包括以下步骤：
S1，将索穹顶结构整体点云数据(即整体点云模型)划分为n等分的模块点云数据(即模块点云模型)；
S2，通过分层、聚类、收缩算法提取模块点云数据的候选骨架点模型Sca；
S3，通过设计状态节点坐标库以及节点邻接矩阵，建立标准骨架模型Sst，基于标准骨架模型Sst利用最邻近算法将候选骨架点模型Sca分割，得到各构件骨架点Scp；
S4，基于各构件骨架点Scp，拟合各模块几何特征；
S5，将各模块点云数据拟合得到的几何特征整合，建立索穹顶结构数字孪生模型。
如图2所示，在本发明提供的优选实施例中，索穹顶结构整体点云数据为通过三维激光扫描获取的一个索穹顶结构点云数据。该点云数据内存量为443.03MB，其中包含12661192个点。
进一步地，步骤S1中，划分方式根据具体结构形式进行选择，对于由m个结构单元组成的索穹顶结构，划分模块数n应为m的公约数之一。
进一步地，步骤S1中，模块划分过程需要按照以下划分原则：
1)各划分面与Z＝0平面垂直，同时经过结构点云中心最高点。
2)划分过程中不丢失构件信息，避免后续建成模型不完整。
3)每个杆件点云只在单一模块中，包括脊杆和撑杆，避免构件信息重复。
如图3a所示，为本发明实施例的索穹顶结构整体点云模型模块划分方式示意图。该实施例中结构单元数为24，取划分模块数n为8，各模块中包含3个结构单元。
在本发明提供的优选实施例中，步骤S1具体为，在Cloud Compare软件中将索穹顶结构整体点云数据环向等分为八个模块。如图3b所示，为本发明实施例的索穹顶结构单个模块点云数据示意图。索穹顶结构单个模块中构件包括脊杆、撑杆、斜索、环索和节点，其中脊杆为上层由中心向四周排布的杆件，有21个；撑杆为下层近似竖向排布的杆件，有18个；节点位于各构件的连接处，有39个。
如图4a、图4b、图5所示，进一步地，在本发明提供的优选实施例中，继续实施步骤S2，具体为：按照两种分层步骤，分别将模块点云数据经过分层、聚类、收缩算法，获取候选骨架点模型Sca1和Sca2；整合Sca1和Sca2，得到候选骨架点模型Sca。
进一步地，分层是指将点云数据按照分层规则分为各层数据集。具体为：(1)按照各点到最高点的距离相似性分层(图4a)，在此优选实施例中距离相似性分层的分层数设定为400，则各层数据集为(2)按照各点高度分层(图4b)，在此优选实施例中高度分层的分层数设定为100，则各层数据集为/>
优选地，聚类的目的是构件分段点云NEps分割。构件分段点云NEps是指结构中各构件的点云数据分段，本实例中具体指各脊杆和撑杆构件的点云数据分段。具体地，选择具有噪声的基于密度点云聚类法完成聚类，其原理是：将满足一定密度规则的点聚集到同一类中，而将密度相对很小的点作为噪声剔除。其中，密度是指各点领域内包含的点个数。计算点数时则需要使用距离量度，以确定在领域内的点。距离量度采用欧几里得距离。即：
其中，Dist(p，q)代表点q的距离量度，由点p和点q的三维坐标计算得到。(xp，yp，zp)为点p的三维坐标，(xq，yq，zq)为点q的三维坐标。
具体算法流程为：
(1)在各层数据集或/>中的一个数据集中随机选择一个点p；
(2)遍历数据集中其余点，计算到点p的距离，如果小于RFd，则将该点加入Fd(p)；
(3)判断Fd(p)中点数是否≥Ptsmin，若是，则将Fd(p)标记为一个构件分段点云NEps，反之则将点p标记为噪声点；
(4)对数据集中剩余点重复此步骤，直至所有点被标记为某一构件分段点云中的点或噪声点。
其中，RFd为邻域半径，用于确定点p的领域点集。Fd(p)代表点p的领域点集，即与点p的距离在邻域半径内的所有点组成的点集。Ptsmin为噪声点判定因子，用于通过领域点集点数判断点p是否为噪声点。
优选地，收缩的目的为从聚类结果，即构件分段点云中提取中心。具体地，采用算数平均值进行构件分段点云中心收缩，通过全部点三维坐标计算获得中心点坐标{xEps，yEps，zEps}，即
Sp＝{xEps，yEps，zEps} (2)
其中，Sp代表构件分段点云NEps的中心，其坐标{xEps，yEps，zEps}是通过分段中全部点的三维坐标计算获得的。N代表单个构件分段点云的点个数。遍历所有构件分段点云，完成所有构件分段点云的收缩。即完成候选骨架点的提取，得到候选骨架点模型，如图5所示。
进一步地，在本发明提供的优选实施例中，继续实施步骤S3，具体为：通过设计状态节点坐标库以及节点邻接矩阵，建立标准骨架模型Sst；随后，利用最邻近算法(即knnsearch算法)在Sst中搜寻Sca各点pi的邻域点q1-qk，判定pi的邻域点q1-qk所属构件编号如果相同，则pi为该构件所属骨架点，储存至构件骨架点Scp中，遍历Sca中所有点，进而完成各构件骨架点的分割，如图7a、图7b所示。构件骨架点Scp是指各构件的骨架上的点，包含在候选骨架点模型Sca中。
进一步地，步骤S3中，标准骨架模型Sst的各节点和构件编号如图6a所示。节点编号依照从内到外、从高到低排序，共26个。构件编号依照从内到外、从高到低排序，共39个。
进一步地，步骤S3中，设计状态节点坐标库是指设计状态下，该模块中包含的所有节点坐标集合，以编号形式为各节点命名。
进一步地，步骤S3中，节点邻接矩阵是表示各节点之间连接关系的d阶方阵，d为构件个数。矩阵中的非0项代表对应行和列编号节点间是连接的，这对节点中的构件编号为该非0项数字，而0项则代表对应行和列编号节点间不连接。该实施例中索穹顶结构模块脊杆和撑杆构件数量d为39，因此本实施例中的节点邻接矩阵为一个39阶方阵。
节点邻接矩阵如下表所示：
表1节点邻接矩阵
进一步地，步骤S3中，标准骨架模型Sst如图6b所示，模型由在设计状态结构骨架上的点构成，共包含3900个点。
进一步地，步骤S3中，标准骨架模型Sst数据储存格式为r行5列矩阵，各行储存一个骨架点信息，具体为：第1列为各点编号；第2-4列为各点x、y、z坐标；第5列为各点所属构件编号。该实施例中标准骨架模型Sst的点数为3900，因此r为3900，标准骨架模型Sst数据储存格式为3900行5列矩阵。
优选地，为避免节点处密集骨架点错误判定导致的后续误差，knnsearch算法的邻域点数k设置为3，即以点pi两侧点所属构件是否相同为判断依据，如相同，则说明点pi为杆件上的点，不同则说明点pi为节点处的点，进而将节点处的骨架候选点剔除。
进一步地，步骤S4中，各模块几何特征为各节点三维坐标。
进一步地，在本发明提供的优选实施例中，继续实施步骤S4，具体为：首先基于分割后的构件骨架点Scp，拟合获取脊杆和撑杆构件空间方向及空间位置。
优选地，构件直线空间方程L定义为：
式中a，b，c为方向向量，(x，y，z)为直线上任意一点的坐标。(x0，y0，z0)为直线上已知点的坐标。
优选地，确定a，b，c过程采用基于奇异值分解(SVD)的主成分分析法(PCA)。PCA法将三维空间点线性降维，寻求一个投影方向使得点分布最密集，该投影方向即直线空间方向。
具体地，对构件骨架点Scp做中心化处理得到中心化构件骨架点Sct，即：
Sct＝{xcti，ycti，zcti}，i＝1…l (5)
其中，{xcti，ycti，Zcti}代表中心化处理后的所有骨架点坐标，l为构件骨架点Scp的点个数。
之后，对Sct进行SVD，即
其中，Ul×l和Vw×w分别为左右奇异值矩阵，分别代表直线在缩放前后的旋转过程。l×l和w×w分别代表两个矩阵的维度，l×l表示U为一个l阶方阵，l为构件骨架点Scp的点个数；w×w表示V为一个w阶方阵，在三维空间中，w为3。Sl×w的主对角线元素为奇异值，代表直线的缩放过程，如图8所示。l×w表示Sl×w为一个l行w列的矩阵。Vw×w中每一列为Sct特征值对应的特征向量，按照特征值大小依次排列。特征向量越小，受噪声点影响可能越到，因此取V矩阵第一列作为方向向量，即(a，b，c)＝V1，1：3。
进一步地，依据节点邻接矩阵，获取各节点连接的构件编号。将模块中的节点分为三类进行拟合，1)两构件节点，如节点5、节点8；2)n构件交点，如节点1、节点2；3)0构件交点，如节点12、节点15。
1)对于两构件节点，通过求解构件直线方程交点拟合节点坐标。构件L1和L2由以下参数方程定义：
其中，(x1,y1,z1)和(x2,y2,z2)分别为构件L1和L2上的任意一点。(xct1,yct1,zct1)和(xct2,yct2,zct2)分别为上一节中拟合得到构件L1和L2的中心点，即构件空间位置。(m1,n1,l1)和(m2,n2,l2)分别为构件L1和L2的方向向量，即构件空间方向。t1和t2分别为构件L1和L2上点(x1,y1,z1)和(x2,y2,z2)对应的坐标参数。在此基础上，交点Ip由下式计算：
其中，为交点Ip的三维坐标，tp为两构件连接点处的坐标参数，求解该参数采用投影反射法。首先将两构件的空间直线投影至Z＝0平面，降维为二维直线。进而由下式计算得到连接点处的坐标参数：
进一步的，将tp带入两构件参数方程中直接求出和/>最后，通过反射升维求解/>将分别带入两构件参数方程得到/>和/>取均值得到/>如图9所示。
2)对于构件数为j的多构件交点，首先将构件两两组合分为 组，分别求直线交点Ip1,Ip2…Ipj。交点坐标为h组拟合结果中心，即
其中，(xcti,ycti,zcti)为第i分组求解得到的连接点Ipi三维坐标。为交点Ip的三维坐标的最终拟合结果。
3)对于0构件交点，通过前一步中构件方向拟合结果(aI,bI,cI)，构件骨架中心点SC以及构件另一端节点坐标共同确定。求解过程如下：
其中，为交点Ip的三维坐标，/>为该构件中心点三维坐标，采用上一节中的求解结果,(mI,nI,lI)为上一节中求解得到的构件方向向量,tp为单构件节点处的坐标参数，由下式计算：
其中，为该构件另一端节点坐标，使用在上两节中求解得到的拟合结果。利用中心点与两端节点的关系，即两端节点到中心点距离相同，进而求解得到tp。
如图10所示，为本发明实施例的索穹顶结构模块几何特征拟合结果示意图，图中直线为各构件方向拟合结果，圆点为节点坐标拟合结果。
进一步地，在本发明提供的优选实施例中，继续实施步骤S5，具体为：在完成各模块点云数据的步骤S2-S4后，整合各模块几何特征信息，建立索穹顶结构整体数字孪生模型。如图12所示，为本发明实施例的索穹顶结构数字孪生模型示意图。
进一步地，各模块几何特征信息整合过程分为粗拼合和精细拼合，如图11所示。粗拼合是指将各模块按照划分时的位置排列，并以最高点坐标为准拼合。精细拼合是指通过校核模块边缘节点坐标完成各模块的精确连接过程。
进一步地，粗拼合以确定拼合标准作为开始。各模块最高点坐标为(0,0,0)，在粗拼合过程中，以该点坐标为拼合标准。具体拼合过程为：确定各模块最高点为节点1，以节点1的三维坐标作为指标平移其他节点坐标，平移量为将平移后的各模块模型按照编号重新排列，即完成了粗拼合。
进一步地，精细拼合过程如下：对于两个相邻模块，依据两模块中相应节点编号，提取对应节点坐标，按照中心收缩的方式，取两次拟合结果的质心。各模块中的所有边缘节点调整完成后，即完成了精细拼合。
整体结构数字孪生的数据储存格式为带有编号的结构各节点三维坐标库以及节点邻接矩阵，如下表所示：
表2整体结构数字孪生数据结构
上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种基于三维激光点云的高效索穹顶结构数字孪生建立方法，其特征在于，包括以下步骤：
S1，将索穹顶结构整体点云数据划分为n等分的模块点云数据；
S2，通过分层、聚类、收缩算法提取模块点云数据的候选骨架点模型Sca；
S3，通过设计状态节点坐标库以及节点邻接矩阵，建立标准骨架模型Sst，基于标准骨架模型Sst利用最邻近算法将候选骨架点模型Sca分割，得到各构件骨架点Scp；
S4，基于各构件骨架点Scp，拟合各模块几何特征；
S5，将各模块点云数据拟合得到的几何特征整合，建立索穹顶结构数字孪生模型。
2.根据权利要求1所述的基于三维激光点云的高效索穹顶结构数字孪生建立方法，其特征在于，
步骤S2中，按照两种分层步骤，分别将模块点云数据经过分层、聚类、收缩算法，获取候选骨架点模型Sca1和Sca2；整合Sca1和Sca2，得到候选骨架点模型Sca；
所述两种分层步骤包括：按照各点到最高点的距离相似性分层，按照各点高度分层。
3.根据权利要求1所述的基于三维激光点云的高效索穹顶结构数字孪生建立方法，其特征在于，
步骤S2中，通过分层将所述点云数据分为各层数据集；
通过聚类将所述各层数据集分割为构件分段点云NEps；
通过收缩从所述构件分段点云NEps中提取中心；
遍历所有构件分段点云NEps，完成所有构件分段点云NEps的收缩，得到所述候选骨架点模型Sca。
4.根据权利要求3所述的基于三维激光点云的高效索穹顶结构数字孪生建立方法，其特征在于，
所述通过聚类将所述各层数据集分割为构件分段点云NEps包括：
在各层数据集中的一个数据集中随机选择一个点p；
遍历该数据集中其余点，计算到点p的距离，如果小于RFd，则将该点加入Fd(p)；
判断Fd(p)中点数是否≥Ptsmin，若是，则将Fd(p)标记为一个构件分段点云NEps，反之则将点p标记为噪声点；
对该数据集中剩余点重复此步骤，直至所有点被标记为某一构件分段点云NEps中的点或噪声点；
其中，RFd为邻域半径，Fd(p)代表点p的领域点集，Ptsmin为噪声点判定因子；
所述通过收缩从所述构件分段点云NEps中提取中心包括：
通过一个构件分段点云NEps中全部点三维坐标计算获得中心点坐标{xEps，yEps，zEps}，
Sp＝{xEps，yEps，zEps} (2)
公式(2)、(3)中，Sp代表构件分段点云NEps的中心，N代表单个构件分段点云的点个数，x1、x2、…、xN，y1、y2、…、yN，z1、z2、…、zN代表单个构件分段点云各个点的三维坐标。
5.根据权利要求1所述的基于三维激光点云的高效索穹顶结构数字孪生建立方法，其特征在于，
步骤S3中，所述设计状态节点坐标库为设计状态下，对所述模块点云数据中包含的所有节点坐标集合，以编号形式为各节点命名；
所述节点邻接矩阵为所述模块点云数据中各节点之间连接关系的d阶方阵，d为构件个数，所述节点邻接矩阵中的非0项代表对应行和列编号节点间是连接的，这对节点中的构件编号为该非0项数字，而0项则代表对应行和列编号节点间不连接；
所述建立标准骨架模型Sst的数据储存格式为r行5列矩阵，各行储存一个骨架点信息，第1列为各点编号，第2-4列为各点x、y、z坐标，第5列为各点所属构件编号；
利用最邻近算法在标准骨架模型Sst中搜寻候选骨架点模型Sca各点pi的邻域点q1-qk，判定pi的邻域点q1-qk所属构件编号如果相同，则pi为该构件所属骨架点，储存至构件骨架点Scp中；
遍历候选骨架点模型Sca中所有点，完成各构件骨架点Scp的分割。
6.根据权利要求5所述的基于三维激光点云的高效索穹顶结构数字孪生建立方法，其特征在于，所述最邻近算法的邻域点数k设置为3，以点pi两侧点所属构件是否相同为判断依据，如相同，则说明点pi为杆件上的点，不同则说明点pi为节点处的点，将节点处的骨架候选点剔除。
7.根据权利要求1所述的基于三维激光点云的高效索穹顶结构数字孪生建立方法，其特征在于，
步骤S4中，对构件骨架点Scp做中心化处理得到中心化构件骨架点Sct，
Sct＝{xcti，ycti，zcti}，i＝1…l (5)
公式(5)、(6)中，{xcti，ycti，zcti}代表中心化处理后的所有骨架点坐标，l为构件骨架点Scp的点个数，xi、yi、zi代表构件骨架点中任一点的三维坐标；
对中心化构件骨架点Sct进行奇异值分解，
公式(7)中，Ul×l和Ww×w分别为左右奇异值矩阵，l×l和w×w分别代表两个矩阵的维度，l×l表示U为一个l阶方阵，l为构件骨架点ScD的点个数，w×w表示V为一个w阶方阵，w为3，Sl×w的主对角线元素为奇异值，l×w表示Sl×w为一个l行w列的矩阵，Vw×w中每一列为Sct特征值对应的特征向量，按照特征值大小依次排列，取V矩阵第一列作为方向向量；
依据节点邻接矩阵，获取各节点连接的构件编号，对各模块中的节点进行拟合：
对于两构件节点，通过求解构件直线方程交点拟合节点坐标：
公式(8)中，(xL1，yL1，zL1)和(xL2，yL2，zL2)分别为构件L1和L2上的任意一点，(xct1，yct1，zct1)和(xct2，yct2，zct2)分别为上一节中拟合得到构件L1和L2的中心点，(m1，n1，l1)和(m2，n2，l2)分别为构件L1和L2的方向向量，t1和t2分别为构件L1和L2上点(xL1，yL1，zL1)和(xL2，yL2，zL2)对应的坐标参数，交点Ip由下式计算：
公式(9)中，为交点Ip的三维坐标，tp为两构件连接点处的坐标参数，采用投影反射法求解tp；
对于构件数为j的多构件交点，首先将构件两两组合分为组，分别求直线交点Ip1，Ip2…Ipj，交点坐标为h组拟合结果中心，
公式(11)中，(xcti，ycti，zcti)为第i分组求解得到的连接点Ipi三维坐标，为交点Ip的三维坐标的最终拟合结果；
对于0构件交点，交点Ip为：
公式(12)中，为交点Ip的三维坐标，/>为该构件中心点三维坐标，(mI，nI，lI)为构件方向向量，tp为单构件节点处的坐标参数，由下式计算：
公式(13)中，为该构件另一端节点坐标，利用两端节点到中心点距离相同，求解得到tp。
8.根据权利要求7所述的基于三维激光点云的高效索穹顶结构数字孪生建立方法，其特征在于，
所述采用投影反射法求解tp包括：
两构件的空间直线投影至Z＝0平面，降维为二维直线；
由下式计算得到连接点处的坐标参数：
9.根据权利要求1所述的基于三维激光点云的高效索穹顶结构数字孪生建立方法，其特征在于，
步骤S5中，所述将各模块点云数据拟合得到的几何特征整合包括：
将各模块按照划分时的位置排列，确定各模块最高点为节点1，以节点1的三维坐标作为指标平移其他节点坐标，平移量为/>将平移后的各模块模型按照编号重新排列；
对于两个相邻模块，依据两模块中相应节点编号，提取对应节点坐标，按照中心收缩的方式，取两次拟合结果的质心，将各模块中的所有边缘节点调整完成。
CN202310916652.9A 2023-07-25 2023-07-25 基于三维激光点云的高效索穹顶结构数字孪生建立方法 Active CN117152374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310916652.9A CN117152374B (zh) 2023-07-25 2023-07-25 基于三维激光点云的高效索穹顶结构数字孪生建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310916652.9A CN117152374B (zh) 2023-07-25 2023-07-25 基于三维激光点云的高效索穹顶结构数字孪生建立方法

Publications (2)

Publication Number Publication Date
CN117152374A CN117152374A (zh) 2023-12-01
CN117152374B true CN117152374B (zh) 2024-04-26

Family

ID=88903458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310916652.9A Active CN117152374B (zh) 2023-07-25 2023-07-25 基于三维激光点云的高效索穹顶结构数字孪生建立方法

Country Status (1)

Country Link
CN (1) CN117152374B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330901A (zh) * 2017-06-29 2017-11-07 西安理工大学 一种基于骨架的物体构件分解方法
CN109446691A (zh) * 2018-11-08 2019-03-08 南京林业大学 基于激光点云与空气动力学的活立木抗风性能分析方法
CN110009727A (zh) * 2019-03-08 2019-07-12 深圳大学 一种具有结构语义的室内三维模型自动重构方法及系统
CN110717983A (zh) * 2019-09-07 2020-01-21 苏州工业园区测绘地理信息有限公司 一种基于背包式三维激光点云数据的建筑物立面三维重建方法
CN115661333A (zh) * 2022-09-07 2023-01-31 同济大学 一种基于图像与点云的数字孪生生成方法及系统
CN115761172A (zh) * 2022-10-10 2023-03-07 哈尔滨工程大学 一种基于点云语义分割与结构拟合的单体建筑三维重建方法
WO2023060683A1 (zh) * 2021-10-13 2023-04-20 东南大学 一种基于三维点云模型的预制梁段表面平整度检测方法
CN116402866A (zh) * 2023-03-03 2023-07-07 西安交通大学 基于点云的零件数字孪生几何建模与误差评定方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330901A (zh) * 2017-06-29 2017-11-07 西安理工大学 一种基于骨架的物体构件分解方法
CN109446691A (zh) * 2018-11-08 2019-03-08 南京林业大学 基于激光点云与空气动力学的活立木抗风性能分析方法
CN110009727A (zh) * 2019-03-08 2019-07-12 深圳大学 一种具有结构语义的室内三维模型自动重构方法及系统
CN110717983A (zh) * 2019-09-07 2020-01-21 苏州工业园区测绘地理信息有限公司 一种基于背包式三维激光点云数据的建筑物立面三维重建方法
WO2023060683A1 (zh) * 2021-10-13 2023-04-20 东南大学 一种基于三维点云模型的预制梁段表面平整度检测方法
CN115661333A (zh) * 2022-09-07 2023-01-31 同济大学 一种基于图像与点云的数字孪生生成方法及系统
CN115761172A (zh) * 2022-10-10 2023-03-07 哈尔滨工程大学 一种基于点云语义分割与结构拟合的单体建筑三维重建方法
CN116402866A (zh) * 2023-03-03 2023-07-07 西安交通大学 基于点云的零件数字孪生几何建模与误差评定方法及系统

Also Published As

Publication number Publication date
CN117152374A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN108846888B (zh) 一种古木建筑构件精细尺寸信息自动化提取方法
CN108803621B (zh) 一种钢轨焊缝修磨机器人路径规划方法
CN105654483A (zh) 三维点云全自动配准方法
CN113916130B (zh) 一种基于最小二乘法的建筑物位置测量方法
CN112396641A (zh) 一种基于全等二基线匹配的点云全局配准方法
CN112150358A (zh) 一种抗大几何畸变的影像特征匹配方法
CN110533764B (zh) 面向建筑群的分形四叉树纹理组织方法
Dehbi et al. Robust and fast reconstruction of complex roofs with active sampling from 3D point clouds
CN106355178B (zh) 基于分层聚类和拓扑连接模型的海量点云自适应简化方法
WO2017107866A1 (zh) 图像检索服务器、系统、相关检索及排错方法
CN117152374B (zh) 基于三维激光点云的高效索穹顶结构数字孪生建立方法
CN110555189B (zh) 一种基于反向计算思维的空间插值方法
CN116476070B (zh) 大型筒件局部特征机器人扫描测量路径调整方法
CN113628104B (zh) 针对无序图像增量式SfM的初始图像对选取方法
KR101063827B1 (ko) 한국토지정보시스템 연속지적도와 수치지형도의 기하학적 지도 변환을 위한 반자동화된 공액점 쌍 추출방법
CN114494637B (zh) 一种基于结构体矩阵的砂岩三维真实模型重构方法
CN111724298A (zh) 一种数字岩心超维重建的字典优化与映射方法
CN113806951A (zh) 一种基于半边数据结构的自然邻近点搜索的弹性仿真方法
CN115147471A (zh) 一种基于曲率密度特征的激光点云自动配准方法
CN106952249A (zh) 基于交比不变性的绝缘子串中轴线提取方法
CN111967405A (zh) 一种基于晶体图结构的手指三模态融合识别方法及装置
CN117953164B (zh) 一种提高图纸测量质量的方法及系统
CN113011113B (zh) 一种离散点云重复点快速查找方法
CN114693708B (zh) 一种锚网孔同行列中心点匹配方法及系统
CN117455815B (zh) 基于卫星影像平顶建筑物顶底偏移校正方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Ailin

Inventor after: Ma Hao

Inventor after: Zhao Xi

Inventor after: Zhang Yanxia

Inventor after: Wang Jie

Inventor after: ShangGuan Guanghao

Inventor before: Zhang Ailin

Inventor before: Zhao Xi

Inventor before: Ma Hao

Inventor before: Zhang Yanxia

Inventor before: Wang Jie

Inventor before: ShangGuan Guanghao

GR01 Patent grant
GR01 Patent grant