CN117196224B - 一种古建筑的修复智能管理方法及系统 - Google Patents
一种古建筑的修复智能管理方法及系统 Download PDFInfo
- Publication number
- CN117196224B CN117196224B CN202311180451.3A CN202311180451A CN117196224B CN 117196224 B CN117196224 B CN 117196224B CN 202311180451 A CN202311180451 A CN 202311180451A CN 117196224 B CN117196224 B CN 117196224B
- Authority
- CN
- China
- Prior art keywords
- repair
- building
- restoration
- sub
- decision
- 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
- 230000008439 repair process Effects 0.000 title claims abstract description 446
- 238000007726 management method Methods 0.000 title claims abstract description 90
- 238000012423 maintenance Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000003213 activating effect Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 239000004566 building material Substances 0.000 claims description 9
- 230000006735 deficit Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 20
- 238000012549 training Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004078 waterproofing Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种古建筑的修复智能管理方法及系统，涉及古建筑修复技术领域，所述方法包括：接收第一古建筑修复需求；对第一古建筑修复需求进行布局特征识别与区域划分，获得M个建筑子区域；获得第一建筑子区域进行激光扫描，获得第一子区域点云数据源；根据第一子区域点云数据源判断获得第一修复判断结果；若第一修复判断结果为第一建筑子区域需要进行修复，生成第一子区域修复指令；激活修复寻优函数进行修复决策寻优分析，获得第一子区域修复决策；将第一子区域修复决策添加至第一古建筑修复方案，修复运维端按照第一古建筑修复方案执行修复。本申请具有信息获取全面、判断准确客观、管理泛用性强、修复管理效率高的技术效果。
Description
技术领域
本发明涉及古建筑修复技术领域，特别涉及一种古建筑的修复智能管理方法及系统。
技术背景
古建筑承载着文化与文明的厚重，古建筑的修复和管理一直是文化遗产保护中的重要任务。修复和管理需要高度的专业知识和细致的计划。传统的古建筑修复和管理方法通常依赖于专业建筑师和文化遗产保护专家的经验，存在受限于主观判断、存在人为误差和信息获取不足、修复管理效率低的技术问题。
发明内容
本申请的目的在于提供一种古建筑的修复智能管理方法及系统。用以解决现有技术中受限于主观判断、存在人为误差和信息获取不足、修复管理效率低的技术问题。
鉴于以上技术问题，本申请提供了一种古建筑的修复智能管理方法及系统。
第一方面，本申请提供了一种古建筑的修复智能管理方法，其中，所述方法包括：
根据所述智能修复管理平台内的修复需求交互端接收第一古建筑修复需求；对所述第一古建筑修复需求进行布局特征识别，获得第一古建筑布局特征识别结果，并根据所述第一古建筑布局特征识别结果执行第一古建筑的区域划分，获得所述第一古建筑对应的M个建筑子区域，其中，M为大于1的正整数；基于所述M个建筑子区域，获得第一建筑子区域，并根据所述智能修复管理平台内的激光扫描端对所述第一建筑子区域进行激光扫描，获得第一子区域点云数据源；基于所述智能修复管理平台内的修复判断端，根据所述第一子区域点云数据源判断所述第一建筑子区域是否需要进行修复，获得第一修复判断结果；若所述第一修复判断结果为所述第一建筑子区域需要进行修复，生成第一子区域修复指令；基于所述第一子区域修复指令激活所述智能修复管理平台内的修复寻优函数对所述第一建筑子区域进行修复决策寻优分析，获得第一子区域修复决策；将所述第一子区域修复决策添加至第一古建筑修复方案，并将所述第一古建筑修复方案传输至所述智能修复管理平台内的修复运维端，所述修复运维端按照所述第一古建筑修复方案执行所述第一古建筑的修复，其中，所述第一古建筑修复方案包括所述M个建筑子区域一一对应的M个子区域修复决策，且M个子区域修复决策与所述第一子区域修复决策的获得方式相同。
第二方面，本申请还提供了一种古建筑的修复智能管理系统，其中，所述系统包括：
需求获取模块，所述需求获取模块用于根据所述智能修复管理平台内的修复需求交互端接收第一古建筑修复需求；区域划分模块，所述区域划分模块用于对所述第一古建筑修复需求进行布局特征识别，获得第一古建筑布局特征识别结果，并根据所述第一古建筑布局特征识别结果执行第一古建筑的区域划分，获得所述第一古建筑对应的M个建筑子区域，其中，M为大于1的正整数；点云数据采集模块，所述点云数据采集模块用于基于所述M个建筑子区域，获得第一建筑子区域，并根据所述智能修复管理平台内的激光扫描端对所述第一建筑子区域进行激光扫描，获得第一子区域点云数据源；修复判断模块，所述修复判断模块用于基于所述智能修复管理平台内的修复判断端，根据所述第一子区域点云数据源判断所述第一建筑子区域是否需要进行修复，获得第一修复判断结果；修复指令生成模块，所述修复指令生成模块用于若所述第一修复判断结果为所述第一建筑子区域需要进行修复，生成第一子区域修复指令；修复决策模块，所述修复决策模块用于基于所述第一子区域修复指令激活所述智能修复管理平台内的修复寻优函数对所述第一建筑子区域进行修复决策寻优分析，获得第一子区域修复决策；修复执行模块，所述修复执行模块用于将所述第一子区域修复决策添加至第一古建筑修复方案，并将所述第一古建筑修复方案传输至所述智能修复管理平台内的修复运维端，所述修复运维端按照所述第一古建筑修复方案执行所述第一古建筑的修复，其中，所述第一古建筑修复方案包括所述M个建筑子区域一一对应的M个子区域修复决策，且M个子区域修复决策与所述第一子区域修复决策的获得方式相同。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过接收第一古建筑修复需求；对第一古建筑修复需求进行布局特征识别，获得第一古建筑布局特征识别结果，并执行第一古建筑的区域划分，获得第一古建筑对应的M个建筑子区域；基于M个建筑子区域，获得第一建筑子区域，对第一建筑子区域进行激光扫描，获得第一子区域点云数据源；基于智能修复管理平台修复判断端，根据第一子区域点云数据源判断第一建筑子区域是否需要进行修复，获得第一修复判断结果；若第一修复判断结果为第一建筑子区域需要进行修复，生成第一子区域修复指令；基于第一子区域修复指令激活智能修复管理平台中修复寻优函数对第一建筑子区域进行修复决策寻优分析，获得第一子区域修复决策；将第一子区域修复决策添加至第一古建筑修复方案，并将第一古建筑修复方案传输至智能修复管理平台内的修复运维端，修复运维端按照第一古建筑修复方案执行第一古建筑的修复。进而实现了信息获取全面、判断准确客观、管理泛用性强、修复管理效率高的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚阐明本申请的技术手段，进而可依照说明书的内容予以实施，并且为了让本申请的上述及其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
本发明的实施例及后述简单说明结合图示予以说明，附图说明如下：
图1为本申请一种古建筑的修复智能管理方法的流程示意图；
图2为本申请一种古建筑的修复智能管理方法中获得第一修复判断结果的流程示意图；
图3为本申请一种古建筑的修复智能管理系统的结构示意图。
附图标记说明：需求获取模块11、区域划分模块12、点云数据采集模块13、修复判断模块14、修复指令生成模块15、修复决策模块16、修复执行模块17。
具体实施方式
本申请通过提供一种古建筑的修复智能管理方法和系统，解决了现有技术面临的受限于主观判断、存在人为误差和信息获取不足、修复管理效率低的技术问题。
本技术实施例中的方案，为解决上述问题，所采用的整体思路如下：
首先接收第一古建筑修复需求；对第一古建筑修复需求进行布局特征识别，获得第一古建筑布局特征识别结果，并执行第一古建筑的区域划分，获得第一古建筑对应的M个建筑子区域；接着，基于M个建筑子区域，获得第一建筑子区域，对第一建筑子区域进行激光扫描，获得第一子区域点云数据源；而后，基于智能修复管理平台修复判断端，根据第一子区域点云数据源判断第一建筑子区域是否需要进行修复，获得第一修复判断结果；进而，若第一修复判断结果为第一建筑子区域需要进行修复，生成第一子区域修复指令；然后，基于第一子区域修复指令激活智能修复管理平台中修复寻优函数对第一建筑子区域进行修复决策寻优分析，获得第一子区域修复决策；最后，将第一子区域修复决策添加至第一古建筑修复方案，并将第一古建筑修复方案传输至智能修复管理平台内的修复运维端，修复运维端按照第一古建筑修复方案执行第一古建筑的修复。进而实现了信息获取全面、判断准确客观、管理泛用性强、修复管理效率高的技术效果。
为更好理解上述技术方案，下面将结合说明书附图和具体的实施方式来对上述技术方案进行详细的说明，需要说明的是，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有作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。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示，本申请提供了一种古建筑的修复智能管理方法，所述方法包括：
S100：根据所述智能修复管理平台内的修复需求交互端接收第一古建筑修复需求；
可选的，智能修复管理平台包括存储于远程服务器的云管理平台中内嵌的多个端组件与用于信息交互的端组件。其中，远程服务器是一种基于远程连接技术的云端计算设备或云端计算设备群组，包括独立的计算设备，也可以是本地连通的计算群组或者通过网络连接的分布式计算设备。使用远程服务器作为智能修复平台的构建基础，具有拓展便捷、稳定性好、安全性高、进而降低部署成本的技术效果。
可选的，智能修复管理平台中存储于远程服务器的云管理平台中内嵌的多个端组件包括：修复需求交互端、修复判断端、修复运维端、数字孪生端；用于信息获取的端组件包括激光扫描端等。
可选的，第一古建筑修复需求用于确定第一古建筑的现状信息及对第一古建筑的修复要求。示例性的，第一古建筑修复需求中的现状信息包括第一古建筑的年代、历史、原始设计、建筑格局、结构构造和特点等方面的信息。第一古建筑的修复要求是指对古建筑所提出的具体修复需求。示例性的，包括结构修复、外观修复、内部修复、防水处理、文化遗产保护等多个方面的要求。
可选的，第一古建筑修复需求中还包括第一古建筑修复的预算和时间限制，泳衣以确保给出的修复方案和修复工程得以在可接受的成本和时间范围内完成。
接收并分析第一古建筑修复需求是智能修复管理平台的第一步，得以为修复项目制定详细的计划和策略，以确保修复工程顺利进行并达到预期的效果。
S200：对所述第一古建筑修复需求进行布局特征识别，获得第一古建筑布局特征识别结果，并根据所述第一古建筑布局特征识别结果执行第一古建筑的区域划分，获得所述第一古建筑对应的M个建筑子区域，其中，M为大于1的正整数；
根据所述第一古建筑布局特征识别结果执行第一古建筑的区域划分，将第一古建筑分为M个建筑子区域。可选的，布局特征识别，通过对第一古建筑修复需求中的现状信息进行分析识别获取。优选的，基于现状信息中第一古建筑的勘察数据、结构标记、图纸等信息进行特征识别。示例性的，布局特征识别结果包括基础、台基、地坪、墙体、木构架、屋面瓦作、木基层、油漆地仗等区域。
可选的，对布局特征识别结果进行第一古建筑的区域划分，得以获取后续激光扫描便于处理的M个建筑子区域。示例性的，第一古建筑的区域划分设置有区域划分规则，包括尽量确保完整的部件为一子区域的整体性规则、部件之间连接处作为一个整体分析的关联性规则、对较大部件分个子区域时多个子区域须有重叠部分的接续性规则等。
可选的，对布局特征识别结果进行第一古建筑的区域划分，区域划分规则经由专家系统基于第一古建筑修复需求给出。依据给出的区域划分规则，遍历第一古建筑特征识别结果，获取M个建筑子区域。进而达成第一古建筑的区域划分及第一古建筑的区域划分得到的M个建筑子区域的合理性和完备性的技术效果。
S300：基于所述M个建筑子区域，获得第一建筑子区域，并根据所述智能修复管理平台内的激光扫描端对所述第一建筑子区域进行激光扫描，获得第一子区域点云数据源；
其中，第一建筑子区域是指需要进行修复判断的M个建筑子区域中的一个。可选的，M个建筑子区域具有修复等级标记，修复等级基于建筑区域设计的建筑构件类型确定，示例性的，分为基础、结构、幕墙和室内装饰。修复等级标记用于确定M个建筑区域的修复重要性与紧迫性。
可选的，智能修复管理平台内的激光扫描端通过远程网络连接方式，与智能修复管理平台通信连接。其中，激光扫描端基于三维激光扫描技术构建，包括由多激光发射器与多个接收器形成的扫描组件、用于控制扫描组件并对扫描数据进行接收处理形成点云数据的控制处理组件、用于在扫描组件与处理算法组件建立数据连接的数据传输组件、供电组件等。
可选的，激光扫描端对第一建筑子区域进行激光扫描，首先，根据第一建筑子区域的位置、大小、形态和需要获取的重点属性确定扫描组件的位置；接着，通过控制处理单元，基于预设的扫描参数，对第一建筑子区域进行激光扫描，并接收处理扫描信息，获取点云数据；然后，进行坐标配准，将多个接收器接收到的点云数据统一到同一坐标系下，形成第一子区域点云数据源。坐标配准基本方法包括配对方式、全局方式和绝对方式。
通过激光扫描端对第一建筑子区域进行激光扫描，得以快速完成第一建筑子区域表面数据点的扫描测量工作，获得大量精确、密集的三维坐标点云数据，具有无需接触、尺寸获取效率高，结果准确，细节丰富的技术效果。
S400：基于所述智能修复管理平台内的修复判断端，根据所述第一子区域点云数据源判断所述第一建筑子区域是否需要进行修复，获得第一修复判断结果；
可选的，智能修复管理平台内的修复判断端设置于远程服务器并内嵌于智能修复管理平台，通过数据网络与激光扫描端远程通信，获取第一子区域点云数据源。
进一步的，如图2所示，基于所述智能修复管理平台内的修复判断端，根据所述第一子区域点云数据源判断所述第一建筑子区域是否需要进行修复，获得第一修复判断结果，步骤S400包括：
S410：对所述第一子区域点云数据源进行点云滤波去噪，获得第一子区域点云数据集合；
S420：基于所述智能修复管理平台内的数字孪生端，根据所述第一子区域点云数据集合进行建模，生成第一子区域模型；
S430：对所述第一子区域模型进行受损特征评估，获得第一子区域受损系数；
S440：将所述第一子区域受损系数输入所述修复判断端，若所述第一子区域受损系数大于/等于所述修复判断端内的预设受损系数，生成的所述第一修复判断结果为所述第一建筑子区域需要进行修复。
点云滤波作为常见的点云处理算法具有很多种功能，包括：去除噪声点、离群点、点云平滑以及空洞、数据压缩等。其中，对第一子区域点云数据源进行点云滤波去噪，用于去除因设备精度，电磁波的衍射特性等引入的噪声及处理点云数据拼接配准等操作过程中引入的噪声。
可选的，智能修复管理平台内嵌有一点云滤波模块，用于去除电源数据源中的噪声点，进行压缩操作等。可选的，滤波方法包括双边滤波，统计滤波，条件滤波，随机采样一致性滤波、导向滤波等。
可选的，第一区域模型基于数字孪生技术原理构建，通过第一子区域点云数据集合中的信息创建。第一区域模型是第一子区域在孪生仿真模拟空间中的数字副本，是高度精确的，允许进行实时模拟和监测。可选的，第一区域模型持续更新以反映物理世界中的变化。
可选的，智能修复管理平台还包括超声波检测端。其中，超声波检测端基于超声波无损检测技术构建，采取与上述激光扫描端同样的连接方式，与智能修复管理平台通信连接，超声波检测端利用介质弹性模量与超声波在介质中传播速度的平方与介质密度成正比的关系，检测数值，推算出介质的弹性模量等力学强度以及介质内部缺陷的技术。通过超声波无损检测技术，可以反映第一子区域的内部结构、性能和行为，同时不对第一古建筑产生损伤。
可选的，预设受损系数，基于第一古建筑修复需求中修复要求，基于专家系统给出。
进一步的，对所述第一子区域模型进行受损特征评估，获得第一子区域受损系数，步骤S430还包括：
S431：搭建古建筑受损特征分析通道，其中，所述古建筑受损特征分析通道包括古建筑受损识别通道和古建筑受损评估通道；
S432：基于所述古建筑受损识别通道对所述第一子区域模型进行受损特征识别，获得第一子区域受损识别结果，其中，所述古建筑受损识别通道包括多维受损识别指标，所述多维受损识别指标包括建筑结构受损识别指标、建筑材料受损识别指标和建筑附加物受损识别指标；
S433：将所述第一子区域受损识别结果输入所述古建筑受损评估通道，获得多维受损评估系数，其中，所述古建筑受损评估通道包括多维受损评估指标，所述多维受损评估指标包括建筑结构受损评估指标、建筑材料受损评估指标和建筑附加物受损评估指标；
S434：基于多维受损加权特征对所述多维受损评估系数进行加权计算，生成所述第一子区域受损系数。
搭建古建筑受损特征分析通道，基于神经网络原理进行。可选的，古建筑受损特征分析通道包括古建筑受损识别通道和古建筑受损评估通道，古建筑受损识别通道的输出层和古建筑受损评估通道输入层连接。其中，古建筑受损识别通道基于对抗神经网络原理获取，用于识别提取损伤指标值，确定损伤类型；古建筑受损评估通道基于CNN卷积神经网络构建。对抗神经网络(Generative Adversarial Network，简称GAN)是一种深度学习模型，由两个主要组成部分组成：生成器(Generator)和判别器(Discriminator)。这两个部分通过对抗过程相互协作来训练模型，得以有效提高模型性能，进而提升损失识别准确率与鲁棒性。示例性的，首先，收集并准备用于训练和测试的训练数据。这些数据包括正常受损特征和虚假受损特征的示例。接着，建立一个对抗神经网络(GAN)模型。GAN由两个主要部分组成：生成器(Generator)和判别器(Discriminator)。其中生成器(Generator)负责生成数据样本使其无法被证伪，判别器(Discriminator)负责区分生成的数据和真实数据，即正常受损特征和虚假受损特征，优选的，选取leakrelu函数作为激活函数。然后，使用训练数据作为训练集，训练生成器和判别器。并将生成的对抗样本加入原有的训练数据中，进行对抗式训练。选取wassertein GAN损失函数，若生成器和判别器的损失函数值收敛且近似相等，则基于GAN的模型训练完成，存储古建筑受损识别通道。
可选的，建筑材料受损识别指标通过对超声波检测结果进行分析识别获取，示例性的，建筑材料受损识别指标包括损伤位置，损伤大小、损伤处性质等。建筑附加物受损识别指标，根据第一子区域模型表面的纹理、凹凸性等特征进行提取。其中，示例性的，受损特征评估内容包括色差、凹凸尺寸、凹凸深度、面积等。
此外，第一子区域受损识别结果包括建筑结构受损识别指标值、建筑材料受损识别指标值和建筑附加物受损识别指标值；
可选的，古建筑受损评估通道基于仿真模拟技术构建，通过获取第一子区域材料属性，对第一子区域模型设定实体约束，进行力学分析确定建筑结构受损评估指标与建筑材料受损评估指标；通过对第一子区域进行图像采集，获取第一子区域表面图像信息，对第一子区域模型基于特征融合原理，进行特征融合，并分析纹理特征分析，确定建筑附加物受损评估指标。
可选的，多维受损加权特征预设有多个受损特征权重，多个受损特征权重与多维受损评估系数一一对应。根据多个受损特征权重对多维受损评估系数进行加权求和，获取第一子区域受损系数。
S500：若所述第一修复判断结果为所述第一建筑子区域需要进行修复，生成第一子区域修复指令；
可选的，第一修复判断结果包括建筑结构受损修复判断结果、建筑材料受损修复判断结果和建筑附加物受损修复判断结果。用于确定第一古建筑需要进行何等维度的修复。为后溪进行修复决策及修复决策寻优提供引导。
S600：基于所述第一子区域修复指令激活所述智能修复管理平台内的修复寻优函数对所述第一建筑子区域进行修复决策寻优分析，获得第一子区域修复决策；
进一步的，获得第一子区域修复决策，步骤S600包括：
S610：以所述第一子区域受损识别结果为第一检索约束特征，并根据所述第一检索约束特征进行大数据匹配，获得第一区域修复寻优空间，其中，所述第一区域修复寻优空间包括K个样本修复方案，K为大于1的正整数；
S620：基于所述第一区域修复寻优空间进行随机选择，获得第一候选修复决策；
S630：根据所述修复寻优函数对所述第一候选修复决策进行修复质量预测，获得第一候选修复质量指数；
S640：判断所述第一候选修复质量指数是否满足预设修复质量约束；
S650：若所述第一候选修复质量指数满足所述预设修复质量约束，将所述第一候选修复决策设置为所述第一子区域修复决策。
其中，K个样本修复方案为与第一子区域受损类型相同的修复方案。可选的，大数据匹配目标数据库中包含了各种不同的修复方案和古建筑修复案例。约束特征包括受损程度、损坏类型、位置信息等。以第一子区域受损识别结果为约束特征，进行大数据匹配，进而获取到与第一子区域受损类型像适应的多个修复方案样本。为后续修复决策的设置提供选择空间。
进一步的，根据所述修复寻优函数对所述第一候选修复决策进行修复质量预测，获得第一候选修复质量指数，步骤S630还包括：
S631：根据所述数字孪生端对所述第一子区域模型执行所述第一候选修复决策的仿真拟合修复，获得第一拟合修复区域模型；
S632：将所述第一子区域模型与所述第一拟合修复区域模型进行比对，获得第一修复预测精度和第一修复预测损伤度；
S633：将所述第一修复预测精度和所述第一修复预测损伤度输入所述修复寻优函数，生成所述第一候选修复质量指数；
其中，所述修复寻优函数为：
其中，RESj表征第j候选修复质量指数，REAj表征第j修复预测精度，RELj表征第j修复预测损伤度，j为正整数，且，1≤j≤K，α、β分别为预测精度权重值、预测损伤度权重值，α、β之和为1。
其中，仿真拟合修复基于第一候选修复决策进行，修复方法包括加固、添补、做旧、灌浆、养护、砌筑、拆除重砌等。示例性的，基于第一候选修复决策，对第一子区域模型进行相应的材料替换、结构修补、纹理重绘等仿真模拟修改，得到第一拟合修复区域模型。
可选的，将第一子区域模型与所述第一拟合修复区域模型一同输入三维仿真软件中，移动使两者原点坐标相同，分析目标三维仿真模型与目标标准三维模型差异部分，得到第一修复预测精度与第一修复预测损伤度。通过三维仿真与数字孪生原理进行模型比对，实现对于修复质量的准确分析，并得到量化的第一候选修复质量指数。
进一步的，判断所述第一候选修复质量指数是否满足预设修复质量约束，步骤S640还包括：
S641：若所述第一候选修复质量指数不满足所述预设修复质量约束，淘汰所述第一候选修复决策，对第一区域修复寻优空间进行随机选择，获得第二候选修复决策；
S642：根据所述修复寻优函数对所述第二候选修复决策进行修复质量预测，获得第二候选修复质量指数；
S643：判断所述第二候选修复质量指数是否满足所述预设修复质量约束；
S644：若所述第二候选修复质量指数满足所述预设修复质量约束，将所述第二候选修复质量指数设置为所述第一子区域修复决策；
S645：若所述第二候选修复质量指数不满足所述预设修复质量约束，淘汰所述第二候选修复决策，并基于修复寻优函数和所述预设修复质量约束继续对所述第一区域修复寻优空间进行迭代寻优，直至获得所述第一子区域修复决策。
其中，第二候选修复质量指数基于上述生成第一候选修复质量指数同样的方法原理与修复寻优函数获取，为了说明书的简洁，在此不做进一步的展开说明。
可选的，预设选择代数，用于约束在第一区域修复寻优空间进行随机选择的次数。对所述第一区域修复寻优空间进行迭代寻优中，若预设选择代数内未获得第一子区域修复决策。基于大数据对第一区域修复寻优空间进行数据空间更新，扩充数据量，并基于数据空间更新后的新第一区域修复寻优空间进行迭代寻优，获得第一子区域修复决策。
进一步的，获得第一子区域修复决策，步骤S650之后，还包括：
S651：基于所述M个建筑子区域，获得第二建筑子区域；
S652：基于所述修复判断端，判断所述第二建筑子区域是否需要进行修复；
S653：若所述第二建筑子区域需要进行修复，将所述第二建筑子区域与所述第一建筑子区域进行基础特征比对，获得子区域基础特征相似度；
S654：将所述第二建筑子区域与所述第一建筑子区域进行受损特征比对，获得子区域受损特征相似度；
S655：判断所述子区域基础特征相似度和所述子区域受损特征相似度是否满足二维子区域相似约束；
S656：若所述子区域基础特征相似度和所述子区域受损特征相似度满足所述二维子区域相似约束，生成修复决策映射指令；
S657：根据所述修复决策映射指令，将所述第一子区域修复决策映射至第二子区域修复决策，并将所述第二子区域修复决策添加至所述第一古建筑修复方案。
通过对第二建筑子区域进行基础特征识别，并与第一建筑子区域进行基础特征比对、受损特征比对。判断子区域基础特征相似度与子区域受损特征相似度是否满足要求，实现了相似区域修复决策的映射与推广，具有减少算力消耗，节约运行成本，提高决策效率的技术效果。
可选的，子区域基础特征相似度与子区域受损特征相似度通过对第一建筑子区域与第二建筑子区域的对应特征基于特征差值直方图累积获取。其中，特征差值直方图为反映特征差值分布的直方图，其中，第一坐标为特征差值、第二坐标为特征差值对应的特征值位置。
S700：将所述第一子区域修复决策添加至第一古建筑修复方案，并将所述第一古建筑修复方案传输至所述智能修复管理平台内的修复运维端，所述修复运维端按照所述第一古建筑修复方案执行所述第一古建筑的修复，其中，所述第一古建筑修复方案包括所述M个建筑子区域一一对应的M个子区域修复决策，且M个子区域修复决策与所述第一子区域修复决策的获得方式相同。
可选的，修复运维端包括一显示装置，用于将第一古建筑修复方案内容展示给修复运维相关专业人员。其中，第一古建筑修复方案包含M个子区域修复决策，与M个建筑子区域一一对应。
可选的，对于修复判断结果为不需要修复的N子区域，其对应的N个修复决策为空，且N小于等于M。
可选的，第一古建筑修复方案包括的M个建筑子区域一一对应的M个子区域修复决策具有多种类别标识，便于修复运维相关专业人员对第一古建筑修复方案中的M个子区域修复决策进行检索查看。示例性的，类别标识包括：按子区域所在位置分类的类别标识，如东、南、西、北外墙、梁及柱的编号等；按子区域涉及的古建筑部件种类分离的类别标识，如门、床、梁、柱、基础、屋面瓦作等。
综上所述，本发明所提供的一种古建筑的修复智能管理方法具有如下技术效果：
通过接收第一古建筑修复需求；对第一古建筑修复需求进行布局特征识别，获得第一古建筑布局特征识别结果，并执行第一古建筑的区域划分，获得第一古建筑对应的M个建筑子区域；基于M个建筑子区域，获得第一建筑子区域，对第一建筑子区域进行激光扫描，获得第一子区域点云数据源；基于智能修复管理平台修复判断端，根据第一子区域点云数据源判断第一建筑子区域是否需要进行修复，获得第一修复判断结果；若第一修复判断结果为第一建筑子区域需要进行修复，生成第一子区域修复指令；基于第一子区域修复指令激活智能修复管理平台中修复寻优函数对第一建筑子区域进行修复决策寻优分析，获得第一子区域修复决策；将第一子区域修复决策添加至第一古建筑修复方案，并将第一古建筑修复方案传输至智能修复管理平台内的修复运维端，修复运维端按照第一古建筑修复方案执行第一古建筑的修复。进而实现了信息获取全面、判断准确客观、管理泛用性强、修复管理效率高的技术效果。
实施例二
基于与所述实施例中一种古建筑的修复智能管理方法同样的构思，如图3所示，本申请还提供了一种古建筑的修复智能管理系统，所述系统包括：
需求获取模块11，用于根据所述智能修复管理平台内的修复需求交互端接收第一古建筑修复需求；
区域划分模块12，用于对所述第一古建筑修复需求进行布局特征识别，获得第一古建筑布局特征识别结果，并根据所述第一古建筑布局特征识别结果执行第一古建筑的区域划分，获得所述第一古建筑对应的M个建筑子区域，其中，M为大于1的正整数；
点云数据采集模块13，用于基于所述M个建筑子区域，获得第一建筑子区域，并根据所述智能修复管理平台内的激光扫描端对所述第一建筑子区域进行激光扫描，获得第一子区域点云数据源；
修复判断模块14，用于基于所述智能修复管理平台内的修复判断端，根据所述第一子区域点云数据源判断所述第一建筑子区域是否需要进行修复，获得第一修复判断结果；
修复指令生成模块15，用于若所述第一修复判断结果为所述第一建筑子区域需要进行修复，生成第一子区域修复指令；
修复决策模块16，用于基于所述第一子区域修复指令激活所述智能修复管理平台内的修复寻优函数对所述第一建筑子区域进行修复决策寻优分析，获得第一子区域修复决策；
修复执行模块17，用于将所述第一子区域修复决策添加至第一古建筑修复方案，并将所述第一古建筑修复方案传输至所述智能修复管理平台内的修复运维端，所述修复运维端按照所述第一古建筑修复方案执行所述第一古建筑的修复，其中，所述第一古建筑修复方案包括所述M个建筑子区域一一对应的M个子区域修复决策，且M个子区域修复决策与所述第一子区域修复决策的获得方式相同。
进一步的，修复判断模块14还包括：
滤波去噪单元，用于对所述第一子区域点云数据源进行点云滤波去噪，获得第一子区域点云数据集合；
孪生建模单元，用于基于所述智能修复管理平台内的数字孪生端，根据所述第一子区域点云数据集合进行建模，生成第一子区域模型；
受损评估单元，用于对所述第一子区域模型进行受损特征评估，获得第一子区域受损系数；
修复判断单元，用于将所述第一子区域受损系数输入所述修复判断端，若所述第一子区域受损系数大于/等于所述修复判断端内的预设受损系数，生成的所述第一修复判断结果为所述第一建筑子区域需要进行修复。
进一步的，修复决策模块16还包括：
约束匹配单元，用于以所述第一子区域受损识别结果为第一检索约束特征，并根据所述第一检索约束特征进行大数据匹配，获得第一区域修复寻优空间，其中，所述第一区域修复寻优空间包括K个样本修复方案，K为大于1的正整数；
修复质量预测单元，用于根据所述修复寻优函数对所述第一候选修复决策进行修复质量预测，获得第一候选修复质量指数；
质量约束单元，用于判断所述第一候选修复质量指数是否满足预设修复质量约束；若所述第一候选修复质量指数满足所述预设修复质量约束，将所述第一候选修复决策设置为所述第一子区域修复决策。
应当理解的是，本说明书中所提及的实施例重点在其与其他实施例的不同，前述实施例一中的具体实施例，同样适用于实施例二所述的一种古建筑的修复智能管理系统，为了说明书的简洁，在此不做进一步的展开。
应当理解的是，本申请所公开的实施例及上述说明，可以使得本领域的技术人员运用本申请实现本申请。同时本申请不被限制于上述所提到的这部分实施例，对本申请提到的实施例进行显而易见的修改、变种，也属于本申请原理范围之内。
Claims (5)
1.一种古建筑的修复智能管理方法，其特征在于，所述方法应用于一种古建筑的修复智能管理系统，所述系统与智能修复管理平台通信连接，所述方法包括：
根据所述智能修复管理平台内的修复需求交互端接收第一古建筑修复需求；
对所述第一古建筑修复需求进行布局特征识别，获得第一古建筑布局特征识别结果，并根据所述第一古建筑布局特征识别结果执行第一古建筑的区域划分，获得所述第一古建筑对应的M个建筑子区域，其中，M为大于1的正整数；
基于所述M个建筑子区域，获得第一建筑子区域，并根据所述智能修复管理平台内的激光扫描端对所述第一建筑子区域进行激光扫描，获得第一子区域点云数据源；
基于所述智能修复管理平台内的修复判断端，根据所述第一子区域点云数据源判断所述第一建筑子区域是否需要进行修复，获得第一修复判断结果；
若所述第一修复判断结果为所述第一建筑子区域需要进行修复，生成第一子区域修复指令；
基于所述第一子区域修复指令激活所述智能修复管理平台内的修复寻优函数对所述第一建筑子区域进行修复决策寻优分析，获得第一子区域修复决策；
将所述第一子区域修复决策添加至第一古建筑修复方案，并将所述第一古建筑修复方案传输至所述智能修复管理平台内的修复运维端，所述修复运维端按照所述第一古建筑修复方案执行所述第一古建筑的修复，其中，所述第一古建筑修复方案包括所述M个建筑子区域一一对应的M个子区域修复决策，且M个子区域修复决策与所述第一子区域修复决策的获得方式相同；
其中，获得第一子区域修复决策，包括：
以所述第一子区域受损识别结果为第一检索约束特征，并根据所述第一检索约束特征进行大数据匹配，获得第一区域修复寻优空间，其中，所述第一区域修复寻优空间包括K个样本修复方案，K为大于1的正整数；
基于所述第一区域修复寻优空间进行随机选择，获得第一候选修复决策；
根据所述修复寻优函数对所述第一候选修复决策进行修复质量预测，获得第一候选修复质量指数；
判断所述第一候选修复质量指数是否满足预设修复质量约束；
若所述第一候选修复质量指数满足所述预设修复质量约束，将所述第一候选修复决策设置为所述第一子区域修复决策；
其中，根据所述修复寻优函数对所述第一候选修复决策进行修复质量预测，获得第一候选修复质量指数，包括：
根据数字孪生端对所述第一子区域模型执行所述第一候选修复决策的仿真拟合修复，获得第一拟合修复区域模型；
将所述第一子区域模型与所述第一拟合修复区域模型进行比对，获得第一修复预测精度和第一修复预测损伤度；
将所述第一修复预测精度和所述第一修复预测损伤度输入所述修复寻优函数，生成所述第一候选修复质量指数；
其中，所述修复寻优函数为：
其中，RESj表征第j候选修复质量指数，REAj表征第j修复预测精度，RELj表征第j修复预测损伤度，j为正整数，且，1≤j≤K，α、β分别为预测精度权重值、预测损伤度权重值，α、β之和为1；
其中，判断所述第一候选修复质量指数是否满足预设修复质量约束，还包括：
若所述第一候选修复质量指数不满足所述预设修复质量约束，淘汰所述第一候选修复决策，对第一区域修复寻优空间进行随机选择，获得第二候选修复决策；
根据所述修复寻优函数对所述第二候选修复决策进行修复质量预测，获得第二候选修复质量指数；
判断所述第二候选修复质量指数是否满足所述预设修复质量约束；
若所述第二候选修复质量指数满足所述预设修复质量约束，将所述第二候选修复质量指数设置为所述第一子区域修复决策；
若所述第二候选修复质量指数不满足所述预设修复质量约束，淘汰所述第二候选修复决策，并基于修复寻优函数和所述预设修复质量约束继续对所述第一区域修复寻优空间进行迭代寻优，直至获得所述第一子区域修复决策。
2.如权利要求1所述的方法，其特征在于，基于所述智能修复管理平台内的修复判断端，根据所述第一子区域点云数据源判断所述第一建筑子区域是否需要进行修复，获得第一修复判断结果，包括：
对所述第一子区域点云数据源进行点云滤波去噪，获得第一子区域点云数据集合；
基于所述智能修复管理平台内的数字孪生端，根据所述第一子区域点云数据集合进行建模，生成第一子区域模型；
对所述第一子区域模型进行受损特征评估，获得第一子区域受损系数；
将所述第一子区域受损系数输入所述修复判断端，若所述第一子区域受损系数大于等于所述修复判断端内的预设受损系数，生成的所述第一修复判断结果为所述第一建筑子区域需要进行修复。
3.如权利要求2所述的方法，其特征在于，对所述第一子区域模型进行受损特征评估，获得第一子区域受损系数，包括：
搭建古建筑受损特征分析通道，其中，所述古建筑受损特征分析通道包括古建筑受损识别通道和古建筑受损评估通道；
基于所述古建筑受损识别通道对所述第一子区域模型进行受损特征识别，获得第一子区域受损识别结果，其中，所述古建筑受损识别通道包括多维受损识别指标，所述多维受损识别指标包括建筑结构受损识别指标、建筑材料受损识别指标和建筑附加物受损识别指标；
将所述第一子区域受损识别结果输入所述古建筑受损评估通道，获得多维受损评估系数，其中，所述古建筑受损评估通道包括多维受损评估指标，所述多维受损评估指标包括建筑结构受损评估指标、建筑材料受损评估指标和建筑附加物受损评估指标；
基于多维受损加权特征对所述多维受损评估系数进行加权计算，生成所述第一子区域受损系数。
4.如权利要求1所述的方法，其特征在于，获得第一子区域修复决策之后，还包括：
基于所述M个建筑子区域，获得第二建筑子区域；
基于所述修复判断端，判断所述第二建筑子区域是否需要进行修复；
若所述第二建筑子区域需要进行修复，将所述第二建筑子区域与所述第一建筑子区域进行基础特征比对，获得子区域基础特征相似度；
将所述第二建筑子区域与所述第一建筑子区域进行受损特征比对，获得子区域受损特征相似度；
判断所述子区域基础特征相似度和所述子区域受损特征相似度是否满足二维子区域相似约束；
若所述子区域基础特征相似度和所述子区域受损特征相似度满足所述二维子区域相似约束，生成修复决策映射指令；
根据所述修复决策映射指令，将所述第一子区域修复决策映射至第二子区域修复决策，并将所述第二子区域修复决策添加至所述第一古建筑修复方案。
5.一种古建筑的修复智能管理系统，其特征在于，所述系统与智能修复管理平台通信连接，所述系统包括：
需求获取模块，所述需求获取模块用于根据所述智能修复管理平台内的修复需求交互端接收第一古建筑修复需求；
区域划分模块，所述区域划分模块用于对所述第一古建筑修复需求进行布局特征识别，获得第一古建筑布局特征识别结果，并根据所述第一古建筑布局特征识别结果执行第一古建筑的区域划分，获得所述第一古建筑对应的M个建筑子区域，其中，M为大于1的正整数；
点云数据采集模块，所述点云数据采集模块用于基于所述M个建筑子区域，获得第一建筑子区域，并根据所述智能修复管理平台内的激光扫描端对所述第一建筑子区域进行激光扫描，获得第一子区域点云数据源；
修复判断模块，所述修复判断模块用于基于所述智能修复管理平台内的修复判断端，根据所述第一子区域点云数据源判断所述第一建筑子区域是否需要进行修复，获得第一修复判断结果；
修复指令生成模块，所述修复指令生成模块用于若所述第一修复判断结果为所述第一建筑子区域需要进行修复，生成第一子区域修复指令；
修复决策模块，所述修复决策模块用于基于所述第一子区域修复指令激活所述智能修复管理平台内的修复寻优函数对所述第一建筑子区域进行修复决策寻优分析，获得第一子区域修复决策；
修复执行模块，所述修复执行模块用于将所述第一子区域修复决策添加至第一古建筑修复方案，并将所述第一古建筑修复方案传输至所述智能修复管理平台内的修复运维端，所述修复运维端按照所述第一古建筑修复方案执行所述第一古建筑的修复，其中，所述第一古建筑修复方案包括所述M个建筑子区域一一对应的M个子区域修复决策，且M个子区域修复决策与所述第一子区域修复决策的获得方式相同；
所述修复决策模块还包括：
约束匹配单元，用于以所述第一子区域受损识别结果为第一检索约束特征，并根据所述第一检索约束特征进行大数据匹配，获得第一区域修复寻优空间，其中，所述第一区域修复寻优空间包括K个样本修复方案，K为大于1的正整数；基于所述第一区域修复寻优空间进行随机选择，获得第一候选修复决策；根据所述修复寻优函数对所述第一候选修复决策进行修复质量预测，获得第一候选修复质量指数；判断所述第一候选修复质量指数是否满足预设修复质量约束；若所述第一候选修复质量指数满足所述预设修复质量约束，将所述第一候选修复决策设置为所述第一子区域修复决策；
修复质量预测单元，用于根据所述修复寻优函数对所述第一候选修复决策进行修复质量预测，获得第一候选修复质量指数；其中，所述修复寻优函数为：
其中，RESj表征第j候选修复质量指数，REAj表征第j修复预测精度，RELj表征第j修复预测损伤度，j为正整数，且，1≤j≤K，α、β分别为预测精度权重值、预测损伤度权重值，α、β之和为1；
质量约束单元，用于判断所述第一候选修复质量指数是否满足预设修复质量约束；若所述第一候选修复质量指数满足所述预设修复质量约束，将所述第一候选修复决策设置为所述第一子区域修复决策；若所述第一候选修复质量指数不满足所述预设修复质量约束，淘汰所述第一候选修复决策，对第一区域修复寻优空间进行随机选择，获得第二候选修复决策；根据所述修复寻优函数对所述第二候选修复决策进行修复质量预测，获得第二候选修复质量指数；判断所述第二候选修复质量指数是否满足所述预设修复质量约束；若所述第二候选修复质量指数满足所述预设修复质量约束，将所述第二候选修复质量指数设置为所述第一子区域修复决策；若所述第二候选修复质量指数不满足所述预设修复质量约束，淘汰所述第二候选修复决策，并基于修复寻优函数和所述预设修复质量约束继续对所述第一区域修复寻优空间进行迭代寻优，直至获得所述第一子区域修复决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311180451.3A CN117196224B (zh) | 2023-09-13 | 2023-09-13 | 一种古建筑的修复智能管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311180451.3A CN117196224B (zh) | 2023-09-13 | 2023-09-13 | 一种古建筑的修复智能管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196224A CN117196224A (zh) | 2023-12-08 |
| CN117196224B true CN117196224B (zh) | 2024-02-09 |
Family
ID=88999482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311180451.3A Active CN117196224B (zh) | 2023-09-13 | 2023-09-13 | 一种古建筑的修复智能管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196224B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446225A (zh) * | 2016-09-28 | 2017-02-22 | 扬州大学 | 一种基于bim技术的古建筑数字化建模归档方法 |
| CN111798714A (zh) * | 2020-07-29 | 2020-10-20 | 广州城市职业学院 | 一种古建筑vr虚拟现实体验教学系统 |
| CN115492418A (zh) * | 2022-10-12 | 2022-12-20 | 上海建为历保科技股份有限公司 | 一种打牮拨正工艺 |
| CN115630978A (zh) * | 2022-12-23 | 2023-01-20 | 广州市交通规划研究院有限公司 | 一种基于人口就业分布的多交通设施选址方法 |
| CN115661364A (zh) * | 2022-11-30 | 2023-01-31 | 常熟古建园林股份有限公司 | 一种用于文物古建筑群修复的三维仿真模型重建方法 |
| CN115761014A (zh) * | 2022-11-11 | 2023-03-07 | 武汉泰佰腾建筑劳务有限公司 | 一种基于数字孪生的古建筑智能监测分析预警系统 |
| CN115908424A (zh) * | 2023-02-14 | 2023-04-04 | 广东建准检测技术有限公司 | 基于三维激光扫描的建筑物健康检测方法、系统及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10032310B2 (en) * | 2016-08-22 | 2018-07-24 | Pointivo, Inc. | Methods and systems for wireframes of a structure or element of interest and wireframes generated therefrom |
-
2023
- 2023-09-13 CN CN202311180451.3A patent/CN117196224B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446225A (zh) * | 2016-09-28 | 2017-02-22 | 扬州大学 | 一种基于bim技术的古建筑数字化建模归档方法 |
| CN111798714A (zh) * | 2020-07-29 | 2020-10-20 | 广州城市职业学院 | 一种古建筑vr虚拟现实体验教学系统 |
| CN115492418A (zh) * | 2022-10-12 | 2022-12-20 | 上海建为历保科技股份有限公司 | 一种打牮拨正工艺 |
| CN115761014A (zh) * | 2022-11-11 | 2023-03-07 | 武汉泰佰腾建筑劳务有限公司 | 一种基于数字孪生的古建筑智能监测分析预警系统 |
| CN115661364A (zh) * | 2022-11-30 | 2023-01-31 | 常熟古建园林股份有限公司 | 一种用于文物古建筑群修复的三维仿真模型重建方法 |
| CN115630978A (zh) * | 2022-12-23 | 2023-01-20 | 广州市交通规划研究院有限公司 | 一种基于人口就业分布的多交通设施选址方法 |
| CN115908424A (zh) * | 2023-02-14 | 2023-04-04 | 广东建准检测技术有限公司 | 基于三维激光扫描的建筑物健康检测方法、系统及介质 |
Non-Patent Citations (5)
| Title |
|---|
| A multi-objective optimization model for energy-efficiency building envelope retrofitting plan with rooftop PV system installation and maintenance;Yuling Fan 等;《Applied Energy》;第189卷;第327-335页 * |
| The Use of Terrestrial Laser Scanning in Surveying Historic Buildings;Boguslawa Kwoczynska 等;《2016 Baltic Geodetic Congress (BGC Geomatics)》;第263-268页 * |
| 三维激光扫描技术在古建筑保护与修复中的特殊应用;于姗姗 等;《江西测绘》(第2期);第13-15页 * |
| 古建筑壁画图像裂缝与脱落病害的自动标注与修复;王双双;《中国优秀硕士学位论文全文数据库 哲学与人文科学辑》(第2期);第F097-4页 * |
| 基于三维激光扫描点云数据的古建筑建模;索俊锋 等;《测绘科学》;第42卷(第3期);第179-185页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196224A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bruno et al. | Historic Building Information Modelling: performance assessment for diagnosis-aided information modelling and management | |
| Badenko et al. | Scan-to-BIM methodology adapted for different application | |
| CN108846888B (zh) | 一种古木建筑构件精细尺寸信息自动化提取方法 | |
| Cheng et al. | BIM applied in historical building documentation and refurbishing | |
| CN107119657B (zh) | 一种基于视觉测量基坑监测方法 | |
| CN112949413A (zh) | 基于街景图片的城市景观要素分类及地方性度量方法 | |
| CN116595121B (zh) | 一种基于遥感技术数据显示监测系统 | |
| CN108956638A (zh) | 一种用于土木工程结构表观缺陷的评定检测系统 | |
| CN116776444A (zh) | 一种基于数字孪生的沉管隧道建造方法及系统 | |
| Jiang et al. | Semantic enrichment for BIM: Enabling technologies and applications | |
| Shih et al. | Point-cloud-based comparison between construction schedule and as-built progress: Long-range three-dimensional laser scanner’s approach | |
| KR20230086087A (ko) | 3차원 스캐닝을 이용한 건설 현장 감리 장치 및 감리 방법 | |
| CN115130881A (zh) | 一种基于大数据的道路施工监测方法及系统 | |
| CN117688313A (zh) | 一种网络协同处理测绘数据的方法 | |
| Pöchtrager et al. | Automated reconstruction of historic roof structures from point clouds–Development and examples | |
| CN117196224B (zh) | 一种古建筑的修复智能管理方法及系统 | |
| CN116757632B (zh) | 一种工程项目进度信息监测方法 | |
| CN117056722A (zh) | 一种规划地块人口数量预测方法及系统 | |
| KR20220084575A (ko) | Catia를 이용한 코드화된 디지털외관망도 구축을 위한 bim 모델 구축시스템 및 정보제공 방법 | |
| CN113076591A (zh) | 基于模糊数学的建筑区域结构特征提取及震害预测方法 | |
| Sammartano et al. | Parametric generation in HBIM workflows for slam-based data: Discussing expectations on suitability and accuracy | |
| Karan et al. | Using Artificial Intelligence to Automate the Quantity Takeoff Process | |
| Roman et al. | From 3D Surveying Data to Bim to Bem: The Incube Dataset | |
| Cho et al. | Application of OLAP information model to parametric cost estimate and BIM | |
| Tarkhan et al. | Capturing façade diversity in urban settings using an automated window to wall ratio extraction and detection workflow |
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 |