CN117314793A - 基于bim模型的建筑施工数据采集方法 - Google Patents
基于bim模型的建筑施工数据采集方法 Download PDFInfo
- Publication number
- CN117314793A CN117314793A CN202311597573.2A CN202311597573A CN117314793A CN 117314793 A CN117314793 A CN 117314793A CN 202311597573 A CN202311597573 A CN 202311597573A CN 117314793 A CN117314793 A CN 117314793A
- Authority
- CN
- China
- Prior art keywords
- target
- illumination
- point
- image
- enhanced
- 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
- 238000009435 building construction Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005286 illumination Methods 0.000 claims abstract description 257
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000003014 reinforcing effect Effects 0.000 claims abstract description 8
- 230000000875 corresponding effect Effects 0.000 claims description 283
- 230000002708 enhancing effect Effects 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000014759 maintenance of location Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 26
- 238000010276 construction Methods 0.000 description 8
- 238000007306 functionalization reaction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像增强技术领域,具体涉及基于BIM模型的建筑施工数据采集方法,该方法包括:获取目标建筑施工场地对应的目标建筑图像,从目标建筑图像中筛选出目标光照区域;从光照像素点对应的预设邻域内筛选出灰度值最大和最小的像素点;对光照像素点进行光照方向分析处理;根据光照方向线之间的交点,确定光照中心点;根据目标建筑图像中像素点与光照中心点之间的距离,以及像素点对应的灰度值在目标建筑图像中的占比,对目标建筑图像进行增强,得到目标增强图像,对预先构建的初始BIM模型进行增强。本发明在建筑施工数据采集过程中对目标建筑图像进行图像增强,提高了图像增强效果,从而提高了数据采集的效果。
Description
技术领域
本发明涉及图像增强技术领域,具体涉及基于BIM模型的建筑施工数据采集方法。
背景技术
采集建筑施工时的图像数据,可以用于BIM模型,从而可以更好的实现对施工进度的监管以及可视化操作。为了提高BIM模型的准确度,往往可以在采集过程中对图像进行增强,以实现对BIM模型的增强,由于图像增强可以提高图像质量,因此通过提高图像质量的方式,可以提高BIM模型的增强效果,可以使BIM模型更加清晰准确。目前,对图像进行增强时,通常采用的方式为:通过直方图均衡化,对图像进行增强。
然而,当通过直方图均衡化,在建筑施工图像数据的采集过程中,对图像数据进行图像增强时,经常会存在如下技术问题:
由于建筑施工场地往往是露天的,所以在建筑施工场地内采集的图像往往会受到光照影响,比如当图像中存在逆光时,光照往往比较明显且光照强度往往较强,对图像的灰度分布影响较大,容易成双峰分布,使得在利用直方图均衡化时,在光照较强部分也进行对比度增强,使得图像增强效果不佳,从而导致数据采集的效果较差,进而导致BIM模型的增强效果较低。
发明内容
为了解决由于图像增强效果不佳,导致的数据采集效果较差的技术问题,本发明提出了基于BIM模型的建筑施工数据采集方法。
本发明提供了基于BIM模型的建筑施工数据采集方法,该方法包括:
获取目标建筑施工场地对应的目标建筑图像,并从所述目标建筑图像中筛选出目标光照区域;
从所述目标光照区域内的每个光照像素点对应的预设邻域内筛选出灰度值最大和最小的像素点,分别作为所述光照像素点对应的第一光照点和第二光照点;
根据所述目标光照区域内的每个光照像素点对应的第一光照点和第二光照点,对所述光照像素点进行光照方向分析处理,得到所述光照像素点对应的光照方向线;
根据所述目标光照区域内光照像素点对应的光照方向线之间的交点,确定光照中心点;
根据所述目标建筑图像中各个像素点与所述光照中心点之间的距离,以及各个像素点对应的灰度值在所述目标建筑图像中的占比,对所述目标建筑图像进行增强,得到目标增强图像,并根据所述目标增强图像,对预先构建的初始BIM模型进行增强。
可选地,所述从所述目标建筑图像中筛选出目标光照区域,包括:
对所述目标建筑图像进行阈值分割,确定分割阈值;
将所述目标建筑图像中灰度值大于分割阈值的像素点对应的像素值更新为常数1,将所述目标建筑图像中灰度值小于或等于分割阈值的像素点对应的像素值更新为常数0,得到初始二值图;
从所述初始二值图中筛选出像素值为1的像素点,作为参考像素点;
从所有参考像素点所在的区域中筛选出最大的连通区域,作为候选区域;
将所述初始二值图中除了所述候选区域之外的各个像素点对应的像素值更新为常数0,生成目标掩膜图像;
对所述目标掩膜图像和所述目标建筑图像进行乘积运算,得到光照图像;
将所述光照图像中所有灰度值不为0的像素点所在的区域,确定为目标光照区域。
可选地,所述根据所述目标光照区域内的每个光照像素点对应的第一光照点和第二光照点,对所述光照像素点进行光照方向分析处理,得到所述光照像素点对应的光照方向线,包括:
连接所述第一光照点和第二光照点,得到所述光照像素点对应的参考直线;
将所述参考直线的斜率,确定为所述光照像素点对应的目标斜率;
将过所述光照像素点,并且斜率为所述目标斜率的直线,确定为所述光照像素点对应的光照方向线。
可选地,所述根据所述目标光照区域内光照像素点对应的光照方向线之间的交点,确定光照中心点,包括:
将光照方向线不平行的任意两个光照像素点对应的光照方向线之间的交点,确定为候选点,得到候选点集合;
从所述候选点集合中相同位置处的候选点中随机筛选出一个候选点,作为目标交点,得到目标交点集合;
对于所述目标交点集合中的每个目标交点,将与所述目标交点位置相同的候选点数量,确定为所述目标交点对应的目标出现次数;
根据每个目标交点对应的目标出现次数和灰度值,确定所述目标交点对应的目标光照指标,其中,目标出现次数和灰度值均与目标光照指标呈正相关;
根据所述目标交点集合中的各个目标交点对应的目标光照指标,对所述目标交点集合进行聚类,得到光照聚类簇;
将所述光照聚类簇的聚类中心,确定为光照中心点。
可选地,所述根据所述目标交点集合中的各个目标交点对应的目标光照指标,对所述目标交点集合进行聚类,得到光照聚类簇,包括:
从所述目标交点集合中筛选出目标光照指标最大的目标交点,作为初始聚类中心;
根据所述初始聚类中心和所述目标交点集合中的目标交点对应的目标光照指标,对所述目标交点集合进行聚类,将所述初始聚类中心所在的聚类簇,作为光照聚类簇。
可选地,所述根据所述目标建筑图像中各个像素点与所述光照中心点之间的距离,以及各个像素点对应的灰度值在所述目标建筑图像中的占比,对所述目标建筑图像进行增强,得到目标增强图像,包括:
将所述目标建筑图像中每个像素点与所述光照中心点之间的距离,确定为所述目标建筑图像中每个像素点对应的参考距离;
将所述目标建筑图像中每个像素点对应的灰度值在所述目标建筑图像中的占比,确定为所述目标建筑图像中每个像素点对应的目标占比;
将预设常数、所述目标建筑图像中每个像素点对应的目标占比和归一化后的参考距离的乘积,确定为所述目标建筑图像中每个像素点对应的增强灰度指标;
将所述目标建筑图像中的各个像素点对应的灰度值,更新为对应的增强灰度指标,得到目标增强图像。
可选地,所述根据所述目标增强图像,对预先构建的初始BIM模型进行增强,包括:
将所述目标增强图像中的每个增强像素点对应的预设窗口内各个像素点对应的增强前的灰度值,作为初始灰度值,得到所述增强像素点对应的初始灰度值集合;
将所述目标增强图像中的每个增强像素点对应的预设窗口内各个像素点对应的增强后的灰度值,作为目标灰度值,得到所述增强像素点对应的目标灰度值集合;
对每个增强像素点对应的初始灰度值集合和目标灰度值集合进行相似性分析处理,得到所述增强像素点对应的目标相关性;
将所述目标增强图像中的每个增强像素点对应的预设窗口内所有像素点与目标中心光点之间的距离的均值,确定为所述增强像素点对应的目标代表距离,其中,所述目标中心光点是所述光照中心点对应在所述目标增强图像中的像素点;
将每个增强像素点对应的目标灰度值集合中所有目标灰度值的方差,确定为所述增强像素点对应的目标方差;
根据每个增强像素点对应的目标方差和目标代表距离,确定所述增强像素点对应的增强有效指标;
根据每个增强像素点对应的目标相关性和增强有效指标,确定所述增强像素点对应的保留权重,其中,目标相关性与保留权重呈负相关,增强有效指标与保留权重呈正相关;
根据所述目标增强图像中的各个增强像素点对应的保留权重和目标灰度值集合,对所述目标增强图像进行增强修正,得到目标修正图像,并根据所述目标修正图像,对所述初始BIM模型进行增强。
可选地,所述增强像素点对应的增强有效指标对应的公式为:
;
其中,是目标增强图像中的第t个增强像素点对应的增强有效指标;a和b是预先设置的参数;/>是目标增强图像中的第t个增强像素点对应的目标代表距离的归一化值;是目标增强图像中的第t个增强像素点对应的目标方差的归一化值;t是目标增强图像中增强像素点的序号。
可选地,所述根据所述目标增强图像中的各个增强像素点对应的保留权重和目标灰度值集合,对所述目标增强图像进行增强修正,得到目标修正图像,包括:
根据每个增强像素点对应的保留权重和目标灰度值集合,确定所述增强像素点对应的目标更新灰度值;
将所述目标增强图像中的各个增强像素点对应的灰度值,更新为对应的目标更新灰度值,得到目标修正图像,并将目标增强图像更新为目标修正图像。
可选地,所述根据每个增强像素点对应的保留权重和目标灰度值集合,确定所述增强像素点对应的目标更新灰度值,包括:
将所述增强像素点对应的目标灰度值集合中的每个目标灰度值与所述保留权重的乘积,确定为候选灰度值,得到所述增强像素点对应的候选灰度值集合;
将所述候选灰度值集合中所有候选灰度值的均值,确定为所述增强像素点对应的目标更新灰度值。
本发明具有如下有益效果:
本发明的基于BIM模型的建筑施工数据采集方法,在建筑施工数据采集过程中对目标建筑图像进行图像增强,解决了图像增强效果较差的技术问题,提高了图像增强效果,从而提高了数据采集的效果。首先,由于建筑施工场地往往是露天的,所以在建筑施工场地内采集的图像往往会受到光照影响,因此从目标建筑图像中筛选出目标光照区域,可以便于后续对目标建筑图像中的各个像素点进行精确增强。接着,由于光照越强时,对应的灰度值往往越高;光照越弱时,对应的灰度值往往越低。因此从光照像素点对应的预设邻域内筛选出灰度值最大和最小的像素点,可以便于后续判断该光照像素点对应的光照方向。然后,综合考虑光照像素点对应的第一光照点和第二光照点,可以提高对光照像素点进行光照方向分析处理的准确度。之后,综合考虑目标光照区域内光照像素点对应的光照方向线之间的交点,可以提高光照中心点确定的准确度。最后,综合考虑目标建筑图像中各个像素点与光照中心点之间的距离,以及各个像素点对应的灰度值在目标建筑图像中的占比,可以提高对目标建筑图像进行增强的效果,从而提高了数据采集的效果,进而提高了对初始BIM模型进行增强的效果,可以使BIM模型更加清晰准确,从而可以更好的实现对施工进度的监管以及可视化操作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明的基于BIM模型的建筑施工数据采集方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于BIM模型的建筑施工数据采集方法的具体方案。
参考图1,示出了根据本发明的基于BIM模型的建筑施工数据采集方法的一些实施例的流程。该基于BIM模型的建筑施工数据采集方法,包括以下步骤:
步骤S1,获取目标建筑施工场地对应的目标建筑图像,并从目标建筑图像中筛选出目标光照区域。
其中,目标建筑施工场地可以是待进行施工进度监控的建筑施工场地。目标建筑图像可以是在存在光照影响的天气下采集的目标建筑施工场地内待检测建筑物的图像。待检测建筑物可以是待进行施工进度检测的建筑物。例如,存在光照影响的天气可以是晴朗的天气。目标光照区域可以是待检测建筑物上受到的光照影响的区域。例如,目标光照区域可以是待检测建筑物上的逆光区域。
需要说明的是,由于建筑施工场地往往是露天的,所以在建筑施工场地内采集的图像往往会受到光照影响,因此从目标建筑图像中筛选出目标光照区域,可以便于后续对目标建筑图像中的各个像素点进行精确增强。
作为示例,本步骤可以包括以下步骤:
第一步,获取目标建筑施工场地对应的目标建筑图像。
例如,可以通过相机,采集目标建筑施工场地内待检测建筑物的表面图像,并对该表面图像进行灰度化,将灰度化后的表面图像,确定为目标建筑图像。
第二步,对上述目标建筑图像进行阈值分割,确定分割阈值。
例如,可以根据目标建筑图像,通过大津阈值法,获取分割阈值,即将通过大津阈值法获取的阈值作为分割阈值。
第三步,将上述目标建筑图像中灰度值大于分割阈值的像素点对应的像素值更新为常数1,将上述目标建筑图像中灰度值小于或等于分割阈值的像素点对应的像素值更新为常数0,得到初始二值图。
第四步,从上述初始二值图中筛选出像素值为1的像素点,作为参考像素点。
第五步,从所有参考像素点所在的区域中筛选出最大的连通区域,作为候选区域。
其中,连通区域即为连通域所在的区域,也是闭合边缘所围成的区域。
需要说明的是,当存在逆光时,逆光为建筑图像中最亮的部分,由于参考像素点往往可以近似表征逆光区域内的像素点,并且在实际情况中一个建筑物上往往只有一个逆光区域,所以从所有参考像素点所在的区域中筛选出的最大连通区域往往可以表征逆光区域。
第六步,将上述初始二值图中除了上述候选区域之外的各个像素点对应的像素值更新为常数0,生成目标掩膜图像。
第七步,对上述目标掩膜图像和上述目标建筑图像进行乘积运算,得到光照图像。
其中,光照图像可以是对目标掩膜图像和目标建筑图像进行乘积运算,得到的图像。
第八步,将上述光照图像中所有灰度值不为0的像素点所在的区域,确定为目标光照区域。
步骤S2,从目标光照区域内的每个光照像素点对应的预设邻域内筛选出灰度值最大和最小的像素点,分别作为光照像素点对应的第一光照点和第二光照点。
其中,光照像素点可以是目标光照区域内的像素点。
需要说明的是,由于光照越强时,对应的灰度值往往越高;光照越弱时,对应的灰度值往往越低。因此从光照像素点对应的预设邻域内筛选出灰度值最大和最小的像素点,可以便于后续判断该光照像素点对应的光照方向。
作为示例,对于目标光照区域内的每个光照像素点,可以将该光照像素点对应的预设邻域内灰度值最大的像素点,作为该光照像素点对应的第一光照点,并将该光照像素点对应的预设邻域内灰度值最小的像素点,作为该光照像素点对应的第二光照点。
步骤S3,根据目标光照区域内的每个光照像素点对应的第一光照点和第二光照点,对光照像素点进行光照方向分析处理,得到光照像素点对应的光照方向线。
需要说明的是,综合考虑光照像素点对应的第一光照点和第二光照点,可以提高对光照像素点进行光照方向分析处理的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,连接上述第一光照点和第二光照点,得到上述光照像素点对应的参考直线。
例如,可以连接光照像素点对应的第一光照点和第二光照点,并将得到的直线,确定为该光照像素点对应的参考直线。
第二步,将上述参考直线的斜率,确定为上述光照像素点对应的目标斜率。
例如,可以根据光照像素点对应的第一光照点和第二光照点的位置,通过直线斜率公式,确定该光照像素点对应的参考直线的斜率,作为该光照像素点对应的目标斜率。
第三步,将过上述光照像素点,并且斜率为上述目标斜率的直线,确定为上述光照像素点对应的光照方向线。
其中,光照像素点对应的光照方向线可以经过该光照像素点。光照像素点对应的光照方向线的斜率可以是该光照像素点对应的目标斜率。
需要说明的是,由于光照越强时,对应的灰度值往往越高;光照越弱时,对应的灰度值往往越低。所以光照像素点对应的第一光照点和第二光照点的连线所在的方向可以近似表征该光照像素点所在的光照方向,因此光照像素点对应的光照方向线可以表征该光照像素点所在的光照方向线。
步骤S4,根据目标光照区域内光照像素点对应的光照方向线之间的交点,确定光照中心点。
需要说明的是,综合考虑目标光照区域内光照像素点对应的光照方向线之间的交点,可以提高光照中心点确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,将光照方向线不平行的任意两个光照像素点对应的光照方向线之间的交点,确定为候选点,得到候选点集合。
其中,候选点集合可以包括:得到的所有候选点。
例如,若第一光照像素点和第二光照像素点是光照方向线不平行的两个光照像素点,则可以将第一光照像素点对应的光照方向线和第二光照像素点对应的光照方向线之间的交点,确定为候选点。
第二步,从上述候选点集合中相同位置处的候选点中随机筛选出一个候选点,作为目标交点,得到目标交点集合。
其中,目标交点集合可以包括:得到的所有目标交点。
例如,若候选点集合中坐标为(2,2)的候选点有6个,则可以从这6个候选点中随机筛选出1个候选点,作为目标交点。
第三步,对于上述目标交点集合中的每个目标交点,将与上述目标交点位置相同的候选点数量,确定为上述目标交点对应的目标出现次数。
例如,若候选点集合中坐标为(2,2)的候选点有6个,则与坐标为(2,2)的目标交点位置相同的候选点数量为6,故坐标为(2,2)的目标交点对应的目标出现次数可以为6。
第四步,根据每个目标交点对应的目标出现次数和灰度值,确定上述目标交点对应的目标光照指标。
其中,目标出现次数和灰度值均可以与目标光照指标呈正相关。
例如,确定目标交点对应的目标光照指标对应的公式可以为:
;
其中,是目标交点集合中第i个目标交点对应的目标光照指标。/>是目标交点集合中第i个目标交点对应的目标出现次数。/>是目标交点集合中第i个目标交点对应的灰度值。A是目标交点集合所有目标交点对应的目标出现次数中的最大值。B是目标交点集合所有目标交点对应的灰度值中的最大值。/>可以实现对/>的归一化。/>可以实现对/>的归一化。i是目标交点集合中目标交点的序号。/>和/>均与/>呈正相关。
需要说明的是,当越大时,往往说明经过第i个目标交点的光照方向线越多,往往说明第i个目标交点越可能是光照中心点。当/>越大时,往往说明第i个目标交点的光照强度越强,往往说明第i个目标交点越可能是光照中心点。因此当/>越大时,往往说明第i个目标交点越可能是光照中心点。
第五步,根据上述目标交点集合中的各个目标交点对应的目标光照指标,对上述目标交点集合进行聚类,得到光照聚类簇。
例如,根据上述目标交点集合中的各个目标交点对应的目标光照指标,对上述目标交点集合进行聚类,得到光照聚类簇可以包括以下子步骤:
第一子步骤,从上述目标交点集合中筛选出目标光照指标最大的目标交点,作为初始聚类中心。
其中,初始聚类中心可以是进行聚类过程中初始的聚类中心。
第二子步骤,根据上述初始聚类中心和上述目标交点集合中的目标交点对应的目标光照指标,对上述目标交点集合进行聚类,将上述初始聚类中心所在的聚类簇,作为光照聚类簇。
比如,根据上述初始聚类中心和目标交点集合中的目标交点对应的目标光照指标,对上述目标交点集合进行聚类可以包括以下步骤:
首先,可以根据聚类中心和目标交点集合中的每个目标交点对应的目标光照指标,确定每个目标交点与该聚类中心之间的距离因子对应的公式可以为:
;
其中,是目标交点集合中第i个目标交点与聚类中心之间的距离因子。/>是目标交点集合中第i个目标交点对应的目标光照指标。C是聚类中心对应的目标光照指标。/>是目标交点集合中第i个目标交点与聚类中心之间的距离。/>是归一化后的值,其值对应的取值范围可以为[0,1]。/>是归一化函数,可以实现归一化。/>是/>的绝对值。i是目标交点集合中目标交点的序号。
需要说明的是,当越小时,往往说明第i个目标交点与聚类中心的光照情况越相近,往往说明第i个目标交点越可以聚类为该聚类中心所在的聚类簇。当/>越小时,往往说明第i个目标交点与聚类中心之间的距离越近,往往说明第i个目标交点越可以聚类为该聚类中心所在的聚类簇。
接着,当目标交点与聚类中心之间的距离因子小于预设距离阈值时,将该目标交点聚类到该聚类中心所在的聚类簇。
其中,预设距离阈值可以是预先设置的阈值。例如,预设距离阈值可以是0.6。
可选地,可以将目标交点与聚类中心之间的距离因子,作为目标交点与聚类中心之间的距离,利用k-means(k-means clustering algorithm,k均值聚类)算法,将目标交点集合中的目标交点聚为一个聚类簇,作为光照聚类簇。
第六步,将上述光照聚类簇的聚类中心,确定为光照中心点。
需要说明的是,根据目标交点集合中的各个目标交点对应的目标光照指标,对目标交点集合进行聚类,可以将目标光照指标相近并且位置相差较近的目标交点聚为一类,进而得到光照聚类簇。其次由于目标光照区域往往是逆光区域,所以可以将目标交点集合中的各个目标交点聚为一个聚类簇,该聚类簇可以作为光照聚类簇,因此光照聚类簇的聚类中心可以作为光照中心点。
步骤S5,根据目标建筑图像中各个像素点与光照中心点之间的距离,以及各个像素点对应的灰度值在目标建筑图像中的占比,对目标建筑图像进行增强,得到目标增强图像,并根据目标增强图像,对预先构建的初始BIM模型进行增强。
其中,得到的目标增强图像可以是采集的建筑施工数据。初始BIM模型可以预先构建的BIM(Building Information Modeling,建筑信息)模型。其中,BIM模型可以现有技术构建。比如,BIM模型可以通过3维点云数据构建或者由建模工程师设计。
需要说明的是,综合考虑目标建筑图像中各个像素点与光照中心点之间的距离,以及各个像素点对应的灰度值在目标建筑图像中的占比,可以提高对目标建筑图像进行增强的效果,从而提高了数据采集的效果,进而提高了BIM模型的增强效果,可以使BIM模型更加清晰准确。
作为示例,本步骤可以包括以下步骤:
第一步,将上述目标建筑图像中每个像素点与上述光照中心点之间的距离,确定为上述目标建筑图像中每个像素点对应的参考距离。
例如,对于目标建筑图像中的每个像素点,可以将该像素点与光照中心点之间的距离,作为该像素点对应的参考距离。
第二步,将上述目标建筑图像中每个像素点对应的灰度值在上述目标建筑图像中的占比,确定为上述目标建筑图像中每个像素点对应的目标占比。
例如,若目标建筑图像中的某个像素点对应的灰度值为200,目标建筑图像中灰度值为200的像素点为100,目标建筑图像中像素点总数为1000,则该像素点对应的目标占比可以为100/1000,即为1/10。
第三步,将预设常数、上述目标建筑图像中每个像素点对应的目标占比和归一化后的参考距离的乘积,确定为上述目标建筑图像中每个像素点对应的增强灰度指标。
其中,预设常数可以是预先设置的常数。
需要说明的是,像素点对应的灰度值的取值范围是[0,255],目标占比和归一化后的参考距离的取值范围均为[0,1],为了使增强后的像素点的灰度值的取值范围也为[0,255],预设常数可以为255。
例如,确定目标建筑图像中每个像素点对应的增强灰度指标对应的公式可以为:
;
其中,是目标建筑图像中第j个像素点对应的增强灰度指标。/>是目标建筑图像中第j个像素点对应的参考距离的归一化值。/>是目标建筑图像中第j个像素点对应的参考距离。/>是/>归一化后的值,其值对应的取值范围可以为[0,1]。/>是归一化函数,可以实现归一化。/>是目标建筑图像中第j个像素点对应的目标占比。j是目标建筑图像中像素点的序号。增强灰度指标对应的公式中的255即为预设常数。
需要说明的是,当越大时,往往说明第j个像素点与光照中心点之间的距离越大,往往说明第j个像素点越远离待检测建筑物上的逆光区域,往往说明第j个像素点所在的区域越可能是需要被增强的待检测建筑物上的非逆光区域,往往说明第j个像素点的细节信息越需要增强。当/>越大时,往往说明第j个像素点对应的灰度值在目标建筑图像中的占比越大,往往说明第j个像素点的细节信息越需要增强。因此/>可以表征第j个像素点进行图像增强后的灰度值。
第四步,将上述目标建筑图像中的各个像素点对应的灰度值,更新为对应的增强灰度指标,得到目标增强图像。
例如,将目标建筑图像中的各个像素点对应的灰度值,更新为对应的增强灰度指标后,得到的图像作为目标增强图像。
第五步,根据上述目标增强图像,对预先构建的初始BIM模型进行增强。
例如,可以将初始BIM模型导入至LumenRT软件中,进而再将目标增强图像导入至LumenRT软件中,通过LumenRT软件可以实现利用目标增强图像,对初始BIM模型进行增强。其中,建模软件可由实施者根据具体实施场景进行调整,并不限于LumenRT软件。
可选地,根据上述目标增强图像,对预先构建的初始BIM模型进行增强还可以包括以下步骤:
第一步,将上述目标增强图像中的每个增强像素点对应的预设窗口内各个像素点对应的增强前的灰度值,作为初始灰度值,得到上述增强像素点对应的初始灰度值集合。
其中,预设窗口可以是预先设置的窗口。比如,预设窗口可以是3×3的窗口。像素点对应的增强前的灰度值可以是该像素点对应在目标建筑图像中的灰度值。增强像素点可以是目标增强图像中的像素点。
例如,首先可以根据每个增强像素点对应的预设窗口内的各个像素点对应的位置,按照从左到右,并且从上到小的顺序,对该增强像素点对应的预设窗口内的各个像素点进行排序,得到该增强像素点对应的像素点序列。接着,将增强像素点对应的像素点序列中的每个像素点在图像增强前的灰度值,作为初始灰度值,得到该增强像素点对应的初始灰度值序列。其中,初始灰度值序列可以是有顺序的初始灰度值集合。
第二步,将上述目标增强图像中的每个增强像素点对应的预设窗口内各个像素点对应的增强后的灰度值,作为目标灰度值,得到上述增强像素点对应的目标灰度值集合。
其中,像素点对应的增强后的灰度值可以是该像素点在目标增强图像中的灰度值。
例如,可以将增强像素点对应的像素点序列中的每个像素点在图像增强后的灰度值,作为目标灰度值,得到该增强像素点对应的目标灰度值序列。其中,目标灰度值序列可以是有顺序的目标灰度值集合。
第三步,对每个增强像素点对应的初始灰度值集合和目标灰度值集合进行相似性分析处理,得到上述增强像素点对应的目标相关性。
例如,可以利用皮尔相关系数,确定每个增强像素点对应的初始灰度值序列和目标灰度值序列之间的相关性,并将得到的该相关性,作为该增强像素点对应的目标相关性。
第四步,将上述目标增强图像中的每个增强像素点对应的预设窗口内所有像素点与目标中心光点之间的距离的均值,确定为上述增强像素点对应的目标代表距离。
其中,上述目标中心光点是上述光照中心点对应在上述目标增强图像中的像素点,也就是增强后的光照中心点。
例如,首先可以将增强像素点对应的像素点序列中的每个像素点与目标中心光点之间的距离,作为待定距离,得到该增强像素点对应的待定距离序列。接着,可以将增强像素点对应的待定距离序列中所有待定距离的均值,确定为该增强像素点对应的目标代表距离。
第五步,将每个增强像素点对应的目标灰度值集合中所有目标灰度值的方差,确定为上述增强像素点对应的目标方差。
第六步,根据每个增强像素点对应的目标方差和目标代表距离,确定上述增强像素点对应的增强有效指标。
例如,确定上述增强像素点对应的增强有效指标对应的公式可以为:
;
其中,是目标增强图像中的第t个增强像素点对应的增强有效指标。a和b是预先设置的参数。a是0.5,b是2。/>是目标增强图像中的第t个增强像素点对应的目标代表距离的归一化值。/>是目标增强图像中的第t个增强像素点对应的目标方差的归一化值。t是目标增强图像中增强像素点的序号。
需要说明的是,当和/>越大时,往往说明第t个增强像素点与目标中心光点之间的距离越大,并且第t个增强像素点对应的预设窗口内各个像素点增强后的差异越大;往往说明第t个增强像素点越远离待检测建筑物上的逆光区域,并且第t个增强像素点对应的预设窗口内的细节信息越多;往往说明第t个增强像素点的增强效果越好。当/>和/>越小时,往往说明第t个增强像素点与目标中心光点之间的距离越小,并且第t个增强像素点对应的预设窗口内各个像素点增强后的差异越小;往往说明第t个增强像素点越接近待检测建筑物上的逆光区域的目标中心光点,并且第t个增强像素点对应的预设窗口内的灰度值越稳定;往往说明第t个增强像素点越是逆光区域内的像素点,往往说明第t个增强像素点越不需要增加与周围像素点的对比度,往往说明整体的增强效果越好。其中,a和b可以使/>的取值更加符合实际情况,这里设置a是0.5,b是2,可以使/>的取值为[0,1]。并且当/>越大时,往往说明第t个增强像素点的增强效果越好。
第七步,根据每个增强像素点对应的目标相关性和增强有效指标,确定上述增强像素点对应的保留权重。
其中,目标相关性可以与保留权重呈负相关。增强有效指标可以与保留权重呈正相关。
例如,确定增强像素点对应的保留权重对应的公式可以为:
;
其中,是目标增强图像中的第t个增强像素点对应的保留权重。/>是目标增强图像中的第t个增强像素点对应的增强有效指标。/>是与/>呈负相关,并且进行了归一化后得到的值。/>是目标增强图像中的第t个增强像素点对应的目标相关性。是/>归一化后的值,其值对应的取值范围可以为[0,1]。/>是归一化函数,可以实现归一化。t是目标增强图像中增强像素点的序号。/>
需要说明的是,当越大时,往往说明第t个增强像素点的增强效果越好,往往说明第t个增强像素点对应的灰度值越不需要进行调整,往往说明第t个增强像素点对应的灰度值越需要保留。当/>越大时,往往说明第t个增强像素点图像增强前后灰度值变化不大,往往说明第t个增强像素点越可以进行灰度调整。因此当/>越大时,往往说明第t个增强像素点对应的灰度值越不需要进行调整,往往说明第t个增强像素点对应的灰度值越需要保留,/>的值越接近于1。当/>越小时,往往说明第t个增强像素点对应的灰度值越需要进行调整,往往说明第t个增强像素点对应的灰度值越不需要保留,/>的值越接近于0,以拉大对比度。
第八步,根据上述目标增强图像中的各个增强像素点对应的保留权重和目标灰度值集合,对上述目标增强图像进行增强修正,得到目标修正图像,并根据上述目标修正图像,对上述初始BIM模型进行增强。
例如,根据上述目标增强图像中的各个增强像素点对应的保留权重和目标灰度值集合,对上述目标增强图像进行增强修正,得到目标修正图像可以包括以下子步骤:
第一子步骤,根据每个增强像素点对应的保留权重和目标灰度值集合,确定上述增强像素点对应的目标更新灰度值可以包括以下步骤:
首先,将上述增强像素点对应的目标灰度值集合中的每个目标灰度值与上述保留权重的乘积,确定为候选灰度值,得到上述增强像素点对应的候选灰度值集合。
接着,将上述候选灰度值集合中所有候选灰度值的均值,确定为上述增强像素点对应的目标更新灰度值。
第二子步骤,将上述目标增强图像中的各个增强像素点对应的灰度值,更新为对应的目标更新灰度值,得到目标修正图像,并将目标增强图像更新为目标修正图像。
比如,可以将上述目标增强图像中的各个增强像素点对应的灰度值,更新为对应的目标更新灰度值,并将更新后的目标增强图像,作为目标修正图像,用目标修正图像替换目标增强图像,用于对初始BIM模型的增强。
第三子步骤,根据上述目标修正图像,对上述初始BIM模型进行增强。
比如,可以将初始BIM模型导入至LumenRT软件中,进而再将目标修正图像导入至LumenRT软件中,通过LumenRT软件可以实现利用目标修正图像,对初始BIM模型进行增强。其中,建模软件可由实施者根据具体实施场景进行调整,并不限于LumenRT软件。
综上,本发明综合考虑了目标光照区域、各个光照像素点对应的光照方向线、光照中心点、目标光照指标、增强灰度指标、增强有效指标和保留权重等多种指标,实现了对目标建筑图像的图像增强和自适应的增强修正,可以降低图像中的逆光效应,提高了图像增强效果,使远离待检测建筑物上的逆光区域的像素点的细节信息相对比较明显,可以便于后续BIM模型的增强,从而可以更好的实现对施工进度的监管以及可视化操作。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于BIM模型的建筑施工数据采集方法,其特征在于,包括以下步骤:
获取目标建筑施工场地对应的目标建筑图像,并从所述目标建筑图像中筛选出目标光照区域;
从所述目标光照区域内的每个光照像素点对应的预设邻域内筛选出灰度值最大和最小的像素点,分别作为所述光照像素点对应的第一光照点和第二光照点;
根据所述目标光照区域内的每个光照像素点对应的第一光照点和第二光照点,对所述光照像素点进行光照方向分析处理,得到所述光照像素点对应的光照方向线;
根据所述目标光照区域内光照像素点对应的光照方向线之间的交点,确定光照中心点;
根据所述目标建筑图像中各个像素点与所述光照中心点之间的距离,以及各个像素点对应的灰度值在所述目标建筑图像中的占比,对所述目标建筑图像进行增强,得到目标增强图像,并根据所述目标增强图像,对预先构建的初始BIM模型进行增强。
2.根据权利要求1所述的一种基于BIM模型的建筑施工数据采集方法,其特征在于,所述从所述目标建筑图像中筛选出目标光照区域,包括:
对所述目标建筑图像进行阈值分割,确定分割阈值;
将所述目标建筑图像中灰度值大于分割阈值的像素点对应的像素值更新为常数1,将所述目标建筑图像中灰度值小于或等于分割阈值的像素点对应的像素值更新为常数0,得到初始二值图;
从所述初始二值图中筛选出像素值为1的像素点,作为参考像素点;
从所有参考像素点所在的区域中筛选出最大的连通区域,作为候选区域;
将所述初始二值图中除了所述候选区域之外的各个像素点对应的像素值更新为常数0,生成目标掩膜图像;
对所述目标掩膜图像和所述目标建筑图像进行乘积运算,得到光照图像;
将所述光照图像中所有灰度值不为0的像素点所在的区域,确定为目标光照区域。
3.根据权利要求1所述的一种基于BIM模型的建筑施工数据采集方法,其特征在于,所述根据所述目标光照区域内的每个光照像素点对应的第一光照点和第二光照点,对所述光照像素点进行光照方向分析处理,得到所述光照像素点对应的光照方向线,包括:
连接所述第一光照点和第二光照点,得到所述光照像素点对应的参考直线;
将所述参考直线的斜率,确定为所述光照像素点对应的目标斜率;
将过所述光照像素点,并且斜率为所述目标斜率的直线,确定为所述光照像素点对应的光照方向线。
4.根据权利要求1所述的一种基于BIM模型的建筑施工数据采集方法,其特征在于,所述根据所述目标光照区域内光照像素点对应的光照方向线之间的交点,确定光照中心点,包括:
将光照方向线不平行的任意两个光照像素点对应的光照方向线之间的交点,确定为候选点,得到候选点集合;
从所述候选点集合中相同位置处的候选点中随机筛选出一个候选点,作为目标交点,得到目标交点集合;
对于所述目标交点集合中的每个目标交点,将与所述目标交点位置相同的候选点数量,确定为所述目标交点对应的目标出现次数;
根据每个目标交点对应的目标出现次数和灰度值,确定所述目标交点对应的目标光照指标,其中,目标出现次数和灰度值均与目标光照指标呈正相关;
根据所述目标交点集合中的各个目标交点对应的目标光照指标,对所述目标交点集合进行聚类,得到光照聚类簇;
将所述光照聚类簇的聚类中心,确定为光照中心点。
5.根据权利要求4所述的一种基于BIM模型的建筑施工数据采集方法,其特征在于,所述根据所述目标交点集合中的各个目标交点对应的目标光照指标,对所述目标交点集合进行聚类,得到光照聚类簇,包括:
从所述目标交点集合中筛选出目标光照指标最大的目标交点,作为初始聚类中心;
根据所述初始聚类中心和所述目标交点集合中的目标交点对应的目标光照指标,对所述目标交点集合进行聚类,将所述初始聚类中心所在的聚类簇,作为光照聚类簇。
6.根据权利要求1所述的一种基于BIM模型的建筑施工数据采集方法,其特征在于,所述根据所述目标建筑图像中各个像素点与所述光照中心点之间的距离,以及各个像素点对应的灰度值在所述目标建筑图像中的占比,对所述目标建筑图像进行增强,得到目标增强图像,包括:
将所述目标建筑图像中每个像素点与所述光照中心点之间的距离,确定为所述目标建筑图像中每个像素点对应的参考距离;
将所述目标建筑图像中每个像素点对应的灰度值在所述目标建筑图像中的占比,确定为所述目标建筑图像中每个像素点对应的目标占比;
将预设常数、所述目标建筑图像中每个像素点对应的目标占比和归一化后的参考距离的乘积,确定为所述目标建筑图像中每个像素点对应的增强灰度指标;
将所述目标建筑图像中的各个像素点对应的灰度值,更新为对应的增强灰度指标,得到目标增强图像。
7.根据权利要求1所述的一种基于BIM模型的建筑施工数据采集方法,其特征在于,所述根据所述目标增强图像,对预先构建的初始BIM模型进行增强,包括:
将所述目标增强图像中的每个增强像素点对应的预设窗口内各个像素点对应的增强前的灰度值,作为初始灰度值,得到所述增强像素点对应的初始灰度值集合;
将所述目标增强图像中的每个增强像素点对应的预设窗口内各个像素点对应的增强后的灰度值,作为目标灰度值,得到所述增强像素点对应的目标灰度值集合;
对每个增强像素点对应的初始灰度值集合和目标灰度值集合进行相似性分析处理,得到所述增强像素点对应的目标相关性;
将所述目标增强图像中的每个增强像素点对应的预设窗口内所有像素点与目标中心光点之间的距离的均值,确定为所述增强像素点对应的目标代表距离,其中,所述目标中心光点是所述光照中心点对应在所述目标增强图像中的像素点;
将每个增强像素点对应的目标灰度值集合中所有目标灰度值的方差,确定为所述增强像素点对应的目标方差;
根据每个增强像素点对应的目标方差和目标代表距离,确定所述增强像素点对应的增强有效指标;
根据每个增强像素点对应的目标相关性和增强有效指标,确定所述增强像素点对应的保留权重,其中,目标相关性与保留权重呈负相关,增强有效指标与保留权重呈正相关;
根据所述目标增强图像中的各个增强像素点对应的保留权重和目标灰度值集合,对所述目标增强图像进行增强修正,得到目标修正图像,并根据所述目标修正图像,对所述初始BIM模型进行增强。
8.根据权利要求7所述的一种基于BIM模型的建筑施工数据采集方法,其特征在于,所述增强像素点对应的增强有效指标对应的公式为:
其中,是目标增强图像中的第t个增强像素点对应的增强有效指标;a和b是预先设置的参数;/>是目标增强图像中的第t个增强像素点对应的目标代表距离的归一化值;/>是目标增强图像中的第t个增强像素点对应的目标方差的归一化值;t是目标增强图像中增强像素点的序号。
9.根据权利要求7所述的一种基于BIM模型的建筑施工数据采集方法,其特征在于,所述根据所述目标增强图像中的各个增强像素点对应的保留权重和目标灰度值集合,对所述目标增强图像进行增强修正,得到目标修正图像,包括:
根据每个增强像素点对应的保留权重和目标灰度值集合,确定所述增强像素点对应的目标更新灰度值;
将所述目标增强图像中的各个增强像素点对应的灰度值,更新为对应的目标更新灰度值,得到目标修正图像,并将目标增强图像更新为目标修正图像。
10.根据权利要求9所述的一种基于BIM模型的建筑施工数据采集方法,其特征在于,所述根据每个增强像素点对应的保留权重和目标灰度值集合,确定所述增强像素点对应的目标更新灰度值,包括:
将所述增强像素点对应的目标灰度值集合中的每个目标灰度值与所述保留权重的乘积,确定为候选灰度值,得到所述增强像素点对应的候选灰度值集合;
将所述候选灰度值集合中所有候选灰度值的均值,确定为所述增强像素点对应的目标更新灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597573.2A CN117314793B (zh) | 2023-11-28 | 2023-11-28 | 基于bim模型的建筑施工数据采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597573.2A CN117314793B (zh) | 2023-11-28 | 2023-11-28 | 基于bim模型的建筑施工数据采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314793A true CN117314793A (zh) | 2023-12-29 |
CN117314793B CN117314793B (zh) | 2024-02-09 |
Family
ID=89250254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311597573.2A Active CN117314793B (zh) | 2023-11-28 | 2023-11-28 | 基于bim模型的建筑施工数据采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314793B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788873A (zh) * | 2024-02-26 | 2024-03-29 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463198A (zh) * | 2014-11-19 | 2015-03-25 | 上海电机学院 | 一种对真实光照环境进行光照估算的方法 |
CN113205553A (zh) * | 2021-03-25 | 2021-08-03 | 华东交通大学 | 一种基于三通道特征融合的光条纹中心提取方法 |
US20220019153A1 (en) * | 2020-07-14 | 2022-01-20 | Canon Kabushiki Kaisha | Image forming apparatus |
CN115359266A (zh) * | 2022-08-17 | 2022-11-18 | 中航建筑工程有限公司 | 基于bim技术的建筑施工方法、装置及电子设备 |
CN115406414A (zh) * | 2022-08-15 | 2022-11-29 | 北京空间飞行器总体设计部 | 一种面向空间站机械臂的动态目标测量在轨光照评估方法 |
CN116324899A (zh) * | 2020-09-30 | 2023-06-23 | 谷歌有限责任公司 | 基于机器学习模型的增强的照片重新照明 |
CN116596806A (zh) * | 2023-07-14 | 2023-08-15 | 山东绿洲智能科技有限公司 | 一种用于视觉码垛机器人的组合码垛调控方法 |
-
2023
- 2023-11-28 CN CN202311597573.2A patent/CN117314793B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463198A (zh) * | 2014-11-19 | 2015-03-25 | 上海电机学院 | 一种对真实光照环境进行光照估算的方法 |
US20220019153A1 (en) * | 2020-07-14 | 2022-01-20 | Canon Kabushiki Kaisha | Image forming apparatus |
CN116324899A (zh) * | 2020-09-30 | 2023-06-23 | 谷歌有限责任公司 | 基于机器学习模型的增强的照片重新照明 |
CN113205553A (zh) * | 2021-03-25 | 2021-08-03 | 华东交通大学 | 一种基于三通道特征融合的光条纹中心提取方法 |
CN115406414A (zh) * | 2022-08-15 | 2022-11-29 | 北京空间飞行器总体设计部 | 一种面向空间站机械臂的动态目标测量在轨光照评估方法 |
CN115359266A (zh) * | 2022-08-17 | 2022-11-18 | 中航建筑工程有限公司 | 基于bim技术的建筑施工方法、装置及电子设备 |
CN116596806A (zh) * | 2023-07-14 | 2023-08-15 | 山东绿洲智能科技有限公司 | 一种用于视觉码垛机器人的组合码垛调控方法 |
Non-Patent Citations (2)
Title |
---|
JIAWEI GUO.ET.: "A survey on image enhancement for Low-light images", 《HELIYON》, vol. 9, no. 4, pages 14558 * |
赵悰悰: "基于梯度域的水下图像增强方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 3, pages 138 - 351 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788873A (zh) * | 2024-02-26 | 2024-03-29 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
CN117788873B (zh) * | 2024-02-26 | 2024-05-03 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117314793B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274976B (zh) | 基于视觉与激光雷达多层次融合的车道检测方法及系统 | |
EP3455782B1 (en) | System and method for detecting plant diseases | |
Shanmugavadivu et al. | Particle swarm optimized multi-objective histogram equalization for image enhancement | |
CN109584251A (zh) | 一种基于单目标区域分割的舌体图像分割方法 | |
CN110059586B (zh) | 一种基于空洞残差注意力结构的虹膜定位分割系统 | |
CN117314793B (zh) | 基于bim模型的建筑施工数据采集方法 | |
CN111461165A (zh) | 图像识别方法、识别模型的训练方法及相关装置、设备 | |
CN111507932B (zh) | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 | |
CN111027493A (zh) | 一种基于深度学习多网络软融合的行人检测方法 | |
CN104700071B (zh) | 一种全景图道路轮廓的提取方法 | |
CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN110276764A (zh) | 基于K值估计的K-Means水下图像背景分割改进算法 | |
CN105046202B (zh) | 自适应的人脸识别光照处理方法 | |
CN111783819A (zh) | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 | |
CN112149476A (zh) | 目标检测方法、装置、设备和存储介质 | |
CN113344000A (zh) | 证件翻拍识别方法、装置、计算机设备和存储介质 | |
EP2497052A1 (en) | Method for illumination normalization on a digital image for performing face recognition | |
WO2015010164A1 (en) | Enhancing vision for a vision impaired user | |
CN113989256A (zh) | 遥感图像建筑物的检测模型优化方法及检测方法、装置 | |
CN109872337A (zh) | 一种基于快速均值移位的眼底图像视盘分割方法 | |
CN112102175B (zh) | 图像对比度的增强方法、装置、存储介质及电子设备 | |
CN105528791B (zh) | 一种面向触摸屏手绘图像的质量评价装置及其评价方法 | |
CN103618846A (zh) | 一种视频分析中抑制光线突然变化影响的背景去除方法 | |
CN113255704B (zh) | 一种基于局部二值模式的像素差卷积边缘检测方法 | |
CN116092170A (zh) | 一种基于大数据技术的专利价值分析系统 |
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 |