CN117436033B - 智能建筑垂直偏差监测系统及方法 - Google Patents

智能建筑垂直偏差监测系统及方法 Download PDF

Info

Publication number
CN117436033B
CN117436033B CN202311709831.1A CN202311709831A CN117436033B CN 117436033 B CN117436033 B CN 117436033B CN 202311709831 A CN202311709831 A CN 202311709831A CN 117436033 B CN117436033 B CN 117436033B
Authority
CN
China
Prior art keywords
data
analysis
module
deviation
adopting
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
CN202311709831.1A
Other languages
English (en)
Other versions
CN117436033A (zh
Inventor
万钦
常纪雄
张鹏
杨彦德
王殿功
张冠峰
郝文博
赵喜飞
郝昕熙
贾昀
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.)
Hebei Construction Group Corp Ltd
Original Assignee
Hebei Construction Group Corp Ltd
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 Hebei Construction Group Corp Ltd filed Critical Hebei Construction Group Corp Ltd
Priority to CN202311709831.1A priority Critical patent/CN117436033B/zh
Publication of CN117436033A publication Critical patent/CN117436033A/zh
Application granted granted Critical
Publication of CN117436033B publication Critical patent/CN117436033B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/22—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring angles or tapers; for testing the alignment of axes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Graphics (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及垂直偏差测量技术领域，具体为智能建筑垂直偏差监测系统及方法，系统包括边缘识别模块、动态三维建模模块、深度偏差分析模块、综合测量数据融合模块、环境因素集成分析模块、智能预警生成模块。本发明中，通过结合Sobel边缘检测算法和深度卷积神经网络，识别和提取建筑物的边缘特征，增强图像清晰度和边缘细节，提供基础数据，动态三维建模模块的运用实时更新三维建筑模型，增强时效性和动态性，深度偏差分析模块结合支持向量机和线性回归分析，提高偏差预测和统计分析的准确性，综合测量数据融合模块的加权平均法整合多种传感器数据，提高数据的精度和可靠性，环境因素集成分析模块的运用使得环境变化对建筑偏差的影响得到全面的分析。

Description

智能建筑垂直偏差监测系统及方法
技术领域
本发明涉及垂直偏差测量技术领域，尤其涉及智能建筑垂直偏差监测系统及方法。
背景技术
垂直偏差测量技术领域，是一种专门用于测量和监控建筑物在垂直方向上的偏差和变形的技术。这个技术领域的重要性在于确保建筑结构的完整性和安全性。建筑物在建设和使用过程中，由于各种原因（如地基沉降、负荷变化、材料老化等）可能会产生垂直偏差。这些偏差如果不加以监控和控制，容易导致结构安全问题，甚至建筑倒塌。
其中，智能建筑垂直偏差监测系统的主要目的是实时准确地监测建筑物的垂直偏差，从而确保建筑的结构安全和稳定。系统通常包括传感器、数据处理单元和报警机制。传感器负责收集建筑物的垂直偏差数据，这些数据随后被送至数据处理单元进行分析。如果检测到的偏差超出预设的安全范围，系统会触发报警，提示相关人员采取措施。系统一般通过先进的传感技术和人工智能算法来实现其功能。传感器（如倾斜计、激光测距仪等）能够高精度地测量建筑物的垂直位移，而人工智能算法则用于处理和分析收集到的数据，预测未来的偏差趋势，并在必要时发出预警。这样的系统不仅提高了监测的准确性和效率，还能够及时预防潜在的安全问题，是现代建筑管理的重要组成部分。
传统建筑垂直偏差监测系统存在一些明显的不足之处。首先，传统系统在边缘识别和特征提取方面通常不够精确，无法有效地处理图像增强和边缘细节，导致基础数据的不准确性。其次，缺乏有效的三维建模能力，使得监测系统无法实时反映建筑物的实际状态和动态变化，降低了监测的实时性和准确性。此外，传统系统在偏差分析方面依赖于简单的算法，缺乏深度学习和统计分析的支持，因而在预测精度和数据分析深度上受限。数据融合方面也多采用简单的合并处理，缺乏有效的加权和误差校正机制，影响了数据的准确性和可靠性。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的智能建筑垂直偏差监测系统及方法。
为了实现上述目的，本发明采用了如下技术方案：智能建筑垂直偏差监测系统包括边缘识别模块、动态三维建模模块、深度偏差分析模块、综合测量数据融合模块、环境因素集成分析模块、智能预警生成模块；
所述边缘识别模块基于原始建筑图像，采用Sobel边缘检测算法和深度卷积神经网络进行图像增强、边缘特征提取和模式识别，生成细化边缘特征数据；
所述动态三维建模模块基于细化边缘特征数据，采用多视角几何重建和点云融合技术，进行三维模型的实时更新，生成实时动态的三维建筑模型；
所述深度偏差分析模块基于实时动态的三维建筑模型，采用支持向量机和线性回归分析进行模式识别、偏差预测和统计分析，生成深度垂直偏差分析报告；
所述综合测量数据融合模块基于深度垂直偏差分析报告，采用加权平均法融合多种传感器数据，进行数据融合和误差校正，生成综合垂直偏差测量数据；
所述环境因素集成分析模块基于综合垂直偏差测量数据，采用主成分分析对环境监测数据进行多变量分析，生成环境因素对偏差影响的分析报告；
所述智能预警生成模块基于环境因素对偏差影响的分析报告，采用神经网络进行风险评估和预警信息生成，生成智能预警信息及应对方案。
作为本发明的进一步方案，所述细化边缘特征数据包括建筑物边缘轮廓、关键结构节点和特征标记，所述实时动态的三维建筑模型包括建筑物的立体结构、空间布局和关键结构细节，所述深度垂直偏差分析报告包括垂直偏差的类型、位置、趋势和潜在风险评级，所述综合垂直偏差测量数据包括传感器的校准数据、垂直偏差的综合值和校正后的测量结果，所述环境因素对偏差影响的分析报告具体为多环境参数与垂直偏差关联度的分析结果，所述智能预警信息及应对方案包括垂直偏差的预警信号、风险等级和应急响应策略。
作为本发明的进一步方案，所述边缘识别模块包括图像增强子模块、边缘特征提取子模块、深度学习优化子模块；
所述图像增强子模块基于原始建筑图像，采用Sobel边缘检测算法进行图像增强，生成增强后的建筑图像；
所述边缘特征提取子模块基于增强后的建筑图像，采用深度卷积神经网络进行边缘特征提取，生成边缘特征数据；
所述深度学习优化子模块基于边缘特征数据，采用深度学习技术进行模式识别和数据优化，生成细化边缘特征数据；
所述Sobel边缘检测算法包括水平和垂直梯度计算，所述深度卷积神经网络包括多层卷积层和池化层，所述深度学习技术包括反向传播和梯度下降。
作为本发明的进一步方案，所述动态三维建模模块包括点云数据处理子模块、三维几何重建子模块、模型实时更新子模块；
所述点云数据处理子模块基于细化边缘特征数据，采用点云融合技术进行数据处理，生成处理后的点云数据；
所述三维几何重建子模块基于处理后的点云数据，采用多视角几何重建技术进行三维建筑模型的构建，生成初步三维建筑模型；
所述模型实时更新子模块基于初步三维建筑模型，采用实时更新技术进行细节优化，生成实时动态的三维建筑模型；
所述点云融合技术包括点云配准和密度优化，所述多视角几何重建技术包括特征匹配和视角合成，所述实时更新技术包括动态纹理映射和实时渲染。
作为本发明的进一步方案，所述深度偏差分析模块包括模式识别子模块、偏差预测子模块、统计分析子模块；
所述模式识别子模块基于实时动态的三维建筑模型，采用支持向量机，生成模式识别分析数据；
所述偏差预测子模块基于模式识别分析数据，采用线性回归分析，生成偏差预测数据；
所述统计分析子模块基于偏差预测数据，进行统计分析，生成深度垂直偏差分析报告；
所述支持向量机包括核函数转换和优化算法，所述线性回归分析包括偏差趋势建模和相关性分析，所述统计分析包括偏差评估和数据可视化处理。
作为本发明的进一步方案，所述综合测量数据融合模块包括传感器数据整合子模块、数据融合子模块、误差校正子模块；
所述传感器数据整合子模块基于深度垂直偏差分析报告，整合多源传感器数据，生成整合后的传感器数据；
所述数据融合子模块基于整合后的传感器数据，采用加权平均法，生成融合后的测量数据；
所述误差校正子模块基于融合后的测量数据，进行误差校正，生成综合垂直偏差测量数据；
所述加权平均法包括数据权重分配和统计平均，所述误差校正包括数据偏差分析和修正算法应用。
作为本发明的进一步方案，所述环境因素集成分析模块包括环境数据收集子模块、影响因素识别子模块、多变量数据分析子模块；
所述环境数据收集子模块基于环境监测设备，采用数据采集技术收集综合垂直偏差测量数据和关联环境数据，生成环境监测数据集；
所述影响因素识别子模块基于环境监测数据集，采用统计分析方法识别出影响环境的关键因素，生成关键环境因素清单；
所述多变量数据分析子模块基于关键环境因素清单，采用主成分分析算法对环境监测数据进行多变量分析，生成环境因素影响分析报告；
所述数据采集技术包括传感器网络数据同步、数据质量评估及数据预处理，所述统计分析方法包括相关性分析和回归分析，所述主成分分析算法具体为通过方差分解提取数据的主要特征。
作为本发明的进一步方案，所述智能预警生成模块包括风险评估子模块、预警信息生成子模块、应对方案制定子模块；
所述风险评估子模块基于环境因素影响分析报告，采用神经网络算法进行风险评估，生成风险评估报告；
所述预警信息生成子模块基于风险评估报告，采用数据驱动的预警生成策略生成预警信息；
所述应对方案制定子模块基于预警信息，结合历史数据和案例分析，采用决策分析方法制定应对方案，生成智能预警方案；
所述神经网络算法包括前馈神经网络和反向传播训练，所述预警生成策略为基于规则的逻辑推理与模式识别，所述决策分析方法包括决策树分析和风险管理策略。
智能建筑垂直偏差监测方法，所述智能建筑垂直偏差监测方法基于上述智能建筑垂直偏差监测系统执行，包括以下步骤：
S1：基于原始建筑图像，采用Sobel边缘检测算法和深度卷积神经网络进行图像增强、边缘特征提取和模式识别，生成细化边缘特征数据；
S2：基于所述细化边缘特征数据，采用多视角几何重建和点云融合技术进行三维模型的实时更新，生成实时动态的三维建筑模型；
S3：基于所述实时动态的三维建筑模型，采用支持向量机和线性回归分析进行模式识别、偏差预测和统计分析，生成深度垂直偏差分析报告；
S4：基于所述深度垂直偏差分析报告，采用加权平均法整合多种传感器数据，进行数据融合和误差校正，生成综合垂直偏差测量数据；
S5：基于所述综合垂直偏差测量数据，采用主成分分析对环境监测数据进行多变量分析，生成环境因素对偏差影响的分析报告；
S6：基于所述环境因素对偏差影响的分析报告，采用神经网络进行风险评估和预警信息生成，生成风险评估报告；
S7：基于所述风险评估报告，结合历史数据和案例分析，采用决策分析方法制定应对方案，生成智能预警信息及应对方案。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过结合Sobel边缘检测算法和深度卷积神经网络，该系统能够更加准确地识别和提取建筑物的边缘特征，增强了图像的清晰度和边缘细节，从而提供更精确的基础数据。动态三维建模模块的运用使得三维建筑模型可以实时更新，反映出建筑物的实际情况和变化，增强了监测系统的时效性和动态性。深度偏差分析模块结合支持向量机和线性回归分析，提高偏差预测和统计分析的准确性。综合测量数据融合模块的加权平均法有效整合了多种传感器数据，提高数据的整体精度和可靠性。环境因素集成分析模块的运用使得环境变化对建筑偏差的影响得到了更全面的分析。
附图说明
图1为本发明的系统流程图；
图2为本发明的系统框架示意图；
图3为本发明的边缘识别模块流程图；
图4为本发明的动态三维建模模块流程图；
图5为本发明的深度偏差分析模块流程图；
图6为本发明的综合测量数据融合模块流程图；
图7为本发明的环境因素集成分析模块流程图；
图8为本发明的智能预警生成模块流程图；
图9为本发明的方法步骤示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1至图2，本发明提供一种技术方案：智能建筑垂直偏差监测系统包括边缘识别模块、动态三维建模模块、深度偏差分析模块、综合测量数据融合模块、环境因素集成分析模块、智能预警生成模块；
边缘识别模块基于原始建筑图像，采用Sobel边缘检测算法和深度卷积神经网络进行图像增强、边缘特征提取和模式识别，生成细化边缘特征数据；
动态三维建模模块基于细化边缘特征数据，采用多视角几何重建和点云融合技术，进行三维模型的实时更新，生成实时动态的三维建筑模型；
深度偏差分析模块基于实时动态的三维建筑模型，采用支持向量机和线性回归分析进行模式识别、偏差预测和统计分析，生成深度垂直偏差分析报告；
综合测量数据融合模块基于深度垂直偏差分析报告，采用加权平均法融合多种传感器数据，进行数据融合和误差校正，生成综合垂直偏差测量数据；
环境因素集成分析模块基于综合垂直偏差测量数据，采用主成分分析对环境监测数据进行多变量分析，生成环境因素对偏差影响的分析报告；
智能预警生成模块基于环境因素对偏差影响的分析报告，采用神经网络进行风险评估和预警信息生成，生成智能预警信息及应对方案。
细化边缘特征数据包括建筑物边缘轮廓、关键结构节点和特征标记，实时动态的三维建筑模型包括建筑物的立体结构、空间布局和关键结构细节，深度垂直偏差分析报告包括垂直偏差的类型、位置、趋势和潜在风险评级，综合垂直偏差测量数据包括传感器的校准数据、垂直偏差的综合值和校正后的测量结果，环境因素对偏差影响的分析报告具体为多环境参数与垂直偏差关联度的分析结果，智能预警信息及应对方案包括垂直偏差的预警信号、风险等级和应急响应策略。
边缘识别模块使用Sobel边缘检测算法和深度卷积神经网络，可以对原始建筑图像进行高效的图像增强和边缘特征提取。这不仅提高了边缘特征数据的准确性和细化程度，而且大幅提升了模式识别的效率和准确率，为后续的分析和预警提供了坚实的基础。
动态三维建模模块通过多视角几何重建和点云融合技术，实现了三维模型的实时更新。这种实时动态更新能力，使得建筑物的立体结构、空间布局和关键结构细节得到了精确的呈现，对于实时监控建筑物的结构安全性至关重要。
深度偏差分析模块的应用，通过支持向量机和线性回归分析，不仅可以准确识别出垂直偏差的类型和位置，还能预测偏差的趋势和进行潜在风险评级。这种深度分析为建筑物的安全性管理提供了更为科学和系统的决策支持。
综合测量数据融合模块的加权平均法数据融合技术，有效地整合了多种传感器数据，进行了误差校正。这种综合性的测量数据处理不仅提高了数据的准确性，还保证了监测结果的可靠性和稳定性。
环境因素集成分析模块通过主成分分析对多种环境参数进行分析，能够揭示环境因素与建筑垂直偏差之间的相关性，为环境因素对建筑安全的影响提供了更深入的洞见。这对于在不同环境条件下保证建筑结构安全具有重要意义。
智能预警生成模块的应用，通过神经网络技术对潜在风险进行评估，并生成预警信息及应对方案。这不仅增强了对建筑结构潜在危险的及时响应能力，还为建筑物的安全管理提供了有效的应急策略。
请参阅图3，边缘识别模块包括图像增强子模块、边缘特征提取子模块、深度学习优化子模块；
图像增强子模块基于原始建筑图像，采用Sobel边缘检测算法进行图像增强，生成增强后的建筑图像；
边缘特征提取子模块基于增强后的建筑图像，采用深度卷积神经网络进行边缘特征提取，生成边缘特征数据；
深度学习优化子模块基于边缘特征数据，采用深度学习技术进行模式识别和数据优化，生成细化边缘特征数据；
Sobel边缘检测算法包括水平和垂直梯度计算，深度卷积神经网络包括多层卷积层和池化层，深度学习技术包括反向传播和梯度下降。
在图像增强子模块中，以原始建筑图像作为输入。这些图像首先通过Sobel边缘检测算法进行处理。Sobel算法通过计算图像中每个像素点的水平和垂直梯度来增强图像的边缘。具体操作包括对原始图像应用水平和垂直滤波器，从而突出建筑物的边缘。这样处理后的图像呈现出更明显的边缘轮廓，为后续的边缘特征提取打下基础，生成增强后的建筑图像。
在边缘特征提取子模块中，采用深度卷积神经网络（CNN）处理这些增强后的建筑图像。CNN通过其多层卷积层和池化层有效提取图像中的边缘特征。卷积层负责提取图像中的局部特征，而池化层则用于减少特征维度，增强模型的泛化能力。通过这一过程，CNN能够识别和提取建筑物边缘的关键特征，生成边缘特征数据。
在深度学习优化子模块中，这些边缘特征数据进一步通过深度学习技术进行优化和精细化处理。利用反向传播和梯度下降算法，系统能够调整和优化神经网络的权重，从而提高模型对边缘特征的识别精度和数据的优化水平。这一步骤不仅增强了模型对复杂建筑结构边缘的识别能力，还提高了数据的实用性和准确性，最终生成细化边缘特征数据。
请参阅图4，动态三维建模模块包括点云数据处理子模块、三维几何重建子模块、模型实时更新子模块；
点云数据处理子模块基于细化边缘特征数据，采用点云融合技术进行数据处理，生成处理后的点云数据；
三维几何重建子模块基于处理后的点云数据，采用多视角几何重建技术进行三维建筑模型的构建，生成初步三维建筑模型；
模型实时更新子模块基于初步三维建筑模型，采用实时更新技术进行细节优化，生成实时动态的三维建筑模型；
点云融合技术包括点云配准和密度优化，多视角几何重建技术包括特征匹配和视角合成，实时更新技术包括动态纹理映射和实时渲染。
在点云数据处理子模块中，输入是由边缘识别模块生成的细化边缘特征数据。这些数据经过点云融合技术的处理，以提高点云数据的准确性和可用性。点云融合技术主要包括点云配准和密度优化。点云配准是指将从不同视角获得的点云数据准确地对齐，以形成一个统一的点云模型。密度优化则是通过调整点云中点的分布，以提高数据的均匀性和代表性，从而生成处理后的点云数据。
在三维几何重建子模块中，处理后的点云数据被用于构建三维建筑模型。此过程采用的多视角几何重建技术包括特征匹配和视角合成。特征匹配是指在不同的点云数据中识别出相同的特征点，以便于准确重建三维结构。视角合成则是指将从多个视角获取的数据合成为一个完整的三维模型，生成初步的三维建筑模型。
模型实时更新子模块负责对初步的三维建筑模型进行细节优化和实时更新。这一过程包括动态纹理映射和实时渲染。动态纹理映射指的是将纹理数据实时地映射到三维模型上，使模型的外观更加逼真和详细。实时渲染则是指根据需要实时更新模型的视觉表现，确保模型反映出最新的建筑状态。通过这些技术，生成的是实时动态的三维建筑模型，能够精确反映建筑物的当前状态。
请参阅图5，深度偏差分析模块包括模式识别子模块、偏差预测子模块、统计分析子模块；
模式识别子模块基于实时动态的三维建筑模型，采用支持向量机，生成模式识别分析数据；
偏差预测子模块基于模式识别分析数据，采用线性回归分析，生成偏差预测数据；
统计分析子模块基于偏差预测数据，进行统计分析，生成深度垂直偏差分析报告；
支持向量机包括核函数转换和优化算法，线性回归分析包括偏差趋势建模和相关性分析，统计分析包括偏差评估和数据可视化处理。
在模式识别子模块中，系统基于从动态三维建模模块获得的实时动态的三维建筑模型数据进行操作。在这一步骤中，采用支持向量机（SVM）算法来识别建筑模型中的特定模式，如结构偏差或异常特征。SVM算法通过核函数转换将数据映射到高维空间，在这个空间中进行更有效的分类和模式识别。此外，SVM还涉及优化算法，以确保分类的准确性和效率。通过这个过程，系统生成了模式识别分析数据。
偏差预测子模块接收这些模式识别分析数据。在这个阶段，系统采用线性回归分析来预测潜在的结构偏差趋势。线性回归分析在这里用于建立偏差趋势的模型，并进行相关性分析。这样不仅可以预测未来的偏差走势，还可以探索偏差与其他因素之间的关联性，生成偏差预测数据。
统计分析子模块基于偏差预测数据进行操作。在这一步骤中，系统进行详尽的统计分析，包括对偏差类型、程度和分布的评估。此外，还包括对数据进行可视化处理，如生成图表和图形，以便于用户更直观地理解偏差情况。这些统计分析有助于深入理解建筑物的结构健康状况，最终生成深度垂直偏差分析报告。
请参阅图6，综合测量数据融合模块包括传感器数据整合子模块、数据融合子模块、误差校正子模块；
传感器数据整合子模块基于深度垂直偏差分析报告，整合多源传感器数据，生成整合后的传感器数据；
数据融合子模块基于整合后的传感器数据，采用加权平均法，生成融合后的测量数据；
误差校正子模块基于融合后的测量数据，进行误差校正，生成综合垂直偏差测量数据；
加权平均法包括数据权重分配和统计平均，误差校正包括数据偏差分析和修正算法应用。
传感器数据整合子模块中，从多个源头收集传感器数据，分析各个数据源的垂直偏差，同步多源数据的时间戳，并进行初步筛选，剔除异常值。
示例代码：
def collect_sensor_data(sources):
return [source.get_data() for source in sources]
def analyze_vertical_deviation(data):
# 实现深度垂直偏差分析算法
pass
def synchronize_and_filter(data):
# 同步并筛选数据
pass
数据融合子模块中，基于数据源的可靠性和准确性分配权重，应用加权平均法合并多源数据。
示例代码：
def assign_weights(data_sources):
# 分配权重
pass
def weighted_average(data, weights):
# 计算加权平均
pass
误差校正子模块中，分析融合后数据的偏差，应用修正算法校正偏差。
示例代码：
def analyze_deviation(data):
# 分析数据偏差
pass
def apply_correction(data, deviation):
# 应用修正算法
pass
请参阅图7，环境因素集成分析模块包括环境数据收集子模块、影响因素识别子模块、多变量数据分析子模块；
环境数据收集子模块基于环境监测设备，采用数据采集技术收集综合垂直偏差测量数据和关联环境数据，生成环境监测数据集；
影响因素识别子模块基于环境监测数据集，采用统计分析方法识别出影响环境的关键因素，生成关键环境因素清单；
多变量数据分析子模块基于关键环境因素清单，采用主成分分析算法对环境监测数据进行多变量分析，生成环境因素影响分析报告；
数据采集技术包括传感器网络数据同步、数据质量评估及数据预处理，统计分析方法包括相关性分析和回归分析，主成分分析算法具体为通过方差分解提取数据的主要特征。
首先，在环境数据收集子模块中，系统利用各类环境监测设备，如温度、湿度、风速等传感器，采用数据采集技术来收集环境数据。这一过程包括传感器网络数据的同步，以确保数据的时序性和一致性。数据质量评估也是关键，通过检查数据的完整性和准确性来保证其可靠性。此外，数据预处理步骤对原始数据进行清洗和格式化，以便于后续分析。收集到的数据包括综合垂直偏差测量数据和相关环境数据，最终生成环境监测数据集。
在影响因素识别子模块中，系统基于环境监测数据集进行操作。采用统计分析方法，如相关性分析和回归分析，识别出对环境有显著影响的关键因素。这个过程涉及分析不同数据之间的关系，以确定哪些环境因素对建筑的垂直偏差有重大影响，从而生成关键环境因素清单。
多变量数据分析子模块接收关键环境因素清单，采用主成分分析（PCA）算法对环境监测数据进行多变量分析。PCA通过方差分解来提取数据集中的主要特征和模式，有助于理解不同环境因素之间的相互作用和影响。这个过程使得环境因素与建筑垂直偏差之间的关系更加清晰，有效地揭示了环境变化如何影响建筑的结构稳定性。分析的结果被整合成环境因素影响分析报告。
请参阅图8，智能预警生成模块包括风险评估子模块、预警信息生成子模块、应对方案制定子模块；
风险评估子模块基于环境因素影响分析报告，采用神经网络算法进行风险评估，生成风险评估报告；
预警信息生成子模块基于风险评估报告，采用数据驱动的预警生成策略生成预警信息；
应对方案制定子模块基于预警信息，结合历史数据和案例分析，采用决策分析方法制定应对方案，生成智能预警方案；
神经网络算法包括前馈神经网络和反向传播训练，预警生成策略为基于规则的逻辑推理与模式识别，决策分析方法包括决策树分析和风险管理策略。
在风险评估子模块中，系统基于环境因素影响分析报告进行操作。采用神经网络算法，特别是前馈神经网络和反向传播训练方法，对各种环境因素及其可能导致的风险进行综合评估。神经网络通过学习不同环境因素与建筑垂直偏差之间的关系，能够精准地评估未来可能发生的风险。这个过程生成了风险评估报告，其中包括了风险等级、可能受影响的区域和预测的风险趋势。
预警信息生成子模块接收风险评估报告。在这个阶段，系统采用数据驱动的预警生成策略，如基于规则的逻辑推理和模式识别，来生成具体的预警信息。这些预警信息不仅详细指出潜在的风险区域和级别，还可能包括预期的风险发生时间。该过程确保了预警信息的准确性和及时性，有助于及早采取措施，减轻或避免潜在的风险。
应对方案制定子模块基于生成的预警信息进行操作。在这个步骤中，系统结合历史数据和案例分析，采用决策分析方法，如决策树分析和风险管理策略，制定具体的应对方案。这些方案可能包括紧急疏散指示、结构加固建议或其他安全措施。通过这种方法，生成的智能预警方案既考虑了当前的风险评估结果，也借鉴了过往经验和最佳实践，从而确保了应对措施的有效性和实用性。
请参阅图9，智能建筑垂直偏差监测方法，智能建筑垂直偏差监测方法基于上述智能建筑垂直偏差监测系统执行，包括以下步骤：
S1：基于原始建筑图像，采用Sobel边缘检测算法和深度卷积神经网络进行图像增强、边缘特征提取和模式识别，生成细化边缘特征数据；
S2：基于细化边缘特征数据，采用多视角几何重建和点云融合技术进行三维模型的实时更新，生成实时动态的三维建筑模型；
S3：基于实时动态的三维建筑模型，采用支持向量机和线性回归分析进行模式识别、偏差预测和统计分析，生成深度垂直偏差分析报告；
S4：基于深度垂直偏差分析报告，采用加权平均法整合多种传感器数据，进行数据融合和误差校正，生成综合垂直偏差测量数据；
S5：基于综合垂直偏差测量数据，采用主成分分析对环境监测数据进行多变量分析，生成环境因素对偏差影响的分析报告；
S6：基于环境因素对偏差影响的分析报告，采用神经网络进行风险评估和预警信息生成，生成风险评估报告；
S7：基于风险评估报告，结合历史数据和案例分析，采用决策分析方法制定应对方案，生成智能预警信息及应对方案。
通过结合Sobel边缘检测算法和深度卷积神经网络，能够从原始建筑图像中精准地提取边缘特征，大幅提升了图像分析的准确度和效率。这为识别建筑结构中的微小变化和潜在缺陷提供了可靠的数据基础。
利用多视角几何重建和点云融合技术进行三维模型实时更新，使得建筑物的三维模型能够持续反映其最新状态。这种实时动态更新机制，特别适合用于监测那些受环境变化、使用频率高或者历史悠久的建筑物，确保了实时监控的准确性和及时性。
在深度偏差分析方面，采用支持向量机和线性回归分析进行模式识别和偏差预测，不仅能够及时发现建筑的结构偏差，还能预测其未来的变化趋势。这对于早期识别风险、采取预防措施至关重要，能显著降低建筑结构失败的风险。
结合环境监测数据，通过主成分分析深入探究环境因素与建筑偏差之间的关系。这种全面的分析方法能够更好地理解和预测环境变化对建筑结构的影响，为建筑维护和管理提供科学依据。
基于综合的风险评估，系统能够生成具体的预警信息及应对方案。这些预警信息和方案不仅是基于当前数据分析的结果，还结合了历史数据和案例分析，使得应对措施更具针对性和实效性。。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

1.智能建筑垂直偏差监测系统，其特征在于：所述系统包括边缘识别模块、动态三维建模模块、深度偏差分析模块、综合测量数据融合模块、环境因素集成分析模块、智能预警生成模块；
所述边缘识别模块基于原始建筑图像，采用Sobel边缘检测算法和深度卷积神经网络进行图像增强、边缘特征提取和模式识别，生成细化边缘特征数据；
所述动态三维建模模块基于细化边缘特征数据，采用多视角几何重建和点云融合技术，进行三维模型的实时更新，生成实时动态的三维建筑模型；
所述深度偏差分析模块基于实时动态的三维建筑模型，采用支持向量机和线性回归分析进行模式识别、偏差预测和统计分析，生成深度垂直偏差分析报告；
所述综合测量数据融合模块基于深度垂直偏差分析报告，采用加权平均法融合多种传感器数据，进行数据融合和误差校正，生成综合垂直偏差测量数据；
所述环境因素集成分析模块基于综合垂直偏差测量数据，采用主成分分析对环境监测数据进行多变量分析，生成环境因素对偏差影响的分析报告；
所述智能预警生成模块基于环境因素对偏差影响的分析报告，采用神经网络进行风险评估和预警信息生成，生成智能预警信息及应对方案。
2.根据权利要求1所述的智能建筑垂直偏差监测系统，其特征在于：所述细化边缘特征数据包括建筑物边缘轮廓、关键结构节点和特征标记，所述实时动态的三维建筑模型包括建筑物的立体结构、空间布局和关键结构细节，所述深度垂直偏差分析报告包括垂直偏差的类型、位置、趋势和潜在风险评级，所述综合垂直偏差测量数据包括传感器的校准数据、垂直偏差的综合值和校正后的测量结果，所述环境因素对偏差影响的分析报告具体为多环境参数与垂直偏差关联度的分析结果，所述智能预警信息及应对方案包括垂直偏差的预警信号、风险等级和应急响应策略。
3.根据权利要求1所述的智能建筑垂直偏差监测系统，其特征在于：所述边缘识别模块包括图像增强子模块、边缘特征提取子模块、深度学习优化子模块；
所述图像增强子模块基于原始建筑图像，采用Sobel边缘检测算法进行图像增强，生成增强后的建筑图像；
所述边缘特征提取子模块基于增强后的建筑图像，采用深度卷积神经网络进行边缘特征提取，生成边缘特征数据；
所述深度学习优化子模块基于边缘特征数据，采用深度学习技术进行模式识别和数据优化，生成细化边缘特征数据；
所述Sobel边缘检测算法包括水平和垂直梯度计算，所述深度卷积神经网络包括多层卷积层和池化层，所述深度学习技术包括反向传播和梯度下降。
4.根据权利要求1所述的智能建筑垂直偏差监测系统，其特征在于：所述动态三维建模模块包括点云数据处理子模块、三维几何重建子模块、模型实时更新子模块；
所述点云数据处理子模块基于细化边缘特征数据，采用点云融合技术进行数据处理，生成处理后的点云数据；
所述三维几何重建子模块基于处理后的点云数据，采用多视角几何重建技术进行三维建筑模型的构建，生成初步三维建筑模型；
所述模型实时更新子模块基于初步三维建筑模型，采用实时更新技术进行细节优化，生成实时动态的三维建筑模型；
所述点云融合技术包括点云配准和密度优化，所述多视角几何重建技术包括特征匹配和视角合成，所述实时更新技术包括动态纹理映射和实时渲染。
5.根据权利要求1所述的智能建筑垂直偏差监测系统，其特征在于：所述深度偏差分析模块包括模式识别子模块、偏差预测子模块、统计分析子模块；
所述模式识别子模块基于实时动态的三维建筑模型，采用支持向量机，生成模式识别分析数据；
所述偏差预测子模块基于模式识别分析数据，采用线性回归分析，生成偏差预测数据；
所述统计分析子模块基于偏差预测数据，进行统计分析，生成深度垂直偏差分析报告；
所述支持向量机包括核函数转换和优化算法，所述线性回归分析包括偏差趋势建模和相关性分析，所述统计分析包括偏差评估和数据可视化处理。
6.根据权利要求1所述的智能建筑垂直偏差监测系统，其特征在于：所述综合测量数据融合模块包括传感器数据整合子模块、数据融合子模块、误差校正子模块；
所述传感器数据整合子模块基于深度垂直偏差分析报告，整合多源传感器数据，生成整合后的传感器数据；
所述数据融合子模块基于整合后的传感器数据，采用加权平均法，生成融合后的测量数据；
所述误差校正子模块基于融合后的测量数据，进行误差校正，生成综合垂直偏差测量数据；
所述加权平均法包括数据权重分配和统计平均，所述误差校正包括数据偏差分析和修正算法应用。
7.根据权利要求1所述的智能建筑垂直偏差监测系统，其特征在于：所述环境因素集成分析模块包括环境数据收集子模块、影响因素识别子模块、多变量数据分析子模块；
所述环境数据收集子模块基于环境监测设备，采用数据采集技术收集综合垂直偏差测量数据和关联环境数据，生成环境监测数据集；
所述影响因素识别子模块基于环境监测数据集，采用统计分析方法识别出影响环境的关键因素，生成关键环境因素清单；
所述多变量数据分析子模块基于关键环境因素清单，采用主成分分析算法对环境监测数据进行多变量分析，生成环境因素影响分析报告；
所述数据采集技术包括传感器网络数据同步、数据质量评估及数据预处理，所述统计分析方法包括相关性分析和回归分析，所述主成分分析算法具体为通过方差分解提取数据的主要特征。
8.根据权利要求1所述的智能建筑垂直偏差监测系统，其特征在于：所述智能预警生成模块包括风险评估子模块、预警信息生成子模块、应对方案制定子模块；
所述风险评估子模块基于环境因素影响分析报告，采用神经网络算法进行风险评估，生成风险评估报告；
所述预警信息生成子模块基于风险评估报告，采用数据驱动的预警生成策略生成预警信息；
所述应对方案制定子模块基于预警信息，结合历史数据和案例分析，采用决策分析方法制定应对方案，生成智能预警方案；
所述神经网络算法包括前馈神经网络和反向传播训练，所述预警生成策略为基于规则的逻辑推理与模式识别，所述决策分析方法包括决策树分析和风险管理策略。
9.智能建筑垂直偏差监测方法，其特征在于，根据权利要求1-8任一项所述的智能建筑垂直偏差监测系统执行，包括以下步骤：
基于原始建筑图像，采用Sobel边缘检测算法和深度卷积神经网络进行图像增强、边缘特征提取和模式识别，生成细化边缘特征数据；
基于所述细化边缘特征数据，采用多视角几何重建和点云融合技术进行三维模型的实时更新，生成实时动态的三维建筑模型；
基于所述实时动态的三维建筑模型，采用支持向量机和线性回归分析进行模式识别、偏差预测和统计分析，生成深度垂直偏差分析报告；
基于所述深度垂直偏差分析报告，采用加权平均法整合多种传感器数据，进行数据融合和误差校正，生成综合垂直偏差测量数据；
基于所述综合垂直偏差测量数据，采用主成分分析对环境监测数据进行多变量分析，生成环境因素对偏差影响的分析报告；
基于所述环境因素对偏差影响的分析报告，采用神经网络进行风险评估和预警信息生成，生成风险评估报告；
基于所述风险评估报告，结合历史数据和案例分析，采用决策分析方法制定应对方案，生成智能预警信息及应对方案。
CN202311709831.1A 2023-12-13 2023-12-13 智能建筑垂直偏差监测系统及方法 Active CN117436033B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311709831.1A CN117436033B (zh) 2023-12-13 2023-12-13 智能建筑垂直偏差监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311709831.1A CN117436033B (zh) 2023-12-13 2023-12-13 智能建筑垂直偏差监测系统及方法

Publications (2)

Publication Number Publication Date
CN117436033A CN117436033A (zh) 2024-01-23
CN117436033B true CN117436033B (zh) 2024-02-27

Family

ID=89551756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311709831.1A Active CN117436033B (zh) 2023-12-13 2023-12-13 智能建筑垂直偏差监测系统及方法

Country Status (1)

Country Link
CN (1) CN117436033B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118721847A (zh) * 2024-09-03 2024-10-01 南通德旺电子有限公司 模具型芯偏移智能预警系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101879804B1 (ko) * 2018-02-20 2018-07-18 한진정보통신(주) Gnss/경사계를 활용한 초고층 건물의 수직도 관리 시스템
CN113514036A (zh) * 2021-04-24 2021-10-19 中国建筑第五工程局有限公司 一种超高层建筑物垂直度测控方法
CN113971768A (zh) * 2021-10-27 2022-01-25 国网安徽省电力有限公司马鞍山供电公司 一种基于无人机的输电线路违章建筑三维动态检测方法
CN116844068A (zh) * 2023-09-01 2023-10-03 山东省地质矿产勘查开发局第五地质大队（山东省第五地质矿产勘查院） 建筑测绘方法、系统、计算机设备及存储介质
CN117146707A (zh) * 2023-09-22 2023-12-01 东南大学 一种基于平整标记的建筑构件三维位姿及视觉测量方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2532948B (en) * 2014-12-02 2021-04-14 Vivo Mobile Communication Co Ltd Object Recognition in a 3D scene

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101879804B1 (ko) * 2018-02-20 2018-07-18 한진정보통신(주) Gnss/경사계를 활용한 초고층 건물의 수직도 관리 시스템
CN113514036A (zh) * 2021-04-24 2021-10-19 中国建筑第五工程局有限公司 一种超高层建筑物垂直度测控方法
CN113971768A (zh) * 2021-10-27 2022-01-25 国网安徽省电力有限公司马鞍山供电公司 一种基于无人机的输电线路违章建筑三维动态检测方法
CN116844068A (zh) * 2023-09-01 2023-10-03 山东省地质矿产勘查开发局第五地质大队（山东省第五地质矿产勘查院） 建筑测绘方法、系统、计算机设备及存储介质
CN117146707A (zh) * 2023-09-22 2023-12-01 东南大学 一种基于平整标记的建筑构件三维位姿及视觉测量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张春禄."基于偏心测量的非接触测量墩柱垂直度检测方法".《中国公路》.2023,(第8期),全文. *

Also Published As

Publication number Publication date
CN117436033A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN107273924B (zh) 基于模糊聚类分析的多数据融合的电厂故障诊断方法
CN117436033B (zh) 智能建筑垂直偏差监测系统及方法
CN116167668B (zh) 基于bim的绿色节能建筑施工质量评价方法及系统
CN117172414A (zh) 一种基于bim技术的建筑幕墙施工管理系统
CN117494905B (zh) 数字化配重平衡拱桥施工方法及系统
CN117576581B (zh) 基于图像处理的地质勘探遥感监测方法
CN117271683A (zh) 一种测绘数据的智能分析评价方法
CN114463932B (zh) 非接触式施工安全距离主动动态识别预警系统及方法
CN117874903B (zh) 融合物联网与人工智能的工程质量评估诊断方法和系统
CN106444694A (zh) 一种大数据下系统异常工况预警技术
CN117270482A (zh) 基于数字孪生的汽车工厂控制系统
CN117876381B (zh) 用于混凝土结构裂缝识别和分析的ai视觉检测方法和系统
CN118395193B (zh) 基于人工智能的边坡失稳预测方法及系统
US20230169681A1 (en) Quantitative evaluation method and system for prediction result of remote sensing inversion
CN117809297B (zh) 基于三维重建的输电线路危险源智能识别方法
CN116738192A (zh) 一种基于数字孪生的安全数据评估方法及系统
CN116989694A (zh) 基于3d轮廓扫描的尺寸定位检测系统
CN117664245A (zh) 水坝安全实时监控系统
CN118133672A (zh) 基于数据分析的基坑支护性能评估方法及系统
CN117636081A (zh) 一种中药材质量信息追溯方法及系统
CN116110210A (zh) 复杂环境下数据驱动的滑坡灾害辅助决策方法
KR102667862B1 (ko) 정보 시각화를 이용한 중전기기 모니터링 시스템 및 그 방법
CN118313173B (zh) 一种湿地规划设计优化方法及系统
CN118037703B (zh) 一种基于多源信息的隧道掌子面分区方法及相关设备
CN118570194B (zh) 一种基于三维点云的异形衬套内表面缺陷检测方法及系统

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