CN117455905B - 模块化集成建筑构件智能检测方法及系统 - Google Patents

模块化集成建筑构件智能检测方法及系统 Download PDF

Info

Publication number
CN117455905B
CN117455905B CN202311755086.4A CN202311755086A CN117455905B CN 117455905 B CN117455905 B CN 117455905B CN 202311755086 A CN202311755086 A CN 202311755086A CN 117455905 B CN117455905 B CN 117455905B
Authority
CN
China
Prior art keywords
point cloud
cloud data
target
point
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
CN202311755086.4A
Other languages
English (en)
Other versions
CN117455905A (zh
Inventor
谭毅
陈丽梅
邹亚坤
苏栋
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202311755086.4A priority Critical patent/CN117455905B/zh
Publication of CN117455905A publication Critical patent/CN117455905A/zh
Application granted granted Critical
Publication of CN117455905B publication Critical patent/CN117455905B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本公开涉及一种模块化集成建筑构件智能检测方法及系统，其中方法包括：获取预先通过三维激光雷达扫描仪扫描目标建筑结构得到的第一点云数据，所述目标建筑结构包括至少一个构件；获取目标BIM模型对应的第二点云数据，所述目标BIM模型是所述目标建筑结构对应的BIM模型；计算所述第一点云数据和所述第二点云数据之间的快速点特征直方图FPFH，以建立所述第一点云数据和所述第二点云数据之间的对应关系，然后采用基于特征匹配的快速全局点云配准算法FGR进行所述第一点云数据和所述第二点云数据的全局配准；基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果。

Description

模块化集成建筑构件智能检测方法及系统
技术领域
本公开实施例涉及建筑智能化检测技术领域，尤其涉及一种模块化集成建筑构件智能检测方法及系统。
背景技术
目前模块化集成建筑MIC（Modular Integrated Construction）技术是建筑工业化程度最高的绿色建造方式。这种建造方式打破了设计、生产、装修等环节分离的局限性，将建筑根据功能分区不同分为若干模块，在工厂内实现结构、装修、水电、设备管线、暖通、卫浴等设施的施工，最后再运送至施工现场安装成为完整建筑。从而减少现场施工工序，大大缩短施工工期。与此同时，这种建造方式对建筑构件的质量要求也比传统的高。而传统的模块化集成建筑构件质量检测主要通过人工方式如采用钢卷尺、阴阳角尺、吊线等测量仪器来完成，测量数据以纸质管理为主，对于钢筋出筋和平整度都是通过抽样检测的方式，因此目前的人工方式检测模块化集成建筑构件存在精度低、效率低、检测不全面等问题，不适用于模块化集成建筑构件的质量检测。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种模块化集成建筑构件智能检测方法及系统。
第一方面，本公开实施例提供了一种模块化集成建筑构件智能检测方法，包括：
获取预先通过三维激光雷达扫描仪扫描目标建筑结构得到的第一点云数据，所述目标建筑结构包括至少一个构件；
获取目标BIM模型对应的第二点云数据，所述目标BIM模型是所述目标建筑结构对应的BIM模型；
计算所述第一点云数据和所述第二点云数据之间的快速点特征直方图FPFH，以建立所述第一点云数据和所述第二点云数据之间的对应关系，然后采用基于特征匹配的快速全局点云配准算法FGR进行所述第一点云数据和所述第二点云数据的全局配准；
基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果；其中所述指定构件包括所述目标建筑结构中的任意一个构件。
在一个实施例中，所述获取预先通过三维激光雷达扫描目标建筑结构得到的第一点云数据，包括：
从目标文件中读取第一点云格式的点云数据，并将其自动转换为第二点云格式的点云数据；其中所述第一点云格式的点云数据来自所述三维激光雷达扫描仪；
基于指定的包围盒对所述第二点云格式的点云数据进行筛选，提取出所有箱体的点云数据，并使用体素下采样对所有箱体的点云数据进行降采样，之后使用快速欧式聚类算法将所有箱体的点云数据进行聚类以实现对点云数据的分割，从而提取每个分割的包围盒， 筛选出每个分割的包围盒内的点云数据，得到所有单个分割的包围盒内的点云数据作为第一点云数据。
在一个实施例中，该方法还包括：
将所述第一点云数据和所述第二点云数据进行网格采样，将采样后的第一点云数据和第二点云数据依次进行粗配准和精配准，计算精配准后的点云重叠率，如果点云重叠率小于预设比值，则重新进行粗配准。
在一个实施例中，所述获取目标BIM模型对应的第二点云数据，包括：
对所述目标BIM模型进行处理，从目标建模软件中按所述目标BIM模型的构件导出第一格式点云文件，并将其转换成第二格式点云文件，根据所述第二格式点云文件中的文件名称对不同构件配置唯一标签和颜色，其中不同文件名称标识不同构件，所述第二点云数据存储于所述第二格式点云文件中。
在一个实施例中，该方法还包括：
使用kd-tree树构建所述第二点云数据的索引结构，以构建KDTree搜索树；遍历所述第一点云数据中的每个点云，并利用构建的KDTree搜索树查找在预设半径范围内的最近邻点；如果找不到最近邻点，则将当前该点云的颜色设置为黑色；如果找到最近邻点，则根据所述最近邻点的标签和颜色信息来更新所述第一点云数据中对应的当前该点云的颜色以使其与所述最近邻点保持一致。
在一个实施例中，所述基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果，包括：
出筋检测：利用最小二乘法拟合基准平面，得到基准平面的法向量；然后获取所述指定构件的点云数据，对所述指定构件的点云数据过滤操作得到过滤后的点云数据；然后使用快速欧式聚类算法对所述过滤后的点云数据进行聚类得到聚类结果；基于所述聚类结果，对所述过滤后的点云数据进行分类，并计算分类后的每个点云数据指示的点云到所述基准平面的距离；根据计算的距离结果，为分类后的每个点云设置不同的颜色，以便在可视化过程中能够清晰地观察到分类和距离信息；
或者，
平面检测：利用最小二乘法得到基准平面的法向量；接着获取所述目标建筑结构中墙面点云数据以及钢筋点云数据，对所述钢筋点云数据进行网格划分，并在每个网格内进行聚类处理，并基于所述基准平面计算出每个网格的中心点和平均距离；根据平均距离的值，为每个网格内的点云分配不同的颜色；根据设定的颜色规则，将所述钢筋点云数据可视化以显示钢筋点云数据的分类和距离结果，其中在每个网格添加对应的标签标明其平均距离。
在一个实施例中，该方法还包括：
获取所述目标建筑结构对应的目标图像，将所述目标图像输入构件识别模型，以得到构件识别结果；其中，所述构件识别模型是预先基于多个不同构件的样本图像对卷积神经网络模型训练得到的；
确定所述构件识别结果中包括所述指定构件时，基于所述目标图像确定所述指定构件的第二构件质量检测结果；基于所述第一构件质量检测结果和第二构件质量检测结果综合确定最终的构件质量检测结果。
第二方面，本公开实施例提供一种模块化集成建筑构件智能检测系统，包括：
第一获取模块，用于获取预先通过三维激光雷达扫描仪扫描目标建筑结构得到的第一点云数据，所述目标建筑结构包括至少一个构件；
第二获取模块，用于获取目标BIM模型对应的第二点云数据，所述目标BIM模型是所述目标建筑结构对应的BIM模型；
数据处理模块，用于计算所述第一点云数据和所述第二点云数据之间的快速点特征直方图FPFH，以建立所述第一点云数据和所述第二点云数据之间的对应关系，然后采用基于特征匹配的快速全局点云配准算法FGR进行所述第一点云数据和所述第二点云数据的全局配准；
质量检测模块，用于基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果；其中所述指定构件包括所述目标建筑结构中的任意一个构件。
第三方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述模块化集成建筑构件智能检测方法。
第四方面，本公开实施例提供一种电子设备，包括：
处理器；以及，
存储器，用于存储计算机程序；
其中，所述处理器配置为经由执行所述计算机程序来执行上述任一实施例所述模块化集成建筑构件智能检测方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
本公开实施例提供的模块化集成建筑构件智能检测方法及系统，获取预先通过三维激光雷达扫描仪扫描目标建筑结构得到的第一点云数据，所述目标建筑结构包括至少一个构件；获取目标BIM模型对应的第二点云数据，所述目标BIM模型是所述目标建筑结构对应的BIM模型；计算所述第一点云数据和所述第二点云数据之间的快速点特征直方图FPFH，以建立所述第一点云数据和所述第二点云数据之间的对应关系，然后采用基于特征匹配的快速全局点云配准算法FGR进行所述第一点云数据和所述第二点云数据的全局配准；基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果；其中所述指定构件包括所述目标建筑结构中的任意一个构件。这样，其可以结合BIM技术和三维激光雷达扫描技术优势，实现模块化建筑构件的一体化测量，全面地反映实测实量结果，且通过上述技术方案提高了测量效率和精度，建筑构件质量检测结果更准确。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，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地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例模块化集成建筑构件智能检测方法流程图；
图2为本公开实施例扫描点云数据处理过程示意图；
图3为本公开实施例中的出筋检测结果示意图；
图4为本公开实施例模块化集成建筑构件智能检测系统示意图；
图5为本公开实施例的电子设备示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
应当理解，在下文中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
图1为本公开实施例的模块化集成建筑构件智能检测方法流程图，该模块化集成建筑构件智能检测方法可以由计算设备如计算机执行，具体可包括以下步骤：
步骤S101：获取预先通过三维激光雷达扫描仪扫描目标建筑结构得到的第一点云数据，所述目标建筑结构包括至少一个构件。
示例性的，三维激光扫描LiDAR技术能够高速获取空间点云数据，具有高效率、高精度的独特优势。通过三维激光雷达扫描仪可以预先获取目标建筑结构的第一点云数据并存储到指定文件如PTX格式文件中，使用时计算设备可以读取该文件中的第一点云数据即扫描点云数据。
步骤S102：获取目标BIM模型对应的第二点云数据，所述目标BIM模型是所述目标建筑结构对应的BIM模型。
示例性的，BIM模型包含丰富的设计几何和语义信息，能够对目标建筑物体的物理与功能特性进行数字化表达。关于BIM模型的具体建立过程以及方式可以参考现有技术理解，此处不再赘述。本实施例中基于目标建筑结构的BIM模型可以得到其中的任意一个或多个构件的点云数据即第二点云数据，也即BIM点云数据。可以理解的是，步骤S101与S102顺序可以替换，也可以并行同时进行。
步骤S103：计算所述第一点云数据和所述第二点云数据之间的快速点特征直方图FPFH，以建立所述第一点云数据和所述第二点云数据之间的对应关系，然后采用基于特征匹配的快速全局点云配准算法FGR进行所述第一点云数据和所述第二点云数据的全局配准。
示例性的，本实施例中可进行BIM点云数据和扫描点云数据的配准。具体的，加载BIM点云数据和扫描点云数据，计算源点云（扫描点云）和目标点云（BIM点云）的快速点特征直方图（FPFH，Fast Point Feature Histograms），FPFH描述符捕捉局部几何信息，提供点云特征的稳健表示。通过计算FPFH，可以建立源点云和目标点云之间的对应关系。然后采用基于特征匹配的快速全局点云配准算法（FGR，FastGlobalRegistration）进行全局配准，FGR采用一种基于特征匹配的策略，通过点云的特征进行快速匹配和对齐，通过计算匹配点对之间的刚性变换，得到源点云到目标点云的初始变换矩阵。这个过程重复进行，直到找到令人满意的变换。FGR的优势在于它的高效性和准确性。相较于传统的全局配准算法，FGR能够显著减少计算时间，同时保持较高的配准精度。
在一些实施例中，为了进一步优化配准对齐结果，具体可以使用基于点对面度量的ICP（Iterative Closest Point）算法进行迭代来实现全局配准。ICP算法通过反复调整变换来最小化源点云和目标点云中最近点之间的距离，这个迭代优化过程提高了对齐的准确性，并确保更精确的配准结果。
步骤S104：基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果；其中所述指定构件包括所述目标建筑结构中的任意一个构件。
示例性的，通过更精确的配准结果即将BIM点云数据和扫描点云数据精确配准，才能实现更精确地对比测量如墙或梁的出筋检测、平整度检测等等实现指定构件如墙或梁的质量检测。
本公开实施例的上述方案可以结合BIM技术和三维激光雷达扫描技术优势，实现模块化建筑构件的一体化测量，全面地反映实测实量结果，提高了测量效率，且通过上述具体的配准技术提高了测量精度，使得集成化建筑构件质量检测结果更准确。
在一个实施例中，步骤S101中获取预先通过三维激光雷达扫描目标建筑结构得到的第一点云数据，包括：从目标文件中读取第一点云格式的点云数据，并将其自动转换为第二点云格式的点云数据；其中所述第一点云格式的点云数据来自所述三维激光雷达扫描仪；基于指定的包围盒对所述第二点云格式的点云数据进行筛选，提取出所有箱体的点云数据，并使用体素下采样对所有箱体的点云数据进行降采样，之后使用快速欧式聚类算法将所有箱体的点云数据进行聚类以实现对点云数据的分割，从而提取每个分割的包围盒，筛选出每个分割的包围盒内的点云数据，得到所有单个分割的包围盒内的点云数据作为第一点云数据。
示例性的，目标文件可以是PTX格式文件。计算设备可从文件系统中读取PTX格式即第一点云格式的点云数据，并将其自动转换为PCD格式即第二点云格式，便于后续处理。同时，根据PTX文件的包围盒信息，提取出每个站点坐标数据的最小和最大坐标，从而定义了一个整体的包围盒即指定的包围盒。其中，站点是三维激光雷达扫描仪扫描时所规划设置的点云采样站点，可以包括一个或多个站点。使用包围盒对所有点云数据进行筛选，提取出所有箱体的点云数据，参考图2中所示。为了缩短处理时间，使用体素下采样对合并后的点云进行降采样，以减少点的数量。使用快速欧式聚类算法，用于将全部的箱体数据进行聚类。该算法通过搜索点云中的邻近点，将相邻的点分为不同的聚类团，从而实现对点云数据的分割。其中一个箱体可以对应某个构件。最后从合并后的点云提取每个分割的包围盒，筛选出包围盒内的点，生成每个分割的独立点云，得到了所有单个包围盒内的点云数据作为第一点云数据。通过上述实施方案可以实现构件扫描点云数据的自动提取与处理，提高了整体的数据处理速度。
在上述任意一个实施例的基础上，于一个实施例中，该方法还可包括以下步骤：将所述第一点云数据和所述第二点云数据进行网格采样，将采样后的第一点云数据和第二点云数据依次进行粗配准和精配准，计算精配准后的点云重叠率，如果点云重叠率小于预设比值，则重新进行粗配准。
需要说明的是，点云数据量非常庞大，对于一个箱体，点数达到数百万、数千万或更多。为了加快配准速度，本实施例中采用了“密-疏-密”的处理方法，先将源点云和目标点云进行网格采样，将采样后的点云进行粗配准和精配准，计算疏点云精配准后的重叠率，如果重叠率小于例如80%，则重新进行粗配准。其中具体可以得到配准的旋转矩阵，再将源点云根据旋转矩阵旋转到目标点云所在的位置，再进行精配准。通过这样的方式，大大缩短了配准的时间，并且保证了配准的准确性，从而使得最终的构件质量检测结果更准确。
在一个实施例中，步骤S102中获取目标BIM模型对应的第二点云数据，包括：对所述目标BIM模型进行处理，从目标建模软件中按所述目标BIM模型的构件导出第一格式点云文件，并将其转换成第二格式点云文件，根据所述第二格式点云文件中的文件名称对不同构件配置唯一标签和颜色，其中不同文件名称标识不同构件，所述第二点云数据存储于所述第二格式点云文件中。
示例性的，对BIM模型进行处理，从目标建模软件如Revit中按构件导出OBJ格式点云文件即第一格式点云文件，转成txt格式（x, y, z）点云文件即第二格式点云文件，根据文件名称对不同构件赋予标签lable和颜色。例如定义标签：l=5，代表该点云是天花板ceiling；l=4，代表该点云是墙wall；l=3，代表该点云是地板floor；l=2，代表该点云是钢筋rebar；l=1，代表该点云是梁beam。从txt格式（x, y, z）点云文件中即可读取第二点云数据。
在上述实施例的基础上，于一个实施例中，该方法还可进一步包括：使用kd-tree树构建所述第二点云数据的索引结构，以构建KDTree搜索树；遍历所述第一点云数据中的每个点云，并利用构建的KDTree搜索树查找在预设半径范围内的最近邻点；如果找不到最近邻点，则将当前该点云的颜色设置为黑色；如果找到最近邻点，则根据所述最近邻点的标签和颜色信息来更新所述第一点云数据中对应的当前该点云的颜色以使其与所述最近邻点保持一致。
本实施例中可以进行自动语义分割，使用KDTree搜索树构建了BIM点云数据的索引结构，以便能够高效地搜索最近邻点。遍历扫描点云数据中的每个点，并利用构建的KDTree搜索树查找在一定半径范围内的最近邻点。如果找不到最近邻点，则将该点的颜色设置为黑色，表示该点在BIM点云中没有对应的匹配点。如果找到最近邻点，则根据最近邻点的标签和颜色信息来更新扫描点云中对应点的颜色，以使其与最近邻点保持一致。这样可以在点云数据精确配准之后，便于准确地区分识别不同的构件，方便后续的构件质量测量，提升构件质量测量结果准确性。
在一个实施例中，步骤S104中基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果，具体可以包括但不限于出筋检测或者平面检测。
作为示例，出筋检测：利用最小二乘法拟合基准平面，得到基准平面的法向量；然后获取所述指定构件如墙的点云数据，对所述指定构件的点云数据过滤操作得到过滤后的点云数据；然后使用快速欧式聚类算法对所述过滤后的点云数据进行聚类得到聚类结果；基于所述聚类结果，对所述过滤后的点云数据进行分类，并计算分类后的每个点云数据指示的点云到所述基准平面的距离；根据计算的距离结果，为分类后的每个点云设置不同的颜色，以便在可视化过程中能够清晰地观察到分类和距离信息，其检测结果如图3所示。
其中，具体可以设置距离阈值，利用删除距离小于距离阈值的点的函数，对上述点云数据进行过滤操作，得到了过滤后的点云数据，当然并不限于此。
平面检测：利用最小二乘法得到基准平面的法向量；接着获取所述目标建筑结构中墙面点云数据以及钢筋点云数据，对所述钢筋点云数据进行网格划分，并在每个网格内进行聚类处理，并基于所述基准平面计算出每个网格的中心点和平均距离；根据平均距离的值，为每个网格内的点云分配不同的颜色；根据设定的颜色规则，将所述钢筋点云数据可视化以显示钢筋点云数据的分类和距离结果，其中在每个网格添加对应的标签标明其平均距离。
在一些实施例中，也可将处理后的点云数据保存到指定文件中，并显示点云数据如钢筋点云数据的分类和距离结果。
在上述任意一个实施例的基础上，于一个实施例中，该方法还可包括以下步骤：获取所述目标建筑结构对应的目标图像，将所述目标图像输入构件识别模型，以得到构件识别结果；其中，所述构件识别模型是预先基于多个不同构件的样本图像对卷积神经网络模型训练得到的；确定所述构件识别结果中包括所述指定构件时，基于所述目标图像确定所述指定构件的第二构件质量检测结果；基于所述第一构件质量检测结果和第二构件质量检测结果综合确定最终的构件质量检测结果。
需要说明的是，基于建筑物现场的图像确定构件质量检测结果时，采集的大量图像是否准确包含指定构件是需要准确识别的，否则会影响最终的构件质量检测结果，如未包含指定构件则会导致重新检测，检测整体效率低，以及检测结果错误或者准确性差等。为此，本实施例中通过预先训练的模型准确识别目标建筑结构中包含指定构件时，基于目标图像确定指定构件的第二构件质量检测结果，最后基于第一构件质量检测结果和第二构件质量检测结果综合确定最终的构件质量检测结果。
其中，作为示例，目标图像可包含指定构件至少两个不同角度的图像，然后基于该目标图像进行图形处理计算可以确定指定构件的参数如尺寸大小等，与标准尺寸大小对比即可确定第二构件质量检测结果，然后与第一构件质量检测结果综合融合来确定最终的构件质量检测结果。其中关于图像的图形处理计算可以参考各种现有算法，此处不再赘述。如此显而易见可知，本实施例中的上述方案可以进一步提高构件质量检测结果的准确性，同时可以提高检测的整体效率。
在一个实施例中，构件识别模型的训练过程包括：构造所述卷积神经网络模型的指定损失函数，将样本图像以及对应的标签值输入所述卷积神经网络模型以输出对应的预测值，基于所述预测值对所述卷积神经网络模型进行迭代更新直至所述指定损失函数的损失值满足预设条件如损失值小于预设值时结束训练；其中，所述指定损失函数包括第一损失函数和第二损失函数；所述第一损失函数表征所述样本图像对应的标签值与所述卷积神经网络模型对应输出的预测值之间的差值；所述第二损失函数表征输入所述卷积神经网络模型的样本图像对应的预测值偏离标签值的程度大小。
本公开实施例中通过第一损失函数和第二损失函数构建特定的指定损失函数，其可以从不同角度体现构件识别模型的训练过程中对样本图像识别结果的准确性影响程度，从该不同角度同时约束训练，据此方式更新训练卷积神经网络模型参数直至指定损失函数的损失值满足预设条件时结束训练，此时得到的构件识别模型可以更为准确识别确定样本图像对应的构件类型。因此基于上述参数数据构建目标损失函数进行训练，其采用的上述训练方式预先训练得到的构件识别模型识别确定目标图像对应的构件类型时可以得到较为准确的识别结果，这样当确定识别结果中包括指定构件时，基于目标图像确定指定构件的第二构件质量检测结果，最后基于第一构件质量检测结果和第二构件质量检测结果综合确定最终的构件质量检测结果。如此可避免构件类别识别错误导致的最终的检测结果准确性降低的问题，同时可避免基于算法得到的单一构件质量检测结果的误差或可靠性差的问题，整体上可更进一步提高构件质量检测结果的准确性。
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。另外，也易于理解的是，这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
如图4所示，本公开实施例提供一种模块化集成建筑构件智能检测系统，包括：
第一获取模块401，用于获取预先通过三维激光雷达扫描仪扫描目标建筑结构得到的第一点云数据，所述目标建筑结构包括至少一个构件；
第二获取模块402，用于获取目标BIM模型对应的第二点云数据，所述目标BIM模型是所述目标建筑结构对应的BIM模型；
数据处理模块403，用于计算所述第一点云数据和所述第二点云数据之间的快速点特征直方图FPFH，以建立所述第一点云数据和所述第二点云数据之间的对应关系，然后采用基于特征匹配的快速全局点云配准算法FGR进行所述第一点云数据和所述第二点云数据的全局配准；
质量检测模块404，用于基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果；其中所述指定构件包括所述目标建筑结构中的任意一个构件。
在一个实施例中，所述第一获取模块获取预先通过三维激光雷达扫描目标建筑结构得到的第一点云数据，包括：从目标文件中读取第一点云格式的点云数据，并将其自动转换为第二点云格式的点云数据；其中所述第一点云格式的点云数据来自所述三维激光雷达扫描仪；基于指定的包围盒对所述第二点云格式的点云数据进行筛选，提取出所有箱体的点云数据，并使用体素下采样对所有箱体的点云数据进行降采样，之后使用快速欧式聚类算法将所有箱体的点云数据进行聚类以实现对点云数据的分割，从而提取每个分割的包围盒， 筛选出每个分割的包围盒内的点云数据，得到所有单个分割的包围盒内的点云数据作为第一点云数据。
在一个实施例中，该数据处理模块还可用于：将所述第一点云数据和所述第二点云数据进行网格采样，将采样后的第一点云数据和第二点云数据依次进行粗配准和精配准，计算精配准后的点云重叠率，如果点云重叠率小于预设比值，则重新进行粗配准。
在一个实施例中，所述第二获取模块获取目标BIM模型对应的第二点云数据，包括：对所述目标BIM模型进行处理，从目标建模软件中按所述目标BIM模型的构件导出第一格式点云文件，并将其转换成第二格式点云文件，根据所述第二格式点云文件中的文件名称对不同构件配置唯一标签和颜色，其中不同文件名称标识不同构件，所述第二点云数据存储于所述第二格式点云文件中。
在一个实施例中，该数据处理模块还可用于：使用kd-tree树构建所述第二点云数据的索引结构，以构建KDTree搜索树；遍历所述第一点云数据中的每个点云，并利用构建的KDTree搜索树查找在预设半径范围内的最近邻点；如果找不到最近邻点，则将当前该点云的颜色设置为黑色；如果找到最近邻点，则根据所述最近邻点的标签和颜色信息来更新所述第一点云数据中对应的当前该点云的颜色以使其与所述最近邻点保持一致。
在一个实施例中，所述质量检测模块基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果，包括：出筋检测：利用最小二乘法拟合基准平面，得到基准平面的法向量；然后获取所述指定构件的点云数据，对所述指定构件的点云数据过滤操作得到过滤后的点云数据；然后使用快速欧式聚类算法对所述过滤后的点云数据进行聚类得到聚类结果；基于所述聚类结果，对所述过滤后的点云数据进行分类，并计算分类后的每个点云数据指示的点云到所述基准平面的距离；根据计算的距离结果，为分类后的每个点云设置不同的颜色，以便在可视化过程中能够清晰地观察到分类和距离信息；或者，平面检测：利用最小二乘法得到基准平面的法向量；接着获取所述目标建筑结构中墙面点云数据以及钢筋点云数据，对所述钢筋点云数据进行网格划分，并在每个网格内进行聚类处理，并基于所述基准平面计算出每个网格的中心点和平均距离；根据平均距离的值，为每个网格内的点云分配不同的颜色；根据设定的颜色规则，将所述钢筋点云数据可视化以显示钢筋点云数据的分类和距离结果，其中在每个网格添加对应的标签标明其平均距离。
在一个实施例中，该系统还可包括识别模块，用于：获取所述目标建筑结构对应的目标图像，将所述目标图像输入构件识别模型，以得到构件识别结果；其中，所述构件识别模型是预先基于多个不同构件的样本图像对卷积神经网络模型训练得到的；
质量检测模块，还用于确定所述构件识别结果中包括所述指定构件时，基于所述目标图像确定所述指定构件的第二构件质量检测结果；基于所述第一构件质量检测结果和第二构件质量检测结果综合确定最终的构件质量检测结果。
在一个实施例中，构件识别模型的训练过程包括：构造所述卷积神经网络模型的指定损失函数，将样本图像以及对应的标签值输入所述卷积神经网络模型以输出对应的预测值，基于所述预测值对所述卷积神经网络模型进行迭代更新直至所述指定损失函数的损失值满足预设条件如损失值小于预设值时结束训练；其中，所述指定损失函数包括第一损失函数和第二损失函数；所述第一损失函数表征所述样本图像对应的标签值与所述卷积神经网络模型对应输出的预测值之间的差值；所述第二损失函数表征输入所述卷积神经网络模型的样本图像对应的预测值偏离标签值的程度大小。
关于上述实施例中的系统，其中各个模块执行操作的具体方式以及带来的相应技术效果已经在有关该方法的实施例中进行了对应的详细描述，此处将不做详细阐述说明。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项实施例所述模块化集成建筑构件智能检测方法。
示例性的，该可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
本公开实施例还提供一种电子设备，包括处理器以及存储器，存储器用于存储计算机程序。其中，所述处理器配置为经由执行所述计算机程序来执行上述任一项实施例中模块化集成建筑构件智能检测方法。
下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件（包括存储单元620和处理单元610）的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示方法的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元（ROM）6203。
所述存储单元620还可以包括具有一组（至少一个）程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本公开实施方式的上述各实施例的方法步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种模块化集成建筑构件智能检测方法，其特征在于，包括：
获取预先通过三维激光雷达扫描仪扫描目标建筑结构得到的第一点云数据，所述目标建筑结构包括至少一个构件；
获取目标BIM模型对应的第二点云数据，所述目标BIM模型是所述目标建筑结构对应的BIM模型；
计算所述第一点云数据和所述第二点云数据之间的快速点特征直方图FPFH，以建立所述第一点云数据和所述第二点云数据之间的对应关系，然后采用基于特征匹配的快速全局点云配准算法FGR进行所述第一点云数据和所述第二点云数据的全局配准；
将所述第一点云数据和所述第二点云数据进行网格采样，将采样后的第一点云数据和第二点云数据依次进行粗配准和精配准，计算精配准后的点云重叠率，如果点云重叠率小于预设比值，则重新进行粗配准；
基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果；其中所述指定构件包括所述目标建筑结构中的任意一个构件；
其中，所述获取预先通过三维激光雷达扫描目标建筑结构得到的第一点云数据，包括：
从目标文件中读取第一点云格式的点云数据，并将其自动转换为第二点云格式的点云数据；其中所述第一点云格式的点云数据来自所述三维激光雷达扫描仪；
基于指定的包围盒对所述第二点云格式的点云数据进行筛选，提取出所有箱体的点云数据，并使用体素下采样对所有箱体的点云数据进行降采样，之后使用快速欧式聚类算法将所有箱体的点云数据进行聚类以实现对点云数据的分割，从而提取每个分割的包围盒，筛选出每个分割的包围盒内的点云数据，得到所有单个分割的包围盒内的点云数据作为第一点云数据；
所述基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果，包括：
出筋检测：利用最小二乘法拟合基准平面，得到基准平面的法向量；然后获取所述指定构件的点云数据，对所述指定构件的点云数据过滤操作得到过滤后的点云数据；然后使用快速欧式聚类算法对所述过滤后的点云数据进行聚类得到聚类结果；基于所述聚类结果，对所述过滤后的点云数据进行分类，并计算分类后的每个点云数据指示的点云到所述基准平面的距离；根据计算的距离结果，为分类后的每个点云设置不同的颜色，以便在可视化过程中能够清晰地观察到分类和距离信息；
或者，
平面检测：利用最小二乘法得到基准平面的法向量；接着获取所述目标建筑结构中墙面点云数据以及钢筋点云数据，对所述钢筋点云数据进行网格划分，并在每个网格内进行聚类处理，并基于所述基准平面计算出每个网格的中心点和平均距离；根据平均距离的值，为每个网格内的点云分配不同的颜色；根据设定的颜色规则，将所述钢筋点云数据可视化以显示钢筋点云数据的分类和距离结果，其中在每个网格添加对应的标签标明其平均距离。
2.根据权利要求1所述的方法，其特征在于，所述获取目标BIM模型对应的第二点云数据，包括：
对所述目标BIM模型进行处理，从目标建模软件中按所述目标BIM模型的构件导出第一格式点云文件，并将其转换成第二格式点云文件，根据所述第二格式点云文件中的文件名称对不同构件配置唯一标签和颜色，其中不同文件名称标识不同构件，所述第二点云数据存储于所述第二格式点云文件中。
3.根据权利要求2所述的方法，其特征在于，该方法还包括：
使用kd-tree树构建所述第二点云数据的索引结构，以构建KDTree搜索树；遍历所述第一点云数据中的每个点云，并利用构建的KDTree搜索树查找在预设半径范围内的最近邻点；如果找不到最近邻点，则将当前该点云的颜色设置为黑色；如果找到最近邻点，则根据所述最近邻点的标签和颜色信息来更新所述第一点云数据中对应的当前该点云的颜色以使其与所述最近邻点保持一致。
4.根据权利要求1所述的方法，其特征在于，该方法还包括：
获取所述目标建筑结构对应的目标图像，将所述目标图像输入构件识别模型，以得到构件识别结果；其中，所述构件识别模型是预先基于多个不同构件的样本图像对卷积神经网络模型训练得到的；
确定所述构件识别结果中包括所述指定构件时，基于所述目标图像确定所述指定构件的第二构件质量检测结果；基于所述第一构件质量检测结果和第二构件质量检测结果综合确定最终的构件质量检测结果。
5.一种模块化集成建筑构件智能检测系统，其特征在于，包括：
第一获取模块，用于获取预先通过三维激光雷达扫描仪扫描目标建筑结构得到的第一点云数据，所述目标建筑结构包括至少一个构件；
第二获取模块，用于获取目标BIM模型对应的第二点云数据，所述目标BIM模型是所述目标建筑结构对应的BIM模型；
数据处理模块，用于计算所述第一点云数据和所述第二点云数据之间的快速点特征直方图FPFH，以建立所述第一点云数据和所述第二点云数据之间的对应关系，然后采用基于特征匹配的快速全局点云配准算法FGR进行所述第一点云数据和所述第二点云数据的全局配准；
所述数据处理模块，还用于将所述第一点云数据和所述第二点云数据进行网格采样，将采样后的第一点云数据和第二点云数据依次进行粗配准和精配准，计算精配准后的点云重叠率，如果点云重叠率小于预设比值，则重新进行粗配准；
质量检测模块，用于基于配准之后的第一点云数据和第二点云数据进行指定构件的质量检测得到第一构件质量检测结果；其中所述指定构件包括所述目标建筑结构中的任意一个构件；
其中，所述第一获取模块，具体用于：从目标文件中读取第一点云格式的点云数据，并将其自动转换为第二点云格式的点云数据；其中所述第一点云格式的点云数据来自所述三维激光雷达扫描仪；基于指定的包围盒对所述第二点云格式的点云数据进行筛选，提取出所有箱体的点云数据，并使用体素下采样对所有箱体的点云数据进行降采样，之后使用快速欧式聚类算法将所有箱体的点云数据进行聚类以实现对点云数据的分割，从而提取每个分割的包围盒，筛选出每个分割的包围盒内的点云数据，得到所有单个分割的包围盒内的点云数据作为第一点云数据；
所述质量检测模块，具体用于得到第一构件质量检测结果，包括：
出筋检测：利用最小二乘法拟合基准平面，得到基准平面的法向量；然后获取所述指定构件的点云数据，对所述指定构件的点云数据过滤操作得到过滤后的点云数据；然后使用快速欧式聚类算法对所述过滤后的点云数据进行聚类得到聚类结果；基于所述聚类结果，对所述过滤后的点云数据进行分类，并计算分类后的每个点云数据指示的点云到所述基准平面的距离；根据计算的距离结果，为分类后的每个点云设置不同的颜色，以便在可视化过程中能够清晰地观察到分类和距离信息；
或者，
平面检测：利用最小二乘法得到基准平面的法向量；接着获取所述目标建筑结构中墙面点云数据以及钢筋点云数据，对所述钢筋点云数据进行网格划分，并在每个网格内进行聚类处理，并基于所述基准平面计算出每个网格的中心点和平均距离；根据平均距离的值，为每个网格内的点云分配不同的颜色；根据设定的颜色规则，将所述钢筋点云数据可视化以显示钢筋点云数据的分类和距离结果，其中在每个网格添加对应的标签标明其平均距离。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1~4任一项所述模块化集成建筑构件智能检测方法。
7.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储计算机程序；
其中，所述处理器配置为经由执行所述计算机程序来执行权利要求1~4任一项所述模块化集成建筑构件智能检测方法。
CN202311755086.4A 2023-12-20 2023-12-20 模块化集成建筑构件智能检测方法及系统 Active CN117455905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311755086.4A CN117455905B (zh) 2023-12-20 2023-12-20 模块化集成建筑构件智能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311755086.4A CN117455905B (zh) 2023-12-20 2023-12-20 模块化集成建筑构件智能检测方法及系统

Publications (2)

Publication Number Publication Date
CN117455905A CN117455905A (zh) 2024-01-26
CN117455905B true CN117455905B (zh) 2024-03-22

Family

ID=89591206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311755086.4A Active CN117455905B (zh) 2023-12-20 2023-12-20 模块化集成建筑构件智能检测方法及系统

Country Status (1)

Country Link
CN (1) CN117455905B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118196104A (zh) * 2024-05-17 2024-06-14 深圳大学 钢构件质量智能检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288786A (zh) * 2019-12-06 2021-01-29 广州柏视医疗科技有限公司 电子装置及非暂态计算机可读存储介质
CN114549780A (zh) * 2022-01-27 2022-05-27 重庆大学 一种基于点云数据的大型复杂构件智能化检测方法
CN115018249A (zh) * 2022-04-26 2022-09-06 南通大学 一种基于激光扫描技术的地铁站施工质量评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4137981A1 (de) * 2021-08-18 2023-02-22 Siemens Schweiz AG Generierung eines gebäudeinformationsmodells

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112288786A (zh) * 2019-12-06 2021-01-29 广州柏视医疗科技有限公司 电子装置及非暂态计算机可读存储介质
CN114549780A (zh) * 2022-01-27 2022-05-27 重庆大学 一种基于点云数据的大型复杂构件智能化检测方法
CN115018249A (zh) * 2022-04-26 2022-09-06 南通大学 一种基于激光扫描技术的地铁站施工质量评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Fast geometric point labeling using conditional random fields;Rusu R B et al;Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems;20091231;第7-12页 *
Geometric Quality Assessment of Prefabricated Steel Box Girder Components Using 3D Laser Scanning and Building Information Model;Tan, Yi et al;《REMOTE SENSING》;20230228;第15卷(第3期);第1-22页 *
基于快速点特征直方图的特征点云迭代插值配准算法;陆军 等;国防科技大学学报;20141228(第6期);第15-20页 *

Also Published As

Publication number Publication date
CN117455905A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN109147038B (zh) 基于三维点云处理的管道三维建模方法
US10740606B2 (en) Method for assigning particular classes of interest within measurement data
Czerniawski et al. Pipe spool recognition in cluttered point clouds using a curvature-based shape descriptor
Pătrăucean et al. State of research in automatic as-built modelling
Xiong et al. A graph edit dictionary for correcting errors in roof topology graphs reconstructed from point clouds
Tang et al. Automatic reconstruction of as-built building information models from laser-scanned point clouds: A review of related techniques
CN117455905B (zh) 模块化集成建筑构件智能检测方法及系统
Cho et al. Development of image processing for crack detection on concrete structures through terrestrial laser scanning associated with the octree structure
Michailidis et al. Bayesian graph-cut optimization for wall surfaces reconstruction in indoor environments
Previtali et al. A flexible methodology for outdoor/indoor building reconstruction from occluded point clouds
Poux et al. Unsupervised segmentation of indoor 3D point cloud: Application to object-based classification
Jung et al. Implicit regularization for reconstructing 3D building rooftop models using airborne LiDAR data
CN114926699B (zh) 一种室内三维点云语义分类方法、装置、介质及终端
Park et al. Point cloud information modeling: Deep learning–based automated information modeling framework for point cloud data
Bassier et al. Comparison of 2D and 3D wall reconstruction algorithms from point cloud data for as-built BIM.
Oskouie et al. Automated recognition of building façades for creation of As-Is Mock-Up 3D models
Qiu et al. An adaptive down-sampling method of laser scan data for scan-to-BIM
Jung et al. A line-based progressive refinement of 3D rooftop models using airborne LiDAR data with single view imagery
Niemeyer et al. Contextual classification of point clouds using a two-stage CRF
Chuang et al. Change component identification of BIM models for facility management based on time-variant BIMs or point clouds
Mirzaei et al. End-to-end point cloud-based segmentation of building members for automating dimensional quality control
CN114048535B (zh) 构建地图时在cad墙图层中生成门窗的系统及其方法
Zeng et al. Integrating as-built BIM model from point cloud data in construction projects
CN115656991A (zh) 车辆外参标定方法、装置、设备以及存储介质
Wang et al. Automatic registration framework for multi-platform point cloud data in natural forests

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