CN117726239B - 工程质量验收实测实量方法及系统 - Google Patents
工程质量验收实测实量方法及系统 Download PDFInfo
- Publication number
- CN117726239B CN117726239B CN202410179451.XA CN202410179451A CN117726239B CN 117726239 B CN117726239 B CN 117726239B CN 202410179451 A CN202410179451 A CN 202410179451A CN 117726239 B CN117726239 B CN 117726239B
- Authority
- CN
- China
- Prior art keywords
- building
- dimensional
- crack
- dimensional model
- acceptance
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 65
- 238000005516 engineering process Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 14
- 238000012015 optical character recognition Methods 0.000 description 19
- 238000007689 inspection Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 17
- 238000003058 natural language processing Methods 0.000 description 14
- 238000013461 design Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000009435 building construction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了工程质量验收实测实量方法及系统，属于工程质量验收技术领域包括：收集楼栋三维点云数据、设计三维模型与楼栋验收报告，建立楼栋三维模型，训练识别楼栋裂缝位置的机器学习模型并生成楼栋识别三维模型；在楼栋识别三维模型的基础上建立三维坐标系，收集裂缝三维坐标，计算裂缝面积数据并与预设的裂缝面积数据阈值对比生成裂缝调节指令与风险数量；将设计三维模型与楼栋识别三维模型进行三维匹配，识别出预设的楼栋编号；将楼栋验收报告转化为文字，获取楼栋验收报告中的楼栋编号与不合格项目数量，最后计算楼栋验收失败评估值；有效降低验收人员的验收操作难度。
Description
技术领域
本发明涉及工程质量验收技术领域，更具体地说，本发明涉及工程质量验收实测实量方法及系统。
背景技术
工程质量验收是指在工程项目完成后，对其进行全面评估和检查，以确保工程达到设计要求、符合相关标准和规范，并满足业主需求。
授权公告号CN107330634B的中国专利公开了一种工程建设监理质量验收实测实量方法及其系统，通过用户输入的项目信息，调用与之匹配的预录入的质量规范信息，具有高效、快捷、方便的特点。
申请公开号CN117292155A的中国专利公开了一种房屋建筑工程实测实量验收方法及装置，实现了基于清晰度参数对图像进行透光调节，将调节后的图像作为房屋建筑工程验收通过图像，能提高测量精准度。
授权公告号CN113919675B的中国专利公开了工程监理质量验收实测实量方法及系统通过判断模块对输入的强度测量数据进行分析，并对墙体的强度进行判定，生成判定结果，之后对检测强度进行调节，有效提高了工程验收的效率。
但上述专利未能有效降低对于大型工程质量验收的复杂程度，未能有效降低验收人员的验收操作难度。
鉴于此，本发明提出工程质量验收实测实量方法及系统以解决上述问题。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供工程质量验收实测实量方法及系统。
为实现上述目的，本发明提供如下技术方案：工程质量验收实测实量方法，包括：
收集楼栋三维点云数据、设计三维模型与楼栋验收报告；
基于楼栋三维点云数据，通过大数据建模系统建立楼栋三维模型；基于楼栋三维模型训练识别楼栋裂缝位置的机器学习模型并生成楼栋识别三维模型；
在楼栋识别三维模型的基础上建立三维坐标系，收集楼栋识别三维模型中的裂缝三维坐标；通过体素计数法基于楼栋识别三维模型计算裂缝面积数据；将裂缝面积数据与预设的裂缝面积数据阈值对比生成裂缝调节指令与风险数量；将设计三维模型与楼栋识别三维模型进行三维匹配，识别出预设的楼栋编号；
使用OCR技术将楼栋验收报告转化为可供计算机识别的文字；使用NLP技术识别OCR技术转化后的楼栋验收报告，获取楼栋验收报告中的楼栋编号与不合格项目数量；
基于风险数量FX和不合格项目数量SAFE计算楼栋验收失败评估值PG。
优选的，机器学习模型的训练过程包括：
将机器学习模型输出的含裂缝位置的楼栋三维模型标记为使用边缘检测算法标注或人工标注的方法，标注出历史的楼栋三维模型中的裂缝位置；标注后，将楼栋三维模型通过卷积神经网络提取特征值；
将所述特征值构建为数据集，所述数据集分为训练集、验证集和测试集，其中训练集占数据集的70%，验证集和测试集各占数据集的15%；
将所述训练集作为机器学习模型的输入，所述机器学习模型以识别楼栋三维模型的裂缝位置作为输出；以实时未标注的楼栋三维模型中存在的裂缝位置作为预测目标，以最小化机器学习模型损失函数值作为训练目标；当机器学习模型损失函数值小于等于预设的目标损失值时停止训练；所述机器学习模型是一种3D卷积神经网络；将机器学习模型输出的含裂缝位置的楼栋三维模型标记为楼栋识别三维模型。
优选的，建立三维坐标系的过程包括：以楼栋底平面最西南方向的点作为原点，以从原点向底平面朝北方向射出的一条射线作为x轴，以原点为起点在底平面内作出垂直于x轴方向朝东的另一条射线，将另一条射线作为y轴，以原点为起点，垂直于底平面且向上的一条射线作为z轴。
优选的，其特征在于，体素计数法的过程包括：将楼栋识别三维模型转换为体素网格，对于每个裂缝位置的体素，计算其所在连通区域的体素数量之和作为裂缝面积数据。
优选的，将大于等于裂缝面积数据阈值的裂缝数量进行计数，将计数标记为风险数量；裂缝调节指令包括：将大于等于裂缝面积数据阈值的裂缝的裂缝三维坐标保存并发送给工程施工方。
优选的，生成不合格项目数量的过程包括：为NLP设置关键词集合，关键词集合包括“不合格”文本，当识别文本出现在关键词集合中，将初始为0的计数器加一，识别完成楼栋验收报告后，将计数器的数量作为不合格项目数量。
优选的，失败评估值PG的计算过程包括，；将楼栋验收失败评估值PG与预设的评估阈值对比，将大于等于评估阈值的楼栋标记为不合格楼栋，发送给工程施工方进行整改。
工程质量验收实测实量系统，包括：
数据收集模块，用于收集楼栋三维点云数据、设计三维模型与楼栋验收报告；
第一数据处理模块，基于楼栋三维点云数据，通过大数据建模系统建立楼栋三维模型；基于楼栋三维模型训练识别楼栋裂缝位置的机器学习模型并生成楼栋识别三维模型；
第二数据处理模块，在楼栋识别三维模型的基础上建立三维坐标系，收集楼栋识别三维模型中的裂缝三维坐标；通过体素计数法基于楼栋识别三维模型计算裂缝面积数据；将裂缝面积数据与预设的裂缝面积数据阈值对比生成裂缝调节指令与风险数量；将设计三维模型与楼栋识别三维模型进行三维匹配，识别出预设的楼栋编号；
文字识别模块，使用OCR技术将楼栋验收报告转化为可供计算机识别的文字；使用NLP技术识别OCR技术转化后的楼栋验收报告，获取楼栋验收报告中的楼栋编号与不合格项目数量；
数据分析模块，基于风险数量FX和不合格项目数量SAFE计算楼栋验收失败评估值PG。
电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；所述处理器通过调用所述存储器中存储的计算机程序，执行上述的工程质量验收实测实量方法。
计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行上述的工程质量验收实测实量方法。
本发明工程质量验收实测实量方法及系统的技术效果和优点：
分析生成待验收楼栋的三维模型，并识别裂缝数量以及裂缝位置，方便工程施工方整改，并且将不同楼栋验收报告与楼栋一一对应，提高了传统验收过程的半自动化性质，设置失败评估值对楼栋整体质量进行有效评估，大大降低了验收人员的工作难度，提高验收人员的工作效率。
附图说明
图1为本发明的工程质量验收实测实量系统示意图；
图2为本发明的工程质量验收实测实量方法示意图；
图3是本申请一个实施例提供的电子设备结构示意图；
图4是本申请一个实施例提供的计算机可读存储介质结构示意图；
图5是本申请一个实施例一种无人机环绕法获取楼栋三维点云数据的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
实施例1
请参阅图2所示，本实施例所述工程质量验收实测实量方法，所述方法包括：
收集楼栋三维点云数据；
楼栋三维点云数据为安装在无人机上的三维激光扫描仪实时飞行获取；
无人机的飞行方式包括但不限于环绕法、交叠环绕法和田字法；示例性的，无人机环绕法获取楼栋三维点云数据的示意图如图5，环绕法即围绕楼栋以不同高度进行连续拍摄。
点云是指由大量离散的三维点组成的数据。在三维建模、计算机视觉与机器人等领域中，点云通常用于表示物体的形状、位置和姿态等信息；三维点云数据通常是通过三维激光扫描、摄像头捕获或者传感器采集等方式获取的；三维点云数据由一系列具有空间坐标的点组成，每个点都包含了该点的位置和可能的其他属性信息，如颜色、法线向量与反射率等。
楼栋三维点云数据反映了反映建筑物或物体的空间结构和形状，可以帮助检测建筑物或物体的缺陷和变形，例如裂缝、倾斜等。通过对楼栋三维点云数据进行分析，可以及早发现问题并采取相应的修复措施。
基于楼栋三维点云数据，通过大数据建模系统建立楼栋三维模型；所述大数据三维建模系统包括rimble SketchUp与Rhino 3D等，大数据三维建模系统广泛用于产品设计、工业设计等领域，能够建立准确和全面的空间模型。
基于楼栋三维模型训练识别楼栋裂缝的机器学习模型；
使用边缘检测算法标注或人工标注的方法，标注出历史的楼栋三维模型中的裂缝位置；
示例性的，使用Canny算法标记出裂缝位置，Canny算法过程包括：
灰度化处理楼栋三维模型；获取楼栋三维模型的二维楼栋图像；
需要说明的是，首先进行灰度化处理楼栋三维模型是因为Canny算法的核心步骤依赖于灰度值的变化和梯度；在灰度图像中，每个像素只有一个灰度值，可以准确地计算梯度。所述梯度为灰度值的变化率。而在彩色图像中，每个像素有多个通道的颜色值，无法直接计算梯度；
Canny算法之所以能够有效地标记裂缝位置，是因为利用了裂缝在二维楼栋图像上具有特殊的特征。裂缝是二维楼栋图像中灰度值变化剧烈的区域，与周围区域相对比，灰度值发生跃变，裂缝边缘处的像素灰度值会快速地从一个值跃变到另一个值；裂缝边缘处的梯度通常较大，裂缝边缘呈现明显的梯度变化。
梯度计算；在二维楼栋图像上，使用Sobel算子计算每个像素点的梯度，生成梯度图像，用于检测二维楼栋图像中的裂缝边缘；
非极大值抑制；对二维楼栋图像进行非极大值抑制，保留可能是裂缝边缘像素点的梯度局部最大值，去除梯度较小值；
双阈值处理；设置梯度高阈值和低阈值，将梯度图像分为强边缘、弱边缘和非边缘三个部分，以此区分裂缝边缘和噪声；二维楼栋图像中的裂缝边缘通常具有较大的梯度，而噪声通常具有较小的梯度；将梯度大于高阈值的像素标记为强边缘，对于梯度小于等于高阈值但大于低阈值的像素，标记为弱边缘；这些弱边缘可能是真实裂缝边缘的延伸，也可能是噪声引起的虚假裂缝边缘；梯度小于等于低阈值的像素代表二维楼栋图像中相对平坦的区域或者噪声，标记为非边缘，排除掉非边缘；高阈值和低阈值的具体值由工作人员经过Canny算法实际工程实验多次调优获得。示例性的，根据梯度图像的统计分布，选取梯度大小的前5%作为高阈值，前20%作为低阈值。
噪声指的是综合融合图像中的随机、无意义的像素点，可能是由于信号干扰或其他环境因素引起的。噪声会对图像处理任务产生负面影响，可能被错误地识别为裂缝边缘，导致不准确的结果。
边缘连接；保留强边缘像素点，将强边缘像素点与相邻的弱边缘像素点相连接，将连接后的边缘区域标记为裂缝。
将楼栋三维模型通过卷积神经网络提取特征值；
卷积神经网络（CNN）在处理三维模型数据时具有以下好处：卷积神经网络通过局部感受的方式，可以有效地捕捉三维模型中的局部特征。这对于处理三维模型中的几何形状、纹理等局部信息非常有用。卷积神经网络通过参数共享的方式，可以显著减少需要学习的参数数量。这对于处理三维模型的大规模数据是非常重要的，可以提高模型的效率和泛化能力。
卷积神经网络在处理三维模型时具有一定的空间不变性，即对于平移、旋转和缩放等空间变换具有一定的鲁棒性。这使得卷积神经网络在处理三维模型中的形状分类、目标检测等任务时表现良好。
卷积神经网络可以通过多层次的卷积和池化操作，逐渐提取三维模型中的抽象特征。这使得网络能够逐步理解三维模型的结构和语义，并在后续任务中进行更准确地分类、识别等操作。
将所述特征值构建为数据集，所述数据集分为训练集、验证集和测试集，其中训练集占数据集的70%，验证集和测试集各占数据集的15%。
将所述训练集作为机器学习模型的输入，所述机器学习模型以识别楼栋三维模型的裂缝位置作为输出；以实时未标注的楼栋三维模型中存在的裂缝位置作为预测目标，以最小化机器学习模型损失函数值作为训练目标；当机器学习模型损失函数值小于等于预设的目标损失值时停止训练。
所述机器学习模型是一种3D卷积神经网络。所述第一机器学习模型损失函数可以为均方误差（MSE）或交叉熵（CE）。
将机器学习模型输出的含裂缝位置的楼栋三维模型标记为楼栋识别三维模型。
在楼栋识别三维模型的基础上建立三维坐标系，建立三维坐标系的过程包括：以楼栋底平面最西南方向的点作为原点，以从原点向底平面朝北方向射出的一条射线作为x轴，以原点为起点在底平面内作出垂直于x轴方向朝东的另一条射线，将另一条射线作为y轴，以原点为起点，垂直于底平面且向上的一条射线作为z轴。
以最西南方向的点作为原点是因为楼栋在地图上显示通常为北方向上，使用最西南方向的点作为原点，以及规定x轴方向和y轴方向的朝向可以使得楼栋绝大部分整体都落在最符合人体视觉观感的范围内；同时，规定这种三维坐标系的建立方式，可以使得不同的楼栋造型拥有统一的坐标体系，有助于后续分析裂缝，与传统分析裂缝相比，这种方式具有更广泛的用性，以及更符合视觉观感，提升验收效率。
收集楼栋识别三维模型中的裂缝位置所对应的三维坐标。由于裂缝位置和三维坐标系已知，可直接获取。将所述三维坐标标记为裂缝三维坐标。
通过体素计数法基于楼栋识别三维模型，计算裂缝面积数据；将三维模型转换为体素网格，对于每个裂缝位置的体素，计算其所在连通区域的体素数量之和，将其作为裂缝面积数据。
示例性的，体素计数法使用连通性算法（如DFS或BFS）从裂缝位置的体素开始，递归地遍历与之相邻的体素，并将它们标记为已访问。重复该过程直到所有相邻体素都被标记为已访问。将裂缝位置的体素构成了一个连通区域标记属于同一个裂缝，将连通区域内部的体素之和作为裂缝面积数据。
将裂缝面积数据与预设的裂缝面积数据阈值对比生成裂缝调节指令与风险数量，裂缝调节指令包括将大于等于裂缝面积数据阈值的裂缝的裂缝三维坐标保存并发送给工程施工方。
将大于等于裂缝面积数据阈值的裂缝数量进行计数，标记为风险数量。
裂缝面积数据阈值根据裂缝面积数据大小对于楼栋的安全风险造成的影响设置，裂缝面积数据阈值设计得越小，识别出裂缝能力越强，有些细微裂缝可能对楼栋的安全性能影响并不大，设置裂缝面积数据阈值可以很好地保留对楼栋安全风险影响最大的裂缝，并将此裂缝的裂缝三维坐标发送给工程施工方，有利于施工方进行整改。并且特殊设置的三维坐标系，对于施工人员快速定位到裂缝位置具有很高的实用性，有利于加快工期，提高整体验收效率。
可以理解的是，工程中有若干楼栋，为每一个楼栋设置楼栋编号，第i个楼栋的楼栋编号为；
收集楼栋的设计三维模型；设计三维模型具体是由楼栋在工程竣工之前的三维设计图纸文件获取。
将设计三维模型与楼栋识别三维模型进行三维匹配；
所述三维匹配的方式为ICP三维匹配算法；所述ICP三维匹配算法是一种现有技术，在此不再赘述。ICP三维点云配准算法，主要用于将两个或多个三维模型对齐，当相似度足够高时并识别出三维模型。
通过三维匹配，可以将待验收的楼栋与设计时的楼栋/>一一对应，当楼栋过多的时候，减轻验收人员人工识别不同楼栋不同验收质量报告的负担。
收集楼栋验收报告；楼栋验收报告为专业技术人员对楼栋的专业质量评估监测报告；
使用OCR技术将楼栋验收报告转化为可供计算机识别的文字；
使用NLP技术识别OCR技术转化后的楼栋验收报告，获取楼栋验收报告对应的楼栋编号；
可以理解的是，楼栋过多时，大量的纸质楼栋验收报告堆叠在一起，要查阅其中某一栋楼栋的验收质量极其困难，通过ICP三维匹配算法、OCR技术与NLP技术结合，可以将楼栋验收报告里标注的楼栋，与实时楼栋识别三维模型对应起来，方便验收人员查阅，大大降低验收人员验收难度，解决了传统楼栋过多，寻找每一栋楼栋具体验收质量过于复杂的问题。
OCR技术可以将图像或扫描文档中的文字转化为可编辑和可搜索的文本格式，提高文档的可读性和可处理性。应用场景包括扫描文档的数字化、自动化数据输入等。
NLP技术可以对文本进行语义分析，包括情感分析、主题提取、关键词提取等，帮助理解文本的含义和内容。
所述NLP技术还获取楼栋验收报告中的不合格项目数量；
可以理解的是，楼栋验收报告中有众多关于楼栋验收安全情况的项目评价，由专业人员进行评估，将NLP设置关键词集合，关键词集合包括“不合格”等文本，当识别出文本出现在关键词集合中，将初始为0的计数器加一，识别完成楼栋验收报告后，将计数器的数量作为不合格项目数量。
基于风险数量FX和不合格项目数量SAFE计算楼栋验收失败评估值PG，；将楼栋验收失败评估值PG与预设的评估阈值对比，将大于等于评估阈值的楼栋标记为不合格楼栋，发送给工程施工方进行整改。
失败评估值PG越大代表楼栋裂缝数量越多，监测项目不合格的越多，楼栋越容易出现安全问题。
实施例1使用无人机分析生成待验收楼栋的三维模型，并识别裂缝数量以及裂缝位置，方便工程施工方整改，并且将不同楼栋验收报告与楼栋一一对应，提高了传统验收过程的半自动化性质，设置失败评估值对楼栋整体质量进行有效评估，大大降低了验收人员的工作难度，提高验收人员的工作效率。
上述方法实现的一个具体例子如下：
步骤一、收集楼栋三维点云数据、设计三维模型与楼栋验收报告
首先通过激光雷达等3D扫描设备收集楼栋的三维点云数据。这些数据包含了楼栋的详细几何形状和空间信息。同时，设计师根据实际测量得到的三维点云数据创建楼栋的三维设计模型，并收集详细的楼栋验收报告，记录楼栋的设计参数和验收标准。
步骤二、基于楼栋三维点云数据，通过大数据建模系统建立楼栋三维模型
利用大数据建模系统，将收集到的三维点云数据转换成可供计算机处理的格式，并基于这些数据构建出精确的楼栋三维模型。该系统采用高级算法处理大量数据，生成高质量的三维视图，为后续分析提供基础。
步骤三、基于楼栋三维模型训练识别楼栋裂缝位置的机器学习模型并生成楼栋识别三维模型
通过机器学习技术，训练一个专门识别楼栋中裂缝位置的模型。该模型基于楼栋的三维模型进行训练，学习楼栋结构特征和裂缝形态，以实现对裂缝位置的准确检测。训练完成后，生成一个楼栋识别三维模型，其中明确标注了裂缝的具体位置。
步骤四、在楼栋识别三维模型的基础上建立三维坐标系，收集裂缝的三维坐标信息
在楼栋识别三维模型中建立一个三维坐标系，以便精确记录每个裂缝的三维位置信息。这一步是为了确保后续分析的准确性，为计算裂缝面积和评估楼栋安全性提供重要数据支持。
步骤五、通过体素计数法基于楼栋识别三维模型计算裂缝面积数据
采用体素计数法来计算三维模型中裂缝的面积。该方法通过将三维模型划分成小的体素单元，统计包含裂缝的体素数量，从而计算出裂缝的总面积。
步骤六、将裂缝面积数据与预设的裂缝面积数据阈值对比，生成裂缝调节指令与风险数量
通过将计算出的裂缝面积数据与预设的裂缝面积阈值进行比较，可以评估楼栋的结构安全性。如果裂缝面积超过了阈值，表明楼栋存在安全隐患，需要采取措施进行修复或加固，同时计算出楼栋的风险数量。
步骤七、将设计三维模型与楼栋识别三维模型进行三维匹配，识别出预设的楼栋编号
通过三维匹配技术，可以将设计的三维模型与实际楼栋的识别三维模型进行比较，验证楼栋的实际建造情况是否与设计预期相符。这一过程能够识别出楼栋的实际编号，确保楼栋建设的准确性。
步骤八、使用OCR技术将楼栋验收报告转化为计算机可识别的文字格式
OCR技术（光学字符识别）能够将纸质的楼栋验收报告中的文字内容转换为电子文本格式，便于计算机处理和分析。这一步骤是将传统文档数字化，提高信息处理效率的关键环节。
步骤九、使用NLP技术识别OCR转化后的楼栋验收报告内容，提取楼栋编号与不合格项目数量
自然语言处理（NLP）技术对OCR转化后的文本进行深入分析，从中提取楼栋验收报告的关键信息，如楼栋编号和不合格项目的数量。这些信息对于评估楼栋验收结果和确定进一步行动计划至关重要。
步骤十、基于风险数量FX和不合格项目数量SAFE，计算楼栋验收失败评估值PG
最后，根据风险数量和不合格项目数量，计算出楼栋验收失败的评估值PG。这个评估值是衡量楼栋是否满足验收标准的重要指标，对于决定是否通过楼栋验收、是否需要采取补救措施提供了重要依据。
特别对于裂缝检测，给出一个具体实例：
基于拍摄到的视频数据，得到裂缝的灰度图+深度图；
通过深度学习检测方法，训练灰度图裂缝检测模型，获取得到裂缝矩形框；
在深度图上抠取对应深度区域，根据计算裂缝矩形框的3D点云数据；
利用主成分分析PCA算法以及平面拟合算法，根据距离值聚类得到裂缝的距离，换算成裂缝大小，判断是否可接受符合安全标准。
首先基于灰度图完成裂缝位置的检测定位，可以采用基于深度学习的卷积神经网络，例如faster r-cnn等目标检测网络，输出一张图中多个裂缝的位置信息[x1,y1,w,h]，其中x1,y1为裂缝左上角坐标，w,h为裂缝的宽和高；
得到对应的三维点云数据，数据维度为N3，N表示点云数量，3是x,y,z坐标维度；
基于深度学习完成点云的分割，输入是N3点云数据，输出是n/>3裂缝点云，n<N；
判断n3裂缝点云是否连通，如果不连通则裂缝断裂较大，如果连通则裂缝较小或正常。点云连通性的定义为：每个点与其他n-1个点的最近邻欧氏距离小于等于dis_thresh阈值，dis_thresh的设置与相机精度有关。
通过以上例子，完成了从楼栋三维数据收集到楼栋安全性评估的整个流程。这一流程涵盖了数据收集、三维建模、裂缝检测、安全性评估等多个环节，展示了现代技术在建筑行业中的应用，为确保楼栋建设质量和安全性提供了科学智能的方法。
实施例2
本实施例未详细叙述部分见实施例1描述内容，提供工程质量验收实测实量方法，所述方法还包括：裂缝调节指令包括将大于等于裂缝面积数据阈值的裂缝的裂缝三维坐标保存并发送给工程施工方，同时发送给工程施工方的还带有楼栋编号，使得工程施工方快速定位楼栋裂缝部位进行补救措施，防止裂缝过多过大导致楼栋质量失控，造成安全隐患。
实施例3
请参阅图1所示，本实施例所述工程质量验收实测实量系统，包括：数据收集模块、第一数据处理模块、第二数据处理模块、文字识别模块与数据分析模块。各个模块之间通过有线和/或无线网络方式连接。
数据收集模块，用于收集楼栋三维点云数据、设计三维模型与楼栋验收报告；
第一数据处理模块，基于楼栋三维点云数据，通过大数据建模系统建立楼栋三维模型；基于楼栋三维模型训练识别楼栋裂缝位置的机器学习模型并生成楼栋识别三维模型；
第二数据处理模块，在楼栋识别三维模型的基础上建立三维坐标系，收集楼栋识别三维模型中的裂缝三维坐标；通过体素计数法基于楼栋识别三维模型计算裂缝面积数据；将裂缝面积数据与预设的裂缝面积数据阈值对比生成裂缝调节指令与风险数量；将设计三维模型与楼栋识别三维模型进行三维匹配，识别出预设的楼栋编号；
文字识别模块，使用OCR技术将楼栋验收报告转化为可供计算机识别的文字；使用NLP技术识别OCR技术转化后的楼栋验收报告，获取楼栋验收报告中的楼栋编号与不合格项目数量；
数据分析模块，基于风险数量FX和不合格项目数量SAFE计算楼栋验收失败评估值PG。
实施例4
请参阅图3所示，根据本申请的又一方面还提供了工程质量验收实测实量方法及系统电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的工程质量验收实测实量方法及系统。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备500可包括总线501、一个或多个CPU502、只读存储器（ROM)503、随机存取存储器（RAM)504、连接到网络的通信端口505、输入/输出组件506、硬盘507等。电子设备500中的存储设备，例如ROM503或硬盘507可存储本申请提供的工程质量验收实测实量方法及系统。工程质量验收实测实量方法可例如包括：收集楼栋三维点云数据、设计三维模型与楼栋验收报告；基于楼栋三维点云数据，通过大数据建模系统建立楼栋三维模型；基于楼栋三维模型训练识别楼栋裂缝位置的机器学习模型并生成楼栋识别三维模型；在楼栋识别三维模型的基础上建立三维坐标系，收集楼栋识别三维模型中的裂缝三维坐标；通过体素计数法基于楼栋识别三维模型计算裂缝面积数据；将裂缝面积数据与预设的裂缝面积数据阈值对比生成裂缝调节指令与风险数量；将设计三维模型与楼栋识别三维模型进行三维匹配，识别出预设的楼栋编号；使用OCR技术将楼栋验收报告转化为可供计算机识别的文字；使用NLP技术识别OCR技术转化后的楼栋验收报告，获取楼栋验收报告中的楼栋编号与不合格项目数量；
基于风险数量FX和不合格项目数量SAFE计算楼栋验收失败评估值PG。进一步地，电子设备500还可包括用户界面508。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。
实施例5
请参阅图4所示，是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的工程质量验收实测实量方法及系统。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器（RAM）和高速缓冲存储器（cache）等。非易失性存储器例如可包括只读存储器（ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：收集楼栋三维点云数据、设计三维模型与楼栋验收报告；基于楼栋三维点云数据，通过大数据建模系统建立楼栋三维模型；基于楼栋三维模型训练识别楼栋裂缝位置的机器学习模型并生成楼栋识别三维模型；在楼栋识别三维模型的基础上建立三维坐标系，收集楼栋识别三维模型中的裂缝三维坐标；通过体素计数法基于楼栋识别三维模型计算裂缝面积数据；将裂缝面积数据与预设的裂缝面积数据阈值对比生成裂缝调节指令与风险数量；将设计三维模型与楼栋识别三维模型进行三维匹配，识别出预设的楼栋编号；使用OCR技术将楼栋验收报告转化为可供计算机识别的文字；使用NLP技术识别OCR技术转化后的楼栋验收报告，获取楼栋验收报告中的楼栋编号与不合格项目数量；
基于风险数量FX和不合格项目数量SAFE计算楼栋验收失败评估值PG在该计算机程序被中央处理单元（CPU）执行时，执行本申请的方法中限定的上述功能。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为工程质量验收实测实量方法及系统，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.工程质量验收实测实量方法，其特征在于，包括：
收集楼栋三维点云数据、设计三维模型与楼栋验收报告；
基于楼栋三维点云数据，通过大数据建模系统建立楼栋三维模型；基于楼栋三维模型训练识别楼栋裂缝位置的机器学习模型并生成楼栋识别三维模型；机器学习模型的训练过程包括：
将机器学习模型输出的含裂缝位置的楼栋三维模型标记为使用边缘检测算法标注或人工标注的方法，标注出历史的楼栋三维模型中的裂缝位置；标注后，将楼栋三维模型通过卷积神经网络提取特征值；
将所述特征值构建为数据集，所述数据集分为训练集、验证集和测试集，其中训练集占数据集的70%，验证集和测试集各占数据集的15%；
将所述训练集作为机器学习模型的输入，所述机器学习模型以识别楼栋三维模型的裂缝位置作为输出；以实时未标注的楼栋三维模型中存在的裂缝位置作为预测目标，以最小化机器学习模型损失函数值作为训练目标；当机器学习模型损失函数值小于等于预设的目标损失值时停止训练；所述机器学习模型是一种3D卷积神经网络；将机器学习模型输出的含裂缝位置的楼栋三维模型标记为楼栋识别三维模型；
在楼栋识别三维模型的基础上建立三维坐标系，收集楼栋识别三维模型中的裂缝三维坐标；建立三维坐标系的过程包括：以楼栋底平面最西南方向的点作为原点，以从原点向底平面朝北方向射出的一条射线作为x轴，以原点为起点在底平面内作出垂直于x轴方向朝东的另一条射线，将另一条射线作为y轴，以原点为起点，垂直于底平面且向上的一条射线作为z轴；
通过体素计数法基于楼栋识别三维模型计算裂缝面积数据；体素计数法的过程包括：将楼栋识别三维模型转换为体素网格，对于每个裂缝位置的体素，计算其所在连通区域的体素数量之和作为裂缝面积数据；将裂缝面积数据与预设的裂缝面积数据阈值对比生成裂缝调节指令；将大于等于裂缝面积数据阈值的裂缝数量进行计数，将计数标记为风险数量；将设计三维模型与楼栋识别三维模型进行三维匹配，识别出预设的楼栋编号；
使用OCR技术将楼栋验收报告转化为可供计算机识别的文字；使用NLP技术识别OCR技术转化后的楼栋验收报告，获取楼栋验收报告中的楼栋编号与不合格项目数量；
基于风险数量FX和不合格项目数量SAFE计算楼栋验收失败评估值PG；失败评估值PG的计算过程包括：PG=；
裂缝调节指令包括：将大于等于裂缝面积数据阈值的裂缝的裂缝三维坐标保存并发送给工程施工方；
生成不合格项目数量的过程包括：为NLP设置关键词集合，关键词集合包括“不合格”文本，当识别文本出现在关键词集合中，将初始为0的计数器加一，识别完成楼栋验收报告后，将计数器的数量作为不合格项目数量；
将楼栋验收失败评估值PG与预设的评估阈值对比，将大于等于评估阈值的楼栋标记为不合格楼栋，发送给工程施工方进行整改。
2.电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1所述的工程质量验收实测实量方法。
3.计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1所述的工程质量验收实测实量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410179451.XA CN117726239B (zh) | 2024-02-18 | 2024-02-18 | 工程质量验收实测实量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410179451.XA CN117726239B (zh) | 2024-02-18 | 2024-02-18 | 工程质量验收实测实量方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117726239A CN117726239A (zh) | 2024-03-19 |
| CN117726239B true CN117726239B (zh) | 2024-04-30 |
Family
ID=90207417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410179451.XA Active CN117726239B (zh) | 2024-02-18 | 2024-02-18 | 工程质量验收实测实量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726239B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108195933A (zh) * | 2017-12-16 | 2018-06-22 | 商洛学院 | 一种检测建筑外墙质量缺陷的检测系统 |
| CN115187879A (zh) * | 2022-07-05 | 2022-10-14 | 三峡大学 | 一种基于YOLOv5的楼栋检测与楼层定位方法及装置 |
| CN115564901A (zh) * | 2022-11-30 | 2023-01-03 | 四川信用通数字科技股份有限公司 | 一种构建3d建筑模型的方法及装置 |
| WO2023279695A1 (zh) * | 2021-07-06 | 2023-01-12 | 国网江苏省电力工程咨询有限公司 | 一种基于bim和点云测量的输变电工程验收方法 |
| CN116775741A (zh) * | 2023-07-05 | 2023-09-19 | 广东电网有限责任公司 | 一种工程竣工决算的审计方法及相关装置 |
| CN117114348A (zh) * | 2023-09-13 | 2023-11-24 | 北京龙睿海拓科技发展有限责任公司 | 一种煤炭建设工程数字化交付分析管理系统 |
| CN117350974A (zh) * | 2023-10-16 | 2024-01-05 | 无锡建设监理咨询有限公司 | 一种工程质量确定方法、装置、设备和介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9036861B2 (en) * | 2010-04-22 | 2015-05-19 | The University Of North Carolina At Charlotte | Method and system for remotely inspecting bridges and other structures |
| EP3596449A4 (en) * | 2017-03-14 | 2021-01-06 | University of Manitoba | DETECTION OF STRUCTURAL DEFECTS USING AUTOMATIC LEARNING ALGORITHMS |
-
2024
- 2024-02-18 CN CN202410179451.XA patent/CN117726239B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108195933A (zh) * | 2017-12-16 | 2018-06-22 | 商洛学院 | 一种检测建筑外墙质量缺陷的检测系统 |
| WO2023279695A1 (zh) * | 2021-07-06 | 2023-01-12 | 国网江苏省电力工程咨询有限公司 | 一种基于bim和点云测量的输变电工程验收方法 |
| CN115187879A (zh) * | 2022-07-05 | 2022-10-14 | 三峡大学 | 一种基于YOLOv5的楼栋检测与楼层定位方法及装置 |
| CN115564901A (zh) * | 2022-11-30 | 2023-01-03 | 四川信用通数字科技股份有限公司 | 一种构建3d建筑模型的方法及装置 |
| CN116775741A (zh) * | 2023-07-05 | 2023-09-19 | 广东电网有限责任公司 | 一种工程竣工决算的审计方法及相关装置 |
| CN117114348A (zh) * | 2023-09-13 | 2023-11-24 | 北京龙睿海拓科技发展有限责任公司 | 一种煤炭建设工程数字化交付分析管理系统 |
| CN117350974A (zh) * | 2023-10-16 | 2024-01-05 | 无锡建设监理咨询有限公司 | 一种工程质量确定方法、装置、设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 某高层框筒结构楼盖裂缝的鉴定分析;吴晓静;;福建建设科技;20171125(第06期);第39-42页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117726239A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
| CN106778586B (zh) | 离线手写签名鉴别方法及系统 | |
| CN109670441A (zh) | 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质 | |
| CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及系统 | |
| CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
| CN111144325A (zh) | 变电站电力设备的故障识别定位方法、装置及设备 | |
| CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
| CN113592886A (zh) | 建筑图纸的审图方法、装置、电子设备及介质 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
| CN114049356A (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
| CN113362276A (zh) | 板材视觉检测方法及系统 | |
| CN117953059B (zh) | 一种基于rgb-d图像的方形吊装物姿态估计方法 | |
| CN111008956B (zh) | 基于图像处理的梁底裂纹检测方法、系统、装置及介质 | |
| CN116645595A (zh) | 遥感影像建筑物屋顶轮廓识别方法、装置、设备和介质 | |
| CN112561989B (zh) | 一种建造场景下吊装对象的识别方法 | |
| CN117788790A (zh) | 面向通用场景的物料安装检测方法、系统、设备及介质 | |
| CN117726239B (zh) | 工程质量验收实测实量方法及系统 | |
| CN117037082A (zh) | 一种停车行为的识别方法及系统 | |
| CN112989998B (zh) | 物料监测方法和物料监测装置以及搅拌站 | |
| CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
| CN114092542A (zh) | 一种基于二维视觉的螺栓测量方法以及系统 | |
| Niblock et al. | Fast model-based feature matching technique applied to airport lighting | |
| CN112730427B (zh) | 一种基于机器视觉的产品表面缺陷检测方法及系统 | |
| CN115359346B (zh) | 基于街景图片的小微空间识别方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |