CN117788722A - 一种基于bim的地下空间的安全数据监测系统 - Google Patents
一种基于bim的地下空间的安全数据监测系统 Download PDFInfo
- Publication number
- CN117788722A CN117788722A CN202410213464.4A CN202410213464A CN117788722A CN 117788722 A CN117788722 A CN 117788722A CN 202410213464 A CN202410213464 A CN 202410213464A CN 117788722 A CN117788722 A CN 117788722A
- Authority
- CN
- China
- Prior art keywords
- image
- attention
- images
- module
- value
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 231100000279 safety data Toxicity 0.000 title claims description 15
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 7
- 238000003780 insertion Methods 0.000 claims description 7
- 230000037431 insertion Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于BIM的地下空间的安全数据监测系统,涉及BIM技术领域,包括:第一图像模块,用于获取每个图像对应比例下的多个不同平面的下采样图像,并将图像中的不同部分,作为对应平面的比较图像;多尺度注意力模块,是用于对不同尺度下的三维BIM图像进行下采样,提取特征点,将特征点进行叠加得到特征图;多尺度注意力模块包括注意力残差模块和多尺度映射模块;注意力残差模块用于提取特征图中的注意力特征,注意力特征包括通道注意力和空间注意力;能够实现图像旋转时图像加载的效率,提高了图像的准确性,保证了施工的准确性。
Description
技术领域
本发明涉及BIM技术领域,尤其涉及一种基于BIM的地下空间的安全数据监测系统。
背景技术
现有技术中,通过三维建模软件来构建地下空间的三维模型,根据每个点的高程数据进行拉伸得到三维图像,为了便于计算,三维建模软件的控制点都在同一个图层上,每次加载过程都是由远景到近景的加载过程,在这个过程中,是由一个比例调整为另一个比例,当前比例下显示的图像数据仅仅是可以在当前比例下清晰可见的数据,当进行比例调整时,图像进行了比例放大;实际显示时每个比例下的图像多是不同图层上的景物的叠加,现有技术中将多个图像根据图像熵的形式组合,从而增加图像的显示情况。
但该方法实现过程中,如果被放大的图像不存在多个图层块重叠的情况时,图像细节可能被忽略,在图像进行旋转观测时,图像熵会因为旋转造成的图像分布改变,造成卡顿现象,因此提供一种基于BIM的地下空间的安全数据监测系统。
发明内容
本申请实施例通过提供一种基于BIM的地下空间的安全数据监测系统,解决了现有技术中图像因为旋转造成的图像细节丢失的问题;
本申请实施例提供了一种基于BIM的地下空间的安全数据监测系统,包括:
第一图像模块,用于获取每个图像对应比例下的多个不同平面的下采样图像,并将图像中的不同部分,作为对应平面的比较图像;
多尺度注意力模块,是用于对不同尺度下的三维BIM图像进行下采样,提取特征点,将特征点进行叠加得到特征图;
多尺度注意力模块包括注意力残差模块和多尺度映射模块;
注意力残差模块用于提取特征图中的注意力特征,注意力特征包括通道注意力和空间注意力;
通过对不同平面提取的注意力特征进行差分,得到注意力残差图像,将每个注意力残差图像进行叠加,得到插入图像;对插入图像进行差分,将局部和整体的差分图像进行连接;根据通道注意力,将每个相同尺寸下相邻的插入图像进行差分,得到整体的差分图像;
将每个局部的差分图像中小于整体差分图像的特征点叠加到整体的差分图像,得到第一特征图;
多尺度映射模块提取的图像为每个平面下的下采样图像作为初始图像,对每个初始图像进行下采样特征融合,输出第二特征图;将每个尺寸相同且为临近平面的第一特征图和第二特征图进行叠加得到对应叠加后的特征叠加图;
第一损失模块用于根据每个下采样图像对应的信息熵,构建信息熵变化曲线,并得到熵变化曲线的极值点,根据极值点最近的下采样图像和对应的特征叠加图进行计算下采样图像的损失率;并且根据下采样图像的熵值与其对应的特征叠加图中最大的像素值区域,获取对应下采样图像的轮廓损失率。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、通过对三维图像基于多尺度注意力进行区分,得到注意力残差图像,将每个注意力图像进行插入后进行差分,得到差分图像,使得叠加后图像隐藏特征更加明显,较少了图像轮廓的损失。
2、对每个第一特征图和第二特征图计算轮廓损失率和下采样图像损失率,使得图像的损失可以得到精准调控,进一步减少实施图像加载时更加清晰,准确;
3、通过在图像旋转时对第一聚类中心和第二聚类中心的迭代处理,输出目标图像最大的聚类中心,使得图像在旋转时主要的特征可以快速显示,并且使得图像建模更适合观察,保证了图像的显示效果,提高了施工的精准性。
附图说明
图1为本发明的实施例一的系统示意图;
图2为本发明的实施例二的系统示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本申请进行更全面的描述;附图中给出了本发明的较佳实施方式,但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式;相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
在本申请的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本申请。此外,本申请可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
实施例一
如图1所示,为本发明的实施例一的系统示意图;
在本实施例中,对地下空间进行三维建模,由于三维建模的图像数据大,经常需要一定时间进行加载,而且地下空间阻挡物相较于地面较多,在建模显示中经常出现阻挡物,此时需要对多角度的图像进行组合,从而得到便于管理人员监管的三维模型;
本实施例中,一种基于BIM的地下空间的安全数据监测系统,包括:第一图像模块、多尺度注意力模块、第一损失模块;
第一图像模块用于获取每个图像对应比例下的多个不同平面的下采样图像,并将图像中的不同部分,作为对应平面的比较图像,使得叠加的图像可以显示更多的细节。
具体的,由于三维BIM图像数据相对图像数据非常大,在获取地下空间的建筑模型时,首先会获取主要的点坐标位置,在根据每个点坐标的对应的建筑结构信息拉伸出其他点, 生成具体轮廓后再将细节信息显示出来;由于地下空间情况复杂,在建模观测时容易忽略建筑细节;例如,对于地下建筑来说,在三维BIM图像中,一个建筑可能包含多种信息,但是在同一视觉位置下很难发现,此时调整平面位置就能显示建筑细节;每个平面都是独立的,远距离观看多个平面特征是组合起来的,但是无法清晰显示特征,近距离看单个平面可以展示当前平面的特征,多个平面组合就能知道当前物品的特征情况;
多尺度注意力模块,是用于不同尺度下的图像,对三维BIM图像进行下采样,得到多个尺度的图像,并对图像加强,提取特征点,并根据每个特征点进行叠加得到特征图;
在对多个尺度的图像根据注意力特征进行调整时,注意力特征一般指的是图像中较为重要的像素点,如果尺度图像内拥有多个注意力特征,那么这个尺度图像就会出现一部分细节的情况。多尺度图像是提取一个图像内多个大小不同、清晰度不同的图像,将多个图像的注意力特征进行叠加,可以使得图像填充特征更加明显,更容易识别图像,进而可以根据图像填充情况去确定图像边缘部分的损失率情况;
在本实施例中,多尺度注意力模块包括注意力残差模块和多尺度映射模块,通过使用双注意力的方式来提高补充注意力特征,使用卷积块与多尺度映射,获取不同尺寸特征映射,并且将不同尺寸映射进行组合,卷积核采用11×11,7×7,5×5,3×3,1×1的形式;将不同的卷积核进行组合后得到的特征进行融合,从而提高不同卷积的形成方式;
具体的,注意力残差模块是获取特征图中的注意力特征,通过对不同平面提取的注意力特征进行差分,得到注意力残差图像,将每个注意力残差图像进行叠加,得到插入图像;然后注意力残差模块进行两次全连接,第一次全连接神经元个数小于第二次全连接神经元个数,第二次全连接神经元个数和输入特征图相同。
在完成两次全连接后,获得了每一个通道的权值(0-1之间);在获得这个权值后,我们将这个权值乘上原输入特征图即可;
将每个注意力残差图像进行叠加,具体包括,图像预处理时,将图像根据像素点的值进行左右位移,依次使用图像的隐藏特征来调整图像的细节显示;将像素点值为0-127的像素点向像素点为127的位置右移,将像素点值为128-255向像素点为128的位置进行右移,去除像素点个数为0的像素点值,循环移动,直到完成左右位移;完成移动后,将最小像素点个数的值与临近的像素点值进行合并;
此时根据每个注意力残差图像的像素值进行插值,每次插值数为 1或3,插值范围根据特征点左右两侧像素点个数最多的值为划分区间,插入值完成后使用上采样将图像还原,得到插入图像。例如,存在一个像素点A,像素点值为5,像素点A存在个数为6,此时插值为1且像素点个数最多的像素点值为100,此时像素点A向右移动,像素点值变6;
具体的,此时插入值循环的次数,根据注意力残差图像像素值最大值除去通道值;图像是会根据不同色彩形式分为多种通道,此时插入值循环的次数需要根据不同的通道设置,提高执行的效率;
具体的,注意力特征包括通道注意力和空间注意力,通道注意力是包括多个通道注意力的特征,用于表达通道和关键信息的相关程度,空间注意力获取图像信息最大的区域,每个特征图中密度最高的区域,对通道注意力的补充,使得图像高频区域和边缘细节显示更加清楚,通道注意力具体实现时是根据图像像素点进行设置的,越是复杂的图像通道数越多;
对插入图像进行差分,将局部和整体的差分图像进行连接;根据通道注意力,将每个相同尺寸下相邻的插入图像进行差分,得到整体的差分图像;
根据空间注意力,获取每个插入图像中像素点均值最高的区域作为局部的差分图像;
将每个局部的差分图像中小于整体差分图像的特征点叠加到整体的差分图像,得到第一特征图;将特征图通过多尺度映射模块进行映射,从而完成对图像特征的补充。
多尺度映射模块提取的图像为每个平面下的下采样图像作为初始图像,对每个初始图像进行下采样特征融合,输出第二特征图;
多尺度映射模块根据初始图像构架拉普拉斯金字塔,并利用SIFT算法获取拉普拉斯金字塔中的第二特征图,将每个尺寸相同且为临近平面的第一特征图和第二特征图进行叠加得到对应叠加后的特征叠加图;
提取的特征图往往显示对应图像的像素点分布情况,如果原有图像上具备的特征点多,则被多尺度映射模块处理后的图像就会变得更加分散,特征点也会相对密集;
对特征叠加图实现的过程中,图像整体会出现一定的边界丢失、边缘模糊的现象,以及图像叠加时会出现边界超出叠加的现象,此时需要对边界损失情况进行判断,得到具体损失率来调整图像的整体实现步骤;
第一损失模块用于根据每个下采样图像对应的信息熵,构建信息熵变化曲线,并得到熵变化曲线的极值点,根据极值点最近的下采样图像和对应的特征叠加图进行计算下采样图像的损失率;并且根据下采样图像的熵值与其对应的特征叠加图中最大的像素值区域,获取对应下采样图像的轮廓损失率;
具体的根据每个极值点对应的第一特征图和第二特征图,获取对应的特征点像素差值作为轮廓损失率;具体的,轮廓损失率为:
;
其中,MSE为对应特征叠加图的轮廓损失率,、/>分别表示第一特征图和第二特征图的像素点均值,/>和/>分别是第一特征图和第二特征图的像素值标准差,/>是第一特征图和第二特征图的协方差,/>和/>是两个常数,用于防止分母为0;将第一特征图和第二特征图对应像素值进行比较可以明确了解到,像素值之间的差异,从而可以得到图像轮廓信息在边缘位置的损失情况,从而可以对图像进行修改调整,提高图像识别处理的效果;
具体的,对应的下采样图像的损失率为:
;
其中,为对应特征叠加图的像素点均值,/>为整体的图像损失率,将每个平面下的下采样损失率最小的下采样图像作为实际观测的图像像,MSE为对应特征叠加图的轮廓损失率;
当损失率越小时,说明图像信息更加符合具体状况,此时的下采样图像更加适合作为监测地下空间的参考图像,而且在本实施中,通过对第一特征图和第二特征图进行对比得到,轮廓损失率从而可以确定下采样图像的精准度,从而提高在监测过程中提高对地下监测的精准性和效率;
具体的,为了减少实际操作的计算,注意力残差模块引入了空洞率,空洞率用来跳过对卷积计算时一部分的像素,使得神经网络的感受野范围更大,感受野是指每个神经元接收到的多少个像素信息。
实施例二
三维图像在进行角度变换,切换角度时,由于常用的方法是信息熵的形式实现的,容易出现部分细节缺失,此时通过对三维图像进行插入点的形式,提高拟合度,从而提高图像显示效果;本实施例中,获取多个角度的图像,将每个角度的图像按照预设的比例进行设置,每个角度中新增加的图像作为原角度下的图层图像;
如图2所示,本实例中,包括,第二图像获取模块、多尺度拟合模块、第二损失模块;
第二图像获取模块,采集多个角度的下采样图像;
多尺度拟合模块,用于基于每个角度的下采样图像,根据中心点和拟合曲线,进行聚类划分;将每个角度的图像作为目标图像,获取目标图像的拟合曲线和中心点,目标图像的中心点的像素值为目标图像的像素值均值且目标图像的中心点位于相对于下采样图像中心位置的点,拟合曲线是将像素点根据值和数量拟合成曲线;将相近的拟合曲线的相似拟合曲线作为聚类中心,将小于聚类中心的中心点作为离散点,将所有离散点聚类到聚类中心,对应的离散点根据多个角度进行平面叠加,聚类中心包括第一聚类中心和第二聚类中心;
第一聚类中心用于将相邻的目标图像的点进行聚类。
将相邻的目标图像的中心点的中心位置作为第一聚类中心的节点,并得到每个第一聚类中心图结构特征,以小于第一聚类中心节点的节点作为离散点,将所有离散点聚类到每个第一聚类中心;输出聚类后的目标图像最小的第一聚类中心;
例如,当前有三个角度的图像,分别为A、B、C三个角度的目标图像,以A为基础图像时,将B、C中的聚类中心的节点均视为离散点,将离散点叠加值A内的聚类中心,每个角度的目标图像进行叠加后的第一聚类中心值不同;
在加载过程中,当对模型进行观察生成时,往往需要比对各个角度的图像,使得生产的模型符合当前建设的特征,从而在观察时可以直接了解到建设的状态,便于监测观察;
具体的,对图像进行多角度的曲面拟合,根据点与面之间插值进行提高曲面拟合效果;
具体的,根据目标图像的拟合曲线,对第一聚类中心的节点进行判断,包括找出第一聚类中心位于拟合曲线上的节点,将多个角度的拟合曲线进行合并,输出距离拟合曲线最近的节点,记为第一特征点,根据第一特征点进行聚类,获取第二聚类中心,此时的第二聚类中心是指多个角度下最合适的聚类中心;
根据第二聚类中心对第一聚类中心进行迭代,将第一聚类中心的节点叠加值第二聚类中心内,去除小于第二聚类中心的节点值的点,输出第二聚类中心,此时的第二聚类中心是当前目标图像最大的聚类中心;
具体的,第二聚类中心的节点叠加值为,第一聚类中心的节点相邻16个像素点的平均值,并且分三次进行插值,分三次差值可以采用双三次插值法、立方卷积插值等形式,此处就不在多加赘述;
第二损失模块,根据多个角度的下采样图像的特征点与对应的第二聚类中心的特征点数量得到目标图像的轮廓损失率;根据第二聚类中心的节点与下采样图像之间的拟合程度得到对应的目标图像的图像损失率;
此时说明的拟合程度为,第二聚类中心的节点值下采样图像之间的距离,根据余弦相似度计算而来;
在本实施例中,第二聚类中心的节点值可以看作是一个向量,而下采样图像中的特征点也可以看作是一个向量。因此,可以使用余弦相似度来计算第二聚类中心的节点值和下采样图像中的特征点之间的相似度,从而衡量它们之间的拟合程度。具体来说,可以将第二聚类中心的节点值和下采样图像中的特征点分别看作两个向量,然后计算它们的余弦相似度,得到它们之间的相似度值。相似度值越高,说明它们之间的拟合程度越好,图像损失率越低。
本发明提供第二图像获取模块、多尺度拟合模块、第二损失模块,使得图像在旋转、多角度进行观测时可以保持细节展示,在不同角度下计算聚类中心,并根据聚类中心计算损失率,确保了图像加载的准确性,提高了显示的效果;
以上所述仅为本发明的优选实施方式,并不用于限制本发明,对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明精神和原则内,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 (10)
1.一种基于BIM的地下空间的安全数据监测系统,其特征在于,包括:
第一图像模块,用于获取每个图像对应比例下的多个不同平面的下采样图像,并将图像中的不同部分,作为对应平面的比较图像;
多尺度注意力模块,是用于对不同尺度下的三维BIM图像进行下采样,提取特征点,将特征点进行叠加得到特征图;
多尺度注意力模块包括注意力残差模块和多尺度映射模块;
注意力残差模块用于提取特征图中的注意力特征,注意力特征包括通道注意力和空间注意力;
通过对不同平面提取的注意力特征进行差分,得到注意力残差图像,将每个注意力残差图像进行叠加,得到插入图像;对插入图像进行差分,将局部和整体的差分图像进行连接;根据通道注意力,将每个相同尺寸下相邻的插入图像进行差分,得到整体的差分图像;
将每个局部的差分图像中小于整体差分图像的特征点叠加到整体的差分图像,得到第一特征图;
多尺度映射模块提取的图像为每个平面下的下采样图像作为初始图像,对每个初始图像进行下采样特征融合,输出第二特征图;将每个尺寸相同且为临近平面的第一特征图和第二特征图进行叠加得到对应叠加后的特征叠加图;
第一损失模块用于根据每个下采样图像对应的信息熵,构建信息熵变化曲线,并得到熵变化曲线的极值点,根据极值点最近的下采样图像和对应的特征叠加图进行计算下采样图像的损失率;并且根据下采样图像的熵值与其对应的特征叠加图中最大的像素值区域,获取对应下采样图像的轮廓损失率。
2.如权利要求1所述的一种基于BIM的地下空间的安全数据监测系统,其特征在于,使用卷积块与多尺度映射模块映射,获取不同尺寸特征映射,并且将不同尺寸映射进行组合,卷积核采用11×11,7×7,5×5,3×3,1×1的形式。
3.如权利要求1所述的一种基于BIM的地下空间的安全数据监测系统,其特征在于,注意力残差模块进行两次全连接,第一次全连接神经元个数小于第二次全连接神经元个数,第二次全连接神经元个数和输入特征图相同。
4.如权利要求1所述的一种基于BIM的地下空间的安全数据监测系统,其特征在于,每个注意力残差图像进行叠加,包括:
将图像根据像素点的值进行左右位移,依次使用图像的隐藏特征来调整图像的细节显示;将像素点值为0-127 的像素点向像素点为127的位置右移,将像素点值为128-255向像素点为128的位置进行右移,去除像素点个数为0的像素点值,循环移动,直到完成左右位移;完成移动后,将最小像素点个数的值与临近的像素点值进行合并;
根据每个注意力残差图像的像素值进行插值,插值数为 1或3,插值范围根据特征点左右两侧像素点个数最多的值为划分区间,插入值完成后使用上采样将图像还原,得到插入图像。
5.如权利要求1所述的一种基于BIM的地下空间的安全数据监测系统,其特征在于,根据空间注意力,获取每个插入图像中像素点均值最高的区域作为局部的差分图像。
6.如权利要求1所述的一种基于BIM的地下空间的安全数据监测系统,其特征在于,轮廓损失率为:
;
其中,MSE为对应特征叠加图的轮廓损失率,、/>分别表示第一特征图和第二特征图的像素点均值,/>和/>分别是第一特征图和第二特征图的像素值标准差,/>是第一特征图和第二特征图的协方差,/>和/>是两个常数。
7.如权利要求1所述的一种基于BIM的地下空间的安全数据监测系统,其特征在于,下采样图像的损失率为:
;
其中,为对应特征叠加图的像素点均值,/>为整体的图像损失率,将每个平面下的下采样损失率最小的下采样图像作为实际观测的图像,MSE为对应特征叠加图的轮廓损失率。
8.如权利要求1所述的一种基于BIM的地下空间的安全数据监测系统,其特征在于,还包括:
第二图像获取模块,采集多个角度的下采样图像;
多尺度拟合模块,用于基于每个角度的下采样图像,根据中心点和拟合曲线,进行聚类划分;将每个角度的图像作为目标图像,获取目标图像的拟合曲线和中心点,目标图像的中心点的像素值为目标图像的像素值均值且目标图像的中心点位于相对于下采样图像中心位置的点;将相近的拟合曲线的相似拟合曲线作为聚类中心,将小于聚类中心的中心点作为离散点,将所有离散点聚类到聚类中心,对应的离散点根据多个角度进行平面叠加,聚类中心包括第一聚类中心和第二聚类中心;
第二损失模块,根据多个角度的下采样图像的特征点与对应的第二聚类中心的特征点数量得到目标图像的轮廓损失率;根据第二聚类中心的节点与下采样图像之间的拟合程度得到对应的目标图像的图像损失率。
9.如权利要求8所述的一种基于BIM的地下空间的安全数据监测系统,其特征在于,将相邻的目标图像的中心点的中心位置作为第一聚类中心的节点,并得到每个第一聚类中心图结构特征,以小于第一聚类中心节点的节点作为离散点,将所有离散点聚类到每个第一聚类中心;输出聚类后的目标图像最小的第一聚类中心。
10.如权利要求8所述的一种基于BIM的地下空间的安全数据监测系统,其特征在于,根据目标图像的拟合曲线,对第一聚类中心的节点进行判断,包括找出第一聚类中心位于拟合曲线上的节点,将多个角度的拟合曲线进行合并,输出距离拟合曲线最近的节点,记为第一特征点,根据第一特征点进行聚类,获取第二聚类中心;
根据第二聚类中心对第一聚类中心进行迭代,将第一聚类中心的节点叠加值第二聚类中心内,去除小于第二聚类中心的节点值的点,输出第二聚类中心,第二聚类中心是目标图像最大的聚类中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410213464.4A CN117788722B (zh) | 2024-02-27 | 2024-02-27 | 一种基于bim的地下空间的安全数据监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410213464.4A CN117788722B (zh) | 2024-02-27 | 2024-02-27 | 一种基于bim的地下空间的安全数据监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117788722A true CN117788722A (zh) | 2024-03-29 |
CN117788722B CN117788722B (zh) | 2024-05-03 |
Family
ID=90393102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410213464.4A Active CN117788722B (zh) | 2024-02-27 | 2024-02-27 | 一种基于bim的地下空间的安全数据监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788722B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082675A (zh) * | 2022-06-07 | 2022-09-20 | 中南大学 | 一种透明物体图像分割方法及系统 |
CN115439615A (zh) * | 2022-11-07 | 2022-12-06 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于三维bim的分布式综合管理系统 |
CN115656952A (zh) * | 2022-10-16 | 2023-01-31 | 桂林电子科技大学 | 一种基于u型多维多尺度融合神经网络的地下目标多分类检测方法 |
CN116630626A (zh) * | 2023-06-05 | 2023-08-22 | 吉林农业科技学院 | 连通双注意力多尺度融合语义分割网络 |
CN116757930A (zh) * | 2023-06-12 | 2023-09-15 | 武汉工程大学 | 基于残差分离注意力机制的遥感图像超分辨率方法、系统及介质 |
CN116996675A (zh) * | 2023-09-27 | 2023-11-03 | 河北天英软件科技有限公司 | 一种即时通信系统及信息处理方法 |
-
2024
- 2024-02-27 CN CN202410213464.4A patent/CN117788722B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082675A (zh) * | 2022-06-07 | 2022-09-20 | 中南大学 | 一种透明物体图像分割方法及系统 |
CN115656952A (zh) * | 2022-10-16 | 2023-01-31 | 桂林电子科技大学 | 一种基于u型多维多尺度融合神经网络的地下目标多分类检测方法 |
CN115439615A (zh) * | 2022-11-07 | 2022-12-06 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种基于三维bim的分布式综合管理系统 |
CN116630626A (zh) * | 2023-06-05 | 2023-08-22 | 吉林农业科技学院 | 连通双注意力多尺度融合语义分割网络 |
CN116757930A (zh) * | 2023-06-12 | 2023-09-15 | 武汉工程大学 | 基于残差分离注意力机制的遥感图像超分辨率方法、系统及介质 |
CN116996675A (zh) * | 2023-09-27 | 2023-11-03 | 河北天英软件科技有限公司 | 一种即时通信系统及信息处理方法 |
Non-Patent Citations (2)
Title |
---|
XIAOYU XU 等: "Contour Information-Guided Multi-Scale Feature Detection Method for Visible-Infrared Pedestrian Detection", ENTROPY, vol. 25, no. 7, 4 July 2023 (2023-07-04) * |
刘航;汪西莉;: "基于注意力机制的遥感图像分割模型", 激光与光电子学进展, vol. 57, no. 04, 19 August 2019 (2019-08-19), pages 041015 - 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN117788722B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | Toward automatic building footprint delineation from aerial images using CNN and regularization | |
CN113269237B (zh) | 基于注意力机制的装配体变化检测方法、设备和介质 | |
CN106340036A (zh) | 一种基于双目立体视觉的立体匹配方法 | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
EP2374107B1 (en) | Devices and methods for processing images using scale space | |
CN105005760B (zh) | 一种基于有限混合模型的行人再识别方法 | |
CN111160214A (zh) | 一种基于数据融合的3d目标检测方法 | |
US20230169677A1 (en) | Pose Estimation Method and Apparatus | |
KR101567792B1 (ko) | 이미지 윤곽 묘사 시스템 및 방법 | |
CN117274756A (zh) | 基于多维特征配准的二维图像与点云的融合方法及装置 | |
Sun et al. | An efficient and compact 3D local descriptor based on the weighted height image | |
Patrangenaru et al. | Challenges in topological object data analysis | |
CN115482268A (zh) | 一种基于散斑匹配网络的高精度三维形貌测量方法与系统 | |
Yun et al. | Supervoxel-based saliency detection for large-scale colored 3D point clouds | |
KR20180092591A (ko) | Uav 영상매칭 기술을 이용한 구조물 형상변화 탐지 알고리즘 | |
CN102708589B (zh) | 一种基于特征聚类的三维目标多视点视图建模方法 | |
CN116363168A (zh) | 一种基于超分辨网络的遥感视频目标跟踪方法及系统 | |
Van Nguyen et al. | Geometric modeling: background for processing the 3d objects | |
CN112435211B (zh) | 一种内窥镜图像序列中轮廓稠密特征点描述和匹配的方法 | |
CN117788722B (zh) | 一种基于bim的地下空间的安全数据监测系统 | |
Dimiccoli et al. | Exploiting t-junctions for depth segregation in single images | |
Qu et al. | Mode surfaces of symmetric tensor fields: Topological analysis and seamless extraction | |
Bénière et al. | Recovering primitives in 3D CAD meshes | |
Lee et al. | ELF-Nets: deep learning on point clouds using extended laplacian filter | |
CN116311218A (zh) | 基于自注意力特征融合的带噪植株点云语义分割方法及系统 |
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 |