CN117952975A - 一种基于三维点云的既有保温墙面修缮方法 - Google Patents
一种基于三维点云的既有保温墙面修缮方法 Download PDFInfo
- Publication number
- CN117952975A CN117952975A CN202410350374.XA CN202410350374A CN117952975A CN 117952975 A CN117952975 A CN 117952975A CN 202410350374 A CN202410350374 A CN 202410350374A CN 117952975 A CN117952975 A CN 117952975A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- wall surface
- point cloud
- defect
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000009413 insulation Methods 0.000 title claims abstract description 33
- 230000007547 defect Effects 0.000 claims abstract description 155
- 230000008439 repair process Effects 0.000 claims abstract description 131
- 238000001931 thermography Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000004088 simulation Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000013468 resource allocation Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 18
- 239000000463 material Substances 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 238000004321 preservation Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及墙面修缮技术领域,公开了一种基于三维点云的既有保温墙面修缮方法,用于提高基于三维点云的既有保温墙面修缮的效率及准确率。方法包括:通过预置的激光扫描仪对目标墙面进行点云数据采集,得到初始点云数据;对初始点云数据进行预处理,得到目标点云数据;将目标点云数据输入预置的缺陷识别模型进行缺陷识别,得到缺陷区域及缺陷类型;对目标墙面进行热成像数据采集,得到热成像数据,同时,根据热成像数据进行热损失数据分析,得到热损失数据;基于缺陷区域、缺陷类型以及热损失数据对目标墙面进行修缮策略构建,得到目标修缮策略。
Description
技术领域
本发明涉及墙面修缮技术领域,尤其涉及一种基于三维点云的既有保温墙面修缮方法。
背景技术
在当前建筑维护和修缮领域,尤其是既有保温墙面的修复工作中,面临着准确快速识别墙面损伤和热效率低下区域的挑战。随着建筑能效要求的提高和节能减排政策的推进,对建筑保温墙面的性能提出了更高的要求。
传统的墙面检查和评估方法往往依赖于人工视觉检查或是简单的热成像技术,这些方法不仅耗时耗力,而且很难达到高精度和全面性的评估标准。尤其是在识别微小裂缝、隐藏的空洞或是热桥等问题时,传统方法往往力不从心,导致修缮策略无法精准定位损伤区域,无法有效预算修缮成本,也难以确保修缮后的长期性能。此外,由于缺乏精确的数据支持,传统修缮方案往往无法充分考虑到材料和人力资源的优化配置,从而导致资源的浪费和修缮效率的低下。
发明内容
有鉴于此,本发明实施例提供了一种基于三维点云的既有保温墙面修缮方法,用于提高基于三维点云的既有保温墙面修缮的效率及准确率。
本发明提供了一种基于三维点云的既有保温墙面修缮方法,包括:通过预置的激光扫描仪对目标墙面进行点云数据采集,得到初始点云数据;对所述初始点云数据进行预处理,得到目标点云数据;将所述目标点云数据输入预置的缺陷识别模型进行缺陷识别,得到缺陷区域及缺陷类型;对所述目标墙面进行热成像数据采集,得到热成像数据,同时,根据所述热成像数据进行热损失数据分析,得到热损失数据;基于所述缺陷区域、所述缺陷类型以及所述热损失数据对所述目标墙面进行修缮策略构建,得到目标修缮策略。
在本发明中,所述通过预置的激光扫描仪对目标墙面进行点云数据采集,得到初始点云数据步骤,包括:对所述目标墙面进行墙面区域标定,得到区域角点坐标;根据所述区域角点坐标生成所述激光扫描仪的扫描角度及扫描位置;根据所述区域角点坐标对所述激光扫描仪进行扫描间隔计算,得到目标扫描间隔;基于所述扫描角度以及所述扫描位置,通过所述激光扫描仪对目标墙面进行点云数据采集,得到初始点云数据。
在本发明中,所述对所述初始点云数据进行预处理,得到目标点云数据步骤,包括:通过预置的自适应滤波算法对所述初始点云数据进行环境噪声去除,得到第一点云数据;通过频率分析算法对所述第一点云数据进行非目标信号提取,得到非目标信号数据;基于所述非目标信号数据,对所述第一点云数据进行数据剔除,得到第二点云数据;对所述第二点云数据进行背景数据提取,得到点云背景数据;基于所述点云背景数据,对所述第二点云数据进行背景去除,得到第三点云数据;对所述第三点云数据进行数据离群点识别,得到离群点集合,并通过所述离群点集合,对所述第三点云数据进行离群点剔除,得到第四点云数据;对所述第四点云数据进行体素识别,得到体素数据集;根据所述体素数据集,对所述第四点云数据进行下采样处理,得到所述目标点云数据。
在本发明中,所述将所述目标点云数据输入预置的缺陷识别模型进行缺陷识别,得到缺陷区域及缺陷类型步骤,包括:将所述目标点云数据输入所述缺陷识别模型的卷积神经网络进行墙面裂缝识别,得到墙面裂缝数据;将所述目标点云数据输入所述缺陷识别模型的卷积神经网络进行墙面空洞识别,得到墙面空洞数据;对所述墙面裂缝数据以及所述墙面空洞数据进行数据缺陷融合,得到缺陷融合数据;将所述缺陷融合数据输入所述缺陷识别模型的边缘检测层进行缺陷边界识别,得到缺陷边界数据;对所述目标点云数据进行墙面纹理数据提取,得到墙面纹理数据;基于所述缺陷边界数据对所述目标墙面进行缺陷区域定位,得到所述缺陷区域;基于所述墙面纹理数据对所述目标墙面进行缺陷类型识别,得到所述缺陷类型。
在本发明中,所述对所述目标墙面进行热成像数据采集,得到热成像数据,同时,根据所述热成像数据进行热损失数据分析,得到热损失数据步骤,包括:对所述目标墙面进行热成像数据采集,得到热成像数据;根据所述热成像数据对所述目标墙面进行热传导模型构建,得到目标传导模型;对所述目标传导模型进行热传导模拟,得到传导模拟数据;对所述传导模拟数据进行热桥识别,得到热桥数据;对所述传导模拟数据进行热损失区域,得到热损失区域数据;基于所述热桥数据以及所述热损失区域数据对所述目标墙面进行热效率计算,得到墙面热效率数据;基于所述墙面热效率数据对所述目标墙面进行保温性能分析,得到保温性能数据;将所述热损失区域数据、所述热桥识别以及所述保温性能数据合并为所述热损失数据。
在本发明中,所述基于所述缺陷区域、所述缺陷类型以及所述热损失数据对所述目标墙面进行修缮策略构建,得到目标修缮策略步骤,包括:基于所述缺陷区域、所述缺陷类型对所述目标墙面进行缺陷程度分析,得到目标缺陷程度;基于所述目标缺陷程度对所述目标墙面进行修缮路径构建,得到初始修缮路径;对所述热损失数据进行墙面损失面积分析,得到墙面损失面积;基于所述墙面损失面积对所述目标墙面进行损失程度分集,得到热损失程度;基于所述热损失程度对所述初始修缮路径进行路径修正,得到目标修缮路径;提取修缮资源数据,并基于所述目标修缮路径以及所述修缮资源数据对所述目标墙面进行修缮策略构建,得到目标修缮策略。
在本发明中,所述提取修缮资源数据,并基于所述目标修缮路径以及所述修缮资源数据对所述目标墙面进行修缮策略构建,得到目标修缮策略步骤,包括:提取修缮资源数据,并对所述目标修缮路径进行路径节点构建,得到多个修缮路径节点;基于所述修缮资源数据对每个所述修缮路径节点进行节点资源分配,得到每个所述修缮路径节点的节点资源数据;基于每个所述修缮路径节点的节点资源数据对所述目标墙面进行修缮策略构建,得到目标修缮策略。
与现有技术相比,本发明有如下有益效果:本发明提供的技术方案中,通过激光扫描仪进行的点云数据采集步骤确保了对目标墙面的全面和详细记录,这种高精度的空间数据捕获为后续的缺陷识别和热损失分析提供了可靠的基础。其次,通过对初始点云数据进行一系列的预处理,包括环境噪声去除、非目标信号剔除等,确保了数据的准确性和清晰度,为缺陷识别模型提供了高质量的输入数据。这种精细的数据预处理过程大大提高了缺陷识别的准确率和效率,使得缺陷区域及类型的识别更为精准。在缺陷识别的基础上,结合热成像数据进行的热损失分析,进一步深入了解了墙面的热效率问题,这对于指导针对性的修缮措施至关重要。通过综合考虑缺陷信息和热损失数据,构建的修缮策略更加科学合理,能够针对性地解决墙面存在的问题,不仅提高了修缮的效果,而且优化了资源的分配和利用。此外,提取修缮资源数据,并基于明确的修缮路径进行资源分配的步骤,进一步确保了修缮工作的顺利进行,使得整个修缮过程更加高效。
附图说明
为了更清楚地说明本发明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,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于三维点云的既有保温墙面修缮方法的流程图。
图2为本发明实施例中对所述初始点云数据进行预处理的流程图。
图3为本发明实施例中一种基于三维点云的既有保温墙面修缮系统的示意图。
附图标记:
301、采集模块;302、处理模块;303、识别模块;304、分析模块;305、构建模块。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,图1是本发明实施例的一种基于三维点云的既有保温墙面修缮方法的流程图,如图1所示,包括以下步骤:
S101、通过预置的激光扫描仪对目标墙面进行点云数据采集,得到初始点云数据;
S102、对初始点云数据进行预处理,得到目标点云数据;
S103、将目标点云数据输入预置的缺陷识别模型进行缺陷识别,得到缺陷区域及缺陷类型;
S104、对目标墙面进行热成像数据采集,得到热成像数据,同时,根据热成像数据进行热损失数据分析,得到热损失数据;
S105、基于缺陷区域、缺陷类型以及热损失数据对目标墙面进行修缮策略构建,得到目标修缮策略。
具体的,首先通过预置的激光扫描仪对目标墙面进行详尽的点云数据采集,这一步骤是整个方法的基础。采集过程中,激光扫描仪按照预设的扫描角度和位置,细致地扫描墙面,捕获包含墙面几何形状和表面特征的初始点云数据。这些数据作为一种高精度的空间信息,为后续的分析提供了详实的基础。随后,对这批初始点云数据进行预处理,包括去除由扫描环境引入的噪声、剔除非目标信号,以及执行数据下采样等操作,旨在优化数据的质量,确保后续分析的准确性。预处理后得到的目标点云数据更加清晰和精确,为缺陷识别提供了可靠的输入。接下来,将经过预处理的目标点云数据输入预置的缺陷识别模型,这里的模型通常基于深度学习,尤其是卷积神经网络(CNN),因为它们在图像和空间数据分析方面表现出了卓越的性能。模型经过训练能够识别并分类墙面的不同缺陷类型,如裂缝、空洞等,准确地标出缺陷区域及其类型。同时,对目标墙面进行热成像数据采集,这涉及使用热成像相机捕捉墙面的热辐射信息,从而得到热成像数据。这些数据能够揭示墙面的热效率分布,尤其是标识出热损失较大的区域。通过对热成像数据的分析,结合热传导模型和模拟技术,可以精确计算出热损失数据,进而识别热桥和其他热效率低下的区域。最后,基于缺陷区域、缺陷类型以及热损失数据,综合构建目标墙面的修缮策略。这一过程考虑了墙面的物理损伤和热效率问题,通过分析缺陷的严重程度、热损失的范围及影响,以及可用的修缮资源,制定出既科学合理又经济高效的修缮方案。例如,如果某个墙面区域既有裂缝又存在显著的热损失,修缮策略将优先考虑这一区域,既采取措施修补裂缝,又增强该区域的保温性能。通过这种方法,不仅能够修复结构上的缺陷,还能提升墙面的整体热效率,达到节能减排的效果。
通过执行上述步骤,通过激光扫描仪进行的点云数据采集步骤确保了对目标墙面的全面和详细记录,这种高精度的空间数据捕获为后续的缺陷识别和热损失分析提供了可靠的基础。其次,通过对初始点云数据进行一系列的预处理,包括环境噪声去除、非目标信号剔除等,确保了数据的准确性和清晰度,为缺陷识别模型提供了高质量的输入数据。这种精细的数据预处理过程大大提高了缺陷识别的准确率和效率,使得缺陷区域及类型的识别更为精准。在缺陷识别的基础上,结合热成像数据进行的热损失分析,进一步深入了解了墙面的热效率问题,这对于指导针对性的修缮措施至关重要。通过综合考虑缺陷信息和热损失数据,构建的修缮策略更加科学合理,能够针对性地解决墙面存在的问题,不仅提高了修缮的效果,而且优化了资源的分配和利用。此外,提取修缮资源数据,并基于明确的修缮路径进行资源分配的步骤,进一步确保了修缮工作的顺利进行,使得整个修缮过程更加高效。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)对目标墙面进行墙面区域标定,得到区域角点坐标;
(2)根据区域角点坐标生成激光扫描仪的扫描角度及扫描位置;
(3)根据区域角点坐标对激光扫描仪进行扫描间隔计算,得到目标扫描间隔;
(4)基于扫描角度以及扫描位置,通过激光扫描仪对目标墙面进行点云数据采集,得到初始点云数据。
具体的,首先,进行墙面区域标定的过程是通过在现场实地考察并使用测量工具来精确定位墙面的边界和角落,记录下这些关键点的坐标。这一步骤的目的是确保激光扫描仪的扫描范围能够全面覆盖到所有需要检查和修缮的墙面区域,避免遗漏任何潜在的缺陷区域。通过精确测量和标定,技术人员能够获得一组清晰的区域角点坐标,这些坐标点将作为后续设置扫描参数的基础。
接下来,根据得到的区域角点坐标,技术人员需要计算出适合该特定墙面区域的最佳扫描角度和扫描位置。这一计算考虑到了墙面的具体形状、尺寸以及可能的障碍物,旨在确保从每个扫描位置发出的激光都能够有效地覆盖到墙面的每一部分,从而收集到完整的点云数据。例如,对于一个长方形的墙面,可能需要设置几个不同的扫描位置,分别位于墙面的不同侧边,以确保激光能够均匀地覆盖到墙面的每个区域。
同时,基于区域角点坐标对激光扫描仪进行扫描间隔的计算也是至关重要的。扫描间隔,即激光扫描点之间的距离,直接关系到最终点云数据的密度和质量。过小的扫描间隔虽然能提高数据的详细程度,但同时会大幅增加数据量,导致后续处理的负担加重;而过大的扫描间隔则可能无法捕捉到墙面上的细微缺陷。因此,技术人员需要根据实际的墙面条件和修缮需求,以及激光扫描仪的性能特性,精心计算和选择一个合适的扫描间隔。
最后,基于细致计算出的扫描角度、位置和间隔,通过激光扫描仪对目标墙面进行点云数据的采集。在这一过程中,扫描仪按照预设的参数,系统地覆盖整个墙面,逐点收集反射回的激光信号,形成初始点云数据。这些数据以三维坐标的形式记录了墙面的每一寸细节,包括其几何形状、表面纹理以及任何可能的缺陷。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、通过预置的自适应滤波算法对初始点云数据进行环境噪声去除,得到第一点云数据;
S202、通过频率分析算法对第一点云数据进行非目标信号提取,得到非目标信号数据;
S203、基于非目标信号数据,对第一点云数据进行数据剔除,得到第二点云数据;
S204、对第二点云数据进行背景数据提取,得到点云背景数据;
S205、基于点云背景数据,对第二点云数据进行背景去除,得到第三点云数据;
S206、对第三点云数据进行数据离群点识别,得到离群点集合,并通过离群点集合,对第三点云数据进行离群点剔除,得到第四点云数据;
S207、对第四点云数据进行体素识别,得到体素数据集;
S208、根据体素数据集,对第四点云数据进行下采样处理,得到目标点云数据。
需要说明的是,首先,使用预置的自适应滤波算法对初始点云数据进行环境噪声去除是这一过程的起点。自适应滤波算法能够根据数据本身的特性自动调整滤波参数,有效地去除反射、散射等因素引入的噪声,而保留墙面的几何细节。这样处理后得到的第一点云数据已经相对清晰,但仍可能包含非目标信号,如周围环境中的其他物体反射点等。
随后,通过频率分析算法对这批第一点云数据进行进一步处理。频率分析算法通过分析点云数据中信号的频率成分,帮助识别和提取出与目标墙面无关的非目标信号数据。这些非目标信号可能来源于墙面附近的物体,如家具、装饰品等,它们的存在会干扰后续的缺陷识别和分析。提取出这些非目标信号数据后,可以将它们从第一点云数据中剔除,得到更为净化的第二点云数据。
进一步地,对第二点云数据进行背景数据提取。在这一步骤中,通过识别和分离出墙面后方或周围环境的背景点云,可以进一步清理数据,确保点云集中反映的是目标墙面本身的几何信息。背景数据的提取有助于减少数据的复杂度,提高处理的效率。提取出点云背景数据后,将其从第二点云数据中去除,得到的第三点云数据将主要聚焦于墙面本身,排除了大部分干扰因素。
然而,即便是经过背景去除的第三点云数据,也可能包含离群点——那些由于误差或偶然因素出现在数据集中的异常点。这些离群点如果不被处理,可能会影响后续分析的准确性。因此,通过离群点识别算法检测并收集这些异常点,构成离群点集合。然后,通过这个离群点集合,将它们从第三点云数据中剔除,从而获得更为准确和一致的第四点云数据。
最后一步是对这批经过多轮清理的第四点云数据进行体素识别和下采样处理。体素识别涉及到将连续的点云数据转换为离散的、规则分布的体素格子,这有助于进一步统一数据格式,为后续的分析提供方便。每个体素格子可以看作是点云数据的一个“容器”,汇总在该空间区域内的点云信息。基于这些体素数据集,对第四点云数据进行下采样处理,则是通过减少数据点的数量来降低数据的复杂度,同时尽可能保留墙面的几何特征和结构信息。这一步不仅能提高后续数据处理的效率,还能确保分析结果的准确性和可靠性。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)将目标点云数据输入缺陷识别模型的卷积神经网络进行墙面裂缝识别,得到墙面裂缝数据;
(2)将目标点云数据输入缺陷识别模型的卷积神经网络进行墙面空洞识别,得到墙面空洞数据;
(3)对墙面裂缝数据以及墙面空洞数据进行数据缺陷融合,得到缺陷融合数据;
(4)将缺陷融合数据输入缺陷识别模型的边缘检测层进行缺陷边界识别,得到缺陷边界数据;
(5)对目标点云数据进行墙面纹理数据提取,得到墙面纹理数据;
(6)基于缺陷边界数据对目标墙面进行缺陷区域定位,得到缺陷区域;
(7)基于墙面纹理数据对目标墙面进行缺陷类型识别,得到缺陷类型。
具体的,首先,目标点云数据被输入到缺陷识别模型的卷积神经网络中,网络通过学习点云数据中的空间模式和特征,能够准确地识别出墙面裂缝的位置、形态和规模,生成墙面裂缝数据。此外,同样的卷积神经网络也被用来识别墙面的空洞缺陷,通过分析点云数据中的几何空缺和不连续性,模型能够定位空洞的位置并评估其大小,从而得到墙面空洞数据。
接下来,技术人员需要对这些从不同缺陷识别过程中获得的数据进行融合,合成一个统一的缺陷融合数据集。这一步骤是为了综合考虑墙面上可能同时存在的多种缺陷类型,确保在后续的修缮策略中能够全面考虑到墙面的实际状况。通过数据融合,技术人员能够得到一个包含了墙面所有已识别缺陷的综合数据集,这些数据集中包含了缺陷的具体位置、类型和严重程度等信息。
此外,缺陷融合数据还需要被输入到缺陷识别模型的边缘检测层中。在这一层,模型通过分析融合数据中缺陷的几何边界,进一步细化和精确化缺陷的边缘信息,从而生成缺陷边界数据。这一步骤对于后续的修缮工作至关重要,因为它提供了关于缺陷具体形状和范围的详细信息,帮助技术人员更精确地定位缺陷区域,并为修缮提供指导。
同时,技术人员还需要从目标点云数据中提取墙面的纹理数据。墙面纹理数据的提取依赖于对点云数据中表面特征的分析,这些特征反映了墙面的材料属性、表面状况和可能的细微缺陷。通过分析墙面纹理数据,技术人员不仅能够进一步确认和细化已识别的缺陷类型,还能够在一定程度上推断缺陷的成因和可能的修缮方法。
最后,基于缺陷边界数据和墙面纹理数据,技术人员能够对目标墙面进行精确的缺陷区域定位和缺陷类型识别。缺陷区域的准确定位确保了修缮措施能够针对性地施加于具体的损伤位置,而缺陷类型的识别则指导了选择最合适的修缮材料和方法。
在一具体实施例中,执行步骤S104步骤的过程可以具体包括如下步骤:
(1)对目标墙面进行热成像数据采集,得到热成像数据;
(2)根据热成像数据对目标墙面进行热传导模型构建,得到目标传导模型;
(3)对目标传导模型进行热传导模拟,得到传导模拟数据;
(4)对传导模拟数据进行热桥识别,得到热桥数据;
(5)对传导模拟数据进行热损失区域,得到热损失区域数据;
(6)基于热桥数据以及热损失区域数据对目标墙面进行热效率计算,得到墙面热效率数据;
(7)基于墙面热效率数据对目标墙面进行保温性能分析,得到保温性能数据;
(8)将热损失区域数据、热桥识别以及保温性能数据合并为热损失数据。
具体的,在得到热成像数据后,下一步是根据这些数据构建目标墙面的热传导模型。这个模型可以考虑墙体的材料、厚度、环境温度等因素,通过数学建模来描述热量在墙体内的传导过程。例如,假设有一堵由混凝土和绝缘材料构成的墙壁,可以利用热传导方程来建立相应的模型,从而模拟热量在墙体内的传递和分布情况。随后,利用构建好的热传导模型进行热传导模拟。这一步骤涉及使用计算机模拟软件对热传导模型进行求解,得到在不同条件下热量的传导情况。例如,可以模拟在不同季节、不同温度下,墙面的热传导过程,以便更好地理解墙体的热特性。接着,对传导模拟数据进行热桥识别。热桥是指墙体中导热性能较差的区域,容易导致热量传递的短路。通过识别这些热桥,可以了解墙体中存在的热量流失问题,并进一步优化墙体的保温结构。例如,如果在模拟中发现某些区域的温度异常高,可能就是由于存在热桥导致的热量损失。同时,还需要对传导模拟数据进行热损失区域的识别。这一步骤旨在确定墙体中存在的热量流失区域,例如墙体接缝处、门窗周围等。通过识别这些热损失区域,可以有针对性地采取措施,减少墙体的热量损失,提高其保温性能。在完成热桥识别和热损失区域识别后,可以基于热桥数据以及热损失区域数据对目标墙面进行热效率计算。这一步骤旨在评估墙体的热性能,并为后续的保温性能分析提供依据。例如,可以计算墙面在不同条件下的传热系数,以评估其保温效果的好坏。最后,基于墙面热效率数据进行保温性能分析。这一步骤涉及评估墙体的保温效果,分析其在不同条件下的保温性能。例如,可以比较不同保温材料在墙体中的效果,以找出最优的保温方案。综合热损失区域数据、热桥识别结果以及保温性能数据,可以将它们合并为热损失数据。
在一具体实施例中,执行步骤S105步骤的过程可以具体包括如下步骤:
(1)基于缺陷区域、缺陷类型对目标墙面进行缺陷程度分析,得到目标缺陷程度;
(2)基于目标缺陷程度对目标墙面进行修缮路径构建,得到初始修缮路径;
(3)对热损失数据进行墙面损失面积分析,得到墙面损失面积;
(4)基于墙面损失面积对目标墙面进行损失程度分集,得到热损失程度;
(5)基于热损失程度对初始修缮路径进行路径修正,得到目标修缮路径;
(6)提取修缮资源数据,并基于目标修缮路径以及修缮资源数据对目标墙面进行修缮策略构建,得到目标修缮策略。
具体的,对热损失数据中的缺陷区域和缺陷类型进行综合评估,以确定每个缺陷区域的严重程度。例如,如果在墙体的某个区域发现了较大的热桥或热损失,那么其缺陷程度可能较高。
基于目标缺陷程度,接下来进行修缮路径构建。这一步骤旨在确定修缮工作的优先级和顺序,以最大程度地减少热损失。例如,对于缺陷程度较高的区域,可以优先进行修缮,以减少热能的流失。
随后,对热损失数据进行墙面损失面积分析。通过这一分析,可以确定墙面不同区域的热损失面积,从而进一步评估墙体的损失程度。例如,如果某个区域的热损失面积较大,说明该区域的热能流失较为严重。
基于墙面损失面积,进行热损失程度分析。这一步骤旨在评估墙体不同区域的热损失程度,以确定修缮的紧急性和重要性。例如,对于热损失程度较高的区域,修缮工作可能需要更加迅速和彻底。
基于热损失程度对初始修缮路径进行路径修正。修正过程考虑了不同区域的热损失情况,以调整修缮的优先级和顺序。例如,如果某个区域的热损失程度较高但未被纳入初始修缮路径,那么可能需要重新考虑修缮的顺序,将其优先级提高。
最后,提取修缮资源数据,并基于目标修缮路径以及修缮资源数据对目标墙面进行修缮策略构建。这一步骤涉及确定修缮所需的人力、物资和时间等资源,并结合修缮路径,制定修缮的具体方案和策略。例如,可以确定修缮工作的具体步骤、所需材料和人员配置,以确保修缮工作的高效进行。
在一具体实施例中,执行对目标墙面进行修缮策略构建步骤的过程可以具体包括如下步骤:
(1)提取修缮资源数据,并对目标修缮路径进行路径节点构建,得到多个修缮路径节点;
(2)基于修缮资源数据对每个修缮路径节点进行节点资源分配,得到每个修缮路径节点的节点资源数据;
(3)基于每个修缮路径节点的节点资源数据对目标墙面进行修缮策略构建,得到目标修缮策略。
需要说明的是,确定所需的人力、物资和时间等资源,以确保修缮工作的顺利进行。例如,人力资源可能包括工人、技术人员和监理人员,物资资源则包括建筑材料、工具设备等。同时,还需要考虑修缮工作所需的时间和工期安排,以便合理安排修缮工作的进度和计划。
接下来,对目标修缮路径进行路径节点构建。修缮路径节点是指修缮工作中的关键节点或阶段,可以根据修缮工作的不同部分或区域来划分。例如,如果修缮工作涉及墙体的不同区域或不同类型的缺陷,则可以将每个区域或缺陷类型作为一个修缮路径节点。
基于修缮资源数据,对每个修缮路径节点进行节点资源分配。这一步骤旨在确定每个节点所需的人力、物资和时间等资源,以确保修缮工作的有效进行。例如,对于一个墙体区域的修缮节点,可能需要分配足够数量的工人和材料,并安排适当的工作时间,以完成修缮任务。
随后,基于每个修缮路径节点的节点资源数据,对目标墙面进行修缮策略构建。这一步骤涉及确定每个修缮节点的具体修缮方案和操作步骤,以最大程度地减少热损失并提高墙体的保温性能。例如,对于一个热桥缺陷的修缮节点,可能需要采取填补材料或加强绝缘措施等具体修缮方法,以减少热量的流失。
本发明实施例还提供了一种基于三维点云的既有保温墙面修缮系统,如图3所示,该一种基于三维点云的既有保温墙面修缮系统具体包括:
采集模块301,用于通过预置的激光扫描仪对目标墙面进行点云数据采集,得到初始点云数据;
处理模块302,用于对所述初始点云数据进行预处理,得到目标点云数据;
识别模块303,用于将所述目标点云数据输入预置的缺陷识别模型进行缺陷识别,得到缺陷区域及缺陷类型;
分析模块304,用于对所述目标墙面进行热成像数据采集,得到热成像数据,同时,根据所述热成像数据进行热损失数据分析,得到热损失数据;
构建模块305,用于基于所述缺陷区域、所述缺陷类型以及所述热损失数据对所述目标墙面进行修缮策略构建,得到目标修缮策略。
通过上述各个模块的协同工作,通过激光扫描仪进行的点云数据采集步骤确保了对目标墙面的全面和详细记录,这种高精度的空间数据捕获为后续的缺陷识别和热损失分析提供了可靠的基础。其次,通过对初始点云数据进行一系列的预处理,包括环境噪声去除、非目标信号剔除等,确保了数据的准确性和清晰度,为缺陷识别模型提供了高质量的输入数据。这种精细的数据预处理过程大大提高了缺陷识别的准确率和效率,使得缺陷区域及类型的识别更为精准。在缺陷识别的基础上,结合热成像数据进行的热损失分析,进一步深入了解了墙面的热效率问题,这对于指导针对性的修缮措施至关重要。通过综合考虑缺陷信息和热损失数据,构建的修缮策略更加科学合理,能够针对性地解决墙面存在的问题,不仅提高了修缮的效果,而且优化了资源的分配和利用。此外,提取修缮资源数据,并基于明确的修缮路径进行资源分配的步骤,进一步确保了修缮工作的顺利进行,使得整个修缮过程更加高效。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于三维点云的既有保温墙面修缮方法,其特征在于,包括:
通过预置的激光扫描仪对目标墙面进行点云数据采集,得到初始点云数据;
对所述初始点云数据进行预处理,得到目标点云数据;
将所述目标点云数据输入预置的缺陷识别模型进行缺陷识别,得到缺陷区域及缺陷类型;
对所述目标墙面进行热成像数据采集,得到热成像数据,同时,根据所述热成像数据进行热损失数据分析,得到热损失数据;
基于所述缺陷区域、所述缺陷类型以及所述热损失数据对所述目标墙面进行修缮策略构建,得到目标修缮策略。
2.根据权利要求1所述的一种基于三维点云的既有保温墙面修缮方法,其特征在于,所述通过预置的激光扫描仪对目标墙面进行点云数据采集,得到初始点云数据步骤,包括:
对所述目标墙面进行墙面区域标定,得到区域角点坐标;
根据所述区域角点坐标生成所述激光扫描仪的扫描角度及扫描位置;
根据所述区域角点坐标对所述激光扫描仪进行扫描间隔计算,得到目标扫描间隔;
基于所述扫描角度以及所述扫描位置,通过所述激光扫描仪对目标墙面进行点云数据采集,得到初始点云数据。
3.根据权利要求1所述的一种基于三维点云的既有保温墙面修缮方法,其特征在于,所述对所述初始点云数据进行预处理,得到目标点云数据步骤,包括:
通过预置的自适应滤波算法对所述初始点云数据进行环境噪声去除,得到第一点云数据;
通过频率分析算法对所述第一点云数据进行非目标信号提取,得到非目标信号数据;
基于所述非目标信号数据,对所述第一点云数据进行数据剔除,得到第二点云数据;
对所述第二点云数据进行背景数据提取,得到点云背景数据;
基于所述点云背景数据,对所述第二点云数据进行背景去除,得到第三点云数据;
对所述第三点云数据进行数据离群点识别,得到离群点集合,并通过所述离群点集合,对所述第三点云数据进行离群点剔除,得到第四点云数据;
对所述第四点云数据进行体素识别,得到体素数据集;
根据所述体素数据集,对所述第四点云数据进行下采样处理,得到所述目标点云数据。
4.根据权利要求1所述的一种基于三维点云的既有保温墙面修缮方法,其特征在于,所述将所述目标点云数据输入预置的缺陷识别模型进行缺陷识别,得到缺陷区域及缺陷类型步骤,包括:
将所述目标点云数据输入所述缺陷识别模型的卷积神经网络进行墙面裂缝识别,得到墙面裂缝数据;
将所述目标点云数据输入所述缺陷识别模型的卷积神经网络进行墙面空洞识别,得到墙面空洞数据;
对所述墙面裂缝数据以及所述墙面空洞数据进行数据缺陷融合,得到缺陷融合数据;
将所述缺陷融合数据输入所述缺陷识别模型的边缘检测层进行缺陷边界识别,得到缺陷边界数据;
对所述目标点云数据进行墙面纹理数据提取,得到墙面纹理数据;
基于所述缺陷边界数据对所述目标墙面进行缺陷区域定位,得到所述缺陷区域;
基于所述墙面纹理数据对所述目标墙面进行缺陷类型识别,得到所述缺陷类型。
5.根据权利要求1所述的一种基于三维点云的既有保温墙面修缮方法,其特征在于,所述对所述目标墙面进行热成像数据采集,得到热成像数据,同时,根据所述热成像数据进行热损失数据分析,得到热损失数据步骤,包括:
对所述目标墙面进行热成像数据采集,得到热成像数据;
根据所述热成像数据对所述目标墙面进行热传导模型构建,得到目标传导模型;
对所述目标传导模型进行热传导模拟,得到传导模拟数据;
对所述传导模拟数据进行热桥识别,得到热桥数据;
对所述传导模拟数据进行热损失区域,得到热损失区域数据;
基于所述热桥数据以及所述热损失区域数据对所述目标墙面进行热效率计算,得到墙面热效率数据;
基于所述墙面热效率数据对所述目标墙面进行保温性能分析,得到保温性能数据;
将所述热损失区域数据、所述热桥识别以及所述保温性能数据合并为所述热损失数据。
6.根据权利要求1所述的一种基于三维点云的既有保温墙面修缮方法,其特征在于,所述基于所述缺陷区域、所述缺陷类型以及所述热损失数据对所述目标墙面进行修缮策略构建,得到目标修缮策略步骤,包括:
基于所述缺陷区域、所述缺陷类型对所述目标墙面进行缺陷程度分析,得到目标缺陷程度;
基于所述目标缺陷程度对所述目标墙面进行修缮路径构建,得到初始修缮路径;
对所述热损失数据进行墙面损失面积分析,得到墙面损失面积;
基于所述墙面损失面积对所述目标墙面进行损失程度分集,得到热损失程度;
基于所述热损失程度对所述初始修缮路径进行路径修正,得到目标修缮路径;
提取修缮资源数据,并基于所述目标修缮路径以及所述修缮资源数据对所述目标墙面进行修缮策略构建,得到目标修缮策略。
7.根据权利要求6所述的一种基于三维点云的既有保温墙面修缮方法,其特征在于,所述提取修缮资源数据,并基于所述目标修缮路径以及所述修缮资源数据对所述目标墙面进行修缮策略构建,得到目标修缮策略步骤,包括:
提取修缮资源数据,并对所述目标修缮路径进行路径节点构建,得到多个修缮路径节点;
基于所述修缮资源数据对每个所述修缮路径节点进行节点资源分配,得到每个所述修缮路径节点的节点资源数据;
基于每个所述修缮路径节点的节点资源数据对所述目标墙面进行修缮策略构建,得到目标修缮策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410350374.XA CN117952975B (zh) | 2024-03-26 | 一种基于三维点云的既有保温墙面修缮方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410350374.XA CN117952975B (zh) | 2024-03-26 | 一种基于三维点云的既有保温墙面修缮方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117952975A true CN117952975A (zh) | 2024-04-30 |
CN117952975B CN117952975B (zh) | 2024-07-05 |
Family
ID=
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732206A (zh) * | 2018-06-07 | 2018-11-02 | 合肥暖流信息科技有限公司 | 一种实现建筑保温性能辨识的方法及系统 |
CN108760803A (zh) * | 2018-06-01 | 2018-11-06 | 合肥展游软件开发有限公司 | 一种用于建筑外墙质量检测的系统 |
CN112669286A (zh) * | 2020-12-29 | 2021-04-16 | 北京建筑材料检验研究院有限公司 | 基于红外热像的外墙外保温系统缺陷识别与损伤程度评价方法 |
KR102565689B1 (ko) * | 2022-10-12 | 2023-08-09 | 부경대학교 산학협력단 | 딥러닝 기반 이동식 시설물 안전진단 및 모니터링 방법 및 장치 |
CN116773531A (zh) * | 2023-06-21 | 2023-09-19 | 中冶检测认证有限公司 | 一种建筑物热工性能检测方法、系统、电子设备及介质 |
CN117420143A (zh) * | 2023-12-19 | 2024-01-19 | 斯润天朗(北京)科技有限公司 | 基于多源传感器融合的路面缺陷检测方法、装置和计算机设备 |
CN117470900A (zh) * | 2023-07-28 | 2024-01-30 | 郑州大学 | 基于红外热成像仪的墙体传热系数测定方法 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108760803A (zh) * | 2018-06-01 | 2018-11-06 | 合肥展游软件开发有限公司 | 一种用于建筑外墙质量检测的系统 |
CN108732206A (zh) * | 2018-06-07 | 2018-11-02 | 合肥暖流信息科技有限公司 | 一种实现建筑保温性能辨识的方法及系统 |
CN112669286A (zh) * | 2020-12-29 | 2021-04-16 | 北京建筑材料检验研究院有限公司 | 基于红外热像的外墙外保温系统缺陷识别与损伤程度评价方法 |
KR102565689B1 (ko) * | 2022-10-12 | 2023-08-09 | 부경대학교 산학협력단 | 딥러닝 기반 이동식 시설물 안전진단 및 모니터링 방법 및 장치 |
CN116773531A (zh) * | 2023-06-21 | 2023-09-19 | 中冶检测认证有限公司 | 一种建筑物热工性能检测方法、系统、电子设备及介质 |
CN117470900A (zh) * | 2023-07-28 | 2024-01-30 | 郑州大学 | 基于红外热成像仪的墙体传热系数测定方法 |
CN117420143A (zh) * | 2023-12-19 | 2024-01-19 | 斯润天朗(北京)科技有限公司 | 基于多源传感器融合的路面缺陷检测方法、装置和计算机设备 |
Non-Patent Citations (3)
Title |
---|
张东波;王卓琳;蒋利学;: "既有建筑外墙外保温系统无损和微损检测技术", 施工技术, no. 09, 10 May 2020 (2020-05-10), pages 29 - 35 * |
梁晋等: "《3D反求技术》", 31 January 2019, 武汉:华中科技大学出版社, pages: 13 * |
甘胜丰等: "《机器视觉表面缺陷检测技术及其在钢铁工业中的应用》", 30 June 2017, 武汉:华中科技大学出版社, pages: 74 - 75 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6701615B2 (en) | Inspection and sorting system and method for part repair | |
CN111256594B (zh) | 一种飞机蒙皮表面状态物理特征的测量方法 | |
CN113406107B (zh) | 风机叶片缺陷检测系统 | |
CN112053005B (zh) | 一种主客观降水预报的机器学习融合方法 | |
WO2021046726A1 (zh) | 用于检测机械设备零部件的方法和装置 | |
US8942465B2 (en) | Methods and systems for processing images for inspection of an object | |
CN114548912A (zh) | 建筑工程项目管理用全过程追踪方法及系统 | |
CN113222937A (zh) | 一种核燃料芯块外观周面缺陷的检测方法及检测装置 | |
CN116797206A (zh) | 一种基于无人机的光伏电站的智能巡检方法与系统 | |
Wang et al. | Automatic as-is 3D building models creation from unorganized point clouds | |
CN117952975B (zh) | 一种基于三维点云的既有保温墙面修缮方法 | |
CN108895976B (zh) | 封闭空间设备变形监测方法及装置 | |
CN117952975A (zh) | 一种基于三维点云的既有保温墙面修缮方法 | |
Caggiano et al. | Cloud manufacturing architecture for part quality assessment | |
CN112184903A (zh) | 高压线行树障风险点的检测方法、装置、设备及介质 | |
CN116562590A (zh) | 一种桥梁施工及运营维护方法、系统、设备及介质 | |
Kim et al. | Automatic detection of malfunctioning photovoltaic modules using unmanned aerial vehicle thermal infrared images | |
CN115239002A (zh) | 一种新能源分布式光伏电站监测预警系统及方法 | |
Yeung et al. | A preliminary investigation into automated identification of structural steel without a priori knowledge | |
CN117523470B (zh) | 一种钢结构疲劳裂缝识别方法及系统 | |
Wang et al. | a Time Efficient Quality Check Method Based on Laser Scanning for Installation of Prefabricated Wall Panels | |
CN117823741B (zh) | 一种结合智能机器人的管网非开挖修复方法及系统 | |
Gohar et al. | Automatic Defect Detection in Wind Turbine Blade Images: Model Benchmarks and Re-Annotations | |
KR20220036115A (ko) | 드론으로 촬영한 열화상을 이용한 인공지능 기반의 태양광 모듈 진단 방법 및 시스템 | |
CN117634072A (zh) | 一种风力发电机组叶片修复方法及系统 |
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 |