CN118195375A - 基于bim与实景测量技术的工程质量校核方法及系统 - Google Patents
基于bim与实景测量技术的工程质量校核方法及系统 Download PDFInfo
- Publication number
- CN118195375A CN118195375A CN202410193216.8A CN202410193216A CN118195375A CN 118195375 A CN118195375 A CN 118195375A CN 202410193216 A CN202410193216 A CN 202410193216A CN 118195375 A CN118195375 A CN 118195375A
- Authority
- CN
- China
- Prior art keywords
- construction
- data
- bim
- node
- quality
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000005259 measurement Methods 0.000 title claims abstract description 40
- 238000005516 engineering process Methods 0.000 title claims abstract description 37
- 238000010276 construction Methods 0.000 claims abstract description 143
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 56
- 238000004458 analytical method Methods 0.000 claims description 43
- 238000006243 chemical reaction Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 30
- 238000013441 quality evaluation Methods 0.000 claims description 22
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 14
- 230000006872 improvement Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于BIM与实景测量技术的工程质量校核方法及系统,涉及建筑工程管理技术领域,包括:根据工程图纸构建3D模型,制定施工计划,进一步构建第一BIM模型;使用无人机以及高清摄像头进行施工现场的实景测量,采集第一数据集;对第一数据集进行预处理,构建第二BIM模型;检测当前施工节点是否完成,对第一和第二BIM模型进行数据对比;收集第二数据集进行预处理,使用第二数据集构建旋转矩阵以及构建指数函数;评估施工质量优化迭代预设成本;根据判断结果,进行问题整改,输出结果。本发明的方法能够避免传统工程质量校核中的人为因素干扰,减少误判和漏检现象的发生,为工程建设行业带来了一种创新的质量管理方式。
Description
技术领域
本发明涉及建筑工程管理技术领域,具体为基于BIM与实景测量技术的工程质量校核方法及系统。
背景技术
目前在施工过程中,传统的质量校核方法通常包括人工测量和视觉检查。质量检查人员会使用测量工具,如测量仪器和工具尺,对施工现场的构件进行测量,以验证其尺寸和位置是否与设计要求一致。同时,他们也进行视觉检查,比对实际构件与设计图纸之间的差异,以发现潜在的问题。这些测量和检查的结果通常手工记录在纸质或电子表格中,在后续经过一系列的图纸和质量要求比对、人工核算,才能形成最终的校核结果。
这种方法需要大量的人力资源,包括测量员、质量检查员和数据记录员,这使得质量控制过程复杂且容易受到人为误差的影响,难以实现精准校核,易产生误差和遗漏。且问题通常在施工后才被发现,导致修复成本上升和项目进度延误。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:如何通过自动化手段,进行质量验收校核,提高验收效率和准确性。
为解决上述技术问题,本发明提供如下技术方案:基于BIM与实景测量技术的工程质量校核方法,其包括如下步骤,根据工程图纸构建3D模型,制定施工计划,进一步构建第一BIM模型。
使用无人机以及高清摄像头进行施工现场的实景测量,采集第一数据集。
对第一数据集进行预处理,使用深度学习技术构建第二BIM模型。
检测当前施工节点是否完成,对第一和第二BIM模型进行数据对比。
收集第二数据集进行预处理,使用第二数据集构建旋转矩阵以及构建指数函数。
评估施工质量优化迭代预设成本。
根据判断结果,进行问题整改,输出结果。
作为本发明所述的基于BIM与实景测量技术的工程质量校核方法的一种优选方案,其中:所述第一数据集包括施工现场的三维几何数据、现场施工图像以及视频。
所述第二数据集包括实时成本数据、节点维护数据以及施工工艺数据;
所述预处理是针对第一数据集的数据去除无效和重复内容,校准几何精度和图像质量,对图像和视频进行特征提取识别关键结构和节点,将原始格式数据转换为需求分析的格式,以及实时更新数据,针对第二数据集是提取视频中的非人工成本,聚合不同来源的信息,验证数据准确性以及完整性,识别数据中的偏差以及根据时间序列分析评估施工进度。
作为本发明所述的基于BIM与实景测量技术的工程质量校核方法的一种优选方案,其中:根据工程图纸构建3D模型,拆分工作节点制定施工计划,构建第一BIM模型,使用无人机以及高清摄像头进行施工现场的实景测量,确定现场施工对象的位置信息,录制施工视频进行预处理提取施工过程的关键结构和节点,将相关信息传输至系统构建第二BIM模型。
作为本发明所述的基于BIM与实景测量技术的工程质量校核方法的一种优选方案,其中:所述第一和第二BIM模型进行数据对比是通过三维模型进行重合对比,当对比第一和第二BIM模型不重合时,先发出警报由第一分析判断模块溯源工程图纸是否为最新版图纸,是否需要更新施工计划以及第一BIM模型,进一步通过高清摄像头录制的视频,提取施工过程的关键结构和节点,若关键结构和节点部分提取成功,部分未提取成功,则将关键结构和节点转录至第二分析判断模块,分析部分未提取成功的原因,并由第一分析判断模块进行溯源重新获取关键结构和节点并传输至第二分析判断模块进行数据修正补录,更新第二BIM模型。
若更新后的第二BIM模型仍无法重合则判定当前节点施工质量未达标,若重合则进一步使用第二数据集分析以进行工程质量校核。
所述第一分析判断模块溯源是发送相关指令传输至系统,进一步使无人机和高清摄像头切换角度或补录视频数据。
作为本发明所述的基于BIM与实景测量技术的工程质量校核方法的一种优选方案,其中:所述使用第二数据集分析是通过视频针对第二数据集是提取视频中的非人工成本的节点提取,计算当前施工任务的非人工成本,聚合不同来源的信息,收集节点维护数据以及施工工艺数据。
判断当前施工任务的非人工成本是否符合系统预设成本,不符合预设成本则进一步判断当前施工工艺是否符合预设标准,若工艺符合预设标准则输出当前节点施工质量未达标,若当前工艺不符合预设标准则标记视频数据传输至技术负责人进行评估,若不认可当前工艺则将反馈信息传输至系统触发警报停止当前施工,并使现场恢复到上一节点状态重新施工,若认可则将反馈信息传输至系统,保留视频数据以及当前施工工艺和相对应的非工人成本。
所述系统预设成本包括同一节点设置多种不同工艺所对应的不同等级成本。
若当前施工任务的非人工成本符合系统预设成本,则暂且输出当前节点施工质量达标,进一步将第二数据集的每个指标进行角度转换以及向量转换,进而构建旋转矩阵以及构建指数函数,表达式为:
θCD=arctan(CD)
VCD=[0,CD]
θSD=arctan(SD)
VSD=[0,SD]
VPC=[0,PC]
其中,θCD、VCD分别为实时成本数据的成本偏差转换角度以及成本偏差的转换向量,θSD、VSD分别为节点维护数据的进度偏差转换角度以及进度偏差的转换向量,θPC、VPC分别为施工工艺数据的工艺符合度的转换角度以及工艺符合度的转换向量。
作为本发明所述的基于BIM与实景测量技术的工程质量校核方法的一种优选方案,其中:通过旋转矩阵以及指数函数进行构建施工节点的综合质量评估函数,表达式为:
其中,TQS为施工节点综合质量评估得分,n为指标的总数,Ri(θi)为第i个指标对应的旋转矩阵,θi为每个指标值计算得出的旋转角度,为所有旋转矩阵乘积的行列式,/>为计算向量的指数函数,Vi为每个指标转换为向量形式的结果。
作为本发明所述的基于BIM与实景测量技术的工程质量校核方法的一种优选方案,其中:使用第二数据集优化综合质量评估函数,迭代出评估分数最高的施工方案,标记出针对不同施工节点的最佳实施成本、节点维护数据、以及施工工艺,针对当前施工的非人工成本符合系统预设成本,但未达到综合质量评估函数最高数值的方案指出针对性的改进策略。
本发明的另外一个目的是提供基于BIM与实景测量技术的工程质量校核系统,其能通过集成高精度的实景测量数据与BIM模型,实现对施工过程的精确监控和质量校验,解决了现有工程管理方法在质量控制和进度监督方面过于依赖人工检查的问题。
为解决上述技术问题,本发明提供如下技术方案:基于BIM与实景测量技术的工程质量校核系统,包括:数据采集与预处理模块、BIM模型建构与分析模块、深度学习与数据对比模块、综合质量评估与优化模块以及用户交互模块。
所述数据采集与预处理模块是实时收集施工现场数据,并进行预处理。
所述BIM模型建构与分析模块是根据工程图纸和预处理后的实景数据构建第一和第二BIM模型,并进行模型间的对比分析。
所述深度学习与数据对比模块是利用深度学习技术分析图像和视频数据,以及执行第一和第二BIM模型间的数据对比,增强数据分析的深度。
所述综合质量评估与优化模块是结合第二数据集进行质量评估,包括旋转矩阵和指数函数的计算,以及基于优化算法的质量评分迭代,提供全面的施工质量评分,辅助决策和质量改进。
所述用户交互模块是识别和管理施工风险,提供用户交互界面以展示分析结果和接收用户反馈。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述基于BIM与实景测量技术的工程质量校核方法的步骤。
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如上所述基于BIM与实景测量技术的工程质量校核方法的步骤。
本发明的有益效果:本发明通过BIM模型与实景测量技术的结合,实现了施工现场的全面监控和精准校核,提高了工程质量校核的准确性和效率。
利用人工智能算法对质量问题进行深度分析和权重计算,找出了影响工程质量的主要因素,为工程质量改进提供了有力支持。
本发明的方法能够避免传统工程质量校核中的人为因素干扰,减少误判和漏检现象的发生,为工程建设行业带来了一种创新的质量管理方式。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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它的附图。
图1为本发明第一个实施例提供的基于BIM与实景测量技术的工程质量校核方法的整体流程图。
图2为本发明第二个实施例提供的基于BIM与实景测量技术的工程质量校核系统的结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
实施例1
参照图1为本发明的一个实施例,提供了基于BIM与实景测量技术的工程质量校核方法,其特征在于:
本发明公布了基于BIM与实景测量技术的工程质量校核方法,可以在工程质量验收时通过自动化手段,进行质量验收校核,提高验收效率和准确性,同时节约人力成本。
BIM是一种新兴的数字化建模技术,能基于工程设计图纸建立建筑物的三维信息模型,模型包含建筑物构件的几何属性、物理属性和位置信息。
实景测量技术是一种通过激光、相机、移动测绘等设备,对现实世界的物体和地形进行高精度的三维扫描和数据捕捉,以创建精确的数字模型,用于建筑设计、城市规划、地理信息系统等领域,以提高效率、准确性和可视化,帮助改进设计、管理、决策和资源利用。
基于以上两种技术建立设计模型和实景测量模型,搭建相应的模型应用系统,通过两种模型的比对,自动校核出两个模型在结构尺寸、位置、材料等属性方面的差异性,并自动形成质量差异分析报告,可实现工程现场的质量智能校核。
首先,使用无人机以及高清摄像头等设备对施工现场进行三维数据采集和重建。这些设备可以获取施工现场的高精度数据,并且可以自动化地处理这些数据,减少了人为因素对数据采集和处理的影响,提高了数据的准确性和效率。
其次,将采集的数据导入到BIM模型中,同时也需建立高精度的BIM模型,实现施工现场的数字化和可视化。通过这种方法,我们可以更加直观地了解施工现场的情况,并且可以在BIM模型中对现场数据进行比对和校核,从而发现问题并进行精准校核。此外,BIM模型还可以进行工程量的统计和造价分析,提高工程管理的效率和精度。
二是通过人工智能算法对工程质量进行智能分析和优化。本专利采用深度学习和特征提取技术,建立全面的工程质量智能分析模型。该模型可以通过对历史数据和专家经验的深度学习,自动识别和检测工程中存在的质量问题,并针对这些问题提出相应的解决建议和支持。此外,该模型还可以对工程质量进行预测和控制,从而提高工程的质量水平和管理效率。
本发明的具体技术方案进行进一步解释:
根据工程图纸构建3D模型,制定施工计划,进一步构建第一BIM模型,使用无人机以及高清摄像头进行施工现场的实景测量,采集第一数据集,将数据集进行预处理,使用深度学习技术构建第二BIM模型,检测当前施工节点是否完成,对第一和第二BIM模型进行数据对比,使用第二数据集构建旋转矩阵以及构建指数函数,评估施工质量优化迭代预设成本;根据判断结果,进行问题整改,输出结果。
第一数据集包括施工现场的三维几何数据、现场施工图像以及视频。
第二数据集包括实时成本数据、节点维护数据以及施工工艺数据。
预处理是针对第一数据集的数据去除无效和重复内容,校准几何精度和图像质量,对图像和视频进行特征提取识别关键结构和节点,将原始格式数据转换为需求分析的格式,以及实时更新数据,针对第二数据集是提取视频中的非人工成本,聚合不同来源的信息,验证数据准确性以及完整性,识别数据中的偏差以及根据时间序列分析评估施工进度,通过专用的软件将这些数据进行处理,转化为可以导入到BIM软件中的格式,如OBJ文件,通过这种方式,我们可以在BIM模型中实时更新施工现场的状态,为后续的质量校核提供准确的数据基础。
施工人员使用BIM软件来创建项目的三维数字模型。这个模型包括建筑、结构、机电等各个专业,这些模型可以包含详细的施工信息,例如材料类型、构造细节、建筑系统和组件的相互关系等。在创建BIM施工模型时,施工人员采用参数化设计方法,这样可以帮助设计人员对建筑模型进行精细的调整和控制。
例如,设计人员可以设置参数来控制特定建筑元素的尺寸、形状和位置,这些参数可以与其它建筑元素或系统进行关联,当一个参数发生变化时,与之关联的其它参数也会自动更新,从而保证了整个建筑模型的一致性和准确性,施工模型与现场最新施工图纸保持一致。
根据工程图纸构建3D模型,拆分工作节点制定施工计划,构建第一BIM模型,使用无人机以及高清摄像头进行施工现场的实景测量,确定现场施工对象的位置信息,录制施工视频进行预处理提取施工过程的关键结构和节点,将相关信息传输至系统构建第二BIM模型。
第一和第二BIM模型进行数据对比是通过三维模型进行重合对比,当对比模型不重合时,先发出警报由第一分析判断模块溯源工程图纸是否为最新版图纸,是否需要更新施工计划以及第一BIM模型,进一步通过高清摄像头录制的视频,提取施工过程的关键结构和节点,若关键结构和节点部分提取成功,部分未提取成功,则将关键结构和节点转录至第二分析判断模块,分析部分未提取成功的原因,并由第一分析判断模块进行溯源重新获取关键结构和节点并传输至第二分析判断模块进行数据修正补录,更新第二BIM模型。
进一步要解释的是本发明中提到了节点,是一个通俗的指代词,并非是较大的施工内容才具备,本发明的节点可以是完成任何一个极小任务中的每一个步骤。
若更新后的BIM模型仍无法重合则判定当前节点施工质量未达标,若重合则进一步使用第二数据集分析以进行工程质量校核。
第一分析判断模块溯源是发送相关指令传输至系统,进一步使无人机和高清摄像头切换角度或补录视频数据。
为了更深入地分析质量问题,引入了人工智能算法。通过机器深度学习和特征提取技术,我们可以自动识别出关键质量问题的原因,例如材料质量、施工工艺、环境条件等。然后,利用神经网络模型对这些原因进行计算,我们可以找出影响工程质量的主要因素。这种分析方法不仅可以提高分析效率,还可以避免人为因素对结果的影响,使分析结果更加准确。
使用第二数据集分析是通过视频针对第二数据集是提取视频中的非人工成本的节点提取,计算当前施工任务的非人工成本,聚合不同来源的信息,收集节点维护数据以及施工工艺数据。
判断当前施工任务的非人工成本是否符合系统预设成本,不符合预设成本则进一步判断当前施工工艺是否符合预设标准,若工艺符合预设标准则输出当前节点施工质量未达标,若当前工艺不符合预设标准则标记视频数据传输至技术负责人进行评估,若不认可当前工艺则将反馈信息传输至系统触发警报停止当前施工,并使现场恢复到上一节点状态重新施工,若认可则将反馈信息传输至系统,保留视频数据以及当前施工工艺和相对应的非工人成本。
系统预设成本包括同一节点设置多种不同工艺所对应的不同等级成本。
若当前施工任务的非人工成本符合系统预设成本,则暂且输出当前节点施工质量达标,进一步将第二数据集的每个指标进行角度转换以及向量转换,进而构建旋转矩阵以及构建指数函数,表达式为:
θCD=arctan(CD)
VCD=[0,CD]
θSD=arctan(SD)
VSD=[0,SD]
VPC=[0,PC]
其中,θCD、VCD分别为实时成本数据的成本偏差转换角度以及成本偏差的转换向量,θSD、VSD分别为节点维护数据的进度偏差转换角度以及进度偏差的转换向量,θPC、VPC分别为施工工艺数据的工艺符合度的转换角度以及工艺符合度的转换向量。
通过旋转矩阵以及指数函数进行构建施工节点的综合质量评估函数,表达式为:
其中,TQS为施工节点综合质量评估得分,n为指标的总数,Ri(θi)为第i个指标对应的旋转矩阵,θi为每个指标值计算得出的旋转角度,为所有旋转矩阵乘积的行列式,/>为计算向量的指数函数,Vi为每个指标转换为向量形式的结果。
使用第二数据集优化综合质量评估函数,迭代出评估分数最高的施工方案,标记出针对不同施工节点的最佳实施成本、节点维护数据、以及施工工艺,针对当前施工的非人工成本符合系统预设成本,但未达到综合质量评估函数最高数值的方案指出针对性的改进策略。
在整体发明实施的过程中,我们会进行实时的数据反馈和监控,以确保解决方案的有效性。同时,我们还会对改进的过程和结果进行记录和分析,将成功的案例和经验反馈到我们的模型中,不断优化我们的解决方案。
此外,还会对实施过程进行全面的跟踪和记录,确保所有的改进措施都得到了有效的实施。
实施例2
参照图2,为本发明的一个实施例,提供了基于BIM与实景测量技术的工程质量校核方法的系统,其特征在于:包括数据采集与预处理模块、BIM模型建构与分析模块、深度学习与数据对比模块、综合质量评估与优化模块以及用户交互模块。
数据采集与预处理模块是实时收集施工现场数据,并进行预处理。
BIM模型建构与分析模块是根据工程图纸和预处理后的实景数据构建第一和第二BIM模型,并进行模型间的对比分析。
深度学习与数据对比模块是利用深度学习技术分析图像和视频数据,以及执行第一和第二BIM模型间的数据对比,增强数据分析的深度。
综合质量评估与优化模块是结合第二数据集进行质量评估,包括旋转矩阵和指数函数的计算,以及基于优化算法的质量评分迭代,提供全面的施工质量评分,辅助决策和质量改进。
用户交互模块是识别和管理施工风险,提供用户交互界面以展示分析结果和接收用户反馈。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
实施例3
本实施例中,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。本实施例分别对现有传统的方法、本实施例的方法进行了实验。
假设此仿真实验是在一个建筑工程项目中进行的,该项目旨在通过综合应用BIM技术和实景测量技术来提升工程质量管理的效率和精确性。项目中的关键任务包括严格控制成本、确保按时完成各施工节点,并且保持高标准的工艺质量。
在此实验中,我们设定了具体的成本偏差、节点维护偏差和工艺符合度参数,以模拟在实际施工过程中可能遇到的情况。通过计算这些参数,我们可以评估项目的整体表现,包括成本控制的有效性、进度的合理性以及工艺的准确性。
这些计算结果可以帮助项目管理团队及时识别和解决问题,优化资源分配,并采取必要措施来提高工程质量和效率。通过这种方法,可以更全面地评估工程项目的整体表现,为项目管理提供重要的决策支持。
在本发明中预算成本:1,000,000;实际成本:1,050,000;
成本偏差(CD)=(实际成本-预算成本)/预算成本=(1,050,000-1,000,000)/1,000,000=0.05或5%。
预定完成节点数:10;实际完成节点数:11
节点维护偏差(SD)=(实际完成节点数-预定完成节点数)/预定完成节点数=(11-10)/10=0.1或10%。
工艺符合度:95%或0.95。
将第二数据集的每个指标进行角度转换以及向量转换,进而构建旋转矩阵以及构建指数函数。
θCD=arctan(CD)
VCD=[0,CD]
θSD=arctan(SD)
VSD=[0,SD]
VPC=[0,PC]
成本偏差(CD)转换角度:θCD=0.04996弧度。
进度偏差(SD)转换角度:θSD=--0.02999弧度。
工艺符合度(PC)转换角度:θPC=0.31756弧度。
CD转换向量:VCD=[0.99875,0.04996]。
SD转换向量:VSD=[0.99955,-0.02999]。
PC转换向量:VPC=[0.94868,0.31623]。
CD旋转矩阵行列式:1.0,SD旋转矩阵行列式:1.0,PC旋转矩阵行列式:1.0。
通过旋转矩阵以及指数函数进行构建施工节点的综合质量评估函数,表达式为:
表1数据驱动的对比表
特性 | 传统方法 | 本方法 |
数据采集精度(%) | ±5% | ±1% |
质量校核周期(天) | 3~4 | 0.1~1 |
进度管理精确度(%) | ±10% | ±3% |
成本控制精确度(%) | ±15% | ±5% |
风险识别效率(%) | 60% | 90% |
操作效率(任务/小时) | 5 | 10 |
适应性评分(1-10) | 4 | 9 |
在数据采集精度方面,本方法实现了±1%的高精度,相比于传统方法的±5%,显著提高了数据的准确性和可靠性;在质量校核周期上,本方法几乎实现了实时校核(0.1天~1天),大大快于传统每3~4天一次的校核周期,加快了问题反馈和调整的速度;进度管理精确度提升至±3%,远超过传统方法的±10%,使得项目进度控制更加精准;成本控制精确度也得到了显著提高,从传统的±15%降低至±5%,有效避免了预算超支。
此外,本方法在风险识别效率方面达到90%,相较于传统方法的60%,大幅度提高了及时识别和应对潜在风险的能力,在操作效率方面,本方法达到每小时10个任务的处理能力,是传统方法的两倍,大幅提升了工作效率。在适应性评分上,本方法以9分的高评分远超传统方法的4分,显示出在应对复杂和多变环境时的显著优势。
综合来看,本方法在效率、精确度和适应性方面的优势,为项目管理提供了更高效、更精准和更可靠的工具,显著提高了工程项目的管理质量和成功率。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于BIM与实景测量技术的工程质量校核方法,其特征在于,包括:
根据工程图纸构建3D模型,制定施工计划,进一步构建第一BIM模型;
使用无人机以及高清摄像头进行施工现场的实景测量,采集第一数据集;
对第一数据集进行预处理,使用深度学习技术构建第二BIM模型;
检测当前施工节点是否完成,对第一和第二BIM模型进行数据对比;
收集第二数据集进行预处理,使用第二数据集构建旋转矩阵以及构建指数函数;
评估施工质量优化迭代预设成本;
根据判断结果,进行问题整改,输出结果。
2.如权利要求1所述的基于BIM与实景测量技术的工程质量校核方法,其特征在于:所述第一数据集包括施工现场的三维几何数据、现场施工图像以及视频;
所述第二数据集包括实时成本数据、节点维护数据以及施工工艺数据;
所述预处理是针对第一数据集的数据去除无效和重复内容,校准几何精度和图像质量,对图像和视频进行特征提取识别关键结构和节点,将原始格式数据转换为需求分析的格式,以及实时更新数据,针对第二数据集是提取视频中的非人工成本,聚合不同来源的信息,验证数据准确性以及完整性,识别数据中的偏差以及根据时间序列分析评估施工进度。
3.如权利要求2所述的基于BIM与实景测量技术的工程质量校核方法,其特征在于:根据工程图纸构建3D模型,拆分工作节点制定施工计划,构建第一BIM模型,使用无人机以及高清摄像头进行施工现场的实景测量,确定现场施工对象的位置信息,录制施工视频进行预处理提取施工过程的关键结构和节点,将相关信息传输至系统构建第二BIM模型。
4.如权利要求3所述的基于BIM与实景测量技术的工程质量校核方法,其特征在于:所述第一和第二BIM模型进行数据对比是通过三维模型进行重合对比,当对比第一和第二BIM模型不重合时,先发出警报由第一分析判断模块溯源工程图纸是否为最新版图纸,是否需要更新施工计划以及第一BIM模型,进一步通过高清摄像头录制的视频,提取施工过程的关键结构和节点,若关键结构和节点部分提取成功,部分未提取成功,则将关键结构和节点转录至第二分析判断模块,分析部分未提取成功的原因,并由第一分析判断模块进行溯源重新获取关键结构和节点并传输至第二分析判断模块进行数据修正补录,更新第二BIM模型;
若更新后的第二BIM模型仍无法重合则判定当前节点施工质量未达标,若重合则进一步使用第二数据集分析以进行工程质量校核;
所述第一分析判断模块溯源是发送相关指令传输至系统,进一步使无人机和高清摄像头切换角度或补录视频数据。
5.如权利要求4所述的基于BIM与实景测量技术的工程质量校核方法,其特征在于:所述使用第二数据集分析是通过视频针对第二数据集是提取视频中的非人工成本的节点提取,计算当前施工任务的非人工成本,聚合不同来源的信息,收集节点维护数据以及施工工艺数据;
判断当前施工任务的非人工成本是否符合系统预设成本,不符合预设成本则进一步判断当前施工工艺是否符合预设标准,若工艺符合预设标准则输出当前节点施工质量未达标,若当前工艺不符合预设标准则标记视频数据传输至技术负责人进行评估,若不认可当前工艺则将反馈信息传输至系统触发警报停止当前施工,并使现场恢复到上一节点状态重新施工,若认可则将反馈信息传输至系统,保留视频数据以及当前施工工艺和相对应的非工人成本;
所述系统预设成本包括同一节点设置多种不同工艺所对应的不同等级成本;
若当前施工任务的非人工成本符合系统预设成本,则暂且输出当前节点施工质量达标,进一步将第二数据集的每个指标进行角度转换以及向量转换,进而构建旋转矩阵以及构建指数函数,表达式为:
θCD=arctan(CD)
VCD=[0,CD]
θSD=arctan(SD)
VSD=[0,SD]
VPC=[0,PC]
其中,θCD、VCD分别为实时成本数据的成本偏差转换角度以及成本偏差的转换向量,θSD、VSD分别为节点维护数据的进度偏差转换角度以及进度偏差的转换向量,θPC、VPC分别为施工工艺数据的工艺符合度的转换角度以及工艺符合度的转换向量。
6.如权利要求5所述的基于BIM与实景测量技术的工程质量校核方法,其特征在于:通过旋转矩阵以及指数函数进行构建施工节点的综合质量评估函数,表达式为:
其中,TQS为施工节点综合质量评估得分,n为指标的总数,Ri(θi)为第i个指标对应的旋转矩阵,θi为每个指标值计算得出的旋转角度,为所有旋转矩阵乘积的行列式,/>为计算向量的指数函数,Vi为每个指标转换为向量形式的结果。
7.如权利要求6所述的基于BIM与实景测量技术的工程质量校核方法,其特征在于:使用第二数据集优化综合质量评估函数,迭代出评估分数最高的施工方案,标记出针对不同施工节点的最佳实施成本、节点维护数据、以及施工工艺,针对当前施工的非人工成本符合系统预设成本,但未达到综合质量评估函数最高数值的方案指出针对性的改进策略。
8.一种采用如权利要求1~7任一所述的基于BIM与实景测量技术的工程质量校核方法的系统其特征在于:包括数据采集与预处理模块、BIM模型建构与分析模块、深度学习与数据对比模块、综合质量评估与优化模块以及用户交互模块;
所述数据采集与预处理模块是实时收集施工现场数据,并进行预处理;
所述BIM模型建构与分析模块是根据工程图纸和预处理后的实景数据构建第一和第二BIM模型,并进行模型间的对比分析;
所述深度学习与数据对比模块是利用深度学习技术分析图像和视频数据,以及执行第一和第二BIM模型间的数据对比,增强数据分析的深度;
所述综合质量评估与优化模块是结合第二数据集进行质量评估,包括旋转矩阵和指数函数的计算,以及基于优化算法的质量评分迭代,提供全面的施工质量评分,辅助决策和质量改进;
所述用户交互模块是识别和管理施工风险,提供用户交互界面以展示分析结果和接收用户反馈。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于BIM与实景测量技术的工程质量校核方法的步骤。
10.一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至7中任一项所述基于BIM与实景测量技术的工程质量校核方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410193216.8A CN118195375A (zh) | 2024-02-21 | 2024-02-21 | 基于bim与实景测量技术的工程质量校核方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410193216.8A CN118195375A (zh) | 2024-02-21 | 2024-02-21 | 基于bim与实景测量技术的工程质量校核方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118195375A true CN118195375A (zh) | 2024-06-14 |
Family
ID=91410743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410193216.8A Pending CN118195375A (zh) | 2024-02-21 | 2024-02-21 | 基于bim与实景测量技术的工程质量校核方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118195375A (zh) |
-
2024
- 2024-02-21 CN CN202410193216.8A patent/CN118195375A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7138753B2 (ja) | 画像欠陥検出方法、装置、電子機器、記憶媒体および製品 | |
Ukhwah et al. | Asphalt pavement pothole detection using deep learning method based on YOLO neural network | |
CN111811420B (zh) | 隧道三维轮廓整体绝对变形监测方法及系统 | |
CA3050966C (en) | Automated supervision and inspection of assembly process | |
CN115908424A (zh) | 基于三维激光扫描的建筑物健康检测方法、系统及介质 | |
CN108596221B (zh) | 标尺读数的图像识别方法及设备 | |
CN114626615A (zh) | 一种生产过程监控管理方法及系统 | |
US11442438B2 (en) | Automated supervision and inspection of assembly process | |
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 | |
CN116308185A (zh) | 一种建筑工程可视化进度录入及预警方法 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
CN111222462A (zh) | 一种基于目标检测的表观特征监测数据智能标注方法 | |
CN117372424B (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN116630809A (zh) | 基于智能图像分析的地质雷达数据自动识别方法及系统 | |
CN118195375A (zh) | 基于bim与实景测量技术的工程质量校核方法及系统 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
KR20200141274A (ko) | 스마트 팩토리 가상설계에 따른 설비배치에 대한 설비위치 검증방법 | |
EP3611676A1 (en) | Automated supervision and inspection of assembly process | |
CN118037741B (zh) | 基于机器视觉的人字门焊接质量检测方法及系统 | |
CN114563014B (zh) | 一种基于仿真图像的OpenDrive地图自动化检测方法 | |
CN117823741B (zh) | 一种结合智能机器人的管网非开挖修复方法及系统 | |
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 | |
NL2021588B1 (en) | Automated supervision and inspection of assembly process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |