CN118196327A - 一种智能绿色建筑施工信息管理方法及系统 - Google Patents
一种智能绿色建筑施工信息管理方法及系统 Download PDFInfo
- Publication number
- CN118196327A CN118196327A CN202410585637.5A CN202410585637A CN118196327A CN 118196327 A CN118196327 A CN 118196327A CN 202410585637 A CN202410585637 A CN 202410585637A CN 118196327 A CN118196327 A CN 118196327A
- Authority
- CN
- China
- Prior art keywords
- data points
- points
- corresponding data
- target sample
- sample space
- 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
- 238000009435 building construction Methods 0.000 title claims abstract description 30
- 238000007726 management method Methods 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 72
- 230000008859 change Effects 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000010276 construction Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000004566 building material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Architecture (AREA)
- Human Resources & Organizations (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及绿色建筑施工信息管理领域，具体涉及一种智能绿色建筑施工信息管理方法及系统。该方法首先获取绿色建筑表面的点云数据，对数据点的位置分布进行分析，获得对应数据点的结构特征参数；为数据点划分多个样本空间，根据结构特征参数计算出数据点在样本空间中的异常得分，选取不同数量的数据点所在样本空间作为目标样本空间，根据数据点在目标样本空间的异常得分的分布随目标样本空间数量的变化，从所有数据点中筛选出结构特征点，以结构特征点为基础构建出绿色建筑的三维模型，基于三维模型对绿色建筑的施工信息进行管理。本发明能够提高对绿色建筑三维模型构建的精度，进而提高对绿色建筑施工信息管理的准确性。
Description
技术领域
本发明涉及绿色建筑施工信息管理领域，具体涉及一种智能绿色建筑施工信息管理方法及系统。
背景技术
绿色建筑能够提供更加健康安全的居住环境，在对绿色建筑设计和施工建造的过程中，通常需要构建出对应的三维模型，以三维模型对绿色建筑的结构进行分析，以此获取绿色建筑整体结构的信息，对绿色建筑后期的建造和维护有着重大作用。
相关技术中通常使用三维激光扫描仪采集绿色建筑表面的点云数据，基于点云数据构建出对应的三维模型，从而实现对绿色建筑施工信息的管理。但由于在使用仪器采集点云数据的过程中不可避免的会受到噪声的影响，从而存在噪声数据点，同时点云数据中还存在对建筑整体结构无用的冗余数据点，这两种数据点的存在会降低构建出的三维模型的精度，进而降低对绿色建筑施工信息管理的准确性。
发明内容
为了解决点云数据中存在的噪声数据点和冗余数据点会降低构建出的三维模型的精度，进而降低对绿色建筑施工信息管理的准确性的技术问题，本发明的目的在于提供一种智能绿色建筑施工信息管理方法及系统，所采用的技术方案具体如下：
本发明提出了一种智能绿色建筑施工信息管理方法，所述方法包括：
获取绿色建筑表面的点云数据；
将所有数据点映射到空间坐标系中；将与每个数据点处于同一水平面的其他数据点作为对应数据点的参考点；根据所述参考点的位置分布，获得每个数据点的结构特征参数；
对所有数据点划分出不同的样本空间；基于所述结构特征参数对样本空间中的数据点进行异常检测，获得数据点在每个样本空间中的异常得分；选取数据点所在的不同数量的样本空间作为对应数据点的目标样本空间；根据在每个目标样本空间数量下数据点的异常得分的分布，获得每个目标样本空间数量下对应数据点的异常指标；根据每个数据点的异常指标随目标样本空间数量的变化，从所有数据点中筛选出结构特征点；
基于所述结构特征点构建绿色建筑的三维模型；根据所述三维模型对绿色建筑施工信息进行管理。
进一步地，所述根据所述参考点的位置分布，获得每个数据点的结构特征参数包括：
过数据点作与空间坐标系的横轴平行的直线，作为对应数据点的第一参考直线；将所述第一参考直线上与对应数据点相距最远的两个参考点分别到对应数据点的距离中的最小值，作为对应数据点的第一距离参数；
过数据点作与空间坐标系的纵轴平行的直线，作为对应数据点的第二参考直线；将所述第二参考直线上与对应数据点相距最远的两个参考点分别到对应数据点的距离中的最小值，作为对应数据点的第二距离参数；
将距离每个数据点最近的预设第一数量的参考点，作为对应数据点的相邻数据点；
作数据点与每个所述相邻数据点之间的连线，将所述连线与所述第一参考直线之间的夹角作为对应所述连线的角度参数；将所有所述连线的角度参数的平均值，作为对应数据点的离散程度；
将所述第一距离参数、所述第二距离参数和所述离散程度的乘积值进行负相关的归一化，获得对应数据点的结构特征参数。
进一步地，所述基于所述结构特征参数对样本空间中的数据点进行异常检测，获得数据点在每个样本空间中的异常得分包括：
基于孤立森林算法，随机选取每个样本空间中的数据点，并根据数据点的所述结构特征参数对数据点进行划分，在对应样本空间中构建出孤立树；
基于孤立森林算法中的异常得分计算公式，根据每个样本空间中数据点在孤立树中的高度，计算出数据点在每个样本空间中的异常得分。
进一步地，所述根据在每个目标样本空间数量下数据点的异常得分的分布，获得每个目标样本空间数量下对应数据点的异常指标包括：
将每个目标样本空间数量下对应数据点在所有目标样本空间的异常得分的平均值，作为每个目标样本空间数量下对应数据点的第一分布参数；
对每个目标样本空间数量下对应数据点在所有目标样本空间的异常得分的方差进行负相关映射，获得对应数据点的第二分布参数；
将所述第一分布参数和所述第二分布参数的乘积值进行负相关的归一化，获得每个样本空间数量下对应数据点的异常指标。
进一步地，所述根据每个数据点的异常指标随目标样本空间数量的变化，从所有数据点中筛选出结构特征点包括：
以目标样本空间数量为横坐标，以异常指标为纵坐标，建立直角坐标系；
分别将不同目标样本空间数量下数据点的异常指标和对应的目标样本空间数量所组成的二维点映射到直角坐标系中，获得对应数据点的二维点组；
对所述二维点组进行曲线拟合，获得对应数据点的参考曲线；
将参考曲线在每个目标样本空间数量下所对应的斜率的绝对值，作为每个目标样本空间数量的异常指标变化程度；
将异常指标变化程度小于预设变化阈值的样本空间数量中的最小值，作为对应数据点的第一变化参数；
将所有所述异常指标变化程度的方差作为对应数据点的第二变化参数；
根据所述第一变化参数和所述第二变化参数，获得对应数据点的区分参数；
将区分参数大于预设区分阈值的数据点，作为结构特征点。
进一步地，所述根据所述第一变化参数和所述第二变化参数，获得对应数据点的区分参数包括：
将所述第一变化参数和所述第二变化参数的乘积值进行归一化，获得对应数据点的区分参数。
进一步地，所述基于所述结构特征点构建绿色建筑的三维模型包括：
删除除所述结构特征点之外的所有数据点；
基于三次样条插值算法，利用所述结构特征点对绿色建筑表面其他位置处的未知数据点进行插值填充，获得填充数据点；
使用所有的所述结构特征点和所述填充数据点更新绿色建筑表面的点云数据；
使用更新后的点云数据构建出绿色建筑的三维模型。
进一步地，所述根据所述三维模型对绿色建筑施工信息进行管理包括：
对所述三维模型添加元数据，所述元数据包括模型编号、模型构建日期、建筑类型和建筑材料；
将所述三维模型和对应所述元数据共同存储在共享文件夹中。
进一步地，所述对所有数据点划分出不同的样本空间包括：
从所有数据点中有放回的随机选取出预设第二数量的数据点构成一个样本空间；
若样本空间的数量不大于预设第三数量，则继续从所有数据点中有放回的随机选取预设第二数量的数据点构成另一个样本空间，否则停止选取数据点。
本发明还提出了一种智能绿色建筑施工信息管理系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项一种智能绿色建筑施工信息管理方法的步骤。
本发明具有如下有益效果：
本发明考虑到点云数据中存在噪声数据点和冗余数据点，这两种异常数据点会降低后续对绿色建筑三维模型构建的精度，因此首先针对同一水平面的参考点，基于参考点的位置分布，通过获取的结构特征参数反映每个数据点在建筑整体结构中的重要性，便于后续基于结构特征参数获取每个数据点的异常得分；考虑到结构特征点和异常数据点相对于整体的数据点都是离群点，不利于对结构特征点的提取，因此对数据点划分出多个样本空间，并选取数据点所在的不同数量的样本空间作为对应数据点的目标样本空间，考虑到随着目标样本空间数量的增加，结构特征点的异常得分的分布呈现出从变化到稳定的趋势，因此可通过异常指标反映在不同目标样本空间数量下数据点的异常得分的分布特征，并对异常指标随目标样本空间数量的变化进行分析，筛选出对三维建模贡献更大的结构特征点，从而能够更加准确的区分结构特征点和异常数据点，提高后续对绿色建筑三维模型构建的精度，进而提高对绿色建筑施工信息管理的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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附图。
图1为本发明一个实施例所提供的一种智能绿色建筑施工信息管理方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种智能绿色建筑施工信息管理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种智能绿色建筑施工信息管理方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种智能绿色建筑施工信息管理方法流程图，该方法包括：
步骤S1：获取绿色建筑表面的点云数据。
绿色建筑能够提供更加健康安全的居住环境，在对绿色建筑设计和施工的过程中，通常需要基于采集的点云数据构建出绿色建筑的三维模型，以三维模型对绿色建筑的结构进行分析，获取绿色建筑整体结构的信息，但由于点云数据中包含大量受噪声影响的噪声数据点和对建筑整体结构无用的冗余数据点，导致构建出的三维模型的精度较低，降低对绿色建筑施工信息管理的准确性，因此本发明实施例提出一种智能绿色建筑施工信息管理方法以解决该问题。需要说明的是，在后续的步骤为了描述的方便中将噪声数据点和冗余数据点统称为异常数据点。
本发明实施例首先使用激光雷达设备采集绿色建筑表面的点云数据，其中点云数据是绿色建筑表面多个位置处数据点的集合，而每个数据点包含相应的空间位置坐标以及激光反射强度。
获取到绿色建筑表面的点云数据以后，便可在后续中基于点云数据构建出绿色建筑的三维模型，从而实现对绿色建筑施工信息的管理。
步骤S2：将所有数据点映射到空间坐标系中；将与每个数据点处于同一水平面的其他数据点作为对应数据点的参考点；根据参考点的位置分布，获得每个数据点的结构特征参数。
由于采集的数据点中存在大量的异常数据点，而异常数据点无法反映绿色建筑的整体结构特征，会降低后续对绿色建筑三维模型构建的精度，导致构建的三维模型与实际建筑之间结构的差别较大，因此本发明实施例首先对数据点在绿色建筑整体结构中的重要性进行分析，由于每个数据点都存在空间位置坐标，因此可首先将所有的数据点映射到空间坐标系中，其中空间坐标系的三个坐标轴分别为横轴、纵轴和竖轴，并将与每个数据点处于同一水平面的其他数据点作为对应数据点的参考点，即数据点与对应的参考点在空间坐标系中的竖坐标相同，并对同一水平面中参考点的位置分布进行分析，通过获取的结构特征参数反映每个数据点在绿色建筑整体结构中的重要性，便于后续基于结构特征参数获取每个数据点的异常得分，进而更加准确地筛选出结构特征点。
优选地，在本发明的一个实施例中每个数据点的结构特征参数的获取方法具体包括：
过数据点作与空间坐标系的横轴平行的直线，作为对应数据点的第一参考直线；将第一参考直线上与对应数据点相距最远的两个参考点分别到对应数据点的距离中的最小值，作为对应数据点的第一距离参数；过数据点作与空间坐标系的纵轴平行的直线，作为对应数据点的第二参考直线；将第二参考直线上与对应数据点相距最远的两个参考点分别到对应数据点的距离中的最小值，作为对应数据点的第二距离参数；将距离每个数据点最近的预设第一数量的参考点，作为对应数据点的相邻数据点；作数据点与每个相邻数据点之间的连线，将连线与第一参考直线之间的夹角作为对应连线的角度参数；将所有连线的角度参数的平均值，作为对应数据点的离散程度；将第一距离参数、第二距离参数和离散程度的乘积值进行负相关的归一化，获得对应数据点的结构特征参数。结构特征参数的表达式可以具体例如为：
；
其中，表示第/>个数据点的结构特征参数；/>表示第/>个数据点与第/>个相邻数据点之间的连线的角度参数；/>表示第/>个数据点的第一距离参数；/>表示第/>个数据点的第二距离参数；/>表示相邻数据点的数量，即预设第一数量，在本发明的一个实施例中将预设第一数量设置为8，预设第一数量的具体数值可根据具体实施场景由实施者自行设置，在此不作限定；/>表示以自然常数/>为底的指数函数，用于归一化处理。
在每个数据点的结构特征参数的获取过程中，结构特征参数用于反映对应数据点在绿色建筑整体结构中的重要性，结构特征参数/>越大，说明该数据点在整体结构中越重要，则该数据点对提高后续建模精度越重要；/>表示对应数据点的离散程度，其中数据点与对应相邻数据点之前连线的角度参数/>越小，说明该数据点与相邻数据点之间的方向越一致，进而说明该数据点在绿色建筑的整体结构中越重要，则该数据点的结构特征参数/>越大；/>和/>分别为数据点在横轴方向的第一距离参数和在纵轴方向的第二距离参数，/>和/>越小，说明该数据点越分布在绿色建筑的表面处，进而说明该数据点在绿色建筑的整体结构中越重要，则该数据点的结构特征参数/>越大，进而对离散程度、第一距离参数/>和第二距离参数/>进行负相关的归一化处理，将结构特征参数/>限定在/>范围内，便于后续基于结构特征参数构建对应的孤立树。
获取到每个数据点的结构特征参数后，便可在后续的孤立树构建过程中基于结构特征参数对数据点在孤立树中的分布进行划分，从而在每个样本空间中构建出孤立树，提高对数据点在对应样本空间的异常得分的准确性。
步骤S3：对所有数据点划分出不同的样本空间，基于结构特征参数对样本空间中的数据点进行异常检测，获得数据点在每个样本空间中的异常得分；选取数据点所在的不同数量的样本空间作为对应数据点的目标样本空间；根据在每个目标样本空间数量下数据点的异常得分的分布，获得每个目标样本空间数量下对应数据点的异常指标；根据每个数据点的异常指标随目标样本空间数量的变化，从所有数据点中筛选出结构特征点。
在本发明实施例中主要就有孤立森林算法（Isolation Forest，iForest）筛选出在绿色建筑整体结构中比较重要的结构特征点，但由于异常数据点和结构特征点相对于整体的数据点都是比较离群的数据点，因此如果直接基于孤立森林算法对数据点进行筛选，会将异常数据点误认为结构特征点，导致筛选出的结构特征点不准确，进而降低后续建模的精度；考虑到孤立树数量设置的过多会导致每个数据点的过拟合，过拟合后每个数据点的异常得分都会很高且趋近于1，这是因为当划分的次数过多后数据点本身的聚集情况相对整体划分的孤立树数量是微不足道的，因此整体的数据点的异常得分都会偏高。而孤立树的数量是根据选取的样本空间的数量决定的，每个样本空间中孤立树的数量是相对固定的，所以增加样本空间的数量会增加整体孤立树的数量，可首先对所有数据点划分出不同的样本空间，便于后续在不同样本空间中对数据点的异常得分进行分析。
优选地，在本发明的一个实施例中对所有数据点划分出不同的样本空间具体包括：
从所有数据点中有放回的随机选取出预设第二数量的数据点构成一个样本空间；若样本空间的数量不大于预设第三数量，则继续从所有数据点中有放回的随机选取预设第二数量的数据点构成另一个样本空间，否则停止选取数据点。由于是有放回的选取数据点，因此每个数据点可能会出现在多个样本空间中，并且各样本空间的中数据点的数量相同，即为预设第二数量，预设第三数量为样本空间的总数量，在本发明的一个实施例中预设第二数量设置为数据点总数量的十分之一，如果预设第二数量不为整数则向上取整，预设第三数量设置为50，预设第二数量和预设第三数量的具体数值也可根据具体实施场景由实施者自行设置在，在此不作限定。
划分出多个样本空间后，便可基于结构特征参数对样本空间中的数据点进行异常检测，获取数据点在每个样本空间中的异常得分，便于后续对数据点在不同数量的目标样本空间中的异常得分的分布变化趋势进行分析。
优选地，在本发明的一个实施例中每个样本空间中对应数据点的异常得分的获取方法具体包括：
由于孤立森林算法是通过划分对象某一维度的数据构建出孤立树的，从而在孤立树中将异常的对象划分出来，而上述获取的结构特征参数能够反映数据点在绿色建筑整体结构中的重要性，因此在本发明实施例中可将结构特征参数作为数据点的维度数据，然后基于孤立森林算法，随机选取每个样本空间中的数据点，并根据数据点的结构特征参数对数据点进行划分，从而在对应样本空间中构建出孤立树；基于孤立森林算法中的异常得分计算公式，根据每个样本空间中数据点在孤立树中的高度，计算出每个样本空间中对应数据点的异常得分，需要说明的是，孤立森林算法以及异常得分计算公式均为本领域技术人员熟知的技术手段，在此不做赘述。
由于样本空间是通过随机选取数据点进行构建的，因此每个数据点可能并不会出现在所有的样本空间中，并且异常数据点和结构特征点在不同数量的样本空间中异常得分的分布的变化趋势是不同的，因此可选取数据点所在的不同数量的样本空间作为对应数据点的目标样本空间，由于在本发明实施例中主要通过分析不同目标样本空间数量下数据点的异常得分的分布的变化趋势区分异常数据点和结构特征点，而具体每次选取哪些样本空间作为目标样本空间对结果影响不大，因此只考虑选取的目标样本空间数量，进而可根据在每个目标样本空间数量下数据点的异常得分的分布，获得每个目标样本空间数量下对应数据点的异常指标，便于后续对异常指标随目标样本空间数量的变化趋势进行分析，从而筛选出结构特征点。
优选地，在本发明的一个实施例中每个目标样本空间数量下对应数据点的异常指标的获取方法具体包括：
将每个目标样本空间数量下对应数据点在所有目标样本空间的异常得分的平均值，作为每个目标样本空间数量下对应数据点的第一分布参数；对每个目标样本空间数量下对应数据点在所有目标样本空间的异常得分的方差进行负相关映射，获得对应数据点的第二分布参数；将第一分布参数和第二分布参数的乘积值进行负相关的归一化，获得每个样本空间数量下对应数据点的异常指标。异常指标的表达式可以具体例如为：
；
其中，表示在目标样本空间数量为/>的情况下第/>个数据点的异常指标；表示在目标样本空间数量为/>的情况下第/>个数据点在/>个目标样本空间的异常得分的方差，即第二分布参数；/>表示在目标样本空间数量为/>的情况下第/>个数据点在第/>个目标样本空间中的异常得分；/>表示每个选取的目标样本空间的数量；/>表示第/>个数据点所在的样本空间的数量，即包含第/>个数据点的样本空间的数量；/>表示以自然常数/>为底的指数函数，用于归一化处理；/>表示调节参数，防止分母为0，在本发明的一个实施例调节参数设置为0.01，调节参数的具体数据可根据具体实施场景由实施者自行设置在，在此不作限定。
在每个样本空间数量下对应数据点的异常指标的获取过程中，异常指标用于反映在每个目标样本空间数量下对应数据点的异常得分的分布特征，便于后续分析异常指标随目标样本空间的变化趋势筛选出结构特征点；/>表示在每个目标样本空间数量下对应数据点在所有目标样本空间的异常得分的平均值，即第一分布参数，通过第一分布参数反映在每个目标样本空间数量下对应数据点的异常得分的整体分布，表示数据点的第二分布参数。对于结构特征点，随着目标样本空间数量的增加，其第一分布参数和第二分布参数是逐渐增加，即存在明显的变化趋势，而对于异常数据点，随着目标样本空间数量的增加，其第一分布参数和第二分布参数没有明显的变化趋势，因此在本发明的一个实施例中对第一分布参数和第二分布参数的乘积值就进行负相关的归一化，将异常指标/>限定在/>范围内，通过异常指标反映每个目标样本空间数量下数据点的异常得分的分布特征，便于后续通过分析异常指标随目标样本空间数量的变化趋势，从而筛选出结构特征点。
由于异常指标反映了数据点在不同目标样本空间数量下的异常得分的分布特征，对于结构特征点，其异常指标随选取的目标样本空间数量的变化会逐渐趋于平稳，而异常数据点的异常指标随选取的目标样本空间数量的变化则会一直保持平稳，因此可根据每个数据点的异常指标随目标样本空间数量的变化，从所有数据点中筛选出结构特征点，结构特征点在绿色建筑整体结构中更加重要，对后续提高建模精度的贡献更大。
优选地，在本发明的一个实施例中结构特征点的获取方法具体包括：
以目标样本空间数量为横坐标，以异常指标为纵坐标，建立直角坐标系；分别将不同目标样本空间数量下数据点的异常指标和对应的目标样本空间数量所组成的二维点映射到直角坐标系中，获得对应数据点的二维点组；对二维点组进行曲线拟合，获得对应数据点的参考曲线；将参考曲线在每个目标样本空间数量下所对应的斜率的绝对值，作为每个目标样本空间数量的异常指标变化程度；将异常指标变化程度小于预设变化阈值的样本空间数量中的最小值，作为对应数据点的第一变化参数；将所有异常指标变化程度的方差作为对应数据点的第二变化参数；根据第一变化参数和第二变化参数，获得对应数据点的区分参数；将区分参数大于预设区分阈值的数据点，作为结构特征点，在本发明的一个实施例中预设变化阈值设置为0.15，预设区分阈值设置为0.68，预设变化阈值和预设区分阈值的具体数值可根据具体实施场景由实施者自行设置，在此不作限定。其中，区分参数的表达式可以具体例如为：
；
其中，表示第/>个数据点的区分参数；/>表示第/>个数据点的第一变化参数；表示第/>个数据点的第二变化参数；/>表示归一化函数，在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。
在每个数据点的区分参数的获取过程中，区分参数用于区分该数据点是否为结构特征点，由于结构特征点的异常指标随着目标样本空间数量的增加会存在一种由变化逐渐趋于平稳的过程，而异常数据点的异常指标随着目标样本空间数量的增加则一直保持平稳，因此可通过区分参数提取出具有由变化逐渐趋于平稳的参考曲线对应的数据点作为结构特征点；当参考曲线趋于平稳时，其斜率的绝对值较小，因此本发明的一个实施例将异常指标变化程度小于预设变化阈值视为参考曲线已经趋于平稳，而/>表示异常指标变化程度小于预设变化阈值的样本空间数量中的最小值，可以理解为参考曲线首次趋于平稳时所对应的目标样本空间的数量，/>越大，说明该数据点对应的参考曲线由变化逐渐趋于平稳的趋势越明显，进而说明该数据点为结构特征点的可能性越大，则该数据点的区分参数/>就越大；/>为所有目标样本空间数量对应的异常指标变化程度的方差，/>越大，说明各个目标样本空间数量对应的异常指标变化程度的差异越大，进而说明该对应的参考曲线由变化逐渐趋于平稳的趋势越明显，则该数据点的区分参数/>就越大，进而对第一变化参数/>和第二变化参数/>的乘积值进行归一化，将区分参数限定在/>范围内，便于对数据点进行评估筛选。
从所有的数据点中筛选出对绿色建筑整体结构建模更加重要的结构特征点后，在后续中便可基于结构特征点构建出更加精确的绿色建筑三维模型，从而提高对绿色建筑施工信息管理的准确性。
步骤S4：基于结构特征点构建绿色建筑的三维模型；根据三维模型对绿色建筑施工信息进行管理。
通过上述过程筛选出的结构特征点在绿色建筑的整体结构更加重要，结构特征点在建模的过程中能够更真实的反映出绿色建筑实际的结构特征，因此可基于结构特征点构建绿色建筑的三维模型，使得构建出的三维模型更加接近绿色建筑的真实结构。
优选地，在本发明的一个实施例中绿色建筑的三维模型的获取方法具体包括：
筛选出结构特征点后，可将结构特征点之外的数据点视为异常特征点，而异常特征点会降低三维模型构建的精度，因此可删除除结构特征点之外的所有数据点；并基于三次样条插值算法，利用结构特征点对绿色建筑表面其他位置处的未知数据点进行插值填充，获得填充数据点，从而增加三维建模可使用的数据点，可进一步提高三维模型构建的精度；使用所有的结构特征点和填充数据点更新绿色建筑表面的点云数据；使用更新后的点云数据构建出绿色建筑的三维模型，在本发明的一个实施例中可使用专门的点云数据处理软件Bentley Pointools构建对应的三维模型。
获取到绿色建筑的三维模型后，便可以三维模型为基础对绿色建筑施工信息进行管理，为了更加丰富三维模型的相关信息，可为绿色建筑对应的三维建模添加元数据，其中元数据包括模型编号、模型构建日期、建筑类型和建筑材料，并将三维模型和对应元数据共同存储在共享文件夹中，便于工作人员对三维模型的搜索和分析。
本发明一个实施例提供了一种智能绿色建筑施工信息管理系统，该系统包括存储器、处理器和计算机程序，其中存储器用于存储相应的计算机程序，处理器用于运行相应的计算机程序，计算机程序在处理器中运行时能够实现步骤S1~S4所描述的方法。
综上所述，本发明实施例首先获取绿色建筑表面的点云数据，并将所有数据点映射到空间坐标系中，将与每个数据点处于同一水平面的其他数据点作为对应数据点的参考点，并对参考点的位置分布进行分析，获得每个数据点的结构特征参数；基于孤立森林算法，在划分出的不同样本空间中基于结构特征参数对数据点进行划分，从而构建出孤立树，并获取每个样本空间中数据点的异常得分；选取数据点所在的不同数量的样本空间作为对应数据点的目标样本空间，并在每个目标样本空间数量下根据数据点在各目标样本空间的异常得分的分布，获得每个目标样本空间数量下对应数据点的异常指标，进而根据每个数据点的异常指标随目标样本空间数量的变化，从所有数据点中筛选出结构特征点，以结构特征点为基础构建出绿色建筑的三维模型，并基于三维模型对绿色建筑的施工信息进行管理。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种智能绿色建筑施工信息管理方法，其特征在于，所述方法包括：
获取绿色建筑表面的点云数据；
将所有数据点映射到空间坐标系中；将与每个数据点处于同一水平面的其他数据点作为对应数据点的参考点；根据所述参考点的位置分布，获得每个数据点的结构特征参数；
对所有数据点划分出不同的样本空间；基于所述结构特征参数对样本空间中的数据点进行异常检测，获得数据点在每个样本空间中的异常得分；选取数据点所在的不同数量的样本空间作为对应数据点的目标样本空间；根据在每个目标样本空间数量下数据点的异常得分的分布，获得每个目标样本空间数量下对应数据点的异常指标；根据每个数据点的异常指标随目标样本空间数量的变化，从所有数据点中筛选出结构特征点；
基于所述结构特征点构建绿色建筑的三维模型；根据所述三维模型对绿色建筑施工信息进行管理。
2.根据权利要求1所述的一种智能绿色建筑施工信息管理方法，其特征在于，所述根据所述参考点的位置分布，获得每个数据点的结构特征参数包括：
过数据点作与空间坐标系的横轴平行的直线，作为对应数据点的第一参考直线；将所述第一参考直线上与对应数据点相距最远的两个参考点分别到对应数据点的距离中的最小值，作为对应数据点的第一距离参数；
过数据点作与空间坐标系的纵轴平行的直线，作为对应数据点的第二参考直线；将所述第二参考直线上与对应数据点相距最远的两个参考点分别到对应数据点的距离中的最小值，作为对应数据点的第二距离参数；
将距离每个数据点最近的预设第一数量的参考点，作为对应数据点的相邻数据点；
作数据点与每个所述相邻数据点之间的连线，将所述连线与所述第一参考直线之间的夹角作为对应所述连线的角度参数；将所有所述连线的角度参数的平均值，作为对应数据点的离散程度；
将所述第一距离参数、所述第二距离参数和所述离散程度的乘积值进行负相关的归一化，获得对应数据点的结构特征参数。
3.根据权利要求1所述的一种智能绿色建筑施工信息管理方法，其特征在于，所述基于所述结构特征参数对样本空间中的数据点进行异常检测，获得数据点在每个样本空间中的异常得分包括：
基于孤立森林算法，随机选取每个样本空间中的数据点，并根据数据点的所述结构特征参数对数据点进行划分，在对应样本空间中构建出孤立树；
基于孤立森林算法中的异常得分计算公式，根据每个样本空间中数据点在孤立树中的高度，计算出数据点在每个样本空间中的异常得分。
4.根据权利要求1所述的一种智能绿色建筑施工信息管理方法，其特征在于，所述根据在每个目标样本空间数量下数据点的异常得分的分布，获得每个目标样本空间数量下对应数据点的异常指标包括：
将每个目标样本空间数量下对应数据点在所有目标样本空间的异常得分的平均值，作为每个目标样本空间数量下对应数据点的第一分布参数；
对每个目标样本空间数量下对应数据点在所有目标样本空间的异常得分的方差进行负相关映射，获得对应数据点的第二分布参数；
将所述第一分布参数和所述第二分布参数的乘积值进行负相关的归一化，获得每个样本空间数量下对应数据点的异常指标。
5.根据权利要求1所述的一种智能绿色建筑施工信息管理方法，其特征在于，所述根据每个数据点的异常指标随目标样本空间数量的变化，从所有数据点中筛选出结构特征点包括：
以目标样本空间数量为横坐标，以异常指标为纵坐标，建立直角坐标系；
分别将不同目标样本空间数量下数据点的异常指标和对应的目标样本空间数量所组成的二维点映射到直角坐标系中，获得对应数据点的二维点组；
对所述二维点组进行曲线拟合，获得对应数据点的参考曲线；
将参考曲线在每个目标样本空间数量下所对应的斜率的绝对值，作为每个目标样本空间数量的异常指标变化程度；
将异常指标变化程度小于预设变化阈值的样本空间数量中的最小值，作为对应数据点的第一变化参数；
将所有所述异常指标变化程度的方差作为对应数据点的第二变化参数；
根据所述第一变化参数和所述第二变化参数，获得对应数据点的区分参数；
将区分参数大于预设区分阈值的数据点，作为结构特征点。
6.根据权利要求5所述的一种智能绿色建筑施工信息管理方法，其特征在于，所述根据所述第一变化参数和所述第二变化参数，获得对应数据点的区分参数包括：
将所述第一变化参数和所述第二变化参数的乘积值进行归一化，获得对应数据点的区分参数。
7.根据权利要求1所述的一种智能绿色建筑施工信息管理方法，其特征在于，所述基于所述结构特征点构建绿色建筑的三维模型包括：
删除除所述结构特征点之外的所有数据点；
基于三次样条插值算法，利用所述结构特征点对绿色建筑表面其他位置处的未知数据点进行插值填充，获得填充数据点；
使用所有的所述结构特征点和所述填充数据点更新绿色建筑表面的点云数据；
使用更新后的点云数据构建出绿色建筑的三维模型。
8.根据权利要求1所述的一种智能绿色建筑施工信息管理方法，其特征在于，所述根据所述三维模型对绿色建筑施工信息进行管理包括：
对所述三维模型添加元数据，所述元数据包括模型编号、模型构建日期、建筑类型和建筑材料；
将所述三维模型和对应所述元数据共同存储在共享文件夹中。
9.根据权利要求1所述的一种智能绿色建筑施工信息管理方法，其特征在于，所述对所有数据点划分出不同的样本空间包括：
从所有数据点中有放回的随机选取出预设第二数量的数据点构成一个样本空间；
若样本空间的数量不大于预设第三数量，则继续从所有数据点中有放回的随机选取预设第二数量的数据点构成另一个样本空间，否则停止选取数据点。
10.一种智能绿色建筑施工信息管理系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410585637.5A CN118196327B (zh) | 2024-05-13 | 2024-05-13 | 一种智能绿色建筑施工信息管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410585637.5A CN118196327B (zh) | 2024-05-13 | 2024-05-13 | 一种智能绿色建筑施工信息管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118196327A true CN118196327A (zh) | 2024-06-14 |
| CN118196327B CN118196327B (zh) | 2024-07-19 |
Family
ID=91398891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410585637.5A Active CN118196327B (zh) | 2024-05-13 | 2024-05-13 | 一种智能绿色建筑施工信息管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118196327B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109461207A (zh) * | 2018-11-05 | 2019-03-12 | 胡翰 | 一种点云数据建筑物单体化方法及装置 |
| US20190188337A1 (en) * | 2017-12-19 | 2019-06-20 | Eagle View Technologies,Inc. | Supervised automatic roof modeling |
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| WO2020211430A1 (zh) * | 2019-04-16 | 2020-10-22 | 广东康云科技有限公司 | 一种智慧城市系统及其实现方法 |
| CN113223178A (zh) * | 2021-05-12 | 2021-08-06 | 武汉中仪物联技术股份有限公司 | 管道选定结构特征参数的确定方法和装置 |
| CN116403154A (zh) * | 2023-03-06 | 2023-07-07 | 广州市林业和园林科学研究院 | 一种园林景观组合式立体绿化异常智能监控方法 |
| CN117496051A (zh) * | 2023-10-09 | 2024-02-02 | 智慧互通科技股份有限公司 | 一种结合激光雷达的bim模型构建方法和系统 |
-
2024
- 2024-05-13 CN CN202410585637.5A patent/CN118196327B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190188337A1 (en) * | 2017-12-19 | 2019-06-20 | Eagle View Technologies,Inc. | Supervised automatic roof modeling |
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| CN109461207A (zh) * | 2018-11-05 | 2019-03-12 | 胡翰 | 一种点云数据建筑物单体化方法及装置 |
| WO2020211430A1 (zh) * | 2019-04-16 | 2020-10-22 | 广东康云科技有限公司 | 一种智慧城市系统及其实现方法 |
| CN113223178A (zh) * | 2021-05-12 | 2021-08-06 | 武汉中仪物联技术股份有限公司 | 管道选定结构特征参数的确定方法和装置 |
| CN116403154A (zh) * | 2023-03-06 | 2023-07-07 | 广州市林业和园林科学研究院 | 一种园林景观组合式立体绿化异常智能监控方法 |
| CN117496051A (zh) * | 2023-10-09 | 2024-02-02 | 智慧互通科技股份有限公司 | 一种结合激光雷达的bim模型构建方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈慧娴等: "基于深度学习的三维点云分析方法研究进展", 仪器仪表学报, 30 November 2023 (2023-11-30), pages 130 - 158 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118196327B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11188738B2 (en) | System and method associated with progressive spatial analysis of prodigious 3D data including complex structures | |
| KR101055419B1 (ko) | 지상 라이다를 이용한 지형측량 방법 | |
| US11442915B2 (en) | Methods and systems for extracting and visualizing patterns in large-scale data sets | |
| CN113344019A (zh) | 一种决策值选取初始聚类中心改进的K-means算法 | |
| EP3401808A1 (en) | Interactive data exploration | |
| CN113269825B (zh) | 基于地基激光雷达技术林木胸径值提取的方法 | |
| CN111259963B (zh) | 一种区域植被指标的驱动因素分析方法、装置及存储介质 | |
| CN114186073A (zh) | 基于子图匹配和分布式查询的运维故障诊断分析方法 | |
| CN110647647B (zh) | 一种基于时间序列复杂度差异性的封闭图形相似性搜索方法 | |
| CN117668583A (zh) | 一种基于人工智能投资研究的投资优化方法 | |
| Othmani et al. | A novel computer-aided tree species identification method based on burst wind segmentation of 3d bark textures | |
| CN115413026A (zh) | 基于聚类算法的基站选择方法、系统、设备及存储介质 | |
| CN107818338A (zh) | 一种面向地图综合的建筑物群组模式识别的方法及系统 | |
| CN108629315B (zh) | 一种针对三维点云的多平面识别方法 | |
| CN118196327B (zh) | 一种智能绿色建筑施工信息管理方法及系统 | |
| CN117827928A (zh) | 一种基于异常特征提取的数据库巡检方法 | |
| CN116797786A (zh) | 基于极值偏移深度学习的机载激光雷达单木分割方法 | |
| CN114863108B (zh) | 点云处理的方法、系统、电子设备及计算机可读存储介质 | |
| CN113724343A (zh) | 一种基于结构感知的树木点云压缩方法 | |
| CN118334354B (zh) | 一种基于LiDAR点云的单木分割方法 | |
| CN118626579B (zh) | 一种智能化地理测绘数据管理方法及系统 | |
| CN117315002B (zh) | 待测物体三维表型测量方法、系统及装置 | |
| CN118351323A (zh) | 基于离散点云分布模式的枝干骨架提取方法、装置和介质 | |
| Bratuś et al. | Development of LiDAR data classification algorithms based on parallel computing using nVidia CUDA technology | |
| CN112784708A (zh) | 一种农田防护林林带年龄遥感识别方法 |
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 |