CN114547866B - 基于bim-无人机-机械狗的预制构件智能检测方法 - Google Patents
基于bim-无人机-机械狗的预制构件智能检测方法 Download PDFInfo
- Publication number
- CN114547866B CN114547866B CN202210092105.9A CN202210092105A CN114547866B CN 114547866 B CN114547866 B CN 114547866B CN 202210092105 A CN202210092105 A CN 202210092105A CN 114547866 B CN114547866 B CN 114547866B
- Authority
- CN
- China
- Prior art keywords
- path
- prefabricated
- determining
- model
- point cloud
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明实施例公开了一种基于BIM‑无人机‑机械狗的预制构件智能检测方法。该方法包括:基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型;根据层次节点模型确定预制构件厂的目标扫描路径,以通过沿目标扫描路径行驶的机械狗采集预制构件点云数据;由预制构件点云数据中提取预制构件厂中各预制构件对应的构件尺寸;将各构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各预制构件对应的质量检测报告。本发明实施例的技术方案,解决了人工检测或三维激光扫描检测无法实现预制构件厂内所有预制构件全面检查,且需耗费大量人工成本的问题,提升了预制构件质量检测的全面性和准确性,降低了检测成本,提升了检测效率。
Description
技术领域
本发明实施例涉及建筑设备检测技术领域,尤其涉及一种基于BIM-无人机-机械狗的预制构件智能检测方法。
背景技术
随着建筑工业化水平的不断提升,预制构件作为建筑过程中最常使用的建筑材料,不应具有影响结构性能和安装、使用功能的尺寸偏差,为满足上述需求,需对各预制构件进行非结构性质量检测。目前的质量检测主要依据国家标准《预制混凝土构件质量检验评定标准》以地方标准《装配式住宅建筑检测技术标准》进行。检测项目主要包括长度偏差、侧向弯曲、预埋件和孔洞中心位移等。
现有的尺寸偏差检测方法常采用人工观察、手持钢卷尺和靠尺等人工检测方法通过对预制构件厂中各预制构件抽样完成,并不能做到预制构件的全数检测,且由人工通过尺量、拉线、靠尺、经纬仪和水准仪等方式完成的测量存在验证的局限性,检测结果较为主观,在工作过程中易发生纰漏使得测量结果可能不可靠,同时人工检查过程时间和人工成本均较高,使得检测效果低下。
而通过三维激光扫描预制构件对其进行质量检测,虽具有全自动、非接触式和较高精度的技术特点,但其仅被应用在对单个预制构件的几何质量检测中,且常需人工介入以进行点云数据采集,具有明显的局限性,仍旧难以满足预制构件检测全面性和高效率的需求。
发明内容
本发明提供一种基于BIM-无人机-机械狗的预制构件智能检测方法,以结合无人机和机械狗对预制构件厂中所有预制构件的尺寸信息进行采集,进而结合建筑三维模型BIM确定各预制构件的质量检测结果,提升了预制构件质量检测的全面性和准确性,避免了人工参与,在降低质量检测成本的基础上,提升了检测效率。
第一方面,本发明实施例提供了一种基于BIM-无人机-机械狗的预制构件质量检测方法,包括:
基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型;
根据层次节点模型确定预制构件厂的目标扫描路径,以通过沿目标扫描路径行驶的机械狗采集预制构件点云数据;
由预制构件点云数据中提取预制构件厂中各预制构件对应的构件尺寸;
将各构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各预制构件对应的质量检测报告。
进一步地,基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型,包括:
基于无人机对预制构件厂的全场景扫描结果构建全场景点云模型;
将全场景点云模型网格化,依据全场景点云模型中各点云数据间的拓扑关系,确定网格化点云模型;
根据预设扫描需求对应的分辨率、自适应动态四叉树算法与网格化点云模型,构建预制构件厂的全场景对应的层次节点模型。
进一步地,根据层次节点模型确定预制构件厂的目标扫描路径,包括:
将层次节点模型进行轮廓抽取,确定与全场景对应的二维平面模型;
依据预设数据质量要求对二维平面模型进行试验分析,确定目标对象点;
对二维平面模型进行初次栅格化,确定首次栅格化地图,并根据首次栅格化地图与目标对象点确定初始扫描路径;
对初始扫描路径进行全局路径优化与局部路径优化,确定目标扫描路径;
其中,目标对象点为扫描时间最短的目标扫描站点,以及与目标扫描站点对应的目标角度分辨率。
进一步地,对初始扫描路径进行全局路径优化与局部路径优化,确定目标扫描路径,包括:
通过静态路网最短路径搜索算法对初始扫描路径进行全局路径优化,确定初始全局路径;
模拟机械狗在初始全局路径中的行进,并将机械狗遇到障碍物的局部路径确定为待优化局部路径;
通过动态窗算法对待优化局部路径进行局部路径规划,确定与待优化局部路径对应的优化局部路径;
将优化局部路径与初始全局路径进行融合,根据融合后的初始全局路径确定新的初始全局路径;
返回执行模拟机械狗在初始全局路径中的行进的步骤,直到不存在待优化局部路径时,将初始全局路径确定为目标扫描路径。
进一步地,通过沿目标扫描路径行驶的机械狗采集预制构件点云数据,包括:
沿目标扫描路径行驶的机械狗在各目标对象点以对应的目标角度分辨率进行数据采集,将各目标对象点对应的数据的集合确定为预制构件点云数据。
进一步地,由预制构件点云数据中提取预制构件厂中各预制构件对应的构件尺寸,包括:
对预制构件点云数据进行配准与滤波,确定预处理点云数据;
将预处理点云数据代入预先训练好的点云语义分割模型中,根据模型输出结果将预处理点云数据划分为与预制构件厂中各预制构件对应的预制构件点集,并确定各预制构件对应的构件类型;
根据各预制构件点集,以及与各预制构件点集对应的二维边界识别点集,确定各预制构件对应的构件尺寸;
其中,点云语义分割模型为经由加入残值的区域增长算法训练的神经网络模型。
进一步地,将各构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各预制构件对应的质量检测报告,包括:
由建筑三维模型BIM中确定与各构件类型对应的几何尺寸信息;
确定各构件尺寸与构件类型对应的几何尺寸信息间的尺寸差值;
若尺寸差值大于预设尺寸阈值,则确定尺寸差值对应的预制构件的检测结果为质量异常;否则,确定尺寸差值对应的预制构件的检测结果为质量正常;
根据各预制构件对应的检测结果生成质量检测报告。
第二方面,本发明实施例还提供了一种基于BIM-无人机-机械狗的预制构件智能检测装置,基于BIM-无人机-机械狗的预制构件智能检测装置包括:
节点模型建立模块,用于基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型;
路径数据扫描模块,用于根据层次节点模型确定预制构件厂的目标扫描路径,以通过沿目标扫描路径行驶的机械狗采集预制构件点云数据;
构件尺寸确定模块,用于由预制构件点云数据中提取预制构件厂中各预制构件对应的构件尺寸;
质量检测模块,用于将各构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各预制构件对应的质量检测报告。
第三方面,本发明实施例还提供了一种基于BIM-无人机-机械狗的预制构件智能检测设备,包括:
存储装置以及一个或多个处理器;
存储装置,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述第一方面的基于BIM-无人机-机械狗的预制构件智能检测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,上述计算机可执行指令在由计算机处理器执行时用于执行如上述第一方面的基于BIM-无人机-机械狗的预制构件智能检测方法。
本发明实施例提供的一种基于BIM-无人机-机械狗的预制构件智能检测方法,通过基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型;根据层次节点模型确定预制构件厂的目标扫描路径,以通过沿目标扫描路径行驶的机械狗采集预制构件点云数据;由预制构件点云数据中提取预制构件厂中各预制构件对应的构件尺寸;将各构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各预制构件对应的质量检测报告。通过采用上述技术方案,基于无人机对预制构件厂整体进行扫描以生成可供机械狗进行数据采集的路径信息,并使得机械狗可在沿该路径行驶时对预制构件厂中所有预制构件进行数据采集,将无人机与机械狗二者相结合,在无人参与的情况下即可得到全部预制构件的信息,保障了后续质量检测的全面性,结合建筑三维模型BIM直接获取与各预制构件对应的准确几何尺寸信息,实现预制构件的构件尺寸与对应几何尺寸信息的自动匹配比对,提升了预制构件质量检测的检测效率和准确性。解决了现有通过人工检测或三维激光扫描检测无法实现对预制构件厂内所有预制构件全面检查,且需耗费大量人工成本的问题,提升了预制构件质量检测的全面性和准确性,在降低质量检测成本的基础上,提升了检测效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例一中的一种基于BIM-无人机-机械狗的预制构件智能检测方法的流程图;
图2是本发明实施例二中的一种基于BIM-无人机-机械狗的预制构件智能检测方法的流程图;
图3是本发明实施例二中的首次栅格化地图中初始扫描路径的示例图;
图4是本发明实施例二中的一种对初始扫描路径进行全局路径优化与局部路径优化,确定目标扫描路径的流程示意图;
图5是本发明实施例二中的一种机械狗数据采集流程示例图;
图6是本发明实施例二中的一种局域网无线定位模型的结构示例图;
图7是本发明实施例二中的一种预制构件提取的边界示例图;
图8是本发明实施例三中的一种基于BIM-无人机-机械狗的预制构件智能检测装置的结构示意图;
图9是本发明实施例四中的一种基于BIM-无人机-机械狗的预制构件智能检测设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例方式作进一步地详细描述。应当明确,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它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
实施例一
图1为本发明实施例一提供的一种基于BIM-无人机-机械狗的预制构件智能检测方法的流程图,本实施例可适用于对预制构件厂中所有预制构件进行无人参与的质量检测的情况,该方法可以由基于BIM-无人机-机械狗的预制构件智能检测装置来执行,该基于BIM-无人机-机械狗的预制构件智能检测装置可以由软件和/或硬件来实现,该基于BIM-无人机-机械狗的预制构件智能检测装置可以配置在基于BIM-无人机-机械狗的预制构件智能检测设备上,该基于BIM-无人机-机械狗的预制构件智能检测设备可以是计算机设备,计算机设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。一般而言,计算机设备可以是笔记本、台式计算机以及智能平板等。
如图1所示,本实施例一提供的一种基于BIM-无人机-机械狗的预制构件智能检测方法,具体包括如下步骤:
S101、基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型。
在本实施例中,全景扫描结果具体可理解为无人机对预制构件厂进行空中的全场景扫描后所得到的数据集合,可选的,该数据集合可为无人机扫描得到的三维扫描点的集合,也可为由无人机采集到的图像对应的特征点的集合,本发明实施例对此不进行限制。层次节点模型(Level of Detail,LOD)具体可理解为一种用于可见面判定算法的几何层次模型,其认为当物体覆盖屏幕较小区域时,可以使用该物体描述较粗的模型。
具体的,基于无人机对预制构件厂的全场景扫描结果,由其中各扫描点构成预制构件厂全场景的三维模型,进而对该赛为模型进行离散得到离散数据,并依据各离散数据间的优化组合关系,以及三维模型中各数据点间的拓扑关系,对三维模型进行划分,依据扫描需求分辨率的确定预制构件厂的可见面,并将各可见面构成与全场景对应的LOD模型。
S102、根据层次节点模型确定预制构件厂的目标扫描路径,以通过沿目标扫描路径行驶的机械狗采集预制构件点云数据。
在本实施例中,目标扫描路径具体可理解为规划得出的,经由其可对预制构件厂中所有预制构件进行全角度扫描的机械狗行驶路径。预制构件点云数据具体可理解为由机械狗扫描采集的,包含各预制构件对应特征向量点的集合,可选的,预制构件点云数据中的一个特征向量点可包含三维坐标、颜色信息或反射强度信息等特征信息。
具体的,由于层次节点模型可用以大致表征预制构件厂的全场景三维情况,故可将三维的LOD模型二维化,由其中确定可进行预制构件扫描的位置,以及全场景中可供机械狗行进的可行进区域,结合可行进区域以及需进行扫描位置,将存在于可行进区域内并途经所有扫描位置的最短路径确定为目标扫描路径,使得机械狗可以沿该目标扫描路径行驶,并在行使至对应扫描位置时,由设置于机械狗上的数据测量装置对途中各预制构件的信息进行采集,并最终确定预制构件点云数据。
S103、由预制构件点云数据中提取预制构件厂中各预制构件对应的构件尺寸。
在本实施例中,构件尺寸具体可理解为预制构件边框及表面具有边缘的空洞的边缘数据,可用以进行长度偏差、侧向弯曲及孔洞中心位移等预制构件质量检测。
具体的,由于预制构件点云数据中各点云数据并未进行分类,且机械狗在各扫描位置进行扫描时可同时扫描到多个预制构件,故可对预制构件点云数据进行特征提取与特征分类,根据特征分类将预制构件点云数据划分为与预制构件厂中各预制构件对应的点云数据,并由于各预制构件对应的点云数据中提取边缘特征点,确定与各预制构件对应的预制构件边界,并根据各预制构件边界确定各预制构件对应的构件尺寸。
S104、将各构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各预制构件对应的质量检测报告。
在本实施例中,建筑三维模型(Building Information Model,BIM)具体可理解为通过建立虚拟的建筑工程三维模型,利用数字化技术,为这个模型提供完整的、与实际情况一致的建筑工程信息库,其中包含有符合《预制混凝土构建质量检验评定标准》中的构件检测指标的,不同预制构件的准确几何设计信息。质量检测报告具体可理解为对预制构件中各构件检测指标进行检测后,所得到的用以表明预制构件是否满足各构件检测指标要求,也即是否存在质量问题的检测报告。可选的,质量检测报告可为对应于一个预制构件的质量检测报告,也可为对应预制构件厂中多个预制构件的质量检测报告,本发明实施例对此不进行限制。
具体的,由建筑三维模型BIM中确定与各预制构件的类型相对应的几何尺寸信息,根据各预制构件的类型,确定与其对应的几何尺寸信息,并将该几何尺寸信息与构件尺寸进行比对,可根据预先设置的误差阈值确定与构件尺寸对应的预制构件是否存在质量问题,以及存在质量问题的异常指标,进以确定各预制构件对应的质量检测报告。
本发明实施例通过基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型;根据层次节点模型确定预制构件厂的目标扫描路径,以通过沿目标扫描路径行驶的机械狗采集预制构件点云数据;由预制构件点云数据中提取预制构件厂中各预制构件对应的构件尺寸;将各构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各预制构件对应的质量检测报告。通过采用上述技术方案,基于无人机对预制构件厂整体进行扫描以生成可供机械狗进行数据采集的路径信息,并使得机械狗可在沿该路径行驶时对预制构件厂中所有预制构件进行数据采集,将无人机与机械狗二者相结合,在无人参与的情况下即可得到全部预制构件的信息,保障了后续质量检测的全面性,结合建筑三维模型BIM直接获取与各预制构件对应的准确几何尺寸信息,实现预制构件的构件尺寸与对应几何尺寸信息的自动匹配比对,提升了预制构件质量检测的检测效率和准确性。解决了现有通过人工检测或三维激光扫描检测无法实现对预制构件厂内所有预制构件全面检查,且需耗费大量人工成本的问题,提升了预制构件质量检测的全面性和准确性,在降低质量检测成本的基础上,提升了检测效率。
实施例二
图2为本发明实施例二提供的一种基于BIM-无人机-机械狗的预制构件智能检测方法的流程图,本发明实施例的技术方案在上述各可选技术方案的基础上进一步优化,通过对基于全场景扫描结果构建的全场景点云模型网格化,构建网格化点云模型,进而依据预设扫描需求对应的分辨率,结合自适应动态四叉树算法构建与预制构件厂全场景对应的LOD模型,在依据LOD模型确定目标扫描路径时,依据对LOD模型进行轮廓抽取后所得的二维平面模型进行的试验分析,确定机械狗需要进行扫描的目标对象点,进而依据初次栅格化后的二维平面模型与目标对象点生成初始扫描路径,并对初始扫描路径进行全局和局部两种层面的路径优化,最终确定目标扫描路径。在通过由机械狗采集的预制构件点云数据提取预制构件厂中各预制构件对应构件尺寸时,使用预先训练好的点云语义分割模型对其进行划分和分类,确定各预制构件对应的构建类型以及预制构件点集,进而依据各预制构件点集确定对应的构件尺寸,结合建筑三维模型BIM中给出的准确几何尺寸信息,自动与对各预制构件进行匹配,并对预制构件的构件尺寸进行比对,以得到最终的质量检测报告。通过将无人机与机械狗相结合,提升了预制构件厂中各预制构件数据采集的效率,减少了数据采集过程中的人工参与,同时可采集到预制构件厂中全部预制构件的信息,保证了质量检测的全面性,通过训练好的点云语义分割模型对各预制构件进行类型划分的同时,确定其对应的构件尺寸,结合BIM模型得到的准确几何尺寸信息以及各几何尺寸信息对应的构件类型,实现各预制构件与其对应几何尺寸信息的自动匹配,提升了质量检测效率和检测准确性,降低了质量检测的成本。
如图2所示,本发明实施例二提供的一种基于BIM-无人机-机械狗的预制构件智能检测方法,具体包括如下步骤:
S201、基于无人机对预制构件厂的全场景扫描结果构建全场景点云模型。
在本实施例中,全场景点云模型具体可理解为根据无人机对预制构件厂的全场景扫描得到的,预制构件厂中各组成部分外观表面的点数据的集合,进一步地,由于无人机对预制构件厂扫描所得的为三维场景下的点数据,故全场景点云模型可理解为一种三维环境下的稠密点云模型。
示例性的,若无人机对预制构件厂的全场景扫描结果为精度为厘米级别的三维扫描点数据,则可依据各三维扫描点数据直接生成稠密点云模型,并将该稠密点云模型确定为全场景点云模型。
接上述示例,若无人机对预制构件厂的全场景扫描结果为由像素点构成的图像数据,则可采用空域像素特征降噪算法直接在图像空间中对收到成像设备、环境干扰、传输通道等因素影响而产生噪点的图像进行降噪,并基于快速稳定的特征点检测算法(OrientedFAST and Rotated BRIEF,ORB)对降噪处理后的图像进行初级矩阵运算,由预设特征库中确定每个像素所代表的特征,进而从其中筛选得到包含用以构建全场景三维模型的有效特征点以及与有效特征点对应的特征描述,将所有有效特征点的集合确定为有效特征点集合。针对有效特征点集合,通过邻近算法(K-Nearest Neighbor,KNN)对有效特征点集合中属于不同视角图像中的同一物体的特征点和特征描述进行特征匹配,建立稀疏点云模型,再采用混合式稀疏重建算法对稀疏点云模型进行增长和融合分类,形成稠密点云模型,并将该稠密点云模型确定为全场景点云模型。
S202、将全场景点云模型网格化,依据全场景点云模型中各点云数据间的拓扑关系,确定网格化点云模型。
具体的,通过不规则三角网生成算法对全场景点云模型中有限个采样点取得离散数据,并依据优化组合的原则,将各离散数据作为各三角形的顶点连接成相互连续的锐角三角形或三边长度近似相等的三角面,结合全场景点云模型中各点云数据间的拓扑关系,将全场景点云模型划分为相连的角面网格模型,并将该角面网格模型确定为全场景点云模型网格化后所得的网格化点云模型。
S203、根据预设扫描需求对应的分辨率、自适应动态四叉树算法与网格化点云模型,构建预制构件厂的全场景对应的层次节点模型。
在本实施例中,预设扫描需求具体可理解为根据工程项目要求预先设定的,对所需扫描区域进行模型构建时需要进行扫描的扫描分辨率,其可随项目改变而进行改变,本发明实施例对扫描需求对应的分辨率具体值不进行限制。
具体的,基于不同的预设扫描需求对应的分辨率,采用自适应动态四叉树算法激活通过节点连接的,网格化点云模型中不同分辨率的局部模型来操作相应的部件,进而构建与预制构件厂全场景相对应的层次节点模型。
S204、将层次节点模型进行轮廓抽取,确定与全场景对应的二维平面模型。
具体的,采用基于边分类的三维模型外轮廓线抽取算法对层次节点模型进行轮廓边筛选,对层次节点模型的轮廓边进行初步提取,进而依据轮廓边所具有的局部极值特性对部分轮廓边进行强化提取,然后基于三角剖分算法Delaunay利用轮廓线具有的连通性,对初步提取和强化提取的轮廓边进行筛选,并将筛选得到的外轮廓边确定为与全场景对应的二维平面模型。
S205、依据预设数据质量要求对二维平面模型进行试验分析,确定目标对象点。
其中,目标对象点为扫描时间最短的目标扫描站点,以及与目标扫描站点对应的目标角度分辨率。
在本实施例中,预设数据质量要求具体可理解为根据工程项目要求预先设定的,数据精度及数据完整性应满足的条件,示例性的,数据质量要求可为完整性大于0.99,全局细节层次和特殊细节层次精度为0.02m等,本发明实施例对此不进行限制。目标对象点具体可理解为预制构件厂中需要机械狗进行扫描采样的点。目标扫描站点具体可理解为目标对象点在预制构件厂中所处的位置,目标角度分辨率具体可理解为机械狗在与其对应的目标扫描站点应扫描的角度和扫描需求的分辨率。
具体的,可通过MATLAB对全场景对应的二维平面模型进行试验分析,对二维平面模型的投影平面进行初次栅格化,并将初次栅格化后的投影平面依据预设数据质量要求去除其中不满足完整性、全局细节层次或特殊细节层次精度的离群点,并对投影平面中贴近边缘的点进行校正。最终将完成上述处理后的点集依据遗传算法,得到完成整个二维平面模型扫描时间最短的目标扫描站点,以及在各扫描站点应进行扫描的目标角度分辨率,将包含目标扫描站点信息与目标角度分辨率信息的点确定为需要在后续数据采集过程中由机械狗进行数据采集的目标对象点。
S206、对二维平面模型进行初次栅格化,确定首次栅格化地图,并根据首次栅格化地图与目标对象点确定初始扫描路径。
具体的,将二维平面模型进行初次栅格化后所得的图像确定为首次栅格化地图,由首次栅格化地图中可确定其中存在的障碍物位置以及可通行空间,依据障碍物位置、可通行空间以及目标对象点的位置可构建一条位于可通行空间内,规避各障碍物位置并能通过所有目标对象点的路径,将其确定为初始扫描路径。
示例性的,图3为本发明实施例二提供的一种首次栅格化地图中初始扫描路径的示例图,其中,可将首次栅格化地图中可行走的空间栅格状态设置为0,将有障碍物的空间栅格状态设置为1,将作为路径起始点的空间栅格状态设置为2,将目标对象点对应的空间栅格状态设置为3,将规划出的路径对应的空间栅格状态设置为4,规划出的路径应以路径起始点为起点,且每个目标对象点需至少可到达一次。进一步地,可依据二维平面模型所对应的基于WIFI局域网的实验环境建立平面坐标系,以定义首次栅格化地图中存在的无线路由器和目标对象点的坐标。
S207、对初始扫描路径进行全局路径优化与局部路径优化,确定目标扫描路径。
在本实施例中,全局路径规划具体可理解为对全局环境已知情况下,根据路径规划算法搜索得到的最优或接近最优的路径规划方法。局部路径规划具体可理解为对环境局部未知或完全未知,通过传感器获取的有关信息对障碍物和目标点进行确定,以完成采样范围内一段最优或接近最优的路径规划,可选的,可将两个目标对象点间的一段路径确定为局部路径,也可根据机械狗模拟行进过程中用于采集周边数据的滚动窗口大小,或滚动窗口对应的采样范围内的路径确定为局部路径。
具体的,以确定最短路径为原则对初始扫描路径进行全局路径优化,进而依据对各目标对象点之间存在障碍物的自动避障原则,对各目标对象点间的局部路径进行局部路径优化,将全局路径优化后的路径与局部路径优化后的路径进行融合,确定为目标扫描路径。
进一步地,图4为本发明实施例二提供的一种对初始扫描路径进行全局路径优化与局部路径优化,确定目标扫描路径的流程示意图,如图4所示,具体包括如下步骤:
S2071、通过静态路网最短路径搜索算法对初始扫描路径进行全局路径优化,确定初始全局路径。
示例性的,可通过A*算法对初始扫描路径进行全局路径规划,并将经全局路径规划后的初始扫描路径确定为初始全局路径。
S2072、模拟机械狗在初始全局路径中的行进,判断是否存在机械狗遇到障碍物的局部路径,若是,则执行步骤S2073;若否,则执行步骤S2076。
具体的,模拟机械狗在初始全局路径中的行进过程,将视觉技术与无线定位技术相结合,依据机械狗在行进过程中自身的定位坐标与目标对象点的坐标的相对位置,以及机械狗在行进过程中与无线路由器间的信号强度关系,结合初始全局路径对行进过程中进行数据采集,进而利用线结构光测距离输出摄像头视野内的障碍物信息,并通过红外测据传感器输出机械狗两侧的障碍物信息,以确定机械狗在行进过程中是否遇到障碍物,若遇到障碍物,则可认为存在机械狗遇到障碍物的局部路径,此时执行步骤S2073;若一直未遇到障碍物,则可认为初始全局路径中不存在机械狗遇到障碍物的局部路径,此时执行步骤S2076。
S2073、将机械狗遇到障碍物的局部路径确定为待优化局部路径。
具体的,将机械狗行进过程中遇到障碍物时所位于两目标对象点间的局部路径确定为待优化局部路径,或将机械狗行进过程中采集到障碍物时滚动窗口对应采样范围内的局部路径确定为待优化局部路径。
S2074、通过动态窗算法对待优化局部路径进行局部路径规划,确定与待优化局部路径对应的优化局部路径。
在本实施例中,优化局部路径具体可理解为对待优化局部路径进行优化后,行进过程中不存在障碍物的路径。
具体的,通过动态窗算法对机械狗在待优化局部路径行进过程中对应速度空间进行采样,并基于采样过程中确定出的障碍物信息对根据待优化局部路径起始点构建的多条机械狗行进轨迹进行评估,选取其中完成避障且轨迹最短的行进轨迹作为最佳轨迹,并将最佳轨迹确定为与待优化局部路径对应的优化局部路径。
S2075、将优化局部路径与初始全局路径进行融合,根据融合后的初始全局路径确定新的初始全局路径,并返回执行步骤S2072。
具体的,将初始全局路径中与优化局部路径始末点相同的局部路径替换为优化局部路径,完成二者的融合,并对融合后的路径重新进行全局路径优化,确定新的初始全局路径,并返回执行步骤S2072,以再次确定机械狗在进行模拟行进时是否会遇到障碍物。
S2076、将初始全局路径确定为目标扫描路径。
具体的,在确定机械狗沿初始全局路径由起始点行驶至终点过程中均未遇到障碍物,且初始全局路径是依据最短路径的原则进行规划的,则可将该初始全局路径确定为目标扫描路径。
示例性的,图5为本发明实施例二提供的一种机械狗数据采集流程示例图,如图5所示,首先根据建立起的栅格化地图确定扫描路径的起点、目标对象点与终点,然后通过A*算法进行全局路径规划,并在机械狗沿规划的全局路径中行驶时判断是否遇到障碍物,若遇到障碍物,则通过动态窗算法进行局部路径规划,并向全局路径与局部路径进行融合后得到新的栅格化地图,重新通过A*算法进行全局路径规划,直到机械狗沿规划的全局路径行驶不会遇到障碍物时通过机械狗沿规划的全局路径进行数据采集。
S208、沿目标扫描路径行驶的机械狗在各目标对象点以对应的目标角度分辨率进行数据采集,将各目标对象点对应的数据的集合确定为预制构件点云数据。
具体的,控制机械狗沿目标扫描路径行驶,在行驶过程中在各目标对象点以目标角度分辨率进行扫描采集数据,并将由各目标对象点采集到的数据的集合确定为预制构件点云数据。
可选的,可在机械狗行驶的全局范围内布置四个无线路由器,并在对机械狗目标扫描路径进行规划时,基于栅格地图的坐标系添加无线路由器的坐标,然后通过安装于机械狗中的无线串口服务器接收路由器信号,其中,无线路由器发送的为信息包并附带无线路由器位置信息和MAC值,机械狗通过卡尔曼滤波算法对接收到的波动较大的无线信号进行过滤处理,并利用改进的接收信号强度指示(Received Signal Strength Indication,RSSI)测距室内无线定位技术对机械狗在全行进过程中的质心位置以及距离目标对象点的坐标位置进行实时定位,得到机械狗的质心坐标。示例性的,图6为本发明实施例二提供的一种局域网无线定位模型的结构示例图,如图6所示,其中A、B、C和D分别为四个不同且已知的路由器坐标位置,E、F、G和H为用以确定机械狗质心坐标的交点。
S209、对预制构件点云数据进行配准与滤波,确定预处理点云数据。
在本实施例中,预处理点云数据具体可理解为预制构件点云数据经过数据与处理后所得的点云数据。
示例性的,可通过点云后处理软件RealWorks对采集到的预制构件点云数据进行配准,统一各目标对象点所得到的三维点云数据的坐标,形成可用以表征整体的场景三维模型,进而利用三角网过滤法自动识别和剔除离散点,并通过三维高斯滤波算法消除单点随机误差,并将处理后的预制构件点云数据确定为预处理点云数据。
S210、将预处理点云数据代入预先训练好的点云语义分割模型中,根据模型输出结果将预处理点云数据划分为与预制构件厂中各预制构件对应的预制构件点集,并确定各预制构件对应的构件类型。
其中,点云语义分割模型为经由加入残值的区域增长算法训练的神经网络模型。
具体的,将经数据预处理后的预处理点云数据代入至预先训练好的点云语义分割模型中,通过点云语义分割模型对其中包括的不同预制构件特征进行提取,并预测出预处理点云数据中各点对应的语义标签,实现预处理点云数据的区域划分,也即属于同一预制构件的预处理点云数据应具有相同的语义标签,进而可实现对各预制构件对应预制构件点集的确定,并根据语义标签的内容确定各预制构件对应的构建类型。
示例性的,用于进行预处理点云数据区域划分的点云语义分割模型可为PointNet网络模型,其可使用对称函数来解决点云的顺序问题,对称函数的表达式如下所示:
f({X1,X2,...,Xn})≈g(h(X1),h(X2),...,h(Xn))
其中,函数h为通过多层感知机制得到的近似函数,代表每个点所提取的局部特征;函数g是点集的全局特征,需通过对称函数Max pooling将集合中每个点的局部特征聚合获得。
在确定预处理点云数据中全局点云特征向量后,将全局特征与每个点云数据中的点特征连接起来,然后基于合并的点特征通过三层感知机制提取新的逐点特征,并根据提取出的每个点特征同时感知局部和全局信息,最终通过全连接层预测出预处理点云数据中每个点对应的语义标签,该语义标签可为预先训练过程中定义的预制构件的构建类型。
在本发明实施例中,通过经由加入残值的区域增长算法训练的点云语义分割模型对预制构件点云数据进行划分,减少了人工干预,增强了应用场景的泛化性,在训练过程中采用加入残值的区域增长算法,增强了训练所得模型的鲁棒性,减少了异常点对划分结果的影响,提升了预制构件划分的准确性,提升了质量检测效率和检测准确性。
S211、根据各预制构件点集,以及与各预制构件点集对应的二维边界识别点集,确定各预制构件对应的构件尺寸。
具体的,针对每个预制构件点集,将其进行投影得到二维边界,并将构成二维边界的点的集合确定为与预制构件点集对应的二维边界识别点集,进而利用预制构件点集以及与其对应的二维边界识别点集,借鉴二维图像学像素分布的思想,将象限细分为k个“像素”象限后定位预制构件点集中各点间的拓扑关系,利用边缘点连线存在较大夹角的特性对最大的无点分布的连续象限,设置一个阈值f以识别边缘特征点;针对预制构件点集中与预制构件内部位置对应的内部特征点,通过曲率阈值法进行粗提取,进而使用随机抽样算法将结果点云特征线进行精简,以确定用于进行预制构件尺寸确定的边缘特征以及内部尖锐特征。示例性的,图7为本发明实施例二提供的一种预制构件提取的边界示例图。
S212、由建筑三维模型BIM中确定与各构件类型对应的几何尺寸信息。
具体的,基于不同的构件类型,由建筑三维模型BIM对应数据库提取与各构件类型对应的准确几何尺寸信息。
S213、确定各构件尺寸与构件类型对应的几何尺寸信息间的尺寸差值。
具体的,针对每一个构件尺寸,确定与其构件类型对应的几何尺寸信息,并将构件尺寸与几何尺寸信息中相同边界对应的尺寸值,将二者的差值确定为尺寸差值。可选的,尺寸差值中可包括多个预制构件中不同边界对应的尺寸差。
S214、判断尺寸差值是否大于预设尺寸阈值,若是,则执行步骤S215;若否,则执行步骤是216。
在本实施例中,预设尺寸阈值具体可理解为预先设置的用以确定尺寸是否符合质量检测规范的阈值范围,可选的,预设尺寸阈值可为具体尺寸值,也可为误差比例值,本发明实施例对此不进行限制。
具体的,通过判断尺寸差值是否大于预设尺寸阈值,以确定尺寸差值对应的预制构件是否存在质量问题,若尺寸差值大于预设尺寸阈值,则执行步骤S215,否则,执行步骤S216。
S215、确定尺寸差值对应的预制构件的检测结果为质量异常,并执行步骤S217。
S216、确定尺寸差值对应的预制构件的检测结果为质量正常,并执行步骤S217。
S217、根据各预制构件对应的检测结果生成质量检测报告。
具体的,根据预制构件厂中各预制构件对应的检测结果,可对应生成与各预制构件对应的质量检测报告,也可根据所有预制构件的检测结果综合生成该预制构件厂中预制构件的质量检测报告。可选的,由于不同构件尺寸对应的检测指标不同,可根据预制构件对应的检测结果确定其存在质量问题的原因,并进一步将产生质量问题的原因写入质量检测报告中。
本实施例的技术方案,通过对依据全场景扫描结果构建的层次节点模型进行轮廓抽取及栅格化,基于确定出的目标对象点以及路径最短原则构建初始扫描路径,并对初始扫描路径进行全局和局部两种层面的路径优化,最终确定目标扫描路径。在通过由机械狗采集的预制构件点云数据提取预制构件厂中各预制构件对应构件尺寸时,使用预先训练好的点云语义分割模型对其进行划分和分类,确定各预制构件对应的构建类型以及预制构件点集,进而依据各预制构件点集确定对应的构件尺寸,结合建筑三维模型BIM中给出的准确几何尺寸信息,自动与对各预制构件进行匹配,并对预制构件的构件尺寸进行比对,以得到最终的质量检测报告。通过将无人机与机械狗相结合,提升了预制构件厂中各预制构件数据采集的效率,减少了数据采集过程中的人工参与,同时可采集到预制构件厂中全部预制构件的信息,保证了质量检测的全面性,通过训练好的点云语义分割模型对各预制构件进行类型划分的同时,确定其对应的构件尺寸,结合BIM模型得到的准确几何尺寸信息以及各几何尺寸信息对应的构件类型,实现各预制构件与其对应几何尺寸信息的自动匹配,提升了质量检测效率和检测准确性,降低了质量检测的成本。
实施例三
图8为本发明实施例三提供的一种基于BIM-无人机-机械狗的预制构件智能检测装置的结构示意图,该基于BIM-无人机-机械狗的预制构件智能检测装置包括:节点模型建立模块31,路径数据扫描模块32,构件尺寸确定模块33和质量检测模块34。
其中,节点模型建立模块31,用于基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型;路径数据扫描模块32,用于根据层次节点模型确定预制构件厂的目标扫描路径,以通过沿目标扫描路径行驶的机械狗采集预制构件点云数据;构件尺寸确定模块33,用于由预制构件点云数据中提取预制构件厂中各预制构件对应的构件尺寸;质量检测模块34,用于将各构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各预制构件对应的质量检测报告。
本实施例的技术方案,解决了现有通过人工检测或三维激光扫描检测无法实现对预制构件厂内所有预制构件全面检查,且需耗费大量人工成本的问题,提升了预制构件质量检测的全面性和准确性,在降低质量检测成本的基础上,提升了检测效率。
可选的,节点模型建立模块31,包括:
全场景模型建立单元,用于基于无人机对预制构件厂的全场景扫描结果构建全场景点云模型;
网格化模型建立单元,用于将全场景点云模型网格化,依据全场景点云模型中各点云数据间的拓扑关系,确定网格化点云模型;
节点模型建立单元,用于根据预设扫描需求对应的分辨率、自适应动态四叉树算法与网格化点云模型,构建预制构件厂的全场景对应的层次节点模型。
可选的,路径数据扫描模块32,包括:
轮廓抽取单元,用于将层次节点模型进行轮廓抽取,确定与全场景对应的二维平面模型;
目标对象点确定单元,用于依据预设数据质量要求对二维平面模型进行试验分析,确定目标对象点;其中,目标对象点为扫描时间最短的目标扫描站点,以及与目标扫描站点对应的目标角度分辨率;
初始路径确定单元,用于对二维平面模型进行初次栅格化,确定首次栅格化地图,并根据首次栅格化地图与目标对象点确定初始扫描路径;
目标路径确定单元,用于对初始扫描路径进行全局路径优化与局部路径优化,确定目标扫描路径;
数据采集单元,用于沿目标扫描路径行驶的机械狗在各目标对象点以对应的目标角度分辨率进行数据采集,将各目标对象点对应的数据的集合确定为预制构件点云数据。
可选的,目标路径确定单元,具体用于:
通过静态路网最短路径搜索算法对初始扫描路径进行全局路径优化,确定初始全局路径;
模拟机械狗在初始全局路径中的行进,并将机械狗遇到障碍物的局部路径确定为待优化局部路径;
通过动态窗算法对待优化局部路径进行局部路径规划,确定与待优化局部路径对应的优化局部路径;
将优化局部路径与初始全局路径进行融合,根据融合后的初始全局路径确定新的初始全局路径;
返回执行模拟机械狗在初始全局路径中的行进的步骤,直到不存在待优化局部路径时,将初始全局路径确定为目标扫描路径。
可选的,构件尺寸确定模块33,包括:
数据预处理单元,用于对预制构件点云数据进行配准与滤波,确定预处理点云数据;
点集类型确定单元,用于将预处理点云数据代入预先训练好的点云语义分割模型中,根据模型输出结果将预处理点云数据划分为与预制构件厂中各预制构件对应的预制构件点集,并确定各预制构件对应的构件类型;
构件尺寸确定单元,用于根据各预制构件点集,以及与各预制构件点集对应的二维边界识别点集,确定各预制构件对应的构件尺寸;
其中,点云语义分割模型为经由加入残值的区域增长算法训练的神经网络模型。
可选的,质量检测模块34,包括:
几何尺寸确定单元,用于由建筑三维模型BIM中确定与各构件类型对应的几何尺寸信息;
尺寸差值确定单元,用于确定各构件尺寸与构件类型对应的几何尺寸信息间的尺寸差值;
检测结果确定单元,用于若尺寸差值大于预设尺寸阈值,则确定尺寸差值对应的预制构件的检测结果为质量异常;否则,确定尺寸差值对应的预制构件的检测结果为质量正常;
报告生成单元,用于根据各预制构件对应的检测结果生成质量检测报告。
本发明实施例提供的基于BIM-无人机-机械狗的预制构件智能检测装置可执行本发明任意实施例提供的基于BIM-无人机-机械狗的预制构件智能检测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图9为本发明实施例四提供的一种基于BIM-无人机-机械狗的预制构件智能检测设备的结构示意图,该基于BIM-无人机-机械狗的预制构件智能检测设备包括:处理器40、存储装置41、显示屏42、输入装置43和输出装置44。该基于BIM-无人机-机械狗的预制构件智能检测设备中处理器40的数量可以是一个或者多个,图9中以一个处理器40为例。该基于BIM-无人机-机械狗的预制构件智能检测设备中存储装置41的数量可以是一个或者多个,图9中以一个存储装置41为例。该基于BIM-无人机-机械狗的预制构件智能检测设备的处理器40、存储装置41、显示屏42、输入装置43和输出装置44可以通过总线或者其他方式连接,图9中以通过总线连接为例。实施例中,基于BIM-无人机-机械狗的预制构件智能检测设备可以使电脑、笔记本或智能平板等。
存储装置41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请任意实施例所述的基于BIM-无人机-机械狗的预制构件智能检测设备对应的程序指令/模块(例如,节点模型建立模块31,路径数据扫描模块32,构件尺寸确定模块33和质量检测模块34)。存储装置41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储装置41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示屏42可以为具有触摸功能的显示屏42,其可以是电容屏、电磁屏或者红外屏。一般而言,显示屏42用于根据处理器40的指示显示数据,还用于接收作用于显示屏42的触摸操作,并将相应的信号发送至处理器40或其他装置。
输入装置43可用于接收输入的数字或者字符信息,以及产生与展示设备的用户设置以及功能控制有关的键信号输入,还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置44可以包括扬声器等音频设备。需要说明的是,输入装置43和输出装置44的具体组成可以根据实际情况设定。
处理器40通过运行存储在存储装置41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的基于BIM-无人机-机械狗的预制构件智能检测方法。
上述提供的基于BIM-无人机-机械狗的预制构件智能检测设备可用于执行上述任意实施例提供的基于BIM-无人机-机械狗的预制构件智能检测方法,具备相应的功能和有益效果。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种基于BIM-无人机-机械狗的预制构件智能检测方法,该方法包括:
基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型;
根据层次节点模型确定预制构件厂的目标扫描路径,以通过沿目标扫描路径行驶的机械狗采集预制构件点云数据;
由预制构件点云数据中提取预制构件厂中各预制构件对应的构件尺寸;
将各构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各预制构件对应的质量检测报告。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的基于BIM-无人机-机械狗的预制构件智能检测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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的方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种基于BIM-无人机-机械狗的预制构件智能检测方法,其特征在于,包括:
基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型;
根据所述层次节点模型确定所述预制构件厂的目标扫描路径,以通过沿所述目标扫描路径行驶的机械狗采集预制构件点云数据;
由所述预制构件点云数据中提取所述预制构件厂中各预制构件对应的构件尺寸;
将各所述构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各所述预制构件对应的质量检测报告;
其中,所述根据所述层次节点模型确定所述预制构件厂的目标扫描路径,包括:
将所述层次节点模型进行轮廓抽取,确定与所述全场景对应的二维平面模型;
依据预设数据质量要求对所述二维平面模型进行试验分析,确定目标对象点;
对所述二维平面模型进行初次栅格化,确定首次栅格化地图,并根据所述首次栅格化地图与所述目标对象点确定初始扫描路径;
对所述初始扫描路径进行全局路径优化与局部路径优化,确定目标扫描路径;
其中,所述目标对象点为扫描时间最短的目标扫描站点,以及与所述目标扫描站点对应的目标角度分辨率;
其中,所述对所述初始扫描路径进行全局路径优化与局部路径优化,确定目标扫描路径,包括:
通过静态路网最短路径搜索算法对所述初始扫描路径进行全局路径优化,确定初始全局路径;
模拟所述机械狗在所述初始全局路径中的行进,并将所述机械狗遇到障碍物的局部路径确定为待优化局部路径;
通过动态窗算法对所述待优化局部路径进行局部路径规划,确定与所述待优化局部路径对应的优化局部路径;
将所述优化局部路径与所述初始全局路径进行融合,根据融合后的初始全局路径确定新的初始全局路径;
返回执行所述模拟所述机械狗在所述初始全局路径中的行进的步骤,直到不存在待优化局部路径时,将所述初始全局路径确定为目标扫描路径。
2.根据权利要求1所述的方法,其特征在于,所述基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型,包括:
基于无人机对预制构件厂的全场景扫描结果构建全场景点云模型;
将所述全场景点云模型网格化,依据所述全场景点云模型中各点云数据间的拓扑关系,确定网格化点云模型;
根据预设扫描需求对应的分辨率、自适应动态四叉树算法与所述网格化点云模型,构建所述预制构件厂的全场景对应的层次节点模型。
3.根据权利要求1所述的方法,其特征在于,所述通过沿所述目标扫描路径行驶的机械狗采集预制构件点云数据,包括:
沿所述目标扫描路径行驶的机械狗在各所述目标对象点以对应的所述目标角度分辨率进行数据采集,将各所述目标对象点对应的数据的集合确定为预制构件点云数据。
4.根据权利要求1所述的方法,其特征在于,所述由所述预制构件点云数据中提取所述预制构件厂中各预制构件对应的构件尺寸,包括:
对所述预制构件点云数据进行配准与滤波,确定预处理点云数据;
将所述预处理点云数据代入预先训练好的点云语义分割模型中,根据模型输出结果将所述预处理点云数据划分为与所述预制构件厂中各预制构件对应的预制构件点集,并确定各所述预制构件对应的构件类型;
根据各所述预制构件点集,以及与各所述预制构件点集对应的二维边界识别点集,确定各所述预制构件对应的构件尺寸;
其中,所述点云语义分割模型为经由加入残值的区域增长算法训练的神经网络模型。
5.根据权利要求4所述的方法,其特征在于,所述将各所述构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各所述预制构件对应的质量检测报告,包括:
由建筑三维模型BIM中确定与各所述构件类型对应的几何尺寸信息;
确定各所述构件尺寸与构件类型对应的几何尺寸信息间的尺寸差值;
若所述尺寸差值大于预设尺寸阈值,则确定所述尺寸差值对应的预制构件的检测结果为质量异常;否则,确定所述尺寸差值对应的预制构件的检测结果为质量正常;
根据各所述预制构件对应的检测结果生成质量检测报告。
6.一种基于BIM-无人机-机械狗的预制构件智能检测装置,其特征在于,包括:
节点模型建立模块,用于基于无人机对预制构件厂的全场景扫描结果,建立全场景对应的层次节点模型;
路径数据扫描模块,用于根据所述层次节点模型确定所述预制构件厂的目标扫描路径,以通过沿所述目标扫描路径行驶的机械狗采集预制构件点云数据;
构件尺寸确定模块,用于由所述预制构件点云数据中提取所述预制构件厂中各预制构件对应的构件尺寸;
质量检测模块,用于将各所述构件尺寸与建筑三维模型BIM中对应的几何尺寸信息进行比对,确定各所述预制构件对应的质量检测报告;
其中,所述路径数据扫描模块,包括:
轮廓抽取单元,用于将所述层次节点模型进行轮廓抽取,确定与所述全场景对应的二维平面模型;
目标对象点确定单元,用于依据预设数据质量要求对所述二维平面模型进行试验分析,确定目标对象点;其中,所述目标对象点为扫描时间最短的目标扫描站点,以及与所述目标扫描站点对应的目标角度分辨率;
初始路径确定单元,用于对所述二维平面模型进行初次栅格化,确定首次栅格化地图,并根据所述首次栅格化地图与所述目标对象点确定初始扫描路径;
目标路径确定单元,用于对所述初始扫描路径进行全局路径优化与局部路径优化,确定目标扫描路径;
其中,所述目标路径确定单元,具体用于:
通过静态路网最短路径搜索算法对所述初始扫描路径进行全局路径优化,确定初始全局路径;
模拟所述机械狗在所述初始全局路径中的行进,并将所述机械狗遇到障碍物的局部路径确定为待优化局部路径;
通过动态窗算法对所述待优化局部路径进行局部路径规划,确定与所述待优化局部路径对应的优化局部路径;
将所述优化局部路径与所述初始全局路径进行融合,根据融合后的初始全局路径确定新的初始全局路径;
返回执行所述模拟所述机械狗在所述初始全局路径中的行进的步骤,直到不存在待优化局部路径时,将所述初始全局路径确定为目标扫描路径。
7.一种基于BIM-无人机-机械狗的预制构件智能检测设备,其特征在于,包括:存储装置以及一个或多个处理器;
所述存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一项所述的基于BIM-无人机-机械狗的预制构件智能检测方法。
8.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5中任一项所述的基于BIM-无人机-机械狗的预制构件智能检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092105.9A CN114547866B (zh) | 2022-01-26 | 2022-01-26 | 基于bim-无人机-机械狗的预制构件智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092105.9A CN114547866B (zh) | 2022-01-26 | 2022-01-26 | 基于bim-无人机-机械狗的预制构件智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114547866A CN114547866A (zh) | 2022-05-27 |
CN114547866B true CN114547866B (zh) | 2023-09-26 |
Family
ID=81672972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210092105.9A Active CN114547866B (zh) | 2022-01-26 | 2022-01-26 | 基于bim-无人机-机械狗的预制构件智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114547866B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661553B (zh) * | 2022-12-14 | 2023-05-16 | 深圳市地铁集团有限公司 | 一种基于bim的轨道交通构件分类方法、***及设备 |
CN116341050B (zh) * | 2023-02-07 | 2024-01-30 | 浙江大学 | 一种基于点云数据的机器人智能建造方法 |
CN115880296B (zh) * | 2023-02-28 | 2023-07-18 | 中国建筑第五工程局有限公司 | 基于机器视觉的预制构件质量检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106370670A (zh) * | 2016-10-12 | 2017-02-01 | 上海建工集团股份有限公司 | 基于3d激光扫描的建筑预制构件质量检测***及方法 |
CN109558622A (zh) * | 2018-09-19 | 2019-04-02 | 中建科技有限公司深圳分公司 | 一种基于点云扫描的施工管理方法及装置 |
CN111121733A (zh) * | 2019-12-30 | 2020-05-08 | 青岛国信海天中心建设有限公司 | 基于bim和三维激光扫描的施工质量检测方法及*** |
CN111754566A (zh) * | 2020-05-12 | 2020-10-09 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 机器人场景定位方法和施工操作方法 |
CN112284289A (zh) * | 2020-10-19 | 2021-01-29 | 中建(天津)工业化建筑工程有限公司 | 一种用于检测预制构件质量的全自动3d扫描方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599001B (zh) * | 2020-05-14 | 2023-03-14 | 星际(重庆)智能装备技术研究院有限公司 | 基于图像三维重建技术的无人机导航地图构建***及方法 |
-
2022
- 2022-01-26 CN CN202210092105.9A patent/CN114547866B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106370670A (zh) * | 2016-10-12 | 2017-02-01 | 上海建工集团股份有限公司 | 基于3d激光扫描的建筑预制构件质量检测***及方法 |
CN109558622A (zh) * | 2018-09-19 | 2019-04-02 | 中建科技有限公司深圳分公司 | 一种基于点云扫描的施工管理方法及装置 |
CN111121733A (zh) * | 2019-12-30 | 2020-05-08 | 青岛国信海天中心建设有限公司 | 基于bim和三维激光扫描的施工质量检测方法及*** |
CN111754566A (zh) * | 2020-05-12 | 2020-10-09 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 机器人场景定位方法和施工操作方法 |
CN112284289A (zh) * | 2020-10-19 | 2021-01-29 | 中建(天津)工业化建筑工程有限公司 | 一种用于检测预制构件质量的全自动3d扫描方法 |
Non-Patent Citations (1)
Title |
---|
3D激光扫描技术在建筑施工过程中的应用;乔磊;赵恩堂;;工程质量(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114547866A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114547866B (zh) | 基于bim-无人机-机械狗的预制构件智能检测方法 | |
Wang et al. | Computational methods of acquisition and processing of 3D point cloud data for construction applications | |
Forlani et al. | C omplete classification of raw LIDAR data and 3D reconstruction of buildings | |
CN105955258B (zh) | 基于Kinect传感器信息融合的机器人全局栅格地图构建方法 | |
CN109949326B (zh) | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 | |
WO2021022615A1 (zh) | 机器人探索路径生成方法、计算机设备和存储介质 | |
CN110717983A (zh) | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 | |
CN103389103B (zh) | 一种基于数据挖掘的地理环境特征地图构建与导航方法 | |
CN106127857B (zh) | 综合数据驱动与模型驱动的机载LiDAR数据建模方法 | |
Huang et al. | Semantics-aided 3D change detection on construction sites using UAV-based photogrammetric point clouds | |
CN112184736B (zh) | 一种基于欧式聚类的多平面提取方法 | |
CN105180890A (zh) | 融合激光点云和数字影像的岩体结构面产状测量方法 | |
CN112380312B (zh) | 基于栅格检测的激光地图更新方法、终端及计算机设备 | |
WO2021003487A1 (en) | Training data generation for dynamic objects using high definition map data | |
CN115294293B (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 | |
Zheng et al. | Background noise filtering and clustering with 3D LiDAR deployed in roadside of urban environments | |
Chen et al. | A novel image-based approach for interactive characterization of rock fracture spacing in a tunnel face | |
CN114964212A (zh) | 面向未知空间探索的多机协同融合定位与建图方法 | |
Wysocki et al. | Refinement of semantic 3D building models by reconstructing underpasses from MLS point clouds | |
CN112379393A (zh) | 一种列车碰撞预警方法及其装置 | |
Shan et al. | Feasibility of Accurate Point Cloud Model Reconstruction for Earthquake‐Damaged Structures Using UAV‐Based Photogrammetry | |
CN116434181A (zh) | 地面点检测方法、装置、电子设备和介质 | |
CN114120631B (zh) | 构建动态高精度地图的方法、装置及交通云控平台 | |
Díaz-Vilariño et al. | From LiDAR data towards HBIM for energy analysis | |
JP3966419B2 (ja) | 変化領域認識装置および変化認識システム |
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 |