CN116612091A - 一种基于多视角视图匹配的施工进度自动估计的方法 - Google Patents

一种基于多视角视图匹配的施工进度自动估计的方法 Download PDF

Info

Publication number
CN116612091A
CN116612091A CN202310589437.2A CN202310589437A CN116612091A CN 116612091 A CN116612091 A CN 116612091A CN 202310589437 A CN202310589437 A CN 202310589437A CN 116612091 A CN116612091 A CN 116612091A
Authority
CN
China
Prior art keywords
construction
dimensional model
model
view
determining
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
Application number
CN202310589437.2A
Other languages
English (en)
Inventor
姚青松
杨语嫣
郭小龙
刘宝宝
虎雷
常逢灏
梁永强
马建峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Cloud Vein Intelligent Technology Co ltd
Xidian University
Original Assignee
Xi'an Cloud Vein Intelligent Technology Co ltd
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Cloud Vein Intelligent Technology Co ltd, Xidian University filed Critical Xi'an Cloud Vein Intelligent Technology Co ltd
Priority to CN202310589437.2A priority Critical patent/CN116612091A/zh
Publication of CN116612091A publication Critical patent/CN116612091A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2008—Assembling, disassembling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Graphics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于多视角视图匹配的施工进度自动估计的方法，所述方法包括：确定施工场地对应的三维模型；将预先设计的建筑信息模型BIM与所述三维模型配准，使两者旋转对齐；根据所述BIM上的各个施工设备，确定在所述三维模型上所述各个施工设备的对应位置信息，并对所述三维模型进行单体化拆分；将所述三维模型单体化后的各个设备三维网格去噪方法实现重建模型表面去噪处理；确定所述三维模型的各个视角图片，并确定所述视角图片的像素度矩阵；根据所述像素度矩阵确定不同设备的施工进度。采用本申请实施例提供的方案能够实现对成片施工区域施工进度自动获取，降低人工主观的干扰。

Description

一种基于多视角视图匹配的施工进度自动估计的方法
技术领域
本申请涉及机器视觉技术领域，特别涉及基于多视角视图匹配进行施工进度自动估计的方法。
背景技术
工程施工项目都需要进行施工进度监测，科学的监测方法是保证工程施工顺利实施的前提。传统施工进度监测主要是人工依照施工计划表进行现场检查核对，这种方式效率低，工作量繁重，且存在较大的盲区，早已无法满足快节奏的行业需求。随着无人机技术的发展，也出现了利用无人机航拍技术实现施工进度监测的技术，主要是通过手动匹配相关施工情况，该方法依旧存在弊端，容易出现差错并且耗费人力。
近年来，随着三维重建技术的发展，也出现了利用无人机航拍图片重建实际场景的三维网格或点云模型，并利用相关的设计模型与实景模型比对获取施工基本情况。当前利用重建模型对施工进度估计的方法大致分为以下几类：通过无人机以及三维重建技术获取施工现场点云，将施工区域的建筑单体拆分，利用施工图纸获取建筑单体高程，比对高程获取对应施工进度；利用无人机倾斜摄影技术，重建施工现场点云，将施工现场获取的点云体素化，比对不同期施工现场模型的变化，监测施工进度；利用相机获取相应场景图片，分析获取点云，实现施工现场建筑点云与计划BIM点云配准，进行进度感知。
现阶段，对于施工进度监测多采用点云配准方式，当施工规模较大时，现场数据较为复杂，实现施工现场点云与BIM设计模型点云精确配准较为困难，采用点云方式获取施工基本情况容易产生偏差，并且较难衡量施工进度。
发明内容
为了弥补现有技术的不足，本发明提出一种基于多视角视图匹配进行施工进度自动估计的方法，能够实现对成片施工区域施工进度自动获取，降低人工主观的干扰。具体方案如下：
本申请实施例提供了基于多视角视图匹配的施工进度自动估计的方法，所述方法包括：
确定施工场地对应的三维模型；
将预先设计的建筑信息模型BIM与所述三维模型配准，使两者旋转对齐；
根据所述BIM上的各个施工设备，确定在所述三维模型上所述各个施工设备的对应位置信息，并对所述三维模型进行单体化拆分；
将所述三维模型单体化后的各个设备三维网格去噪方法实现重建模型表面去噪处理；
确定所述三维模型的各个视角图片，并确定所述视角图片的像素度矩阵；
根据所述像素度矩阵确定不同设备的施工进度。
可选地，所述确定施工场地对应的三维模型，包括：
规划无人机飞行路线，布设对应的像控点，获取所述无人机拍摄的施工场地对应的航拍影像，利用对应的像控点及相关位置的影像，实现施工现场三维重建，生成施工场地对应的三维模型，所述三维模型中包含施工现场不同设备对应位置信息以及相应的外部建设信息。
可选地，所述将预先设计的建筑信息模型BIM与所述三维模型配准，使两者旋转对齐，包括：
利用主成分分析法PCA获得预先设计的建筑信息模型BIM与所述三维模型的三个主方向；
将所述三维模型的各个三维点在所述三个主方向上进行投影，得到各个点投影；
根据所述点投影的极值，得到所述三维模型的OBB包围盒的8个角点；
基于所述8个角点旋转对齐所述BIM与所述三维模型；
通过缩放实现BIM与所述三维模型包围盒长宽配准。
可选地，所述对所述三维模型进行单体化拆分，包括：
逐个标注所述BIM中的电气以及土建设备，并对所述BIM中的不同设备进行单体化呈现；
遍历所述BIM中的各个设备，并确定对应的电气及土建设备的OBB包围盒，获取8个坐标点数值；
将所有需要实现单体化拆分的设备的底面方向4个点的坐标值与所述三维模型的名称保存到txt文件中，得到需要完成分割的多边形点；
调用对应的3dmax脚本，基于所述需要完成分割的多边形点对所述三维模型进行单体化拆分。
可选地，所述调用对应的3dmax脚本，基于所述需要完成分割的多边形点对所述三维模型进行单体化拆分，包括：
读取需要拆分的施工现场对应的所述三维模型及拆分模块点集的txt文件；
遍历所述文件中的所有待分割模块，获取拆所述待分割模块中的分割点集，由点集生成所需拆分出的多边形面；
由待拆分的多边形面向上形成立体多边形，通过Boolean计算获取分割部分，选择出需要拆分的点及三角网格面，实现自动拆分功能。
可选地，所述确定所述三维模型的各个视角图片，包括：
设置blender的背景颜色及大小、引擎及摄影机为正交摄影，及对应摄影机的摄影范围及高度；
遍历设计BIM模型的不同设备以及施工现场的不同设备，将其导入到场景中；
获取不同设备的俯视图、正视图、左视图以及两个斜45度视图。
可选地，所述确定所述视角图片的像素度矩阵，包括：
输入原图像I与模板图像T的统一颜色视图；
将模板T在图像I中滑动，所述滑动是指将模板图片一次移动一个像素，在不同位置进行度量计算，从而判断在当前像素中对应原图像某个区域的相似度数值，以得到不同像素位置对应的相似度数值；
对于模板T覆盖在I上的不同位置，将计算的度量值保存至结果图像矩阵R中，R中包含每个位置对应的匹配度量值；
在结果矩阵R中寻找最值，由于采用的是标准相关匹配准则衡量方式，则匹配数值的最大值可认定为图像匹配的相似度数值；
遍历所有需要衡量施工进度的设备不同视角，以获得对应的相似度数值矩阵s[i][j]，其中i代表模型编号，j代表视图编号。
可选地，所述根据所述像素度矩阵确定不同设备的施工进度，包括：
将施工进度估计分为3个阶段：施工完成、正在施工、尚未施工；
当左视图与正视图的相似度大于60％并且总体相似度均值大于70％时，确定设备施工完成；
当左视图与正视图匹配相似度在30％以下时，确定设备暂未开工；
当左视图与正视图匹配相似度在30％以上时，通过训练对应的土堆图片，识别模型是否为土堆，若为土堆将其归类于设备尚未施工，若不为土堆则归类于设备正在施工。
本发明基于多视角视图匹配的施工进度自动估计的方法，通过代表施工现场的倾斜摄影重建三维模型和BIM设计模型间的多视角视图比对分析，获得施工现场不同设备的施工进度。本发明通过对两个模型多次处理，提高匹配精度，具有可视化与自动化程度高的优点，改善现有的施工进度估算方法工作量大与错误率高的缺点。此外，本发明可以适用于精度较低的无人机，降低工作成本，对于施工场景的使用具有较好的应用前景。
附图说明
图1是本发明的总流程图；
图2是模型配准模块的流程图；
图3是自动拆分模块的流程图；
图4是表面平滑处理的流程图；
图5是施工进度预估的流程图；
图6模型平滑处理后的示意图；
图7设备多视角视图示意图；
图8施工完成部分的相似度数值示意图；
图9施工未完成部分的相似度数值视示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
实施例一
一种基于多视角视图匹配的施工进度自动估计的方法，包括如下步骤：
步骤1，规划无人机飞行路线，布设对应的像控点，获取施工场地对应的航拍影像，利用对应的像控点及相关位置的影像，实现施工现场三维重建，生成三维网格模型。其中包含施工现场不同设备对应位置信息以及相应的外部建设信息；
步骤2，实现计划的BIM模型与现场重建模型配准，使两者旋转对齐；
步骤3，根据对应的计划BIM模型上面各个施工设备，确定对应位置信息，利用3dmax脚本实现对现场重建模型单体化拆分；
步骤4，将现场模型单体化后的相关设备利用L0范数的三维网格去噪方法实现重建模型表面去噪处理；
步骤5，利用blender脚本实现模型5个主要视角图片自动获取；
步骤6，根据修改后的图像模板匹配算法获取一个设备五个视角的像素度矩阵；
步骤7，根据相关相似度阈值确定不同设备施工进度；
进一步，所述步骤2中的配准估计方法具体步骤如下子步骤：
步骤2.1，利用主成分分析法PCA获得两个模型的三个主方向；
步骤2.2，将模型点在三个主方向投影；
步骤2.3，根据点投影的极值，得到模型的OBB包围盒的8个角点；
步骤2.4，旋转对齐计划BIM模型与实景重建模型；
步骤2.5，通过缩放实现两个模型包围盒长宽配准；
进一步，所述步骤3中实现模型单体化拆分主要需要调用3dmax拆分模型脚本，具体步骤如下：
步骤3.1，逐个标注计划BIM模型中的电气以及土建设备，并实现设计模型中的不同设备单体化呈现；
步骤3.2，遍历BIM设计模型中的各个设备，并确定对应的电气及土建设备的OBB包围盒，获取8个坐标点数值；
步骤3.3，将所有需要实现单体化拆分的设备的底面方向4个点的坐标值与模型名称保存到txt文件中，得到需要完成分割的多边形点；
步骤3.4，调用对应3dmax脚本，实现模型拆分；
进一步，对于3dmax中的拆分脚本主要分为以下子步骤；
步骤3.4.1，读取需要拆分的施工现场模型及拆分模块点集的txt文件；
步骤3.4.2，遍历文件中的所有待分割模块，获取拆分模块中的分割点集，由点集生成所需拆分出的多边形面；
步骤3.4.3，由待拆分的多边形面向上形成立体多边形，通过Boolean计算获取分割部分，选择出需要拆分的点及三角网格面，实现自动拆分功能。
进一步，对于步骤4中重建模型平滑处理具体步骤如下：
步骤4.1，获取需要平滑模型的对应顶点坐标p；
步骤4.2，设置优化的适用于网格边的微分算子D(e)；
步骤4.3，引入正则化项
R(p)＝(p1–p2+p3–p4)2；
步骤4.4，优化目标变为
minp,δ|p–p*|2+α|R(p)|2+β|D(p)–δ|2+λ|δ|0；
步骤4.5，固定p优化δ，即
minδβ|D(p)–δ|2+λ|δ|0，当否则δi＝Di；
步骤4.6，固定δ优化p，即
minp|p–p*|2+α|R(p)|2+β|D(p)–δ|2；
步骤4.7，循环迭代，直至β≥103。
进一步，所述步骤5中视图自动获取具体步骤如下：
步骤5.1，设置blender的背景颜色及大小、引擎及摄影机为正交摄影，及对应摄影机的摄影范围及高度；
步骤5.2，遍历设计BIM模型的不同设备以及施工现场的不同设备，将其导入到场景中；
步骤5.3，获取不同设备的俯视图、正视图、左视图以及两个斜45度视图。
进一步，所述步骤6中视图匹配获取图相似度数值算法具体步骤如下：
步骤6.1，输入原图像I与模板图像T的统一颜色视图；
步骤6.2，将模板T在图像I中滑动，这里的滑动是指，将模板图片一次移动一个像素，在不同位置进行度量计算，从而判断在当前像素中对应原图像某个区域的相似度数值。这里的度量方式利用标准相关匹配准则(TM_CCOEFF_NORMED)，
R(x,y)＝∑x',y'(T'(x',y')×I'(x+x',y+y')),
由此可以获取不同像素位置对应的相似度数值；
步骤6.3，对于模板T覆盖在I上的不同位置，将计算的度量值保存至结果图像矩阵R中，R中包含每个位置对应的匹配度量值；
步骤6.4，在结果矩阵R中寻找最值，由于采用的是标准相关匹配准则衡量方式，则匹配数值的最大值可认定为图像匹配的相似度数值；
步骤6.5，用以上算法遍历所有需要衡量施工进度的设备不同视角，可获得对应的相似度数值矩阵s[i][j]，其中i代表模型编号，j代表视图编号。
进一步，步骤7预估施工进度的具体步骤如下：
根据施工情况将施工进度估计分为3个阶段：施工完成、正在施工、尚未施工。
优先区分施工设备施工是否完成，判断依据如下：
即左视图与正视图的相似度大于60％并且总体相似度均值大于70％时，才可确定设备施工完成。
区分设备施工中与未开始建造的判断依据如下：
当左视图与正视图匹配相似度在30％以下为设备暂未开工的情况。
对于相似度数值在30％以上的情况，通过训练对应的土堆图片，识别模型是否为土堆，若为土堆将其归类于设备尚未施工，若不为土堆则归类于设备正在施工。
实施例二
以下通过更为具体的方案对本申请进行详细说明。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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他实施例，都属于本发明保护的范围。
本发明提出一种基于多视角视图匹配的施工进度自动估计的方法，利用三维重建、模型配准、自动拆分、表面平滑化、视图匹配等，实现通过施工现场重建模型和计划BIM模型对比进行施工进度估计。参照图1，本发明基于多视角视图匹配的施工进度自动估计的方法包括如下步骤：
步骤1，规划无人机飞行路线，布设对应的像控点，获取施工场地对应的航拍影像，利用对应的像控点及相关位置的影像，实现施工现场三维重建，生成三维网格模型。其中包含施工现场不同设备对应位置信息以及相应的外部建设信息；
步骤2，实现计划的BIM模型与现场重建模型配准，使两者旋转对齐；
步骤3，根据对应的计划BIM模型上面各个施工设备，确定对应位置信息，利用3dmax脚本实现对现场重建模型单体化拆分；
步骤4，将现场模型单体化后的相关设备利用L0范数的三维网格去噪方法实现重建模型表面去噪处理；
步骤5，利用blender脚本实现模型5个主要视角图片自动获取；
步骤6，根据修改后的图像模板匹配算法获取一个设备五个视角的像素度矩阵；
步骤7，根据相关相似度阈值确定不同设备施工进度。
在上述实施例中，如图1所示为一种基于多视角视图匹配的施工进度自动估计的方法整体框架图，该方法由模型配准，自动拆分，平滑处理以及进度估计四大模块组成。其模型配准模块，自动拆分模块，平滑处理模块为施工进度估计提供了模型数据支持，提高最终施工进度估计精度。模型配准模块主要利用了OOB包围盒实现，通过位置的匹配，可以实现对应位置设备施工进度的精准估计，不易产生估计混乱的情况；自动拆分模块负责将施工现场需要预估进度的设备按照位置自动拆分出来，利于后续单个设备比对获取进度；平滑处理模块中实现对重建后的模型表面平滑处理，由于无人机倾斜摄影重建后的模型存在表面粗糙等问题，对于进度预估产生影响，因而需要对表面进行平滑处理；进度预估模块，通过模板匹配算法预估模型不同视角的相似度匹配数值，通过对相似度数值评估获取设备施工状态。
模型配准模块具体流程如图2所示。步骤2的流程如下：
首先输入需要进行配准的两个模型，并利用主成分分析法PCA获得两个模型的三个主方向，分别为x，y，z三个方向，两个模型均为三角网格模型，将两个三维模型的顶点在主轴方向上投影，取得边界值，确定OBB包围盒的8个角点。两个模型会形成两个包围盒，将两个包围盒旋转对齐，由于施工现场重建模型的高度会与计划BIM模型高度不同，因而采取地面对齐的方式进行配准，即长宽配准，最终将配准后的模型输出以便后续处理。
图3是表示模型拆分模块流程图。对于模型的自动拆分模块主要分成两部分，第一部分是获取计划BIM设计模型中需要拆分的设备点集，第二部分是实现自动拆分。对于第一部分获取计划BIM设计模型中需要拆分的设备点集的实施步骤大致如下：
(1)逐个标注计划BIM模型中的电气以及土建设备，完成设计模型中的不同设备单体化呈现；
(2)遍历BIM设计模型中的各个设备，并确定对应的电气及土建设备的OBB包围盒，获取8个坐标点数值；
(3)将所有需要实现单体化拆分的设备的底面方向4个点的坐标值与模型名称保存到txt文件中，得到需要完成分割的多边形点；
第二部分是调用3dmax中的拆分脚本实现自动拆分主要分为以下步骤；
(1)读取需要拆分的施工现场模型及拆分模块点集的txt文件；
(2)遍历文件中的所有待分割模块，获取拆分模块中的分割点集，由点集生成所需拆分出的多边形面；
(3)由待拆分的多边形面向上形成立体多边形，通过Boolean计算需要实现分割的部分，选择出需要拆分的点及三角网格面，实现自动拆分功能。
重建模型平滑处理的流程如图4所示。该部分主要采用的是基于L0范数最小化的三角网格去噪算法(L0 Minimization)，利用该算法实现模型的平滑处理，算法的主要流程如下：
(1)获取需要平滑模型的对应顶点坐标p；
(2)设置优化的适用于网格边的微分算子D(e)；
(3)引入正则化项
R(p)＝(p1–p2+p3–p4)2；
(4)优化目标变为
minp,δ|p–p*|2+α|R(p)|2+β|D(p)–δ|2+λ|δ|0；
(5)固定p优化δ，即
minδβ|D(p)–δ|2+λ|δ|0，当否则δi＝Di；
(6)固定δ优化p，即
minp|p–p*|2+α|R(p)|2+β|D(p)–δ|2；
(7)循环迭代，直至β≥103；
(8)完成表面平滑处理，输出三角网格模型p。
施工进度预估模块基本流程图见图5。施工进度预估模块分为3个部分，分别为多视角图片自动获取、视图相似度匹配以及施工进度估计。其中第一部分多视角图片自动获取的步骤如下：
(1)设置blender的背景颜色及大小、引擎及摄影机为正交摄影，及对应摄影机的摄影范围及高度；
(2)遍历设计BIM模型的不同设备以及施工现场的不同设备，将其导入到(1)中设置好的blender场景中；
(3)调用blender库中的函数自动获取不同设备的俯视图、正视图、左视图以及两个斜45度视图，并将其保存输出。
第二部分视图匹配获取图相似度数值算法采用的是图像的模板匹配算法，该算法的具体流程如下：
(1)输入原图像I与模板图像T的统一颜色视图；
(2)将模板T在图像I中滑动，这里的滑动是指，将模板图片一次移动一个像素，在不同位置进行度量计算，从而判断在当前像素中对应原图像某个区域的相似度数值。这里的度量方式利用标准相关匹配准则(TM_CCOEFF_NORMED)，
R(x,y)＝∑x',y'(T'(x',y')×I'(x+x',y+y')),
由此可以获取不同像素位置对应的相似度数值；
(3)对于模板T覆盖在I上的不同位置，将计算的度量值保存至结果图像矩阵R中，R中包含每个位置对应的匹配度量值；
(4)在结果矩阵R中寻找最值，由于采用的是标准相关匹配准则衡量方式，则匹配数值的最大值可认定为图像匹配的相似度数值；
(5)用以上算法遍历所有需要衡量施工进度的设备不同视角，可获得对应的相似度数值矩阵s[i][j]，其中i代表模型编号，j代表视图编号。
第三部分是需要实现施工进度的最终估算，完成相似度与施工进度的匹配，根据施工情况可以将施工进度估计分为3个阶段：施工完成阶段、正在施工阶段、尚未施工阶段。具体的流程如下：
(1)输入相似度匹配矩阵s
(2)优先区分施工设备施工是否完成，判断依据如下：
即左视图与正视图的相似度大于60％并且总体相似度均值大于70％时，才可确定设备施工完成。
(3)区分设备施工中与未开始建造的判断依据如下：
当左视图与正视图匹配相似度在30％以下为设备暂未开工的情况。
(4)对于相似度数值在30％以上的情况，通过训练对应的土堆图片，识别模型是否为土堆，若为土堆将其归类于设备尚未施工，若不为土堆则归类于设备正在施工。
(5)综合上述情况，对展示的设备用可视化展示，生成对应的施工进度监测报告。
本发明在实施例中实现效果大致如下：
(1)模型表面平滑处理见图6，将粗糙三维模型输入如图6(a)，经过模型表面平滑模块的处理，最终得到图6(b)的光滑三维模型，表面平滑效能较好；
(2)三维模型视图自动获取的最终效果见图7，将模型居中，获取其五个视角的图像，生成的图像与原模型较为匹配，自动化效果较好；
(3)图8与图9大致展示了视图匹配获取图像相似度数值的基本效果，对于施工完成的模型匹配效果较为不错，匹配相似度基本在80％左右；施工尚未完成的相似度普遍不高，因而通过阈值的确定基本可以实现施工进度的监测。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

Claims (8)

1.一种基于多视角视图匹配的施工进度自动估计的方法，其特征在于，所述方法包括：
确定施工场地对应的三维模型；
将预先设计的建筑信息模型BIM与所述三维模型配准，使两者旋转对齐；
根据所述BIM上的各个施工设备，确定在所述三维模型上所述各个施工设备的对应位置信息，并对所述三维模型进行单体化拆分；
将所述三维模型单体化后的各个设备三维网格去噪方法实现重建模型表面去噪处理；
确定所述三维模型的各个视角图片，并确定所述视角图片的像素度矩阵；
根据所述像素度矩阵确定不同设备的施工进度。
2.根据权利要求1所述的方法，其特征在于，所述确定施工场地对应的三维模型，包括：
规划无人机飞行路线，布设对应的像控点，获取所述无人机拍摄的施工场地对应的航拍影像，利用对应的像控点及相关位置的影像，实现施工现场三维重建，生成施工场地对应的三维模型，所述三维模型中包含施工现场不同设备对应位置信息以及相应的外部建设信息。
3.根据权利要求1所述的方法，其特征在于，所述将预先设计的建筑信息模型BIM与所述三维模型配准，使两者旋转对齐，包括：
利用主成分分析法PCA获得预先设计的建筑信息模型BIM与所述三维模型的三个主方向；
将所述三维模型的各个三维点在所述三个主方向上进行投影，得到各个点投影；
根据所述点投影的极值，得到所述三维模型的OBB包围盒的8个角点；
基于所述8个角点旋转对齐所述BIM与所述三维模型；
通过缩放实现BIM与所述三维模型包围盒长宽配准。
4.根据权利要求1所述的方法，其特征在于，所述对所述三维模型进行单体化拆分，包括：
逐个标注所述BIM中的电气以及土建设备，并对所述BIM中的不同设备进行单体化呈现；
遍历所述BIM中的各个设备，并确定对应的电气及土建设备的OBB包围盒，获取8个坐标点数值；
将所有需要实现单体化拆分的设备的底面方向4个点的坐标值与所述三维模型的名称保存到txt文件中，得到需要完成分割的多边形点；
调用对应的3dmax脚本，基于所述需要完成分割的多边形点对所述三维模型进行单体化拆分。
5.根据权利要求4所述的方法，其特征在于，所述调用对应的3dmax脚本，基于所述需要完成分割的多边形点对所述三维模型进行单体化拆分，包括：
读取需要拆分的施工现场对应的所述三维模型及拆分模块点集的txt文件；
遍历所述文件中的所有待分割模块，获取拆所述待分割模块中的分割点集，由点集生成所需拆分出的多边形面；
由待拆分的多边形面向上形成立体多边形，通过Boolean计算获取分割部分，选择出需要拆分的点及三角网格面，实现自动拆分功能。
6.根据权利要求1所述的方法，其特征在于，所述确定所述三维模型的各个视角图片，包括：
设置blender的背景颜色及大小、引擎及摄影机为正交摄影，及对应摄影机的摄影范围及高度；
遍历设计BIM模型的不同设备以及施工现场的不同设备，将其导入到场景中；
获取不同设备的俯视图、正视图、左视图以及两个斜45度视图。
7.根据权利要求1所述的方法，其特征在于，所述确定所述视角图片的像素度矩阵，包括：
输入原图像I与模板图像T的统一颜色视图；
将模板T在图像I中滑动，所述滑动是指将模板图片一次移动一个像素，在不同位置进行度量计算，从而判断在当前像素中对应原图像某个区域的相似度数值，以得到不同像素位置对应的相似度数值；
对于模板T覆盖在I上的不同位置，将计算的度量值保存至结果图像矩阵R中，R中包含每个位置对应的匹配度量值；
在结果矩阵R中寻找最值，由于采用的是标准相关匹配准则衡量方式，则匹配数值的最大值可认定为图像匹配的相似度数值；
遍历所有需要衡量施工进度的设备不同视角，以获得对应的相似度数值矩阵s[i][j]，其中i代表模型编号，j代表视图编号。
8.根据权利要求1所述的方法，其特征在于，所述根据所述像素度矩阵确定不同设备的施工进度，包括：
将施工进度估计分为3个阶段：施工完成、正在施工、尚未施工；
当左视图与正视图的相似度大于60％并且总体相似度均值大于70％时，确定设备施工完成；
当左视图与正视图匹配相似度在30％以下时，确定设备暂未开工；
当左视图与正视图匹配相似度在30％以上时，通过训练对应的土堆图片，识别模型是否为土堆，若为土堆将其归类于设备尚未施工，若不为土堆则归类于设备正在施工。
CN202310589437.2A 2023-05-24 2023-05-24 一种基于多视角视图匹配的施工进度自动估计的方法 Pending CN116612091A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310589437.2A CN116612091A (zh) 2023-05-24 2023-05-24 一种基于多视角视图匹配的施工进度自动估计的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310589437.2A CN116612091A (zh) 2023-05-24 2023-05-24 一种基于多视角视图匹配的施工进度自动估计的方法

Publications (1)

Publication Number Publication Date
CN116612091A true CN116612091A (zh) 2023-08-18

Family

ID=87674294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310589437.2A Pending CN116612091A (zh) 2023-05-24 2023-05-24 一种基于多视角视图匹配的施工进度自动估计的方法

Country Status (1)

Country Link
CN (1) CN116612091A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808324A (zh) * 2024-02-27 2024-04-02 西安麦莎科技有限公司 一种无人机视觉协同的建筑进度评估方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808324A (zh) * 2024-02-27 2024-04-02 西安麦莎科技有限公司 一种无人机视觉协同的建筑进度评估方法
CN117808324B (zh) * 2024-02-27 2024-06-04 西安麦莎科技有限公司 一种无人机视觉协同的建筑进度评估方法

Similar Documents

Publication Publication Date Title
US9942535B2 (en) Method for 3D scene structure modeling and camera registration from single image
EP3242275B1 (en) Using photo collections for three dimensional modeling
CN108648194B (zh) 基于cad模型三维目标识别分割和位姿测量方法及装置
CN109598794B (zh) 三维gis动态模型的构建方法
Lerones et al. A practical approach to making accurate 3D layouts of interesting cultural heritage sites through digital models
CN112258658B (zh) 一种基于深度相机的增强现实可视化方法及应用
US20140267254A1 (en) Accurate Image Alignment to a 3D Model
CN102708385B (zh) 用于视频监控场景的三维车型比对识别的方法和***
WO2018053952A1 (zh) 一种基于场景样本库的影视图像深度提取方法
Lallensack et al. Photogrammetry in ichnology: 3D model generation, visualisation, and data extraction
Huang et al. Active image-based modeling with a toy drone
CN111695431A (zh) 一种人脸识别方法、装置、终端设备及存储介质
CN113538373A (zh) 一种基于三维点云的施工进度自动检测方法
CN116612091A (zh) 一种基于多视角视图匹配的施工进度自动估计的方法
CN105787870A (zh) 一种图形图像拼接融合***
WO2020136523A1 (en) System and method for the recognition of geometric shapes
Kaiser et al. Automatic co-registration of photogrammetric point clouds with digital building models
CN110390724B (zh) 一种带有实例分割的slam方法
CN115222884A (zh) 一种基于人工智能的空间对象分析及建模优化方法
Boulanger et al. ATIP: A Tool for 3D Navigation inside a Single Image with Automatic Camera Calibration.
Stent et al. Precise deterministic change detection for smooth surfaces
JP6938201B2 (ja) 情報処理装置、情報処理方法およびプログラム
Piech et al. 3D modelling with the use of photogrammetric methods
CN114549780B (zh) 一种基于点云数据的大型复杂构件智能化检测方法
Kropp et al. Object recognition in bim registered videos for indoor progress monitoring

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