CN117710977B - 基于点云数据的大坝bim三维模型语义快速提取方法及*** - Google Patents
基于点云数据的大坝bim三维模型语义快速提取方法及*** Download PDFInfo
- Publication number
- CN117710977B CN117710977B CN202410146098.5A CN202410146098A CN117710977B CN 117710977 B CN117710977 B CN 117710977B CN 202410146098 A CN202410146098 A CN 202410146098A CN 117710977 B CN117710977 B CN 117710977B
- Authority
- CN
- China
- Prior art keywords
- model
- point cloud
- dimensional
- cloud data
- dam
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 239000007787 solid Substances 0.000 claims abstract description 36
- 239000000463 material Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 35
- 238000013500 data storage Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于点云数据的大坝BIM三维模型语义快速提取方法及***,包括:通过扫描仪扫描出大坝点云数据;将现场扫描点云数据的坐标系转换为大地坐标系;将点云数据进行噪点消除,并将降噪后的点云数据进行拼接;将通过Delaunay三角剖分算法将点云数据转为三维网格模型,并且对网格模型进行优化处理;将网格模型通过MeshLab转换为实体模型;将RGB信息及反射强度通过训练集进行深度学习,并且将相关材料属性导入到三维实体模型中;将实体模型导出为BIM常用的文件格式;本发明能够快速的建立模型并且赋予材料信息,具有耗时短,人工成本低的特点。
Description
技术领域
本发明涉及建筑信息建模技术领域,特别是一种基于点云数据的大坝BIM三维模型语义快速提取方法及***。
背景技术
建筑信息建模(BIM)是一种基于数字技术的建筑设计、施工和管理方法,它能够将建筑物的各个方面信息集成到一个统一的三维模型中,实现建筑物全生命周期的协同管理。BIM三维模型不仅包含了建筑物的几何信息,还包含了建筑物的功能信息、物理信息、成本信息等多维信息。
点云数据是一种由大量离散的三维坐标点组成的数据结构,它能够准确地记录物体表面的形状和纹理信息。点云数据通常由三维激光扫描仪或其他测量仪器采集而成,它在测量工程、文化遗产保护、虚拟现实等领域有着广泛的应用。
点云数据转换为BIM三维模型是一种常见的BIM应用场景,它可以用于对现有建筑物进行数字化建模,以便进行设计改造、设施管理或历史保护等工作。然而,点云据转换为BIM三维模型是一项复杂而耗时的任务,它涉及到点云数据的预处理、曲面建模、模型简化、语义分析等多个步骤、每个步骤都需要专业的知识和技能,且存在着多种不同的算法和工具。因此,如何将点云数据转换为BIM三维模型,是一个亟待解决的技术问题。
BIM三维模型是一种能够集成建筑物多方面信息的模型,其中包括建筑物的几何信息、材料信息,结合点云数据的相干参数让BIM模型能够不在设置材料属性的前提下快速写入材料相关属性是亟待解决的问题。而现有技术为材料信息人工导入,需要将不同材料分块导入,效率低。
发明内容
为解决现有技术中存在的问题,本发明的目的是提供一种基于点云数据的大坝BIM三维模型语义快速提取方法及***,本发明能够快速的建立模型并且赋予材料信息,具有耗时短,人工成本低的特点,同时材料信息不是BIM模型库的单一形式,能够根据点云数据的信息赋予不同的性质。
为实现上述目的,本发明采用的技术方案是:一种基于点云数据的大坝BIM三维模型语义快速提取方法,包括:
在大坝上下游左右岸放置四台固定点位的三维激光扫描仪,通过放置的扫描仪扫描出大坝点云数据;
将现场扫描点云数据的坐标系转换为大地坐标系,让所得的不同坐标系点云数据能够进行拼接;
将点云数据进行噪点消除,并将降噪后的点云数据进行拼接,形成完整的大坝点云模型;
将获得的大坝点云模型导入BIM软件,通过Delaunay三角剖分算法将点云数据转为三维网格模型,并且对网格模型进行优化处理,使得网格模型与大坝的误差达到标准;
将网格模型通过MeshLab转换为实体模型;
将获得的三维实体模型依据点云数据的RGB信息及反射强度通过准备好的训练集进行深度学习,以实现三维模型的语义快速提取,并且将相关材料属性导入到三维实体模型中;
将实体模型导出为BIM常用的文件格式。
作为本发明的进一步改进,所述三维激光扫描仪得出的点云数据不是同一坐标系,通过ICP算法配对点云坐标系,具体如下:
;
其中为源云集合,/>为目标点云集合,将/>经过构建最小二乘问题变换为/>,其中/>代表每个点的权重,/>和/>是所要求的旋转矩和平移向量,/>代表/>和/>的维度。
作为本发明的进一步改进,通过Delaunay三角剖分算法将点云数据进行表面重建,导入到BIM软件生成三维网格模型,同时通过不同的建筑构件类型进行分类和分割。
作为本发明的进一步改进,所述三维网格模型的生成方法具体如下:给定一个平面点集P,找到一个三角剖分T,使得T中的任意一个三角形的外接圆内部不包含P中的其他点,这样的三角剖分称为Delaunay三角剖分,对于任意一个三角形ABC,其外接圆圆心和半径/>满足以下方程:
;
其中,是圆心/>的坐标,构造一个超级三角形并随机选择一个未处理的点***当前三角形,检查是否满足外接圆圆心/>和半径/>的方程,不满足则进行翻转操作,直至所有点都被处理过,最后则形成三维的三角网格模型。
作为本发明的进一步改进,所述训练集中包含经过实验验证的多种材料及相关属性,其中材料均为基于点云反射强度及RGB信息并通过Delaunay三角剖分及MeshLab软件处理后的实体模型。
作为本发明的进一步改进,通过MeshLab将网格模型转换为带有RGB信息的实体模型,然后采用深度学习方法,基于训练集的标注信息,对实体模型进行语义分割和特征提取;具体如下:
运用RGB差值法及KUN聚类器来根据RGB颜色特征将图像中的像素点分为不同的类别,将实体模型与训练集进行对比,得出实体模型不同区域的材料性质,并且将之导入进实体模型中,其中RGB差值法公式为:设一个像素点的RGB值为(R,G,B),则差值矩阵为:根据差值矩阵中的不同元素,可以将像素分为以下几种类别:如果R−G>0且R−B>0,则认为该像素点是红色的;如果G−R>0且G−B>0,则认为该像素点是绿色的;如果B−R>0且B−G>0,则认为该像素点是蓝色的;如果R−G<0且G−B<0,则认为该像素点是黄色的。
作为本发明的进一步改进,常用的文件格式为IFC或RVT。
本发明还提供一种基于点云数据的大坝BIM三维模型语义快速提取***,包括:
数据存储模块:用于将数据存储设备内存中,并且根据大坝分区不同,存储在不同文件中;
数据前处理模块:用于将点云数据中的噪点消除,以及将点云进行滤波;
曲面重建模块:用于通过Delaunay三角剖分算法将大坝点云数据进行曲面重建,得到三维网格模型;
曲面模型优化模块:用于将三维网格模型依据大坝外观进行简化、优化和修复,消除模型中的孔洞、重叠、自相交缺陷;
实体模型自建模块:用于将网格模型转为带有RGB信息的三维实体模型;
人工智能模块:用于通过深度学习方法,基于训练集的标注信息,对实体模型进行语义分割和特征提取;
输出模块:用于输出BIM三维模型,并将其保存为适用于BIM通用的文件格式。
本发明的有益效果是:
本发明能够快速的建立模型并且赋予材料信息,具有耗时短,人工成本低的特点,同时材料信息不是BIM模型库的单一形式,能够根据点云数据的信息赋予不同的性质。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例的***框图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例
如图1所示,一种基于点云数据的大坝BIM三维模型语义快速提取方法,包括以下步骤:
在大坝上游左右岸及下游左右岸放置四台固定点位的三维激光扫描仪,通过放置的扫描仪扫描出大坝点云数据;
将现场扫描点云数据的坐标系转换为大地坐标系,让所得的不同坐标系点云数据能够进行拼接;
将点云数据进行噪点消除,提高数据准确性,让点云数据的几何形状更加精确,使得三维模型可视化效果得到改善;
将降噪后的点云数据进行拼接,形成完整的大坝点云模型;
将获得的大坝点云模型导入BIM软件,通过Delaunay三角剖分算法将点云数据转为三维网格模型,并且对网格模型进行优化处理,使得网格模型与大坝的误差达到标准;
将网格模型通过MeshLab转换为实体模型,使得获得的三维模型与大坝更加吻合;
将获得的三维实体模型依据点云数据的RGB信息及反射强度通过准备好的训练集进行深度学习,以实现三维模型的语义快速提取,并且将相关材料属性导入到三维实体模型中;
将实体模型导出为BIM常用的文件格式,例如IFC、RVT等。
四台三维激光扫描仪采用定点式采样,为了保证仪器长期放置户外的稳定性及安全性,对仪器设置独立放置装置。
三维激光扫描仪得出的点云数据不是同一坐标系,通过ICP 算法配对点云坐标系。
ICP算法的公式为,其中为源云集合,/>为目标点云集合,将/>经过构建最小二乘问题变换为/>,其中/>代表每个点的权重,/>和/>是所要求的旋转矩和平移向量,/>代表/>和/>的维度,通常在三维点云中取/>。
通过Delaunay三角剖分算法将点云数据进行表面重建,导入到BIM软件生成三维网格模型,同时通过不同的建筑构件类型进行分类和分割。
给定一个平面点集P,找到一个三角剖分T,使得T中的任意一个三角形的外接圆内部不包含P中的其他点,这样的三角剖分称为Delaunay三角剖分,对于任意一个三角形ABC,其外接圆圆心和半径/>满足以下方程:
;
其中,是圆心/>的坐标,构造一个超级三角形并随机选择一个未处理的点***当前三角形,检查是否满足外接圆圆心/>和半径/>的方程,不满足则进行翻转操作,直至所有点都被处理过,最后则形成三维的三角网格模型。
训练集中包含经过实验验证的多种材料及相关属性,其中材料均为基于点云反射强度及RGB信息并通过Delaunay三角剖分及MeshLab软件处理后的实体模型。
通过MeshLab将网格模型转换为带有RGB信息的实体模型,然后采用深度学习方法,基于训练集的标注信息,对实体模型进行语义分割和特征提取。原理为运用RGB差值法及KUN聚类器来根据RGB颜色特征将图像中的像素点分为不同的类别,将实体模型与训练集进行对比,得出实体模型不同区域的材料性质,并且将之导入进实体模型中,其中RGB差值法公式为:设一个像素点的RGB值为(R,G,B),则差值矩阵为:,根据差值矩阵中的不同元素,可以将像素分为以下几种类别:如果 R−G>0 且 R−B>0,则认为该像素点是红色的;如果 G−R>0 且 G−B>0,则认为该像素点是绿色的;如果 B−R>0 且 B−G>0,则认为该像素点是蓝色的;如果 R−G<0 且 G−B<0,则认为该像素点是黄色的。
如图2所示,本实施例还提供一种基于点云数据的大坝BIM三维模型语义快速提取***,包括:
数据存储模块:用于将数据存储设备内存中,并且根据大坝分区不同,存储在不同文件中。
数据前处理模块:用于将点云数据中的噪点消除,以及将点云进行滤波,以提高获得的点云数据的实用性。
曲面重建模块:用于通过Delaunay三角剖分算法将大坝点云数据进行曲面重建,得到三维网格模型。
曲面模型优化模块:用于将三维网格模型依据大坝外观进行简化、优化和修复,消除模型中的孔洞、重叠、自相交等缺陷。
实体模型自建模块:用于将网格模型转为带有RGB信息的三维实体模型。
人工智能模块:用于通过深度学习方法,基于训练集的标注信息,对实体模型进行语义分割和特征提取。
输出模块:用于输出BIM三维模型,并将其保存为适用于BIM通用的文件格式,例如IFC、RVT等。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种基于点云数据的大坝BIM三维模型语义快速提取方法,其特征在于,包括:
在大坝上下游左右岸放置四台固定点位的三维激光扫描仪,通过放置的扫描仪扫描出大坝点云数据;
将现场扫描点云数据的坐标系转换为大地坐标系,让所得的不同坐标系点云数据能够进行拼接;
将点云数据进行噪点消除,并将降噪后的点云数据进行拼接,形成完整的大坝点云模型;
将获得的大坝点云模型导入BIM软件,通过Delaunay三角剖分算法将点云数据转为三维网格模型,并且对三维网格模型进行优化处理,使得三维网格模型与大坝的误差达到标准;
将三维网格模型通过MeshLab转换为三维实体模型;
将获得的三维实体模型依据点云数据的RGB信息及反射强度通过准备好的训练集进行深度学习,以实现三维实体模型的语义快速提取,并且将相关材料属性导入到三维实体模型中;
将三维实体模型导出为BIM常用的文件格式。
2.根据权利要求1所述的基于点云数据的大坝BIM三维模型语义快速提取方法,其特征在于,所述三维激光扫描仪得出的点云数据不是同一坐标系,通过ICP算法配对点云坐标系,具体如下:
其中P={p1,p2,...,pn}为源云集合,Q={q1,q2,...qn}为目标点云集合,将Q经过构建最小二乘问题变换为P,其中wi代表每个点的权重,R和t是所要求的旋转矩和平移向量,d代表x和y的维度。
3.根据权利要求1所述的基于点云数据的大坝BIM三维模型语义快速提取方法,其特征在于,通过Delaunay三角剖分算法将点云数据进行表面重建,导入到BIM软件生成三维网格模型,同时通过不同的建筑构件类型进行分类和分割。
4.根据权利要求3所述的基于点云数据的大坝BIM三维模型语义快速提取方法,其特征在于,所述三维网格模型的生成方法具体如下:给定一个平面点集P,找到一个三角剖分T,使得T中的任意一个三角形的外接圆内部不包含P中的其他点,这样的三角剖分称为Delaunay三角剖分,对于任意一个三角形ABC,其外接圆圆心O和半径R满足以下方程:
其中,(x0,y0)是圆心O的坐标,构造一个超级三角形并随机选择一个未处理的点***当前三角形,检查是否满足外接圆圆心O和半径R的方程,不满足则进行翻转操作,直至所有点都被处理过,最后则形成三维的三角网格模型。
5.根据权利要求1所述的基于点云数据的大坝BIM三维模型语义快速提取方法,其特征在于,所述训练集中包含经过实验验证的多种材料及相关属性,其中材料均为基于点云反射强度及RGB信息并通过Delaunay三角剖分及MeshLab软件处理后的实体模型。
6.根据权利要求1所述的基于点云数据的大坝BIM三维模型语义快速提取方法,其特征在于,通过MeshLab将网格模型转换为带有RGB信息的实体模型,然后采用深度学习方法,基于训练集的标注信息,对实体模型进行语义分割和特征提取;具体如下:
运用RGB差值法及KNN聚类器来根据RGB颜色特征将图像中的像素点分为不同的类别,将实体模型与训练集进行对比,得出实体模型不同区域的材料性质,并且将之导入进实体模型中,其中RGB差值法公式为:设一个像素点的RGB值为(R,G,B),则差值矩阵为:根据差值矩阵中的不同元素,可以将像素分为以下几种类别:如果R-G>0且R-B>0,则认为该像素点是红色的;如果G-R>0且G-B>0,则认为该像素点是绿色的;如果B-R>0且B-G>0,则认为该像素点是蓝色的;如果R-G<0且G-B<0,则认为该像素点是黄色的。
7.根据权利要求1所述的基于点云数据的大坝BIM三维模型语义快速提取方法,其特征在于,常用的文件格式为IFC或RVT。
8.一种基于点云数据的大坝BIM三维模型语义快速提取***,其特征在于,包括:
数据存储模块:用于将数据存储设备内存中,并且根据大坝分区不同,存储在不同文件中;
数据前处理模块:用于将点云数据中的噪点消除,以及将点云进行滤波;
曲面重建模块:用于通过Delaunay三角剖分算法将大坝点云数据进行曲面重建,得到三维网格模型;
曲面模型优化模块:用于将三维网格模型依据大坝外观进行简化、优化和修复,消除模型中的孔洞、重叠、自相交缺陷;
实体模型自建模块:用于将三维网格模型转为带有RGB信息的三维实体模型;
人工智能模块:用于通过深度学习方法,基于训练集的标注信息,对三维实体模型进行语义分割和特征提取;
输出模块:用于输出BIM三维实体模型,并将其保存为适用于BIM通用的文件格式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146098.5A CN117710977B (zh) | 2024-02-02 | 2024-02-02 | 基于点云数据的大坝bim三维模型语义快速提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146098.5A CN117710977B (zh) | 2024-02-02 | 2024-02-02 | 基于点云数据的大坝bim三维模型语义快速提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117710977A CN117710977A (zh) | 2024-03-15 |
CN117710977B true CN117710977B (zh) | 2024-04-26 |
Family
ID=90162713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410146098.5A Active CN117710977B (zh) | 2024-02-02 | 2024-02-02 | 基于点云数据的大坝bim三维模型语义快速提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710977B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807571A (zh) * | 2019-09-19 | 2020-02-18 | 同济大学 | 基于3d激光传感与BIM结合的建筑工程质量控制*** |
JP2021156016A (ja) * | 2020-03-27 | 2021-10-07 | 株式会社フジタ | 建設作業支援システムおよび建設作業支援方法 |
CN113487721A (zh) * | 2021-06-18 | 2021-10-08 | 浙江大学 | 一种基于三维点云的预制构件自动化识别方法 |
CN113868733A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于三维点云的既有结构bim模型自动化生成方法 |
WO2022088676A1 (zh) * | 2020-10-29 | 2022-05-05 | 平安科技(深圳)有限公司 | 三维点云语义分割方法、装置、设备及介质 |
CN115294294A (zh) * | 2022-10-10 | 2022-11-04 | 中国电建集团山东电力建设第一工程有限公司 | 基于深度图像和点云的管线bim模型重建方法及*** |
WO2022263860A1 (en) * | 2021-06-18 | 2022-12-22 | Pointfuse Limited | Pointcloud processing, especially for use with building intelligence modelling (bim) |
EP4174792A1 (en) * | 2021-10-29 | 2023-05-03 | Geosat | Method for scene understanding and semantic analysis of objects |
CN116258835A (zh) * | 2023-05-04 | 2023-06-13 | 武汉大学 | 基于深度学习的点云数据三维重建方法和*** |
CN116385680A (zh) * | 2023-03-30 | 2023-07-04 | 宁波市水利水电规划设计研究院有限公司 | 一种基于ue技术的三维沉浸式大坝安全监测方法与*** |
KR102561303B1 (ko) * | 2023-02-21 | 2023-07-28 | (주)원빔그룹 | 건축 설계 bim 데이터 및 시공 스케줄의 연동을 통한 공사 관리 솔루션 제공 방법, 장치 및 시스템 |
CN116975956A (zh) * | 2023-06-16 | 2023-10-31 | 同济大学 | 一种考虑偏差和变形纠正的竣工bim模型自动生成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9070216B2 (en) * | 2011-12-14 | 2015-06-30 | The Board Of Trustees Of The University Of Illinois | Four-dimensional augmented reality models for interactive visualization and automated construction progress monitoring |
US20190026400A1 (en) * | 2017-07-18 | 2019-01-24 | Fuscoe Engineering, Inc. | Three-dimensional modeling from point cloud data migration |
-
2024
- 2024-02-02 CN CN202410146098.5A patent/CN117710977B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807571A (zh) * | 2019-09-19 | 2020-02-18 | 同济大学 | 基于3d激光传感与BIM结合的建筑工程质量控制*** |
JP2021156016A (ja) * | 2020-03-27 | 2021-10-07 | 株式会社フジタ | 建設作業支援システムおよび建設作業支援方法 |
WO2022088676A1 (zh) * | 2020-10-29 | 2022-05-05 | 平安科技(深圳)有限公司 | 三维点云语义分割方法、装置、设备及介质 |
CN113487721A (zh) * | 2021-06-18 | 2021-10-08 | 浙江大学 | 一种基于三维点云的预制构件自动化识别方法 |
WO2022263860A1 (en) * | 2021-06-18 | 2022-12-22 | Pointfuse Limited | Pointcloud processing, especially for use with building intelligence modelling (bim) |
CN113868733A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于三维点云的既有结构bim模型自动化生成方法 |
EP4174792A1 (en) * | 2021-10-29 | 2023-05-03 | Geosat | Method for scene understanding and semantic analysis of objects |
CN115294294A (zh) * | 2022-10-10 | 2022-11-04 | 中国电建集团山东电力建设第一工程有限公司 | 基于深度图像和点云的管线bim模型重建方法及*** |
KR102561303B1 (ko) * | 2023-02-21 | 2023-07-28 | (주)원빔그룹 | 건축 설계 bim 데이터 및 시공 스케줄의 연동을 통한 공사 관리 솔루션 제공 방법, 장치 및 시스템 |
CN116385680A (zh) * | 2023-03-30 | 2023-07-04 | 宁波市水利水电规划设计研究院有限公司 | 一种基于ue技术的三维沉浸式大坝安全监测方法与*** |
CN116258835A (zh) * | 2023-05-04 | 2023-06-13 | 武汉大学 | 基于深度学习的点云数据三维重建方法和*** |
CN116975956A (zh) * | 2023-06-16 | 2023-10-31 | 同济大学 | 一种考虑偏差和变形纠正的竣工bim模型自动生成方法 |
Non-Patent Citations (2)
Title |
---|
BIM技术在公路隧道正向设计中的应用研究;曹建涛;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20200115;C034-719 * |
Semi-automated visualization method for visual inspection of buildings on BIM using 3D point cloud;Moonyoung Choi等;《Journal of Building Engeering》;20240131;第81卷;正文1-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN117710977A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boulch | ConvPoint: Continuous convolutions for point cloud processing | |
Pintus et al. | A survey of geometric analysis in cultural heritage | |
Zheng et al. | Non-local scan consolidation for 3D urban scenes | |
CN111008422B (zh) | 一种建筑物实景地图制作方法及*** | |
Malinverni et al. | Deep learning for semantic segmentation of 3D point cloud | |
CN111932671A (zh) | 基于密集点云数据的三维实体模型重建方法 | |
US20140192050A1 (en) | Three-dimensional point processing and model generation | |
GB2581374A (en) | 3D Face reconstruction system and method | |
US20050093875A1 (en) | Synthesis of progressively-variant textures and application to arbitrary surfaces | |
Rieck et al. | Multivariate data analysis using persistence-based filtering and topological signatures | |
CN111784840B (zh) | 基于矢量数据自动分割lod层级三维数据单体化方法及*** | |
Biasotti et al. | SHREC'18 track: Recognition of geometric patterns over 3D models | |
Yu et al. | Artificial intelligence for Dunhuang cultural heritage protection: the project and the dataset | |
Shah et al. | Simulated annealing-based fitting of CAD models to point clouds of mechanical parts’ assemblies | |
Wang et al. | Object verification based on deep learning point feature comparison for scan-to-BIM | |
US20220391553A1 (en) | Building information modeling systems and methods | |
CN115797568A (zh) | 一种基于三维gis与bim集成的建模方法及装置 | |
CN117710977B (zh) | 基于点云数据的大坝bim三维模型语义快速提取方法及*** | |
Pellis et al. | Assembling an image and point cloud dataset for heritage building semantic segmentation | |
Zhao et al. | A 3D modeling method for buildings based on LiDAR point cloud and DLG | |
CN116258840B (zh) | 层级细节表示树的生成方法、装置、设备及存储介质 | |
Dai et al. | MDC-Net: A multi-directional constrained and prior assisted neural network for wood and leaf separation from terrestrial laser scanning | |
Cao et al. | Label-efficient deep learning-based semantic segmentation of building point clouds at LOD3 level | |
Gaide et al. | Model reevaluation based on graph transformation rules | |
He | Research on outdoor garden scene reconstruction based on PMVS Algorithm |
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 |