CN118051062B - 基于bim和无人机的施工现场塔吊智能巡检方法及*** - Google Patents
基于bim和无人机的施工现场塔吊智能巡检方法及*** Download PDFInfo
- Publication number
- CN118051062B CN118051062B CN202410451983.4A CN202410451983A CN118051062B CN 118051062 B CN118051062 B CN 118051062B CN 202410451983 A CN202410451983 A CN 202410451983A CN 118051062 B CN118051062 B CN 118051062B
- Authority
- CN
- China
- Prior art keywords
- tower crane
- model
- path
- inspection
- aerial vehicle
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000010276 construction Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims description 69
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 34
- 238000003466 welding Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000007547 defect Effects 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 5
- 241000221535 Pucciniales Species 0.000 claims description 3
- 230000006870 function Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
本公开涉及一种基于BIM和无人机的施工现场塔吊智能巡检方法及***,其中方法包括:建立塔吊的塔吊BIM模型以及所述塔吊所处施工现场环境的倾斜摄影模型;将所述塔吊BIM模型转换成网格Mesh模型,将所述网格Mesh模型放置于所述倾斜摄影模型中,在所述网格Mesh模型中选择确定多个目标节点作为一组航点;基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述初始路径得到巡检路径;将巡检路径传输至无人机以使无人机按照巡检路径飞行并采集塔吊数据,根据无人机返回的塔吊数据生成塔吊巡检结果。
Description
技术领域
本公开实施例涉及施工设备智能化检测技术领域,尤其涉及一种基于BIM和无人机的施工现场塔吊智能巡检方法及***。
背景技术
目前在传统施工现场,塔吊作为大型设备之一,要特别注意防止安全隐患的发生。目前其巡检主要依赖于人工手段,存在着难以到达高空、巡检频率低、监测不及时等问题,难以实现塔吊的全面监测且检测结果的精度不高。相关技术如专利公开号为CN116007542A的专利文献中通过结合BIM(Building Information Modeling)技术和无人机,可以实现对塔吊的检测,例如可以对塔吊的结构、运行状态进行监测,相比人工手段提高了监测的全面性和精度,同时也降低了人工巡检的风险和成本。但是,相关技术中对于塔吊的巡检仅是基于获取的图像进行识别对比,不涉及无人机的巡检路径的优化设置,使得无人机获取的数据不够准确和/或飞行中途遇到障碍等导致重复飞行检测,降低了塔吊的检测效率和检测结果的精度。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开实施例提供了一种基于BIM和无人机的施工现场塔吊智能巡检方法及***。
第一方面,本公开实施例提供了一种基于BIM和无人机的施工现场塔吊智能巡检方法,包括:
建立塔吊的塔吊BIM模型以及所述塔吊所处施工现场环境的倾斜摄影模型,所述塔吊BIM模型的精度细化至所述塔吊的单个构件;
将所述塔吊BIM模型转换成网格Mesh模型,将所述网格Mesh模型放置于所述倾斜摄影模型中,在所述网格Mesh模型中选择确定多个目标节点作为一组航点;
基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述初始路径得到巡检路径;
将所述巡检路径传输至无人机,以使所述无人机按照所述巡检路径飞行并采集塔吊数据,根据所述无人机返回的塔吊数据生成塔吊巡检结果。
在一个实施例中,所述在所述网格Mesh模型中选择确定多个目标节点作为一组航点,包括:
在所述网格Mesh模型对应的待检测区域设置一个初始航点,通过贪心算法进行遍历求解最短路径,将所述初始航点所能遍历到的一组Mesh节点进行标识以避免被重复遍历;
修改所述初始航点以重新通过贪心算法遍历求解,直至所述网格Mesh模型中所有Mesh节点都被遍历之后,确定数量最少的一组Mesh节点作为一组航点。
在一个实施例中,所述基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,包括:
根据每个航点的位置,使用最近邻算法以最近的距离作为选择下一个航点的标准,确定所述一组航点的初始访问顺序,基于所述一组航点的初始访问顺序生成初始路径。
在一个实施例中,该方法还包括:
基于遗传算法改进所述初始路径得到优化路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述优化路径得到目标巡检路径;
将所述目标巡检路径传输至所述无人机,以使所述无人机按照所述目标巡检路径飞行并采集目标塔吊数据,根据所述无人机返回的目标塔吊数据生成塔吊巡检结果。
在一个实施例中,所述根据所述无人机返回的塔吊数据生成塔吊巡检结果,或者所述根据所述无人机返回的目标塔吊数据生成塔吊巡检结果,包括:
获取所述塔吊数据或者目标塔吊数据中的图像数据;其中所述图像数据包括塔吊的焊缝图像、裂缝/锈蚀图像、构件图像中的任意一个或多个,所述构件至少包括螺栓和/或销轴;
将所述图像数据输入塔吊检测模型,以得到塔吊巡检结果;其中,所述图像数据中的焊缝图像、裂缝/锈蚀图像、构件图像各自对应的塔吊检测模型不同,且均是预先基于样本焊缝图像、样本裂缝/锈蚀图像、样本构件图像及各自对应标注数据对YOLOv8模型分别训练得到的;并且其中,样本焊缝图像对应标注数据包括焊缝的位置和是否存在缺陷标识,样本裂缝/锈蚀图像对应标注数据包括裂缝/锈蚀的位置和形状数据,样本构件图像对应标注数据包括构件的位置及其状态数据。
在一个实施例中,该方法还包括:
将所述图像数据输入所述塔吊检测模型之前,对所述图像数据中的构件图像进行去噪声、锐化和增强图像对比度的预处理,对所述图像数据中的裂缝/锈蚀图像进行调整图像大小、去噪和增强图像对比度的预处理;
或者,根据所述塔吊巡检结果分析评估螺栓/销轴的状态,评估裂缝和锈蚀的属性参数,评估焊缝的状态,并分别或一起生成检测报告。
在一个实施例中,该方法还包括:
将所述塔吊巡检结果与所述塔吊BIM模型中的相应构件进行匹配关联,以确保所述塔吊巡检结果中的每项检测结果数据准确对应到所述塔吊BIM模型中具体对应的构件上;
在所述塔吊BIM模型中具体对应的构件上基于预设颜色方案可视化呈现不同检测结果数据的严重程度,以直观显示各构件的健康状况。
第二方面,本公开实施例提供一种基于BIM和无人机的施工现场塔吊智能巡检***,包括:
模型建立模块,用于建立塔吊的塔吊BIM模型以及所述塔吊所处施工现场环境的倾斜摄影模型,所述塔吊BIM模型的精度细化至所述塔吊的单个构件;
航点生成模块,用于将所述塔吊BIM模型转换成网格Mesh模型,将所述网格Mesh模型放置于所述倾斜摄影模型中,在所述网格Mesh模型中选择确定多个目标节点作为一组航点;
路径生成模块,用于基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述初始路径得到巡检路径;
飞行巡检模块,用于将所述巡检路径传输至无人机,以使所述无人机按照所述巡检路径飞行并采集塔吊数据,根据所述无人机返回的塔吊数据生成塔吊巡检结果。
第三方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一实施例所述基于BIM和无人机的施工现场塔吊智能巡检方法。
第四方面,本公开实施例提供一种电子设备,包括:
处理器;以及
存储器,用于存储计算机程序;
其中,所述处理器配置为经由执行所述计算机程序来执行上述任一实施例所述基于BIM和无人机的施工现场塔吊智能巡检方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的基于BIM和无人机的施工现场塔吊智能巡检方法及***,建立塔吊的塔吊BIM模型以及所述塔吊所处施工现场环境的倾斜摄影模型,所述塔吊BIM模型的精度细化至所述塔吊的单个构件;将所述塔吊BIM模型转换成网格Mesh模型,将所述网格Mesh模型放置于所述倾斜摄影模型中,在所述网格Mesh模型中选择确定多个目标节点作为一组航点;基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述初始路径得到巡检路径;将所述巡检路径传输至无人机,以使所述无人机按照所述巡检路径飞行并采集塔吊数据,根据所述无人机返回的塔吊数据生成塔吊巡检结果。这样,本实施例的方案中,塔吊BIM模型的精度细化并转换成Mesh模型,并结合塔吊所处施工现场环境的倾斜摄影模型确定巡检航点和巡检路径,使得巡检航点和巡检路径的设置更精确,航点位置确定更加精确使得无人机采集的数据更准确,从而使得巡检检测结果的精度提高,路径规划最优即巡检路径设置更精确以避免重复飞行或长路径飞行巡检引起的巡检效率下降,提升塔吊巡检效率。该方案可以同时提高塔吊巡检效率和塔吊巡检检测结果的精度,从而可便于及时提醒发现塔吊潜在质量问题,防范塔吊安全事故发生。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,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地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例基于BIM和无人机的施工现场塔吊智能巡检方法流程图;
图2为本公开另一实施例基于BIM和无人机的施工现场塔吊智能巡检方法流程图;
图3为本公开实施例基于BIM和无人机的施工现场塔吊智能巡检过程示意图;
图4为本公开实施例基于BIM和无人机的施工现场塔吊智能巡检***示意图;
图5为本公开实施例的电子设备示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
应当理解,在下文中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”用于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:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
本公开实施例的方案旨在通过结合BIM和无人机技术,实现施工现场塔吊的智能巡检,可视化、全面地反映巡检结果,提高塔吊巡检效率和巡检结果的精度,如避免路径规划不精确导致重复飞行或长路径飞行巡检引起的巡检效率下降,航点位置确定更加精确,使得无人机采集的数据更准确,从而使得巡检结果的精度提高。
图1为本公开实施例的一种基于BIM和无人机的施工现场塔吊智能巡检方法流程图,该方法可以包括以下步骤:
步骤S101:建立塔吊的塔吊BIM模型以及所述塔吊所处施工现场环境的倾斜摄影模型,所述塔吊BIM模型的精度细化至所述塔吊的单个构件。
示例性的,BIM建筑信息建模技术是目前建筑领域数字化程度最高的先进建模方法。这种方法可以在整个建筑生命周期中实现信息的集成和共享,提高设计、施工和维护等各个阶段的协同效率。BIM模型包含丰富的设计几何和语义信息,能够对目标物体的物理与功能特性进行数字化表达。在一个示例中,可以使用Revit软件建立目标塔吊的精细化模型,精细程度具体到单个构件,单个构件可以例如是单根桁架、螺栓、销轴等。
根据《起重机械安全技术规程》中要求的检查内容,对于塔吊设备的检查包括但不限于焊接质量、金属结构检查等。由于Revit软件建立的塔吊BIM模型是以构件形式拼接的,无法展现出具体的焊缝,所以可以进行焊缝提取的处理。由塔吊的结构以及工程经验可以得知,塔节是各种桁架焊接拼装而成的,桁架与桁架之间的交接处便是焊缝。因此可以使用作为Revit软件的插件的三维可视化编程软件Dynamo对塔吊BIM模型中的桁架重叠处进行重叠面提取,然后提取重叠面的外轮廓作为实际焊缝所在的位置。
上述倾斜摄影模型可以由搭载倾斜摄影装置的无人机进行塔吊所处施工现场环境的多角度影像数据的采集,之后通过建模软件进行自动化的建模生成塔吊所处施工现场环境的倾斜摄影模型。建模软件可以是Air Bus公司的Street Factory,Agisoft公司的PhotoScan,Pix4D公司Pix4D mapper以及Bentley公司的Context Capture等,但不限于此。具体的自动化建模过程可以参考现有技术理解。建立的该倾斜摄影模型也即塔吊所处施工现场环境的实景三维模型,其可以精确表征塔吊所处施工现场环境如现场的各种障碍物等等。
步骤S102:将所述塔吊BIM模型转换成网格Mesh模型,将所述网格Mesh模型放置于所述倾斜摄影模型中,在所述网格Mesh模型中选择确定多个目标节点作为一组航点;
示例性的,将Revit软件中建立的塔吊BIM模型转换成Mesh模型。Mesh模型通常采用一系列大小和形状接近的多边形(通常是三角形)近似表示三维物体的模型。生成Mesh模型之后,将Mesh模型放置在施工现场倾斜摄影模型当中,其中Mesh模型是待检测区域,倾斜摄影模型的施工现场环境是障碍区域,之后从中选择确定航点。在一个示例中,在网格Mesh模型中选择确定多个目标节点作为一组航点,各目标节点可以是旁边无障碍物且与待检测的单个构件或者焊缝的位置匹配的高度和距离处的节点,使得后续无人机按照巡检路径到达每个航点时可以获取准确的数据。
在一些实施例中,可以把Mesh模型中处于内部、重叠的部分进行筛除得到目标Mesh模型,之后确定航点以减少模型的数据量利于后续的计算处理,从而提高整体的路径规划处理效率以提高塔吊巡检效率。
步骤S103:基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述初始路径得到巡检路径。
示例性的,基于上述方式确定一组航点后,可根据一组航点中每个航点的位置(如经纬度坐标等)结合目标算法确定该一组航点的初始访问顺序形成初始路径,目标算法的目的可以是使初始路径最短。同时结合上述倾斜摄影模型模拟飞行中的障碍物以调整所述初始路径得到更为精确的巡检路径。
步骤S104:将所述巡检路径传输至无人机,以使所述无人机按照所述巡检路径飞行并采集塔吊数据,根据所述无人机返回的塔吊数据生成塔吊巡检结果。
示例性的,UAV(Unmanned Aerial Vehicle)无人机技术的飞速发展为施工现场引入了高效的数据采集手段,能够在更短的时间内获取大范围的实时数据,为智能化施工管理提供了强有力的支持。无人机技术能够快速获取高空图片信息,具有灵活性、高效率的独特优势。本实施例中结合BIM和无人机技术,可以进行施工现场塔吊的智能巡检。具体的,确定上述巡检路径之后即可传输至无人机,无人机按照所述巡检路径飞行并采集塔吊数据,例如在其中的每个航点处短时停留采集塔吊数据如影像数据等,之后根据无人机返回的塔吊数据生成塔吊巡检结果,例如基于影像识别构件的锈蚀或裂缝等状态信息得到塔吊巡检结果。
本实施例的上述方案中,塔吊BIM模型的精度细化并转换成Mesh模型,并结合塔吊所处施工现场环境的倾斜摄影模型确定巡检航点和巡检路径,使得巡检航点和巡检路径的设置更高效精确,航点位置确定更加精确使得无人机采集的数据如塔吊影像更准确,从而使得巡检检测结果的精度提高,路径规划最优即巡检路径设置更精确以避免重复飞行(如遇障碍物掉落重飞等)或长路径飞行巡检引起的巡检效率下降,提升塔吊巡检效率。该方案可以同时提高塔吊巡检效率和塔吊巡检检测结果的精度,从而可便于及时提醒发现塔吊潜在质量问题,防范塔吊安全事故发生。
在上述实施例的基础上,参考图2所示,于一个实施例中,步骤S102中在所述网格Mesh模型中选择确定多个目标节点作为一组航点,具体可以包括以下步骤:
步骤S201:在所述网格Mesh模型对应的待检测区域设置一个初始航点,通过贪心算法进行遍历求解最短路径,将所述初始航点所能遍历到的一组Mesh节点进行标识以避免被重复遍历。
步骤S202:修改所述初始航点以重新通过贪心算法遍历求解,直至所述网格Mesh模型中所有Mesh节点都被遍历之后,确定数量最少的一组Mesh节点作为一组航点。
示例性的,生成Mesh模型之后,将Mesh模型模型放置在上述倾斜摄影模型当中,Mesh模型是待检测区域,倾斜摄影模型的施工现场环境是障碍区域,任意给定一初始点即初始航点,通过贪心算法(Greedy Algorithm)进行遍历,将当前航点即初始航点所能遍历到的Mesh节点进行标识处理以避免被重复遍历。不断修改初始点以重新遍历,待所有Mesh节点都被遍历之后,最终确定数量最少的一组Mesh节点作为一组航点。也即迭代重复遍历时,针对每次的初始航点,都有对应确定的一组航点,然后选择其中数量最少的一组航点,之后转入步骤S103执行。这样通过贪心算法遍历求解确定的一组航点可实现最短路径,从而可进一步提高塔吊巡检效率。
在上述任意一个实施例的基础上,于一个实施例中,步骤S103中基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,具体可以包括以下步骤:根据每个航点的位置,使用最近邻算法(Nearest NeighborAlgorithm)以最近的距离作为选择下一个航点的标准,确定所述一组航点的初始访问顺序,基于所述一组航点的初始访问顺序生成初始路径。
示例性的,根据任选的一个航点的位置,使用最近邻算法(Nearest NeighborAlgorithm),以最近的距离作为选择下一个航点的标准确定一个初始访问顺序,然后基于该一组航点的初始访问顺序生成初始路径,之后通过所述倾斜摄影模型进行路径调整得到巡检路径并执行步骤S104。这样,采用最近邻算法确定初始访问顺序并生成初始路径,可以进一步优化确定的最少数量的各航点的先后访问顺序,使得最终生成的巡检路径对应的整体飞行时间减少,进而可以更进一步提高塔吊巡检效率。
为了再进一步提高塔吊巡检效率。在一个实施例中,该方法还可包括以下步骤:基于遗传算法改进所述初始路径得到优化路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述优化路径得到目标巡检路径;将所述目标巡检路径传输至所述无人机,以使所述无人机按照所述目标巡检路径飞行并采集目标塔吊数据,根据所述无人机返回的目标塔吊数据生成塔吊巡检结果。
也即是说,本实施例中可进一步实现初始路径的优化。在一个示例中,参考图3中所述,根据航点的位置,使用最近邻算法(Nearest Neighbor Algorithm),以最近的距离作为选择下一个航点的标准,确定一个初始访问顺序形成初始路径之后,接着,应用遗传算法(Genetic Algorithm)来改进初始路径得到优化路径。同时可在计算机模拟中测试优化路径,以确保路径的可行性和安全性如不会遇到或碰到障碍物,通过倾斜摄影模型考虑实际飞行中可能遇到的各种限制和障碍物,并相应地调整路径以确认优化后的路径满足所有飞行要求和安全标准。如果必要,还可以进行最后的微调,以确保路径的最优性和飞行的安全性。这样即可得到最终的目标巡检路径。然后无人机进行航线执行,如将优化后的目标巡检路径导入无人机的飞行控制***。之后启动无人机,按照设定的航线执行飞行任务。如无人机按照目标巡检路径飞行并采集目标塔吊数据如影像,根据无人机返回的目标塔吊数据生成塔吊巡检结果。
本实施例中通过遗传算法进一步优化巡检路径,使得路径相对最优且飞行的安全性高,可避免重飞及减少整体飞行时间,从而提高了塔吊巡检效率。
在一些实施例中,在飞行过程中,可以监控无人机的状态信息,包括电量、飞行高度、速度以及任何异常信息等情况。在巡检过程中,可以通过无人机搭载的摄像头、传感器等设备收集所需数据如影像等。
在一个实施例中,步骤S104中根据所述无人机返回的塔吊数据生成塔吊巡检结果,或者上述实施例中,根据所述无人机返回的目标塔吊数据生成塔吊巡检结果,具体可以包括以下步骤:
步骤1):获取所述塔吊数据或者目标塔吊数据中的图像数据;其中所述图像数据包括塔吊的焊缝图像、裂缝/锈蚀图像、构件图像中的任意一个或多个,所述构件至少包括螺栓和/或销轴。
步骤2):将所述图像数据输入塔吊检测模型,以得到塔吊巡检结果;其中,所述图像数据中的焊缝图像、裂缝/锈蚀图像、构件图像各自对应的塔吊检测模型不同,且均是预先基于样本焊缝图像、样本裂缝/锈蚀图像、样本构件图像及各自对应标注数据对YOLOv8模型分别训练得到的;并且其中,样本焊缝图像对应标注数据包括焊缝的位置和是否存在缺陷标识,样本裂缝/锈蚀图像对应标注数据包括裂缝/锈蚀的位置和形状数据,样本构件图像对应标注数据包括构件的位置及其状态数据。
示例性的,塔吊巡检检测可分为螺栓/销轴检测、裂缝/锈蚀检测、焊缝检测,但也不限于此,此处仅为举例说明。可以理解的是,将螺栓、销轴检测放在一类是因为螺栓和销轴都是独立的小型构件,且检测要求类似;将裂缝和锈蚀放在一类是因为裂缝和锈蚀往往同时发生。
将巡检过程中采集的塔吊相关的图像数据进行检测处理,具体示例情况如下:
i)螺栓/销轴检测:对预先收集到的图像数据集使用图像标注工具Labelimg进行标注,标明螺栓的位置及其状态(如正常、松动、腐蚀等)。使用标注好的数据集来训练YOLOv8模型,进行交叉验证以确保模型的准确性和泛化能力。具体应用时,可以对巡检采集的图像进行预处理,包括去噪声、锐化和增强图像对比度等,以提升螺栓/销轴的可视化效果以及符合YOLOv8模型的输入要求。使用训练好的YOLOv8模型对采集的图像中的螺栓/销轴进行检测,识别其位置和状态。
ii)裂缝/锈蚀检测:对预先收集到的图像数据集使用Labelimg进行标注,标记出裂缝/锈蚀的位置和形状。使用标注好的数据集来训练YOLOv8模型直到模型在检测裂缝/锈蚀方面达到满意的精度。具体应用时,可以对巡检采集的图像进行调整图像大小、去噪和对比度增强等处理以匹配YOLOv8模型的输入要求。使用训练好的YOLOv8模型对图像进行分析,识别并定位裂缝/锈蚀。
iii)焊缝检测:对预先收集到的图像数据集使用Labelimg进行标注,以确定焊缝的位置和是否存在缺陷(如裂纹、气孔等)。使用标注好的数据集训练YOLOv8模型,以识别和定位焊缝及其缺陷。将巡检采集的焊缝图像输入到训练好的YOLOv8模型中,进行实时检测和识别输出焊缝的位置和是否存在缺陷的信息。
本实施例中基于上述模型对采集的图像识别即包含回归问题如识别确定螺栓的位置也涉及分类问题如螺栓的不同状态,而YOLOv8模型中检测头(Head)部分同时包括分类和回归分支,可以适用本实施例的情况。
本实施例中使用不同的训练数据基于YOLOv8模型预先训练好的不同塔吊检测模型对相应的巡检采集的图像数据进行识别,可以输出更精确的塔吊检测结果数据,也即进一步提高塔吊巡检检测结果的精度。同时可以实现对塔吊的不同检测项目的精确检测,检测结果数据更加全面且准确。
YOLOv8模型通常包括主干网络(Backbone)、特征增强网络(Neck)和检测头单元(Head)。在一个示例中,YOLOv8模型的训练过程可包括:
构建YOLOv8模型的指定损失函数,通过所述YOLOv8模型对训练样本图像数据处理得到检测结果;根据所述检测结果确定所述指定损失函数的损失值,根据所述指定损失函数的损失值迭代更新所述YOLOv8模型的模型参数,直至所述指定损失函数的损失值满足预设条件时结束训练;其中,所述指定损失函数包括所述YOLOv8模型对应的第一损失函数以及为所述特征增强网络设置的第二损失函数;所述指定损失函数的损失值满足预设条件包括:第一损失函数的损失值小于第一阈值,且第二损失函数的损失值小于第二阈值。
本实施例中的上述方案,可以在每个塔吊检测模型的训练过程即YOLOv8模型训练中,除了YOLOv8模型现有的第一损失函数的约束,通过增加特征增强网络的第二损失函数的进一步约束,可以使得特征增强网络从主干网络输出的特征图中获取更有效准确的图像信息,以增强检测头Head部分的识别效果,从而可使训练好的YOLOv8模型即塔吊检测模型可以输出更精确的塔吊检测结果数据。
在一个实施例中,该方法还可以包括:将所述图像数据输入所述塔吊检测模型之前,对所述图像数据中的构件图像进行去噪声、锐化和增强图像对比度的预处理,对所述图像数据中的裂缝/锈蚀图像进行调整图像大小、去噪和增强图像对比度的预处理。
这样,可以提升构件图像如螺栓/销轴的可视化效果以及符合YOLOv8模型的输入要求;也可以对巡检采集的裂缝/锈蚀图像进行调整图像大小、去噪和对比度增强等处理以匹配YOLOv8模型的输入要求,从而使得基于YOLOv8模型训练好的塔吊检测模型可以输出更精确的塔吊检测结果数据,也即更进一步提高塔吊巡检检测结果的精度。
在一个实施例中,该方法还可包括:根据所述塔吊巡检结果分析评估螺栓/销轴的状态,评估裂缝和锈蚀的属性参数,评估焊缝的状态,并分别或一起生成检测报告。
示例性的,使用训练好的YOLOv8模型对图像中的螺栓/销轴进行检测,识别其位置和状态。之后对检测到的螺栓/销轴局部图像进行进一步的特征提取分析。根据训练好的YOLOv8模型的检测结果和特征分析评估每个螺栓/销轴的状态,最终生成详细的检测报告,报告中可包括螺栓/销轴的位置、状态、图像证据,以及必要的维护建议。
使用训练好的YOLOv8模型对采集的裂缝/锈蚀图像进行分析,识别并定位裂缝/锈蚀。根据训练好的YOLOv8模型的检测结果,评估裂缝的属性参数如大小、长度和分布,评估锈蚀的属性参数如面积、锈蚀程度和分布,最终编写详细的检测报告。
将采集的焊缝图像输入到训练好的YOLOv8模型中,进行实时检测和识别。根据训练好的YOLOv8模型的检测结果评估焊缝的状态,例如包括缺陷的类型和严重程度等,最终可编写详细的检测报告,包括焊缝的质量、缺陷类型,以及必要的维护和修复意见等。
可以理解的是,上述各检测报告可以分别单独编写,也可以在一个检测报告中包括上述各检测报告的内容。
在一个实施例中,该方法还可包括:将所述塔吊巡检结果与所述塔吊BIM模型中的相应构件进行匹配关联,以确保所述塔吊巡检结果中的每项检测结果数据准确对应到所述塔吊BIM模型中具体对应的构件上;在所述塔吊BIM模型中具体对应的构件上基于预设颜色方案可视化呈现不同检测结果数据的严重程度,以直观显示各构件的健康状况。
具体的,本实施例中塔吊BIM模型精细程度具体到单个构件,单个构件可以例如是单根桁架、螺栓、销轴等,以便对应检测结果与塔吊BIM模型中的构件进行精确匹配。若巡检检测结果呈现零散,不利于后续维护以及长期的可持续发展。因此本实施例中将巡检检测结果与BIM模型相结合,可视化精确呈现检测结果,方便人员后续管理维护塔吊。
在一个示例中,参考图3所示,首先可将以上这些巡检检测结果即塔吊巡检结果整合成统一的数据格式并存储在数据库中。接着,将这些数据与BIM模型中的相应构件进行精确匹配,确保每项检测数据准确对应到模型的具体部分。随后,基于预先设计的一个颜色编码方案来可视化呈现不同检测结果的严重程度,比如用绿色表示销轴状态良好,黄色表示存在轻微问题,红色表示严重问题。然后,在Revit软件中使用Dynamo进行视图覆写,将这些颜色应用于模型的对应构件上,以直观显示各部件的健康状况。同时,可将检测过程中捕获的对应图像与Revit软件中塔吊BIM模型中的相关构件关联起来,为每个构件提供详细的视觉证据。
最后,还可以将这个可视化***集成到现有的塔吊设施管理和维护流程中,并确保团队成员能够通过用户界面轻松访问和解读这些信息。这样不仅能够有效地展示塔吊构件的当前状态,还能为维修和维护工作提供准确的指导,从而保障施工现场的安全和塔吊的可靠运行。
需要说明的是,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。另外,也易于理解的是,这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
如图4所示,本公开实施例提供一种基于BIM和无人机的施工现场塔吊智能巡检***,包括:
模型建立模块401,用于建立塔吊的塔吊BIM模型以及所述塔吊所处施工现场环境的倾斜摄影模型,所述塔吊BIM模型的精度细化至所述塔吊的单个构件;
航点生成模块402,用于将所述塔吊BIM模型转换成网格Mesh模型,将所述网格Mesh模型放置于所述倾斜摄影模型中,在所述网格Mesh模型中选择确定多个目标节点作为一组航点;
路径生成模块403,用于基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述初始路径得到巡检路径;
飞行巡检模块404,用于将所述巡检路径传输至无人机,以使所述无人机按照所述巡检路径飞行并采集塔吊数据,根据所述无人机返回的塔吊数据生成塔吊巡检结果。
在一个实施例中,所述航点生成模块在所述网格Mesh模型中选择确定多个目标节点作为一组航点,包括:
在所述网格Mesh模型对应的待检测区域设置一个初始航点,通过贪心算法进行遍历求解最短路径,将所述初始航点所能遍历到的一组Mesh节点进行标识以避免被重复遍历;
修改所述初始航点以重新通过贪心算法遍历求解,直至所述网格Mesh模型中所有Mesh节点都被遍历之后,确定数量最少的一组Mesh节点作为一组航点。
在一个实施例中,所述路径生成模块基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,包括:
根据每个航点的位置,使用最近邻算法以最近的距离作为选择下一个航点的标准,确定所述一组航点的初始访问顺序,基于所述一组航点的初始访问顺序生成初始路径。
在一个实施例中,该***还可包括:
路径优化模块,用于基于遗传算法改进所述初始路径得到优化路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述优化路径得到目标巡检路径;
所述飞行巡检模块,还可用于将所述目标巡检路径传输至所述无人机,以使所述无人机按照所述目标巡检路径飞行并采集目标塔吊数据,根据所述无人机返回的目标塔吊数据生成塔吊巡检结果。
在一个实施例中,所述飞行巡检模块根据所述无人机返回的塔吊数据生成塔吊巡检结果,或者所述根据所述无人机返回的目标塔吊数据生成塔吊巡检结果,包括:
获取所述塔吊数据或者目标塔吊数据中的图像数据;其中所述图像数据包括塔吊的焊缝图像、裂缝/锈蚀图像、构件图像中的任意一个或多个,所述构件至少包括螺栓和/或销轴;
将所述图像数据输入塔吊检测模型,以得到塔吊巡检结果;其中,所述图像数据中的焊缝图像、裂缝/锈蚀图像、构件图像各自对应的塔吊检测模型不同,且均是预先基于样本焊缝图像、样本裂缝/锈蚀图像、样本构件图像及各自对应标注数据对YOLOv8模型分别训练得到的;并且其中,样本焊缝图像对应标注数据包括焊缝的位置和是否存在缺陷标识,样本裂缝/锈蚀图像对应标注数据包括裂缝/锈蚀的位置和形状数据,样本构件图像对应标注数据包括构件的位置及其状态数据。
在一个实施例中,YOLOv8模型训练过程包括:构建YOLOv8模型的指定损失函数,通过所述YOLOv8模型对训练样本图像数据处理得到检测结果;根据所述检测结果确定所述指定损失函数的损失值,根据所述指定损失函数的损失值迭代更新所述YOLOv8模型的模型参数,直至所述指定损失函数的损失值满足预设条件时结束训练;其中,所述指定损失函数包括所述YOLOv8模型对应的第一损失函数以及为所述特征增强网络设置的第二损失函数;所述指定损失函数的损失值满足预设条件包括:第一损失函数的损失值小于第一阈值,且第二损失函数的损失值小于第二阈值。
在一个实施例中,该***还可包括:
预处理模块,用于在飞行巡检模块将所述图像数据输入所述塔吊检测模型之前,对所述图像数据中的构件图像进行去噪声、锐化和增强图像对比度的预处理,对所述图像数据中的裂缝/锈蚀图像进行调整图像大小、去噪和增强图像对比度的预处理;
或者,报告生成模块,用于根据所述塔吊巡检结果分析评估螺栓/销轴的状态,评估裂缝和锈蚀的属性参数,评估焊缝的状态,并分别或一起生成检测报告。
在一个实施例中,该***还可包括:
关联模块,用于将所述塔吊巡检结果与所述塔吊BIM模型中的相应构件进行匹配关联,以确保所述塔吊巡检结果中的每项检测结果数据准确对应到所述塔吊BIM模型中具体对应的构件上;
显示模块,用于在所述塔吊BIM模型中具体对应的构件上基于预设颜色方案可视化呈现不同检测结果数据的严重程度,以直观显示各构件的健康状况。
关于上述实施例中的***,其中各个模块执行操作的具体方式以及带来的相应技术效果已经在有关该方法的实施例中进行了对应的详细描述,此处将不做详细阐述说明。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项实施例所述基于BIM和无人机的施工现场塔吊智能巡检方法。
示例性的,该可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
本公开实施例还提供一种电子设备,包括处理器以及存储器,存储器用于存储计算机程序。其中,所述处理器配置为经由执行所述计算机程序来执行上述任一项实施例中基于BIM和无人机的施工现场塔吊智能巡检方法。
下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示方法的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述各实施例的方法步骤。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于BIM和无人机的施工现场塔吊智能巡检方法,其特征在于,包括:
建立塔吊的塔吊BIM模型以及所述塔吊所处施工现场环境的倾斜摄影模型,所述塔吊BIM模型的精度细化至所述塔吊的单个构件;
将所述塔吊BIM模型转换成网格Mesh模型,将所述网格Mesh模型放置于所述倾斜摄影模型中,在所述网格Mesh模型中选择确定多个目标节点作为一组航点,具体包括:在所述网格Mesh模型对应的待检测区域设置一个初始航点,通过贪心算法进行遍历求解最短路径,将所述初始航点所能遍历到的一组Mesh节点进行标识以避免被重复遍历;修改所述初始航点以重新通过贪心算法遍历求解,直至所述网格Mesh模型中所有Mesh节点都被遍历之后,确定数量最少的一组Mesh节点作为一组航点;
基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述初始路径得到巡检路径;其中,所述基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,包括:根据每个航点的位置,使用最近邻算法以最近的距离作为选择下一个航点的标准,确定所述一组航点的初始访问顺序,基于所述一组航点的初始访问顺序生成初始路径;
将所述巡检路径传输至无人机,以使所述无人机按照所述巡检路径飞行并采集塔吊数据,根据所述无人机返回的塔吊数据生成塔吊巡检结果。
2.根据权利要求1所述的方法,其特征在于,该方法还包括:
基于遗传算法改进所述初始路径得到优化路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述优化路径得到目标巡检路径;
将所述目标巡检路径传输至所述无人机,以使所述无人机按照所述目标巡检路径飞行并采集目标塔吊数据,根据所述无人机返回的目标塔吊数据生成塔吊巡检结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述无人机返回的塔吊数据生成塔吊巡检结果,或者所述根据所述无人机返回的目标塔吊数据生成塔吊巡检结果,包括:
获取所述塔吊数据或者目标塔吊数据中的图像数据;其中所述图像数据包括塔吊的焊缝图像、裂缝/锈蚀图像、构件图像中的任意一个或多个,所述构件至少包括螺栓和/或销轴;
将所述图像数据输入塔吊检测模型,以得到塔吊巡检结果;其中,所述图像数据中的焊缝图像、裂缝/锈蚀图像、构件图像各自对应的塔吊检测模型不同,且均是预先基于样本焊缝图像、样本裂缝/锈蚀图像、样本构件图像及各自对应标注数据对YOLOv8模型分别训练得到的;
并且其中,样本焊缝图像对应标注数据包括焊缝的位置和是否存在缺陷标识,样本裂缝/锈蚀图像对应标注数据包括裂缝/锈蚀的位置和形状数据,样本构件图像对应标注数据包括构件的位置及其状态数据。
4.根据权利要求3所述的方法,其特征在于,该方法还包括:
将所述图像数据输入所述塔吊检测模型之前,对所述图像数据中的构件图像进行去噪声、锐化和增强图像对比度的预处理,对所述图像数据中的裂缝/锈蚀图像进行调整图像大小、去噪和增强图像对比度的预处理;
或者,根据所述塔吊巡检结果分析评估螺栓/销轴的状态,评估裂缝和锈蚀的属性参数,评估焊缝的状态,并分别或一起生成检测报告。
5.根据权利要求3所述的方法,其特征在于,该方法还包括:
将所述塔吊巡检结果与所述塔吊BIM模型中的相应构件进行匹配关联,以确保所述塔吊巡检结果中的每项检测结果数据准确对应到所述塔吊BIM模型中具体对应的构件上;
在所述塔吊BIM模型中具体对应的构件上基于预设颜色方案可视化呈现不同检测结果数据的严重程度,以直观显示各构件的健康状况。
6.一种基于BIM和无人机的施工现场塔吊智能巡检***,其特征在于,包括:
模型建立模块,用于建立塔吊的塔吊BIM模型以及所述塔吊所处施工现场环境的倾斜摄影模型,所述塔吊BIM模型的精度细化至所述塔吊的单个构件;
航点生成模块,用于将所述塔吊BIM模型转换成网格Mesh模型,将所述网格Mesh模型放置于所述倾斜摄影模型中,在所述网格Mesh模型中选择确定多个目标节点作为一组航点,具体包括:在所述网格Mesh模型对应的待检测区域设置一个初始航点,通过贪心算法进行遍历求解最短路径,将所述初始航点所能遍历到的一组Mesh节点进行标识以避免被重复遍历;修改所述初始航点以重新通过贪心算法遍历求解,直至所述网格Mesh模型中所有Mesh节点都被遍历之后,确定数量最少的一组Mesh节点作为一组航点;
路径生成模块,用于基于所述一组航点中每个航点的位置,并根据目标算法确定所述一组航点的初始访问顺序形成初始路径,通过所述倾斜摄影模型模拟飞行中的障碍物以调整所述初始路径得到巡检路径;其中,所述路径生成模块具体用于:根据每个航点的位置,使用最近邻算法以最近的距离作为选择下一个航点的标准,确定所述一组航点的初始访问顺序,基于所述一组航点的初始访问顺序生成初始路径;
飞行巡检模块,用于将所述巡检路径传输至无人机,以使所述无人机按照所述巡检路径飞行并采集塔吊数据,根据所述无人机返回的塔吊数据生成塔吊巡检结果。
7.一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1~5任一项所述基于BIM和无人机的施工现场塔吊智能巡检方法。
8.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储计算机程序;
其中,所述处理器配置为经由执行所述计算机程序来执行权利要求1~5任一项所述基于BIM和无人机的施工现场塔吊智能巡检方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410451983.4A CN118051062B (zh) | 2024-04-16 | 2024-04-16 | 基于bim和无人机的施工现场塔吊智能巡检方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410451983.4A CN118051062B (zh) | 2024-04-16 | 2024-04-16 | 基于bim和无人机的施工现场塔吊智能巡检方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118051062A CN118051062A (zh) | 2024-05-17 |
CN118051062B true CN118051062B (zh) | 2024-06-18 |
Family
ID=91048665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410451983.4A Active CN118051062B (zh) | 2024-04-16 | 2024-04-16 | 基于bim和无人机的施工现场塔吊智能巡检方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118051062B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548228A (zh) * | 2022-01-24 | 2022-05-27 | 广东飞粤科技有限公司 | 一种基于soc和mesh组网的无人机电网巡检方法与*** |
CN116185079A (zh) * | 2023-04-28 | 2023-05-30 | 西安迈远科技有限公司 | 一种基于自适应巡航的无人机施工巡检航线规划方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116659503A (zh) * | 2023-05-29 | 2023-08-29 | 广东电网有限责任公司 | 巡检航线的规划方法、装置、电子设备及存储介质 |
CN116719339A (zh) * | 2023-07-24 | 2023-09-08 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于无人机的电力线路巡检控制方法及*** |
-
2024
- 2024-04-16 CN CN202410451983.4A patent/CN118051062B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548228A (zh) * | 2022-01-24 | 2022-05-27 | 广东飞粤科技有限公司 | 一种基于soc和mesh组网的无人机电网巡检方法与*** |
CN116185079A (zh) * | 2023-04-28 | 2023-05-30 | 西安迈远科技有限公司 | 一种基于自适应巡航的无人机施工巡检航线规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118051062A (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Developing a conceptual framework for the application of digital twin technologies to revamp building operation and maintenance processes | |
Ma et al. | Construction quality management based on a collaborative system using BIM and indoor positioning | |
US20210133149A1 (en) | Intelligent and automated review of industrial asset integrity data | |
Xu et al. | BrIM and UAS for bridge inspections and management | |
Zhang et al. | Towards fully automated unmanned aerial vehicle-enabled bridge inspection: Where are we at? | |
CN104919486A (zh) | 检查数据图形过滤器 | |
CN104937554A (zh) | 用于在非破坏性测试***中分析数据的***和方法 | |
KR102306269B1 (ko) | 실시간 아크 용접 결함 탐지/분류 방법 및 장치 | |
EP3312095A1 (en) | Lightning strike inconsistency aircraft dispatch mobile disposition tool | |
John Samuel et al. | Defect-oriented supportive bridge inspection system featuring building information modeling and augmented reality | |
Um et al. | Low-cost mobile augmented reality service for building information modeling | |
Huthwohl et al. | Challenges of bridge maintenance inspection | |
CN112685820A (zh) | 基于bim和gis的数字化电站交付方法、介质和设备 | |
Nakanishi et al. | A review of monitoring construction equipment in support of construction project management | |
CN116231504A (zh) | 一种升压站远程智能巡检方法、装置及*** | |
CN115686014A (zh) | 一种基于bim模型的地铁巡检机器人 | |
CN115982954A (zh) | 一种输电线路三维仿真模型构建***及模型构建方法 | |
Al-Shalabi et al. | A novel framework for BIM enabled facility energy management: a concept paper | |
CN114565312A (zh) | 一种基于bim的输变电工程精细化施工管理方法 | |
CN118051062B (zh) | 基于bim和无人机的施工现场塔吊智能巡检方法及*** | |
CN116627126A (zh) | 一种基于大数据的智能巡检方法和*** | |
CN113776783A (zh) | 一种基于巡检机器人的机房服务器故障灯检测方法 | |
Qureshi et al. | Smart rebar progress monitoring using 3D point cloud model | |
AbouRizk | Simulation-based analytics: Advancing decision support in construction | |
Liu et al. | Intelligent Control of Building Operation and Maintenance Processes Based on Global Navigation Satellite System and Digital Twins. Remote Sens. 2022, 14, 1387 |
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 |