基于高斯编码与轮廓引导点云聚合的BIM构件分类方法

摘要: 本发明属于bim构件分类方法,具体涉及基于高斯编码与轮廓引导点云聚合的bim构件分类方法。背景技术:1、建筑信息模型(buildinginformationmo...
基于高斯编码与轮廓引导点云聚合的BIM构件分类方法

本发明属于bim构件分类方法,具体涉及基于高斯编码与轮廓引导点云聚合的bim构件分类方法。

背景技术:

1、建筑信息模型(building information modeling, bim)是建筑、工程和施工领域广泛使用的数字化技术,配套的各类bim工具也因不同专业与项目的差异化需求不断涌现。为实现异构bim软件间的数据互通,building smart制定并推行了工业基础类别(industryfoundation classes, ifc)标准。但在工程实践中,即便bim构件几何信息完整留存,导出的ifc实体类型仍常出现错配或缺失。这类bim-ifc映射错误降低了ifc实体的可靠性,导致数值仿真和设施运维等下游bim应用出现错误。因此,准确判定其对应的ifc实体类型,是保障 bim互操作性、支撑建筑工程全生命周期bim协同工作的关键。

2、目前,bim构件分类主要以基于深度学习模型的分类方法为主,其核心思路是通过深度学习模型从三维bim构件的几何信息中学习特征,最终实现bim构件的自动分类。但现有深度学习模型对异构 bim 构件的特征提取与自适应适配能力不足,跨项目场景下易出现分类精度下降的问题。

技术实现思路

1、本发明的目的是提供基于高斯编码与轮廓引导点云聚合的bim构件分类方法,解决了现有方法在跨项目场景下易出现分类精度下降的问题。

2、本发明所采用的技术方案是,基于高斯编码与轮廓引导点云聚合的bim构件分类方法,具体过程为:对bim构件的三维点云数据进行预处理,再通过多尺度高斯函数对预处理后的三维点云进行逐点编码,再进行轮廓引导点云采样,获取bim 构件全局特征,最后通过相似度得到正确的ifc实体类型。

3、本发明的特点还在于:

4、具体按照如下步骤实施:

5、步骤 1:对bim构件原始三维点云数据进行预处理,得到标准化点云集合,将标准化点云集合划分为训练集和测试集;

6、步骤 2:采用多尺度高斯函数分别对训练集、测试集中标准化点云逐点编码,获取训练集中每个点的初始特征、测试集中每个点的初始特征;

7、步骤 3:分别对训练集、测试集中标准化点云执行轮廓引导点云采样,得到训练集的采样点集合、测试集的采样点集合;

8、步骤4:分别以训练集的采样点集合、测试集的采样点集合中的采样点为中心,通过knn检索采样点在对应的标准化点云内的近邻点构成局部邻域,编码局部邻域中邻域点与采样点的相对位置关系;

9、步骤 5:分别利用训练集和测试集的邻域点与采样点的相对位置关系,更新训练集与测试集的邻域点的初始特征,得到训练集更新后的邻域点的初始特征、测试集更新后的邻域点的初始特征;

10、步骤 6:分别聚合训练集、测试集的单个局部邻域内所有近邻点的特征,得到邻域特征,融合各邻域特征,生成训练集bim 构件的单阶段特征、测试集bim 构件的单阶段特征;

11、步骤 7:循环执行步骤 3 至步骤 6 共

s次,分别拼接训练集、测试集的所有bim构件的单阶段特征,得到训练集的bim 构件全局特征、测试集的bim 构件全局特征;

12、步骤 8:依据 ifc 实体类别计算训练集各bim 构件全局特征均值,通过计算训练集bim 构件全局特征均值与测试集bim 构件全局特征的相似度,得到 ifc 实体类型分类结果。

13、步骤1的具体过程为:

14、步骤1.1提取bim工具导出的ifc-spf文件中的bim构件几何信息,采用几何离散化方法对bim 构件表面进行均匀采样,得到bim构件原始三维点云数据;

15、步骤1.2,对bim构件原始三维点云数据进行归一化处理,再将归一化后的bim构件原始三维点云数据进行中心化处理,得到标准化点云集合;

16、表达式为:

17、(1)

18、(2)

19、步骤1.3,将标准化点云集合划分为训练集和测试集。

20、步骤2的具体过程为:

21、步骤2.1,令训练集的标准化点云集合,其中为标准化点云集合的总点数,为标准化点云集合中第

i个点的三维坐标,令测试集的标准化点云集合,为标准化点云集合中第e个点的三维坐标;

22、步骤2.2,对于训练集,在三维空间中x轴、y轴和z轴上分别设置一组均匀分布在[-1.0, 1.0]的离散参考点,每个坐标轴上的参考点记为,其中

j为每个标轴上的参考点的数量,为每个坐标轴上的第

j个参考点;

23、步骤2.3,计算标准化点云集合中所有点分别在x轴、y轴、z轴上编码特征,得到x轴上的编码特征、y轴上的编码特征、z轴上的编码特征;

24、表达式为:

25、(3)

26、式中,m表示高斯函数的尺度个数,为第m个尺度下的高斯函数,表示x轴上的编码特征;

27、(4)

28、式中,表示 y轴上的编码特征;

29、(5)

30、式中,表示 z轴上的编码特征;

31、测试集的处理与训练集的相同;

32、步骤2.4,对x轴上的编码特征、y轴上的编码特征、z轴上的编码特征沿着尺度执行最大池化,得到特征、特征、特征;

33、表达式为:

34、(6)

35、(7)

36、(8)

37、步骤2.5,将特征、特征、特征进行维度拼接,得到训练集中任意一点对应的初始特征,其中,;

38、测试集的处理过程与训练集的相同。

39、步骤3的具体过程为:

40、步骤3.1,对于训练集,对任意一点,定义其邻域

k近邻为,其中

k为预设近邻的数量,为点的第

k个近邻点;

41、步骤3.2,对步骤3.1得到的近邻点通过公式(9)计算邻域的几何质心;

42、表达式为:

43、(9)

44、步骤3.3,根据几何质心,计算点的近邻质心突出度;

45、表达式为:

46、(10)

47、步骤3.4,计算点与近邻点的方向聚集度;

48、步骤3.5,将近邻质心突出度与方向聚集度相乘,得到轮廓显著分数;

49、步骤3.6,对标准化点云集合中所有点的轮廓显著分数进行排序,通过top-k 筛选方式选取分数排名前个点构成训练集的采样点集合,记为;

50、测试集的处理过程与训练集的相同。

51、步骤3.4的具体过程为:

52、步骤3.4.1,对于训练集,计算点指,每个近邻点的邻域方向向量;

53、表达式为:

54、(11)

55、式中,为极小常数以避免分母为0;

56、步骤3.4.2,构建包含

r个离散单位向量的标准方向集合,其中;

57、表达式为:

58、(12)

59、式中,为第r个离散单位方向向量;为第r个三维非零向量,各分量取值限定为{-1,0,1};

60、步骤3.4.3,针对标准方向集合中的每个离散单位方向向量,通过公式(13)计算累积方向响应,并通过公式(14)进行归一化操作,得到归一化后的累积方向响应;

61、表达式为:

62、(13)

63、(14)

64、式中,表示正部函数,表示极小常数;

65、步骤3.4.4,根据归一化后的累积方向响应,得到训练集的近邻方向聚集度;

66、表达式为:

67、(15)

68、测试集的处理过程与训练集的相同。

69、步骤4的具体过程为:

70、步骤4.1,对于训练集,通过knn检索采样点集合中的每个采样点在标准化点云集合中的索引;

71、表达式为:

72、(16)

73、步骤4.2,通过索引检索采样点在标准化点云集合的局部点组和对应的特征集

74、步骤4.3,计算采样点与邻域点组中每个邻域点的相对位置,即;

75、步骤4.4,通过高斯函数编码相对位置,得到训练集的局部邻域内邻域点与采样点的相对位置关系;

76、表达式为:

77、

78、式中,为高斯函数的标准差;

79、测试集的处理过程与训练集的相同。

80、步骤5的表达式为:

81、(18)

82、式中,表示训练集更新后的邻域点的初始特征;

83、测试集的处理与训练集的相同。

84、步骤6的具体过程为:

85、步骤6.1,对于训练集,通过公式(19)聚合局部邻域内所有更新后的邻域点的初始特征,得到局部点组的特征,由局部点组的特征构成局部点组的特征集合;

86、表达式为:

87、(19)

88、式中,和分别代表均值函数和最大值函数;

89、步骤6.2,通过公式(20)聚合所有局部点组的特征,得到训练集bim构件的单阶段特征;

90、表示式为:

91、(20)

92、测试集的处理过程与训练集的相同。

93、步骤8的具体过程为:

94、步骤8.1,通过公式(21)对训练集的所有bim 构件全局特征进行归一化处理,得到训练集的归一化后的bim 构件全局特征;

95、表达式为:

96、(21)

97、式中,表示

l2范式;为训练集的第

b个bim构件的bim 构件全局特征;

98、步骤8.2,在训练集中以ifc实体类型为单位,计算训练集中所有归一化后的bim构件全局特征的均值;

99、表达式为:

100、(22)

101、式中,表示训练集中归属于ifc实体类别的bim构件集合;

102、步骤8.3,计算均值与测试集中归一化后的bim 构件全局特征的相似度;

103、表达式为:

104、(23)

105、步骤8.4,通过公式(24)选取相似度最高的类别作为测试集中bim构件的对应ifc实体类型;

106、表达式为:

107、(24)。

108、本发明的有益效果是:本发明方法,通过多尺度高斯函数对点云逐点编码,挖掘bim构件的全局几何特征,并依靠轮廓引导采样结合邻域点云聚合的方式,捕捉构件局部轮廓结构与空间依赖关系,最终将bim 构件全局特征与bim 构件的单阶段特征融合,提升复杂工况下bim构件的分类精度与稳定性,获取高鲁棒性的构件特征表示;同时,本发明采用无参数计算范式,无需数据迭代训练与场景二次调优,且整体计算开销与内存占用极低,具备更强的泛化能力,能够满足工程现场 bim-ifc 实体映射的实时性需求,使得工程项目能够落地部署。