CN120633942A - 一种基于人工智能的土木工程造价管理方法 - Google Patents

一种基于人工智能的土木工程造价管理方法

Info

Publication number
CN120633942A
CN120633942A CN202510972020.3A CN202510972020A CN120633942A CN 120633942 A CN120633942 A CN 120633942A CN 202510972020 A CN202510972020 A CN 202510972020A CN 120633942 A CN120633942 A CN 120633942A
Authority
CN
China
Prior art keywords
volume
component
point cloud
project
actual
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.)
Granted
Application number
CN202510972020.3A
Other languages
English (en)
Other versions
CN120633942B (zh
Inventor
代梦麟
洪城城
靳振军
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.)
Guangdong Chong Nan Engineering Management Co ltd
Original Assignee
Hefei Yinyue Space Architectural Design Co ltd
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 Hefei Yinyue Space Architectural Design Co ltd filed Critical Hefei Yinyue Space Architectural Design Co ltd
Priority to CN202510972020.3A priority Critical patent/CN120633942B/zh
Publication of CN120633942A publication Critical patent/CN120633942A/zh
Application granted granted Critical
Publication of CN120633942B publication Critical patent/CN120633942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/24765—Rule-based classification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Primary Health Care (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Structural Engineering (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)

Abstract

本申请公开了一种基于人工智能的土木工程造价管理方法，涉及土木工程造价：构建施工项目的BIM设计模型；采用激光雷达采集施工现场的点云数据，生成实际施工点云模型；将实际施工点云模型与BIM设计模型进行空间配准，得到配准后的融合模型；根据融合模型，通过深度学习算法识别已完成构件，并通过体积计算，得到实际已完成工程量；比对实际已完成工程量与BIM设计模型中对应时间节点的计划完成工程量，计算进度偏差率；根据进度偏差率，结合工程量清单中的单价信息，调整工程造价。针对土木工程造价动态监控精度低，本申请通过激光点云与BIM模型融合，利用深度学习算法识别构件完成状态并计算实际工程量等，提高了工程造价的动态监控精度。

Description

一种基于人工智能的土木工程造价管理方法
技术领域
本申请涉及工程造价领域，特别涉及一种基于人工智能的土木工程造价管理方法。
背景技术
土木工程项目具有投资规模大、建设周期长、参与方众多的特点，工程造价管理贯穿项目全生命周期，是确保项目经济效益的关键环节。随着建筑业向数字化、智能化转型，传统的造价管理模式已难以满足现代工程项目精细化管理的需求。特别是在施工阶段，实时准确地掌握工程完成情况、及时调整造价计划，对于控制项目成本、规避投资风险具有重要意义。建筑信息模型(BIM)技术的应用为工程造价管理提供了新的技术手段，通过构建包含几何信息、材料属性、成本数据的三维数字模型，实现了工程量的自动提取和造价的精确计算。然而，BIM模型反映的是设计意图和计划状态，如何将实际施工状态与BIM模型进行对比分析，实现基于实际完成情况的造价动态管理，仍是行业面临的技术难题。
传统方法依靠人工使用卷尺、水准仪等工具进行现场测量，不仅耗时费力，而且测量精度受人为因素影响大。对于高空作业、复杂结构等难以到达的部位，测量工作存在安全隐患。人工测量通常采用抽样方式，难以覆盖所有构件，导致工程量统计存在遗漏。现有方法多采用估算方式确定完成工程量，如按照楼层完成情况粗略估算完成百分比，或根据材料消耗量反推完成量。这种方式忽略了构件的实际完成形态，特别是对于部分完成的构件，无法准确计算其完成体积。钢筋混凝土构件的钢筋扣减、砌体灰缝计算等往往采用固定系数，与实际情况存在偏差。
工程进度数据的采集和汇总通常按月进行，存在明显的滞后性。当发现进度偏差时，往往已错过最佳调整时机。各分项工程之间的关联性分析不足，难以及时发现影响关键路径的进度风险。进度信息与造价数据脱节，无法实现基于实际进度的造价动态预测。
发明内容
针对土木工程造价动态监控精度低，本申请提供了一种基于人工智能的土木工程造价管理方法，通过激光点云与BIM模型融合，利用深度学习算法识别构件完成状态并计算实际工程量等，提高了工程造价的动态监控精度。
本申请提供一种基于人工智能的土木工程造价管理方法，包括：S1，构建施工项目的BIM设计模型，BIM设计模型包括施工阶段的构件信息、工程量清单和计划进度数据；S2，采用激光雷达采集施工现场的点云数据，生成实际施工点云模型；S3，将实际施工点云模型与BIM设计模型进行空间配准，得到配准后的融合模型；S4，根据融合模型，通过深度学习算法识别已完成构件，并通过体积计算，得到实际已完成工程量；S5，比对实际已完成工程量与BIM设计模型中对应时间节点的计划完成工程量，计算进度偏差率；S6，根据进度偏差率，结合工程量清单中的单价信息，调整工程造价。
进一步的，S4，根据融合模型，通过深度学习算法识别已完成构件，并通过体积计算，得到实际已完成工程量，包括：从融合模型中提取点云特征数据，点云特征数据包括空间坐标、反射强度和法向量；根据空间坐标对点云特征数据进行体素化处理，将连续的点云数据转换为三维体素网格，每个体素单元包含对应空间位置的反射强度和法向量信息；将三维体素网格输入预训练的卷积神经网络模型中，得到构件类型标签、空间位置和构件点云簇；根据构件类型标签和空间位置信息，将识别出的各个构件点云簇与BIM设计模型中对应位置和类型的标准构件进行匹配，通过计算点云覆盖率确定构件的完成状态，完成状态包括完全完成、部分完成和未开始。
当点云覆盖率大于预设阈值Q1时，判定为完全完成构件，系统通过构件匹配结果，获取该构件在BIM模型中的唯一标识符；通过BIM模型的数据接口，直接查询该构件的设计体积属性；将查询得到的设计体积值直接赋值为实际完成体积；这种处理方式避免了点云重建的计算误差，提高了效率和准确性。
当点云覆盖率小于预设阈值Q1且大于预设阈值Q2时，判定为部分完成构件，根据对应构件的点云簇空间坐标，重建构件点云簇的三维表面，计算封闭表面所包含的体积，将计算得到的体积值作为该构件的实际完成体积；根据各构件的实际完成体积和工程量清单中对应构件类型的体积计算规则，按照工程分部分项累加得到各分项工程的实际已完成工程量。
特别的，本申请对于完全完成构件R＞Q1，通过直接调用BIM模型中的精确设计体积，避免了点云数据处理过程中的累积误差。当构件基本完工时，实际几何与设计几何的偏差在工程允许范围内，直接使用设计值既保证了精度，又大幅提升了计算效率。部分完成构件Q2≤R≤Q1，通过点云重建技术精确计算实际完成部分的体积，解决了传统方法无法准确评估施工中构件的技术难题。未开始构件R＜Q2，避免了将零散噪声点误判为施工开始，提高了系统的鲁棒性。
进一步的，空间坐标用于确定构件的空间位置和几何形状；反射强度用于区分不同材质的构件；法向量用于识别构件的表面朝向和边界。
进一步的，将三维体素网格输入预训练的卷积神经网络模型中，得到构件类型标签、空间位置和构件点云簇，包括：卷积神经网络模型包括特征提取层、实例分割层和语义识别层；特征提取层利用反射强度和法向量信息提取构件的几何特征和材质特征；实例分割层基于提取的几何特征，通过区域生长算法分离相邻构件，输出各个独立构件的点云簇；语义识别层基于提取的材质特征和几何特征，输出各点云簇对应的构件类型标签；根据构件点云簇的边界体素坐标，计算每个构件的中心位置，作为空间位置。
进一步的，根据构件类型标签和空间位置信息，将识别出的各个构件点云簇与BIM设计模型中对应位置和类型的标准构件进行匹配，通过计算点云覆盖率确定构件的完成状态，包括：
基于构件类型标签，在BIM设计模型中筛选相同类型的候选构件集合；计算构件点云簇的质心坐标，作为中心位置C，其中，n为构件点云簇中的点数，(xi,yi,zi)为第i个点的三维坐标；计算中心位置C与候选构件集合中各构件几何中心的距离D，选择距离D最小的构件作为匹配构件；获取匹配构件的轴对齐包围盒AABB参数，AABB参数包括最小顶点坐标(xmin,ymin,zmin)和最大顶点坐标(xmax,ymax,zmax)；将构件点云簇中的每个点坐标与轴对齐包围盒AABB边界进行比较，统计落入轴对齐包围盒AABB的点数Nin；将轴对齐包围盒AABB按照预设分辨率r划分为M×N×K个体素单元，统计每个体素单元内的点数，计算实际分布密度
根据匹配构件在BIM设计模型中的几何信息，通过模拟激光雷达扫描过程计算理论点云密度ρstandard；根据激光雷达的扫描参数和构件表面积，计算单位体积内的理论采样点数；计算点云覆盖率当检测到实际分布密度存在明显不均匀时，通过连通域分析算法将点云划分为多个连通区域，计算最大连通域内的点数占Nin的比例ε，对覆盖率进行修正：R'＝R×ε；当R＞Q1时判定为完全完成，当Q2≤R≤Q1时判定为部分完成，当R＜Q2时判定为未开始，其中Q1和Q2为预设的覆盖率阈值。Q1的取值范围90％至100％；Q2的取值范围10％至20％。
特别的，首先，基于深度学习识别的构件类型标签，将匹配搜索空间从全模型的数千个构件缩减到同类型的数十个构件，搜索复杂度从O(n)降至O(n/k)，其中，k为构件类型数。这种语义先验知识的引入，避免了纯几何匹配可能出现的“形似而质异”误匹配。
其次，质心作为点云簇的几何特征中心，具有平移不变性和噪声鲁棒性。通过欧氏距离进行最近邻搜索，原理上保证了空间位置最接近的构件被正确匹配。这种基于质心的匹配方法计算效率高，复杂度仅为O(m)，m为候选构件数。
最后，通过模拟激光雷达扫描过程计算ρstandard，考虑了扫描角度、距离、遮挡等实际因素对点云密度的影响。这种基于物理模型的理论值计算，比简单的均匀分布假设更接近实际情况，解决了不同扫描条件下的覆盖率一致性问题。
进一步的，当点云覆盖率小于预设阈值Q1且大于预设阈值Q2时，判定为部分完成构件，根据对应构件的点云簇空间坐标，重建构件点云簇的三维表面，计算封闭表面所包含的体积，将计算得到的体积值作为该构件的实际完成体积，包括：对部分完成构件的点云簇进行离群点处理，得到有效点云；从BIM设计模型中提取匹配构件的施工方向信息，作为主施工方向向量；其中，土木工程施工具有明确的方向性特征：柱类构件：自下而上垂直施工；梁类构件：沿长轴方向水平施工；板类构件：自下而上分层浇筑。从BIM模型中读取构件的类型属性和几何参数；根据构件类型自动确定主施工方向向量；对于特殊构件，可从BIM模型的施工信息属性中读取自定义方向。
将三维点云数据沿主施工方向向量进行一维投影，将空间分布问题简化为线性分布问题。每个点在施工方向上的投影值代表其在施工进程中的位置。确定投影值的范围区间，即施工起点到当前最远点的距离；将该区间等分为m个子区间(m值根据构件尺寸自适应调整，一般取30-50)；统计每个子区间内的点数，除以区间长度得到线密度值；形成沿施工方向的密度分布曲线。
此外，在施工界面位置，已完成部分点云密集，未完成部分点云稀疏或无点云，因此在界面处会出现密度急剧下降的特征。从施工起始端开始，逐个计算相邻子区间的密度比值；当某个位置的密度比值小于阈值T(经验值0.3)时，表明密度发生突变；该突变位置即为施工完成界面。
切割平面通过识别出的施工界面位置点，平面法向量为主施工方向向量，确保切割平面将构件分为已完成和未完成两部分。调用BIM软件内置的几何引擎(如ACIS、Parasolid等)，执行实体与半空间的交集运算，保留施工起始端一侧的几何体。切割后的几何体为标准的B-Rep实体模型，直接调用几何引擎的体积计算功能，获得的体积值为精确的数学计算结果，无累积误差，作为部分完成构件的实际完成体积。
特别的，本申请将传统的点云表面重建问题转化为基于BIM模型的几何切割问题。传统的点云表面重建，例如AlphaShape算法需要从离散点云推测完整几何形状，属于“从部分到整体”的逆向工程，必然存在信息缺失和重建误差。而本方案直接使用BIM模型提供的精确几何体，将问题简化为“确定切割位置”，属于“从整体到部分”的正向分析，从原理上避免了几何重建的不确定性。此外，AlphaShape算法的α参数选择具有主观性，不同α值会产生不同的边界形状，且无法保证重建边界与实际施工界面一致。本方案通过密度分析直接定位施工界面，再构建标准切割平面，将三维边界识别问题降维为一维界面检测问题，原理上保证了边界的唯一性和准确性。
进一步的，根据各构件的实际完成体积和工程量清单中对应构件类型的体积计算规则，按照工程分部分项累加得到各分项工程的实际已完成工程量，包括：对于钢筋混凝土构件，按照如下规则计算：梁、柱构件：实际完成工程量＝实际完成体积×(1-0.025)，其中，0.025为钢筋体积扣减系数；板类构件：实际完成工程量＝实际完成体积×(1-0.015)，其中，0.015为钢筋体积扣减系数；基础构件：实际完成工程量＝实际完成体积，不扣除钢筋体积；对于钢结构构件，按照如下规则计算：实际完成工程量＝实际完成体积×7850kg/m3÷1000。
进一步的，体积计算规则还包括：对于砌体构件，按照如下规则计算：标准砖砌体：实际完成工程量＝实际完成体积×0.95，其中，0.95为考虑灰缝的折减系数；砌块砌体：实际完成工程量＝实际完成体积÷(砌块体积×1.1)，得到砌块数量，其中1.1为灰缝系数；对于模板工程，按照如下规则计算：梁模板：实际完成工程量＝(梁底宽+2×梁高)×实际完成长度；板模板：实际完成工程量＝实际完成面积；将同一分项工程编码下的所有构件工程量按照相同计量单位累加，得到该分项的实际完成工程量。
进一步的，S5，比对实际已完成工程量与BIM设计模型中对应时间节点的计划完成工程量，计算进度偏差率，包括：获取当前施工日期，从所述BIM设计模型的计划进度数据中提取对应时间节点的计划完成工程量；将所述各分项工程的实际已完成工程量与对应的计划完成工程量进行比对，计算各分项工程的进度偏差率：进度偏差率＝(实际已完成工程量-计划完成工程量)/计划完成工程量×100％；根据各分项工程在总工程中的权重系数，计算加权平均进度偏差率，其中权重系数根据各分项工程的合同金额占比确定；当某分项工程的进度偏差率超过预设的预警阈值时，生成进度预警信息，所述预警信息包括分项工程名称、偏差率数值和偏差原因分析；根据进度偏差率的正负值判断工程进度状态：当进度偏差率为正值时，表示工程进度超前；当进度偏差率为负值时，表示工程进度滞后；生成进度偏差分析报表，包含各分项工程的计划工程量、实际工程量、偏差率和累计完成百分比。
相比于现有技术，本申请的优点在于：
本申请通过激光雷达采集的高密度点云数据(分辨率达毫米级)与BIM设计模型进行精确配准融合，利用三维卷积神经网络自动识别构件并计算点云覆盖率，实现了工程量的精确计算。
对于完全完成构件(覆盖率R>90％)，直接提取BIM模型中的精确设计体积，避免了点云重建误差；对于部分完成构件(10％≤R≤90％)，通过密度梯度分析准确识别施工界面，利用BIM几何引擎进行布尔切割运算获得精确体积。
相比传统人工测量和估算方法，本方法将工程量计算误差从10％～15％降低至2％～3％，特别是对于复杂异形构件和难以到达的高空部位，实现了全覆盖、高精度的自动化测量。同时，针对不同材料类型建立了精细化的工程量计算规则，如钢筋混凝土构件的差异化扣减系数(梁柱2.5％、板1.5％)、砌体灰缝的精确折算等，确保了从实际完成体积到工程量的准确转换，为造价动态监控提供了可靠的数据基础。
附图说明
本申请将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本申请一些实施例所示的一种基于人工智能的土木工程造价管理方法的示例性流程图；
图2是根据本申请一些实施例所示的获取实际已完成工程量的示例性流程图；
图3是根据本申请一些实施例所示的生成构件点云簇的示例性流程图；
图4是根据本申请一些实施例所示的计算点云覆盖率的示例性流程图。
具体实施方式
下面结合附图对本申请实施例提供的方法和系统进行详细说明。
如图1所示，S1，构建施工项目的BIM设计模型，BIM设计模型包括施工阶段的构件信息、工程量清单和计划进度数据；S2，采用激光雷达采集施工现场的点云数据，生成实际施工点云模型；S3，将实际施工点云模型与BIM设计模型进行空间配准，得到配准后的融合模型；S4，根据融合模型，通过深度学习算法识别已完成构件，并通过体积计算，得到实际已完成工程量；S5，比对实际已完成工程量与BIM设计模型中对应时间节点的计划完成工程量，计算进度偏差率；S6，根据进度偏差率，结合工程量清单中的单价信息，调整工程造价。
具体的，S1，构建施工项目的BIM设计模型，BIM设计模型包括施工阶段的构件信息、工程量清单和计划进度数据。
S2，采用激光雷达采集施工现场的点云数据，生成实际施工点云模型；按照预设的时间间隔，使用激光雷达扫描仪对施工现场进行360度全方位扫描；对采集的原始点云数据进行预处理，包括去噪、配准和分割；使用基于深度学习的语义分割算法对点云数据进行分类，识别不同材质和构件类型；生成带有语义标签的实际施工点云模型。
S3，将实际施工点云模型与BIM设计模型进行空间配准，得到配准后的融合模型，包括：从所述BIM设计模型中提取建筑物的特征几何元素，包括墙体转角点、柱中心点和楼板边界线，生成BIM特征点集；从所述实际施工点云模型中，通过RANSAC算法检测平面特征，识别墙面、楼板面和柱面，提取平面交线和交点作为点云特征点集；对所述BIM特征点集和点云特征点集进行初步匹配，采用最近点迭代算法计算初始变换矩阵T0，包括旋转矩阵R0和平移向量t0；基于初始变换矩阵T0对所述实际施工点云模型进行粗配准，将点云坐标系转换到BIM坐标系；在粗配准基础上，采用点到面的ICP算法进行精配准：将点云中的每个点投影到BIM模型中最近的构件表面；计算点到面的距离，构建误差函数其中，di为第i个点到对应面的距离；通过最小二乘法迭代优化变换参数，直至误差函数收敛；应用最终变换矩阵Tfinal对所述实际施工点云模型进行变换，得到与BIM设计模型在同一坐标系下的配准点云；将配准后的点云数据与BIM设计模型的几何数据整合，生成包含设计信息和实际施工信息的融合模型。
如图2所示，S4，根据融合模型，通过深度学习算法识别已完成构件，并通过体积计算，得到实际已完成工程量；从融合模型中提取点云特征数据，点云特征数据包括空间坐标、反射强度和法向量；空间坐标用于确定构件的空间位置和几何形状；反射强度用于区分不同材质的构件；法向量用于识别构件的表面朝向和边界。其中，每个点Pi的空间坐标表示为(xi,yi,zi)，其中i∈[1,N]，N为点云总数；反射强度其中，Pr为接收功率，Pe为发射功率，不同材质的反射强度特征值：混凝土：Ii∈[0.3,0.5]，钢材：Ii∈[0.7,0.9]，砖砌体：Ii∈[0.4,0.6]，通过高斯混合模型(GMM)对反射强度进行聚类，实现材质自动识别。
计算法向量，采用主成分分析(PCA)算法计算每个点的法向量ni＝(nx,ny,nz)，选取点Pi的k近邻点集Nk(Pi)，k＝20，构建协方差矩阵其中，pj∈Nk(Pi)，法向量ni为C的最小特征值对应的特征向量。当相邻点法向量夹角θ>30°时，判定为边界。
根据空间坐标对点云特征数据进行体素化处理，将连续的点云数据转换为三维体素网格，每个体素单元包含对应空间位置的反射强度和法向量信息；具体的，设定体素分辨率vr＝0.05m(5cm)，计算点云包围盒：[xmin,xmax]×[ymin,ymax]×[zmin,zmax]。生成体素网格尺寸：
将三维体素网格输入预训练的卷积神经网络模型中，得到构件类型标签、空间位置和构件点云簇；卷积神经网络模型包括特征提取层、实例分割层和语义识别层；特征提取层利用反射强度和法向量信息提取构件的几何特征和材质特征；实例分割层基于提取的几何特征，通过区域生长算法分离相邻构件，输出各个独立构件的点云簇；语义识别层基于提取的材质特征和几何特征，输出各点云簇对应的构件类型标签；根据构件点云簇的边界体素坐标，计算每个构件的中心位置，作为空间位置。
如图3和图4所示，根据构件类型标签和空间位置信息，将识别出的各个构件点云簇与BIM设计模型中对应位置和类型的标准构件进行匹配，通过计算点云覆盖率确定构件的完成状态，完成状态包括完全完成、部分完成和未开始；基于构件类型标签，在BIM设计模型中筛选相同类型的候选构件集合；计算构件点云簇的质心坐标，作为中心位置C，其中，n为构件点云簇中的点数，(xi,yi,zi)为第i个点的三维坐标；计算中心位置C与候选构件集合中各构件几何中心的距离D，
选择距离D最小的构件作为匹配构件；获取匹配构件的轴对齐包围盒AABB参数，AABB参数包括最小顶点坐标(xmin,ymin,zmin)和最大顶点坐标(xmax,ymax,zmax)；将构件点云簇中的每个点坐标与轴对齐包围盒AABB边界进行比较，统计落入轴对齐包围盒AABB的点数Nin；将轴对齐包围盒AABB按照预设分辨率r划分为M×N×K个体素单元，统计每个体素单元内的点数，计算实际分布密度根据匹配构件在BIM设计模型中的几何信息，通过模拟激光雷达扫描过程计算理论点云密度ρstandard；根据激光雷达的扫描参数和构件表面积，计算单位体积内的理论采样点数；计算点云覆盖率当检测到实际分布密度存在明显不均匀时，通过连通域分析算法将点云划分为多个连通区域，计算最大连通域内的点数占Nin的比例ε，对覆盖率进行修正：R'＝R×ε；当R＞Q1时判定为完全完成，当Q2≤R≤Q1时判定为部分完成，当R＜Q2时判定为未开始，其中Q1和Q2为预设的覆盖率阈值。Q1的取值范围90％至100％；Q2的取值范围10％至20％。
当点云覆盖率R＞Q1(Q1＝0.95)时，判定为完全完成构件，设构件的唯一标识为CID(ComponentID)；通过BIM数据接口函数提取设计体积：Vactual＝BIM.GetVolume(CID)，其中，Vactual表示实际完成体积，单位为m3，将设计体积直接作为实际完成体积，避免点云重建误差。
当Q2≤R≤Q1(Q2＝0.3,Q1＝0.95)时，执行精细化处理流程。
首先剔除离群点，对于点云簇P＝{p1,p2,.....,pn}中的每个点pi，计算pi到其k个最近邻点的平均距离：其中k＝20(经验值)；计算所有点的平均距离的统计特征：离群点判定准则：若则pi为离群点，剔除所有离群点，得到有效点云Pvalid。
提取主施工方向向量，根据构件类型T从BIM模型提取主施工方向向量v：若T＝“柱”：v＝(0,0,1)T；若T＝“梁”：若T＝“板”：v＝(0,0,1)T；若T＝“墙”：v＝nwall(墙体法向量)；其中，pstart,pend分别为梁的起点和终点坐标。
对有效点云Pvalid中的每个点pi＝(xi,yi,zi)T进行投影：ti＝pi×v＝xivx+yivy+zivz；确定投影区间：[tmin,tmax]；tmin＝min{ti|i＝1,2,.....,n}；tmax＝max{ti|i＝1,2,.....,n}。
将投影区间等分为m个子区间(m＝50)：第j个子区间：Ij＝[tmin+(j-1)Δt,tmin+jΔt],j＝1,2,.....,m。统计每个子区间的点数：nj＝|{pi|ti∈Ij}|，计算线密度：(单位：点/米)。
识别施工界面位置，计算相邻子区间的密度比值：施工界面判定：若rj＜T(T＝0.3)且ρj+1＜ρmin，则界面位于第j个子区间末端，其中ρmin＝0.1×max{ρj|j＝1,2,.....,m}为最小密度阈值，施工界面位置：hcut＝tmin+j×Δt。
切割并计算部分完成体积，切割点：Pcut＝porigin+hcut×v，其中，porigin为构件起始点。切割平面方程：v×(P-Pcut)＝0，展开形式：vx(x-xcut)+vy(y-ycut)+vz(z-zcut)＝0。
布尔切割运算：定义半空间H：H＝{P|v×(P-Pcut)≤0}。执行交集运算：
Gpartial＝GBIM∩H，其中，GBIM为BIM中的构件几何体，Gpartial为切割后的部分。体积计算：Vactual＝∫∫∫GpartialdV，实际通过几何引擎的Volume()函数获取精确值。
根据各构件的实际完成体积和工程量清单中对应构件类型的体积计算规则，按照工程分部分项累加得到各分项工程的实际已完成工程量。
对于钢筋混凝土构件，按照如下规则计算：梁、柱构件：实际完成工程量＝实际完成体积×(1-0.025)，其中，0.025为钢筋体积扣减系数；板类构件：实际完成工程量＝实际完成体积×(1-0.015)，其中，0.015为钢筋体积扣减系数；基础构件：实际完成工程量＝实际完成体积，不扣除钢筋体积。
对于钢结构构件，按照如下规则计算：实际完成工程量＝实际完成体积×7850kg/m3÷1000。
对于砌体构件，按照如下规则计算：标准砖砌体：实际完成工程量＝实际完成体积×0.95，其中，0.95为考虑灰缝的折减系数；砌块砌体：实际完成工程量＝实际完成体积÷(砌块体积×1.1)，得到砌块数量，其中1.1为灰缝系数。
对于模板工程，按照如下规则计算：梁模板：实际完成工程量＝(梁底宽+2×梁高)×实际完成长度；板模板：实际完成工程量＝实际完成面积；将同一分项工程编码下的所有构件工程量按照相同计量单位累加，得到该分项的实际完成工程量；
S5，比对实际已完成工程量与BIM设计模型中对应时间节点的计划完成工程量，计算进度偏差率；获取当前施工日期，从所述BIM设计模型的计划进度数据中提取对应时间节点的计划完成工程量；
将所述各分项工程的实际已完成工程量与对应的计划完成工程量进行比对，计算各分项工程的进度偏差率：进度偏差率＝(实际已完成工程量-计划完成工程量)/计划完成工程量×100％；
根据各分项工程在总工程中的权重系数，计算加权平均进度偏差率，其中权重系数根据各分项工程的合同金额占比确定；当某分项工程的进度偏差率超过预设的预警阈值时，生成进度预警信息，所述预警信息包括分项工程名称、偏差率数值和偏差原因分析；
根据进度偏差率的正负值判断工程进度状态：当进度偏差率为正值时，表示工程进度超前；当进度偏差率为负值时，表示工程进度滞后；生成进度偏差分析报表，包含各分项工程的计划工程量、实际工程量、偏差率和累计完成百分比。
S6，根据进度偏差率，结合工程量清单中的单价信息，调整工程造价。
以上示意性地对本申请创造及其实施方式进行了描述，该描述没有限制性，在不背离本申请的精神或者基本特征的情况下，能够以其他的具体形式实现本申请。附图中所示的也只是本申请创造的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本申请的保护范围。此外，“包括”一词不排除其他元件或步骤，在元件前的“一个”一词不排除包括“多个”该元件。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种基于人工智能的土木工程造价管理方法，其特征在于，包括：
S1，构建施工项目的BIM设计模型，BIM设计模型包括施工阶段的构件信息、工程量清单和计划进度数据；
S2，采用激光雷达采集施工现场的点云数据，生成实际施工点云模型；
S3，将实际施工点云模型与BIM设计模型进行空间配准，得到配准后的融合模型；
S4，根据融合模型，通过深度学习算法识别已完成构件，并通过体积计算，得到实际已完成工程量；
S5，比对实际已完成工程量与BIM设计模型中对应时间节点的计划完成工程量，计算进度偏差率；
S6，根据进度偏差率，结合工程量清单中的单价信息，调整工程造价。
2.根据权利要求1所述的基于人工智能的土木工程造价管理方法，其特征在于：
S4，根据融合模型，通过深度学习算法识别已完成构件，并通过体积计算，得到实际已完成工程量，包括：
从融合模型中提取点云特征数据，点云特征数据包括空间坐标、反射强度和法向量；
根据空间坐标对点云特征数据进行体素化处理，将连续的点云数据转换为三维体素网格，每个体素单元包含对应空间位置的反射强度和法向量信息；
将三维体素网格输入预训练的卷积神经网络模型中，得到构件类型标签、空间位置和构件点云簇；
根据构件类型标签和空间位置信息，将识别出的各个构件点云簇与BIM设计模型中对应位置和类型的标准构件进行匹配，通过计算点云覆盖率确定构件的完成状态，完成状态包括完全完成、部分完成和未开始；
当点云覆盖率大于预设阈值Q1时，判定为完全完成构件，直接从BIM设计模型中提取对应构件的设计体积作为实际完成体积；
当点云覆盖率小于预设阈值Q1且大于预设阈值Q2时，判定为部分完成构件，根据对应构件的点云簇空间坐标，重建构件点云簇的三维表面，计算封闭表面所包含的体积，将计算得到的体积值作为该构件的实际完成体积；
根据各构件的实际完成体积和工程量清单中对应构件类型的体积计算规则，按照工程分部分项累加得到各分项工程的实际已完成工程量。
3.根据权利要求2所述的基于人工智能的土木工程造价管理方法，其特征在于：
空间坐标用于确定构件的空间位置和几何形状；
反射强度用于区分不同材质的构件；
法向量用于识别构件的表面朝向和边界。
4.根据权利要求2所述的基于人工智能的土木工程造价管理方法，其特征在于：
将三维体素网格输入预训练的卷积神经网络模型中，得到构件类型标签、空间位置和构件点云簇，包括：
卷积神经网络模型包括特征提取层、实例分割层和语义识别层；
特征提取层利用反射强度和法向量信息提取构件的几何特征和材质特征；
实例分割层基于提取的几何特征，通过区域生长算法分离相邻构件，输出各个独立构件的点云簇；
语义识别层基于提取的材质特征和几何特征，输出各点云簇对应的构件类型标签；
根据构件点云簇的边界体素坐标，计算每个构件的中心位置，作为空间位置。
5.根据权利要求2所述的基于人工智能的土木工程造价管理方法，其特征在于：
根据构件类型标签和空间位置信息，将识别出的各个构件点云簇与BIM设计模型中对应位置和类型的标准构件进行匹配，通过计算点云覆盖率确定构件的完成状态，包括：
基于构件类型标签，在BIM设计模型中筛选相同类型的候选构件集合；
计算构件点云簇的质心坐标，作为中心位置C，其中，n为构件点云簇中的点数，(xi,yi,zi)为第i个点的三维坐标；
计算中心位置C与候选构件集合中各构件几何中心的距离D，
选择距离D最小的构件作为匹配构件；
获取匹配构件的轴对齐包围盒AABB参数，AABB参数包括最小顶点坐标(xmin,ymin,zmin)和最大顶点坐标(xmax,ymax,zmax)；
将构件点云簇中的每个点坐标与轴对齐包围盒AABB边界进行比较，统计落入轴对齐包围盒AABB的点数Nin；
将轴对齐包围盒AABB按照预设分辨率r划分为M×N×K个体素单元，统计每个体素单元内的点数，计算实际分布密度
根据匹配构件在BIM设计模型中的几何信息，通过模拟激光雷达扫描过程计算理论点云密度ρstandard；根据激光雷达的扫描参数和构件表面积，计算单位体积内的理论采样点数；
计算点云覆盖率R＝ρactual ×100％，当检测到实际分布密度存在明显不均匀时，通过ρstandard
连通域分析算法将点云划分为多个连通区域，计算最大连通域内的点数占Nin的比例ε，对覆盖率进行修正：R'＝R×ε；
当R＞Q1时判定为完全完成，当Q2≤R≤Q1时判定为部分完成，当R＜Q2时判定为未开始，其中，Q1和Q2为预设的覆盖率阈值。
6.根据权利要求5所述的基于人工智能的土木工程造价管理方法，其特征在于：
Q1的取值范围90％至100％；
Q2的取值范围10％至20％。
7.根据权利要求4所述的基于人工智能的土木工程造价管理方法，其特征在于：
当点云覆盖率小于预设阈值Q1且大于预设阈值Q2时，判定为部分完成构件，根据对应构件的点云簇空间坐标，重建构件点云簇的三维表面，计算封闭表面所包含的体积，将计算得到的体积值作为该构件的实际完成体积，包括：
对部分完成构件的点云簇进行离群点处理，得到有效点云；
从BIM设计模型中提取匹配构件的施工方向信息，作为主施工方向向量；
沿主施工方向向量对有效点云进行投影，将投影区间等分为m个子区间，统计每个子区间内的点数，计算有效点云在主施工方向上的密度分布；
计算相邻子区间的密度比值，当密度比值ρi 小于预设阈值T时，将第i个子区间的末端ρi+1
位置确定为施工界面位置；
根据施工界面位置，在BIM设计模型中匹配构件的几何模型上设置切割平面，切割平面经过施工界面位置且垂直于主施工方向向量；
利用BIM中的几何引擎对匹配构件的几何模型进行布尔切割运算，保留施工起始端至切割平面之间的部分，计算保留部分的体积，作为部分完成构件的实际完成体积。
8.根据权利要求7所述的基于人工智能的土木工程造价管理方法，其特征在于：
根据各构件的实际完成体积和工程量清单中对应构件类型的体积计算规则，按照工程分部分项累加得到各分项工程的实际已完成工程量，包括：
对于钢筋混凝土构件，按照如下规则计算：
梁、柱构件：实际完成工程量＝实际完成体积×(1-0.025)，其中，0.025为钢筋体积扣减系数；
板类构件：实际完成工程量＝实际完成体积×(1-0.015)，其中，0.015为钢筋体积扣减系数；
基础构件：实际完成工程量＝实际完成体积，不扣除钢筋体积；
对于钢结构构件，按照如下规则计算：
实际完成工程量＝实际完成体积×7850kg/m3÷1000。
9.根据权利要求8所述的基于人工智能的土木工程造价管理方法，其特征在于：
体积计算规则，包括：
对于砌体构件，按照如下规则计算：
标准砖砌体：实际完成工程量＝实际完成体积×0.95，其中，0.95为考虑灰缝的折减系数；
砌块砌体：实际完成工程量＝实际完成体积÷(砌块体积×1.1)，得到砌块数量，其中1.1为灰缝系数；
对于模板工程，按照如下规则计算：
梁模板：实际完成工程量＝(梁底宽+2×梁高)×实际完成长度；
板模板：实际完成工程量＝实际完成面积；
将同一分项工程编码下的所有构件工程量按照相同计量单位累加，得到该分项的实际完成工程量。
10.根据权利要求2至9任一所述的基于人工智能的土木工程造价管理方法，其特征在于：
S5，比对实际已完成工程量与BIM设计模型中对应时间节点的计划完成工程量，计算进度偏差率，包括：
获取当前施工日期，从所述BIM设计模型的计划进度数据中提取对应时间节点的计划完成工程量；
将所述各分项工程的实际已完成工程量与对应的计划完成工程量进行比对，计算各分项工程的进度偏差率：
进度偏差率＝(实际已完成工程量-计划完成工程量)/计划完成工程量×100％；
根据各分项工程在总工程中的权重系数，计算加权平均进度偏差率，其中权重系数根据各分项工程的合同金额占比确定；
当某分项工程的进度偏差率超过预设的预警阈值时，生成进度预警信息，所述预警信息包括分项工程名称、偏差率数值和偏差原因分析；
根据进度偏差率的正负值判断工程进度状态：
当进度偏差率为正值时，表示工程进度超前；
当进度偏差率为负值时，表示工程进度滞后；
生成进度偏差分析报表，包含各分项工程的计划工程量、实际工程量、偏差率和累计完成百分比。
CN202510972020.3A 2025-07-15 2025-07-15 一种基于人工智能的土木工程造价管理方法 Active CN120633942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510972020.3A CN120633942B (zh) 2025-07-15 2025-07-15 一种基于人工智能的土木工程造价管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510972020.3A CN120633942B (zh) 2025-07-15 2025-07-15 一种基于人工智能的土木工程造价管理方法

Publications (2)

Publication Number Publication Date
CN120633942A true CN120633942A (zh) 2025-09-12
CN120633942B CN120633942B (zh) 2025-12-16

Family

ID=96965840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510972020.3A Active CN120633942B (zh) 2025-07-15 2025-07-15 一种基于人工智能的土木工程造价管理方法

Country Status (1)

Country Link
CN (1) CN120633942B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121118225A (zh) * 2025-11-17 2025-12-12 深圳大学 实模一致比对方法、装置、设备、介质和产品
CN121544218A (zh) * 2026-01-20 2026-02-17 中国电建集团贵阳勘测设计研究院有限公司 一种土石方bim模型的批量检验方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118564A (zh) * 2018-08-01 2019-01-01 湖南拓视觉信息技术有限公司 一种基于融合体素的三维点云标记方法和装置
CN115758536A (zh) * 2022-11-22 2023-03-07 卓宇智能科技有限公司 一种基于三维扫描技术的施工成本估算方法和估算装置
CN118261748A (zh) * 2024-03-21 2024-06-28 东南大学 一种基于bim技术的隧道工程进度与计量联动管理方法及系统
CN119229285A (zh) * 2024-09-13 2024-12-31 苏州科技大学 一种基于激光点云特征深度的建筑物立面结构线精准提取方法
CN119339007A (zh) * 2024-12-20 2025-01-21 杭州宇泛智能科技股份有限公司 多源数据融合的场景空间模型自适应建模方法
CN120124166A (zh) * 2025-05-13 2025-06-10 中建五局第四建设有限公司 一种基于bim的深基坑施工动态监测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118564A (zh) * 2018-08-01 2019-01-01 湖南拓视觉信息技术有限公司 一种基于融合体素的三维点云标记方法和装置
CN115758536A (zh) * 2022-11-22 2023-03-07 卓宇智能科技有限公司 一种基于三维扫描技术的施工成本估算方法和估算装置
CN118261748A (zh) * 2024-03-21 2024-06-28 东南大学 一种基于bim技术的隧道工程进度与计量联动管理方法及系统
CN119229285A (zh) * 2024-09-13 2024-12-31 苏州科技大学 一种基于激光点云特征深度的建筑物立面结构线精准提取方法
CN119339007A (zh) * 2024-12-20 2025-01-21 杭州宇泛智能科技股份有限公司 多源数据融合的场景空间模型自适应建模方法
CN120124166A (zh) * 2025-05-13 2025-06-10 中建五局第四建设有限公司 一种基于bim的深基坑施工动态监测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BRAUN, A ET AL.: ""Towards automated construction progress monitoring using BIM-based point cloud processing"", 《EWORK AND EBUSINESS IN ARCHITECTURE, ENGINEERING AND CONSTRUCTION 2014》, 31 December 2015 (2015-12-31) *
莫鲁晟: ""基于BIM和三维激光扫描的桥梁钢筋施工监控方法研究"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 05, 15 May 2024 (2024-05-15) *
齐慧慧: ""BIM协同多源数据建筑施工动态监测方法"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 06, 15 June 2025 (2025-06-15), pages 42 - 63 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121118225A (zh) * 2025-11-17 2025-12-12 深圳大学 实模一致比对方法、装置、设备、介质和产品
CN121544218A (zh) * 2026-01-20 2026-02-17 中国电建集团贵阳勘测设计研究院有限公司 一种土石方bim模型的批量检验方法及装置
CN121544218B (zh) * 2026-01-20 2026-04-17 中国电建集团贵阳勘测设计研究院有限公司 一种土石方bim模型的批量检验方法及装置

Also Published As

Publication number Publication date
CN120633942B (zh) 2025-12-16

Similar Documents

Publication Publication Date Title
CN120633942B (zh) 一种基于人工智能的土木工程造价管理方法
CN108846888B (zh) 一种古木建筑构件精细尺寸信息自动化提取方法
Biosca et al. Unsupervised robust planar segmentation of terrestrial laser scanner point clouds based on fuzzy clustering methods
Hichri et al. Review of the “as-buit BIM” approaches
Pătrăucean et al. State of research in automatic as-built modelling
CN112989453B (zh) 一种基于bim的全息变形信息提取方法
CN117854060B (zh) 基于深度学习的隧道岩体面状裂隙识别方法及系统
CN116883754A (zh) 一种面向地面LiDAR点云的建筑物信息提取方法
CN114332291B (zh) 一种倾斜摄影模型建筑物外轮廓规则提取方法
Lin et al. Scan vs. BIM: Automated geometry detection and BIM updating of steel framing through laser scanning
CN105184854B (zh) 针对地下空间扫描点云成果数据的快速建模方法
CN118762051A (zh) 一种正则约束的露天矿台阶线提取算法
CN121213555B (zh) 一种基于无人机激光雷达的建筑点云变形量化提取方法
CN120931145A (zh) 一种基于bim技术的建筑装修质量分析系统
CN120429934A (zh) 基于立柱轴线动态跟踪的钢结构安装调节方法及系统
Liu et al. Rigorous density correction model for single-scan TLS point clouds
CN119559241A (zh) 基于料面点云补偿的激光雷达粮仓体积计算方法及系统
CN101071453A (zh) 使用3d扫描数据识别初始设计意图的系统和方法
Liang et al. Extraction of Feature Information from Point Cloud of Large Volume Steel Truss Members
CN121207065B (zh) 一种基于激光扫描的隧道整体大变形测量方法及装置
CN119850689B (zh) 一种构件偏差测量方法、装置、系统以及存储介质
CN118897528B (zh) 一种工件测点采样离线规划方法及系统
Zhang et al. Segmentation and modeling method of building structure point cloud based on BIM model
CN112465896B (zh) 一种基于多视轮廓点的三维壁画几何变化检测方法
Cheng et al. TOWARDS AUTOMATED GENERATION OF PARAMETRIC BIM FOR STEEL STRUCTURES BASED ON LASER SCANNING DATA

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20260129

Address after: 528200, 1014, 1015, 1, Nanhai digital new town, Nanhai Road, Nanhai District, Guangdong, Guicheng, 1, Foshan

Patentee after: Guangdong Chong Nan Engineering Management Co.,Ltd.

Country or region after: China

Address before: 230092 Anhui Province, Hefei City, Baohe District, Hangzhou Road 3333, Hesheng Gongguan Building 9, Room 1003

Patentee before: Hefei Yinyue Space Architectural Design Co.,Ltd.

Country or region before: China