【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种超大跨度高精度异形结构构建监测方法、设备和介质。
技术介绍
1、目前的大型风洞的建造技术难以获取，该类结构施工过程复杂，且精度要求极高，因此在设计阶段需要探寻一种可以确保有效实现风洞试验功能、确保能实现工艺要求精度、确保能保障结构设计安全性和可靠性的施工方案，并在此基础上初步细化，以对后续的详细施工方案编制进行指导，因此需要先基于数字化虚拟建造进行施工模型的分析计算，基于施工模型指导上部网架和上板的施工，该部分施工完成后利用三维扫描技术获得网架定位的数据信息对下吊杆系统进行二次指导加工和安装，提高施工精度和效率。在该高精度异形模型构建过程中，传统超大跨度高精度异形结构构建监测方法逐渐不能适应需求，为了提高监测效率，监测手段正由接触式测量向非接触式测量转变，但是传统检测手段的检测效率较低，检测效果较差，具体存在以下问题：
2、由于风洞的结构复杂性，结构存在无法用解析几何准确描述的复杂曲面以及无法进行高精度控制的问题，在基于gps/bds组合的变形监测高精度解算模型构建中，现有的模型监测过程由于无法准确识别骨架轮廓结构，从而无法准确的生成骨架架构，导致对后期施工数据模型库的优化不准确，会影响建筑结构模型的稳定性和解算精度，且传统的数据融合方法融合简单，不能动态地反映建筑结构的形变特点，导致数据使用不充分，形变特征精度低，存在实时性问题，从而在二次指导加工和安装时无法进行准确指导。
技术实现思路
1、本专利技术所要解决的技术问题是现有的模型
2、本专利技术通过下述技术方案实现：
3、本专利技术第一方面提供一种超大跨度高精度异形结构构建监测方法，包括以下具体步骤：
4、生成施工数据模型库，基于施工数据模型库进行施工，根据施工实况，得到实况图像数据；
5、对实况图像数据进行预处理，得到实体施工结构的rgb图像；
6、将rgb图像转换为hsl三通道，分别对三个通道的色调阈值进行划分，根据色调阈值筛选得到建筑骨架图像；
7、对建筑骨架图像进行二值化处理，得到前景二值图；
8、使用骨架提取算法从前景二值图中提取建筑骨架的轮廓；
9、将二维平面的轮廓信息与三维点云数据结合，生成点云分布矩阵；
10、根据点云分布矩阵和建筑骨架的轮廓信息，提取出建筑骨架点云片段；
11、构建特征提取骨干网络，对建筑骨架点云片段进行建筑骨架的特征提取，得到当前建筑骨架点云片段的局部特征；
12、基于提取的局部特征对建筑骨架点云片段进行融合，得到整体特征；
13、根据整体特征，生成建筑骨架；
14、基于建筑骨架和施工数据模型库进行比对，二次指导加工和安装，更新迭代施工数据模型库。
15、进一步的，所述使用骨架提取算法从前景二值图中提取建筑骨架的轮廓，具体包括：
16、对前景二值图迭代腐蚀操作和开运算，在每次迭代中：
17、对图像进行腐蚀操作，然后进行开运算；
18、获取腐蚀结果与开运算结果的差，将差值累加到前景二值图上，直到前景二值图被完全腐蚀成空集，输出与建筑骨架图像大小相同，但只包含单像素宽度骨架的二值图像。
19、进一步的，所述在提取出建筑骨架点云片段时，还包括：
20、查找点云畸变数据，识别并标记点云数据中的畸变部分，包括：获取输入图像,对输入图像进行多次拟合,生成分段的多项式曲线，根据多项式曲线求出空洞部位的点坐标，绘制得到建筑骨架点云片段的不完整部位；
21、对标记的畸变部分进行去除处理，得到去畸变的点云数据；
22、通过多重优化对去畸变的点云数据进行平差计算，利用非线性优化方法对测站点的坐标进行校正，输出建筑骨架点云片段。
23、进一步的，所述构建特征提取骨干网络，提取当前建筑骨架点云片段的局部特征，具体包括：
24、基于u-net网络引入多尺度特征组合模块和多尺度特征增强模块对建筑骨架点云片段进行多尺度特征的提取；
25、引入双重注意力模块学习通道和空间位置的特征重要性，对不同深度特征之间的差异进行处理，输出当前建筑骨架点云片段的局部特征。
26、进一步的，所述多尺度特征组合模块包括多尺度输入和多尺度输出，通过在编码器和解码器之间添加多尺度增强模块，捕获不同尺度的上下文信息，以获得更加广泛的感受野，具体包括：
27、将点云投影到图像平面，并在垂直方向上进行拉伸，弥补点云的稀疏性；
28、构建两级残差结构的注意力融合模块，采用并行注意力机制模块替代直接的通道堆叠，融合建筑骨架点云片段和实体施工结构图像数据，得到多感受野下的特征。
29、进一步的，所述基于提取的局部特征对建筑骨架点云片段进行融合，具体包括：
30、提取建筑骨架点云片段中的图像坐标，提取图像坐标中对应的点云坐标；
31、根据图像坐标对应的点云特征，通过学习点云特征的偏移量，得到语义对齐后的特征；
32、采用交叉注意力融合语义对齐后的特征，得到整体特征。
33、进一步的，所述生成建筑骨架的过程，具体包括：
34、根据整体特征，生成初始建筑骨架；
35、对初始建筑骨架进行中值降采样处理得到源点集；
36、对源点集进行体素降采样得到初始收缩点集；
37、对初始收缩点集中的每个点，在其局部邻域内进行迭代收缩，每一次迭代均得到新投影点集，迭代直至投影点集重新分布到源点集的中心为止，输出最终建筑骨架。
38、进一步的，所述基于建筑骨架和施工数据模型库进行比对，具体包括：
39、在建筑点云模型和施工数据模型随机采样样本数据点进行拟合，确定建筑点云模型和施工数据模型的差异；
40、根据预设的拟合阈值，将拟合误差在阈值范围内的数据点视为参考点；
41、计算参考点集本文档来自技高网...
【技术保护点】
1.一种超大跨度高精度异形结构构建监测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的超大跨度高精度异形结构构建监测方法，其特征在于，所述使用骨架提取算法从前景二值图中提取建筑骨架的轮廓，具体包括：
3.根据权利要求1所述的超大跨度高精度异形结构构建监测方法，其特征在于，所述在提取出建筑骨架点云片段时，还包括：
4.根据权利要求1所述的超大跨度高精度异形结构构建监测方法，其特征在于，所述构建特征提取骨干网络，提取当前建筑骨架点云片段的局部特征，具体包括：
5.根据权利要求4所述的超大跨度高精度异形结构构建监测方法，其特征在于，所述多尺度特征组合模块包括多尺度输入和多尺度输出，通过在编码器和解码器之间添加多尺度增强模块，捕获不同尺度的上下文信息，以获得更加广泛的感受野，具体包括：
6.根据权利要求1所述的超大跨度高精度异形结构构建监测方法，其特征在于，所述基于提取的局部特征对建筑骨架点云片段进行融合，具体包括：
7.根据权利要求1所述的超大跨度高精度异形结构构建监测方法，其特征在于，所述生成建筑骨
8.根据权利要求1所述的超大跨度高精度异形结构构建监测方法，其特征在于，所述基于建筑骨架和施工数据模型库进行比对，具体包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的超大跨度高精度异形结构构建监测方法。
10.一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，该程序被处理器执行时实现如权利要求1至8任一项所述的超大跨度高精度异形结构构建监测方法。
...【技术特征摘要】
1.一种超大跨度高精度异形结构构建监测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的超大跨度高精度异形结构构建监测方法，其特征在于，所述使用骨架提取算法从前景二值图中提取建筑骨架的轮廓，具体包括：
3.根据权利要求1所述的超大跨度高精度异形结构构建监测方法，其特征在于，所述在提取出建筑骨架点云片段时，还包括：
4.根据权利要求1所述的超大跨度高精度异形结构构建监测方法，其特征在于，所述构建特征提取骨干网络，提取当前建筑骨架点云片段的局部特征，具体包括：
5.根据权利要求4所述的超大跨度高精度异形结构构建监测方法，其特征在于，所述多尺度特征组合模块包括多尺度输入和多尺度输出，通过在编码器和解码器之间添加多尺度增强模块，捕获不同尺度的上下文信息，以获得更加广泛的感受野，具体包括：
【专利技术属性】
技术研发人员：冯远，张彦，姚丽，王恒，陈志强，谢俊乔，王治原，石佳霖，罗二虎，韩夏，
申请(专利权)人：中国建筑西南设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。