材料分類是任何基于視覺的自動化施工進度監控系統或生成語義豐富的已建3D模型的重要組成部分。除了以點云模型形式的三維幾何信息外，這些任務還需要識別建筑元素的額外語義信息，如建筑材料和互連性。在材料的情況下，這些信息主要可以從二維圖像中包含的基于外觀的數據中獲得。
目前最先進的自動監控施工進度或生成建筑信息模型(BIM)的方法主要集中在使用激光掃描儀或基于圖像的三維重建方法來生成三維點云模型[1]、[2]、[3]、[4]、[5]、[6]、[7]、[8]、[9]、[10]、[11]、[12]、[13]。這些方法可以生成生成BIM所需的幾何信息[13]。然而，為了生成語義豐富的模型，除了幾何信息之外，還需要從收集的數據中提取元素之間的材料和空間關系/互聯性(例如，一根梁由一根柱支撐)。在本文中，我們主要關注物料自動分類問題。自動材料分類(在計算機視覺文獻中與識別交替使用的術語)不僅有助于獲得施工進度監控所需的基于外觀的數據，而且還有助于對元素進行分割，以便對語義豐富的已建成3D模型進行自動建模。下面就BIM自動生成的整體流程、施工進度監控的流程、物料識別的需求等進行詳細的探討。接下來，回顧了建筑/工程/施工(AEC)和計算機視覺社區中最先進的材料分類技術，并介紹了它們的局限性。基于最先進的紋理識別方法，提出了一種基于視覺的AEC行業紋理識別方法，并伴隨著詳盡的驗證實驗，以測試其在特征提取，聚類和學習等各個方面的性能。還介紹了一個全面的數據集和一套驗證方法，可用于未來算法的開發和基準測試。以開放研究挑戰的形式提出了所提出方法的感知好處和局限性。詳細的性能數據、實驗和驗證代碼、基準測試數據集以及所提出的基于視覺的方法的額外補充材料可以在
部分片段
自動化施工進度監控和建筑信息建模
建成環境的3D建模被AEC行業用于各種工程分析場景。重要的應用包括施工現場的進度監控、制造和現場裝配的質量控制、能源績效評估和結構完整性評估。建模過程主要包括三個連續步驟[11]、[13]:數據收集、建模和分析。在目前的實踐中，這些步驟是由測量員手動執行的，
計算機視覺中的材料和紋理識別
從場景中提取語義信息的需求產生了兩個主要的計算機視覺研究重點:物體識別和材料識別。盡管近年來物體識別方法取得了重大進展[36]，但它們往往依賴于材料不變性特征，而忽略了材料特異性。雖然一個物體的視覺特征在某種程度上是其材料類別的函數，但不同類別的物體可以由相同的材料制成
建議的材料識別方法
我們提出的基于圖像的材料識別算法基于濾波器響應的統計分布，以圖像的基本形式(如邊緣、斑點、波浪和色調-飽和度值(HSV)顏色值)為基礎，并分為兩個階段:學習和分類。濾波器響應的統計分布已被證明是紋理識別的一個很好的描述符。選擇與[等類似的顏色值的主要原因是
數據收集和實驗設置
由于缺乏在現實世界條件下對材料識別算法性能進行基準測試的現有數據集，因此有必要創建一個新的綜合建筑材料庫(CML)，以識別在各種建成環境中記錄的大量材料類型。此數據集用于訓練和測試目的，以便可以將其發布給社區，以進一步開發和驗證新算法。為此，我們
實驗結果
實驗t
本文標簽： # 材料分類檢測
掃一掃微信交流
發布評論