基于BIM的路桥工程管理方法及系统技术方案

公开了一种基于BIM的路桥工程管理方法及系统，其采用基于深度学习的人工智能检测技术，以通过路桥工程的多个施工现场数据来对所述路桥工程的BIM模型进行分解，进一步基于分解后的BIM模型来进行施工状态的动态特征挖掘。这样，实现对于路桥工程的施工进度的监测管理，以保证路桥工程的工程质量以及工程进度。度。度。

【技术实现步骤摘要】
基于BIM的路桥工程管理方法及系统


[0001]本申请涉及路桥工程领域，且更为具体地，涉及一种基于BIM的路桥工程管理方法及系统。

技术介绍

[0002]目前，随着社会的发展，路桥施工工程越来越多，在路桥施工的工程中，与普通的房屋建筑施工不同，路桥建筑的施工线比较长，因此在路桥施工过程中对于工程质量以及工程进度等方面的监测相对于普通的房屋建筑难度更大。
[0003]相关技术中，多由专业的工程监督人员，在路桥建筑的工地上监测并记录工程质量以及工程进度等，并整理形成文件，但是由于路桥建筑的施工线比较长，通过人为检测整理，容易出现数据滞后，且对工程质量以及工程进度的检测不够直观，准确度较低。
[0004]因此，期待一种优化的路桥工程管理方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于BIM的路桥工程管理方法及系统，其采用基于深度学习的人工智能检测技术，以通过路桥工程的多个施工现场数据来对所述路桥工程的BIM模型进行分解，进一步基于分解后的BIM模型来进行施工状态的动态特征挖掘。这样，实现对于路桥工程的施工进度的监测管理，以保证路桥工程的工程质量以及工程进度。
[0006]根据本申请的一个方面，提供了一种基于BIM的路桥工程管理方法，其包括：获取路桥工程的BIM模型；获取所述路桥工程的多个施工现场数据；根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型；将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量；计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵；分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理。
[0007]在上述基于BIM的路桥工程管理方法中，所述将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述分解后BIM模型特征向量，所述卷积神经网络模型的第一层的输入为所述分解后BIM模型。
[0008]在上述基于BIM的路桥工程管理方法中，所述作为过滤器的卷积神经网络模型为深度残差网络模型。
[0009]在上述基于BIM的路桥工程管理方法中，所述计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵，包括：以如下公式计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵；其中，所述公式为：，其中和分别表示所述多个分解后BIM模型特征向量中两个相邻分解后BIM模型特征向量，表示所述转移矩阵，表示矩阵相乘。
[0010]在上述基于BIM的路桥工程管理方法中，所述将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理，包括：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
[0011]在上述基于BIM的路桥工程管理方法中，还包括训练步骤：对所述作为过滤器的卷积神经网络模型和所述分类器进行训练。
[0012]在上述基于BIM的路桥工程管理方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括路桥工程的训练BIM模型，所述路桥工程的多个训练施工现场数据，以及，所述路桥工程的施工进度是否合理的真实值；根据所述多个训练施工现场数据对所述训练BIM模型进行分解以得到多个训练分解后BIM模型；将所述多个训练分解后BIM模型分别通过所述作为过滤器的卷积神经网络模型以得到多个训练分解后BIM模型特征向量；计算所述多个训练分解后BIM模型特征向量中每两个相邻训练分解后BIM模型特征向量之间的转移矩阵以得到多个训练转移矩阵；分别计算所述多个训练转移矩阵中各个训练转移矩阵的全局均值以得到由多个全局均值组成的训练分类特征向量；将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的反向传播来对所述作为过滤器的卷积神经网络模型和所述分类器进行训练，其中，在所述训练过程的每一轮迭代中，计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值。
[0013]在上述基于BIM的路桥工程管理方法中，所述在所述训练过程的每一轮迭代中，以如下公式计算所述训练分类特征向量的基于跨分类器软相似性的自由标签优化因数来作为所述分类器的标签值；其中，所述公式为： ，其中是所述训练分类特征向量，是所述分类器对所述训练分类特征向量的权重矩阵，和分别表示张量乘法和张量加法，表示向量之间的距离，表示向量的二范数，且和是权重超参数，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，表示所述分类器的标签值。
[0014]根据本申请的另一方面，提供了一种基于BIM的路桥工程管理系统，包括：BIM模型
生成单元，用于获取路桥工程的BIM模型；现场数据采集单元，用于获取所述路桥工程的多个施工现场数据；BIM模型分解单元，用于根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型；特征过滤单元，用于将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量；转移单元，用于计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵；均值化单元，用于分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量；以及检验结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理。
[0015]在上述基于BIM的路桥工程管理系统中，所述BIM模型分解单元，进一步用于：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述分解后BIM模型特征向量，所述卷积神经网络模型的第一层的输入为所述分解后BIM模型。
[0016]在上述基于BIM的路桥工程管理系统中，所述作为过滤器的卷积神经网络模型为深度残差网络模型。
[0017]在上述基于BIM的路桥工程管理系统中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BIM的路桥工程管理方法，其特征在于，包括：获取路桥工程的BIM模型；获取所述路桥工程的多个施工现场数据；根据所述多个施工现场数据对所述BIM模型进行分解以得到多个分解后BIM模型；将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量；计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵；分别计算所述多个转移矩阵中各个转移矩阵的全局均值以得到由多个全局均值组成的分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理。2.根据权利要求1所述的基于BIM的路桥工程管理方法，其特征在于，所述将所述多个分解后BIM模型分别通过作为过滤器的卷积神经网络模型以得到多个分解后BIM模型特征向量，包括：使用所述卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述分解后BIM模型特征向量，所述卷积神经网络模型的第一层的输入为所述分解后BIM模型。3.根据权利要求2所述的基于BIM的路桥工程管理方法，其特征在于，所述作为过滤器的卷积神经网络模型为深度残差网络模型。4.根据权利要求3所述的基于BIM的路桥工程管理方法，其特征在于，所述计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵以得到多个转移矩阵，包括：以如下公式计算所述多个分解后BIM模型特征向量中每两个相邻分解后BIM模型特征向量之间的转移矩阵；其中，所述公式为：，其中和分别表示所述多个分解后BIM模型特征向量中两个相邻分解后BIM模型特征向量，表示所述转移矩阵，表示矩阵相乘。5.根据权利要求4所述的基于BIM的路桥工程管理方法，其特征在于，所述将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示路桥工程的施工进度是否合理，包括：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。6.根据权利要求5所述的基于BIM的路桥工程管理方法，其特征在于，还包括训练步骤：对所述作为过滤器的卷积神经网络模型和所述分类器进行训练。7.根据权利要求6所述的基于BIM的路桥工程管理方法，其特征在于，所述训练步骤，包括：获取训练数据，所述训练数...

【专利技术属性】
技术研发人员：何恒林，江琳，陈娜，王欣，陈聃，周翼，
申请(专利权)人：华设设计集团浙江工程设计有限公司，
类型：发明
国别省市：