一种基于物联网的智慧建筑管理系统及方法技术方案

本发明专利技术公开了一种基于物联网的智慧建筑管理系统及方法，属于人工智能算法技术领域；该系统包括数据准备模块、计算机视觉模块、机器学习模块、参数化建模模块、优化算法模块和输出结果模块；数据准备模块收集和准备二维图像的数据；计算机视觉模块使用区域分割技术对二维图像的区域密度进行标记，进行关键特征疏密程度评估；机器学习模块使用机器学习算法学习建筑物的规律和特征，并生成三维建筑模型；参数化建模模块基于二维图像的数据疏密程度标记情况，完成对所述三维建筑模型的参数设置。优化算法模块对生成的三维建筑模型进行优化和改进以提高准确性；输出结果模块输出相应的三维模型格式。的三维模型格式。的三维模型格式。

【技术实现步骤摘要】
一种基于物联网的智慧建筑管理系统及方法


[0001]本专利技术涉及人工智能算法
，具体为一种基于物联网的智慧建筑管理系统及方法。

技术介绍

[0002]传统的建筑设计过程中，通常需要手动绘制和构建三维模型，这是一项繁琐且时间消耗较大的任务。由于人为因素，可能存在很大的误差和不一致性。人工智能算法可以应用于二维图像的转换以自动化和加速三维建筑模型的生成过程。通过使用计算机视觉和机器学习技术，利用特征提取技术，提取二维图像中的建筑物的特征信息，对二维图像进行区域密度和关键特征疏密程度的评估，然后利用这些信息生成准确的三维模型。

技术实现思路

[0003]本专利技术的目的在于提供一种基于物联网的智慧建筑管理系统及方法，以解决上述
技术介绍
中提出的问题。
[0004]为了解决上述技术问题，本专利技术提供如下技术方案：一种基于物联网的智慧建筑管理方法，管理方法包括：
[0005]步骤S100：对待建模的目标建筑物进行二维图像的数据采集，对采集到二维图像的数据进行预处理，所谓预处理包括去除噪声、校正尺寸和转换格式；
[0006]步骤S200：用计算机视觉技术对二维图像进行分析，对所述目标建筑物内各个建筑元素进行识别；对所述二维图像内各部分建筑元素的疏密分布情况进行分析；基于所述各部分建筑元素的疏密分布情况，完成对所述二维图像的图像标记；
[0007]步骤S300：通过机器学习训练模型，生成所述二维图像对应的三维建筑模型；
[0008]步骤S400：基于所述二维图像的图像标记情况，完成对所述三维建筑模型的参数设置；
[0009]步骤S500：通过优化算法，分别对三维建筑模型和建筑场景的数据集进行优化；
[0010]步骤S600：对所述生成的三维建筑模型输出为相应的三维模型格式。
[0011]进一步的，步骤S200对二维图像解析的过程包括：
[0012]步骤S201：利用图像处理技术对二维图像进行预处理，获得更清晰的二维图像；
[0013]步骤S202：利用图像识别技术和特征提取技术基于对所述二维图像进行识别提取，获取所述二维图像的像素数量；
[0014]步骤S203：对所述二维图像的像素数量进行区域密度的评估；
[0015]步骤S204：基于区域密度的评估，进行关键特征疏密程度评估。
[0016]进一步的，步骤S203对所述二维图像内各部分建筑元素的疏密程度情况进行分析包括：
[0017]步骤S203
‑
1：使用基于边缘检测的算法，对二维图像进行边缘提取，获取二维图像建筑物的轮廓区域；
[0018]步骤S203
‑
2：使用区域分割中的区域增长法对所述二维图像建筑物的轮廓区域进行分割，分割后获取若干个子区域；
[0019]步骤S203
‑
3：设所述子区域的像素数量为N，所述子区域的面积为A，分别计算所述子区域的像素密度D为D＝N/A，计算所述二维图像建筑物的轮廓区域密度得到平均像素密度T；
[0020]步骤S203
‑
4：进行区域密度的评估，所述像素密度D大于所述平均像素密度T时，区域标记为密集区域，像素密度D等于平均像素密度T时，区域标记为中等密集区域，像素密度D小于平均像素密度T时，区域标记为疏松密集区域；
[0021]进一步，所述步骤S204对所述关键特征疏密程度评估进行分析包括：
[0022]步骤S204
‑
1：设置一个针对建筑场景进行训练的数据集，训练一个建筑元素的多类别分类器；
[0023]步骤S204
‑
2：设置候选框的宽高为每个子区域宽高的四分之一，在所述子区域中对每个候选框进行特征向量提取并将其输入到分类器中进行分类，分别得到候选框属于每个类别的分类概率，若一个候选框中的某个分类概率超过其分类阈值，则将其归类为该类别的一个实例，遍历所有的候选框，根据分类器输出的分类概率，统计每个类别的实例数量Q；由于多个候选框的分类可能存在重叠或者包含的情况，根据区域密度的评估，若所述区域标记是密集区域和所述区域标记是中等密集区域，则进行三次特征向量提取并分类取其分类概率的平均值，再进行统计每个类别的实例数量Q；
[0024]步骤S204
‑
3：分别累加子区域的所有实例数量S
q
为S
q
＝Q1+Q2+Q3+...+Q
n
，所述Q1为第一个类别的实例数量，所述Q2为第二个类别的实例数量，所述Q3为第三个类别的实例数量，所述Q
n
为第n个类别的实例数量；则分别计算所述子区域的关键特征密度K为K＝S
q
/A,所述A为子区域的面积，累加所有实例数量的和S
总
为S
总
＝S
q1
+S
q2
+S
q3
+...+S
qn
，所述S
q1
为第一个子区域的所有实例数量，所述S
q2
为第二个子区域的所有实例数量，所述S
q3
为第三个子区域的所有实例数量，所述S
qn
为第n个子区域的所有实例数量；计算所述二维图像建筑物的轮廓关键特征密度得到平均关键特征密度L为L＝S
总
/M，所述M为二维图像建筑物的轮廓区域面积。
[0025]进一步的，步骤S300机器学习进行迭代更新的流程包括：
[0026]步骤S301：初始化模型参数，在迭代训练之前随机初始化模型参数；
[0027]步骤S302：通过计算损失函数，获得欧几里得距离；
[0028]步骤S304：通过反向传播计算损失函数对于模型参数的梯度；
[0029]步骤S305：进行参数更新，模型调整；
[0030]步骤S306：重复进行损失计算和参数更新。
[0031]进一步的，所述步骤S400基于二维图像的图像标记情况完成三维建筑模型的参数设置过程包括：
[0032]步骤S401：基于二维图像的图像标记数据，获取关键特征疏密程度评估；
[0033]步骤S402：使用B样条曲线控制增加或者减少曲线控制点的数量；
[0034]步骤S403：所述区域标记为关键特征密集区域，设定曲线控制点的数量为3n个，所述区域标记为关键特征中等密集区域，设定曲线控制点的数量为2n个，所述区域标记为关键特征疏松密集区域，设定曲线控制点的数量为n个；
[0035]步骤S404：生成相应的建筑物模型。
[0036]为更好实现上述方法还提出来一种基于物联网的智慧建筑管理系统，所述智慧建筑管理系统包括：数据准备模块、计算机视觉模块、机器学习模块、参数化建模模块、优化算法模块、输出结果模块；
[0037]所述数据准备模块，对待建模的目标建筑物进行二维图像的数据采集，对采集到二维图像的数据进行预处理，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物联网的智慧建筑管理方法，其特征在于，所述管理方法包括：步骤S100：对待建模的目标建筑物进行二维图像的数据采集，对采集到二维图像的数据进行预处理，所谓预处理包括去除噪声、校正尺寸和转换格式；步骤S200：用计算机视觉技术对二维图像进行分析，对所述二维图像内建筑元素的区域密度进行评估；基于所述建筑元素的区域密度进行评估，完成对所述二维图像的图像标记；基于图像标记完成关键特征疏密程度评估；步骤S300：通过机器学习训练模型，生成所述二维图像对应的三维建筑模型；步骤S400：基于所述二维图像的图像标记情况，完成对所述三维建筑模型的参数设置；步骤S500：通过优化算法，分别对三维建筑模型和建筑场景的数据集进行优化；步骤S600：对所述生成的三维建筑模型输出为相应的三维模型格式。2.根据权利要求1所述的一种基于物联网的智慧建筑管理方法，其特征在于：所述步骤S200在对二维图像进行分析时的过程包括：步骤S201：利用图像处理技术对二维图像进行预处理，获得建筑场景数据集；步骤S202：利用图像识别技术和特征提取技术基于对所述二维图像进行识别提取，获取所述二维图像的像素数量；步骤S203：对所述二维图像的像素数量进行区域密度的评估；步骤S204：基于区域密度的评估，进行关键特征疏密程度评估。3.根据权利要求2所述的一种基于物联网的智慧建筑管理方法，其特征在于：所述步骤S203对所述二维图像内的建筑元素的疏密程度情况进行分析包括：步骤S203
‑
1：使用基于边缘检测的算法，对二维图像进行边缘提取，获取二维图像建筑物的轮廓区域；步骤S203
‑
2：使用区域分割中的区域增长法对所述二维图像建筑物的轮廓区域进行分割，分割后获取若干个子区域；步骤S203
‑
3：设所述子区域的像素数量为N，所述子区域的面积为A，所述二维图像建筑物的轮廓区域面积为M，分别计算所述子区域的像素密度D为D＝N/A，计算所述二维图像建筑物的轮廓区域密度得到平均像素密度T；步骤S203
‑
4：进行区域密度的评估，所述像素密度D大于所述平均像素密度T时，区域标记为密集区域，像素密度D等于平均像素密度T时，区域标记为中等密集区域，像素密度D小于平均像素密度T时，区域标记为疏松密集区域。4.根据权利要求3所述的一种基于物联网的智慧建筑管理方法，其特征在于：所述步骤S204对所述关键特征疏密程度评估进行分析包括：步骤S204
‑
1：设置一个针对建筑场景进行训练的数据集，训练一个建筑元素的多类别分类器；步骤S204
‑
2：设置候选框的宽高为每个子区域宽高的四分之一，在所述子区域中对每个候选框进行特征向量提取并将其输入到分类器中进行分类，分别得到候选框属于每个类别的分类概率，若一个候选框中的某个分类概率超过其分类阈值，则将其归类为该类别的一个实例，遍历所有的候选框，根据分类器输出的分类概率，统计每个类别的实例数量Q；由于多个候选框的分类可能存在重叠或者包含的情况，根据区域密度的评估，若所述区域标记是密集区域和所述区域标记是中等密集区域，则进行三次特征向量提取并分类取其分类
概率的平均值，再进行统计每个类别的实例数量Q；步骤S204
‑
3：分别累加子区域的所有实例数量S
q
为S
q
＝Q1+Q2+Q3+...+Q
n
，所述Q1,Q2,Q3,...,Q
n
分别为第1,2,3,..,n个类别的实例数量；则分别计算所述子区域的关键特征密度K为K＝S
q
/A,所述A为子区域的面积，累加所有实例数量的和S
总
为S
总
＝S
q1
+S
q2
+S
q3
+...+S
qn
，所述S
q1
,S
q2
,S
q3
,...,S
qn

【专利技术属性】
技术研发人员：蓝天，施磊，
申请(专利权)人：壹品慧数字科技上海有限公司，
类型：发明
国别省市：