久久人人摸,91亚洲性爱,北条麻妃亚洲无码,高清无码自拍,下载欧美黄色A片,特级毛片www,人妻热色,www.papapa

點擊上方“公眾號”可訂閱哦！

聲明：本文只是針對個人學(xué)習(xí)記錄，侵權(quán)可刪。本人自覺遵守《中華人民共和國著作權(quán)法》和《伯爾尼公約》等法律，其他個人或組織等轉(zhuǎn)載請保留此聲明，并自負法律責(zé)任。論文版權(quán)與著作權(quán)等全歸原作者所有。

文章摘要

建筑材料自動分類在建筑施工管理和設(shè)施管理中具有重要的應(yīng)用價值，是近幾十年來建筑材料自動分類研究的熱點。目前提出的材料自動分類方法主要是利用建筑材料的視覺特征，基于二維圖像進行分類。帶有內(nèi)置攝像頭的地面激光掃描儀(TLS)可以生成一組包含建筑材料表面幾何形狀的彩色激光掃描數(shù)據(jù)。激光掃描數(shù)據(jù)不僅包括建筑材料的視覺特征，還包括材料反射率和表面粗糙度等其他屬性。通過提供更多的屬性，激光掃描數(shù)據(jù)有可能提高建筑材料分類的準(zhǔn)確性。因此，本研究旨在利用機器學(xué)習(xí)技術(shù)開發(fā)一種基于TLS數(shù)據(jù)的常見建筑材料分類方法。該技術(shù)利用材料反射率、HSV顏色值和表面粗糙度作為材料分類的特征。建立了10種常用建筑材料的激光掃描數(shù)據(jù)數(shù)據(jù)庫，并利用機器學(xué)習(xí)技術(shù)進行模型訓(xùn)練和驗證。通過對不同機器學(xué)習(xí)算法的比較，最佳算法的平均分類準(zhǔn)確率為96.7%，驗證了所提出方法的可行性。

文章導(dǎo)讀

過去的十年中，基于最新信息技術(shù)的建筑材料自動分類一直是建筑、工程和建筑(AEC)行業(yè)的一個有前途的研究方向。材料自動分類可以提高各種任務(wù)的效率，包括損傷檢測和現(xiàn)場材料管理和跟蹤。此外，建筑信息模型(BIM)受到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注，越來越多地應(yīng)用于建筑項目的設(shè)計、施工和運營階段。生成反映建筑現(xiàn)狀的建筑信息模型(bim)已經(jīng)成為一項重要的任務(wù)，它可以應(yīng)用于各種應(yīng)用，如現(xiàn)有建筑的操作和維護(O&M)以及建筑性能分析。as-is BIM不僅包含建筑的幾何信息，還包含建筑材料等建筑元素的非幾何信息。材料信息對于許多BIM應(yīng)用來說是必不可少的，例如物體的三維表示和建筑能量模擬。因此，為了生成語義豐富的包含材料信息的as-is bim，對建筑材料的自動分類有很高的要求。

在過去的幾年里，應(yīng)用機器學(xué)習(xí)技術(shù)對建筑材料進行自動分類已經(jīng)成為AEC行業(yè)的一種流行方法。所提出的材料分類方法根據(jù)采集數(shù)據(jù)的類型分為基于圖像和基于激光掃描數(shù)據(jù)兩種。目前，基于圖像的材料分類方法得到了廣泛的應(yīng)用。基于圖像的方法的核心技術(shù)是利用建筑材料的顏色、紋理、粗糙度、投影等視覺特征進行自動分類。然而，基于圖像的方法在很大程度上受到光照條件的影響。不同的光照條件強烈影響材料的視覺特性，給基于圖像的建筑材料分類帶來了困難。此外，物體和未知視點上的紋理較差也對基于圖像的材料分類的魯棒性和準(zhǔn)確性產(chǎn)生了負面影響。

地面激光掃描技術(shù)為建筑材料的自動分類提供了一個新的前景。帶有內(nèi)置攝像頭的TLS不僅可以捕捉視覺特征，還可以捕捉建筑材料的內(nèi)在屬性，如材料反射率。因此，考慮到所提供的信息類型更多，且對變化的光照條件具有更高的魯棒性，TLS在實現(xiàn)更精確的材料分類方面具有很大潛力。此外，TLS由于其高測量精度和速度，已被廣泛用于構(gòu)建代表建筑現(xiàn)狀的bim。因此，使用TLS數(shù)據(jù)進行建筑材料分類不需要額外的數(shù)據(jù)收集，如果TLS數(shù)據(jù)已經(jīng)為構(gòu)建現(xiàn)有bim收集。盡管TLS具有諸多優(yōu)勢，但采用TLS數(shù)據(jù)進行建筑材料分類的研究較少。

本研究旨在開發(fā)一種基于TLS數(shù)據(jù)的常用建筑材料自動分類方法。所開發(fā)的方法對于各種應(yīng)用程序都是有用的，特別是當(dāng)使用TLS數(shù)據(jù)構(gòu)建語義豐富的as-is bim時，需要材料信息。

實驗設(shè)計

確定用于建筑材料自動分類的特征。對于每個掃描點，TLS收集一組由反射激光束強度、RGB顏色值和x-y-z坐標(biāo)組成的屬性。根據(jù)收集到的屬性計算出一組用于材料分類的特征。特征包括1)材料反射率，2)顏色，和3)表面粗糙度。

本研究需要確定一套常見的建筑材料作為目標(biāo)材料。已經(jīng)建立了一些建筑材料庫，用于基于圖像的材料分類。因此，我們以現(xiàn)有的建筑材料庫為參考，創(chuàng)建了一個通用的建筑材料集。

主要圖表：

實驗

建筑材料的選擇

如圖6所示，本研究考慮了十種不同類型的材料，包括混凝土、砂漿、石頭、金屬、繪畫、木材、石膏、塑料、陶器和陶瓷。盡管玻璃被廣泛應(yīng)用于建筑中，但由于TLS難以捕捉透明物體，因此在本研究中沒有選擇玻璃。在這十類材料中，每一類都選取一種特定的常用建筑材料作為樣本。

數(shù)據(jù)收集與處理

采用FARO FocusS70 TLS采集10種材料的激光掃描數(shù)據(jù)。如表1所示，該TLS的測量范圍為0.6 ~ 70 m，垂直視場300°，水平視場360°。光束出口直徑為2.12 mm，散度為0.3 mrad。這10種建筑材料的激光掃描數(shù)據(jù)來自新加坡國立大學(xué)(NUS)的建筑。收集的掃描數(shù)據(jù)包括建筑內(nèi)部(即天花板、墻壁和地板)和外部立面。對于每種材料，在不同的光照條件下從不同的站點采集掃描數(shù)據(jù)，以確保采集到的數(shù)據(jù)具有代表性。

模型訓(xùn)練

在計算ρ值、HSV值和rav值后，分別創(chuàng)建2 m < R < 4m和4m < R < 10 m的數(shù)據(jù)集進行訓(xùn)練。2m < R < 4m的數(shù)據(jù)集包含41,000個數(shù)據(jù)點(每一種建筑材料大約有4100個數(shù)據(jù)點)，4m < R < 10 m的數(shù)據(jù)集包含53,000個數(shù)據(jù)點(每一種建筑材料大約有5300個數(shù)據(jù)點)。每個數(shù)據(jù)點代表一個樣本，包括建筑材料類別標(biāo)簽、ρ值、HSV顏色空間中的H、S和V值以及Ravalue。

本文主要考慮了建筑材料分類是一個多類分類問題。模型訓(xùn)練和驗證的總體工作流程如圖7所示。分別對兩個數(shù)據(jù)集進行了訓(xùn)練和驗證。我們使用每個數(shù)據(jù)集的80%來訓(xùn)練分類模型，剩下的20%來測試訓(xùn)練后的模型。為了找到最佳的特征組合，對不同的特征組合(ρ、HSV值和Ra)進行了測試。此外，比較中也考慮了Irvalue和RGB值。為了找到最佳的分類模型，研究了不同類型的監(jiān)督學(xué)習(xí)分類器，包括決策樹(DTs)、判別分析(DAs)、樸素貝葉斯(NBs)、支持向量機(SVMs)、k近鄰(KNNs)和集成

實驗結(jié)果

特征和分類器的比較

由表2可知，當(dāng)2 m < R < 4 m時，使用ρ、HSV和Ra作為特征，集成作為分類器的分類精度最高，達到96.2%。從表3可以看出，當(dāng)4 m < R < 10 m時，使用ρ、HSV、Raas特征和集合作為分類器的分類精度最高，達到97.1%。

在分類器的比較方面，實驗結(jié)果表明集成算法是最好的分類器。這一結(jié)果與之前研究的結(jié)論一致。從表2和表3的實驗結(jié)果可以看出，分類精度最高的算法是Bootstrap-aggregated Decision Trees(即Bagged Trees)，這是集成算法之一。

每種建筑材料的精度分析

為了進一步了解材料分類結(jié)果，我們使用混淆矩陣分析了具有最高分類精度的情況下的分類性能(即使用ρ + Ra+ HSV作為特征，使用Bagged Trees算法作為分類器)。將2 m < R < 4 m和4 m < R < 10 m的分類結(jié)果取平均值，混淆矩陣如圖8所示。混淆矩陣的每一行都顯示了建筑材料樣本真實類別的TP和FN比率。

為了進一步分析砂漿材料TP率低的原因，我們繪制了平行坐標(biāo)圖來可視化多元數(shù)據(jù)。如圖9所示，我們比較了石頭、砂漿和油漆的特征分布(ρ、H、S、V、Ra)。對于某一特征，如果一種材料的數(shù)據(jù)離散程度較高或與另一種材料的數(shù)據(jù)重疊較大，則該特征對提高該材料的分類精度的作用較小。與油漆材料相比，砂漿材料在S、V、Ra等多個特征上有更高的分散度，導(dǎo)致砂漿與其他材料有較大的重疊，導(dǎo)致砂漿的TP率較低。同時也發(fā)現(xiàn)砂漿的H值和S值與石材的H值和S值嚴(yán)重重疊，這也解釋了為什么7%的砂漿數(shù)據(jù)被錯誤的歸類為石材。

結(jié)論

本研究提出了一種基于TLS數(shù)據(jù)的常用建筑材料分類方法。在該方法中，材料反射系數(shù)ρ、HSV顏色和表面粗糙度很少作為分類特征。ρ值是某一物質(zhì)的固有特性，它可以從激光的反射強度Ir中推斷出來。結(jié)果表明，irs與cosθ/R2呈線性關(guān)系，ρ是線性函數(shù)系數(shù)的一部分。因此，每個掃描點的ρ值是通過對掃描點鄰近點的Irand cosθ/R2值擬合一個線性函數(shù)得到的。HSV顏色在本研究中使用而不是RGB顏色，因為HSV顏色對不同的光照條件表現(xiàn)出更好的魯棒性。HSV顏色是由原始激光掃描數(shù)據(jù)獲得的RGB顏色計算出來的。Ravalue是從掃描點的鄰點到鄰點擬合平面的平均正交距離計算的。

為了驗證所提出的技術(shù)，本研究選擇了十種常見的建筑材料，包括混凝土、砂漿、石頭、金屬、油漆、木材、石膏、塑料、陶器和陶瓷。使用FARO FocusS70 TLS采集10種不同材料的激光掃描數(shù)據(jù)。激光掃描數(shù)據(jù)在MATLAB2019a中進行處理，計算上述特征。

為了找到最佳的特征組合，對不同的特征組合進行了測試。此外，還探討了不同的監(jiān)督學(xué)習(xí)分類器，包括決策樹(DTs)、判別分析(DAs)、樸素貝葉斯(NBs)、支持向量機(SVMs)、最近鄰(KNNs)和集成。實驗結(jié)果表明，使用ρ、HSV、Raas特征和集成作為分類器，實現(xiàn)了最高的分類準(zhǔn)確率96.7%。實驗結(jié)果也證實了ρ色在材料分類方面比Ir色有更好的效果，HSV色優(yōu)于RGB色。

為了進一步測試一種建筑材料的識別精度，我們還采用了一類分類方法對分類模型進行了訓(xùn)練和驗證。本文采用OC-SVM和SVDD，這兩種分類器在以往的研究中都被證實是處理一類分類問題的最佳分類器。實驗結(jié)果表明，OC-SVM和SVDD的平均準(zhǔn)確率分別為85.5%和86.5%，進一步證明了該方法的可行性。

END

深度學(xué)習(xí)入門筆記

微信號:sdxx_rmbj

日常更新學(xué)習(xí)筆記、論文簡述

【學(xué)術(shù)前沿】基于三維地面激光掃描數(shù)據(jù)的常用建筑材料自動分類