[发明专利]一种基于BIM的资源管理动态综合优化系统及方法

权利要求书

1.一种基于BIM的资源管理动态综合优化系统，其特征在于，包括：3D BIM模型构建模块、项目信息获取模块、项目资源数据管理模块、工程造价数据管理模块、5D BIM模型构建模块、资源优化管理模块和可视化展示模块；

所述3D BIM模型构建模块，用于通过BIM建模软件构建工程项目的3D BIM模型；其中，所述3D BIM模型包括：所述工程项目各构件的属性信息以及各构件之间的空间信息；

所述项目信息获取模块，用于获取所述工程项目的WBS以及项目进度计划；

所述项目资源数据管理模块，用于对所述工程项目的项目资源数据进行存储和管理，其中，所述的项目资源数据包括：项目投资内容、劳动力信息、材料信息、施工机械设备信息和施工定额数据库；

所述工程造价数据管理模块，用于对所述工程项目的工程造价数据进行存储和管理；

所述5D BIM模型构建模块，分别与所述3D BIM模型构建模块、项目信息获取模块、项目资源数据库管理模块和工程造价数据库管理模块进行信息关联，并基于关联后的结果，构建所述工程项目的5D BIM模型；

所述资源优化管理模块，用于根据所述5D BIM模型，对所述工程项目的资源进行优化管理；

所述可视化展示模块，与所述资源优化管理模块通信连接，其用于接收所述资源优化管理模块的优化成果并进行展示；

所述资源优化管理模块包括：初始时标网络图构建子模块、人机交互子模块、优化子模块和优化管理子模块；

所述初始时标网络构建子模块，用于绘制所述工程项目的时标网络与资源计划初始状态图；

所述人机交互子模块，用于获取所述工程项目的项目需求，并将所述项目需求发送至所述优化子模块；

所述优化子模块，用于根据接收到的项目需求，选择与所述项目需求相对应的优化方法进行优化；

所述优化管理子模块，用于根据所述优化子模块的优化结果对所述工程项目实施全过程的成本进行动态跟踪，实时对资源进行管理；

所述人机交互子模块包括：人脸图像获取单元、人脸图像处理单元、特征提取单元、登录验证单元和项目需求获取单元；

所述人脸图像获取单元，用于获取项目管理人员的人脸图像；

所述人脸图像处理单元，用于对所述人脸图像进行处理；

所述特征提取单元，用于从处理后的人脸图像中提取表征该项目管理人员身份信息的特征值；

所述登录验证单元，用于将提取到的特征值和预存的有操作权限的项目管理人员的特征值进行匹配，若匹配成功，则验证通过；

所述项目需求获取单元，用于在所述登录验证单元验证通过后，获取所述项目管理人员的项目需求；

所述人脸图像处理单元包括：噪声点检测子单元、平滑子单元和图像分割子单元；

所述噪声点检测子单元，用于对所述人脸图像进行噪声点检测，得到所述人脸图像的重度噪声点集合HNP、轻度噪声点集合LNP和非噪声点集合NNP；

所述平滑子单元，用于分别对所述重度噪声点集合HNP和轻度噪声点集合LNP中的噪声点灰度值进行估计，得到噪声点灰度估计值；遍历所述重度噪声点集合HNP和轻度噪声点集合LNP中的噪声点，所有处理后的噪声点和非噪声点构成的集合即为平滑后的人脸图像；

所述图像分割子单元，用于对平滑后的人脸图像进行分割，得到只包含所述项目管理人员的人脸信息的前景图像；

所述的对所述人脸图像进行噪声点检测，具体是：

(1)对所述人脸图像进行灰度化处理；

(2)对灰度化的人脸图像中的像素点进行初步筛选，得到第一非噪声点集合NNP1和疑似噪声点集合SNP；

(3)对经初步筛选后，得到的疑似噪声点进行二次筛选，得到所述人脸图像的重度噪声点集合HNP、轻度噪声点集合LNP和第二非噪声点集合NNP2；其中，所述对得到的疑似噪声点进行二次筛选，具体是：

以疑似噪声点q为中心，设定一个大小为B×B的模糊检测窗口Θ_q，其中，该模糊检测窗口Θ_q内的非噪声点数为M个，疑似噪声点数为N个，且M＞N；

利用下式计算疑似噪声点集合SNP中的疑似噪声点的模糊变量值；

式中，FV(q)为疑似噪声点q的模糊变量值，G(q)为疑似噪声点的灰度值，为模糊检测窗口Θ_q内所有非噪声点的灰度值的平均值，为模糊检测窗口Θ_q内所有疑似噪声点的灰度值的平均值，G_m为模糊检测窗口Θ_q内第m个非噪声点的灰度值，G_n为模糊检测窗口Θ_q内第n个疑似噪声点的灰度值，α为权重因子，且0.65≤α≤1；

基于得到的疑似噪声点的模糊变量值，对疑似噪声点进行分类；

具体地，若FV(q)＜T₁，则像素点q为非噪声点，并将其加入到第二非噪声点集合NNP2中；

若T₁≤FV(q)≤T₂，则像素点q为轻度噪声点，并将其加入到轻度噪声点集合LNP中；

若FV(q)＞T₂，则像素点q为重度噪声点，并将其加入到重度噪声点集合HNP中；其中，T₁、T₂为预设的低模糊变量阈值和高模糊变量阈值；

遍历所有疑似噪声点，然后依据对疑似噪声点的分类结果，将其加入到相应的集合中；

(4)将得到的第一非噪声点集合NNP1和第二非噪声点集合NNP2进行合并，即为非噪声点集合NNP；

所述的分别对所述重度噪声点集合HNP和轻度噪声点集合LNP中的噪声点灰度值进行估计，得到噪声点灰度估计值，具体是：

若像素点pc为重度噪声点集合HNP中的像素点，则按照下式计算该像素点pc的灰度估计值；

若像素点pc为轻度噪声点集合LNP中的像素点，则按照下式计算该像素点pc的灰度估计值；

式中，G'(pc)、G(pc)分别为像素点pc的灰度估计值和灰度值，FV(pc)为像素点pc的模糊变量值，T₁、T₂为预设的低模糊变量阈值和高模糊变量阈值，是：以像素点pc为中心的，大小为B×B的滑动窗口内的非噪声点的灰度平均值；其中，该非噪声点隶属于非噪声点集合NNP。