[发明专利]基于BIM的路桥工程管理方法及系统

说明书

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。

技术领域

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。

背景技术

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。

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。

因此，期待一种优化的路桥工程管理方案。

发明内容

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。

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。

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。

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。

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。

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。

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。