Integrating Inverse Photogrammetry and a Deep Learning–Based Point Cloud Segmentation Approach for Automated Generation of BIM Models
Notice bibliographique
Résumé
Automatically converting three-dimensional (3D) point clouds into building information modeling (BIM) has been an active research area over the past few years. However, existing solutions in the literature have been suffering the limitations of covering all different design scenarios (prior knowledge-based approach) or collecting sufficient point clouds as training data sets (3D deep learning–based approach). To tackle this issue, we propose a fused system to automatically develop as-built BIMs from photogrammetric point clouds. A series of images is captured to generate a high-quality point cloud, which is then preprocessed by removing noise and downsizing points. Meanwhile, a two-dimensional (2D) deep-learning method, DeepLab, is utilized to semantically segment elements (e.g., walls, slabs, and columns) from the collected images. Subsequently, an inverse photogrammetric pipeline is employed to recognize element categories in the point cloud by projecting the isolated 3D planes into 2D images and assigning the identified elements to the 3D planes. Finally, the industry foundation classes are devised to create as-built BIMs based on the segmented point clouds. In order to evaluate the performance of the proposed system, we selected six cases with various elements as the testbed. The prospective results reveal that (1) our system can provide a highly automated solution to develop as-built BIMs; and (2) 39 out of 45 elements in six different cases are successfully recognized in point clouds.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».