CN120852681B - 一种基于人工智能拓扑优化的三维结构重建系统 - Google Patents

Abstract

本发明涉及三维重建技术领域，公开了一种基于人工智能拓扑优化的三维结构重建系统，数据提取模块用于依据坐标点分布密度值，结合面网格边界数据进行区域筛选，生成构件分区判定值；结构识别模块用于进行比对，判断是否满足条件，获取边界规则性系数；拓扑调整模块用于筛选偏移值在相对边界范围内且高度变化量小于临界高度变化系数的坐标集合，得到边界拓扑调整系数；特征重构模块用于按节点分布密度与角度变化值的乘积计算构件形态偏离程度，生成重构特征预测值；重建预测模块用于计算出构件结构状态值与可信等级系数之间的均衡因子，获取结构重建趋势度；本发明减少了人工干预的需要，节约了成本。

Description

一种基于人工智能拓扑优化的三维结构重建系统

技术领域

本发明涉及三维重建技术领域，具体涉及一种基于人工智能拓扑优化的三维结构重建系统。

背景技术

三维重建技术致力于从各类传感器和数据源采集信息，构建物理世界的三维数字模型；目前，常用的核心技术有计算机视觉、激光扫描、立体摄影测量等；这些技术虽能捕捉复杂环境和物体的空间信息与外观细节，并生成用于虚拟现实、建筑信息模型（BIM）、工业设计等领域的三维模型，但在实际应用中存在诸多问题；传统三维重建技术在处理大规模或特别复杂的数据集时，对时间和计算资源的需求极大；例如在建筑信息模型（BIM）构建过程中，面对庞大的建筑数据，传统方法处理速度慢，导致项目进度延误；在工业设计领域，处理复杂零部件数据时，计算资源的高消耗增加了设计成本；而且，传统方法难以适应快速变化的任务需求，在精度方面也存在不足，容易造成设计不精确的问题；此外，传统三维重建方法自动化和智能化程度低；每次执行任务，都需要专业人员进行手动调整和校正，操作复杂且容易出错，这在需要快速且连续处理数据的现代应用场景中，严重限制了三维重建技术的广泛应用。

发明内容

本发明的目的是为了解决上述问题，设计了一种基于人工智能拓扑优化的三维结构重建系统。

本发明提供一种基于人工智能拓扑优化的三维结构重建系统，该系统包括：

数据提取模块，用于获取建筑构件点云图像数据、面网格边界数据和空间尺度参数，依据构件点云图像数据中存在的坐标点分布密度值，结合面网格边界数据进行区域筛选，将具备封闭边界和数据连续性的构件区域作为目标区域，生成构件分区判定值；

结构识别模块，用于根据构件分区判定值调用面网格边界数据中的各子区域边界线数据，对边界线中存在缺口区域的位置参数、对应边缘长度以及转角数量进行比对，判断是否满足边界连续性和规则度判定条件，获取边界规则性系数；

拓扑调整模块，用于根据边界规则性系数调用点云图像数据中的空间坐标点，将各坐标点按高度差值与边界轮廓相对偏移距离进行联立计算，筛选其中偏移值在相对边界范围内且高度变化量小于临界高度变化系数的坐标集合，得到边界拓扑调整系数；

特征重构模块，用于基于边界拓扑调整系数调用各构件边界轮廓线，获取构件轮廓线节点数量、节点分布密度以及各节点对应角度变化值，按节点分布密度与角度变化值的乘积计算构件形态偏离程度，生成重构特征预测值；

重建预测模块，用于调用重构特征预测值，将预测值与各构件类别形态标准特征值进行差异计算，依据差异数值所在区间对应的重建可信等级系数，计算出构件结构状态值与可信等级系数之间的均衡因子，将各构件的均衡因子数值平均后建立构件整体结构重建趋势度，获取结构重建趋势度。

可选的，在本发明的第一种实现方式中，所述数据提取模块包括：

遍历子模块，用于设定筛选标准，遍历建筑构件点云图像数据中的每一个坐标点，得到初步筛选出的区域；

确定子模块，用于在初步筛选出的区域中，对于每个密集点，在面网格边界数据里确定与之相关的边界线；

第一计算子模块，用于记录每个可能符合要求的封闭边界区域，在区域内随机选取两个相邻的点，计算这两个点之间的距离，若距离小于或等于连续性距离标准，继续检查区域内其他相邻点的距离；

判定子模块，用于当区域内所有相邻点之间的距离都满足小于或等于连续性距离标准，判定这个区域的数据是连续的；

生成子模块，用于将具备封闭边界和数据连续性的构件区域作为目标区域，生成构件分区判定值。

可选的，在本发明的第二种实现方式中，所述设定筛选标准包括：

设定用于判断坐标点分布密度高低的标准值，将其记为密度判断标准；设定用于衡量封闭边界大小的最小值，作为最小边界标准；设定判断数据是否连续的距离最大值，即连续性距离标准。

可选的，在本发明的第三种实现方式中，所述结构识别模块包括：

提取子模块，用于根据构件分区判定值，从面网格边界数据中提取出相应各子区域的边界线数据；

第一识别子模块，用于运用边缘检测算法对提取的边界线数据进行处理，识别出边界线中存在不连续的部分，确定为缺口区域，记录下每个缺口区域在边界线上的具体位置，得到缺口区域的位置参数；

测量子模块，用于从边界线的起点开始，依次沿着边界线的各个线段进行测量，当遍历完整个边界线后，对所有线段的长度进行累加，得到对应边界线的边缘总长度；

移动子模块，用于沿着边界线移动，在每一个方向发生明显改变的地方，形成转角的位置，并确定出边界线的转角数量；

整理子模块，用于将得到的缺口区域位置参数、边缘长度以及转角数量，整理成一个包含边界特征信息的数据集；

第一对比子模块，用于将整理好的边界特征数据集与预先设定的边界连续性和规则度判定条件进行对比；

输入子模块，用于将经过预设条件比对后的边界特征数据输入到支持向量机算法中，对边界特征进行分类和判断，输出评估结果，以得到边界规则性系数。

可选的，在本发明的第四种实现方式中，所述第一识别子模块包括：

对提取的边界线数据分别应用不同尺度的梯度算子进行卷积操作，生成多尺度梯度图；

计算每个像素点的梯度方向，并将每个像素点划分为若干方向区间，对同一方向区间内的相邻像素进行梯度幅值一致性检查，若相邻像素梯度方向幅值差异超过阈值，则标记为可疑缺口点；

引入时间维度，构建时空关联矩阵，对于当前帧中的每个可疑缺口点，检查其在相邻帧中的对应位置是否存在相似梯度特征，若存在则增强其作为真实缺口的置信度；

基于局部区域的梯度统计特性计算动态阈值，对梯度幅值图像进行自适应阈值分割，生成二值边缘图；

对二值边缘图中的断裂边缘进行形态学分析，通过骨架化操作提取边缘中心线，计算中心线的曲率变化率，在曲率突变点附近搜索可疑缺口区域，对每个可疑缺口区域进行几何特征验证；

对于确认的缺口区域，利用其两端的边缘线段方向信息进行拓扑预测，通过贝塞尔曲线拟合缺口区域的潜在边缘路径，重建完整的边界拓扑结构，以确定为缺口区域。

可选的，在本发明的第五种实现方式中，所述拓扑调整模块包括：

分层索引子模块，用于根据边界规则性系数对三维点云数据进行分层索引，为每个空间坐标点添加多尺度几何特征描述符，形成增强型点云特征空间；

调整子模块，用于基于边界轮廓线的几何中心和主方向，生成自适应参考平面，根据边界规则性系数动态调整参考平面的容忍度；

第二识别子模块，用于构建时空立方体对每个坐标点进行上下文分析，提取三维空间特征和时间序列特征，通过注意力机制自动识别对边界拓扑调整的特征维度；

融合子模块，用于进行双路径CNN特征融合，生成联合特征表示，根据输入三维点云数据的统计特性推导临界高度变化系数和相对边界范围参数，构建决策网络对每个点进行分类，输出概率分布；

筛选子模块，用于建立点云图结构，顶点为坐标点，边为点间的拓扑关系，筛选点云图结构中偏移值在相对边界范围内且高度变化量小于临界高度变化系数的坐标集合，得到边界拓扑调整系数。

可选的，在本发明的第六种实现方式中，所述双路径CNN特征融合包括：

提取三维点云数据在垂直方向上的结构信息，得到高度差路径，其中结构信息至少信息包括变化特征，捕捉台阶和裂缝；

分析三维点云数据与边界轮廓的水平偏移关系，识别边缘模糊区域，得到偏移路径；

通过CNN网络的特征融合模块将高度差路径和偏移路径进行非线性组合，生成联合特征表示。

可选的，在本发明的第七种实现方式中，所述特征重构模块包括：

排序子模块，用于根据边界拓扑调整系数对构件边界轮廓线进行重要性排序，建立轮廓线空间索引结构；

形成子模块，用于在轮廓线上均匀采样初始节点集，记录节点坐标和法线方向，应用自适应采样策略，在曲率变化大的区域增加采样密度，形成多尺度节点表示；

统计子模块，用于以每个节点为中心定义局部邻域，统计邻域内的节点数量，根据邻域半径和节点数量计算归一化的节点分布密度值，应用高斯平滑处理，消除局部密度波动噪声；

滤波子模块，用于计算相邻节点间的切线方向变化角度，作为节点角度变化值，采用双向角度计算策略，对角度变化值进行梯度滤波；

加权子模块，用于将节点分布密度与角度变化值进行逐点相乘，应用空间注意力机制，对关键区域的乘积结果加权，通过区域积分聚合所有节点的乘积值，得到整体形态偏离度；

映射子模块，用于将形态偏离度映射到预设的离散等级，结合轮廓线的几何特征构建多维特征向量，应用主成分分析降维，生成重构特征预测值。

可选的，在本发明的第八种实现方式中，若存在多帧时序数据，建立当前帧节点与历史帧的对应关系，计算节点角度变化的时间导数，构建时空特征向量，应用卡尔曼滤波预测节点未来位置。

可选的，在本发明的第九种实现方式中，所述重建预测模块包括：

第二对比子模块，用于将重构特征预测值按照构件类别进行分类整理，针对每一个构件，依次将其重构特征预测值与相应构件类别形态标准特征值进行对比，将所有特征维度的差异汇总得到该构件的综合差异值；

第二计算子模块，用于依据差异数值所在区间对应的重建可信等级系数，为每个构件设定一个初始的构件结构状态值，将每个构件的构件结构状态值与重建可信等级系数进行计算，得到构件结构状态值与可信等级系数之间的均衡因子；

相加子模块，用于将所有构件的均衡因子数值相加，再除以构件的总数，得到平均值，从而确定构件整体结构重建趋势度。

本发明提供的技术方案中，获取建筑构件点云图像数据、面网格边界数据和空间尺度参数，依据构件点云图像数据中存在的坐标点分布密度值，结合面网格边界数据进行区域筛选，将具备封闭边界和数据连续性的构件区域作为目标区域，生成构件分区判定值；根据构件分区判定值调用面网格边界数据中的各子区域边界线数据，对边界线中存在缺口区域的位置参数、对应边缘长度以及转角数量进行比对，判断是否满足边界连续性和规则度判定条件，获取边界规则性系数；根据边界规则性系数调用点云图像数据中的空间坐标点，将各坐标点按高度差值与边界轮廓相对偏移距离进行联立计算，筛选其中偏移值在相对边界范围内且高度变化量小于临界高度变化系数的坐标集合，得到边界拓扑调整系数；基于边界拓扑调整系数调用各构件边界轮廓线，获取构件轮廓线节点数量、节点分布密度以及各节点对应角度变化值，按节点分布密度与角度变化值的乘积计算构件形态偏离程度，生成重构特征预测值；调用重构特征预测值，将预测值与各构件类别形态标准特征值进行差异计算，依据差异数值所在区间对应的重建可信等级系数，计算出构件结构状态值与可信等级系数之间的均衡因子，将各构件的均衡因子数值平均后建立构件整体结构重建趋势度，获取结构重建趋势度；本发明通过自动调整和优化数据处理步骤，减少了人工干预的需要，在多次重建同一类型构件时，系统会不断优化重建结果，使其更加接近实际物理结构，极大增强了模型的实用性和可靠性，在处理大型城市建筑的三维重建数据时，所需的计算设备数量和计算时间都大幅降低，节约了成本。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。

图1为本发明实施例提供的基于人工智能拓扑优化的三维结构重建系统的结构示意图；

图2为本发明实施例提供的数据提取模块的结构示意图；

图3为本发明实施例提供的结构识别模块的结构示意图。

具体实施方式

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、设备、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1本发明实施例提供的基于人工智能拓扑优化的三维结构重建系统的结构示意图，该系统包括：

数据提取模块，用于获取建筑构件点云图像数据、面网格边界数据和空间尺度参数，依据构件点云图像数据中存在的坐标点分布密度值，结合面网格边界数据进行区域筛选，将具备封闭边界和数据连续性的构件区域作为目标区域，生成构件分区判定值；

结构识别模块，用于根据构件分区判定值调用面网格边界数据中的各子区域边界线数据，对边界线中存在缺口区域的位置参数、对应边缘长度以及转角数量进行比对，判断是否满足边界连续性和规则度判定条件，获取边界规则性系数；

拓扑调整模块，用于根据边界规则性系数调用点云图像数据中的空间坐标点，将各坐标点按高度差值与边界轮廓相对偏移距离进行联立计算，筛选其中偏移值在相对边界范围内且高度变化量小于临界高度变化系数的坐标集合，得到边界拓扑调整系数；

特征重构模块，用于基于边界拓扑调整系数调用各构件边界轮廓线，获取构件轮廓线节点数量、节点分布密度以及各节点对应角度变化值，按节点分布密度与角度变化值的乘积计算构件形态偏离程度，生成重构特征预测值；

重建预测模块，用于调用重构特征预测值，将预测值与各构件类别形态标准特征值进行差异计算，依据差异数值所在区间对应的重建可信等级系数，计算出构件结构状态值与可信等级系数之间的均衡因子，将各构件的均衡因子数值平均后建立构件整体结构重建趋势度，获取结构重建趋势度。

本实施例中，请参阅图2，数据提取模块包括：

遍历子模块，用于设定筛选标准，遍历建筑构件点云图像数据中的每一个坐标点，得到初步筛选出的区域；

确定子模块，用于在初步筛选出的区域中，对于每个密集点，在面网格边界数据里确定与之相关的边界线；

第一计算子模块，用于记录每个可能符合要求的封闭边界区域，在区域内随机选取两个相邻的点，计算这两个点之间的距离，若距离小于或等于连续性距离标准，继续检查区域内其他相邻点的距离；

判定子模块，用于当区域内所有相邻点之间的距离都满足小于或等于连续性距离标准，判定这个区域的数据是连续的；

生成子模块，用于将具备封闭边界和数据连续性的构件区域作为目标区域，生成构件分区判定值。

本实施例中，设定筛选标准包括：

设定用于判断坐标点分布密度高低的标准值，将其记为密度判断标准；设定用于衡量封闭边界大小的最小值，作为最小边界标准；设定判断数据是否连续的距离最大值，即连续性距离标准。

本实施例中，请参阅图3，结构识别模块包括：

提取子模块，用于根据构件分区判定值，从面网格边界数据中提取出相应各子区域的边界线数据；

第一识别子模块，用于运用边缘检测算法对提取的边界线数据进行处理，识别出边界线中存在不连续的部分，确定为缺口区域，记录下每个缺口区域在边界线上的具体位置，得到缺口区域的位置参数；

测量子模块，用于从边界线的起点开始，依次沿着边界线的各个线段进行测量，当遍历完整个边界线后，对所有线段的长度进行累加，得到对应边界线的边缘总长度；

移动子模块，用于沿着边界线移动，在每一个方向发生明显改变的地方，形成转角的位置，并确定出边界线的转角数量；

整理子模块，用于将得到的缺口区域位置参数、边缘长度以及转角数量，整理成一个包含边界特征信息的数据集；

第一对比子模块，用于将整理好的边界特征数据集与预先设定的边界连续性和规则度判定条件进行对比；

输入子模块，用于将经过预设条件比对后的边界特征数据输入到支持向量机算法中，对边界特征进行分类和判断，输出评估结果，以得到边界规则性系数。

本实施例中，第一识别子模块包括：

对提取的边界线数据分别应用不同尺度的梯度算子进行卷积操作，生成多尺度梯度图；

计算每个像素点的梯度方向，并将每个像素点划分为若干方向区间，对同一方向区间内的相邻像素进行梯度幅值一致性检查，若相邻像素梯度方向幅值差异超过阈值，则标记为可疑缺口点；

引入时间维度，构建时空关联矩阵，对于当前帧中的每个可疑缺口点，检查其在相邻帧中的对应位置是否存在相似梯度特征，若存在则增强其作为真实缺口的置信度；

基于局部区域的梯度统计特性计算动态阈值，对梯度幅值图像进行自适应阈值分割，生成二值边缘图；

对二值边缘图中的断裂边缘进行形态学分析，通过骨架化操作提取边缘中心线，计算中心线的曲率变化率，在曲率突变点附近搜索可疑缺口区域，对每个可疑缺口区域进行几何特征验证；

对于确认的缺口区域，利用其两端的边缘线段方向信息进行拓扑预测，通过贝塞尔曲线拟合缺口区域的潜在边缘路径，重建完整的边界拓扑结构，以确定为缺口区域。

本实施例中，拓扑调整模块包括：

分层索引子模块，用于根据边界规则性系数对三维点云数据进行分层索引，为每个空间坐标点添加多尺度几何特征描述符，形成增强型点云特征空间；

调整子模块，用于基于边界轮廓线的几何中心和主方向，生成自适应参考平面，根据边界规则性系数动态调整参考平面的容忍度；

第二识别子模块，用于构建时空立方体对每个坐标点进行上下文分析，提取三维空间特征和时间序列特征，通过注意力机制自动识别对边界拓扑调整的特征维度；

融合子模块，用于进行双路径CNN特征融合，生成联合特征表示，根据输入三维点云数据的统计特性推导临界高度变化系数和相对边界范围参数，构建决策网络对每个点进行分类，输出概率分布；

筛选子模块，用于建立点云图结构，顶点为坐标点，边为点间的拓扑关系，筛选点云图结构中偏移值在相对边界范围内且高度变化量小于临界高度变化系数的坐标集合，得到边界拓扑调整系数。

本实施例中，双路径CNN特征融合包括：

提取三维点云数据在垂直方向上的结构信息，得到高度差路径，其中结构信息至少信息包括变化特征，捕捉台阶和裂缝；

分析三维点云数据与边界轮廓的水平偏移关系，识别边缘模糊区域，得到偏移路径；

通过CNN网络的特征融合模块将高度差路径和偏移路径进行非线性组合，生成联合特征表示。

本实施例中，特征重构模块包括：

排序子模块，用于根据边界拓扑调整系数对构件边界轮廓线进行重要性排序，建立轮廓线空间索引结构；

形成子模块，用于在轮廓线上均匀采样初始节点集，记录节点坐标和法线方向，应用自适应采样策略，在曲率变化大的区域增加采样密度，形成多尺度节点表示；

统计子模块，用于以每个节点为中心定义局部邻域，统计邻域内的节点数量，根据邻域半径和节点数量计算归一化的节点分布密度值，应用高斯平滑处理，消除局部密度波动噪声；

滤波子模块，用于计算相邻节点间的切线方向变化角度，作为节点角度变化值，采用双向角度计算策略，对角度变化值进行梯度滤波；

加权子模块，用于将节点分布密度与角度变化值进行逐点相乘，应用空间注意力机制，对关键区域的乘积结果加权，通过区域积分聚合所有节点的乘积值，得到整体形态偏离度；

映射子模块，用于将形态偏离度映射到预设的离散等级，结合轮廓线的几何特征构建多维特征向量，应用主成分分析降维，生成重构特征预测值。

本实施例中，若存在多帧时序数据，建立当前帧节点与历史帧的对应关系，计算节点角度变化的时间导数，构建时空特征向量，应用卡尔曼滤波预测节点未来位置。

本实施例中，重建预测模块包括：

第二对比子模块，用于将重构特征预测值按照构件类别进行分类整理，针对每一个构件，依次将其重构特征预测值与相应构件类别形态标准特征值进行对比，将所有特征维度的差异汇总得到该构件的综合差异值；

第二计算子模块，用于依据差异数值所在区间对应的重建可信等级系数，为每个构件设定一个初始的构件结构状态值，将每个构件的构件结构状态值与重建可信等级系数进行计算，得到构件结构状态值与可信等级系数之间的均衡因子；

相加子模块，用于将所有构件的均衡因子数值相加，再除以构件的总数，得到平均值，从而确定构件整体结构重建趋势度。

本实施例中，对经过预设条件比对后的边界特征数据进行归一化处理，确保不同特征维度具有相同的尺度范围，避免某些特征因数值过大或过小而对模型产生不合理影响；基于边界特征数据，通过特征工程扩展数据特征；例如，计算边缘长度与平均边缘长度的比值、转角数量与特定标准转角数量的差值等衍生特征，丰富数据的表达能力，为后续分类和判断提供更多信息；分析边界特征数据的分布特点，设计多种核函数，如多项式核函数、径向基核函数、高斯核函数等；根据数据的局部密度、维度特征等，动态选择合适的核函数或组合核函数；对于数据分布较为集中的区域，选择能更好拟合局部特征的核函数；对于分布较为分散的数据，选择能在更广泛空间中进行映射的核函数；通过这种自适应选择，提高模型对不同数据分布的适应性；为每个边界特征数据样本分配动态权重；考虑样本与分类超平面的距离、样本的特征差异程度等因素，距离超平面较远且特征差异较大的样本赋予较高权重，反之则赋予较低权重；这样在模型训练和判断过程中，能够更关注那些对分类边界确定具有关键影响的样本，提高模型的准确性；构建多个支持向量机分类器，每个分类器基于不同的特征子集进行训练；例如，一个分类器侧重于边缘长度相关特征，另一个分类器侧重于转角数量相关特征等；在分类和判断阶段，让多个分类器协同工作；综合多个分类器的判断结果，根据各个分类器在训练阶段的表现为其分配不同的可信度权重，最终通过加权融合的方式得出综合判断结果，增强模型的鲁棒性和准确性；在得到初步的边界规则性系数后，若有新的边界特征数据加入，启动在线学习机制；利用新数据对改进后的支持向量机模型进行增量训练，更新模型的参数；根据新数据的特点和模型的反馈，动态调整之前设置的权重、核函数选择策略等，使模型能够随着数据的变化不断优化，更好地适应不同的边界特征情况，持续输出更准确的边界规则性系数。

本实施例中，高度差路径和偏移距离路径分别捕捉了点云在垂直方向和水平方向与边界相关的不同特征；联合特征表示将这两方面的特征融合，能更全面、综合地反映坐标点与边界的关系；比如，在处理复杂建筑结构的点云数据时，既可以体现建筑外立面不同高度处的结构变化（如窗台、腰线等导致的高度差特征），又能反映出墙体边缘因施工误差或侵蚀造成的与设计边界的偏移特征，为后续精确判断坐标点是否符合边界拓扑调整要求提供丰富信息；融合后的联合特征表示能让后续的决策网络更准确地区分不同类型的点；通过这种全面的特征表示，决策网络可以更好地识别出那些偏移值在相对边界范围内且高度变化量小于临界高度变化系数的坐标点，减少误判和漏判的情况；例如，在处理存在噪声干扰的点云数据时，单独依靠高度差或偏移距离特征可能会将一些噪声点误判为有效点，而联合特征表示可以利用多方面信息更准确地排除噪声，筛选出真正符合条件的坐标点集合，从而提高边界拓扑调整系数计算的准确性；联合特征表示能够提升模型对不同场景和数据特点的适应能力；不同的三维重建场景，如工业零部件重建、地形地貌重建等，点云数据的特征和边界情况差异较大；联合特征表示可以灵活地融合不同方面的特征，使模型在面对各种复杂情况时都能有效工作；比如在工业场景中，设备表面的微小瑕疵可能表现为高度差和偏移的综合特征，联合特征表示能帮助模型更好地适应这类精细的特征变化，准确进行边界拓扑调整，增强模型的通用性和鲁棒性。

本实施例中，根据边界拓扑调整系数对轮廓线进行加权排序，系数越高表示该区域拓扑结构越稳定，对重建结果贡献越大采用多指标排序策略，同时考虑边界长度、闭合度和与邻域的关联性构建优先级队列，高效处理高优先级轮廓线；针对不同复杂度的轮廓线采用混合索引：规则区域使用四叉树索引，提升区域查询效率，复杂区域使用KD树索引，优化近邻搜索性能，建立多级索引结构，顶层索引快速定位大致区域，底层索引精确匹配具体轮廓；基于轮廓线长度和预设采样间隔，生成初始节点集，采用等弧长采样方法，确保节点在曲线上均匀分布，记录每个节点的三维坐标和局部表面法线方向；计算轮廓线各点的曲率值，识别曲率变化剧烈区域（如转角、断点），在高曲率区域增加采样密度，采用二分插入法细化节点分布，构建多分辨率节点层次，粗尺度节点捕捉整体形态，细尺度节点保留细节特征；以每个节点为中心定义可变半径邻域，半径大小与局部曲率成反比，统计邻域内节点数量，结合邻域体积计算原始密度值，应用核密度估计方法，平滑密度分布；通过z-score方法对密度值进行归一化，消除尺度影响，应用高斯滤波消除局部密度波动，保留宏观密度变化趋势，引入密度阈值，过滤离群点和低密度噪声区域；计算相邻节点间的切线方向变化角度，同时考虑顺时针和逆时针方向，采用滑动窗口方法计算角度变化率，窗口大小自适应于局部曲率，对角度变化值进行周期性处理，将其映射到[0,π]区间，应用Sobel算子计算角度变化的梯度，突出形态突变区域，设计方向敏感滤波器，保留与轮廓主方向垂直的角度变化，构建角度变化金字塔，捕捉不同尺度下的形态特征；将归一化的节点分布密度与角度变化值逐点相乘，生成初始偏离度图，应用空间注意力机制，对关键区域（如转角、端点）赋予更高权重，引入拓扑约束，惩罚破坏原始轮廓连通性的偏离，将轮廓线划分为多个语义区域（如墙面、门窗），分别计算区域偏离度，采用加权积分方法聚合各区域偏离度，权重基于区域重要性和面积，构建偏离度累积分布图，直观展示形态异常的空间分布，将连续的形态偏离度值映射到预设的离散等级（如1-5级），采用K-means聚类方法自动确定等级划分阈值，为每个等级分配语义标签（如"正常"、"轻微变形"、"严重损坏"），结合轮廓几何特征（周长、面积、圆度）和拓扑特征（孔洞数量、分支数），提取形状描述符（如傅里叶描述符、Zernike矩）增强特征表达能力，构建时空特征向量，融合多帧数据的变化趋势，计算特征协方差矩阵，确定各特征维度的贡献率选择累计贡献率超过阈值（如95%）的主成分，生成低维特征向量，去除冗余信息。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于人工智能拓扑优化的三维结构重建系统，其特征在于，该系统包括：

数据提取模块，用于获取建筑构件点云图像数据、面网格边界数据和空间尺度参数，依据构件点云图像数据中存在的坐标点分布密度值，结合面网格边界数据进行区域筛选，将具备封闭边界和数据连续性的构件区域作为目标区域，生成构件分区判定值；

结构识别模块，用于根据构件分区判定值调用面网格边界数据中的各子区域边界线数据，对边界线中存在缺口区域的位置参数、对应边缘长度以及转角数量进行比对，判断是否满足边界连续性和规则度判定条件，获取边界规则性系数；

拓扑调整模块，用于根据边界规则性系数调用点云图像数据中的空间坐标点，将各坐标点按高度差值与边界轮廓相对偏移距离进行联立计算，筛选其中偏移值在相对边界范围内且高度变化量小于临界高度变化系数的坐标集合，得到边界拓扑调整系数；

特征重构模块，用于基于边界拓扑调整系数调用各构件边界轮廓线，获取构件轮廓线节点数量、节点分布密度以及各节点对应角度变化值，按节点分布密度与角度变化值的乘积计算构件形态偏离程度，生成重构特征预测值；

重建预测模块，用于调用重构特征预测值，将预测值与各构件类别形态标准特征值进行差异计算，依据差异数值所在区间对应的重建可信等级系数，计算出构件结构状态值与可信等级系数之间的均衡因子，将各构件的均衡因子数值平均后建立构件整体结构重建趋势度，获取结构重建趋势度。

2.如权利要求1所述的一种基于人工智能拓扑优化的三维结构重建系统，其特征在于，所述数据提取模块包括：

遍历子模块，用于设定筛选标准，遍历建筑构件点云图像数据中的每一个坐标点，得到初步筛选出的区域；

确定子模块，用于在初步筛选出的区域中，对于每个密集点，在面网格边界数据里确定与之相关的边界线；

第一计算子模块，用于记录每个可能符合要求的封闭边界区域，在区域内随机选取两个相邻的点，计算这两个点之间的距离，若距离小于或等于连续性距离标准，继续检查区域内其他相邻点的距离；

判定子模块，用于当区域内所有相邻点之间的距离都满足小于或等于连续性距离标准，判定这个区域的数据是连续的；

生成子模块，用于将具备封闭边界和数据连续性的构件区域作为目标区域，生成构件分区判定值。

3.如权利要求2所述的一种基于人工智能拓扑优化的三维结构重建系统，其特征在于，所述设定筛选标准包括：

设定用于判断坐标点分布密度高低的标准值，将其记为密度判断标准；设定用于衡量封闭边界大小的最小值，作为最小边界标准；设定判断数据是否连续的距离最大值，即连续性距离标准。

4.如权利要求1所述的一种基于人工智能拓扑优化的三维结构重建系统，其特征在于，所述结构识别模块包括：

提取子模块，用于根据构件分区判定值，从面网格边界数据中提取出相应各子区域的边界线数据；

第一识别子模块，用于运用边缘检测算法对提取的边界线数据进行处理，识别出边界线中存在不连续的部分，确定为缺口区域，记录下每个缺口区域在边界线上的具体位置，得到缺口区域的位置参数；

测量子模块，用于从边界线的起点开始，依次沿着边界线的各个线段进行测量，当遍历完整个边界线后，对所有线段的长度进行累加，得到对应边界线的边缘总长度；

移动子模块，用于沿着边界线移动，在每一个方向发生明显改变的地方，形成转角的位置，并确定出边界线的转角数量；

整理子模块，用于将得到的缺口区域位置参数、边缘长度以及转角数量，整理成一个包含边界特征信息的数据集；

第一对比子模块，用于将整理好的边界特征数据集与预先设定的边界连续性和规则度判定条件进行对比；

输入子模块，用于将经过预设条件比对后的边界特征数据输入到支持向量机算法中，对边界特征进行分类和判断，输出评估结果，以得到边界规则性系数。

5.如权利要求4所述的一种基于人工智能拓扑优化的三维结构重建系统，其特征在于，所述第一识别子模块包括：

对提取的边界线数据分别应用不同尺度的梯度算子进行卷积操作，生成多尺度梯度图；

计算每个像素点的梯度方向，并将每个像素点划分为若干方向区间，对同一方向区间内的相邻像素进行梯度幅值一致性检查，若相邻像素梯度方向幅值差异超过阈值，则标记为可疑缺口点；

引入时间维度，构建时空关联矩阵，对于当前帧中的每个可疑缺口点，检查其在相邻帧中的对应位置是否存在相似梯度特征，若存在则增强其作为真实缺口的置信度；

基于局部区域的梯度统计特性计算动态阈值，对梯度幅值图像进行自适应阈值分割，生成二值边缘图；

对二值边缘图中的断裂边缘进行形态学分析，通过骨架化操作提取边缘中心线，计算中心线的曲率变化率，在曲率突变点附近搜索可疑缺口区域，对每个可疑缺口区域进行几何特征验证；

对于确认的缺口区域，利用其两端的边缘线段方向信息进行拓扑预测，通过贝塞尔曲线拟合缺口区域的潜在边缘路径，重建完整的边界拓扑结构，以确定为缺口区域。

6.如权利要求1所述的一种基于人工智能拓扑优化的三维结构重建系统，其特征在于，所述拓扑调整模块包括：

分层索引子模块，用于根据边界规则性系数对三维点云数据进行分层索引，为每个空间坐标点添加多尺度几何特征描述符，形成增强型点云特征空间；

调整子模块，用于基于边界轮廓线的几何中心和主方向，生成自适应参考平面，根据边界规则性系数动态调整参考平面的容忍度；

第二识别子模块，用于构建时空立方体对每个坐标点进行上下文分析，提取三维空间特征和时间序列特征，通过注意力机制自动识别对边界拓扑调整的特征维度；

融合子模块，用于进行双路径CNN特征融合，生成联合特征表示，根据输入三维点云数据的统计特性推导临界高度变化系数和相对边界范围参数，构建决策网络对每个点进行分类，输出概率分布；

筛选子模块，用于建立点云图结构，顶点为坐标点，边为点间的拓扑关系，筛选点云图结构中偏移值在相对边界范围内且高度变化量小于临界高度变化系数的坐标集合，得到边界拓扑调整系数。

7.如权利要求6所述的一种基于人工智能拓扑优化的三维结构重建系统，其特征在于，所述双路径CNN特征融合包括：

提取三维点云数据在垂直方向上的结构信息，得到高度差路径，其中结构信息至少信息包括变化特征，捕捉台阶和裂缝；

分析三维点云数据与边界轮廓的水平偏移关系，识别边缘模糊区域，得到偏移路径；

通过CNN网络的特征融合模块将高度差路径和偏移路径进行非线性组合，生成联合特征表示。

8.如权利要求1所述的一种基于人工智能拓扑优化的三维结构重建系统，其特征在于，所述特征重构模块包括：

排序子模块，用于根据边界拓扑调整系数对构件边界轮廓线进行重要性排序，建立轮廓线空间索引结构；

形成子模块，用于在轮廓线上均匀采样初始节点集，记录节点坐标和法线方向，应用自适应采样策略，在曲率变化大的区域增加采样密度，形成多尺度节点表示；

统计子模块，用于以每个节点为中心定义局部邻域，统计邻域内的节点数量，根据邻域半径和节点数量计算归一化的节点分布密度值，应用高斯平滑处理，消除局部密度波动噪声；

滤波子模块，用于计算相邻节点间的切线方向变化角度，作为节点角度变化值，采用双向角度计算策略，对角度变化值进行梯度滤波；

加权子模块，用于将节点分布密度与角度变化值进行逐点相乘，应用空间注意力机制，对关键区域的乘积结果加权，通过区域积分聚合所有节点的乘积值，得到整体形态偏离度；

映射子模块，用于将形态偏离度映射到预设的离散等级，结合轮廓线的几何特征构建多维特征向量，应用主成分分析降维，生成重构特征预测值。

9.如权利要求8所述的一种基于人工智能拓扑优化的三维结构重建系统，其特征在于，若存在多帧时序数据，建立当前帧节点与历史帧的对应关系，计算节点角度变化的时间导数，构建时空特征向量，应用卡尔曼滤波预测节点未来位置。

10.如权利要求1所述的一种基于人工智能拓扑优化的三维结构重建系统，其特征在于，所述重建预测模块包括：

第二对比子模块，用于将重构特征预测值按照构件类别进行分类整理，针对每一个构件，依次将其重构特征预测值与相应构件类别形态标准特征值进行对比，将所有特征维度的差异汇总得到该构件的综合差异值；

第二计算子模块，用于依据差异数值所在区间对应的重建可信等级系数，为每个构件设定一个初始的构件结构状态值，将每个构件的构件结构状态值与重建可信等级系数进行计算，得到构件结构状态值与可信等级系数之间的均衡因子；

相加子模块，用于将所有构件的均衡因子数值相加，再除以构件的总数，得到平均值，从而确定构件整体结构重建趋势度。