|
|
ENQUIRE PROJECT DETAILS BY GENERAL PUBLIC |
| Project Details |
| Funding Scheme : | General Research Fund | |||
| Project Number : | 17202424 | |||
| Project Title(English) : | Detecting and modeling building defects in context: A novel learning-based registration of as-damaged reality capture with as-designed drawings | |||
| Project Title(Chinese) : | 考慮情景的建築缺陷檢測及建模：基於學習的現實捕捉-設計圖紙新穎配准方法 | |||
| Principal Investigator(English) : | Dr Chen, Junjie | |||
| Principal Investigator(Chinese) : | ||||
| Department : | Department of Real Estate and Construction | |||
| Institution : | The University of Hong Kong | |||
| Co - Investigator(s) : |
|
|||
| Panel : | Engineering | |||
| Subject Area : | Civil Engineering, Surveying, Building & Construction | |||
| Exercise Year : | 2024 / 25 | |||
| Fund Approved : | 784,135 | |||
| Project Status : | On-going | |||
| Completion Date : | 31-8-2027 | |||
| Abstract as per original application (English/Chinese): |
情景在人們對世界的感知中起著隱性但關鍵的作用。情景理解是許多專業工作開展的前提，包括建築檢測。在情景中檢測建築缺陷並對其進行建模，不僅可以促進其評估，還可以一體化集成設施資訊，實現動態結構模擬和運維調度。然而，現有研究（a）僅限於從與全域背景無關的單张圖像/掃描觀測中檢測缺陷，（b）依賴于耗時的手動處理來進行缺陷建模。 為了解決這些局限性，本研究旨在提出一種系統方法，以從（a）受損設施的現實捕獲和（b）其設計狀態的圖紙中自動生成與情景相關的建築缺陷模型。通過將現實捕獲（圖像、LiDAR 掃描等）中檢測到的缺陷與設計圖提供的幾何語義情景關聯起來，實現系統的缺陷三維重建。為此，採用了一種稱為基於學習的“拼圖式”配准(Learning-Based Registration, LBR)方法。首先，利用深度學習(Deep Learning, DL)來識別“拼圖塊”（即圖像、點雲和平面圖）中的局部不變特徵，然後，使用此特徵來註冊/組合拼圖。按照這個流程，我們的研究將(1)開發DL模型來識別看似隨機的跨模態特徵，(2)設計一種註冊演算法來逐步配准與上下文情景相關的缺陷特徵，以及(3)對所提出的方法進行原型開發並評估其性能。 該研究的理論貢獻在於創造性地將缺陷檢測和建模表述為LBR問題，代表了一種方法論上的突破。該研究豐富了建築檢測領域，並擴展了我們對DL如何從大量現實捕獲資料和設計圖中發現一致性特徵，進而實現建築缺陷情境化的認識。由此產生的缺陷資訊模型將提供高細微性的情境化資訊流，為定量建築病理學開闢新的可能性。從工程應用角度，所提出的方法提供了一種有效的建築物檢測工具，可用於日漸繁重的老舊社區檢測和城市體檢工作。 |
|||
| Research Outcome | ||||
| Layman's Summary of Completion Report: | Not yet submitted | |||
| SCREEN ID: SCRRM00542 |