材料分类是任何基于视觉的自动化施工进度监控系统或生成语义丰富的已建3D模型的重要组成部分。除了以点云模型形式的三维几何信息外，这些任务还需要识别建筑元素的额外语义信息，如建筑材料和互连性。在材料的情况下，这些信息主要可以从二维图像中包含的基于外观的数据中获得。

目前最先进的自动监控施工进度或生成建筑信息模型(BIM)的方法主要集中在使用激光扫描仪或基于图像的三维重建方法来生成三维点云模型[1]、[2]、[3]、[4]、[5]、[6]、[7]、[8]、[9]、[10]、[11]、[12]、[13]。这些方法可以生成生成BIM所需的几何信息[13]。然而，为了生成语义丰富的模型，除了几何信息之外，还需要从收集的数据中提取元素之间的材料和空间关系/互联性(例如，一根梁由一根柱支撑)。在本文中，我们主要关注物料自动分类问题。自动材料分类(在计算机视觉文献中与识别交替使用的术语)不仅有助于获得施工进度监控所需的基于外观的数据，而且还有助于对元素进行分割，以便对语义丰富的已建成3D模型进行自动建模。下面就BIM自动生成的整体流程、施工进度监控的流程、物料识别的需求等进行详细的探讨。接下来，回顾了建筑/工程/施工(AEC)和计算机视觉社区中最先进的材料分类技术，并介绍了它们的局限性。基于最先进的纹理识别方法，提出了一种基于视觉的AEC行业纹理识别方法，并伴随着详尽的验证实验，以测试其在特征提取，聚类和学习等各个方面的性能。还介绍了一个全面的数据集和一套验证方法，可用于未来算法的开发和基准测试。以开放研究挑战的形式提出了所提出方法的感知好处和局限性。详细的性能数据、实验和验证代码、基准测试数据集以及所提出的基于视觉的方法的额外补充材料可以在

部分片段

自动化施工进度监控和建筑信息建模

建成环境的3D建模被AEC行业用于各种工程分析场景。重要的应用包括施工现场的进度监控、制造和现场装配的质量控制、能源绩效评估和结构完整性评估。建模过程主要包括三个连续步骤[11]、[13]:数据收集、建模和分析。在目前的实践中，这些步骤是由测量员手动执行的，

计算机视觉中的材料和纹理识别

从场景中提取语义信息的需求产生了两个主要的计算机视觉研究重点:物体识别和材料识别。尽管近年来物体识别方法取得了重大进展[36]，但它们往往依赖于材料不变性特征，而忽略了材料特异性。虽然一个物体的视觉特征在某种程度上是其材料类别的函数，但不同类别的物体可以由相同的材料制成

建议的材料识别方法

我们提出的基于图像的材料识别算法基于滤波器响应的统计分布，以图像的基本形式(如边缘、斑点、波浪和色调-饱和度值(HSV)颜色值)为基础，并分为两个阶段:学习和分类。滤波器响应的统计分布已被证明是纹理识别的一个很好的描述符。选择与[等类似的颜色值的主要原因是

数据收集和实验设置

由于缺乏在现实世界条件下对材料识别算法性能进行基准测试的现有数据集，因此有必要创建一个新的综合建筑材料库(CML)，以识别在各种建成环境中记录的大量材料类型。此数据集用于训练和测试目的，以便可以将其发布给社区，以进一步开发和验证新算法。为此，我们

实验结果

实验t

本文标签： # 材料分类检测