买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利基于三维云模型的大型建筑工程施工质量管理方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119963036B 。

龙图腾网通过国家知识产权局官网在2025-10-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510042998.X，技术领域涉及：G06Q10/0639；该发明授权基于三维云模型的大型建筑工程施工质量管理方法是由李佳朋;马义红;凌媛;孙艺舟;李金凌;赵登峰设计研发完成，并于2025-01-10向国家知识产权局提交的专利申请。

本基于三维云模型的大型建筑工程施工质量管理方法在说明书摘要公布了：本发明公开了基于三维云模型的大型建筑工程施工质量管理方法，涉及建筑工程技术领域，包括以下步骤：使用采集设备对建筑施工现场进行高精度三维点云数据采集，并通过自动化的数据融合算法对不同设备采集的数据进行整合，确保数据的全面性与高精度。本发明通过多设备同步采集与数据融合技术，实时获取高精度三维点云数据，精准监测隐蔽区域，避免传统检查遗漏。数据预处理与增强确保点云完整性与高分辨率，及时发现微小偏差，提升施工质量控制精度，降低返工风险。同时，数据驱动的管理系统动态捕捉施工变化，生成偏差报告并推送整改，闭环反馈确保问题彻底解决，显著提高施工质量管理效率。

本发明授权基于三维云模型的大型建筑工程施工质量管理方法在权利要求书中公布了：1.基于三维云模型的大型建筑工程施工质量管理方法，其特征在于，包括以下步骤： 使用采集设备对建筑施工现场进行高精度三维点云数据采集，并通过自动化的数据融合算法对不同设备采集的数据进行整合，确保数据的全面性与高精度； 对所采集的三维点云数据进行预处理，去除异常数据和噪声，并利用多视角重建技术填补缺失区域，通过数据增强技术提升点云数据的分辨率和密度，确保关键区域的质量监测不受影响； 基于处理后的三维点云数据，构建建筑结构的三维数字化模型，并与施工设计图纸进行对比分析，发现施工中的偏差和不符合项，对隐蔽区域进行重点检测，确保潜在的质量隐患被及时识别； 在建筑施工过程中，利用实时监测和数据分析算法，对施工现场的三维点云数据进行动态更新，及时捕捉施工过程中的质量偏差，结合施工进度进行对比分析，实现实时预警和远程管理； 利用深度学习和机器学习算法对动态更新后的三维点云数据进行智能分析，自动识别并评估隐蔽区域中出现的微小结构缺陷及偏差，并生成详细的风险报告，供施工人员及时采取补救措施，防止潜在的结构安全隐患； 在建筑施工过程中，利用实时监测和数据分析算法，对施工现场的三维点云数据进行动态更新，及时捕捉施工过程中的质量偏差，结合施工进度进行对比分析，实现实时预警和远程管理具体步骤如下： 在施工现场，利用实时监测设备对施工进度进行连续的数据采集，这些设备通过定时采集点云数据，不断更新施工现场的三维模型，以捕捉施工过程中的变化和质量偏差，将每次采集的数据与前一时刻的数据进行对比，得到动态更新的三维点云数据，更新过程表达式如下：，式中，是表示时间点时刻的点云数据，是数据变化量，是更新后的三维点云数据； 通过动态更新的点云数据，与施工设计图纸进行对比，识别施工过程中的偏差，偏差检测不仅涉及几何形态的变化，还需要考虑施工进度，结合施工进度来进行实时的偏差检测，计算表达式如下： ，式中，是更新后的第个点云数据点，是对应施工设计图纸中的第个数据点，是数据点总数，是时间点时刻的总体偏差； 在偏差检测的基础上，结合施工进度和质量控制标准，使用风险评估模型对施工过程进行实时风险评估，若检测到某个施工区域的偏差超出了预设的容忍阈值，则启动预警机制，通知施工团队和远程管理人员，风险评估计算表达式如下： ，式中，是时间点时刻的施工风险指数，是当前施工进度，是最大施工进度，是预设的施工计划中的进度目标，是动态调整系数，是进度偏差加权系数； 最后，所有的偏差、风险评估和施工进度数据都将被汇总至远程管理平台，结合施工进度和实时风险评估，平台自动生成预警报告，提供建议性的修正措施，并协助项目经理进行后续决策，远程管理决策支持公式如下：，式中，是决策支持值，是项目管理的优先级参数； 利用深度学习和机器学习算法对动态更新后的三维点云数据进行智能分析，生成详细的风险报告，供施工人员及时采取补救措施，防止潜在的结构安全隐患的计算步骤如下： 在进行深度学习和机器学习分析之前，首先需要对动态更新后的三维点云数据进行预处理，并提取出有效的特征信息，使用统计分析方法对点云数据进行去噪，并通过K-means聚类算法对数据进行分割，提取出隐蔽区域的特征，设点云数据表示为，其中，点是三维空间中的一个点，是点云数据中的点总数，利用统计方法确定点云的密度表达式如下： ，式中，是点的密度，衡量目标点周围点云的稠密度，是数据集中第个点的位置，表示，是距离的权重函数； 利用深度学习算法对经过预处理的点云数据进行训练，自动识别并学习隐蔽区域中的微小结构缺陷与偏差，使用卷积神经网络对点云数据进行空间特征提取，并结合自注意力机制来处理隐蔽区域中存在的微小结构变化，深度学习模型的训练通过反向传播优化损失函数，以达到最优的缺陷检测效果，训练过程定义为： ，式中，是数据集大小，是数据集中第个点的真实标签，是深度学习模型中所有训练参数的集合，是总损失函数，是所有点预测误差的加权总和； 在识别到潜在的缺陷和偏差后，利用机器学习算法对检测出的缺陷进行分类，并评估其对整体结构安全的影响，基于训练得到的模型，结合每个缺陷的严重性、位置和周围环境，生成风险评分，计算表达式如下： ，式中，是风险评分，是点云数据点的权重系数，第个点所对应的权重系数，是点云数据点的存在性指示函数，是点云数据点的影响因子，表示第个点的影响因子，是设计图纸中预定的点的位置，是点的偏差，表示第个点与其设计位置之间的距离； 最后，根据风险评估结果，生成详细的风险报告，报告内容包括每个隐蔽区域的缺陷类型、位置、偏差程度以及对整体建筑结构带来的风险，风险报告的生成公式如下： ，式中，是风险报告，是第个缺陷的风险评分，是预设的风险阈值，是第个缺陷的预测类型，是缺陷总数量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230000 安徽省合肥市屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。