盈建科YJK-Revit双向数据转换接口详解

需积分: 9 0 下载量 153 浏览量 更新于2024-07-21 收藏 9.87MB PDF 举报
"盈建科结构设计软件系统通过REGIT数据转换接口实现了与Autodesk Revit的双向数据转换,解决了结构专业在BIM应用中的协同难题。该接口基于Revit API进行二次开发,能处理复杂模型,包括特殊截面、斜构件、跃层结构等,并具备强大的纠错机制,适合大规模模型的转换。转换过程包括YJK模型导出数据、启动Revit导入数据以及在Revit中应用转换结果,如生成立、剖面图和构件统计。通过多个复杂模型转换实例,如老虎窗屋顶、塔状模型、桥梁模型和大型展馆,展示了接口在实际项目中的高效应用。" 详细说明: "REGIT数据转换"是一个专为结构设计软件YJK和Autodesk Revit之间构建的数据接口,目的是实现两个软件之间的数据双向互转,消除结构专业在BIM(建筑信息模型)流程中的信息孤岛。Revit是一款广泛使用的建筑信息建模工具,而YJK则专注于结构设计。由于国内BIM技术的快速发展,结构计算模型与设计模型的协同成为了一个挑战,盈建科软件以用户需求为导向,开发了此数据转换接口。 接口利用Revit的API进行二次开发,适应Revit Structure 2012版本,作为Revit的一个插件运行。它创建与结构计算模型截面一致的参数族,自动调整模型规则,确保两平台间的数据一致性。在转换过程中,接口能处理各种复杂情况,例如特殊截面(如复杂截面柱、梁)、斜撑、斜柱、斜梁、斜板、跃层构件、层间梁、剪力墙、墙洞、楼板、板洞、弧墙和弧梁。此外,接口还具备良好的纠错机制,能自动处理模型截面重复定义、翼缘长度为零、复杂相交关系、偏心、偏轴等问题,即使在处理大量高层模型时也能保持高效。 数据转换步骤分为三步:首先,用户在YJK启动页面选择模型文件并导出数据;其次,启动Revit并导入生成的数据文件;最后,用户可以选择转换的构件和楼层,对于复杂模型可以分次或按楼层导入。转换完成后,用户可以在Revit中进一步操作,如生成立面和剖面图,进行构件统计,以验证和利用转换结果。 通过一系列复杂模型转换实例,如老虎窗屋顶、塔状结构、桥梁模型和大型展馆等,展示了接口在实际工程项目的实用性。这些实例证明了REGIT数据转换接口能够有效地将YJK的结构设计模型转换为Revit的建筑信息模型,实现了结构专业在BIM环境中的无缝协作。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R