建筑场景点云分割不确定性评估方法、系统及电子设备.pdf

《建筑场景点云分割不确定性评估方法、系统及电子设备.pdf》由会员分享，可在线阅读，更多相关《建筑场景点云分割不确定性评估方法、系统及电子设备.pdf（17页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410006781.9(22)申请日 2024.01.03(71)申请人 华中科技大学地址 430074 湖北省武汉市洪山区珞喻路1037号 申请人 中建三局第一建设工程有限责任公司(72)发明人 方伟立周炜鲁亦凡詹健江骆汉宾李磊张爽文江涛徐凯(74)专利代理机构 华中科技大学专利中心 42201专利代理师 张琪(51)Int.Cl.G06V 10/776(2022.01)G06T 7/136(2017.01)G06V 10/764(2022.01)(54)发明名称建筑场景点云分割不确定性评。

2、估方法、系统及电子设备(57)摘要本发明属于智能建造相关技术领域，其公开了一种建筑场景点云分割不确定性评估方法、系统及电子设备，其中方法包括：构建点云数据集，点云数据集包括训练数据集和验证数据集；利用训练数据集和验证数据集获取训练后的点云分割模型；利用点云分割模型对实际应用中的建筑场景进行点云分割，获取点云分割结果；根据点云分割结果获取分割出的任一建筑构件类别对应的熵值；根据任一建筑构件类别对应的熵值对该任一建筑构件类别的点云分割不确定性进行评估。本发明利用分割预测结果中建筑构件类别对应的熵值来反应分割预测结果的不确定性，利用熵值实现了对分割预测结果不确定性的量化，实现了无需预先标注数据对点云。

3、分割模型性能和可靠性进行评价。权利要求书2页 说明书11页 附图3页CN 117496309 A2024.02.02CN 117496309 A1.一种建筑场景点云分割不确定性评估方法，其特征在于，包括：模型离线训练阶段：S1，构建点云数据集，其中所述点云数据集包括训练数据集和验证数据集，所述点云数据集中的每条数据包括建筑场景的点云数据以及对应标注的建筑构件类别；S2，利用所述训练数据集和所述验证数据集获取训练优化后的点云分割模型；模型实际应用阶段：S3，利用所述点云分割模型对实际应用中的建筑场景进行点云分割，获取点云分割结果；S4，根据所述点云分割结果获取分割出的任一建筑构件类别对应的熵值；。

4、S5，根据任一建筑构件类别对应的熵值对该任一建筑构件类别的点云分割不确定性进行评估。2.如权利要求1所述的建筑场景点云分割不确定性评估方法，其特征在于，S1中所述点云数据集还包括测试数据集；相应的，S2之后、S5之前还包括：利用所述点云分割模型对所述测试数据集中的建筑场景进行点云分割预测，获取所述测试数据集的预测结果；根据所述测试数据集的预测结果，计算任一建筑构件类别对应的熵值和平均精度，建立任一建筑构件类别对应的熵值和平均精度之间的相互关系；根据任一建筑构件类别对应的熵值和平均精度之间的相互关系，确定对于任一建筑构件类别的熵阈值；相应的，S5具体包括：根据任一建筑构件类别对应的熵值以及熵阈值。

5、对该任一建筑构件类别的点云分割不确定性进行评估。3.如权利要求2所述的建筑场景点云分割不确定性评估方法，其特征在于，建立任一建筑构件类别对应的熵值和平均精度之间的相互关系，具体包括：利用所述点云分割模型对所述测试数据集中的任一建筑场景进行多次蒙特卡罗失活预测，获取所述测试数据集中的任一建筑场景的多个预测结果；根据所述测试数据集中的任一建筑场景的多个预测结果，计算获取任一预测结果中任一建筑构件类别对应的熵值；根据所述测试数据集中的任一建筑场景的多个预测结果，以及对应标注的建筑构件类别，计算获取任一预测结果中任一建筑构件类别对应的平均精度；根据所述测试数据集中所有建筑场景的所有预测结果，建立任一建。

6、筑构件类别对应的熵值和平均精度之间的相互关系。4.如权利要求2所述的建筑场景点云分割不确定性评估方法，其特征在于，S5具体包括：在任一建筑构件类别对应的熵值大于等于所述熵阈值时，采取外界干扰措施对点云分割结果进行去噪。5.如权利要求2所述的建筑场景点云分割不确定性评估方法，其特征在于，建立任一建筑构件类别对应的熵值和平均精度之间的相互关系，还包括：判断任一建筑构件类别对应的熵值和平均精度之间的负相关程度；在所述负相关程度小于预设程度时，对所述点云分割模型的模型参数进行调整。权利要求书1/2 页2CN 117496309 A26.如权利要求15中任一项所述的建筑场景点云分割不确定性评估方法，其特。

7、征在于，所述点云分割模型中的随机失活率参数设为0.20.5。7.如权利要求15中任一项所述的建筑场景点云分割不确定性评估方法，其特征在于，任一建筑构件类别对应的熵值，通过以下方式计算：；其中，表示所述点云分割模型第i次点云分割结果中对于建筑构件类别c的熵值；p（y =c|xj）表示给定第j个实例xj情况下，点云分割结果显示该实例归属于建筑构件类别c的置信度p；M为点云分割结果中分割出的实例中归属于建筑构件类别c的总数。8.如权利要求25中任一项所述的建筑场景点云分割不确定性评估方法，其特征在于，任一建筑构件类别对应的平均精度，根据精度召回率曲线下的面积得到，其中，精度（Precision）和召。

8、回率（Recall）通过以下方式计算：；其中，TP为真阳性样本，FP为假阳性样本，FN为假阴性样本，通过不同的交并比阈值进行判断。9.一种建筑场景点云分割不确定性评估系统，其特征在于，包括：数据集构建模块，用于构建点云数据集，其中所述点云数据集包括训练数据集和验证数据集，所述点云数据集中的每条数据包括建筑场景的点云数据以及对应标注的建筑构件类别；模型训练模块，用于利用所述训练数据集和所述验证数据集获取训练优化后的点云分割模型；点云分割模块，用于利用所述点云分割模型对实际应用中的建筑场景进行点云分割，获取点云分割结果；熵获取模块，用于根据所述点云分割结果获取分割出的任一建筑构件类别对应的熵值；评。

9、估模块，用于根据任一建筑构件类别对应的熵值对该任一建筑构件类别的点云分割不确定性进行评估。10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8中任一项所述建筑场景点云分割不确定性评估方法的步骤。权利要求书2/2 页3CN 117496309 A3建筑场景点云分割不确定性评估方法、系统及电子设备技术领域0001本发明属于智能建造相关技术领域，更具体地，涉及一种建筑场景点云分割不确定性评估方法、系统及电子设备。背景技术0002建筑几何质量测量主要是针对建筑工程验收规范中的实测实量工作。建筑几何质量的合。

10、规性，与设计值的偏差等是其中主要工作内容。目前，在实际现场工作中，建筑几何质量测量主要依赖人工测量，采用包括靠尺、塞尺在内的工具，存在准确性差，操作繁琐，测量结果不可复现等问题，亟待更为先进方法的应用。0003点云以其能够准确捕捉物体表面地形点的特点，在建筑测量领域得到广泛的研究和应用。点云是空间中点的数据集，包含着三维坐标，RGB色彩数据等丰富信息。而点云分割技术则是指根据空间、几何和纹理等信息，对原始点云进行分块划分，提取点云中的物体，从而增进对点云扫描场景的理解。点云分割技术目前已经在建筑、无人驾驶等诸多领域得到了广泛应用，并且已开始运用到建筑场景重建，建筑测量等众多工作中。其中，点云分。

11、割包括语义分割和实例分割两种类型，其中语义分割会为每一个点所属类别进行分类，但同一类别之间的对象不会加以区分。而实例分割除了对每个点所属类别进行划分，同一类别之间的对象也会加以区分。实例分割输出目标对象的掩码（Mask）以及所属类别。0004点云分割能够实现在点云场景中提取建筑构件的工作，例如房间顶板，底板，墙，窗户等，一方面，点云分割能够帮助人们加深对扫描场景的理解；另一方面，点云分割提取的构件也可以进一步应用建筑几何测量分析中，这将直接推动点云在建筑实测实量落地应用。这些应用包括但不局限于：通过提取的墙来计算墙的平整度、垂直度；通过提取窗洞来计算窗洞尺寸；通过提取的顶板和底板来计算户内净高。

12、等。0005但是，点云分割结果在实际应用当中存在无法进行直观评价的问题。通常，点云分割会采用深度学习（deep learning）模型，如点云网络（pointnet+），点云卷积（pointCNN）等模型。在模型训练和测试过程中，点云分割模型的表现会通过平均精度（Average Precision，AP），交并比（Interactionover Union，IoU）等定量指标反映，而这些指标的计算需要预先标注的数据。但是在实际应用中，由于没有预先标注的数据，使得无法利用平均精度，交并比等指标评估点云分割模型在实际应用中的性能。加之建筑环境具有非结构化和高度动态性的特点，这使得有必要采用一种方法。

13、来帮助人们在缺乏预先标注数据的情况下评估建筑点云分割模型的性能。发明内容0006针对现有技术的以上缺陷或改进需求，本发明提供了一种建筑场景点云分割不确定性评估方法、系统及电子设备，解决现有点云分割模型在实际建筑场景应用中没有预先标注数据以评价点云分割模型性能和可靠性的问题。0007为实现上述目的，按照本发明的第一方面，提供了一种建筑场景点云分割不确定说明书1/11 页4CN 117496309 A4性评估方法，包括：模型离线训练阶段：S1，构建点云数据集，其中所述点云数据集包括训练数据集和验证数据集，所述点云数据集中的每条数据包括建筑场景的点云数据以及对应标注的建筑构件类别；S2，利用所述训练。

14、数据集和所述验证数据集获取训练优化后的点云分割模型；模型实际应用阶段：S3，利用所述点云分割模型对实际应用中的建筑场景进行点云分割，获取点云分割结果；S4，根据所述点云分割结果获取分割出的任一建筑构件类别对应的熵值；S5，根据任一建筑构件类别对应的熵值对该任一建筑构件类别的点云分割不确定性进行评估。0008根据本发明提供的建筑场景点云分割不确定性评估方法，S1中所述点云数据集还包括测试数据集；相应的，S2之后、S5之前还包括：利用所述点云分割模型对所述测试数据集中的建筑场景进行点云分割预测，获取所述测试数据集的预测结果；根据所述测试数据集的预测结果，计算任一建筑构件类别对应的熵值和平均精度，建。

15、立任一建筑构件类别对应的熵值和平均精度之间的相互关系；根据任一建筑构件类别对应的熵值和平均精度之间的相互关系，确定对于任一建筑构件类别的熵阈值；相应的，S5具体包括：根据任一建筑构件类别对应的熵值以及熵阈值对该任一建筑构件类别的点云分割不确定性进行评估。0009根据本发明提供的建筑场景点云分割不确定性评估方法，建立任一建筑构件类别对应的熵值和平均精度之间的相互关系，具体包括：利用所述点云分割模型对所述测试数据集中的任一建筑场景进行多次蒙特卡罗失活预测，获取所述测试数据集中的任一建筑场景的多个预测结果；根据所述测试数据集中的任一建筑场景的多个预测结果，计算获取任一预测结果中任一建筑构件类别对应的。

16、熵值；根据所述测试数据集中的任一建筑场景的多个预测结果，以及对应标注的建筑构件类别，计算获取任一预测结果中任一建筑构件类别对应的平均精度；根据所述测试数据集中所有建筑场景的所有预测结果，建立任一建筑构件类别对应的熵值和平均精度之间的相互关系。0010根据本发明提供的建筑场景点云分割不确定性评估方法，S5具体包括：在任一建筑构件类别对应的熵值大于等于所述熵阈值时，采取外界干扰措施对点云分割结果进行去噪。0011根据本发明提供的建筑场景点云分割不确定性评估方法，建立任一建筑构件类别对应的熵值和平均精度之间的相互关系，还包括：判断任一建筑构件类别对应的熵值和平均精度之间的负相关程度；在所述负相关程度。

17、小于预设程度时，对所述点云分割模型的模型参数进行调整。0012根据本发明提供的建筑场景点云分割不确定性评估方法，所述点云分割模型中的说明书2/11 页5CN 117496309 A5随机失活率参数设为0.20.5。0013根据本发明提供的建筑场景点云分割不确定性评估方法，任一建筑构件类别对应的熵值，通过以下方式计算：；其中，表示所述点云分割模型第i次点云分割结果中对于建筑构件类别c的熵值；p（y =c|xj）表示给定第j个实例xj情况下，点云分割结果显示该实例归属于建筑构件类别c的置信度p；M为点云分割结果中分割出的实例中归属于建筑构件类别c的总数。0014根据本发明提供的建筑场景点云分割不确。

18、定性评估方法，任一建筑构件类别对应的平均精度，根据精度召回率曲线下的面积得到，其中，精度（Precision）和召回率（Recall）通过以下方式计算：；其中，TP为真阳性样本，FP为假阳性样本，FN为假阴性样本，通过不同的交并比阈值进行判断。0015按照本发明的第二方面，提供了一种建筑场景点云分割不确定性评估系统，包括：数据集构建模块，用于构建点云数据集，其中所述点云数据集包括训练数据集和验证数据集，所述点云数据集中的每条数据包括建筑场景的点云数据以及对应标注的建筑构件类别；模型训练模块，用于利用所述训练数据集和所述验证数据集获取训练优化后的点云分割模型；点云分割模块，用于利用所述点云分割模。

19、型对实际应用中的建筑场景进行点云分割，获取点云分割结果；熵获取模块，用于根据所述点云分割结果获取分割出的任一建筑构件类别对应的熵值；评估模块，用于根据任一建筑构件类别对应的熵值对该任一建筑构件类别的点云分割不确定性进行评估。0016按照本发明的第三方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述建筑场景点云分割不确定性评估方法的步骤。0017总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的建筑场景点云分割不确定性评估方法、系统及电子设备：1.提出利用点云分割模型分割预测结果中建筑。

20、构件类别对应的熵值来反应点云分割预测结果的不确定性，由于熵值和平均精度之间存在负相关关系，因此利用熵值能一定程度上反应预测平均精度，能够用于对预测不确定性进行评估，本发明利用熵值实现了对分割预测结果不确定性的量化，实现了无需预先标注数据对点云分割模型性能和可靠性进行评价；说明书3/11 页6CN 117496309 A62.提出可通过对测试数据集的预测结果以及标注数据，获取任一建筑构件类别的熵值和预测平均精度之间的相互关系，熵直接表示预测结果的不确定性，平均精度直接表示点云分割模型在该建筑构件类别预测性能的好坏，通过建立相互关系，实现通过不确定性来间接判断模型在该建筑构件类别上预测性能的好坏；。

21、根据平均精度和熵的关系可以设置可接受的熵阈值，以便直接将预测结果的熵用作评估模型性能；3.提出通过蒙特卡罗随机失活可对任一建筑场景随机获取多个不同的预测结果，根据每个预测结果可获取预测结果中任一建筑构件类别的熵值和预测平均精度，通过蒙特卡罗随机失活能够较好捕捉点云分割模型预测结果的不确定性，获取对于任一建筑构件类别较多的熵值和平均精度对应数据，从而有利于较准确完整的建立熵值和平均精度之间的相互关系，提高利用熵值来反应点云分割模型预测性能的准确度；4.本发明提供了在实际应用过程中评价点云分割模型分割效果的方法，为点云分割模型技术落地提供了有力支撑；能够有效增进对模型的理解，增进对此类人工智能模型。

22、的信任度；为控制点云分割结果的质量提供了依据，指导在分割结果不确定性过大时，引入外界干预来优化分割结果。附图说明0018图1是本发明提供的建筑场景点云分割不确定性评估方法的流程图。0019图2是本发明提供的建筑场景点云分割不确定性评估方法在具体实施例中的整体流程图。0020图3是本发明提供的基于蒙特卡罗随机失活的流程图。0021图4是本发明提供的根据熵阈值进行点云分割模型分割结果控制的流程图。0022图5是本发明提供的电子设备的示意图。具体实施方式0023为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解。

23、释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。0024请参阅图1，本发明提供一种建筑场景点云分割不确定性评估方法，该方法包括：模型离线训练阶段：S1，构建点云数据集，其中所述点云数据集包括训练数据集和验证数据集，所述点云数据集中的每条数据包括建筑场景的点云数据以及对应标注的建筑构件类别；即点云数据集中的数据是带有实际结果标注的点云场景数据；S2，利用所述训练数据集和所述验证数据集获取训练优化后的点云分割模型；模型实际应用阶段：S3，利用所述点云分割模型对实际应用中的建筑场景进行点云分割，获取点云分割结果；S4，根据所。

24、述点云分割结果获取分割出的任一建筑构件类别对应的熵值；S5，根据任一建筑构件类别对应的熵值对该任一建筑构件类别的点云分割不确定说明书4/11 页7CN 117496309 A7性进行评估。0025本实施例中提出将点云分割模型分割预测结果的不确定性通过点云分割模型预测结果的熵进行量化，由于预测结果的平均精度随着预测结果中熵的增加而减少。因此，可通过熵在一定程度上反应预测结果的平均精度，通过熵对预测结果的不确定性进行量化。同时，熵的计算不需要预先标注数据，但却能反映点云分割模型的性能和可靠性。0026本发明提供的建筑场景点云分割不确定性评估方法，采用带有标注的建筑场景点云数据来训练优化点云分割模型。

25、，该点云分割模型在实际建筑场景应用中具有较好的适应性；提出利用点云分割模型分割预测结果中建筑构件类别对应的熵值来反应点云分割预测结果的不确定性，由于熵值和平均精度之间存在负相关关系，因此利用熵值能一定程度上反应预测平均精度，能够用于对预测不确定性进行评估，本发明利用熵值实现了对分割预测结果不确定性的量化，实现了无需预先标注数据对点云分割模型性能和可靠性进行评价。0027本发明提供了在实际应用过程中评价点云分割模型分割效果的方法，为点云分割模型技术落地提供了有力支撑；能够有效增进对模型的理解，增进对此类人工智能模型的信任度；为控制点云分割结果的质量提供了依据，指导在分割结果不确定性过大时，引入外。

26、界干预来优化分割结果。0028进一步地，S1中所述点云数据集还包括测试数据集；相应的，S2之后、S5之前还包括：利用所述点云分割模型对所述测试数据集中的建筑场景进行点云分割预测，获取所述测试数据集的预测结果；根据所述测试数据集的预测结果，计算任一建筑构件类别对应的熵值和平均精度，建立任一建筑构件类别对应的熵值和平均精度之间的相互关系；根据任一建筑构件类别对应的熵值和平均精度之间的相互关系，确定对于任一建筑构件类别的熵阈值；相应的，S5具体包括：根据任一建筑构件类别对应的熵值以及熵阈值对该任一建筑构件类别的点云分割不确定性进行评估。0029即本实施例提出可通过对测试数据集的预测结果以及标注数据，。

27、获取任一建筑构件类别的熵值和预测平均精度之间的相互关系，熵直接表示预测结果的不确定性，平均精度直接表示点云分割模型在该建筑构件类别预测性能的好坏。通过建立相互关系，实现通过不确定性来间接判断模型在该建筑构件类别上预测性能的好坏，实现通过无需预先数据标注来反应点云分割模型的预测性能。根据平均精度和熵的关系可以设置可接受的熵阈值，以便直接将预测结果的熵用作评估模型性能。同时，可以根据预测结果的熵确定是否需要手动去除噪声。0030在一个具体实施例中，建立任一建筑构件类别对应的熵值和平均精度之间的相互关系，具体包括：利用所述点云分割模型对所述测试数据集中的任一建筑场景进行多次蒙特卡罗失活预测，获取所述。

28、测试数据集中的任一建筑场景的多个预测结果；根据所述测试数据集中的任一建筑场景的多个预测结果，计算获取任一预测结果中任一建筑构件类别对应的熵值；说明书5/11 页8CN 117496309 A8根据所述测试数据集中的任一建筑场景的多个预测结果，以及对应标注的建筑构件类别，计算获取任一预测结果中任一建筑构件类别对应的平均精度；根据所述测试数据集中所有建筑场景的所有预测结果，建立任一建筑构件类别对应的熵值和平均精度之间的相互关系。即将所有建筑场景的所有预测结果中，属于同一建筑构件类别的熵值和平均精度对应数据集合起来，获取该建筑构件类别的熵值和平均精度之间的相互关系。0031本实施例提出通过蒙特卡罗随。

29、机失活可对任一建筑场景随机获取多个不同的预测结果，根据每个预测结果可获取预测结果中任一建筑构件类别的熵值和预测平均精度，通过蒙特卡罗随机失活能够较好捕捉点云分割模型预测结果的不确定性，获取对于任一建筑构件类别较多的熵值和平均精度对应数据，从而有利于较准确完整的建立熵值和平均精度之间的相互关系，提高利用熵值来反应点云分割模型预测性能的准确度。0032在一些具体实施例中，考虑到在建筑实测实量领域，为了实现利用点云来精确测量房屋尺寸，建筑构件尺寸等目标，需要利用点云分割技术来实现建筑构件的提取，从而进一步在指定建筑构件上完成测量目标的检测。然而，点云分割模型的实际应用和模型的训练测试不同。在实际应用。

30、中，模型可能无法精确分割构件，但同时也没有直观的指标能够提示模型分割效果如何，这对模型分割出的构件进行进一步精确测量带来了阻碍。为了帮助评价在实际建筑场景下使用的点云分割模型表现，方便在必要的时候对点云分割的建筑构件结果进行人工去噪，本实施例提出了一种用于建筑几何质量检测的点云分割不确定性评价与控制方法。0033由此，本实施例为有效实现点云分割在建筑几何质量检测方面应用，而采取的基于点云分割预测结果不确定性量化的，针对建筑构件点云分割效果的评价和控制方法。该用于建筑几何质量检测的点云分割不确定性评价与控制方法重点在于：捕捉并量化点云实例分割结果的不确定性；利用不确定性对点云实例分割效果进行评价。

31、；对预测结果不确定性过高的分割结果进行外界干预，以进一步提高分割构件的准确性。0034参考图2，一种用于建筑几何质量检测的点云分割不确定性评价与控制方法，该方法包括下列步骤：（1）建筑构件点云数据收集及预处理：采集建筑构件点云数据，根据构件类别对采集数据进行标签标注，并进行训练数据集，验证数据集和测试数据集划分；其中数据采集，更具体的：采用三维激光扫描仪对建筑场景现场进行扫描以获得点云数据，并将已经获得的点云数据进行拼接以及必要的文件格式转换，形成.PCD文件，便于后续输入点云分割模型中对模型进行训练。0035数据预处理，更具体的：对属于不同建筑构件类别的点云数据进行标签标注，本实施例中建筑构。

32、件包括11个类别：纯平面墙，带窗洞墙，带门洞墙，带窗和门洞墙，顶板，底板，窗户，门，建筑垃圾，洗手台，噪点。并对获得的数据集进行测试数据集，验证数据集与训练数据集的划分。同时，采用数据增强的方法增加可用于训练的点云数据数量，即扩充训练数据集中的数据量。0036（2）点云分割模型训练和参数优化：采用点云分割模型f（）在训练数据集和验证数据集上进行模型训练和参数优化，以获得在所有建筑构件类别上平均精度(mAP)较高的说明书6/11 页9CN 117496309 A9模型；进一步地，所属点云实例分割模型f（）可以采用基于体素（Voxelbased）或者基于像素级（Pixellevel）的模型。其中，。

33、基于体素点云实例分割网络会输出每个体素属于哪个实例掩码（mask），以及掩码所属语义类别的概率或者置信度分数p；同样，基于像素级的点云实例分割模型直接在点云的每个点上进行建模和分析，模型会为每个点属于哪个实例的掩码（mask），并给该掩码所属语义类别分配一个置信度分数p。0037在一个具体实施例中，作为进一步优选地，采用基于体素的点云实例分割网络掩码三维模型（Mask3D）作为实施例中的模型。基于掩码三维模型（Mask3D）网络的点云分割模型f（）对已获得的测试数据集与训练数据集进行模型训练及优化，从而获得在所有建筑构件类别上平均精度（mAP）较高的模型。0038进 一步地，所述 掩 码三维 。

34、模型（Ma s k3 D）是第 一个 基于自 注意力 模型（transformer）的点云分割模型。它由特征提取模块（Feature Extractor）和解码器（Decoder）模块组成，可用于实例分割和语义分割。所述参数优化是指对掩码三维模型（Mask3D）网络的解码器（Decoder）深度和随机失活参数（dropout）进行优化和调整，以使点云分割模型在保证良好分割性能的前提下，不确定性与模型分割性能的相关性更强。0039掩码三维模型（Mask3D）输入为点云体素，所述点云体素是将点云数据转化为三维空间中规则的立方体单元，便于后续处理与分析。掩码三维模型（Mask3D）输出为输出第i次运。

35、行中分割实例的置信度分数。所述的第i次运行中分割实例的置信度分数是指：基于主要语义类别查询的归一化指数函数（softmax）输出cc1（cc10，1）与基于掩码的置信度mk相乘：；其中，mi 0，1是单次查询时第i个体素的实例掩码置信度；M是点云数据划分的体素数量。0040进一步地，修改掩码三维模型（Mask3D）的随机失活率参数设置为0.20.5，例如可为0.2；掩码三维模型（Mask3D）使用基于闵可夫斯基引擎（MinkowskiEngine）的稀疏卷积U型主干网络（Unet）对体素进行特征提取；给定特定个实例查询的集合，掩码三维模型（Mask3D）会输出对应的二进制掩码；用归一化指数函数。

36、（softmax）预测单个实例的语义标签；将单个查询的第i个体素的实例掩码置信度与对应的归一化指数函数（softmax）的输出相乘获得置信度得分p。0041本实施例中随机失活率设置范围在（0，1）内，且不为0或者1。失活率参数的设置一是可以降低模型复杂度，二是实现蒙特卡罗失活方法的必要步骤，三是随机失活率设置影响模型不确定性和模型表现之间关系的强弱。0042基于闵可夫斯基引擎（MinkowskiEngine）的稀疏卷积将点云体素表示成坐标矩阵和特征矩阵两部分，主干网络将带颜色的点变成体素，每个体素被分配该体素内点的平均 RGB 颜色作为其初始特征。在本发明的一个实施例中，U型主干网络（Unet。

37、）提取输入点云体素的多分辨率层次特征，多分辨率特征和全分辨率特征在自注意力模型（Transformer）解码器块中进一步处理。0043（3）蒙特卡罗随机失活捕捉模型预测结果不确定性：利用训练优化后的点云分割模型f（）在测试数据集中的给定点云场景下进行N次蒙特卡罗失活（Monte Carlo 说明书7/11 页10CN 117496309 A10Dropout，MCdropout）预测，从而获取给定点云场景下经过随机失活输出的N个蒙特卡罗样本（Monte Carlo sample,MCsample），所述蒙特卡罗样本即给定点云场景下的预测结果；蒙特卡罗失活会在测试阶段激活点云分割模型f（）的随机。

38、失活功能。由于在第i（i0，N）次随机失活过程中，模型f（）会随机忽略不同的神经元，即随机调整模型中权重参数i，因此点云分割模型针对同一给定点云场景也会输出不同的预测结果。0044所述预测结果（即蒙特卡罗样本）包含点云分割模型对分割出的每个实例（以j表示第j个实例），其归属建筑构件类别的置信度。所述归属建筑构件类别的置信度Pji是指在所有建筑构件类别中，分割的实例归属于某个建筑构件类别c的最大概率Pji=argmaxcpji，其中i0，N，c为建筑构件类别。0045具体地，将训练好的点云分割模型f（）运用到测试数据集上，采用蒙特卡罗随机失活，在测试过程中保持随机失活函数处于激活状态，获取给定建。

39、筑点云场景下经过随机失活输出的N个蒙特卡罗样本，更具体的：在一次蒙特卡罗随机失活过程中，给定测试集中某一建筑场景下的点云数据X，f（）为训练完成的掩码三维模型，而表示模型可学习参数。掩码三维模型（Mask3D）会输出分割实例属于某一语义类别的置信度Pji，（i0，N），其中N表示蒙特卡罗随机失活的次数，j表示模型预测出的第j个实例掩码。0046Pji=f（X，i()）；进一步地，对于每个给定房间即建筑场景的点云数据，可应用蒙特卡罗随机失活20次（N=20），以获得同一建筑点云场景下不同的实例分割结果。0047（4）基于熵量化，绘制预测结果不确定性：针对每次随机失活输出的蒙特卡罗样本，利用熵将蒙。

40、特卡罗样本中每个建筑构件类别预测的不确定性进行量化，获取不确定性与每个建筑构件类别平均精度的关系图。0048所述利用熵将蒙特卡罗样本中每个建筑构件类别预测的不确定性进行量化是指，将蒙特卡罗样本中，利用归属于同一建筑构件类别的所有实例的置信度P计算该建筑构件类别预测的熵，以此量化该建筑构件类别预测的不确定性。熵的计算采用下式：Entropy=PlogP；进一步地，平均精度根据精度（Precision）召回率（Recall）曲线（即PR曲线）下的面积得到。其中，精度和召回率的计算公式分别为：Precesion=TP/(TP +FP)；Recall=TP/(TP +FN)；其中，TP为真阳性样本，F。

41、P为假阳性样本，FN为假阴性样本，通过不同的交并比阈值进行判断。0049进一步地，不确定性与每个建筑构件类别平均精度的关系图中，横坐标是蒙特卡罗样本中每个建筑构件类别的熵，纵坐标是每个建筑构件类别的平均精度。熵直接表示预测结果的不确定性，平均精度直接表示模型在该构件类别预测性能的好坏。通过建立关系图，实现通过不确定性来间接判断模型在该建筑构件类别上预测性能的好坏。0050如图3所示，用熵分别对给定建筑点云场景X下的各个蒙特卡罗样本中的每个建筑构件类别预测的不确定性进行量化，并与模型在每个建筑构件类别表现的平均精度形成关系图，并进一步绘制出蒙特卡罗样本中每个建筑构件类别预测结果熵的范围。该范围可。

42、以说明书8/11 页11CN 117496309 A11体现在给定建筑点云场景X下，模型在该建筑构件类别上的预测表现。0051为了实现上述步骤，对蒙特卡罗样本中归属每个建筑构件类别的所有实例的置信度分数进行计算获得熵，从而达到量化预测不确定性的目的。对于建筑构件类别c，其第i次蒙特卡罗随机失活预测结果的熵Entropyci表示为：；其中，p（y=c|xj）表示给定第j个实例xj情况下，模型预测结果显示该实例归属于建筑构件类别c的置信度p；M为点云分割结果中分割出的实例中归属于建筑构件类别c的总数。0052掩码三维模型（Mask3D）在测试集上的预测表现用平均精度表示，并将熵与每个建筑构件类别平。

43、均精度的关系图进行绘制，从而确定点云分割的质量控制阈值。0053具体地，平均精度采用AP25指标，AP25表示它是使用 0.25（25%）的交并比阈值来测量的平均精度。这个阈值相对宽松，可以考虑与地面实况对象重叠度较低的检测结果。0054进一步地，熵与每个建筑构件类别平均精度形成的关系图是将每个建筑构件类别平均精度作为纵坐标，熵作为横坐标，以获得熵与平均精度的关系图，从而通过熵值评价点云分割结果。建立任一建筑构件类别对应的熵值和平均精度之间的相互关系，还包括：判断任一建筑构件类别对应的熵值和平均精度之间的负相关程度；在所述负相关程度小于预设程度时，对所述点云分割模型的模型参数进行调整。0055。

44、由于熵与平均精度理论上应呈现负相关关系，即相关关系r1，0。当该相关关系不明显时，具体可在r0.4，0时，可以调整点云分割模型的随机失活参数、模型特征提取网络深度、模型解码器数量或者调整应用的颗粒度，将预测从基于体素调整到基于像素级别。0056进一步地，所述进一步绘制某类建筑构件预测结果熵的范围是指，以给定建筑点云场景X下，该类建筑构件所有预测结果的平均值作为中心点，并分别以平均精度标准差的3倍和熵标准差的3倍为椭圆的高和宽在坐标轴上绘制一个椭圆。该椭圆中心、宽度、高度可以体现点云分割模型在该类构件上的预测表现。中心离纵坐标（表示平均精度）越远，宽度越大，高越大，预测的结果越不稳定，精确度波动。

45、越大，可靠性也越低，更加需要施加外界干预来调整分割结果。0057（5）模型分割结果控制：通过熵平均精度关系图，设定可接受的熵阈值。并根据熵阈值评价点云分割模型在实际应用中的预测结果是否符合要求，以实现点云分割模型在实际应用中分割效果的控制。对不符合要求的分割结果通过外界干预改善。0058所述分割效果的控制是指，在任一建筑构件类别对应的熵值大于等于所述熵阈值时，采取外界干扰措施对点云分割结果进行去噪。即对点云分割模型熵过大的预测结果采用外界干预措施，来去除分割结果中的噪点。0059进一步地，根据熵和平均精度之间的相互关系，可拟合获取二者的关系曲线。具体地，根据关系曲线对熵设定不确定性的质量控制阈。

46、值（thres），通过平均精度AP=0.8确定对应的横坐标熵阈值。当输出结果的熵超过质量控制阈值（thres）时，将进行外部干预，对分割结果进行进一步降噪。点云分割结果控制流程如图4所示。0060本发明还提供了一种建筑场景点云分割不确定性评估系统，该系统用于实现上述任一项实施例所述的建筑场景点云分割不确定性评估方法，该系统可与上述方法对应参照说明书9/11 页12CN 117496309 A12理解，该系统包括：数据集构建模块，用于构建点云数据集，其中所述点云数据集包括训练数据集和验证数据集，所述点云数据集中的每条数据包括建筑场景的点云数据以及对应标注的建筑构件类别；模型训练模块，用于利用所述。

47、训练数据集和所述验证数据集获取训练优化后的点云分割模型；点云分割模块，用于利用所述点云分割模型对实际应用中的建筑场景进行点云分割，获取点云分割结果；熵获取模块，用于根据所述点云分割结果获取分割出的任一建筑构件类别对应的熵值；评估模块，用于根据任一建筑构件类别对应的熵值对该任一建筑构件类别的点云分割不确定性进行评估。0061进一步地，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项实施例所述建筑场景点云分割不确定性评估方法的步骤。0062进一步地，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机。

48、程序，所述计算机程序被处理器执行时实现如上述任一项实施例所述建筑场景点云分割不确定性评估方法的步骤。0063图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器（processor）、通信接口（Communications Interface）、存储器（memory）和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的逻辑指令，以执行建筑场景点云分割不确定性评估方法。0064此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的。

49、技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，ReadOnly Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。0065另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指。

50、令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的建筑场景点云分割不确定性评估方法。0066以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。说明书10/11 页13CN 117496309 A130067通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用。