摘要：BIM模型作为工程项目信息的载体,拥有大量的数据,使其对计算机的要求过高,影响了项目管理协作效率,因此亟需对模型进行轻量化处理。本文对BIM模型轻量化的关键技术以及流程进行了详细分析。利用基于WebGL的BIM模型轻量化技术,对三维信息模型进行轻量化处理,降低使用时对计算机硬件的要求,使BIM模型更加具有普适性,对BIM模型在设计、施工和后续运维阶段的管理中的应用具有重要意义。

摘要：目前,国内对建筑信息模型(BIM)在项目中的应用需求越发迫切,数据冗杂的BIM大体量模型严重制约着BIM技术在实际应用中的使用。大体量BIM模型在展示过程中会遇到加载缓慢、显示卡顿的问题。为此,提出搭建BIM轻量化体系,通过自主研发的BIM仿真系统平台,为大体量BIM模型提供审阅浏览平台。采用几何简化算法、渲染优化算法、文件格式优化及数据结构设计4种方法对BIM轻量化体系进行搭建。对BIM模型三角面使用边折叠算法进行优化,根据多源异构数据的模型设计相应的文件格式和数据结构,在渲染层面上,自主研究并实现使用PagedLOD技术与几何简化模型结合、剔除与绘制双线程方法、批次绘制渲染优化技术,完成BIM轻量化体系的初步搭建工作并于平台中验证。实例验证效果显示:轻量化方法体系的应用使平台达到了快速加载大体量BIM模型并流畅展示的目标,拥有多源异构数据模型在同一平台展示的能力。

摘要：随着CAD/CAM技术的发展,整个产品的设计、虚拟制造和数字化样机都可在计算机中完成,使得包含大量数据的复杂装配体(即大装配体)的设计成为产品设计过程中的必需元素。由于大装配体模型数据量庞大,在普通PC机中处理极为不便,为了提高处理速度,需要对大装配体模型进行简化。在不改变装配模型格式和整体外观的前提下,提出了两种装配体模型的轻量化方案:1)从装配体中删除隐藏的零部件;2)从装配体中删除隐藏的特征。零件和特征的可见性是通过从多个视点预渲染装配模型,然后读取渲染缓冲区的结果并进行分析而得到。实验结果证实该算法能在不改变CAD模型格式和外观的前提下准确地删除装配体中的隐藏零件和特征。

摘要：近年来,神经网络模型凭借着较强的特征提取能力在各行各业的应用越来越广泛,并取得了不错的效果。然而,随着数据量的不断增大以及人们对高准确率的不断追求,神经网络模型的参数规模急剧增大,网络复杂度不断提高,导致计算、存储等资源开销不断扩大,使其在资源受限场景下的部署面临极大挑战。因此,如何在不影响模型性能的前提下实现模型轻量化,进而降低模型训练和部署的成本成为当前的研究热点之一。为此,文中从复杂模型压缩以及轻量化模型设计两方面入手,对当前典型的模型轻量化方法进行总结和分析,以期厘清模型压缩技术的发展脉络。其中,复杂模型压缩技术从模型剪枝、模型量化、低秩分解、知识蒸馏及混合方式5方面进行归纳,而轻量化模型设计则从空间卷积设计、移位卷积设计和NAS架构搜索3方面进行梳理。

摘要：基于GIS软件的分析技术,提出了一种BIM模型抽壳轻量化方法。基于可视域分析的抽壳方法和缓冲区分析的抽壳方法,运用简单规则的BIM模型和复杂不规则的BIM模型,比较了2种方法处理的BIM模型构件的精细程度和处理时长。结果表明:①可视域分析的抽壳方法只适用于简单规则的BIM模型,处理时间快,精度高;②缓冲区分析的抽壳方法可适用于复杂但不规则的BIM模型,构件精度高,然而抽壳时间较慢。对比抽壳前后的数据发现:BIM模型在进行抽壳后得到的数据,无论是内存大小还是WebGL上显示的平均帧率,都得到了较大程度的优化,使得大数据量的BIM模型能被较好地交互浏览。

摘要：针对大体量项目建设周期长、规模大,设计产生模型体量大和种类繁多,传统的数据交换传输方式都存在各自无可避免的缺点,需要占用较大硬件资源的局面,从数据存储优化、模型压缩、模型显示优化显示3个方面介绍模型轻量化关键技术。研究表明,基于三角网格存储、Zstd压缩算法、网格局部重建显示优化可在保留三维模型基本信息及精度的前提下,将其进行高效的轻量化处理,为基于BIM平台的大体量总包项目模型轻量化提供技术参考和实践经验。

摘要：地铁BIM(Building Information Modeling)模型具有体量大、构件重复率高、外形规整等特点,针对其Web端模型加载、渲染效率低下,易导致浏览器卡顿、页面崩溃等问题,提出地铁BIM模型Web端轻量化策略及加载优化方法。验证表明,采用恰当的模型轻量化手段可显著减少复杂建筑模型的面片数量,降低模型存储消耗,结合视锥体剔除算法,能够有效提高渲染帧率与用户交互流畅度。

摘要：在自动上料控制系统中,针对传统电感式传感器容易受到外界复杂环境干扰,且需要进行繁琐校准工作等问题,提出了一种基于改进C3D模型的料仓视频视觉分类识别方法;基于实验需求,设计了合作标靶和建立了料仓识别视频数据集;将初始C3D模型作为主干网络进行改进,将该模型第3、4、5层卷积层进行精简,使得模型参数量大幅降低,有利于加快推理速度;在轻量化后的C3D模型上融合SE注意力机制,C3D模型从时空两个维度中提取特征,SE注意力机制可以有效在复杂场景视频帧中找出标靶显著区域,在兼顾时序信息的同时能够高效提取特征进而提高识别准确率;实验结果表明,SE-C3D识别模型准确率达到99.61%,与初始C3D模型相比,准确率提高2.48%,与其他典型三维卷积模型对比,各项性能指标也均有明显提升,对未来智能化上料系统的发展具有重要意义。

摘要：小样本学习旨在模拟人类基于少数样例快速学习新事物的能力,对解决样本匮乏情境下的深度学习任务具有重要意义.但是,在诸多计算资源有限的现实任务中,模型规模仍可能限制小样本学习的广泛应用.这对面向小样本学习的轻量化任务提出了现实的需求.知识蒸馏作为深度学习领域广泛使用的辅助策略,通过额外的监督信息实现模型间知识迁移,在提升模型精度和压缩模型规模方面都有实际应用.首先验证知识蒸馏策略在小样本学习模型轻量化中的有效性.并结合小样本学习任务的特点,针对性地设计两种新的小样本蒸馏方法:(1)基于图像局部特征的蒸馏方法;(2)基于辅助分类器的蒸馏方法.在miniImageNet和TieredImageNet数据集上的相关实验证明所设计的新的蒸馏方法相较于传统知识蒸馏在小样本学习任务上具有显著优越性.

摘要：针对纺织车间背景复杂、纱筒种类多导致利用传统机器视觉识别空纱筒准确率低、模型参数量大的问题,设计了一种基于改进残差网络的空纱筒识别模型。该模型借鉴ResNet系列的模型结构,进行卷积核轻量化,改进经典的残差模块并加入SENet注意力机制,以达到提高检测空纱筒的准确率,减少模型参数的目的。最后通过数据增强,创建了适合工厂实际生产的纱筒数据集。实验结果表明:在消融实验中,应用SENet注意力机制可以提高3.86%的准确率,利用优化残差模块不仅减少了650%的模型参数还提高了1.22%的准确率。在原数据集的验证集上,改进模型的准确率为99.6%比ResNet-18模型高4.46%,与VGG-16和AlexNet相比提高了7.05%~9.41%。在增强的数据集上,识别模型的准确率都有了较大的提升,但改进模型的准确率变化不大,说明该模型的鲁棒性较好,不易受到样本不足的影响。改进模型的参数数量缩小到原模型参数数量的1/10左右,为嵌入式设备部署空纱筒识别模型提供了思路。