本技术涉及点云扫描，特别是涉及一种房屋结构隐患智能检测方法和装置。
背景技术：
1、自建房泛指拥有自有土地的单位和个人，自己组织并通过雇佣他人施工，而建造的房屋和建筑。但是自建房在建造的过程中往往会伴随着违规的装修改造，例如，墙体开洞、主体结构拆改等情况。而自建房墙体开洞会降低墙体自身承载能力，自加建改造则会增大墙体荷载并可能导致受力方式变化，这些都会对整体结构的安全性产生重要影响。因此，对于已有建成的自建房进行安全评估以及加建改造检查非常必要。
2、现有的房屋安全检测主要依赖人工进行检测，即相关检测人员使用专业设备仪器结合目视进行检测和判断。但是由于自建房总量巨大以及人工检测的局限性，使得人工检测效率较低，且人工成本较大，从而导致自建房的房屋结构隐患智能检测效率较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种房屋结构隐患智能检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本技术提供了一种房屋结构隐患智能检测方法。所述方法包括：
3、获取多个房屋的点云扫描数据、以及每个房屋的多个角度的图像数据，并基于每个房屋的点云扫描数据、以及每个房屋的各角度的图像数据，构建每个房屋的点云图像模型；
4、基于各所述房屋的点云图像模型，通过屋檐特征提取网络，分别提取每个房屋的各屋檐特征信息，并基于每个房屋的各屋檐特征信息，识别每个房屋的存疑自建信息；
5、针对每个房屋，在所述房屋存在房屋结构模型的情况下，基于所述房屋的房屋结构模型、以及所述房屋的点云图像模型，计算所述房屋的房屋重合率，并基于所述房屋的房屋重合率、以及所述房屋的存疑自建信息，识别所述房屋的房屋结构隐患信息；
6、在所述房屋不存在房屋结构模型的情况下，基于所述房屋的点云图像模型，在各异常样本房屋模型中，识别所述房屋对应的各候选异常样本房屋模型，并基于所述房屋的点云图像模型与各所述候选异常样本房屋模型之间的屋檐重合率，确定所述房屋的房屋结构隐患信息。
7、可选的，所述基于每个房屋的点云扫描数据、以及每个房屋的各角度的图像数据，构建每个房屋的点云图像模型，包括：
8、针对每个房屋，基于所述房屋的点云扫描数据，通过三维点云建模策略，构建所述房屋的三维点云模型；
9、通过点云分割模型，将所述房屋在每个角度的图像数据进行图像分割处理，得到所述房屋在每个角度的目标点云图像，并将各所述角度的目标点云图像，映射于所述房屋的三维点云模型，得到所述房屋的点云图像模型。
10、可选的，所述基于各所述房屋的点云图像模型，通过屋檐特征提取网络，分别提取每个房屋的各屋檐特征信息，包括：
11、针对每个房屋，基于所述房屋的点云图像模型，通过图像特征识别网络，识别所述房屋的屋檐图像模型；
12、基于所述屋檐图像模型，通过屋檐特征提取网络，提取所述屋檐图像模型的屋檐特征信息，得到所述房屋的各屋檐特征信息。
13、可选的，所述基于每个房屋的各屋檐特征信息，识别每个房屋的存疑自建信息，包括：
14、针对每个房屋，基于所述房屋的屋檐特征信息，识别所述房屋的屋檐数目、以及所述房屋的每个屋檐的屋檐坐标信息组；
15、将所述房屋的屋檐数目、以及所述房屋的每个屋檐的屋檐坐标信息组，作为每个房屋的存疑自建信息。
16、可选的，所述基于所述房屋的房屋结构模型、以及所述房屋的点云图像模型，计算所述房屋的房屋重合率，包括：
17、将所述房屋的点云图像模型，映射于所述房屋的房屋结构模型对应的三维空间中，并识别所述三维空间中的所述点云图像模型与所述房屋结构模型之间的模型差异位置范围；
18、计算所述模型差异位置范围与所述房屋结构模型对应的位置范围之间的比例值，得到所述房屋的房屋重合率。
19、可选的，所述基于所述房屋的房屋重合率、以及所述房屋的存疑自建信息，识别所述房屋的房屋结构隐患信息，包括：
20、计算所述模型差异位置范围、在所述点云图像模型中的屋檐图像模型对应的屋檐位置范围中的占比值；
21、在所述占比值大于占比阈值时，基于所述房屋的存疑自建信息，识别所述房屋的异常结构类型、以及所述房屋的异常结构范围；
22、将所述房屋的异常结构类型、以及所述房屋的异常结构范围，作为所述房屋的房屋结构隐患信息。
23、可选的，所述基于所述房屋的点云图像模型，在各异常样本房屋模型中，识别所述房屋对应的各候选异常样本房屋模型，包括：
24、获取各异常结构类型的异常样本房屋模型，并通过所述屋檐特征提取网络，分别提取每个样本房屋模型的屋檐特征信息；
25、分别计算每个样本房屋模型的屋檐特征信息、与所述房屋的点云图像模型的屋檐特征信息之间的相似度，并筛选大于相似度阈值的相似度对应的异常样本房屋，作为所述房屋对应的各候选异常样本房屋模型。
26、可选的，所述基于所述房屋的点云图像模型与各所述候选异常样本房屋模型之间的屋檐重合率，确定所述房屋的房屋结构隐患信息，包括：
27、基于各所述候选异常样本房屋模型的屋檐结构模型、以及所述房屋的点云图像魔性的屋檐结构模型，计算所述房屋的点云图像模型与各所述候选异常样本房屋模型之间的屋檐重合率；
28、筛选最高重合率的候选异常样本房屋模型，作为目标异常样本房屋模型，并将所述目标异常样本房屋模型的房屋结构隐患信息，作为所述房屋的房屋结构隐患信息。
29、第二方面，本技术还提供了一种房屋结构隐患智能检测装置。所述装置包括：
30、获取模块，用于获取多个房屋的点云扫描数据、以及每个房屋的多个角度的图像数据，并基于每个房屋的点云扫描数据、以及每个房屋的各角度的图像数据，构建每个房屋的点云图像模型；
31、识别模块，用于基于各所述房屋的点云图像模型，通过屋檐特征提取网络，分别提取每个房屋的各屋檐特征信息，并基于每个房屋的各屋檐特征信息，识别每个房屋的存疑自建信息；
32、第一确定模块，用于针对每个房屋，在所述房屋存在房屋结构模型的情况下，基于所述房屋的房屋结构模型、以及所述房屋的点云图像模型，计算所述房屋的房屋重合率，并基于所述房屋的房屋重合率、以及所述房屋的存疑自建信息，识别所述房屋的房屋结构隐患信息；
33、第二确定模块，用于在所述房屋不存在房屋结构模型的情况下，基于所述房屋的点云图像模型，在各异常样本房屋模型中，识别所述房屋对应的各候选异常样本房屋模型，并基于所述房屋的点云图像模型与各所述候选异常样本房屋模型之间的屋檐重合率，确定所述房屋的房屋结构隐患信息。
34、可选的，所述获取模块，具体用于：
35、针对每个房屋，基于所述房屋的点云扫描数据，通过三维点云建模策略，构建所述房屋的三维点云模型；
36、通过点云分割模型，将所述房屋在每个角度的图像数据进行图像分割处理，得到所述房屋在每个角度的目标点云图像，并将各所述角度的目标点云图像，映射于所述房屋的三维点云模型，得到所述房屋的点云图像模型。
37、可选的，所述识别模块，具体用于：
38、针对每个房屋，基于所述房屋的点云图像模型，通过图像特征识别网络，识别所述房屋的屋檐图像模型；
39、基于所述屋檐图像模型，通过屋檐特征提取网络，提取所述屋檐图像模型的屋檐特征信息，得到所述房屋的各屋檐特征信息。
40、可选的，所述识别模块，具体用于：
41、针对每个房屋，基于所述房屋的屋檐特征信息，识别所述房屋的屋檐数目、以及所述房屋的每个屋檐的屋檐坐标信息组；
42、将所述房屋的屋檐数目、以及所述房屋的每个屋檐的屋檐坐标信息组，作为每个房屋的存疑自建信息。
43、可选的，所述第一确定模块，具体用于：
44、将所述房屋的点云图像模型，映射于所述房屋的房屋结构模型对应的三维空间中，并识别所述三维空间中的所述点云图像模型与所述房屋结构模型之间的模型差异位置范围；
45、计算所述模型差异位置范围与所述房屋结构模型对应的位置范围之间的比例值，得到所述房屋的房屋重合率。
46、可选的，所述第一确定模块，具体用于：
47、计算所述模型差异位置范围、在所述点云图像模型中的屋檐图像模型对应的屋檐位置范围中的占比值；
48、在所述占比值大于占比阈值时，基于所述房屋的存疑自建信息，识别所述房屋的异常结构类型、以及所述房屋的异常结构范围；
49、将所述房屋的异常结构类型、以及所述房屋的异常结构范围，作为所述房屋的房屋结构隐患信息。
50、可选的，所述第二确定模块，具体用于：
51、获取各异常结构类型的异常样本房屋模型，并通过所述屋檐特征提取网络，分别提取每个样本房屋模型的屋檐特征信息；
52、分别计算每个样本房屋模型的屋檐特征信息、与所述房屋的点云图像模型的屋檐特征信息之间的相似度，并筛选大于相似度阈值的相似度对应的异常样本房屋，作为所述房屋对应的各候选异常样本房屋模型。
53、可选的，所述第二确定模块，具体用于：
54、基于各所述候选异常样本房屋模型的屋檐结构模型、以及所述房屋的点云图像魔性的屋檐结构模型，计算所述房屋的点云图像模型与各所述候选异常样本房屋模型之间的屋檐重合率；
55、筛选最高重合率的候选异常样本房屋模型，作为目标异常样本房屋模型，并将所述目标异常样本房屋模型的房屋结构隐患信息，作为所述房屋的房屋结构隐患信息。
56、第三方面，本技术提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面中任一项的方法的步骤。
57、第四方面，本技术提供了一种计算机可读存储介质。其上存储有计算机程序，计算机程序被处理器执行时实现第一方面中任一项的方法的步骤。
58、第五方面，本技术提供了一种计算机程序产品。计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项的方法的步骤。
59、上述房屋结构隐患智能检测方法和装置，通过获取多个房屋的点云扫描数据、以及每个房屋的多个角度的图像数据，并基于每个房屋的点云扫描数据、以及每个房屋的各角度的图像数据，构建每个房屋的点云图像模型；基于各所述房屋的点云图像模型，通过屋檐特征提取网络，分别提取每个房屋的各屋檐特征信息，并基于每个房屋的各屋檐特征信息，识别每个房屋的存疑自建信息；针对每个房屋，在所述房屋存在房屋结构模型的情况下，基于所述房屋的房屋结构模型、以及所述房屋的点云图像模型，计算所述房屋的房屋重合率，并基于所述房屋的房屋重合率、以及所述房屋的存疑自建信息，识别所述房屋的房屋结构隐患信息；在所述房屋不存在房屋结构模型的情况下，基于所述房屋的点云图像模型，在各异常样本房屋模型中，识别所述房屋对应的各候选异常样本房屋模型，并基于所述房屋的点云图像模型与各所述候选异常样本房屋模型之间的屋檐重合率，确定所述房屋的房屋结构隐患信息。本方案通过点云扫描技术，分别扫描各房屋的三维点云数据，然后再采集每个房屋在不同角度的房屋结构图像，从而构建每个房屋的点云图像模型，从而避免了人工对房屋检测时需要从多角度，多方向进行反复观察以分析房屋的房屋结构特征的低效问题。然后本方案通过提取每个房屋的屋檐特征信息后，初步识别每个房屋的房屋结构模型，并在该房屋是/否存在房屋结构模型的情况下，通过计算房屋的重合率，分别识别该房屋的房屋结构隐患信息，由于本方案主要研究的房屋结构隐患信息为非房屋自建许可情况下的多层房屋建筑的隐患信息，从而使得本方案能够即在有房屋结构模型的情况下识别房屋结构隐患信息，也能够在没有房屋结构模型的情况下识别房屋结构隐患信息，不仅提升了识别房屋结构隐患信息的全面性和精准度，而且通过模型比对识别，避免了人工分析、人工判断的低效、低准确度问题，从而综合提升了自建房的房屋结构隐患智能检测效率。
1.一种房屋结构隐患智能检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于每个房屋的点云扫描数据、以及每个房屋的各角度的图像数据，构建每个房屋的点云图像模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于各所述房屋的点云图像模型，通过屋檐特征提取网络，分别提取每个房屋的各屋檐特征信息，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于每个房屋的各屋檐特征信息，识别每个房屋的存疑自建信息，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述房屋的房屋结构模型、以及所述房屋的点云图像模型，计算所述房屋的房屋重合率，包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述房屋的房屋重合率、以及所述房屋的存疑自建信息，识别所述房屋的房屋结构隐患信息，包括：
7.根据权利要求1所述的方法，其特征在于，所述基于所述房屋的点云图像模型，在各异常样本房屋模型中，识别所述房屋对应的各候选异常样本房屋模型，包括：
8.根据权利要求1所述的方法，其特征在于，所述基于所述房屋的点云图像模型与各所述候选异常样本房屋模型之间的屋檐重合率，确定所述房屋的房屋结构隐患信息，包括：
9.一种房屋结构隐患智能检测装置，其特征在于，所述装置包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
