一种建筑物监测方法、设备及介质与流程

1.本技术涉及测量技术领域，尤其涉及一种建筑物监测方法、设备及介质。


背景技术：

2.随着建筑数量的增加，对建筑物结构的智能安全测量变得越来越重要。比如，装配式建筑，建设结构性健康测量和预警技术是建筑安全的关键组成部分。
3.而变形测量对于反映建筑物沉降变化,评定建筑物安全性,提高建筑物质量具有非常重要的意义。其中沉降观测、倾斜测量是最主要的变形测量内容。
4.目前，在对于指定区域的建筑物进行变形监测时，通常通过实地调研更新各指标数据，但人为工作量大、不具有实用性，或者通过建筑物变形隐患评估模型依次对每个建筑物进行变形监测，导致工作量大，而建筑物状态时刻处于变化过程，无法对建筑物安全隐患及时提供实时预警值，且不考虑每个建筑物的关联性，无法预知建筑物的潜在危险，导致在周期性地对区域范围内的建筑物进行变形监测时，建筑物变形测量效率与准确率低。


技术实现要素：

5.本技术实施例提供一种建筑物监测方法、设备及介质，用于解决实现在周期性地对区域范围内的建筑物进行变形监测时，建筑物变形测量效率与准确率低的问题。
6.本技术实施例采用下述技术方案：一方面，本技术实施例提供了一种建筑物监测方法，该方法包括：通过遥感平台上的遥感传感器获取第一建筑物的第一遥感图像，根据所述第一遥感图像生成所述第一建筑物的第一参数化三维建筑物数据；在预设区域内，确定与所述第一建筑物距离最近的同一纬度的第二建筑物；通过所述遥感传感器获取所述第二建筑物的第二遥感图像，根据所述第二遥感图像生成所述第二建筑物的第二参数化三维建筑物数据；若所述第二建筑物为非新增建筑物，则根据所述第一参数化三维建筑物数据与所述第二参数化三维建筑物数据，生成所述第一建筑物与所述第二建筑物之间的第一相似度；获取所述第一建筑物对所述第二建筑物的历史相似度序列，在所述历史相似度序列中，选取距离当前时间最近的第二相似度；根据所述第一相似度与所述第二相似度，对所述第一建筑物和/或第二建筑物进行变形测量。
7.一个示例中，若所述第二建筑物为新增建筑物，则根据所述第二建筑物的位置坐标，在预设建筑物数据库中，确定所述第二建筑物的建筑工程清单；根据所述建筑工程清单，确定所述第二建筑物的工程进度；根据所述工程进度，确定搭建所述第二建筑物时对所述第一建筑物的外界变形影响数据；根据所述外界变形影响数据，调整所述第一建筑物的多个变形参数所各自对应的初始权重值；根据调整的权重值与传感器上传的变形参数数据，通过预先构建的变形测量神经网络模型，确定所述第一建筑物的变形类型。
8.一个示例中，所述根据所述第一相似度与所述第二相似度，对所述第一建筑物和/或第二建筑物进行变形测量，具体包括：若所述第一相似度与所述第二相似度之间的差异
值大于预设差异阈值，则调用预先构建的关系图谱；根据所述预先构建的关系图谱，确定所述差异值是否由所述第一建筑物引起；若所述差异值由所述第一建筑物引起，则在第一参数化三维建筑物数据中，确定引起所述差异值的第一目标参数数据；根据所述第一目标参数数据，对所述第一建筑物进行变形测量；若所述差异值由所述第二建筑物引起，则在第二参数化三维建筑物数据中，确定引起所述差异值的第二目标参数数据；根据所述第二目标参数数据，对所述第二建筑物进行变形测量。
9.一个示例中，所述根据所述第一目标参数数据，对所述第一建筑物进行变形测量，具体包括：获取所述第一建筑物在预设时长内的历史变形状态数据，并根据所述历史变形状态数据，确定所述第一建筑物对历史变形类型的历史变形序列；根据所述历史变形序列，确定对所述第一建筑物的内因变形影响数据；根据所述内因变形影响数据与所述第一目标参数数据，调整所述第一建筑物的多个变形参数所各自对应的初始权重值；根据调整的权重值与传感器上传的变形参数数据，通过预先构建的变形测量神经网络模型，确定所述第一建筑物的变形类型。
10.一个示例中，所述根据所述预先构建的关系图谱，确定所述差异值是否由所述第一建筑物引起，具体包括：构建由多个建筑物节点和所述多个建筑物节点间的关联边构成的关系图谱；对所述多个建筑物节点进行分组；其中，同一个建筑物节点组中各建筑物节点的经度相同；根据所述关系图谱，确定各建筑物节点的变形隐患系数；在所述同一个建筑物节点组中，将所述变形隐患系数大于预设隐患阈值的建筑物节点，生成变形隐患建筑物节点组；根据所述变形隐患建筑物节点组，确定所述差异值是否由所述第一建筑物引起。
11.一个示例中，所述根据所述关系图谱，确定各建筑物节点的变形隐患系数，具体包括：为所述各建筑物节点生成初始化变形隐患系数；根据所述关系图谱，确定所述多个建筑物节点之间的变形隐患关联度；在确定第三建筑物节点发生变形时，在所述关系图谱中，匹配与所述第三建筑物节点的变形隐患关联度超过预设关联度阈值的第四建筑物节点；对所述第四建筑物节点的初始化变形隐患系数进行更新，得到更新的变形隐患系数；所述更新的变形隐患系数大于所述初始化变形隐患系数。
12.一个示例中，所述根据所述变形隐患建筑物节点组，确定所述差异值是否由所述第一建筑物引起，具体包括：确定所述第二建筑物节点不处于所述变形隐患建筑物节点组；若所述第一建筑物节点处于所述变形隐患建筑物节点组，则确定所述差异值由所述第一建筑物引起；若所述第一建筑物节点不处于所述变形隐患建筑物节点组，则在所述关系图谱中，确定所述第一建筑物节点的邻近建筑物节点；确定所述第一建筑物节点与所述邻近建筑物节点间的关联边的权重；将权重最大的邻近建筑物节点确定为第五建筑物节点，获取所述第五建筑物节点在预设时间段内的监测数据；若所述监测数据中包括变形类型数据，则确定所述差异值由所述第一建筑物引起。
13.一个示例中，所述根据所述第一遥感图像，生成所述第一建筑物的第一参数化三维建筑物数据，具体包括：根据预先构建的目标检测模型，对所述第一遥感图像进行目标检测，得到所述第一建筑物的三维建筑物点云；通过预先训练的建筑物关键点检测模型，对所述三维建筑物点云进行关键点检测，确定所述第一建筑物的关键点信息；根据所述关键点信息与所述三维建筑物点云，通过预先构建的拟合参数预测模型，确定重建所述第一建筑物时所需要的拟合参数；根据所述拟合参数，对预设的三维参考建筑物网格进行拟合处理，
确定所述第一建筑物的参数化三维建筑物数据；其中，所述参考建筑物网格中包含有多个顶点，所述多个顶点之间具有连接关系，且各所述顶点分别设置有建筑物语义。
14.另一方面，本技术实施例提供了一种建筑物监测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：通过遥感平台上的遥感传感器获取第一建筑物的第一遥感图像，根据所述第一遥感图像生成所述第一建筑物的第一参数化三维建筑物数据；在预设区域内，确定与所述第一建筑物距离最近的同一纬度的第二建筑物；通过所述遥感传感器获取所述第二建筑物的第二遥感图像，根据所述第二遥感图像生成所述第二建筑物的第二参数化三维建筑物数据；若所述第二建筑物为非新增建筑物，则根据所述第一参数化三维建筑物数据与所述第二参数化三维建筑物数据，生成所述第一建筑物与所述第二建筑物之间的第一相似度；获取所述第一建筑物对所述第二建筑物的历史相似度序列，在所述历史相似度序列中，选取距离当前时间最近的第二相似度；根据所述第一相似度与所述第二相似度，对所述第一建筑物和/或第二建筑物进行变形测量。
15.另一方面，本技术实施例提供了一种建筑物监测非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：通过遥感平台上的遥感传感器获取第一建筑物的第一遥感图像，根据所述第一遥感图像生成所述第一建筑物的第一参数化三维建筑物数据；在预设区域内，确定与所述第一建筑物距离最近的同一纬度的第二建筑物；通过所述遥感传感器获取所述第二建筑物的第二遥感图像，根据所述第二遥感图像生成所述第二建筑物的第二参数化三维建筑物数据；若所述第二建筑物为非新增建筑物，则根据所述第一参数化三维建筑物数据与所述第二参数化三维建筑物数据，生成所述第一建筑物与所述第二建筑物之间的第一相似度；获取所述第一建筑物对所述第二建筑物的历史相似度序列，在所述历史相似度序列中，选取距离当前时间最近的第二相似度；根据所述第一相似度与所述第二相似度，对所述第一建筑物和/或第二建筑物进行变形测量。
16.本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：针对于建筑物变形测量的应用场景中，在获取第一建筑物的第一遥感图像后，继续确定与第一建筑物距离最近的同一纬度的第二建筑物的第二遥感图像，能够实现在周期性地对区域范围内的建筑物进行变形监测时，可以同时筛选出两个建筑物是否发生变形，在筛选完成后，针对性地对相应建筑物进行变形测量，能够在有效保证建筑物变形测量准确性的前提下，提高了建筑物变形测量的效率。
附图说明
17.为了更清楚地说明本技术的技术方案，下面将结合附图来对本技术的部分实施例进行详细说明，附图中：图1为本技术实施例提供的一种建筑物监测方法的流程示意图；图2为本技术实施例提供的一种建筑物监测设备的结构示意图。
具体实施方式
18.为使本技术的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的
附图对本技术的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
19.下面参照附图来对本技术的一些实施例进行详细说明。
20.图1为本技术实施例提供的一种建筑物监测方法的流程示意图。该流程中的某些输入参数或者中间结果允许人工干预调节，以帮助提高准确性。该流程涉及的分析方法的实现可以为终端设备，也可以为服务器，本技术对此不作特殊限制。为了方便理解和描述，以下实施例均以服务器为例进行详细描述。
21.需要说明的是，该服务器可以是单独的一台设备，可以是有多台设备组成的系统，即，分布式服务器，本技术对此不做具体限定。
22.图1中的流程可以包括以下步骤：s102：通过遥感平台上的遥感传感器获取第一建筑物的第一遥感图像，根据所述第一遥感图像生成所述第一建筑物的第一参数化三维建筑物数据。
23.在本技术的一些实施例中，在生成第一参数化三维建筑物数据时，首先根据预先构建的目标检测模型，对第一遥感图像进行目标检测，得到第一建筑物的三维建筑物点云。
24.然后，通过预先训练的建筑物关键点检测模型，对三维建筑物点云进行关键点检测，确定第一建筑物的关键点信息。
25.然后，根据关键点信息与三维建筑物点云，通过预先构建的拟合参数预测模型，确定重建第一建筑物时所需要的拟合参数。
26.最后，根据拟合参数，对预设的三维参考建筑物网格进行拟合处理，确定第一建筑物的参数化三维建筑物数据；其中，参考建筑物网格中包含有多个顶点，多个顶点之间具有连接关系，且各顶点分别设置有建筑物语义。比如，建筑物语义包括建筑物的底部边界、建筑物的高度、建筑物的宽度等，从而以便于测量第一建筑物的水平位移或沉降位移。
27.其中，在根据拟合参数，对预设的三维参考建筑物网格进行拟合处理时，首先通过连接关系，根据拟合参数中的基向量权重，将三维参考建筑物网格中的至少部分顶点的位置坐标进行调整，得到参数化三维建筑物数据。
28.s104：在预设区域内，确定与所述第一建筑物距离最近的同一纬度的第二建筑物。
29.其中，遥感传感器响应特性和大气的吸收、散射以及其它随机因素影响，传感器输出的能量包含了由于太阳位置和角度条件、大气条件、地形影响和传感器本身的性能，因此，在获取第二建筑物的遥感图像时，考虑到纬度不同，太阳高度角大小不同，将导致第一遥感图像与第二遥感图像之间的差异，对图像的使用和理解造成影响，因此，为了尽可能消除因遥感传感器自身条件、大气条件、太阳位置和角度条件及某些不可避免的噪声引起的第一遥感图像与第二遥感图像之间的差异，选取第一建筑物距离最近的同一纬度的建筑物，作为第二建筑物。相当于从第一建筑物空间位置横向的维度，获取第一建筑物对应的第二建筑物。
30.在本技术的一些实施例中，针对于不同的区域范围，比如，a片区、b片区等，预先构建区域性的建筑物数据库，在建筑物数据库中包括每个建筑物的建筑工程清单、位置参数等。比如，建筑工程清单包括建筑物的结构参数、建筑物的搭建进度数据等。从而能够对区域范围内的建筑物进行高效的监测。
31.基于此，在确定第二建筑物时，在预设的建筑物数据库中，以第一建筑物的纬度坐标为索引，匹配与该纬度坐标相同的若干建筑物。在若干建筑物中，选取距离与第一建筑物最近的建筑物，作为第二建筑物。
32.s106：通过所述遥感传感器获取所述第二建筑物的第二遥感图像，根据所述第二遥感图像生成所述第二建筑物的第二参数化三维建筑物数据。
33.需要说明的是，针对于如何生成第二建筑物的第二参数化三维建筑物数据，参见第一参数化三维建筑物数据的生成过程，在此不再进行描述。
34.s108：若所述第二建筑物为非新增建筑物，则根据所述第一参数化三维建筑物数据与所述第二参数化三维建筑物数据，生成所述第一建筑物与所述第二建筑物之间的第一相似度。
35.其中，在生成第一相似度时，根据第一参数化三维建筑物数据、第二参数化三维建筑物数据中的各对应顶点之间的欧氏距离确定。
36.s110：获取所述第一建筑物对所述第二建筑物的历史相似度序列，在所述历史相似度序列中，选取距离当前时间最近的第二相似度。
37.其中，每次生成第一建筑物与第二建筑物的相似度之后，输入到历史相似度序列中。
38.s112：根据所述第一相似度与所述第二相似度，对所述第一建筑物和/或第二建筑物进行变形测量。
39.其中，变形测量包括第一建筑物和/或第二建筑物的沉降状态、水平位移状态、倾斜状态、建筑物外部结构变化等。
40.通过图1的方法，针对于建筑物变形测量的应用场景中，在获取第一建筑物的第一遥感图像后，继续确定与第一建筑物距离最近的同一纬度的第二建筑物的第二遥感图像，能够实现在周期性地对区域范围内的建筑物进行变形监测时，可以同时筛选出两个建筑物是否发生变形，在筛选完成后，针对性地对相应建筑物进行变形测量，能够在有效保证建筑物变形测量准确性的前提下，提高了建筑物变形测量的效率。
41.基于图1的方法，本说明书还提供了该方法的一些具体实施方案和扩展方案，下面继续进行说明。
42.在本技术的一些实施例中，若第一相似度与第二相似度之间的差异值小于或等于预设差异阈值，则说明在过去的一段时间段内，第一建筑物与第二建筑物均未发生变化，则此时确定第一建筑物与第二建筑物均未发生变形。也就是说，在第一建筑物与第二建筑物均未发生变形的情况下，第一建筑物与第二建筑物之间的相似度几乎不会发生变化。
43.可以理解的是，建筑物变形的概率通常是比较低的，也就是说，大部分建筑物均未发生变形，但是，为了变形监测的准确性，还需要对区域范围内的每个建筑物进行变形监测，基于此特定应用场景，在针对于周期性对建筑物监测时，能够准确地同时筛选出第一建筑物与第二建筑物均未发生变形，极大提高了建筑物变形监测的效率。
44.若第一相似度与第二相似度之间的差异值大于预设差异阈值，说明在过去的一段时间段内，第一建筑物可能发生了变形变化，第二建筑物也可能发生了变形变化。基于此，判断第一建筑物是否发生了变形变化，和/或第二建筑物是否发生了变化。
45.具体地，若第一相似度与第二相似度之间的差异值大于预设差异阈值，则调用预
先构建的关系图谱。然后根据预先构建的关系图谱，确定差异值是否由第一建筑物引起。
46.若差异值由第一建筑物引起，则在第一参数化三维建筑物数据中，确定引起差异值的第一目标参数数据，根据第一目标参数数据，对第一建筑物进行变形测量。
47.若所述差异值由所述第二建筑物引起，则在第二参数化三维建筑物数据中，确定引起所述差异值的第二目标参数数据。然后根据所述第二目标参数数据，对所述第二建筑物进行变形测量。
48.需要说明的是，第一目标参数数据所表示的是第一建筑物的变化区域，第二目标参数数据所表示的是第二建筑物的变化区域。
49.在本技术的一些实施例中，在根据第一目标参数数据，对第一建筑物进行变形测量时，考虑到第一建筑物每进行一次变形，将对第一建筑物的结构参数造成损害，造成变形隐患。因此，通过第一建筑物的历史变形数据与第一目标参数数据，对第一建筑物进行本次的变形测量。
50.具体地，首先获取第一建筑物在预设时长内的历史变形状态数据，并根据历史变形状态数据，确定第一建筑物对历史变形类型的历史变形序列。
51.然后，根据历史变形序列，确定对第一建筑物的内因变形影响数据。然后，根据内因变形影响数据与第一目标参数数据，调整第一建筑物的多个变形参数所各自对应的初始权重值。
52.最后，根据调整的权重值与传感器上传的变形参数数据，通过预先构建的变形测量神经网络模型，确定第一建筑物的变形类型。
53.其中，传感器根据实际需要安装在第一建筑物的若干位置处，变形参数数据包括温度数据、湿度数据、振动数据、压力数据等。
54.需要说明的是，若所述差异值由所述第二建筑物引起，在根据第二目标参数数据，对第二建筑物进行变形测量时的过程，参见第一建筑物变形类型的生成过程，在此不再进行描述。
55.通过内因变形影响数据，对多个变形参数的权重进行调整，能够获取变形参数内的核心隐患参数，从而有助于将重要程度不同的各变形参数区分开来，以便有的放矢重点针对，提高对第一建筑物或第二建筑物变形测量的准确性，获取更符合实际需求的测量结果。
56.在本技术的一些实施例中，在根据关系图谱，确定差异值是否由第一建筑物引起时，为了更深一步挖掘建筑物之间的变形关联关系，进一步考虑第一建筑物正南正北的建筑物的变形情况，即，与第一建筑物经度相同的建筑物，以确定出是否对第一建筑物的变形具有影响。
57.具体地，首先，构建由多个建筑物节点和多个建筑物节点间的关联边构成的关系图谱。建筑物之间的关系包括建筑物的纬度相同，经度相同，建筑物的高度相同，宽度相同，种类相同等。
58.然后，对多个建筑物节点进行分组；其中，同一个建筑物节点组中各建筑物节点的经度相同。也就是说，在同一个建筑物节点组中，两个建筑物处于正南正北的关系。
59.然后，根据关系图谱，确定各建筑物节点的变形隐患系数。其中，变形隐患系数是指建筑物节点将要发生变形的概率，建筑物节点的变形隐患系数越大，说明建筑物节点的
变形概率越大，建筑物节点的变形隐患系数越小，说明建筑物节点的变形概率越小。
60.然后，在同一个建筑物节点组中，将变形隐患系数大于预设隐患阈值的建筑物节点，生成变形隐患建筑物节点组。需要说明的时，由于每个建筑物的变形隐患是不断变化的，因此，变形隐患建筑节点组也是不断更新的，从而能够及时得到概率相对高的变形隐患建筑物分组。
61.最后，根据变形隐患建筑物节点组，确定差异值是否由第一建筑物引起。
62.在本技术的一些实施例中，在根据关系图谱，确定各建筑物节点的变形隐患系数时，由于建筑物的结构状态是变化的，因此需要不断更新各自对应的变形隐患系数。
63.具体地，为各建筑物节点生成初始化变形隐患系数，然后根据关系图谱，确定多个建筑物节点之间的变形隐患关联度。其中，变形隐患关联度是指a建筑物节点发生变形，对b建筑物节点带来的潜在危险。变形隐患关联度越大，说明a建筑物节点发生变形后，给b建筑物节点带来的潜在危险越大。比如，a建筑物节点的地基发生变化，造成b建筑物节点的地基可能也发生变化。
64.然后，在确定第三建筑物节点发生变形时，在关系图谱中，匹配与第三建筑物节点的变形隐患关联度超过预设关联度阈值的第四建筑物节点。
65.最后，对第四建筑物节点的初始化变形隐患系数进行更新，得到更新的变形隐患系数。更新的变形隐患系数大于初始化变形隐患系数。从而能够不断挖掘出具有变形隐患系数较高的建筑物节点。
66.在本技术的一些实施例中，在根据变形隐患建筑物节点组，确定差异值是否由所述第一建筑物引起时，需要判断第一建筑物节点是否处于变形隐患建筑物节点组。
67.具体地，首先判断第二建筑物节点是否处于变形隐患建筑物节点组。
68.若第二建筑物节点不处于变形隐患建筑物节点组，则说明第二建筑物出现变形的概率不高。
69.此时，若第一建筑物节点处于变形隐患建筑物节点组，则说明第二建筑物出现变形的概率较高。因此，确定差异值由第一建筑物引起。
70.相反，若第一建筑物节点不处于变形隐患建筑物节点组，则说明第一建筑物出现变形的概率也不高。
71.但是，由于第一建筑物节点的邻近建筑物节点与第一建筑物节点具有不同程度的关联关系，因此将从邻近建筑物节点为参考，对第一建筑物节点的潜在危险进行评估。
72.具体地，则在关系图谱中，确定第一建筑物节点的邻近建筑物节点。然后，确定第一建筑物节点与所述邻近建筑物节点间的关联边的权重；然后，将权重最大的邻近建筑物节点确定为第五建筑物节点，获取第五建筑物节点在预设时间段内的监测数据；可以理解的是，若监测数据中包括变形类型数据，则说明第五建筑物节点在过去一段时间段内发生过变形，由于第一建筑物节点与第五建筑物节点的外界条件极为相似。
73.因此，在第五建筑物节点发生变形时，认为第五建筑物节点发生变形的概率较高，比如，冬季气温较低，冬季高层建筑的地基土壤容易冻住，地基土壤在结冻时会出现隆起，在解冻时会出现下陷现象，进而会导致建筑物出现沉降。那么在第五建筑物节点发生地基沉降时，第一建筑物节点发生地基沉降的概率也较高。基于此，若监测数据中包括变形类型
数据，则确定差异值由第一建筑物引起。
74.需要说明的是，若第二建筑物节点处于变形隐患建筑物节点组，第二建筑物节点不处于变形隐患建筑物节点组，则说明第一建筑物出现变形的概率也不高，则确定差异值由第二建筑物引起。
75.若第二建筑物节点处于变形隐患建筑物节点组，第二建筑物节点处于变形隐患建筑物节点组，则首先从邻近建筑物节点为参考，对第一建筑物节点的潜在危险进行评估。然后，需要从邻近建筑物节点为参考，对第二建筑物节点的潜在危险也进行评估。两者评估结果进行对比，确定差异值时由第一建筑物引起，还是由第二建筑物引起。
76.在本技术的一些实施例中，若第二建筑物为新增建筑物，那么便不再计算第一建筑物与第二建筑物之间的第一相似度。其中，新增建筑物是指该建筑物刚修建不久，或者正在修建，即，遥感传感器第一次获取该建筑物的遥感图像。
77.具体地，若第二建筑物为新增建筑物，则根据第二建筑物的位置坐标，在预设建筑物数据库中，确定第二建筑物的建筑工程清单。
78.然后，根据建筑工程清单，确定第二建筑物的工程进度。然后，根据工程进度，确定搭建第二建筑物时对第一建筑物的外界变形影响数据。
79.然后，根据外界变形影响数据，调整第一建筑物的多个变形参数所各自对应的初始权重值；即，主要是为了增加部分变形参数的权重值，该部分参数是指外界变形影响数据极大概率能够对该部分参数造成变形变化。
80.最后，根据调整的权重值与传感器上传的变形参数数据，通过预先构建的变形测量神经网络模型，确定所述第一建筑物的变形类型。
81.根据第二建筑物时对第一建筑物的外界变形影响数据，对多个变形参数的权重进行调整，能够获取变形参数内的核心隐患参数，从而有助于将重要程度不同的各变形参数区分开来，以便有的放矢重点针对，提高对第一建筑物变形测量的准确性，获取更符合实际需求的测量结果。此外，若第二建筑物为违法高层建筑，则根据第二参数化三维建筑物数据能够及时发现。
82.需要说明的是，虽然本技术实施例是参照图1来对步骤s102至步骤s112依次进行介绍说明的，但这并不代表步骤s102至步骤s112必须按照严格的先后顺序执行。本技术实施例之所以按照图1中所示的顺序对步骤s102至步骤s112依次进行介绍说明，是为了方便本领域技术人员理解本技术实施例的技术方案。换句话说，在本技术实施例中，步骤s102至步骤s112之间的先后顺序可以根据实际需要进行适当调整。
83.基于同样的思路，本技术的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
84.图2为本技术实施例提供的一种建筑物监测设备的结构示意图，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：通过遥感平台上的遥感传感器获取第一建筑物的第一遥感图像，根据所述第一遥感图像生成所述第一建筑物的第一参数化三维建筑物数据；
在预设区域内，确定与所述第一建筑物距离最近的同一纬度的第二建筑物；通过所述遥感传感器获取所述第二建筑物的第二遥感图像，根据所述第二遥感图像生成所述第二建筑物的第二参数化三维建筑物数据；若所述第二建筑物为非新增建筑物，则根据所述第一参数化三维建筑物数据与所述第二参数化三维建筑物数据，生成所述第一建筑物与所述第二建筑物之间的第一相似度；获取所述第一建筑物对所述第二建筑物的历史相似度序列，在所述历史相似度序列中，选取距离当前时间最近的第二相似度；根据所述第一相似度与所述第二相似度，对所述第一建筑物和/或第二建筑物进行变形测量。
85.本技术的一些实施例提供的一种建筑物监测非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：通过遥感平台上的遥感传感器获取第一建筑物的第一遥感图像，根据所述第一遥感图像生成所述第一建筑物的第一参数化三维建筑物数据；在预设区域内，确定与所述第一建筑物距离最近的同一纬度的第二建筑物；通过所述遥感传感器获取所述第二建筑物的第二遥感图像，根据所述第二遥感图像生成所述第二建筑物的第二参数化三维建筑物数据；若所述第二建筑物为非新增建筑物，则根据所述第一参数化三维建筑物数据与所述第二参数化三维建筑物数据，生成所述第一建筑物与所述第二建筑物之间的第一相似度；获取所述第一建筑物对所述第二建筑物的历史相似度序列，在所述历史相似度序列中，选取距离当前时间最近的第二相似度；根据所述第一相似度与所述第二相似度，对所述第一建筑物和/或第二建筑物进行变形测量。
86.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
87.本技术实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
88.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
89.本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
90.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
91.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
92.在一个典型的配置中，计算设备包括一个或多个处理器 (cpu)、输入/输出接口、网络接口和内存。
93.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (ram) 和/或非易失性内存等形式，如只读存储器 (rom) 或闪存(flash ram)。内存是计算机可读介质的示例。
94.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (pram)、静态随机存取存储器 (sram)、动态随机存取存储器 (dram)、其他类型的随机存取存储器 (ram)、只读存储器 (rom)、电可擦除可编程只读存储器 (eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器 (cd-rom)、数字多功能光盘 (dvd) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
95.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
96.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术技术原理之内所作的任何修改、等同替换、改进等，均应落入本技术的保护范围之内。