1.基于人工智能的智能建筑测量方法，其特征在于，包括以下步骤：

S100：采集待测量建筑全部测量点的多角度点云数据，将多角度点云数据映射到深度图像上，通过变分图自编码器提取深度图像中节点的隐含表示；

S200：采用自适应视差优化算法对深度图像进行自适应视差优化，所述自适应视差优化算法首先计算每个像素点的深度值，然后计算局部和全局视差梯度，动态地调整视差优化参数，并使用调整后的视差优化参数进行视差优化；

在自适应视差优化算法的实现过程中，为每个像素点计算一个深度值，所述深度值是基于该像素点到雷达中心的距离；量化每个像素点的深度变化率，计算每个像素点的视差梯度，识别深度变化的边缘，计算视差梯度；进一步计算全局视差梯度；

根据所述全局视差梯度，动态地调整视差优化参数，使用调整后的参数进行视差优化；

所述视差优化对初步提取的特征进行了优化和清洗；

S300：使用图卷积网络进一步处理点云数据，得到每个点的新特征表示，并使用自注意力机制进一步提高特征的质量；

S400：构建测量点识别神经网络模型，识别出点云图像特征信息对应的待测量点，得到实际建筑待测量点的测量数据。

2.根据权利要求1所述的基于人工智能的智能建筑测量方法，其特征在于，所述S100，具体包括：将多角度点云数据映射到深度图像上，将一张以上深度图像进行叠加形成深度图像的密度，所述深度图像的密度与多角度点云图像数相同，每个点云数据上的点映射为深度图像的一个有效像素；引入变分图自编码器来提取和匹配特征，对点云数据进行编码，得到每个点的隐变量表示，然后使用所述隐变量表示进行特征匹配。

3.根据权利要求2所述的基于人工智能的智能建筑测量方法，其特征在于，所述S100，还包括：基于图的结构和节点特征来为每个节点生成一个隐含表示，基于所述隐含表示来重建图的邻接矩阵，所述变分图自编码器的目标是最大化证据下界，最大化重建的邻接矩阵与真实的邻接矩阵之间的相似性。

4.根据权利要求1所述的基于人工智能的智能建筑测量方法，其特征在于，所述S300，具体包括：使用图卷积网络来处理点云数据，得到每个点的新特征表示，并使用所述新特征表示为每个点生成权重。

5.根据权利要求1所述的基于人工智能的智能建筑测量方法，其特征在于，所述S300，还包括：使用自注意力机制来处理点云深度图像数据，得到每个点的权重。

6.根据权利要求1所述的基于人工智能的智能建筑测量方法，其特征在于，所述S400，具体包括：构建测量点识别神经网络模型，将提取的高质量的深度图像特征作为训练样本，将训练样本输入到测量点识别神经网络模型中，输出训练样本对应的测量点ID，通过对所述测量点识别神经网络模型的深度训练和优化，使所述测量点识别神经网络在预设精度范围内识别出点云图像特征信息对应的待测量点。

7.基于人工智能的智能建筑测量系统，应用于权利要求1所述的基于人工智能的智能建筑测量方法，其特征在于，包括以下部分：数据获取模块、转换模块、第一特征提取模块、视差优化模块、第二特征提取模块、测量点识别模块和测量输出模块；

所述转换模块，用于将多角度点云数据映射到深度图像上，将一张以上深度图像进行叠加形成深度图像的密度，每个点云数据上的点映射为深度图像的一个有效像素，所述转换模块通过数据传输的方式与所述第一特征提取模块相连；

所述第一特征提取模块，用于使用变分图自编码器对映射后经过叠加的深度图像中的点云数据进行编码，提取每个点的隐变量表示作为特征，所述第一特征提取模块通过数据传输的方式与所述视差优化模块相连；

所述视差优化模块，用于对深度图像进行视差优化，去除噪声点，包括遮挡、运动、伪影，并进行自适应视差优化，所述视差优化模块通过数据传输的方式与所述第二特征提取模块相连；

所述第二特征提取模块，用于使用图卷积网络进一步处理点云数据，得到每个点的新特征表示，并使用自注意力机制进一步提高特征的质量，所述第二特征提取模块通过数据传输的方式与所述测量点识别模块相连；

所述测量点识别模块，用于构建测量点识别神经网络模型，将激光雷达拍摄的待测量点的点云图像中提取的特征信息作为训练样本，将训练样本输入到测量点识别神经网络模型中，经过智能学习，输出训练样本对应的测量点ID，通过对测量点识别神经网络模型的深度训练和优化，使测量点识别神经网络能够在预设精度范围内识别出点云图像特征信息对应的待测量点，所述测量点识别模块通过数据传输的方式与所述测量输出模块相连。