基于三維激光掃描和BIM的構(gòu)件缺陷檢測技術(shù)

錢　海，馬小軍，包仁標，徐　勝

(南京工業(yè)大學(xué) 電氣工程與控制科學(xué)學(xué)院，南京　211800)

?

基于三維激光掃描和BIM的構(gòu)件缺陷檢測技術(shù)

錢海，馬小軍，包仁標，徐勝

(南京工業(yè)大學(xué) 電氣工程與控制科學(xué)學(xué)院，南京211800)

摘要：：為了自動檢測建筑構(gòu)件在生產(chǎn)及運輸過程中產(chǎn)生的缺陷，提出了基于三維激光掃描和BIM模型的建筑構(gòu)件檢測方法;首先利用三維激光掃描儀獲取構(gòu)件對象的實際點云，并通過弦高偏差法實現(xiàn)點云去噪，同時基于BIM搭建構(gòu)件的三維模型，通過stl文件將模型對象轉(zhuǎn)換為期望點云;然后分別利用PCA算法和基于K-D樹的ICP算法實現(xiàn)點云的初始配準和精配準;最后利用局部均方根值評估構(gòu)件的誤差大小，并通過基于霍夫變換的線性回歸分析方法實現(xiàn)了誤差量化;通過實例驗證了所提算法的可行性與準確性。

關(guān)鍵詞：三維激光掃描；BIM；點云；配準；構(gòu)件誤差

0引言

目前檢測評估建筑構(gòu)件質(zhì)量通常依賴傳統(tǒng)的手工測量設(shè)備，檢查結(jié)果記錄在紙上，這種方法不僅耗時、不準確且溝通交流效率低下。據(jù)調(diào)查統(tǒng)計，在美國多達10%的建設(shè)成本用于因材料缺陷而導(dǎo)致的返工[1]。因此需要提高建筑構(gòu)件缺陷的檢測水平與效率，避免檢查過程的不準確，以及時調(diào)整、修理或更換有缺陷的部分。Hass[2]提出了一種基于BIM的自動辨識掃描對象的方法，Bosche[3]提出了一種配準三維激光掃描和三維建筑模型的方法，這些方法主要檢測基礎(chǔ)設(shè)施的損壞程度，例如混凝土結(jié)構(gòu)裂縫，但是通常無法檢測潛在的構(gòu)件誤差。

在工程領(lǐng)域，激光掃描儀被認為是最適用于建筑工程監(jiān)測、施工流程控制的工具，而BIM模型集成了施工項目的大量數(shù)據(jù)，包括構(gòu)件的位置、尺寸。本文將兩種技術(shù)結(jié)合研究檢測建筑構(gòu)件缺陷的方法，實現(xiàn)建筑構(gòu)件的誤差量化。

1總體方案

本文提出的檢測方法總體思路是通過激光掃描獲取實際構(gòu)件的點云數(shù)據(jù)，與標準的三維模型對象對比，發(fā)現(xiàn)并量化構(gòu)件的生產(chǎn)缺陷。該方法流程如圖1所示。該方法包括3個主要步驟：1)點云預(yù)處理：獲取點云對象；2)點云配準；3)狀態(tài)評估：檢測并量化缺陷。

圖1　本文提出的檢測方法

2關(guān)鍵技術(shù)研究

2.1預(yù)處理

2.1.1格式轉(zhuǎn)換

BIM模型包含標準構(gòu)件的三維信息，但不管是CAD還是BIM，其包含的對象因數(shù)據(jù)格式與獲取的三維點云不同，很難做對比研究。這些實體對象必須轉(zhuǎn)換成能和點云數(shù)據(jù)對比的數(shù)據(jù)集。本文使用STL格式將3D實體對象轉(zhuǎn)換為3D點云[4]。.stl文件是在計算機圖形應(yīng)用系統(tǒng)中一個開源文件格式，用于表示三角形網(wǎng)格。在STL文件中的三角面片的信息單元 facet 是一個帶矢量方向的三角面片，STL三維模型就是由一系列這樣的三角面片構(gòu)成，將三維實體對象轉(zhuǎn)換成點云就是使用三角形面片的頂點集合。.stl文件創(chuàng)建過程如下：1)Revit模型對象導(dǎo)出DWG文件(選擇ACIS實體)；2)AutoCAD打開DWG文件并輸出STL文件。最后通過Matlab獲取STL文件的三角形面片頂點，結(jié)果如圖2(b)所示。

圖2　BIM模型對象格式轉(zhuǎn)換

2.1.1去噪

在獲取點云數(shù)據(jù)的過程中，建筑工地上不可避免地存在一些建筑材料和其他無關(guān)對象，同時大量的振幅噪聲和離群點存在于三維數(shù)據(jù)中，因此要先經(jīng)過去噪處理再進行配準操作。對噪聲點的檢測與去除有下面4種方式[5]：1)對于一些明顯的噪聲點，直接觀察并手動刪除；2)曲線判別法：利用截面數(shù)據(jù)的起點和終點擬合出曲線，通過最小二乘法計算各數(shù)據(jù)點到曲線的距離，若超過允許的距離，則視為噪聲點；3)角度偏差法：計算判別點在掃描方向上與前后兩點之間的夾角是否滿足要求；4)弦高偏差法：以判別點前后兩點做直線，計算判別點到直線的距離，若超過此方法允許的最大距離，則視為噪聲點。建筑構(gòu)件的三維掃描數(shù)據(jù)屬于掃描線點云，因此本文在手動刪除明顯噪聲后，利用弦高偏差法實現(xiàn)測量點云數(shù)據(jù)的去噪，結(jié)果如圖3(b)所示。

圖3　點云去噪

2.2配準

點云配準的實質(zhì)是求取剛體變換矩陣，即已知一個物體在不同坐標系下的兩個點集P和Q，經(jīng)過旋轉(zhuǎn)變換R和平移變換T后，歸一到同一坐標系，使得對應(yīng)點的距離平方和F(R,T)最小，即：

(1)

配準過程分為兩個主要步驟：初始配準和精配準，初始配準通過計算兩點集的位姿，得出粗略配準結(jié)果，以加快精配準速度。本文分別利用PCA和基于K-D樹的ICP算法實現(xiàn)初始配準和精配準。

2.2.1初始配準

初始配準常用于縮小兩點云數(shù)據(jù)的平移距離和旋轉(zhuǎn)角度，防止精配準趨于局部最小值[6]，但配準精度不高。本文使用PCA(principal component analysis，主成分分析)算法對3D模型對象(M)和掃描構(gòu)件(S)點云進行初始配準， PCA可以減少數(shù)據(jù)集的維數(shù)，是一種數(shù)據(jù)集簡化分析方法，在簡化的同時保留數(shù)據(jù)集對方差貢獻最大的特征。

(2)

變換矩陣通過奇異值分解算法(SVD)求取，對協(xié)方差矩陣COV進行特征向量分解，得到的正交特征向量即為點集的主軸方向，設(shè)模型點云和實際構(gòu)件點云的特征向量為UM，US則點集按主軸配準的旋轉(zhuǎn)變換矩陣(RC)和平移變換矩陣(TC)如下：

(3)

(4)

模型點云和實際構(gòu)件點云初始配準后的結(jié)果如圖4(b)所示。

圖4　初始配準

2.2.2精配準

完成粗配準后，需要更精準的配準來保證誤差檢測的準確性，通常采用基于自由形態(tài)曲面的ICP算法來實現(xiàn)[7]，但該方法迭代收斂速度較慢，需要大量時間求取最近點，因此要提高ICP算法配準速度，就在于減少求取最近點的時間。本文將K-D樹引入ICP算法[8]以加快傳統(tǒng)ICP算法計算的速度。

K-D樹屬于二叉樹的特殊情況，其每個節(jié)點為k維點，此方法能夠快速而準確地找到判別點的近鄰，基于K-D樹的配準流程如圖5所示。

圖5建立K-D樹程序流程圖

首先建立

K

-

D

樹，通過以下步驟完成最近鄰搜尋：

1)搜索K-D樹的所有節(jié)點，搜尋滿足目標點要求的節(jié)點，過程如下：順著根節(jié)點搜索其子節(jié)點，不斷遞歸掃描所有子節(jié)點，當(dāng)子節(jié)點為空，或者搜尋的次數(shù)達到設(shè)定上限，找出所有節(jié)點中距離查詢點最近的子節(jié)點，則最近點一定位于以查詢點為中心且經(jīng)過子節(jié)點的圓域內(nèi)；

2)在找到距離查詢點最近的子節(jié)點后，假設(shè)圓域內(nèi)點集包含m個最近鄰點，計算出所有最近鄰點到查詢點的距離，將距離最短的點作為K-D樹搜索結(jié)果；若沒有找到最近點，則顯示錯誤。

加入K-D樹的ICP改進算法的時間復(fù)雜度為o(NMlgNS)，而原始ICP算法的時間復(fù)雜度為o(NMNS)，顯而易見，利用K-D樹查找對應(yīng)點可以明顯加快ICP算法的配準速度。

模型點云和實際構(gòu)件點云配準后的結(jié)果如圖6所示。

圖6　配準后點云

2.3構(gòu)件質(zhì)量評估

完成兩個點云集的配準后，進行構(gòu)件的尺寸精度判斷。構(gòu)件的質(zhì)量評估分為兩部分：檢測偏差和偏差的量化。首先使用直接觀察法判斷偏差位置，然后通過均方根值RMS(rootmeamsquare)對誤差進行量化。表1為本文提出的構(gòu)件誤差量化評估算法流程。

表1　量化評估算法流程

2.3.1誤差分析

制造業(yè)中，誤差分析是檢測缺陷的關(guān)鍵技術(shù)，研究表明計算機技術(shù)促進建筑構(gòu)件的誤差檢測，本文利用一種基于距離的誤差分析方法，直接觀察出構(gòu)件潛在誤差，一個構(gòu)件的誤差分析結(jié)果如圖7虛線圈所示。

圖7　點云中的軸管缺陷

2.3.2局部誤差檢測

(5)

由于整體構(gòu)件的均方根值RMS對局部誤差量化不確切，需要定義一個基于領(lǐng)域的度量范圍，將實際構(gòu)件點云和模型點云分成相對應(yīng)的小范圍集群，再通過局部均方根值檢測誤差。根據(jù)誤差分析結(jié)果定義3D模型檢測位置，對于點集P中的一點Pi，用K-D樹搜尋近領(lǐng)域在點集Q中求出與之歐氏距離最近的3個點，此三點按式(6)做一個三角面，

(6)

點Pi到此三角面的距離記為ei，則局部RMS為：

(7)

3實驗驗證與問題分析

3.1實驗設(shè)備

為了驗證提出的檢測和評估方法的可行性，設(shè)計制造了一組軸管，實驗研究了軸管的一個特定分支，如圖8(a)所示。軸管末端的法蘭接頭可以旋轉(zhuǎn)任意一個角度，如圖8(b)所示。

考慮到局部檢測算法的可實施性，本文采用30×30×30cm3大小的模型將法蘭接頭分為1、2、3三部分，如圖8(c)所示。點云數(shù)據(jù)通過FARO三維激光掃描儀LS840獲取，這是一款基于相位差的免接觸測量設(shè)備，可旋轉(zhuǎn)360°，并對掃描儀視線內(nèi)的任何物體進行自動測量。該設(shè)備的技術(shù)參數(shù)如表2所示。

圖8　用于實驗的軸管及末端法蘭

激光特性波長785nm距離范圍0.6~40m精度0.6mm視角范圍水平360°豎直320°掃描速度120000Hz

3.2實驗結(jié)果與分析

如圖8(b)所示，改變軸管法蘭接頭的旋轉(zhuǎn)角度θ，計算不同旋轉(zhuǎn)角度下的軸管末端法蘭點云與模型點云的誤差RMS。結(jié)果如表3和圖9所示。

圖9　不同條件下的局部RMS

在圖9中可以看到，代表平均誤差的RMS值隨著角度偏移的增加而增大，然而當(dāng)角度誤差小于15°，每個位置的誤差基本為一恒定常量。

為了精確檢測誤差的角度，本文采用文獻[9,10]中基于霍夫變換的線性回歸分析方法，還是以軸管末端法蘭為例，如圖10所示，設(shè)置法蘭的旋轉(zhuǎn)角度θ=30°，實驗結(jié)果如表4所示，其中θ由線性回歸方程θ=a0+a1RMS求得。

表3　不同角度和不同位置的實驗結(jié)果

表4　30°下的檢測結(jié)果

圖10　軸管法蘭末端

實驗結(jié)果表明該方法取得了較高的精確度，適用于缺陷檢測與誤差量化。

4結(jié)束語

本文提出的一種基于點云的建筑構(gòu)件缺陷檢測與誤差量化的方法，包括BIM模型的格式轉(zhuǎn)換、點云配準與誤差評估。最后通過實驗驗證了該方法的有效性與準確性，且誤差量化的結(jié)果與實際值的偏差小于9%，實驗結(jié)果同時表明局部RMS和構(gòu)件旋轉(zhuǎn)角度之間存在線性關(guān)系。但是，對于精密儀器設(shè)備來說，誤差檢測的結(jié)果還不夠精準，需要進一步研究，提高誤差量化精度。

參考文獻：

[1]AkinciB,BoukampF,GordonC,etal.Aformalismforutilizationofsensorsystemsandintegratedprojectmodelsforactiveconstructionqualitycontrol[J].AutomationinConstruction, 2006,15(2):124-138.

[2]BoscheF,HaasCT.Automatedretrievalof3DCADmodelobjectsinconstructionrangeimages[J].AutomationinConstruction, 2008,17 (4):499-512.

[3]BoschéF.Plane-basedregistrationofconstructionlaserscanswith3D/4Dbuildingmodels[J].AdvancedEngineeringInformatics, 2012,26 (1):90-102.

[4]NahangiM,HaasCT.Automated3Dcompliancecheckinginpipespoolfabrication[J].AdvancedEngineeringInformatics, 2014,28(4):360-369.

[5] 時可可，潘為民，郭志強，等.大型定子葉片鑄件的數(shù)字化測量及誤差評定[J].圖學(xué)學(xué)報，2014,35(3)：407-411.

[6] 曾鋒，楊通.逆向工程點云數(shù)據(jù)采集系統(tǒng)設(shè)計及應(yīng)用[J].計算機測量與控制,2012,20(1)：276-277.

[7] 鄒際祥.基于kd-tree加速的點云數(shù)據(jù)配準技術(shù)研究[D].合肥：安徽大學(xué)，2013.

[8] 劉豐華.復(fù)雜模型二維點云自動配準技術(shù)的研究[D].天津：天津大學(xué)，2013.

[9]RabbaniT,etal.Anintegratedapproachformodellingandglobalregistrationofpointclouds[J].Photogrammetricengineeringandremotesensing, 2007,61 (6):355-370.

[10]AhmedM,HaasC,HaasR,Automaticdetectionofcylindricalobjectsinbuiltfacilities[J].ComputerCivil.Engineering, 2014,28(3): 04014009.

Technology Based on 3D Laser Scanner and BIM for Detecting Defects of Component

Qian Hai, Ma Xiaojun, Bao Renbiao,Xu Sheng

(College of Electrical Engineering and Control Science, Nanjing Tech University, Nanjing 211800, China)

Abstract:To automatically detect the defects in the process of production and transportation, a building component detection method based on 3D laser scanning and building information modeling (BIM) model is proposed. Firstly component object’s actual point cloud is acquired by 3D laser scanner. Noise of point cloud is removed through the chord deviation method, and construction components’ 3D model is built based on BIM. Model objects is converted to desired point cloud through the STL file. Then the initial registration and precise registration of point cloud are realized by principle component analysis algorithm (PCA) and independent component analysis algorithm (ICP) based on K-D tree. Finally, the error of the component is evaluated by the local root mean square value, and the error is quantified by the linear regression analysis method based on Hough transform. The feasibility and accuracy of the proposed algorithm are verified by practical application.

Keywords：3D laser scanning; BIM; point cloud; registration; component error

文章編號：1671-4598(2016)02-0014-04

DOI：10.16526/j.cnki.11-4762/tp.2016.02.004

中圖分類號：TP391

文獻標識碼：A

作者簡介：錢海(1991-)，男，江蘇靖江人，研究生，主要從事建筑智能化技術(shù)方向的研究。馬小軍(1956-)，男，江蘇南京人，教授，主要從事建筑電氣與智能化、智能照明控制及BIM技術(shù)方向的研究。

收稿日期：2015-07-29；修回日期：2015-08-31。