基于點(diǎn)云數(shù)據(jù)的預(yù)制疊合板尺寸質(zhì)量智能檢測方法

馬曉曉　張勝　程國忠　傅麗華　胡申林　李陽

摘要：為保證預(yù)制疊合板在施工現(xiàn)場能順利安裝，在出廠前通常需要對(duì)其進(jìn)行尺寸質(zhì)量檢測，現(xiàn)有預(yù)制疊合板的尺寸質(zhì)量檢測方法難以全面準(zhǔn)確地測量疊合板的實(shí)際三維尺寸。提出一種基于預(yù)制疊合板點(diǎn)云數(shù)據(jù)的多尺寸質(zhì)量智能檢測方法。對(duì)采集的點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理后，利用機(jī)器學(xué)習(xí)算法完成預(yù)制疊合板點(diǎn)云的自動(dòng)定位與分割；依據(jù)不同的檢測任務(wù)，將目標(biāo)點(diǎn)云沿不同方向降維，映射為二維灰度圖像；利用圖像特征檢測算法，分別實(shí)現(xiàn)疊合板底板的長寬、預(yù)留胡子筋的出筋長度與間距及桁架鋼筋高度的自動(dòng)檢測；在驗(yàn)證試驗(yàn)中，對(duì)3塊預(yù)制疊合板的點(diǎn)云數(shù)據(jù)進(jìn)行尺寸質(zhì)量檢測。結(jié)果表明，提出的智能檢測方法能全面準(zhǔn)確地完成預(yù)制疊合板出廠尺寸質(zhì)量檢測，能進(jìn)一步提高預(yù)制疊合板非接觸質(zhì)量檢測結(jié)果的科學(xué)性與精準(zhǔn)性。

關(guān)鍵詞：點(diǎn)云數(shù)據(jù)；預(yù)制疊合板；尺寸質(zhì)量；智能檢測；三維激光掃描

中圖分類號(hào)：TU741.2? ? ?文獻(xiàn)標(biāo)志碼：A? ? ?文章編號(hào)：2096-6717（2024）01-0102-08

Automated dimensional quality assessment of precast laminated panels based on 3D laser scanning

MA Xiaoxiao1， ZHANG Sheng2， CHENG Guozhong1， FU Lihua1，

HU Shenlin2， Li Yang2

（1. Key Laboratory of New Technology for Construction of Cities in Mountain Area of Ministry of Education; School of Civil Engineering， Chongqing University， Chongqing 400045， P. R. China； 2.Chengdu First Construction Engineering， Chengdu 610017， P. R. China）

Abstract： Dimensional quality assessment （DQA） of precast laminated panels （PLPs） is required to ensure the installation of the components on the construction site. However， existing methods cannot meet the precision and comprehensiveness of PLPs， DQA. In this paper， we propose an automated multi-dimensional quality assessment method for PLPs based on point cloud data （PCD）. After pre-processing the original PCD， the scanned PLPs， PCD is automatically extracted by the machine learning algorithms， and down-mapped in different directions to generate two-dimensional （2D） images. DQA of PLPs can be realized automatically by the image feature detection algorithms. The validation experiment is conducted on three PLPs. The result shows that the proposed method meets the dimensional quality assessment accuracy of precast laminated panels.

Keywords： point cloud data； precast laminated panels； dimensional quality assessment； automated assessment； 3D laser scanning

裝配式建筑具有高效、節(jié)能和環(huán)保等優(yōu)點(diǎn)，已成為建筑行業(yè)研究的熱點(diǎn)[1]。根據(jù)《“十四五”建筑業(yè)發(fā)展規(guī)劃》，到2035年，裝配式建筑占中國新建建筑的比例將達(dá)到30%以上[2]。作為裝配式建筑的主要組成部分，預(yù)制構(gòu)件的單體質(zhì)量是影響裝配式建筑整體質(zhì)量的重要因素[3-4]。為保障裝配式建筑的高質(zhì)量發(fā)展，需要發(fā)展高效的單體預(yù)制構(gòu)件尺寸質(zhì)量檢測方法。

預(yù)制疊合板是裝配式建筑里最常見的預(yù)制構(gòu)件之一[5-6]。由于生產(chǎn)工藝尚不完善，技術(shù)工人仍不成熟，工廠內(nèi)生產(chǎn)的預(yù)制疊合板常存在鋼筋伸出長度錯(cuò)誤及桁架高度錯(cuò)誤等尺寸質(zhì)量問題，導(dǎo)致現(xiàn)場施工時(shí)無法順利連接，造成施工成本增加。因此，在工廠預(yù)制完成后，運(yùn)輸?shù)绞┕がF(xiàn)場前，需對(duì)預(yù)制疊合板進(jìn)行尺寸質(zhì)量檢測。

在傳統(tǒng)檢測中，工人使用直尺、塞尺等工具進(jìn)行手動(dòng)測量，測量效率低下，并且容易產(chǎn)生主觀誤差[7]，無法滿足工廠批量構(gòu)件的檢測需求。近年來，已有研究將非接觸測量技術(shù)應(yīng)用到構(gòu)件的尺寸檢測中。Fu等[8]利用CCD攝影相機(jī)獲取環(huán)形鍛件的圖像信息，通過二維激光掃描儀獲取環(huán)形鍛件不同截面的點(diǎn)云數(shù)據(jù)，實(shí)現(xiàn)了環(huán)形鍛件的內(nèi)部截面半徑與外部尺寸的智能檢測；楊陽等[9]獲取預(yù)制疊合板構(gòu)件的圖像，利用計(jì)算機(jī)視覺方法實(shí)現(xiàn)了預(yù)制疊合板的預(yù)留孔洞及預(yù)埋件個(gè)數(shù)、位置及尺寸偏差檢測，但受內(nèi)部結(jié)構(gòu)特征信息影響，難以精確檢測小構(gòu)件的邊緣。隨著土木行業(yè)智能化轉(zhuǎn)型的深入推進(jìn)，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等新方法也成為工程結(jié)構(gòu)領(lǐng)域的重要手段。Zhang等[10]將深度學(xué)習(xí)應(yīng)用于平面結(jié)構(gòu)的對(duì)稱性研究；Chen等[11]利用粒子群優(yōu)化算法進(jìn)行了平面斜角可折疊鑲嵌的智能設(shè)計(jì)；Zhu等[12]將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于結(jié)構(gòu)施工安全智能預(yù)測；姚剛等[13]利用YOLOv5網(wǎng)絡(luò)實(shí)現(xiàn)了疊合板頂面預(yù)埋PVC線盒及外伸鋼筋的識(shí)別與檢測。

利用高速激光技術(shù)，三維激光掃描可快速獲取物體表面的高分辨率信息。目前三維激光掃描技術(shù)已廣泛應(yīng)用于建筑構(gòu)件的識(shí)別與分割[14]、質(zhì)量檢測[15-17]、虛擬預(yù)拼裝[18]等方面。近年來，許多學(xué)者將三維激光掃描技術(shù)應(yīng)用于各類規(guī)則預(yù)制構(gòu)件的尺寸檢測。Guo[19]等提出一種基于點(diǎn)云數(shù)據(jù)的長方體平面檢測及選擇方法，并采用改進(jìn)的圓柱體擬合方法，實(shí)現(xiàn)了對(duì)通風(fēng)管道及機(jī)電架的幾何尺寸檢測；Zhao等[20]利用alpha形狀算法實(shí)現(xiàn)了矩形柱節(jié)點(diǎn)的邊界尺寸檢測，并通過OC-SVM及無監(jiān)督學(xué)習(xí)算法得到鋼筋長度及套筒端口內(nèi)邊界尺寸；Kim等[21-22]不斷改進(jìn)點(diǎn)云數(shù)據(jù)邊緣及角點(diǎn)檢測算法，并將竣工模型與BIM模型對(duì)比，實(shí)現(xiàn)預(yù)制疊合板底板長、寬及垂直度的質(zhì)量檢測。總體而言，目前尺寸質(zhì)量檢測的研究局限于疊合板頂面各特征（主板長、寬、垂直度及伸出鋼筋等），缺少對(duì)疊合板側(cè)面特征（如桁架鋼筋）的關(guān)注。

筆者利用三維激光掃描技術(shù)，結(jié)合點(diǎn)云處理及圖像處理智能算法，提出一種預(yù)制疊合板三維尺寸質(zhì)量智能檢測方法。該方法首先利用掃描站點(diǎn)坐標(biāo)及高差等信息，實(shí)現(xiàn)預(yù)制疊合板區(qū)域的自動(dòng)定位及疊合板點(diǎn)云數(shù)據(jù)的分割。進(jìn)而采用直線及角點(diǎn)檢測等幾何特征檢測算法，實(shí)現(xiàn)對(duì)預(yù)制疊合板底板長寬尺寸、胡子筋的出筋長度和間距、桁架鋼筋高度的尺寸質(zhì)量智能檢測。

1 點(diǎn)云數(shù)據(jù)預(yù)處理

利用三維激光掃描儀獲取點(diǎn)云數(shù)據(jù)時(shí)，為保證預(yù)制疊合板數(shù)據(jù)的完整性，需用三維激光掃描儀圍繞預(yù)制疊合板進(jìn)行多站點(diǎn)、定區(qū)域掃描。采用標(biāo)靶球球心作為配準(zhǔn)控制點(diǎn)，對(duì)多站掃描點(diǎn)云進(jìn)行配準(zhǔn)拼接，獲得含有疊合板信息的完整點(diǎn)云數(shù)據(jù)。為從環(huán)境點(diǎn)云中分割出預(yù)制疊合板的點(diǎn)云數(shù)據(jù)，利用掃描站點(diǎn)坐標(biāo)、點(diǎn)云密度分布、高程信息差異等先驗(yàn)信息，實(shí)現(xiàn)疊合板區(qū)域點(diǎn)云的自動(dòng)定位及單塊、多塊預(yù)制疊合板點(diǎn)云數(shù)據(jù)的自動(dòng)分割。

1.1 最小凸包提取局部點(diǎn)云

在現(xiàn)場采集數(shù)據(jù)時(shí)，三維激光掃描儀受到人為（如掃描人員的操作不當(dāng)）、非人為（如掃描儀本身的功能缺陷）、內(nèi)部（如掃描對(duì)象表面的光滑、粗糙度不一）、外部（如掃描環(huán)境復(fù)雜）等各種因素的影響，導(dǎo)致采集的點(diǎn)云數(shù)據(jù)含有大量的噪聲點(diǎn)，對(duì)尺寸檢測精度造成嚴(yán)重影響。因此，常需采用點(diǎn)云濾波算法對(duì)點(diǎn)云進(jìn)行預(yù)處理，剔除異常值。常用的點(diǎn)云濾波包括統(tǒng)計(jì)濾波器（Statistical Outlier Removal）和半徑濾波器（Radius Outlier Removal）。由于初始點(diǎn)云含有復(fù)雜的環(huán)境信息，采用統(tǒng)計(jì)濾波器對(duì)離群點(diǎn)進(jìn)行去除。統(tǒng)計(jì)濾波器計(jì)算每一點(diǎn)與其k個(gè)最近鄰域點(diǎn)的距離，并得到符合距離分布特征的高斯分布，依據(jù)該高斯分布，設(shè)置一定閾值，過濾掉不滿足要求的離群點(diǎn)。

考慮到預(yù)制疊合板的點(diǎn)云數(shù)據(jù)位于多個(gè)掃描站點(diǎn)的公共區(qū)域之內(nèi)，利用最小凸包算法自動(dòng)提取出含預(yù)制疊合板區(qū)域的局部點(diǎn)云數(shù)據(jù)：1）將點(diǎn)云數(shù)據(jù)和掃描站點(diǎn)向水平方向投影；2）從多個(gè)掃描站點(diǎn)中y坐標(biāo)最大的掃描站點(diǎn)出發(fā)，構(gòu)造射線，順時(shí)針選取旋轉(zhuǎn)角最小的掃描點(diǎn)作為下一射線起點(diǎn)，直至回到起點(diǎn)，構(gòu)造最小凸包；3）對(duì)于局部點(diǎn)云數(shù)據(jù)的每一個(gè)點(diǎn)，構(gòu)造以該點(diǎn)為起點(diǎn)的射線；判斷射線與凸包是否相交，若與凸包相交且相交邊數(shù)為奇數(shù)，則判定為凸包內(nèi)的點(diǎn)，否則視為凸包外的點(diǎn)。圖1展示了從含有環(huán)境信息的點(diǎn)云數(shù)據(jù)中提取出來的目標(biāo)區(qū)域點(diǎn)云數(shù)據(jù)，灰色為冗余環(huán)境信息，紅色矩形框內(nèi)為分割出來的局部點(diǎn)云數(shù)據(jù)，橢圓框圈出的位置為待檢測的預(yù)制疊合板。

1.2 預(yù)制疊合板點(diǎn)云提取

基于最小凸包算法提取出來的點(diǎn)云數(shù)據(jù)仍存在許多與檢測任務(wù)無關(guān)的背景信息。鑒于地面等背景信息都具有較強(qiáng)的平面特征，采用隨機(jī)采樣一致性（RANSAC）算法[23]擬合地面背景點(diǎn)云，并保留包含預(yù)制疊合板的目標(biāo)點(diǎn)云。RANSAC算法通過多次迭代擬合平面模型，獲取輸入點(diǎn)云中平面的最佳模型。RANSAC的迭代次數(shù)n由式（1）計(jì)算得到。

式中：η為RANSAC成功擬合地面的概率，設(shè)為0.99；w為地面點(diǎn)云被選中的概率，設(shè)為0.3；s為RANSAC算法每次迭代采樣的點(diǎn)數(shù)，設(shè)為3。處理結(jié)果如圖2所示，其中灰色表示地面點(diǎn)云，藍(lán)色為目標(biāo)點(diǎn)云數(shù)據(jù)。

在剔除地面背景信息后，由于預(yù)制疊合板的點(diǎn)云與其他物體的點(diǎn)云數(shù)據(jù)密度差異明顯，因此，利用DBSCAN密度聚類[24]算法提取出含有支架信息的預(yù)制疊合板點(diǎn)云（圖3）；聚類時(shí)噪聲也會(huì)被歸為單獨(dú)的一類去除?？紤]到預(yù)制疊合板與支架在三維空間中具有高度差異，因此，采用主成分分析（PCA）[25]，將點(diǎn)云數(shù)據(jù)向YOZ平面投影，提取Z坐標(biāo)分布最密集區(qū)間內(nèi)的點(diǎn)云，實(shí)現(xiàn)預(yù)制疊合板點(diǎn)云數(shù)據(jù)與支架點(diǎn)云的分離。最后，對(duì)多塊預(yù)制疊合板進(jìn)行分類，完成多塊預(yù)制疊合板點(diǎn)云數(shù)據(jù)的自動(dòng)提取。圖4中，灰色代表支架，紅色、藍(lán)色、綠色分別代表3塊不同的預(yù)制疊合板。

2 尺寸質(zhì)量智能檢測

由于預(yù)制疊合板頂面特征（如底板的長寬尺寸、預(yù)留胡子筋的出筋長度與間距）及側(cè)面特征（桁架鋼筋的高度）在特定空間平面上具有鮮明的幾何特點(diǎn)，因此，提出基于投影的方法對(duì)預(yù)制疊合板進(jìn)行尺寸質(zhì)量檢測。將預(yù)制疊合板點(diǎn)云向特定平面投影后，在二維空間內(nèi)對(duì)投影數(shù)據(jù)進(jìn)行尺寸提取，利用二維和三維數(shù)據(jù)之間的映射關(guān)系，進(jìn)而高效、準(zhǔn)確地獲取各類尺寸數(shù)據(jù)。

2.1 疊合板底板尺寸檢測

預(yù)制疊合板的底板是一個(gè)規(guī)則的長方體，將預(yù)制疊合板點(diǎn)云數(shù)據(jù)沿主軸方向（Z軸）投影，生成鳥瞰視角的二維灰度圖像，利用數(shù)字圖像處理方法，檢測出預(yù)制疊合板的邊緣直線，將邊緣直線交點(diǎn)視為外輪廓角點(diǎn)，最終計(jì)算得到疊合板主板長寬尺寸數(shù)據(jù)，具體步驟如下：

1）將疊合板點(diǎn)云數(shù)據(jù)向底板平面進(jìn)行投影，生成二維灰度圖，如圖5所示。根據(jù)設(shè)置的分辨率r將點(diǎn)云坐標(biāo)映射至圖像坐標(biāo)中，坐標(biāo)取整并通過平移參數(shù)a和b，將灰度圖平移至合適的中間位置處，并利用式（6）和式（7）設(shè)置圖像數(shù)組的高度和寬度值。最后，將點(diǎn)云的高度值填充為像素值p，見式（8）

2）采用Canny邊緣檢測算法[26]，對(duì)灰度圖像進(jìn)行高斯平滑、變分梯度計(jì)算、非極大值抑制、雙閾值檢測及抑制孤立的弱邊緣等操作，獲得預(yù)制疊合板的邊緣。利用Hough直線檢測算法[27]，將每一個(gè)邊緣點(diǎn)與霍夫空間（ρ，θ）中的直線一一對(duì)應(yīng)起來，并對(duì)各直線的交點(diǎn)進(jìn)行“投票”；建立一個(gè)二維累加數(shù)組A（ρ，θ），將有n條直線經(jīng)過的交點(diǎn)記為A（ρ，θ）=n，設(shè)定直線檢測閾值nk，檢測出滿足A（ρ，θ）>n_k的所有交點(diǎn)，進(jìn)而解算得到邊緣點(diǎn)的最佳擬合直線方程，見式（9）。

4）由于預(yù)制疊合板底板4條邊緣直線為2對(duì)平行的直線，因此，對(duì)平行線段的截距值進(jìn)行簡單計(jì)算，便可得到疊合板底板的長寬尺寸。直線截距b與直線極徑ρ和θ的關(guān)系如式（11）所示，分別計(jì)算出4條邊緣直線的截距；再利用式（12）、式（13）計(jì)算疊合板長度和寬度。

3）假定相鄰鋼筋直線l_1和l_2，分別求每條直線的兩個(gè)端點(diǎn)到相鄰鋼筋直線的垂足p_i1和p_i2（i=1，2），得到垂足中點(diǎn)m_i （i=1，2）。將兩個(gè)垂足中點(diǎn)的距離作為相鄰鋼筋間距。

由圖10和圖11可以看出，采用上述算法流程可精準(zhǔn)地檢測到預(yù)制疊合板桁架鋼筋的角點(diǎn)。因此，采用該方法計(jì)算這些角點(diǎn)與底板平面的距離，得到的桁架鋼筋高度結(jié)果可信。

3 工程應(yīng)用

基于上述算法分析，提出一套完整的預(yù)制疊合板尺寸質(zhì)量智能檢測流程，見圖12。為了驗(yàn)證所提出方法的有效性，選取3塊預(yù)制疊合板進(jìn)行檢測試驗(yàn)。預(yù)制疊合板的俯視圖和前視圖樣圖見圖13、圖14。由于以標(biāo)靶球球心為配準(zhǔn)基點(diǎn)，使用三維激光掃描儀掃描時(shí)，需保證相鄰測站之間至少有3個(gè)公共標(biāo)靶球，掃描示意圖見圖15。所用三維激光掃描儀為FARO S150[30]，采用的分辨率均為1/8，數(shù)據(jù)點(diǎn)之間的距離為12.3 mm。

表1為一塊預(yù)制疊合板底板長寬尺寸質(zhì)量智能檢測結(jié)果與人工檢測結(jié)果對(duì)比。該結(jié)果表明，提出的預(yù)制疊合板底板長寬尺寸質(zhì)量智能檢測方法誤差在0.01 m以內(nèi)。

圖16給出了一塊預(yù)制疊合板的52根胡子筋出筋長度及間距的智能檢測結(jié)果與人工測量結(jié)果的對(duì)比圖，胡子筋的不同顏色對(duì)應(yīng)于每根胡子筋伸出長度智能檢測結(jié)果與人工檢測結(jié)果的絕對(duì)誤差值；相鄰兩根胡子筋間連接段顏色代表這對(duì)胡子筋間距的智能測量值與人工測量值的絕對(duì)誤差。從圖16可以看出，智能檢測結(jié)果與人工測量結(jié)果誤差在0.01 m以內(nèi)，檢測方法結(jié)果可靠。

基于提出的算法測得該塊預(yù)制疊合板的桁架鋼筋高度，結(jié)果如圖17所示。

上述結(jié)果表明，利用該方法對(duì)預(yù)制疊合板進(jìn)行尺寸檢測，能夠自動(dòng)化地實(shí)現(xiàn)對(duì)預(yù)制疊合板三維空間內(nèi)各類尺寸的智能檢測。

4 結(jié) 論

利用三維激光掃描技術(shù)，基于點(diǎn)云數(shù)據(jù)，對(duì)預(yù)制疊合板的尺寸質(zhì)量智能檢測進(jìn)行研究，主要結(jié)論如下：

1）提出一種智能化的預(yù)制疊合板尺寸質(zhì)量檢測方法，利用RANSAC平面檢測、Hough直線檢測算法、Shi-Tomas角點(diǎn)檢測算法等多種無監(jiān)督學(xué)習(xí)算法，實(shí)現(xiàn)了預(yù)制疊合板頂面特征尺寸（底板長寬尺寸、胡子筋伸出鋼筋長度及間距）及側(cè)面特征尺寸（桁架鋼筋高度）的智能檢測。

2）該方法結(jié)合點(diǎn)云數(shù)據(jù)處理及圖像處理算法，受構(gòu)件邊緣局部數(shù)據(jù)缺失的影響較小，能夠?qū)崿F(xiàn)規(guī)則立體結(jié)構(gòu)邊緣尺寸的非接觸式檢測。

3）驗(yàn)證試驗(yàn)結(jié)果表明，智能檢測結(jié)果精度為±0.01 m。在保證精度的前提下，該檢測方法可取代人工重復(fù)性檢測工作。

4）該方法依賴于將三維點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為空間平面方向上的二維灰度圖像，未來可從先進(jìn)的三維點(diǎn)云神經(jīng)網(wǎng)絡(luò)出發(fā)，開發(fā)更加符合流水線檢測精度與速度要求的三維結(jié)構(gòu)尺寸檢測方法。

參考文獻(xiàn)

[1]? ZHOU J Y， LI Y H， REN D D. Quantitative study on external benefits of prefabricated buildings： From perspectives of economy， environment， and society [J]. Sustainable Cities and Society， 2022， 86： 104132.

[2]? 中華人民共和國住房和城鄉(xiāng)建設(shè)部. “十四五”建筑業(yè)發(fā)展規(guī)劃[EB/OL]. （2022-01-19）[2023-02-25]. http：//www.gov.cn/zhengce/zhengceku/2022-01/27/5670687/files/12d50c613b344165afb21bc596a190fc.pdf.

Ministry of Housing and Urban-Rural Development of the People’s Republic of China. 14th Five-Year Plan formulation of construction industry [EB/OL]. （2022-01-19）[2023-02-25]. http：//www.gov.cn/zhengce/zhengceku/2022-01/27/5670687/files/12d50c613b344165afb21bc596a190fc.pdf.（in Chinese）

[3]? 劉凌宇，崔亦瑋，仲冉.裝配式預(yù)制構(gòu)件施工質(zhì)量問題研究[J].建筑結(jié)構(gòu)，2022， 52（Sup2）： 1596-1600.

LIU L Y， CUI Y W， ZHONG R. Research on the construction quality of prefabricated building components [J]. Building Structure， 2022， 52（Sup2）： 1596-1600. （in Chinese）

[4]? 瞿富強(qiáng)， 陳初一， 顏偉. 基于ANP-FUZZY的裝配式建筑預(yù)制構(gòu)件質(zhì)量風(fēng)險(xiǎn)評(píng)價(jià)[J]. 土木工程與管理學(xué)報(bào)， 2019， 36（3）： 92-98

QU F Q， CHEN C Y， YAN W. Quality risk assessment of prefabricated building components based on ANP-FUZZY [J]. Journal of Civil Engineering and Management， 2019， 36（3）： 92-98 （in Chinese）

[5]? 吳楊， 宋磊， 朱兆晴， 等. 鋼管桁架預(yù)應(yīng)力混凝土疊合板設(shè)計(jì)方法[J]. 建筑結(jié)構(gòu)， 2022， 52（1）： 109-114， 126

WU Y， SONG L， ZHU Z Q， et al. Design method for prestressed concrete laminated slab with grouted steel-tube trusses [J]. Building Structure， 2022， 52（1）： 109-114， 126 （in Chinese）

[6]? 楊秀英， 魏振宇， 王示， 等. 新型雙向鋼筋桁架疊合板底板受力性能試驗(yàn)研究[J]. 土木與環(huán)境工程學(xué)報(bào)（中英文）， 2021， 43（4）： 84-90

YANG X Y， WEI Z Y， WANG S， et al. Experimental study on the mechanical properties of the baseplate of composite slab with two-way steel truss [J]. Journal of Civil and Environmental Engineering， 2021， 43（4）： 84-90 （in Chinese）

[7]? PURI N S， VALERO E， TURKAN Y， et al. Assessment of compliance of dimensional tolerances in concrete slabs using TLS data and the 2D continuous wavelet transform [J]. Automation in Construction， 2018， 94： 62-72.

[8]? FU X B， ZHANG Y C， ZHANG W W， et al. Research on the size of ring forgings based on image detection and point cloud data matching method [J]. The International Journal of Advanced Manufacturing Technology， 2022， 119（3/4）： 1725-1735.

[9]? 楊陽， 李青澤， 姚剛. 預(yù)制疊合板構(gòu)件智能化識(shí)別與檢測方法[J]. 土木與環(huán)境工程學(xué)報(bào)（中英文）， 2022（1）： 87-93.

YANG Y， LI Q Z， YAO G. Intelligent identification and detection method of prefabricated laminated slab [J]. Journal of Civil and Environmental Engineering， 2022（1）： 87-93. （in Chinese）

[10]? ZHANG P， FAN W Y， CHEN Y， et al. Structural symmetry recognition in planar structures using Convolutional Neural Networks [J]. Engineering Structures， 2022， 260： 114227.

[11]? CHEN Y， LU C H， YAN J Y， et al. Intelligent computational design of scalene-faceted flat-foldable tessellations [J]. Journal of Computational Design and Engineering， 2022， 9（5）： 1765-1774.

[12]? ZHU H L， WANG Y S. Intelligent prediction of prestressed steel structure construction safety based on BP neural network [J]. Applied Sciences， 2022， 12（3）： 1442.

[13]? 姚剛， 廖港， 楊陽， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)制疊合板多目標(biāo)智能化檢測方法[J]. 土木與環(huán)境工程學(xué)報(bào)（中英文）， 2024， 46（1）： 93-101.

YAO G， LIAO G， YANG Y， et al. Multi-target intelligent detection method of prefabricated laminated board based on convolutional neural network [J]. Journal of Civil and Environmental Engineering， 2024， 46（1）： 93-101.（in Chinese）

[14]? LIU J P， LI D S， FENG L， et al. Towards automatic segmentation and recognition of multiple precast concrete elements in outdoor laser scan data [J]. Remote Sensing， 2019， 11（11）： 1383.

[15]? LI D S， LIU J P， FENG L， et al. Terrestrial laser scanning assisted flatness quality assessment for two different types of concrete surfaces [J]. Measurement， 2020， 154： 107436.

[16]? LIU J D， ZHANG Q L， WU J， et al. Dimensional accuracy and structural performance assessment of spatial structure components using 3D laser scanning [J]. Automation in Construction， 2018， 96： 324-336.

[17]? KIM M K， WANG Q， LI H. Non-contact sensing based geometric quality assessment of buildings and civil structures： A review [J]. Automation in Construction， 2019， 100： 163-179.

[18]? LI D S， LIU J P， FENG L， et al. Automatic modeling of prefabricated components with laser-scanned data for virtual trial assembly [J]. Computer-Aided Civil and Infrastructure Engineering， 2021， 36（4）： 453-471.

[19]? GUO J J， WANG Q， PARK J H. Geometric quality inspection of prefabricated MEP modules with 3D laser scanning [J]. Automation in Construction， 2020， 111： 103053.

[20]? ZHAO W J， JIANG Y， LIU Y Y， et al. Automated recognition and measurement based on three-dimensional point clouds to connect precast concrete components [J]. Automation in Construction， 2022， 133： 104000.

[21]? KIM M K， SOHN H， CHANG C C. Automated dimensional quality assessment of precast concrete panels using terrestrial laser scanning [J]. Automation in Construction， 2014， 45： 163-177.

[22]? KIM M K， WANG Q， PARK J W， et al. Automated dimensional quality assurance of full-scale precast concrete elements using laser scanning and BIM [J]. Automation in Construction， 2016， 72： 102-114.

[23]? FISCHLER M A， BOLLES R C. Random sample consensus [J]. Communications of the ACM， 1981， 24（6）： 381-395.

[24]? ESTER M， KRIEGEL H， SANDER J， et al. A density-based algorithm for discovering clusters in large spatial databases with noise [C]//KDD，96： Proceedings of the Second International Conference on Knowledge Discovery and Data Mining 1996： 226-231

[25]? WOLD S， ESBENSEN K， GELADI P. Principal component analysis [J]. Chemometrics and Intelligent Laboratory Systems， 1987， 2（1/2/3）： 37-52.

[26]? CANNY J. A computational approach to edge detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1986， PAMI-8（6）： 679-698.

[27]? DUDA R O， HART P E. Use of the Hough transformation to detect lines and curves in pictures [J]. Communications of the ACM， 1972， 15（1）： 11-15.

[28]? SHI J B， TOMASI. Good features to track [C]//1994 Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. June 21-23， 1994， Seattle， WA， USA. IEEE， 2002： 593-600.

[29]? HARRIS C G， STENPHENS M J. A combined corner and edge detection [C]//Alvey Vision Conference， 1988， 15（50）： 10-5244.

[30]? FARO. Focus 3D Technical Specification [EB]. Faro Inc： Lake Mary， 2018.

（編輯? 王秀玲）

收稿日期：2022?09?28

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃（2021YFF0500903）；國家自然科學(xué)基金（52130801）

作者簡介：馬曉曉（1999- ），女，博士生，主要從事智能建造研究，E-mail：MaXX@cqu.edu.cn。

Received： 2022?09?28

Foundation items： National Key Research and Development Program of China （No. 2021YFF0500903）; National Natural Science Foundation of China （No.52130801）

Author brief： MA Xiaoxiao （1999- ）， PhD candidate， main research interest： intelligent construction， E-mail： MaXX@cqu.edu.cn.