中小型RC橋梁點云自適應(yīng)分割及BIM建模

摘要 中小型鋼筋混凝土（Reinforced Concrete，RC）橋梁BIM建模的關(guān)鍵在于準確分割構(gòu)件點云，但現(xiàn)有分割方法存在精度較低的問題，導(dǎo)致生成BIM時效率不高。為此，文章提出一種點云密度自適應(yīng)區(qū)域生長算法，引入密度因子自適應(yīng)調(diào)整搜索半徑和閾值等參數(shù)，實現(xiàn)了橋梁構(gòu)件點云的精準分割，簡化了BIM建模步驟。在4座公共數(shù)據(jù)集和3座實地掃描的中小型RC橋梁分割實驗中取得了顯著的性能提升，準確率、召回率和平均交并比分別為90.85%、90.82%和84.31%。文章成果可用于橋梁全生命周期的智能化管理。

關(guān)鍵詞 橋梁構(gòu)件分割；區(qū)域生長算法；密度自適應(yīng)；點云；橋梁BIM

中圖分類號 U446.2；U448.2 文獻標識碼 A 文章編號 2096-8949（2024）13-0001-03

0 引言

我國中小型橋梁占比約為84%[1]，主要為RC簡支梁橋。隨著時間推移和使用環(huán)境變化，橋梁的耐久性和安全性正受到挑戰(zhàn)[2]。因此，定期獲取其結(jié)構(gòu)狀態(tài)信息至關(guān)重要[3]。地面三維激光掃描技術(shù)可高效地獲取點云數(shù)據(jù)[4]，研究構(gòu)件點云精準分割方法將成為橋梁BIM建模的重要支撐。常用的點云分割方法包括區(qū)域生長算法[5]、DBSCAN、RANSAC等。區(qū)域生長算法因簡單易實現(xiàn)而廣泛應(yīng)用，但對種子點和分割閾值敏感，容易導(dǎo)致過分割或欠分割[5]。因此，研究點云局部密度變化規(guī)律，改進區(qū)域生長算法，對解決密度適應(yīng)性問題至關(guān)重要。將結(jié)構(gòu)點云與BIM結(jié)合，對于中小型RC橋梁通過精準點云分割高效生成BIM模型，具有重要的實踐價值。

1 面向中小型RC橋梁的點云密度自適應(yīng)區(qū)域生長分割及BIM技術(shù)

面向中小型RC橋梁點云構(gòu)件分割的密度自適應(yīng)區(qū)域生長方法包括三部分內(nèi)容：

（1）使用定密度點云均勻采樣方法進行降采樣，使用布料濾波算法（Cloth Simulation Filtering，CSF）濾除地面，得到橋梁主體點云。

（2）提出密度自適應(yīng)區(qū)域生長算法，精準分割橋面、護欄和橋墩等主要構(gòu)件。

（3）基于分割所得的橋梁構(gòu)件，利用Revit軟件進行BIM建模。

1.1 點云降采樣及地面濾除

為提高運算效率，首先使用CloudCompare軟件去除樹木等雜點，然后引入定密度均勻降采樣方法，對橋梁原始點云進行降采樣，公式如下：

式中，K——采樣步長；S——采樣后點集；P——原始點集；|P|——點集P中的點數(shù)量；D——目標密度。

同時，地面點在原始橋梁點云場景中占比較高，與橋梁點云混合在一起，將增大誤判風(fēng)險。因此，引入可有效過濾地面點的CSF算法，通過物理模擬方式有效濾除地面點。降采樣和CSF濾波后的橋梁點云將送入下一步的密度自適應(yīng)區(qū)域生長方法。

1.2 面向中小RC橋梁的點云密度自適應(yīng)區(qū)域生長分割方法

橋面、橋墩及護欄連接處的點密度較大，鄰域點更多。經(jīng)典區(qū)域生長算法的關(guān)鍵在于種子點的選取、鄰域點的屬性判斷以及生長規(guī)律的確定等，選取不合適的生長條件將會導(dǎo)致錯誤分割或過度分割問題[5]。為解決其搜索半徑和分割閾值依賴經(jīng)驗選取的問題，該研究考慮橋梁鄰域點數(shù)量及空間距離，引入密度因子（Density Factor，DF），對于每個點，通過KD樹（k-dimensional tree）搜索其最近鄰點的距離，計算其鄰域密度，并將其歸一化到0.01～0.99之間，最終獲得每個點的密度因子。計算公式如下：

式中，DFp——點p的密度因子；|di|——點p到其第i個最鄰近點之間的距離；n——鄰域點的數(shù)量。

1.2.1 基于密度因子自適應(yīng)調(diào)整搜索半徑

在經(jīng)典區(qū)域生長算法中，對于每個種子點，采用固定值的搜索半徑進行鄰域搜索。然而，面對密度不均的橋梁點云，采用固定的搜索半徑會導(dǎo)致構(gòu)件點云邊界的分割不準確。為適應(yīng)橋梁點云密度變化，根據(jù)密度因子自動計算對應(yīng)的搜索半徑（Rp），計算公式如下：

式中，DFp——點p的密度因子；RF——預(yù)先設(shè)定的半徑。

通過密度因子動態(tài)調(diào)整搜索半徑，在高密度區(qū)域，為防止將不同屬性的點合并而導(dǎo)致錯誤分割，可采用較小的密度因子和搜索半徑；而在低密度區(qū)域，為確保捕獲更多鄰域點，可采用較大的密度因子和搜索半徑。這使得改進后的算法可在不同密度區(qū)域更靈活地捕捉橋梁結(jié)構(gòu)特征，以提高分割的準確性和魯棒性。

1.2.2 基于密度因子自適應(yīng)調(diào)整分割閾值方法

在搜索種子點的鄰域點后，判斷搜索到的點是否屬于同一類。經(jīng)典區(qū)域生長算法，一般采用固定閾值進行相似度判斷，這些閾值通常依靠人為經(jīng)驗設(shè)置，適用性不高。為解決此問題，利用密度因子動態(tài)調(diào)整角度閾值和曲率閾值，公式如下：

式中，mDF——平均密度因子；N——所有點的數(shù)

量；θthreshold——角度閾值；A——初始角度閾值；Cthreshold——曲率閾值；B——初始曲率閾值。

因護欄形狀差異大且相對復(fù)雜，方法可能得到若干小聚類，使用RANSAC進行優(yōu)化，最后獲得橋梁構(gòu)件點云的精準分割結(jié)果。

為評估所提方法的性能，使用準確率（Precision，P）、召回率（Recall，R）和交并比（Intersection over Union，IoU）作為評價指標。通常較高的P、R和IoU表明算法具有更好的分割效果，公式如下：

式中，TP（True Positive）——手動標注結(jié)果中被正確分割的點數(shù)；FN（False Negative）——手動標注結(jié)果中未被分割的點數(shù)；FP（False Positive）——算法分割結(jié)果中錯誤分割的點數(shù)；Sinter——交集面積；Sunion——并集面積。

1.3 基于精準構(gòu)件分割的橋梁BIM技術(shù)

橋梁構(gòu)件的精準分割，可使BIM建模過程無須再人工選取各構(gòu)件，提高了建模效率。首先，利用ReCap將分割所得構(gòu)件點云轉(zhuǎn)換為可導(dǎo)入Revit軟件中進行建模操作的.rcs格式文件。然后，對橋面、橋墩以及護欄構(gòu)件進行分步建模，創(chuàng)建平面、柱和梁等幾何體，保證與原始的點云尺寸一致，完成初步BIM建模。最后，以現(xiàn)實橋梁為基礎(chǔ)，對選擇的構(gòu)件材料進行細部優(yōu)化，添加表面涂裝及交通元素，以得到接近真實道路環(huán)境的橋梁BIM模型。

2 實驗及結(jié)果分析

2.1 實驗數(shù)據(jù)獲取

實驗數(shù)據(jù)選用4座公共數(shù)據(jù)與3座實地掃描的中小型RC簡支梁橋（如圖1所示），跨徑總長在20.3～60.3 m之間。其中，4座公共數(shù)據(jù)橋梁來自Zenodo數(shù)據(jù)庫[6]，掃描密度為7.67 mm；3座實地掃描的橋梁采集于北京市某區(qū)，掃描密度為6.21 mm。

2.2 橋梁點云密度自適應(yīng)區(qū)域生長分割的參數(shù)選取及分析

7座橋梁的點云密度統(tǒng)一降采樣到100萬個點，CSF最大迭代次數(shù)為300次。由于原始點云密度存在差異，經(jīng)實驗測試，選取公共數(shù)據(jù)橋梁濾波網(wǎng)格大小為0.8 m，距離閾值為0.2 m；實地橋梁濾波網(wǎng)格大小為0.6 m，距離閾值為0.1 m。

經(jīng)多次實驗調(diào)整，選取最優(yōu)參數(shù)組合。根據(jù)點密度分布特點，在改進后的區(qū)域生長算法中，設(shè)置初始角度閾值A(chǔ)為180°，初始曲率閾值為0.48，RF為0.19 m。當小聚類小于3 500個點時進行合并，RANSAC中設(shè)置聚類的最小點數(shù)為125，聚類距離閾值為0.325 m，得到整體護欄構(gòu)件信息。

2.3 橋梁點云構(gòu)件分割結(jié)果及對比分析

選取經(jīng)典的點云分割算法（RANSAC、DBSCAN和區(qū)域生長算法）與密度自適應(yīng)區(qū)域生長算法展開對比分析。圖2展示了橋梁構(gòu)件在4種算法下的點云分割結(jié)果，可見密度自適應(yīng)區(qū)域生長算法在中小型RC橋梁構(gòu)件分割中的表現(xiàn)最佳，IoU、P和R分別達到84.31%、90.85%和90.82%。如圖2中的紅色框選，改進后的算法能夠自動選擇點搜索半徑及分割閾值，在構(gòu)件連接處和點云密度稀疏的護欄部分中的分割效果提升明顯。對比來講，經(jīng)典區(qū)域生長算法受離群點等噪點影響，構(gòu)件完整性有所欠缺；RANSAC橋面分割精度較高，但在護欄等密度差異較大區(qū)域，部分點云被錯誤地分割至其他平面；DBSCAN則存在區(qū)域過度劃分的問題。

2.4 橋梁BIM建模結(jié)果

利用ReCap軟件，對各橋梁分割所得的構(gòu)件進行格式轉(zhuǎn)換并保存。然后創(chuàng)建橋梁建模項目，加載導(dǎo)出的點云文件，調(diào)整中心位置、比例尺和旋轉(zhuǎn)角度。然后，在Revit軟件中創(chuàng)建橋面、橋墩以及護欄等結(jié)構(gòu)模型，確定幾何尺寸等。設(shè)置各構(gòu)件的材料屬性，如瀝青路面和道路標線等，以形成完整的橋梁BIM模型。7座橋梁的BIM效果如圖3所示：

3 結(jié)論

該文針對中小型RC橋梁點云的BIM建模效率，提出了改進的密度自適應(yīng)區(qū)域生長算法，引入密度因子以自適應(yīng)調(diào)整搜索半徑與分割閾值，解決了點云密度分布不均勻?qū)е碌臉?gòu)件分割精度不高等問題。通過對7座橋梁進行實驗驗證，該方法在四種構(gòu)件分割方法中達到最優(yōu)，實現(xiàn)了橋梁主要構(gòu)件的精準分割，分割結(jié)果可有效運用于BIM建模。未來將融合顏色和紋理等信息，進行橋梁表觀病害研究。對大型橋梁構(gòu)件分割和其他類型橋梁的構(gòu)件分割也需進一步研究，以形成更具有普適性的點云BIM建模方法。

參考文獻

[1]2022年交通運輸行業(yè)發(fā)展統(tǒng)計公報[EB/OL]. https： //www. gov. cn/lianbo/bumen/202306/content_6887539. htm. 2023-06-21 [2023-12-29].

[2]張喜剛， 田雨， 陳艾榮. 多災(zāi)害作用下橋梁設(shè)計方法研究綜述[J]. 中國公路學(xué)報， 2018（9）： 7-19.

[3]段翔遠. 基于模糊理論的混凝土公路橋梁技術(shù)狀況評定方法研究[J]. 市政技術(shù)， 2023（7）： 61-64+105.

[4]趙瑞英. 三維激光掃描技術(shù)在滑坡檢測中的應(yīng)用研究[D]. 蘭州：蘭州交通大學(xué)， 2017.

[5]蘭猗令. 基于三維激光點云的建筑物分割及曲面孔洞修補算法研究[D]. 桂林：桂林理工大學(xué)， 2023.

[6]Lu R， Brilakis I， Middleton C R. Detection of Structural Components in Point Clouds of Existing RC Bridges[J]. Computer-Aided Civil and Infrastructure Engineering， 2019（3）： 191-212.

收稿日期：2024-02-27

作者簡介：王金（1984—），女，工學(xué)博士，副教授，研究方向：基礎(chǔ)設(shè)施表觀數(shù)字化巡檢與道路交通安全。

基金項目：北京市自然科學(xué)基金-豐臺前沿項目“城市軌道交通線路表觀智能巡檢與安全評估方法”（L221026）；北京市自然科學(xué)基金“激光雷達點云數(shù)據(jù)下三維有效視距自動檢查及道路安全分析”（8232005）；國家自然科學(xué)基金“面向隧道變形監(jiān)測的激光點云協(xié)同轉(zhuǎn)換和全斷面建模研究”（41801380）。