索桥的三维几何数字孪生:基于无人机(UAV)和激光扫描技术(TLS)的点云配准、融合建模及损伤检测

《Engineering》:Three-Dimensional Geometric Digital Twin of Cable-Stayed Bridges: UAV- and TLS-Based Point Cloud Registration, Fusion Modeling, and Damage Inspection

【字体: 大 中 小 】 时间:2026年02月06日 来源:Engineering 11.6

编辑推荐:

  连振张|开忠邓|彦良杜|秋山光良|丹·M·弗兰戈波尔|辛继宇 中国深圳大学土木与交通工程学院极端环境下的绿色与长寿道路工程国家重点实验室,深圳518063 **摘要** 先进的检测技术对于高效发现桥梁损伤至关重要,尤其是在跨越河流等复杂地形的长跨度桥梁上。本研究介绍

  连振张|开忠邓|彦良杜|秋山光良|丹·M·弗兰戈波尔|辛继宇
中国深圳大学土木与交通工程学院极端环境下的绿色与长寿道路工程国家重点实验室,深圳518063

**摘要**
先进的检测技术对于高效发现桥梁损伤至关重要,尤其是在跨越河流等复杂地形的长跨度桥梁上。本研究介绍了一种创新的方法,用于重建大型悬索桥的三维几何数字孪生(DT)模型并进行相关的损伤检测。该方法采用多源配准技术,整合了来自两种类型无人机和地面激光扫描仪的点云数据。该框架在中国佳木斯的一座特大型预应力混凝土桥上得到了应用。通过三种不同的配准方法,在降噪处理后实现了点云数据的融合建模。实验结果表明,自动配准算法显著提高了DT模型的绝对精度、相对精度和完整性,分别提高了28.2%、10.8%和18.8%。此外,改进后的DT模型有助于检测各种形式的桥梁损伤,包括表面混凝土剥落以及桥面板和梁的变形,为有效的桥梁维护规划提供了有希望的解决方案。

**1. 引言**
根据中华人民共和国交通运输部发布的《2023年交通运输行业发展统计公报》,截至2023年底,中国共建设了约1,079,300座公路桥梁,其中包括10,239座特大型桥梁和177,700座大型桥梁[1][2]。这使中国成为全球桥梁数量最多的国家。然而,这一成就被桥梁性能下降导致的安全问题所掩盖。值得注意的是,中国公路网络中有40%的桥梁已服役超过20年,其中30%被归类为状况不佳,15%被认为存在危险[3][4]。同样,美国土木工程师协会2021年的基础设施报告显示,在美国超过617,000座桥梁中,42%的桥梁至少有50年的历史,约7.5%被认定为结构缺陷[5]。这些令人担忧的统计数据突显了定期检测和结构健康监测(SHM)的迫切需求,以便进行明智的评估和维护决策,从而确保桥梁安全[6][7]。

检测和SHM在减少桥梁管理中的认知不确定性以及防止意外服务中断和结构故障方面至关重要[8][9]。近几十年来,检测和SHM技术取得了显著进展,包括无损检测(NDT)以及基于振动、应变和全球定位系统(GPS)的SHM系统[10]。虽然SHM系统可以持续监测结构特性和行为的变化,但检测通常是定期的,主要关注现有缺陷的识别[11][12]。视觉检测仍然是评估桥梁等基础设施状况的主要方法[13]。视觉检测通常作为初步步骤,在使用更先进的NDT技术(如超声波或射线检测)之前用于检测表面损伤[14]。然而,传统的视觉检测方法存在一些局限性:它们劳动密集、受人为错误和检测员经验影响较大,并且会受到环境条件(如现场温度)的显著影响。同时,近几十年来在河流、海洋、山谷和渠道上建造的长跨度桥梁进一步增加了检测工作的复杂性,特别是在恶劣环境中的大型桥梁难以到达的区域。

为应对这些挑战,最近出现了针对现代桥梁独特环境条件和结构特性的检测设备和技术进步。值得注意的创新包括无人机(UAV)、地面穿透雷达(LiDAR)和机器人系统[15]。例如,无人机可以配备高分辨率相机、LiDAR和热成像传感器,提供快速、安全且详细的空中视图,从而无需搭建脚手架或封闭道路。地面激光扫描仪(TLS)利用激光脉冲生成精确的三维(3D)点云和桥梁结构的真实模型,有助于检测几何异常、结构损伤和变形。整合来自无人机和TLS的数据(如图像和点云)可以创建桥梁的3D数字孪生(DT)模型。这些DT模型允许独立于环境因素、交通流量或桥梁类型、高度和跨度长度来观察和评估表面损伤。DT技术在缺陷检测、对齐监测和结构施工管理方面表现出显著效果[16][17]。

大量研究致力于将来自先进检测方法(如无人机和TLS)的数据整合到桥梁性能评估、预测和生命周期管理中[18]。在无人机摄影到3D建模的背景下,Siebert和Teizer[19]提出了一种评估无人机系统在获取土方工程测量移动3D测绘数据方面的性能的创新方法。Iizuka等人[20]使用印度尼西亚的矿后场地作为案例研究,展示了无人机摄影测量在景观分析中的优势。Liu等人[21]提出了一种基于图像的桥梁桥墩裂缝评估新方法,利用无人机和3D场景重建。Xu和Zhang[22]利用无人机图像重建3D模型并测量桥梁构件的几何形状,其关键创新是将大规模的全桥3D重建分解为多个分布式任务,每个任务专注于子模型。Delgado等人[23]通过结合全站仪测量,提高了无人机在桥梁底部3D重建中的定位精度——这通常由于GPS信号差和钢材干扰而具有挑战性。无人机摄影技术因其灵活性和广泛覆盖范围而得到广泛应用[24]。然而,仍存在一些挑战,包括难以捕捉桥梁中部和底部的详细图像,以及可能导致3D模型粘附和变形的技术限制[25]。此外,在实际工程应用中,无人机经常遇到低空飞行限制、需要优化图像分辨率与地面采样距离(GSD)之间的关系,以及难以重建纹理较弱表面(尤其是在水面上)的问题。

从TLS数据重建的模型通常比从无人机图像生成的模型具有更高的精度。3D激光扫描技术,也称为现实复制技术,通过高速激光扫描快速获取物体表面的精确3D坐标信息,生成详细的点云表示。该技术的特点是效率高、兼容性好、数据采集速度快和数据质量优越[26]。Olsen等人[27]开发了一种利用TLS进行损伤检测和全尺寸结构试件体积变化分析的方法。Lague等人[28]提出了一种称为多尺度模型比较(M3C2)的方法,通过计算3D点云之间的正交距离来直接比较它们,以测量表面变化,如新西兰Rangitikei河峡谷所示。然而,TLS也有一定的局限性。设备限制和桥梁高度对扫描角度的影响可能会阻碍对桥梁上部细节信息的捕获,导致模型缺乏相关纹理特征[29]。此外,在实际工程场景中,TLS在多站扫描过程中容易发生配准错误,并且在复杂环境中容易受到遮挡的影响。这些挑战在检查结构复杂的桥梁时尤为显著,大大限制了数据采集的完整性和准确性。

多源数据的整合代表了桥梁检测和安全评估的重大进步,因为无人机和TLS提供了互补的能力,有效缓解了各自的局限性[15]。尽管该领域的研究仍有限,但已经取得了显著贡献。Moon等人[30]提出了一种生成和合并来自激光扫描和基于无人机图像处理的混合点云数据的方法,实现了多种应用,如3D表面建模、现场调查和体积土方计算。Han等人[31]提出了一种实用的无人机飞行规划方法,使用特征航点进行倾斜摄影,并提供了一种从点云数据自动提取桥梁对齐的有效框架。他们的研究比较了使用TLS和无人机点云获得的桥梁对齐精度,以全站仪数据作为参考。Mohammadi等人[32]提出了一种综合方法,利用桥梁信息建模来提高桥梁管理系统(BMS)的效率和功能。在相关研究中,Mohammadi等人[33]对一座澳大利亚遗产桥通过基于无人机的摄影测量和TLS生成的两个数字点云进行了详细案例分析。据我们所知,目前还没有现有的算法或方法能够有效整合来自多个来源(如无人机和TLS)的点云数据,进行全面的3D DT模型重建和损伤检测,特别是对于大型悬索桥。在DT技术中整合多源数据融合有助于开发实时、交互式的虚拟桥梁系统,显著提高实时复制、结构评估和智能检测方法的能力[34]。

鉴于当前研究方法和检测设备的局限性,本研究的主要创新和贡献总结如下:
① 开发了一种新的框架,整合无人机和TLS数据用于桥梁3D重建和损伤检测,从而在整个桥梁生命周期内做出明智的评估和维护决策;
② 建立了一个技术工作流程,包括两步无人机飞行路径规划和季节性TLS扫描方案,显著提高了数据采集效率,并确保在复杂现场条件下的高质量数据;
③ 实施了三种点云配准方法(手动、半自动和自动配准),以实现无人机和TLS点云的精确配准;
④ 引入并应用了三种定量评估指标(绝对精度、相对精度和完整性),以全面评估和验证重建DT模型的性能;
⑤ 促进了全面的DT模型构建,使其能够有效应用于关键检测任务,如表面损伤检测和结构对齐控制。该框架的有效性和稳健性通过在中国东北部佳木斯的一座特大型预应力混凝土桥上的现场测试得到了验证。该框架解决了桥梁检测和维护中的主要挑战,特别是对于大型悬索桥,通过提高数据精度、实现更全面的结构完整性评估以及提高整体效率和节省劳动力。

**2. 基于无人机和TLS技术的3D数字孪生重建和大型悬索桥损伤检测框架**
利用基于无人机和TLS技术的点云配准方法进行大型悬索桥3D DT模型重建和损伤检测的框架如图1所示。该过程从收集和配准桥梁点云数据开始。具体来说,图1(a-i)详细说明了两种主要数据类型的获取:通过倾斜摄影获得的无人机图像和通过激光扫描获得的TLS点云。有关这些数据收集方法的更多信息见第3.1节。随后,使用半径异常值去除(ROR)和统计异常值去除(SOR)滤波器对原始数据进行降噪处理,如图1(a-ii)所示,并在第3.2节中讨论。

**下载:下载高分辨率图像(1MB)**
**下载:下载全尺寸图像**
图1. 使用(a)基于无人机和TLS的点云配准进行(b)大型悬索桥(c) 3D几何DT模型重建和损伤检测的框架。DJI Mavie 3E:SZ DJI Technology Co., Ltd.,中国;Trimble SX12:Trimble Inc., USA。

本研究的一个关键创新和挑战在于多源数据集的配准,特别是使用手动、半自动和自动技术整合无人机图像和TLS点云,如图1(a-iii)所示,并在第3.3节中进一步阐述。无人机倾斜摄影和TLS 3D扫描的不同优势见表1。无人机在快速覆盖大面积方面非常有效,特别是在难以到达的位置,而TLS则具有更高的精度和细节,非常适合精确测量。无人机(UAVs)和激光扫描仪(TLSs)的互补部署中,无人机主要捕捉桥梁的上部和中部结构(如塔架、缆绳和甲板),而激光扫描仪则专注于下部结构(包括梁底、支座和桥墩),这消除了对基于甲板的测量站的需求,并避免了交通中断,从而提高了检查效率。这种集成方法还解决了无人机在获取下部结构详细数据方面的局限性,提高了3D模型重建的质量,并强调了多源数据配准在满足桥梁生命周期管理中多样化3D空间信息需求方面的重要性。表1. 无人机和激光扫描仪在3D数字地形(DT)桥梁模型重建中的数据收集比较。

表1. 无人机和激光扫描仪在3D数字地形(DT)桥梁模型重建中的数据收集比较

| 比较项目 | 数据质量和细节 | 数据收集速度 | 可访问性 | 安全性 | 成本 |
|---------|-----------|-----------|---------|------|
| 无人机倾斜摄影 | 高分辨率航拍图像 | 大面积覆盖和快速数据收集 | 高灵活性和远程访问,适用于大型开放区域 | 较低风险 | 更具成本效益,因为无人机设备更便宜、数据收集更快且劳动力需求较少 |
| 激光扫描仪3D扫描 | 极其详细的点云 | 由于多次扫描设置而较慢 | 适用于需要高度细节的内部空间 | 较高风险 | 更昂贵,因为激光扫描仪设备成本较高,需要熟练的操作员,数据收集耗时较长,且需要封闭道路 |

为了验证这一技术框架,现场测试在中国佳木斯的超大型斜拉桥上进行,具体位置信息见图1(b-i)和第4.1节。数据收集使用了DJI Mavic 3E无人机(SZ DJI Technology Co., Ltd.,中国)和Trimble SX12激光扫描仪(Trimble Inc.,美国),详见4.2节无人机现场数据和4.3节激光扫描仪现场数据。如图1(b-ii)和(b-iii)所示,无人机按照预定飞行路径拍摄了倾斜航拍图像,而激光扫描仪则根据预定义的扫描策略收集点云。对现场数据进行的噪声减少过程见图1(b-iv),详细内容在第4.4节中说明。多源点云的配准以及使用不同方法的配准精度比较见图1(b-v),并在第4.5节中详细讨论。

第5.1节展示了通过融合点云使用各种方法生成的3D DT模型与仅使用无人机图像构建的模型之间的比较。为了评估模型,引入了三个关键指标:绝对精度、相对精度和模型完整性,如图1(c-i)所示。最后,第5.2节展示了该技术框架在损伤检测中的两个应用实例:①表面混凝土剥落识别和体积计算;②通过将点云拟合曲线与相应设计曲线进行对比来进行对齐控制。

3. 桥梁点云数据的收集与配准
本节讨论了从空中平台(无人机)和地面系统(激光扫描仪)收集、处理和配准多源点云数据的方法。工作流程包括无人机和激光扫描仪的数据采集、预处理步骤(如单源点云数据配准和噪声减少),以及来自无人机和激光扫描仪的多源点云的配准。基于所研究的斜拉桥案例研究,评估了相应的处理效率和实际工程应用的可扩展性,详见第5.3.1节。

3.1 点云数据的收集
利用无人机倾斜摄影技术和激光扫描仪3D激光扫描的数据采集过程分别见图2(a)和(b)。无人机任务的地面采样距离(GSD)以及前方(RFO)和侧面(RSO)重叠比的配置分别见图3(a)和(b)。无人机和激光扫描仪都配备了全球导航卫星系统(GNSS)和实时动态(RTK)模块,能够实现厘米级精度的实时数据配准。与直接通过3D激光扫描生成点云的激光扫描仪不同,基于无人机的倾斜摄影测量产生的是重叠的二维(2D)图像,需要后续将其重建为3D点云模型,如图2(a-iii)所示。从多个角度获取的倾斜航拍图像生成的3D点云随后使用地面控制点(GCPs)对齐到全球坐标系中,详见图4[35]。同样,通过GNSS-RTK技术建立的GCPs也用于激光扫描仪的工作流程中,将来自多个扫描位置(SPs)的点云数据对齐并注册到统一的坐标系中。

3.2 点云数据的预处理(噪声减少)
点云由分散的、无结构的数据点组成,缺乏明确的拓扑关系,这对有效的噪声减少提出了重大挑战。为了解决这些问题,采用了ROR( удаление избыточных точек)和SOR( удаление точек, не являющихся внутренними)滤波器来生成更干净的点云,如图1(a-ii)所示。

在ROR中,内点集UROR的确定方法如下[36]:
(1) UROR = {pc ∈ P | dpq ≤ μ + δσ}
其中
p 表示待处理的点,
Pc 表示点云中的所有点,
MinPNT 表示最小邻居数量,
c[·] 表示集合[·]中的元素数量,
Ur(p, q) 表示点p在半径r范围内的邻居点集,
dpq 表示点p与其邻居q之间的距离。

在SOR中,方程(3)中确定的内点集USOR不会被视为异常值[36]:
(3) USOR = {p1 ∈ P | dpq ≤ μ + δσ}
其中
μ = (1/m) * ∑p∈P * dpq
σ = √(1/m) * ∑p∈P * dpq^2
m 表示点云中的点数,
k 表示每个点的邻居点数量,
δ 表示标准差乘数。

选择滤波器参数对于在去除异常值和保持几何特征之间达到最佳平衡至关重要,同时要尽量减少在噪声减少过程中丢弃有效点的风险。对于ROR,参数r应根据平均点间距设置,MinPNT应根据整体点密度进行调整。在SOR中,参数k与点密度密切相关,而δ控制异常值检测的敏感性。较高的δ值会导致更保守的滤波效果。这些参数设置应通过视觉验证进行优化,以确保过滤后的模型完整性和精度。适当的情况下,经验值可以作为参数选择的初始参考[37]。

最后,UROR和USOR集合的交集(UPC)中的点将被保留,用于后续的数据配准和DT模型重建。
(6) UPC = UROR ∩ USOR

3.3 多源数据的配准
无人机和激光扫描仪技术的结合实现了高质量的数据采集和复杂桥梁模型的快速处理。无人机和激光扫描仪点云的配准过程如图5所示。本节概述了本研究中使用的三种配准方法:手动、半自动和自动方法。

3.3.1 手动配准
手动配准涉及选择至少三对具有清晰可见性和稳定性的同源特征点(FPs),例如明显的环境特征或建筑细节。虽然手动配准简单直接,但它劳动密集且容易出错。手动配准的主要目的是使用方程(7)建立坐标系之间的旋转和平移关系,从而配准多源点云。
(7) xyz = Rman * (x0 - tman * x0, y0 - tman * y0, z0 - tman * z0)
其中 x0, y0, z0 分别表示x轴、y轴和z轴上的点坐标,
Rman 表示手动配准的旋转矩阵,
tman 表示手动配准的平移矩阵。

3.3.2 半自动配准
通过结合GNSS-RTK技术,可以增强多源点云的配准效果,该技术能够在现场手动统一数据坐标系,并便于后续的自动点云配准处理。这种方法通过为无人机配备GNSS-RTK模块并使用GCPs来对齐无人机和激光扫描仪的数据,从而建立半自动配准工作流程。然而,半自动配准过程的准确性取决于GNSS-RTK定位的精度和可靠性,以及控制点的数量、空间分布和精度。

3.3.3 自动配准
自动点云配准算法通常分为三类:基于优化的方法、基于特征的方法和基于深度学习的方法。但由于缺乏特定于桥梁的点云数据集,本研究未考虑基于深度学习的算法[38]。在基于特征的方法中,使用快速点特征直方图进行特征匹配的点云配准通常精度较低,主要用于粗略配准[39]。相比之下,迭代最近点(ICP)算法被广泛认为是有效的精细配准方法;然而,其性能高度依赖于初始对齐的质量。如果没有足够准确的起始位置,ICP容易收敛到局部最优解[36]。为了解决这个问题,可以先进行手动配准以提供初始的粗略对齐,然后使用ICP进行精细配准,以提高自动配准的准确性和鲁棒性。

ICP算法的核心是迭代优化旋转和平移矩阵,以实现源点云和目标点云之间的刚性变换。该过程最小化误差函数Ericp,ticp,如下所示[40]:
(8) Ericp,ticp = argmin(Ricp,ticp1) * ∑i=1Ps * (pti - Ricp·psi + ticp‖2)
其中 Ricp 表示ICP自动配准的旋转矩阵,
ticp 表示ICP自动配准的平移矩阵,
Ps 表示源点云Ps的点数,
pti 表示从目标点云Pt中提取的点集,
psi 表示从源点云Ps中提取的第i个点。

4. 基于斜拉桥的现场调查
4.1 项目概述
本研究聚焦于2022年建造的超大型斜拉桥,它是黑河-大连高速公路(G11)的重要组成部分。该桥位于中国黑龙江省佳木斯市,沿松花河而建。佳木斯属于受季风影响的湿润大陆性气候,极端温度范围为-41.1至38.1℃。桥梁的俯视图和仰视图分别见图6,而详细的预应力混凝土结构如图7所示,该结构包括五座高26.5米的塔架,总长度为1020米,甲板宽度为28米。

4.2 无人机现场数据
无人机现场数据收集使用了Feima D2000S和DJI Mavic 3E两种无人机,分别见图8(a)和(b)。用于收集所研究大型斜拉桥点云的两种无人机型号。(a) Feima D2000S;(b) DJI Mavic 3E。(1) Feima D2000S:这种无人机可升至高达6000米的 altitude,巡航速度为7米/秒,续航时间为74分钟。它配备了摄影测量正射模块和倾斜模块,非常适合大面积作业,提高了数据收集效率。然而,由于缺乏轨道飞行模式,在调查单个建筑物时可能会导致数据冗余[41]。(2) DJI Mavic 3E:该无人机通过支持轨道飞行和立面飞行模式来弥补Feima D2000S的不足,非常适合对单个建筑物或小区域进行详细建模。它配备了一个24毫米镜头,可以承受高达12米/秒的风速,飞行时间为45分钟,并支持RTK技术以实现厘米级精度的数据采集[42]。

4.2.1 使用Feima进行初步模型构建
为了解决建模复杂桥梁结构(如斜拉桥)所面临的挑战,提出了一种基于无人机的两步飞行规划方法。这些结构的复杂几何形状和有限的区分特征通常使得单架无人机不足以进行准确建模。因此,首先使用Feima D2000S等无人机进行飞行,以捕获图像,然后使用Soarscape Smart3D等软件生成初步的3D模型,如图9所示。然而,飞行高度和相机角度等因素可能导致几何和纹理数据采集不完整,特别是在纹理较弱的水面上(图9(a),分辨率为3144 × 1812)以及细长的结构元素(如斜拉索)(图9(b),分辨率为15 794 × 9 054)。这些挑战可能导致纹理粘附和数据丢失,从而影响模型的整体完整性和准确性。为了解决这些问题,下一节将介绍一种更详细的基于组件的飞行规划策略。

下载:下载高分辨率图像(116KB)
下载:下载全尺寸图像
图9. 初步模型与(a)纹理较弱的大水面和(b)细长斜拉索结构的缺陷相关。

4.2.2 使用DJI进行飞行路径规划
该方法将桥梁划分为关键的结构组件,包括桥面、桥墩、梁和塔架,并为每个元素分配专门的飞行路径,以确保使用DJI Mavic 3E无人机进行全面覆盖和高质量的数据采集。例如,建议对桥面采用轨道飞行路径(图10(a)),而立面飞行路径则用于捕获斜拉索和塔架的详细数据(图10(b))。立面飞行也适合捕捉桥墩和梁的几何形状,如图10(c)所示。在所有飞行路径中,建议采用图3中介绍的参数:地面采样距离(GSD)小于1厘米/像素,侧向重叠率为70%,正面重叠率为80%,以确保获取高分辨率图像和全面的数据以进行准确建模。

下载:下载高分辨率图像(215KB)
下载:下载全尺寸图像
图10. 与(a)轨道飞行和(b)立面飞行相关的飞行路径示意图。

4.2.3 图像采集
第4.2.2节中描述的详细飞行操作共收集了5451张图像,包括来自主飞行路径的1045张航拍图像和来自环绕飞行路径的3563张特写补充图像。下面展示了代表性的倾斜照片,其中图11(a)–(c)分别对应于图10(a)–(c)所示的飞行路径。

下载:下载高分辨率图像(181KB)
下载:下载全尺寸图像
图11. 无人机在(a)桥塔、(b)斜拉索和(c)桥梁处拍摄的图像。

4.3 TLS现场数据
对于桥梁的子结构,数据采集主要使用Trimble SX12 3D TLS系统。该TLS系统包含三个主要组件:①激光扫描模块,②全景相机,以及③主相机,如图12所示[44]。全景相机和主相机用于拍摄有助于点云着色的照片,并支持全面的图像数据记录。激光扫描模块用于获取点云数据,以精确测量桥梁结构。此外,TLS系统还配备了Trimble新推出的闪电3D测量技术,能够以每秒26,600点的速度捕获高精度数据,测量范围可达600米。该系统提供300°的垂直视场和360°的水平视场。

下载:下载高分辨率图像(85KB)
下载:下载全尺寸图像
图12. 用于收集所研究大型斜拉桥点云的Trimble SX12扫描总站[44]。f:有效焦距;θ:扫描角度。

4.3.1 点云数据
为了确保点云数据集的准确性和完整性,在桥梁上游侧建立了四个测量点(SP1–SP4),下游侧建立了三个测量点(SP5–SP7),如图13(a)所示。例如,可以使用Trimble TSC7控制器(Trimble Inc., USA)实时查看和审查从SP2获取的扫描数据,如图13(b)–(d)所示。为了减轻极端寒冷对设备性能的不利影响,所有数据采集设备都配备了隔热层和保护配件,如图13(b)所示。这种方法促进了高质量、高精度和高效的自动连续点云数据采集,以及自动数据配准和点云质量保证过程。在此TLS扫描过程中,共收集了13,255,337个与桥梁点云相关的数据点。然而,原始3D点云数据缺乏颜色信息,这对于真实直观地可视化测量对象至关重要。为了解决这个问题,通过纹理映射技术将相应的纹理图像捕获并映射到点云上。这一过程将颜色数据叠加到点云上,显著提高了视觉真实感和结构逼真度。

下载:下载高分辨率图像(521KB)
下载:下载全尺寸图像
图13. (a)扫描仪定位和控制点,(b)扫描执行,(c)使用控制器进行点云质量检查,以及(d)借助TLS收集桥梁点云的数据自动配准、采集和文档记录的过程。

4.3.2 纹理图像
除了激光扫描模块获取的点云外,还使用全景相机或主相机捕获了包含红绿蓝(RGB)信息的纹理图像。在TLS扫描过程中,使用全景相机获得了79张纹理图像,提供了桥梁目标属性的详细表示。这些纹理图像对于通过纹理映射增强重建模型的真实感和完整性至关重要。图14展示了从不同扫描位置捕获的与桥梁相关的纹理图像示例。

下载:下载高分辨率图像(134KB)
下载:下载全尺寸图像
图14. 使用TLS的全景相机获取的三个纹理图像示例。(a) 主桥的总体视图;(b) 梁的详细视图;(c) 桥墩的视图。

4.3.3 纹理映射
TLS系统配备了内置相机,在点云数据采集过程中同时捕获同轴旋转的纹理图像。相机相对于TLS内部坐标系原点的空间位置保持固定,确保纹理图像和点云数据之间的一致性和可靠的映射关系。利用收集的点云数据和相应的纹理图像,执行纹理映射,为每个数据点分配RGB值,如图15所示。这一过程确保每个数据点同时包含3D位置信息和RGB颜色信息。点云数据和纹理图像的互补性使得能够详细捕捉结构几何形状和视觉属性,从而显著提高了桥梁的整体表现。

下载:下载高分辨率图像(121KB)
下载:下载全尺寸图像
图15. 使用(a)仅包含3D位置信息的激光扫描模块捕获的点云数据和(b)仅包含RGB颜色信息的全景相机捕获的纹理图像,以获得(c)集成颜色信息的点云数据。

4.4 噪声减少
基于无人机的点云中的独特噪声特征如图16(a)所示。无人机数据集中包含大尺度和小尺度的噪声,这使得使用单一算法进行综合噪声减少变得复杂。为了解决这个问题,应用了第3.3节中介绍的ROR和SOR滤波器,有效减轻了这两种类型的噪声,如图16(b)所示。值得注意的是,ROR方程式(1)、(2)中的MinPNT和r参数分别设置为15和0.5,而SOR滤波器(方程式(3))使用k = 15和δ = 3。相比之下,TLS数据主要显示大尺度的孤立噪声点,如图17(a)所示。因此,手动干预更适用于去除噪声,以保留关键的结构数据。图17展示了手动噪声减少的效率,特别是在去除无关物体(如车辆和行人)的同时保持桥梁模型的完整性。

下载:下载高分辨率图像(338KB)
下载:下载全尺寸图像
图16. (a) 无人机获取的点云在噪声减少前的情况;(b) 噪声减少后的情况。
下载:下载高分辨率图像(398KB)
下载:下载全尺寸图像
图17. (a) TLS获取的点云在噪声减少前的情况;(b) 噪声减少后的情况。
图16和图17中的详细视图展示了通过实施的过滤策略在噪声减少方面取得的显著改进。无人机点云的点数从45,704,932减少到26,239,781点,减少了约42.6%。同样,TLS点云的点数从13,255,337减少到12,313,615点,减少了约7.1%。

4.5 桥梁的多源点云配准
4.5.1 基于不同算法的点云配准
对于多源点云配准,采用了三种不同的多源点云配准算法:①基于FP的手动方法,②利用GCP的半自动方法,以及③使用ICP算法的自动方法,后者以手动方法的结果为初始值。在手动配准过程中,根据方程式(7)指定的标准选择了五对对应的特征点(即FP1、FP2、FP3、FP4和FP5),如图7(a)所示。旋转矩阵Rman和平移矩阵tman的计算如下:
(9)Rman=1.0000.000-0.0040.0001.0000.0010.004-0.0011.000
(10)tman=100.567279.677-0.094
在半自动配准过程中,使用GNSS-RTK技术结合GCPs将点云对齐到中国大地坐标系2000(CGCS2000)中。无人机GNSS-RTK模块提供的水平定位精度为1厘米+1 ppm,垂直精度为1.5厘米+1 ppm[42]。对于TLS,控制点的RTK定位精度为±(8 + 1 × 10^-6D)毫米(水平方向)和±(15 + 1 × 10^-6D)毫米(垂直方向),其中D表示移动站与基站之间的距离(公里)[45]。在数据处理过程中,所有点云都被转换到CGCS2000参考框架中,从而实现自动配准。
在手动配准结果的基础上,本研究随后采用了基于优化的ICP自动配准算法。在应用方程式(8)时,TLS和无人机获取的点云分别被指定为源点云(Ps)和目标点云(Pt)。源点云(|Ps|)和目标点云(|Pt|)的点数分别为12,313,615和26,239,781,整合后总点数为38,553,396点。迭代过程的均方根差异阈值设置为1 × 10^-5。得到的旋转矩阵Ricp和平移矩阵ticp如下:
(11)Ricp=1.0000.0000.0020.0001.0000.005-0.002-0.0051.000
(12)ticp=-0.278-0.6260.916
对三种配准方法的比较分析表明它们在解决TLS和无人机数据固有局限性方面的有效性。如图18所示,ICP算法有效弥补了TLS和无人机数据集中的覆盖缺口。具体来说,图18(a)中的无人机数据弥补了TLS在捕捉上部桥梁组件(如塔架、斜拉索和桥面)方面的不足,如图18(b)所示。相反,图18(b)中的TLS数据弥补了无人机在获取下部桥梁组件(包括梁和桥墩底部)详细信息方面的不足,如图18(a)所示。这种互补方法确保了全面的空间覆盖并提高了配准精度。

下载:下载高分辨率图像(517KB)
下载:下载全尺寸图像
图18.基于(a)无人机和(b)TLS的桥点云在配准前后的对比。4.5.2. 点云精度比较 使用均方根误差(RMSE)作为评估与点云相关模型精度的指标[46]:RMSEPC = (RMSEPC,x2 + RMSEPC,y2 + RMSEPC,z2) / (1/n) = ∑j=1n(xj,PC - xj,BP)2 + ∑j=1n(yj,PC - yj,BP)2 + ∑j=1n(zj,PC - zj,BP)2,其中RMSEPC表示与点云模型相关的RMSE,RMSEPC,x、RMSEPC,y和RMSEPC,z分别表示沿x轴、y轴和z轴的RMSE分量,n表示考虑的点数,xj,PC、yj,PC和zj,PC分别表示点j在点云中沿x轴、y轴和z轴的坐标,xj,BP、yj,BP和zj,BP分别表示使用GNSS-RTK技术获得的相应桥点j在x轴、y轴和z轴的坐标。利用各种配准算法从单源和多源数据得到的点云模型的精度列在表2中。虽然单源点云(如来自TLS的点云)显示出更高的精度,但与多源模型相比,它们在空间完整性方面存在显著缺陷。在评估的配准方法中,手动配准的多源点云取得了最高的精度。值得注意的是,单源点云显示出相对较高的精度,但完整性显著较低,如图18所示。精度和完整性之间的这种权衡是一个关键考虑因素,将在后续部分进一步探讨,特别是与桥梁数字孪生模型相关的内容。表2. 使用不同配准算法的点云精度比较。点云类型 配准算法 RMSEPC,x RMSEPC,y RMSEPC,z RMSEPC 单源 无人机 GNSS-RTK 0.0946 0.0649 0.0713 0.1350 TLS GNSS-RTK 0.0505 0.0440 0.0408 0.0784 多源 无人机和TLS MFP 0.0631 0.0482 0.0587 0.0987 GCP 0.0652 0.0486 0.0638 0.1034 ICP 0.0837 0.0520 0.0727 0.1225 MFP指的是基于特征点的手动配准。5. 桥梁的数字孪生及其相关的损伤检测 5.1. 3D数字孪生模型的构建与评估 5.1.1. 数字孪生模型的构建 第4.5节中开发的点云模型提供了精确的个体点级空间数据,非常适合进行精确测量,并作为进一步建模的基础数据集。然而,它缺乏实现真实渲染所需的视觉细节、表面平滑度和文本信息,这限制了其在桥梁损伤详细检测中的应用。为了克服这些限制,需要一个具有高度详细、平滑表面和真实纹理的3D数字孪生模型。因此,将点云和图像导入Soarscape Smart3D软件[43]中,从而重建了悬索桥的3D真实数字孪生模型。如图19所示,从配准点云和通过航空三角测量获得的连接点重建的3D数字孪生模型提供了更高的纹理精度和更全面的结构表示。下载:下载高分辨率图像(303KB)下载:下载全尺寸图像 图19. (a) 配准点云,(b) 来自航空三角测量的连接点,以及(c) 通过融合得到的3D数字孪生模型。该测试针对的是一座公里级的悬索桥,其全面的现场数据采集在大约4小时30分钟内完成,确保了对整个结构的全面和高效覆盖。使用第4.1节中描述的高性能工作站,数据处理大约需要48小时才能完全重建数字孪生模型。相比之下,传统的桥梁检测方法主要依赖于人工视觉评估。对于大型和复杂的结构(如公里级的悬索桥),访问关键部件(如桥塔和桥墩顶部)通常需要使用专门的设备,例如桥梁检测车辆。保守估计表明,传统的现场数据收集通常需要五到八天的时间。此外,在河流通航期间,在这种具有挑战性的环境中进行检测任务存在显著的安全风险,尤其是在检查中间桥墩等部件时,即使使用专门的设备也是如此。此外,与本研究提出的方法相比,传统技术往往导致现场数据采集不完整,从而妨碍了在后续数据处理中对整个桥梁进行系统和全面检测的能力。5.1.2. 数字孪生模型的绝对精度 为了验证所提出的建模方法的有效性,该方法融合了通过各种方法配准的点云,将得到的模型与仅基于无人机倾斜摄影生成的模型进行了比较。由于缺乏TLS数据,因此未将仅基于单个TLS数据的建模纳入后续的质量评估和比较中。测量精度从两个不同的角度进行了评估:绝对精度和相对精度。绝对精度使用RMSE进行量化,RMSE评估了重建模型的平面和高程精度[46]。根据方程(14)定义的平面和高程维度上的绝对精度,表3展示了仅使用无人机数据构建的数字孪生模型与结合使用无人机和TLS数据构建的数字孪生模型的绝对精度比较分析。结果表明,结合使用无人机和TLS数据显著提高了模型精度。具体来说,使用ICP配准的点云构建的模型在平面精度上提高了24.7%(基于x轴和y轴的组合RMSE计算),在高度精度上提高了41.6%。Kolmogorov–Smirnov测试结果验证了基于ICP和基于无人机的模型的误差分布符合正态分布。尽管观察到的绝对精度改进可能相对较小,绝对误差差异也相对较小,但这些改进仍然是有意义的。预计这种精度的提高将有助于检测更细微的结构缺陷,可能实现毫米级识别桥梁结构中的混凝土裂缝。这些发现表明所提出的框架在生成高度精确的3D真实模型方面的有效性。RMSEDT = (RMSEDT,x2 + RMSEDT,y2 + RMSEDT,z2) / (1/n) = ∑j=1n(xj,DT-xj,BP)2 + ∑j=1n(yj,DT-yj,BP)2 + ∑j=1n(zj,DT-zj,BP)2 表3. 使用不同点云配准算法的桥梁数字孪生模型绝对精度比较。数据类型 配准算法 点数 RMSEDT,x RMSEDT,y RMSEDT,z RMSEDT 无人机 GNSS-RTK |Pt| 0.0939 0.0627 0.0606 0.1282 无人机和TLS MFP |Ps| + |Pt| 0.0652 0.0537 0.0500 0.0982 GCP |Ps| + |Pt| 0.0694 0.0583 0.0528 0.1049 ICP |Ps| + |Pt| 0.0660 0.0536 0.0354 0.0921 ICP 0.75(|Ps| + |Pt|) 0.0808 0.0571 0.0312 0.1037 ICP 0.50(|Ps| + |Pt|) 0.0909 0.0657 0.0409 0.1194 ICP 0.25(|Ps| + |Pt|) 0.0976 0.0625 0.0422 0.1234 其中RMSEDT表示与数字孪生模型相关的RMSE,RMSEDT,x、RMSEDT,y和RMSEDT,z分别表示沿x轴、y轴和z轴的RMSE分量,xj,DT、yj,DT和zj,DT分别表示数字孪生模型中点j在x轴、y轴和z轴的坐标。此外,本研究还考察了点云分辨率(由点数量化)对最终数字孪生模型精度的影响。基于ICP配准算法的分析显示,随着点数的减少,RMSE增加,这强调了高分辨率点云对于实现最佳模型精度的重要性。同时,由于点云的总体规模达数千万个点,因此由于噪声减少而丢失的一小部分有效点的潜在损失可以忽略不计。5.1.3. 数字孪生模型的相对精度 为了评估真实模型的相对精度,将模型得出的测量结果与现场真实值进行了比较。该评估使用了三十个检查点,从中计算了八个距离差异(H1–H8)和十个高度偏差(V1–V10)来量化相对精度。分析结果如图20和表4所示,提供了模型性能与实际测量结果的全面评估。下载:下载高分辨率图像(378KB)下载:下载全尺寸图像 图20. 基于不同点云配准算法的检查点相对精度评估。(a) 桥梁上检查点H1–H8和V1–V10的分布;(b) 水平和垂直方向的计算差异。表4. 桥梁数字孪生模型相对精度比较。精度指标 数据来源 点数 最大差异 最小差异 平均值 标准差 距离差异(米) 无人机 |Pt| 0.059 0.009 0.032 0.019 MFP |Ps| + |Pt| 0.046 0.016 0.027 0.010 GCP |Ps| + |Pt| 0.054 0.007 0.030 0.018 ICP |Ps| + |Pt| 0.052 0.009 0.028 0.017 ICP 0.75(|Ps| + |Pt|) 0.085 0.009 0.029 0.024 ICP 0.5(|Ps| + |Pt|) 0.090 0.008 0.030 0.029 ICP 0.25(|Ps| + |Pt|) 0.071 0.008 0.031 0.019 高度偏差(米) 无人机 |Pt| 0.077 0.009 0.033 0.023 MFP |Ps| + |Pt| 0.069 0.008 0.029 0.021 GCP |Ps| + |Pt| 0.081 0.008 0.030 0.026 ICP |Ps| + |Pt| 0.075 0.008 0.030 0.029 ICP 0.5(|Ps| + |Pt|) 0.096 0.008 0.031 0.026 ICP 0.25(|Ps| + |Pt|) 0.105 0.009 0.032 0.028 ICP 0.25(|Ps| + |Pt|) 0.108 0.009 0.033 如表4所示,基于融合配准的点云建模显著优于使用单一无人机数据的建模。在平均相对精度方面,使用手动配准点云构建的模型显示出显著改进,ICP配准的点云模型在距离差异和高度差异上分别达到了0.028米和0.030米。此外,分析显示,随着点云数量的减少,距离差异和高度偏差的平均值也增加了。目前,尚无专门针对桥梁模型的几何精度定义的标准[47],这突显了迫切需要制定专门的技术规范来标准化和指导实际应用中的3D桥梁建模。然而,中国住房和城乡建设部发布的《3D城市建模技术规范》(CJJ/T 157–2010)[48]被广泛用于3D城市建模和智慧城市发展,尽管它最初是为城市规模的应用而设计的。在本研究中,该规范仅作为评估桥梁模型细节水平的概念性基准。根据该规范,如果平面和高程精度均超过0.2米,则模型被归类为细节级别(LOD)4[48]。使用所提出的框架构建的模型超过了既定阈值,可以归类为高细节模型,符合LOD 4规范。值得注意的是,缺乏专门的桥梁LOD标准是行业实践中的一个重大空白。本研究为解决这一缺陷提供了初步贡献,并强调了行业、学术界和标准化组织之间合作制定特定于桥梁的LOD定义的必要性。应建立此类标准,以确保3D桥梁数字孪生模型在各种工程和管理领域的一致性、准确性和适用性。5.1.4. 数字孪生模型的完整性 模型完整性定义为结构表示的完整性和纹理的清晰度,这两者对于准确反映实际情况至关重要。完整性可以量化为模型中完整网格与总网格的比例。评估过程如图21所示。如图所示,悬索桥的桥墩被分割成正面、顶部和底部的平面网格以及十个横截面。红色网格表示由于结构遗漏或纹理不清晰而不符合实际情况的不完整区域,而灰色网格由于缺乏真实的模型元素而被排除在评估之外。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像 图21. 通过均匀网格化量化完整性的示意图 (a) 正面视图和 (b) 顶部视图。模型完整性(IDT)使用方程(15)进行评估,结果列在表5中。(15) IDT = (nf + nt + nb + nc) / Nf,t,b,c × 100% 表5. 基于不同点云配准算法的数字孪生模型完整性比较。数据类型 配准算法 点数 完整性(%) 无人机 GNSS-RTK |Pt| 78.90 无人机和TLS MFP |Ps| + |Pt| 88.61 GCP |Ps| + |Pt| 90.02 ICP |Ps| + |Pt| 93.73 ICP 0.75(|Ps| + |Pt|) 89.74 ICP 0.5(|Ps| + |Pt|) 85.74 ICP 0.25(|Ps| + |Pt|) 80.56 其中nf、nt、nb和nc分别表示正面视图、顶部视图、底部视图和桥墩横截面中完整网格的数量,Nf,t,b,c表示在正面视图、顶部视图、底部视图和桥墩横截面中评估的网格总数。多源数据集成显著提高了数字孪生的完整性,与单数据方法相比。特别是,从ICP配准的点云生成的数字孪生模型的完整性达到了93.73%。如表5所示,点云数据点数量的减少与模型完整性的下降相关。基于无人机数据、配准点云、3D数字孪生和现场捕获图像的模型质量比较分析如图22所示。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像 图22. 比较(a) 无人机摄影、(b) 配准点云、(c) 3D数字孪生和(d) 现场捕获图像的桥梁组件。结果清楚地表明,融合建模产生的数字孪生模型具有更高的完整性和更好的纹理清晰度。这种改进解决了图22(a)中显示的基于无人机的模型中出现的几个问题,例如电缆和甲板中的结构元素缺失、梁上的纹理缺失、梁底部的纹理模糊以及支座位置的结构粘附异常。这些发现强调了在构建大规模户外环境的数字孪生模型时使用半自动(GCP)或基于优化的(ICP)配准方法的优势,因为它们显著提高了数字孪生模型的准确性和完整性。如图22详细说明的组件级检查发现了几个问题:塔和桥墩上的渗漏、梁上的腐蚀和浑浊、支座上的轻微锈蚀以及梁上的施工痕迹。值得注意的是,桥墩上的混凝土剥落突显了在航行和融冰期间需要采取保护措施的重要性。这些观察结果得到了无人机图像和现场实地检查的证实,验证了所观察到的情况。尽管所提出的框架存在某些局限性,并且在实际应用中会产生检查成本,但它在检测效率和准确性方面具有显著优势,特别是对于位于极端环境或具有复杂结构和长跨度的桥梁而言。因此,在实际工程应用中采用该框架时应根据桥梁的具体结构配置和环境条件进行仔细评估。例如,该框架特别适用于跨度超过1000米的特大型桥梁、关键交通枢纽(如公路桥梁)以及位于具有挑战性环境中的桥梁,包括寒冷气候、强风沿海地区、山区和峡谷穿越处。在这些情况下,由于其长期检测效率、安全性和生命周期管理的显著优势,强烈推荐使用该框架。尽管初期设备投资可能相对较高,但长期优势(如提高检测准确性、减少对人工干预的依赖以及增强运营安全性)证明了前期成本的合理性。此外,该设备具有多功能性,可以应用于各种地理环境下的土木工程结构。具体来说,该框架在损伤评估的两个关键方面表现出强大的能力:表面损伤检测和对齐控制,这将在后续章节中详细说明。

5.2 基于数字孪生的损伤检测
5.2.1 表面剥落检测
如图22所示,在悬索桥的数字孪生模型中可以观察到表面混凝土的剥落现象。在本节中,分别使用点云和数字孪生模型量化了剥落混凝土的体积,如图23所示。结果显示,剥落混凝土的平均体积为1.76 × 10^-2立方米,预测误差为4.886%。

5.2.2 对齐控制
从桥面板(图7(c)中的LT1和LT2)和梁底(图7(c)中的LB1和LB2)选取了代表性剖面,以比较点云拟合曲线与沿纵向的设计垂直曲线。对桥面板剖面(图24(a)和(b))和梁底剖面(图24(c)和(d)的分析表明,桥面板的点云数据(LT1和LT2)与设计曲线非常吻合,决定系数(R2)值分别为0.9968和0.9965。相比之下,侧跨附近的箱形梁底剖面与中间跨度的剖面相比偏差较大。例如,LB1处第1跨和第6跨的R2值低于其他跨度。这表明侧跨的变形比中间跨度更为明显,这可能是由于结构配置的不同,即中间跨度处的塔-梁连接与侧跨度处的墩-梁分离,以及不同的荷载条件(包括桥头处的冲击荷载),这些在侧跨度区域更为常见。这些发现强调了在运营和维护阶段监测梁底和侧跨度剖面变化的重要性,以减少结构不确定性并确保桥梁在其整个生命周期内的安全和及时维护。

5.2.3 基于数字孪生的损伤检测
5.2.3.1 表面剥落检测
如图22所示,在悬索桥的数字孪生模型中可以观察到表面混凝土的剥落现象。在本节中,分别使用点云和数字孪生模型量化了剥落混凝土的体积,如图23所示。结果显示,剥落混凝土的平均体积为1.76 × 10^-2立方米,预测误差为4.886%。

5.2.3.2 对齐控制
从桥面板(图7(c)中的LT1和LT2)和梁底(图7(c)中的LB1和LB2)选取了代表性剖面,以比较点云拟合曲线与相应的设计垂直曲线。对桥面板剖面(图24(a)和(b))和梁底剖面(图24(c)和(d)的分析表明,桥面板的点云数据(LT1和LT2)与设计曲线非常吻合,决定系数(R2)值分别为0.9968和0.9965。相比之下,侧跨附近的箱形梁底剖面与中间跨度的剖面相比偏差较大。例如,LB1处第1跨和第6跨的R2值低于其他跨度。这表明侧跨的变形比中间跨度更为明显,这可能是由于结构配置的不同,即中间跨度处的塔-梁连接与侧跨度处的墩-梁分离,以及不同的荷载条件(包括桥头处的冲击荷载),这些在侧跨度区域更为常见。这些发现强调了在运营和维护阶段监测梁底和侧跨度剖面变化的重要性,以减少结构不确定性并确保桥梁在其整个生命周期内的安全和及时维护。

5.2.4 横向对齐比较
同样,图25显示了桥面板顶部(图7(a)中的TT1和TT2)和箱形梁底(图7(a)中的TB1和TB2)的剖面与横向设计垂直线的比较。获得的点云数据准确捕捉了桥梁的实际横向对齐情况,进一步验证了点云技术在表示桥梁结构几何形状方面的有效性。

考虑到第5.2.1节中识别出的轻微表面损伤和第5.2.2节中的精确点云对齐情况,所研究桥梁的整体状况评分为7分,表明其状况良好[49]。传统的施工轮廓控制和运营期间桥梁跨度监测方法通常仅限于离散点测量,导致效率低下和准确性降低。相比之下,本研究利用大面积、高密度的精确点云进行轮廓比较和控制,提供了一种高效且准确的方法,满足了桥梁跨度轮廓测量在施工管理和运营维护方面的工程要求。这种方法显著提高了桥梁监测在其整个生命周期内的可靠性和有效性。

6 结论
本研究提出了一个框架,用于整合无人机(UAV)和激光扫描(TLS)数据来重建大规模桥梁(如悬索桥)的数字孪生(DT)。在现场,无人机捕获图像数据,而TLS收集点云数据。随后在办公室进行的数据预处理确保了集成后的航空和地面点云数据的适用性。通过两种主要方法实现了这些多源、异构数据的整合:首先,应用了三种不同的配准方法生成完整的桥梁点云;其次,将无人机图像数据与点云集成以构建数字孪生。随后,对3D点云模型和数字孪生(3D真实模型)进行了定性和定量评估,以验证所提出的框架。点云数据的丰富性、准确性和多功能性使其成为各种应用中的宝贵资源,在精度、效率和分析能力方面具有显著优势。本研究的主要结论如下:
(1) 与依赖单一数据源的传统数字孪生构建方法相比,本研究提出了一种创新的技术框架,整合了来自无人机和TLS的多源数据,利用它们的优势提高了桥梁检测的效率和安全性。这种方法将航空和地面数据整合到一个统一的网络中,引入了一种新的方法,从而扩展了数字孪生构建的应用范围。
(2) 点云配准技术已经经历了三个主要阶段:手动、半自动和自动方法。定性结果表明,这些方法显著提高了桥梁点云模型的完整性。定量评估进一步验证了所有三种配准方法都产生了高精度结果。
(3) 将所提出的框架应用于寒冷地区的特大型悬索桥,证明了其有效性。通过利用寒冷环境的季节性特征获取高质量数据,建议使用基于地面控制点(GCP)的半自动或基于优化的自动点云配准方法处理室外异构(多源)数据。这种策略特别适用于构建桥梁数字孪生。
(4) 全面比较表明,使用该技术框架构建的数字孪生模型优于仅使用单一数据源构建的模型。从定量上看,其精度达到了LOD 4的水平,显著超过了0.2米的阈值,满足了高质量建模的要求。从定性上看,该模型提供了更清晰的纹理和更完整的结构表示。
(5) 为了全面评估重建的数字孪生模型,引入了三个新的指标:绝对精度、相对精度和完整性。总体而言,点云分辨率与绝对精度和相对精度呈负相关,但与完整性呈正相关。
(6) 通过该框架生成的数字孪生为桥梁检测和状况评估提供了重要支持,特别是在检测混凝土剥落和对齐控制等结构问题方面。这种能力促进了更高效和明智的维护策略决策,最终提高了桥梁管理和可持续性。
将数字孪生技术应用于桥梁检测和结构健康监测(SHM)代表了重大进步。尽管初期设备投资可能相当高,但所提出的框架在检测效率和运营安全性方面具有显著的长期优势,特别是对于位于具有挑战性或难以到达环境中的特大型桥梁(例如,总跨度超过1000米的桥梁),如山区。尽管已经展示了其潜力,但数字孪生辅助的桥梁检测仍处于起步阶段,仍需要一定程度的人工干预。因此,未来的研究应优先考虑以下领域:
(1) 开发完全自动化和高效的检测技术,利用深度学习的进步和高质量桥梁数据集的日益丰富。
(2) 通过基于云的平台增强数据处理能力,并与现场检测设备集成,从而提高计算效率和系统响应性。
(3) 更深入地将数字孪生技术与有限元模型集成,以验证几何重建的准确性和损伤检测,从而加强对结构行为的理解。
(4) 设计下一代设备,整合无人机和TLS数据采集的互补优势,提高所提出框架的成本效益和可扩展性。
(5) 建立专门的3D桥梁数字孪生建模评估标准,以确保在不同应用中的一致性、准确性和互操作性。
总体而言,这些研究方向将促进实时、交互式和智能桥梁检测和结构健康监测系统的实现,为学术研究和工程实践带来持久的价值。

CRediT作者贡献声明
张连珍:撰写——审阅与编辑、资金获取、概念化。
邓凯忠:撰写——原始草稿、软件、方法论、调查。
杜彦良:撰写——审阅与编辑、项目管理。
秋山光男:撰写——审阅与编辑、监督。
Dan M. Frangopol:撰写——审阅与编辑、监督、资源、项目管理。
辛继宇:撰写——原始草稿、软件、方法论、调查、概念化。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号