随着近年来预制桥梁技术的快速发展，预制桥梁的全球采用率显著增加[1]。作为预制结构的关键组成部分，钢筋笼直接决定了其结构性能。不正确的钢筋布置会损害力的传递路径，导致结构承载能力下降[2]，[3]并加速结构恶化[4]。因此，从生产到长期服务性能，预制构件的质量控制（QC）在整个结构生命周期中都至关重要。
在实践中，钢筋质量检查仍然主要依赖于手动、基于接触的工具。这些方法在复杂几何形状中容易出错[5]，对于大规模项目效率低下[6]，并且对质量参数的覆盖范围有限[7]。
为了超越这些手动限制，智能QC方法在工程领域得到了越来越多的应用。早期的智能方法通常集中在2D、基于图像的方法上，包括使用深度信息的方法[8]，[9]，结构从运动（SfM）[10]，[11]，[12]，以及神经辐射场（NeRFs）[13]，[14]也已被探索。然而，图像数据的有限维度和相关方法往往导致空间细节的丢失，对环境条件的敏感性增强，以及参数覆盖不足。同样，虽然地面穿透雷达（GPR）[15]，[16]可以检测到地下特征，但在密集的钢筋布置中信号重叠阻碍了精确的几何量化，限制了其在定性缺陷筛查中的实用性。因此，准确提取关键的三维（3D）质量指标（如钢筋曲率或平面外偏差）变得非常不可靠。
为了解决这一维度问题，3D点云技术提供了一种新的QC方法，因为它具有旋转不变性、非接触式测量和捕获详细空间信息的能力[17]。借助具有最优性和不确定性意识的同步定位与映射（SLAM）系统[18]，[19]，[20]，使得现场数据采集变得越来越可行，QC的研究瓶颈已经转向了对所得点云的分析。除了维度问题，核心挑战是结构复杂性。如表1所示，它们交织和遮挡的几何形状对现有分析方法提出了持续的挑战。具体来说，3D多层架构引入了严重的拓扑重叠和内部遮挡，这是传统2D平面算法无法解决复杂钢筋笼几何形状的根本原因。
一方面，自上而下的、模型驱动的范式，以Chang的Scan-vs-BIM方法为例[21]，严重依赖于全局刚性配准。当钢筋笼出现非刚性变形或在实际建造场景中常见的严重局部偏差时，这种方法难以收敛。
另一方面，自下而上的、数据驱动的范式包括直接分析点云的各种技术。该领域的现有研究集中在一系列任务上，包括直径估计[22]，[23]，[24]，间距测量[9]，[25]，[26]，以及类型分类[7]，[27]。尽管这些努力奠定了基础，但它们的方法存在显著限制。具体来说，它们可以分为以下几类：几何近似方法通过拟合理想形状（如平面[28]或圆柱体[29]）来简化原始点云数据。这些方法计算效率高，但通常无法处理不规则或不完整的表面。基于特征的方法依赖于局部几何或视觉描述符（如SIFT[30]），结合分类器（如OC-SVM[31]）。尽管这些方法提供了灵活性，但它们对噪声和遮挡敏感。数据驱动的方法有了显著的发展。最近的进展引入了特征嵌入[32]，弱监督学习[33]，[34]，以及测试时域适应[35]。然而，由于高度定制性和拓扑变异性，这些方法不适用于钢筋笼的分割。与标准化先验不同，钢筋笼的无限几何变化意味着监督模型对未见设计的泛化能力较差，经常过拟合于有限的样本[36]。虽然像Hodge[7]和Shu等人[37]这样的组件级分解方法提供了创新步骤，但它们仍然缺乏解决这种歧义所需的明确语义约束。仅仅增加训练数据的量无法解决这种内在的拓扑歧义，因为噪声（钢丝绑扎）通常与信号（肋条钢筋）具有相同的局部几何特征，这会误导统计学习模型而无需逻辑规整。为了绕过这种基本的数据依赖性，利用不变的工程知识至关重要，而不是从稀缺的数据中学习，以确保鲁棒的、无需训练的检查。
除了这些方法论限制之外，当前QC系统的分析范围还存在显著差距。以往的研究主要集中在间距和直径等基本几何参数上，而忽略了组装的更复杂组件。例如，波纹管的特征点的精确定位和箍筋的多类型识别等任务很少得到解决，因为它们需要整合设计意图来解决严重的空间重叠问题。为了填补这一差距，本研究将来自工程规范和图纸的知识形式化为明确的计算约束，这是实现基于组件的稳健分割和精确几何分析的关键。
通过将此类知识整合到检查过程中，可以指导分割[38]并实现类型分类的模板匹配[39]。基于这一想法，我们根据不同国家（包括中国[40]和美国[41]）的标准总结了钢筋笼的质量检查标准。这些标准为我们的框架提供了基础，主要的质量控制指标及其相应的公差详细列在表2中。
至关重要的是，这些规范不仅仅是作为后处理验证阈值来处理的，而是作为主动约束嵌入的。相反，我们提出的工程知识约束（EKC）框架将它们转化为积极的计算约束，严格限定了可行的解决方案空间。这种机制指导算法仅探索工程上可接受的状态（例如，锁定搜索半径和拟合模数），在分割和评估过程中有效剔除物理上不可行的解决方案。基于这一逻辑，本研究的主要贡献是：（1）我们提出了一个专门的框架，有效解决了工业数据稀缺的挑战，为钢筋笼分割提供了鲁棒的无训练替代方案，而不是依赖数据的学习模型。（2）我们将几何分析从一个病态的回归问题根本性地转变为一个由知识引导的、离散的模型选择任务。通过将非结构化的工程语义形式化为算法先验，我们解决了空间歧义，而不依赖于标注的数据集。（3）该框架将抽象的设计意图转化为精确的几何测量，将基于组件的分割和定量分析（例如，间距、尺寸）整合到一个统一的流程中。
