《AUTOMATION IN CONSTRUCTION》：Automated as-built rebar reconstruction and quality assessment from point clouds via Elastic Cylindrical Growth
编辑推荐：
3D点云驱动的自动化钢筋检测与建模框架，提出弹性圆柱生长算法处理噪声与弯曲，结合B样条插值优化中心线，实现钢筋连续重建与尺寸偏差分析。相较于基线方法检测得分提升8%-40%，中心线均方根误差降低至2.7mm。
作者：王博涵、肖庄、Syed Riaz Un Nabi Jafri、叶飞、周亮、邹一全、熊彪
武汉理工大学计算机科学与人工智能学院，中国湖北省武汉市珞石路122号，430070
摘要
对钢筋混凝土（RC）结构进行精确的尺寸质量评估（DQA）至关重要，但由于钢筋的弯曲、遮挡以及大规模点云数据的存在，这一任务颇具挑战性。本文提出了一种完全自动化的框架，用于从高分辨率3D点云中检测、重建钢筋，并基于公差进行评估。所提出的弹性圆柱生长（ECG）算法能够在噪声和弯曲条件下检测连续的钢筋几何形状，而插值B样条拟合则用于精确地细化中心线以实现几何建模。这些实际构建的模型与设计好的BIM模型进行比较，以自动化DQA任务，包括评估钢筋直径、间距和弯曲角度。在结构组件上的验证表明，与基线方法相比，ECG方法将得分提高了8%–40%。此外，B样条细化将中心线的均方根误差从7.8毫米降低到2.7毫米，显著提高了自动化钢筋检测的准确性和可靠性。
引言
在浇筑混凝土和安装预制模具之前，对钢筋混凝土（RC）构件中的钢筋和模板进行尺寸质量评估（DQA）是确保符合设计规范的关键步骤[1]。当前的行业实践主要依赖于使用卷尺等工具进行手动测量，这种方法劳动强度大、耗时且容易出错[2]。此外，检查人员通常需要亲自进入钢筋笼内，这不仅存在显著的安全风险，还可能损坏结构构件本身。这些限制促使人们对自动化DQA解决方案产生了越来越大的兴趣，特别是用于评估钢筋直径、间距和混凝土保护层等关键参数[3]、[4]。
随着建筑信息学的快速发展，数字孪生技术已成为自动化结构模型重建[5]、[6]以及土木工程应用中数据驱动的质量控制[7]的关键推动因素。高精度传感器，如激光雷达扫描仪、深度相机和多视图立体系统，能够生成代表实际构建条件的密集3D点云[8]、[9]、[10]。这些点云有助于进行详细的几何分析，从而改变传统的检测工作流程。在钢筋制造和组装过程中，钢筋和套管的确切规格和空间定位至关重要，因为它们直接影响结构性能并确保与预制组件的正确集成[11]。数字施工工作流程和基于几何信息的制造的最新进展，例如用于复杂砌体拱门的集成设计到施工流程[9]以及用于3D打印壳体的曲率引导工具路径规划[10]，进一步展示了将精确的几何数据与自动化施工过程相结合以提高准确性、效率和结构可靠性的潜力。
尽管具有潜力，但从点云中自动检测钢筋仍然是一项具有挑战性的任务。钢筋构件的复杂性，加上高密度点云数据的庞大体积，常常导致内存限制和处理时间过长的问题[12]。此外，扫描环境经常受到遮挡、噪声和数据不完整的影响[13]、[14]，这大大降低了提取的准确性。遮挡可能由扫描仪放置位置有限、视角不佳、密集钢筋笼内的自我遮挡以及模板、脚手架或其他现场结构的阻挡引起。钢筋的几何特性（长、细且间距紧密）进一步增加了任务的复杂性，尤其是当变形或弯曲导致其偏离理想的圆柱形状时[15]、[16]。虽然钢筋通常表现出局部圆柱形特征，但由于有意或意外的变形，其整体几何形状可能包含平滑的曲率。
已经开发了多种策略来应对噪声和不完整点云数据的挑战。去噪、配准和分割等预处理技术可以改善原始数据的质量[17]。基于几何的方法，如基于RANSAC的拟合，可以有效地检测圆柱体、球体和圆锥体等基本形状[12]、[18]，但它们往往难以处理变形或弯曲的钢筋等长而不完美的几何形状。深度学习方法提供了具有更高鲁棒性的语义分割[19]、[20]，而3D特征学习模型（如PointNet++[21]、PointTransformer[22]和Swin3D[23]）在场景理解方面表现出了强大的性能。然而，这些方法通常需要密集的标签、大量的预处理和训练开销[24]，限制了它们的可扩展性。因此，仍然需要一种高效且准确的钢筋检测方法，能够在不需要大量标记数据的情况下可靠地处理大规模、噪声较大的点云。
本文开发了一种完全自动化的、基于几何的框架，用于从地面激光雷达点云中重建实际构建的钢筋模型并进行基于公差的DQA。为了高效处理大规模数据集，点云被空间降采样并分割成重叠的瓦片。在每个瓦片中，通过RANSAC算法检测局部圆柱候选对象[18]。然后使用ECG策略沿这些候选对象的主轴逐步扩展它们，以适应弯曲和直径的变化。随后将相邻瓦片中的圆柱体合并，形成完整的钢筋模型。对于每个检测到的钢筋，拟合一个插值B样条以细化轴线轨迹并生成平滑的通用圆柱模型。重建的几何形状随后与设计模型对齐，以评估关键尺寸参数，包括钢筋直径、间距、锚固长度和弯曲角度。本研究的主要贡献如下：
弹性圆柱生长（ECG）算法：一种强大的钢筋检测算法，能够检测并延伸跨瓦片的圆柱段，同时适应弯曲和变形，具有高适应性和计算效率。
用于变形钢筋的插值B样条拟合：一种精细的建模技术，使用插值B样条曲线拟合检测到的钢筋的中心线，然后通过全局最小二乘优化来提高几何精度和一致性。
分组和尺寸参数分析：一个全面的框架，用于识别分组的钢筋配置，计算关键尺寸参数（例如间距、弯曲角度和暴露长度），并将结果与设计好的BIM模型和现场测量结果进行比较以验证质量。
相关工作
从3D点云进行自动化尺寸质量评估主要围绕两种互补的范式展开。扫描与BIM方法将实际构建的扫描数据与设计信息进行配准，而扫描到BIM流程在没有可靠设计文件的情况下直接从数据中重建几何或语义模型。这两种范式都必须解决长而近似圆柱形物体（钢筋、管道、锚固件）的检测和几何拟合问题，但它们在处理方式上存在显著差异
方法论
本文提出了一种完全自动化的、基于几何的框架，用于从地面激光雷达点云中重建实际构建的钢筋并进行基于公差的DQA。该工作流程整合了所提出的ECG算法进行钢筋检测——即从原始点云中分离出单个钢筋簇——以及插值B样条拟合进行BIM重建，即生成连续且几何上一致的钢筋中心线。重建的几何形状随后可用于进一步分析
实验
本节介绍了所提出方法的实验验证。首先描述了数据集和采集设置，然后评估了钢筋检测、面向BIM的几何建模和质量评估，并最后提供了实现细节和消融分析。这些实验旨在检验该框架的有效性和实际效率。
讨论
本节总结了实验结果的意义，并探讨了所提方法当前存在的局限性。首先解释了在检测、重建和质量评估方面观察到的改进，然后讨论了影响适用性和泛化的主要限制。通过这种方式，讨论将报告的结果与框架的实际应用范围联系起来。
结论
本文提出了一种数据驱动的RC构件自动化DQA工作流程。主要贡献是ECG算法，它能够在存在遮挡、弯曲和适度直径变化的情况下重建连续的钢筋几何形状。结合插值B样条轴线建模和轻量级的扫描与BIM比较方案，所提出的框架支持在施工环境中进行客观和高效的钢筋验证。实验验证表明
CRediT作者贡献声明
王博涵：撰写——初稿、可视化、软件、方法论。
肖庄：撰写——审稿与编辑、可视化、软件、数据管理。
Syed Riaz Un Nabi Jafri：撰写——审稿与编辑、软件、资源管理、概念化。
叶飞：验证、资源管理、形式化分析、数据管理。
周亮：可视化、验证、资源管理。
邹一全：撰写——审稿与编辑、验证、形式化分析。
熊彪：监督、资源管理、项目管理。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本研究得到了国家自然科学基金（资助编号：61901311）的资助。
