使用无人机摄影测量技术结合智能优化的地面控制点布局，实现对混凝土拱桥的半自动化高精度3D建模

《AUTOMATION IN CONSTRUCTION》：Semi-automated high-accuracy 3D mapping of concrete arch bridges using UAV photogrammetry and intelligently optimized ground control point layouts

　　连恒才|徐友林|张凯文|吴迪
西南交通大学土木工程学院，成都，中国

**摘要**
无人机（UAV）摄影测量技术在基础设施管理中的3D测绘应用日益广泛，但关于地理参考配置如何影响复杂桥梁测绘精度的明确指导仍然有限。本文开发了一种半自动的高精度3D测绘框架，该框架将结构从运动（SfM）技术与两阶段多岛遗传算法（MIGA）相结合，以优化地面控制点（GCP）的数量和空间分布。通过多层次的精度评估，包括点云质量、桥面和拱部对齐以及照片级真实模型上的特征识别，研究了不同检测场景下GCP布局对测绘保真度和bundle调整条件的影响。结果表明，优化后的布局实现了高精度并提高了检测效率。在290.4米长的桥面上，垂直RMSE值为3.74厘米；在146米长的拱部上，垂直RMSE值为1.04厘米；组件级别的特征测量误差保持在1.19%以内。所提出的框架为桥梁虚拟现实检测提供了可靠的基础。

**引言**
桥梁不断受到变化的运行和环境载荷的影响，导致逐步恶化并可能性能下降，这使得定期、准确和系统的检测变得至关重要[1][2]。基于稀疏测量的传统检测方法（如卷尺或全站仪）劳动强度大、成本高，并且在危险或难以到达的区域往往不可行[3]，特别是在灾后情况下[4]。这些限制推动了非接触式数字检测技术的广泛应用。其中，基于UAV的摄影测量技术在机动性、效率、安全性和成本效益方面具有显著优势，能够快速获取高分辨率的多视角图像，用于大规模结构测绘，包括桥梁[5][6]、建筑物[7]和建筑工地[8]。通过结构从运动（SfM）[9]技术，这些图像可以转化为可测量的3D表示，支持几何评估[10]和表面损伤识别[11]。然而，随着数字模型在安全检测中的日益整合，测绘精度成为将物理桥梁与其数字对应物可靠连接的关键问题[12][13][14]，这激发了进一步研究以精度为导向的基于UAV的3D测绘策略的兴趣。

**最新研究**
最近的研究探讨了UAV和摄影测量技术在多种结构应用中的表现。García-Nieto等人[7]报告称，利用UAV摄影测量技术构建了一个历史悠久细长塔楼的虚拟3D模型，能够识别诸如倒塌、整体沉降、扭曲和偏心等结构问题。Varbla等人[8]使用配备RTK-GNSS的UAV对已建施工现场进行了精度评估，并报告称，当至少使用一个地理参考点时，几何精度可达到5厘米以内。Han等人[2]采用固定步长搜索提取方法，将UAV辅助的桥梁对齐与全站仪测量结果进行了比较，报告称在142米跨度上的RMSE为1.97厘米，几乎是TLS方法（1.11厘米）的两倍。Castellani等人[5]提出了一种基于UAV的铆接钢桥远程位移评估方法，并报告称与直接使用电位计测量的位移相比，误差为22.59%。另一方面，Wang等人[4]针对灾后需求，提出了一种使用UAV摄影测量技术的桥梁快速地震风险评估系统方法，并通过案例研究证明了其可行性。Kallas和Napolitano[15]使用基于3D图像的建模方法对遭受爆炸损坏的历史建筑进行了评估，并强调了其在灾难恢复和类似紧急情况中的及时效益。尽管取得了这些进展，但大多数现有的工作流程仍然依赖操作员并在特定情况下进行，导致生成的模型难以复制，不适合在重复或定期检测中进行模型比较。这些限制凸显了需要一个自动化和统一的3D测绘框架，能够更高效和一致地生成所需的数字模型。

**模型精度的影响因素**
可实现的模型精度水平在后续基于模型的评估中起着关键作用，受多种因素的影响。这些因素包括三个方面：飞行规划（例如，飞行高度、航线模式和正向/侧向重叠[12][16]、摄影测量参数（例如，相机角度、图像拍摄率和传感器分辨率[17][18]以及地理参考（直接/间接方法[19]）。其中影响精度最大的因素之一是间接地理参考方法[20][21]，该方法使用已知世界坐标的地面控制点（GCP）对测量结果进行地理参考。与直接地理参考相比，后者依赖于机载传感器的数据融合而不需要GCP，间接方法允许迭代相机自校准，从而实现参数估计并建立更精确的基于图像的模型。具体而言，GCP的有效性主要取决于它们的数量和空间分布。通常，增加GCP的数量可以降低整体RMSE，从而提高3D测绘质量；然而，超过某一阈值后，精度的提升会逐渐减小[22]。鉴于GCP测量可占航空摄影测量总成本的30-35%[23]，在保持可接受精度的同时最小化GCP的使用已成为近期研究的主要焦点。研究表明，在测量区域边缘分布GCP比在中心、角落、分层或随机分布GCP可以获得更高的精度[21]。在使用15个点的最佳GCP布局时，垂直精度（RMSEz = 5.8厘米）通常低于水平精度（RMSxy = 4.6厘米)[24]，密集的GCP网络进一步证实了这一趋势[25]。要实现厘米级的精度，需要较低的飞行高度和更多的GCP[14]。尽管如此，国家法规[13][26]通常根据地图比例尺指定分米级的精度阈值，且现有研究中的大多数精度评估都集中在平面地形上。因此，也需要同样关注评估桥梁等富含立面的结构的3D模型的精度。

**挑战与解决方案**
这些与精度相关的问题引发了如何识别在从多视角图像到3D结构映射过程中最小化精度损失的GCP布局的核心挑战。这对于数字文档记录[27]、扫描到BIM[28]以及形成几何数字双胞胎[29]至关重要。对真实世界资产进行数字化双胞胎建模本质上具有解释性，所达到的几何精度往往取决于建模者的经验和判断。传统上，GCP布局是通过固定其数量或空间分布来选择的；或者同时改变两者[20]。然而，这种方法本质上依赖于经验，只能探索所有可能布局中非常有限的一部分。从数学角度来看，从n个可用GCP中找到最佳转换模型需要评估随着n增加而呈组合增长的组合，这导致计算工作量的指数级增长。因此，穷尽性或顺序搜索是不可行的，需要启发式优化算法来寻找最实用的GCP布局[30]。在桥梁应用中，另一个实际问题是，在桥面以外的组件（如塔楼、桥墩和拱部）上放置目标很困难，因为这些组件难以访问。固定测量目标可能随时间损坏，或在严重灾害后坐标发生偏移，需要重复测量；因此，对于紧急检测来说，开发仅依赖少量位于桥外坚固且易于访问位置的GCP的专门指导非常重要。据作者所知，很少有研究评估基于UAV的桥梁建模中GCP布局对几何精度的影响，更少的研究应用基于群体的进化启发式算法进行智能优化。

**本文的进展**
如前所述，现有的知识不足包括（但不限于）：(i) 缺乏一个高效的自动化或半自动化框架，用于将UAV摄影测量与地理参考策略相结合，以实现日常和紧急检测中的桥梁3D测绘；(ii) 对如何通过优化GCP布局（数量和空间分布）来实现数字模型的最高可能精度探索不足。因此，本文开发了一种半自动的高精度3D测绘框架，用于在役拱桥，通过将SfM流程与使用RTK支持的UAV摄影测量的智能优化GCP布局相结合。本文的其余部分组织如下：第2节介绍了实验程序和通过Python和Agisoft Metashape融合实现该程序的主要方法；第3节介绍了逐步优化GCP数量和空间分布的两阶段启发式算法；第4节提供了多角度精度评估，以量化在常规检测条件下优化布局所实现的几何保真度；第5节提供了在不同检测场景下增强测绘精度的战略GCP布局的比较评估；第6节总结了主要结论。本文的整体工作流程如图1所示。

**实验和方法**
本节包括五个主要部分：(1) 实体拱桥（第2.1节）、(2) 地理参考方案（第2.2节）、(3) UAV数据采集（第2.3节）、(4) 数据集成和处理（第2.4节）以及(5) 精度评估指标（第2.5节）。由于GCP布局的优化是本文的核心，相应的优化过程在第3节中详细说明。

**两阶段MIGA-based的GCP布局优化**
GCP布局的优化是实现高精度3D测绘的关键步骤。本文开发了一种两阶段MIGA-based程序，以确定常规和紧急检测场景下的GCP数量和空间分布。进一步分析了优化后的布局，以确定单个GCP对测绘精度的贡献。

**高精度3D测绘模型**
3D测绘输出（包括点云和派生的照片级真实模型）可以从三个互补的角度进行评估，以说明可实现的精度水平。由于空间限制，这里只展示了在常规检测场景下使用优化布局获得的结果，因为它们代表了最高的精度水平。

**通过战略GCP布局提高3D测绘精度**
战略GCP布局在提高3D测绘结果的精度水平方面起着重要作用。本文将一些典型的经验依赖布局与第3节获得的优化布局进行了比较。然后通过bundle调整解释了GCP约束的影响，以明确不同布局如何影响测绘精度和模型质量。最后，讨论了本文的局限性。

**结论**
本文开发了一种半自动的高精度3D测绘框架，将SfM流程与两阶段MIGA相结合，以优化广泛的GCP布局。使用多个性能指标评估了可实现的几何精度。研究了GCP布局策略对测绘保真度的影响及其与BA条件的关系。主要结论如下：
(1) 当使用CRediT方法时，可以半自动地生成全尺寸和高精度的3D桥梁模型。

**作者贡献声明**
连恒才：调查、方法论、软件、正式分析、可视化、数据管理、撰写——原始草稿。
徐友林：概念化、调查、方法论、资金获取、监督、撰写——审阅与编辑。
张凯文：调查、数据管理。
吴迪：调查、数据管理。

**利益冲突声明**
作者声明没有已知的竞争财务利益或个人关系可能会影响本文的工作。

**致谢**
本文描述的工作得到了中国教育部长江学者计划（SWJTU-WB0100111012209）的财务支持，作者对此表示衷心感谢。本文中的任何观点和结论完全属于作者本人。