BladeSplat：利用结构引导的高斯溅射技术对风力涡轮机叶片进行高保真表面重建

《ADVANCED ENGINEERING INFORMATICS》：BladeSplat: high-fidelity surface reconstruction of wind turbine blades with structure-guided Gaussian splatting

　　丁志新 | 杨志玲 | 高鑫欣 | Fred Ragive Pangou Goma
华北电力大学，北京 100096，中国

**摘要**
大规模工业资产表面损伤的评估通常依赖于高保真的3D几何模型。风力涡轮机叶片是一个典型的例子，因为它们体积庞大且在长期运行过程中容易出现表面缺陷。然而，叶片表面的大规模和低纹理特性给传统的3D重建方法带来了显著挑战，经常导致边缘模糊、表面细节丢失以及几何变形，这些都会妨碍可靠的自动化检测。为了解决这些问题，我们提出了一种新的基于结构的Gaussian Splatting框架，称为BladeSplat。在这个框架中，将显式的几何先验和结构约束系统地整合到2D Gaussian Splatting的优化过程中。首先，引入了一种基于掩码的结构点初始化策略，以丰富目标区域内的空间优化原语，从而减少光度歧义。随后，采用几何正则化和掩码感知损失来强制结构一致性，并提高视觉保真度，同时避免过度拟合背景噪声。最后，采用两阶段解耦优化策略，将几何建立与外观细化分开，以确保稳定收敛。在公共风力涡轮机叶片数据集上的实验表明，所提出的框架显著优于现有的基线方法，在感知相似性方面提高了高达66.19%，并在稀疏视角下表现出强大的结构鲁棒性。

**引言**
随着可再生能源的快速发展，作为其重要组成部分的风能，在运行效率设备健康状况方面受到了越来越多的关注[1][2]。风力涡轮机叶片是将风能转化为机械能的关键部件，在决定风力涡轮机的空气动力性能、结构完整性和表面特性方面起着关键作用，这直接影响发电效率和运行安全性[3]。现代大规模风力涡轮机叶片通常使用碳纤维或玻璃纤维增强复合材料制造。由于这些材料具有优异的强度重量比、高刚度和强抗腐蚀性，它们被广泛认为是满足大规模叶片结构需求的理想解决方案[4]。

然而，在长期运行过程中，涡轮机叶片不仅要承受由叶片摆动和边缘运动引起的静态和动态空气动力载荷，还要承受由离心力和重力引起的周期性疲劳载荷，以及极端天气等恶劣环境条件[5]。这些复杂的载荷环境很容易导致复合材料内部或表面出现各种形式的损伤，包括由于基体和增强纤维之间收缩不均匀而产生的微裂纹[6]，以及层间剥离和脱粘，这些都是复合材料结构的主要失效模式[7]。如果这些几何缺陷或结构损伤未能及时检测和解决，由于空气动力剖面的变化，它们可能会显著降低发电效率，在极端情况下甚至可能导致叶片断裂等灾难性故障。因此，高效的检测和维护策略对于确保风力涡轮机叶片满足运行安全标准至关重要[8][9]。

为了应对风力涡轮机叶片的结构安全问题，全球范围内开展了大量的叶片缺陷检测和结构健康监测研究。传统的叶片检测方法，如人工视觉检测、绳索通道检测或地面望远镜观测，通常存在效率低、运行成本高和潜在安全风险等局限性[10][11]。除了人工检测外，还采用了多种无损检测技术——如超声波检测、红外热成像、振动监测和声发射检测——用于缺陷监测[12]。尽管这些方法可以在一定程度上识别内部或结构损伤，但它们通常需要专用设备或近距离操作，这限制了它们在大型风电场检测中的应用。近年来，无人机（UAV）技术在安全检测任务中发挥了越来越重要的作用[13]，其快速发展为风力涡轮机叶片检测提供了新的解决方案[14][15]。通过搭载高分辨率光学相机、红外热成像仪或LiDAR传感器，UAV能够快速获取叶片表面的多视图图像，实现非接触和高效的检测操作。这种方法不仅大大降低了人工检测的风险，还显著提高了检测效率，并已广泛应用于风力涡轮机的运行和维护实践中[16][17]。随着数据采集技术的发展，基于计算机视觉的叶片缺陷检测逐渐成为研究热点。大多数现有研究主要集中在二维图像分析上，其中使用深度学习模型对裂纹、侵蚀或涂层损坏等缺陷进行分类和定位[18]。然而，仅限于二维图像的分析无法捕捉叶片表面的真实几何结构，这限制了缺陷空间分布、几何形态和损伤程度的定量评估。为了解决这一限制，利用多视图图像进行三维重建已成为实现更精细的风力涡轮机叶片检测和维护的重要研究方向[19][20]。

传统的基于图像的3D重建方法通常依赖于结构从运动（SfM）和多视图立体（MVS）。SfM通过特征匹配估计相机姿态并重建稀疏点云[21]，而MVS基于多个视图之间的光度一致性生成密集的3D模型[22]。然而，当应用于风力涡轮机叶片时，这些方法会遇到显著挑战。叶片表面通常是大规模、光滑的，并且具有稀疏的纹理特征，这往往导致传统特征提取和匹配算法的失败。因此，在SfM阶段可能会产生稀疏甚至不连续的点云，而在MVS阶段可能会出现严重的几何噪声或重建不完整的情况。随着深度学习技术的发展，以神经辐射场（NeRF）为代表的神经隐式表示方法为3D场景重建引入了新的范式[23]。尽管这些方法在渲染速度上具有优势，但它们仍然在计算资源和存储需求方面存在相当大的挑战。

为了解决这些问题，最近的一些研究探索了训练效率、数据处理和模型压缩方面的改进。例如，FastGS引入了一种多视图一致性策略，有效控制高斯原语的过度增殖，从而显著加速了训练过程[25]。Fast3R提出绕过传统的耗时SfM流程，通过单次前向推理过程快速重建大型无序图像集[26]。在模型压缩和存储效率方面，HAC++[27]和LocoGS[28]等方法利用高斯原语之间的空间局部一致性，并利用哈希网格结构去除冗余参数，实现了数十到数百倍的压缩比。此外，对于以对象为中心的重建场景，对象中心2DGS（2D Gaussian Splatting）结合了基于掩码的剪枝策略和遮挡感知策略，有效去除背景和多余的高斯原语，进一步提高了模型的紧凑性[29]。

尽管在通用3D重建和数据效率优化方面取得了这些进展，当这些方法应用于以大面积低纹理表面为特征的行业场景（如风力涡轮机叶片）时，仍存在显著局限。由于缺乏可靠的纹理特征，离散的高斯点表示在无纹理区域容易发生几何崩溃或重建伪影。为了解决这个问题，当前的主流方法引入了外部几何先验。例如，GausSurf[30]和Car-GS[31]利用预训练模型估计的表面法线或单目深度先验来指导低纹理区域的优化。同样，FatesGS[32]通过结合单目深度排序和局部平滑约束，在稀疏视图条件下改善了表面连续性。然而，这些基于先验的方法严重依赖于预训练模型在特定行业数据集上的泛化能力。一旦引入不准确的预测，错误的几何引导可能会降低重建精度。此外，过于强的平滑约束可能会抑制微妙的表面损伤特征，这限制了它们在高精度工业检测任务中的适用性。

目前，针对风力涡轮机叶片的3D重建研究仍处于早期阶段。例如，Tasistro-Hart等人[33]提出了一种用于涡轮机叶片的数字多面体模型重建方法；然而，它主要用于拆卸叶片的结构分析，没有考虑表面纹理或缺陷重建。Yang等人[34]提出了WTBNeRF，该方法利用锥台基射线采样来减少叶片表面的混叠和模糊问题，但其隐式表示仍然对多视图数据质量高度敏感。Wang等人[35]将移动机器人与条纹投影扫描系统结合，实现了高精度重建；然而，这种方法主要适用于拆卸叶片的检测环境，因此难以应用于现场实时检测场景。Li等人[36]通过结合事件相机在稀疏视图条件下加速训练，提出了E2DSNeRF，但它仍然严重依赖COLMAP流程进行姿态估计，并没有从根本上提高数据处理效率。Jonathan等人[37]尝试在稀疏重建阶段引入密集匹配器，并在2DGS中加入掩码损失以实现密集重建，但在低纹理表面重建方面没有取得实质性改进。Hung等人[38]将NeRF与热成像数据结合用于空间缺陷定位，但在数据有限时，重建质量仍难以保证。

总之，当前的风力涡轮机叶片3D重建技术仍面临多个挑战，包括光滑无纹理的表面、可靠的特征匹配困难以及数据依赖性强。这些问题往往导致重建精度不足或在实际应用中的适用性有限。尽管现有研究在稀疏重建、低纹理重建、抗混叠和数据效率方面取得了进展，但仍存在一些局限性，可以总结如下：
1. **表面细节不足**：许多方法优先考虑结构组件的重建，而忽视了细粒度的表面细节。这使得它们不适合评估细粒度的表面完整性和如剥落和侵蚀等几何异常。
2. **对稀疏视图和极端无纹理的敏感性**：尽管通常采用多视图成像，但当前的无人指导的神经渲染和基于点的方法在视图覆盖稀疏或表面纹理极弱时性能大幅下降。在这种情况下，缺乏可靠的几何约束，经常导致几何崩溃或过度平滑的重建。

在本文中，我们提出的BladeSplat不仅仅是一个特定应用的流程，而是一种解决3D重建中几何感知耦合这一根本挑战的新方法论框架。尽管该框架是针对风力涡轮机叶片进行验证的——风力涡轮机叶片是大规模、高度结构化和无纹理工业资产的理想代表——但从该框架中获得的见解可以推广到更广泛的工业应用（如飞机机身、船体和高速铁路车体）。通过将显式的几何先验注入与基于掩码的感知优化系统地整合到2D Gaussian Splatting范式中，我们成功解耦并稳定了复杂表面的重建。我们的核心方法论贡献可以总结如下：
1. **显式的几何先验注入**：我们引入了一种结构点初始化策略，从根本上减少了无纹理区域的固有几何歧义。通过在优化之前注入可靠的空间锚点，并通过条件剪枝机制保护它们，数学约束了优化空间，避免了无指导的基于点的渲染中常见的灾难性几何崩溃。
2. **通过掩码引导的感知优化实现几何-感知耦合**：提出了一种基于掩码的感知损失，将优化目标从独立的像素级强度转移到层次化的结构特征空间。这提供了一种方法论见解：通过将特征梯度与背景主导性分离，迫使神经表示学习全局形状一致性和连续的表面拓扑，而不是过度拟合高频局部噪声。
3. **解耦的优化动态**：制定了两阶段训练策略，将几何和外观的高度非凸联合优化解耦。这种设计证明，在进行光度细化之前建立刚性、全局一致的几何基础，极大地提高了特征稀缺表面的收敛稳定性和伪影抑制。
4. **建立了面向工程的风力涡轮机叶片检测框架**。生成的高保真3D模型为下游工程信息学任务提供了几何基础，包括缺陷定位、结构状况评估和风力涡轮机叶片维护的数字孪生构建。

本文的其余部分组织如下。第2节回顾了Gaussian Splatting的原理。第3节详细介绍了我们提出的方法。第4节展示了我们定量和定性实验的结果与分析。最后，第5节对研究结果进行了讨论。

**背景知识：高斯散布技术简介**
高斯散布（Gaussian Splatting）是一种渲染技术，它通过在图像或屏幕空间中“散布”高斯分布函数来实现图像重建。该技术用连续的、可微分的2D或3D高斯核来替代点、像素或体素等离散元素，从而使图像重建更加平滑、可微分，并且具备优化的可能性[39]。与传统基于神经场的NeRF方法不同，高斯散布采用显式表示高斯点的方法，而非隐式神经场。

**背景去除**
在基于运动的结构（Structure-from-Motion, SfM）过程中，复杂的背景（如天空或涡轮机塔）容易导致错误的特征匹配。这些不匹配会污染COLMAP生成的稀疏点云，从而降低最终重建的质量。为了确保初始稀疏点云的纯净性，我们首先对输入图像进行背景屏蔽处理。在评估了几种主流的分割技术后，我们选择了Nielsen等人[56]提供的数据集（该数据集最初用于研究叶片表面的粗糙度）。该数据集包含18组在户外环境中拍摄的叶片截面图像，每组图像分别从2米、4米、6米的不同距离拍摄，相机沿特定路径移动。

**结论**
本文提出并验证了一种名为BladeSplat的结构引导框架，用于解决高保真度风轮机叶片表面3D重建的挑战性问题。研究表明，通过系统地将几何先验与多目标优化策略整合到2D高斯散布处理流程中，可以显著提升重建质量，特别是在几何稳定性和感知真实性方面。

**作者贡献声明**
丁志新（Zhixin Ding）：撰写 – 审稿与编辑、撰写 – 初稿、可视化、验证、软件开发、方法论研究；杨志玲（Zhiling Yang）：撰写 – 审稿与编辑、指导工作、资源调配；高欣欣（Xinxin Gao）：撰写 – 审稿与编辑、研究工作；Fred Ragive Pangou Goma：撰写 – 审稿与编辑、概念设计。

**利益冲突声明**
作者声明他们没有已知的财务利益冲突或个人关系，这些因素可能影响本文的研究结果。

**致谢**
本项工作得到了华北电力大学的支持。