基于三维激光扫描(Three-Dimensional Laser Scanning)的大型高速铁路预制箱梁尺寸检测(Dimensional Inspection)方法

《Sensors》：A Three-Dimensional Laser Scanning-Based Method for Dimensional Inspection of Large-Scale High-Speed Railway Precast Box Girders

　　

研究人员提出了一种基于三维激光扫描(Three-Dimensional Laser Scanning, 3D Laser Scanning)的快速、高精度尺寸检测(Dimensional Inspection)方法，用于大型高速铁路(High-Speed Railway)预应力混凝土预制箱梁(Precast Box Girder)的验收检测。该流程采用低通滤波(Low-Pass Filtering)结合序贯配准(Sequential Registration)抑制噪声，并采用体素滤波(Voxel Filtering)结合曲率敏感增强(Curvature-Aware Enhancement)将点点云(Point Cloud)数据量缩减3–5倍的同时保留关键几何特征。重建阶段采用K近邻(K-Nearest-Neighbors, K-NN)及主成分分析(Principal Component Analysis, PCA)进行边界与曲率跳变(Curvature Jump)检测，采用移动最小二乘法(Moving Least Squares, MLS)结合B样条拟合(B-Spline Fitting)进行曲面补全，并采用曲线尺度空间(Curve Scale Space, CSS)角点检测提取关键尺寸，达到毫米级精度。现场试验表明，该方法与人工测量相比绝对误差(Absolute Error)≤2.0 mm，验证了该方法可用于自动化数字化验收(Automated Digital Acceptance)。

论文解读：基于三维激光扫描的大型高速铁路预制箱梁尺寸检测方法

研究背景与立项依据

预制简支箱梁因其刚度大、整体性好、施工周期短，在我国高速铁路桥梁中占比超95%。随着客专标准提高，梁体全长偏差会影响架梁质量与伸缩缝设置，腹板及顶底板厚度不足会削弱保护层深度进而危及耐久性与安全，因此对预制梁整体及截面尺寸进行精确控制至关重要。现行尺寸检测主要依赖钢卷尺、卡尺、水准仪等传统接触式手动测量，存在三点突出弊端：效率低无法满足批量化生产节拍；机械量具固有精度限制叠加人为读数差异导致数据可靠性差；只能获取离散局部参数，无法建立全特征数字化模型。三维激光扫描(Three Dimensional Laser Scanning, 3D Laser Scanning / Lidar)具备非接触、全表面采集、高密度点云(Point Cloud)获取能力，已在隧道变形监测等大尺度工程中验证毫米级精度，为箱梁尺寸检测提供新途径。然而既有点云检测研究多集中于中小型预制构件或局部特征分析，针对大型高铁预制箱梁尚存四点不足：海量多站点点云常规均匀下采样易退化棱边特征；存梁区遮挡及箱梁构造导致底板、翼缘等区域严重点云缺失，现有重建难兼顾几何完整性与工程真实性；尺寸提取仍高度依赖人工干预，缺乏面向验收规范的自动化流程；覆盖全流程的系统技术框架尚缺。为此，研究人员以雄忻高铁( Xiong'an–Xinzhou High-Speed Railway)预制箱梁为背景，提出融合多模态点云优化与考虑预应力反拱及几何约束的缺失区域重建的全流程检测体系。

主要关键技术方法

研究人员选用SPL-1500便携式三维激光扫描仪对31.5 m后张法预应力混凝土预制箱梁进行多视协同设站（共11站，端区、腹板侧区、顶板区及箱内各布站，相邻站点重叠率≥20%–30%）获取原始点云。样本来源为雄忻高铁五台制梁场随机选取的9榀32 m预制箱梁（编号WT-01至WT-09）。关键处理方法包括：①低通滤波(Low-Pass Filtering)去噪——对每个目标点邻域拟合局部平面，据邻域点到面投影距离均值与阈值判断并剔除混合噪声；②序贯配准(Sequential Registration)——基于特征匹配粗对齐加光束法平差(Bundle Adjustment)全局优化实现多站点点云坐标统一；③多模态点云精简——先以边长5 mm体素网格(Voxel Grid)取质心粗压缩，再计算协方差矩阵特征值得曲率描述符C_λ=(λ₁?λ₂)/λ₁（λ₁≥λ₂≥λ₃≥0），按曲率阈值保留高曲率特征点；④特征识别——K近邻(K-Nearest-Neighbors, K-NN)夹角判据初筛边界点，主成分分析(Principal Component Analysis, PCA)求协方差矩阵最小特征值对应特征向量为法向并据视点定向，曲率φ=λ₃/(λ₁+λ₂+λ₃)提取曲率不连续边界；⑤缺失区域填补——底板(Soffit)基于腹板交接处高曲率点（阈值0.1）分段提取倒角边界并B样条(B-Spline)拟合，整体用移动最小二乘法(Moving Least Squares, MLS)拟合并局部平滑拼接；翼缘(Wing Flange)缺失以PCA提取纵轴主方向确定中对称面，刚体变换镜像完好侧点云，引入三次B样条过渡面并用迭代最近点(Iterative Closest Point, ICP)算法精化配准；⑥分层切片(Hierarchical Slicing)——沿纵轴按梁端、L/5、2L/5等位置作正交剖切投影至参考面降维，采用曲线尺度空间(Curve Scale Space, CSS)角点检测在多尺度高斯平滑下提取曲率极值定位箱梁端面特征角点，自动计算梁长、桥面宽、腹板厚、梁高、顶底板厚六类关键尺寸。

研究结果

3. Point Cloud Preprocessing Technology for Large-Scale High-Speed Railway Box Girders（大型高铁箱梁点云预处理技术）

研究人员将噪声分为漂移点、孤立点、冗余点及混合点四类，前三类可交互剔除，混合点因空间分布近似目标点难人工区分。提出的基于低通滤波的自动去噪以邻域平面投影距离均值为判据，在保有效点的同时高效去除混合噪声，效率较人工交互删除提升3–5倍。对于多站扫描数据，采用序贯注册策略先特征匹配粗对齐再光束法平差全局优化，成功拼合各视角点云获得完整箱梁模型。针对原始点云过亿级数据量，先以5 mm体素滤波将平面内冗余点代以其质心大幅压缩，再以协方差矩阵特征值解算局部曲率，按曲率阈值保留棱边等高曲率特征点，实现3–5倍数据缩减且宏观尺寸（如腹板厚度）得以保留。

4. Point Cloud Model Reconstruction Method for Large-Scale Box Girders（大型箱梁点云模型重建方法）

通过K-NN构建邻域拓扑，依据相邻点连线夹角超过预设阈值判定边界点；进一步对曲率不连续区域用PCA估算法向量（协方差矩阵最小特征值对应单位特征向量经视点方向重定向）及曲率φ，遍历点云将超阈值点标记为边界点完成端面临界轮廓提取。针对存梁场遮挡及仪器视场限制导致的底板与翼缘缺失，底板修复先提取腹板-底板交接高曲率点分段聚类得倒角边界并B样条拟合，沿交线按设计倒角半径R=50 mm生成倒角面，整体MLS拟合底板并局部平滑拼接；翼缘缺失则PCA求纵向主方向定中对称面，镜像完好侧点云得初始填充，引入三次B样条过渡面消除不连续并用ICP精细调整刚体变换矩阵，使修补区域与原结构几何连续。

5. Feature-Driven Dimensional Inspection Method for Box Girders（特征驱动的尺寸检测方法）

按规范要求沿纵向在梁端、L/5等处作几何约束分层切片将三维点云划为子区，再将切片两侧点点云正交投影至参考面降为二维轮廓。对二维轮廓应用CSS角点检测——弧长参数化平面曲线经多尺度高斯核平滑后计算曲率κ=(x'y''?y'x'')/(x'²+y'²)^3/2，筛选跨尺度稳定曲率极大值并聚类合并，对照箱梁端面设计几何剔除伪角点，最终提取表征截面关键几何的特征角点用于自动量算六类验收尺寸。

6. Rationality Verification and Engineering Application of Large-Scale Prefabricated Box-Girder Inspection Methods（大型预制箱梁检测方法合理性验证与工程应用）

现场对9榀预制箱梁分别以三维激光扫描流程及传统钢尺/水准仪人工法检测全长、桥面宽、腹板厚、梁高、顶底板厚。三维扫描法设11站每站约3 min（共33 min），后期点云处理与尺寸分析约60 min，单梁全程约1.5 h；人工检测受人员经验与协作影响通常需4 h以上，新方法检测效率提升约3–5倍。两者比对结果显示各尺寸平均绝对误差(Average Absolute Error)均≤2.0 mm，所有实测偏差均在国标GB/T 37439-2019允许公差范围内。不确定度分析表明扩展不确定度约±3.2 mm（k=2），点云重建误差与扫描仪测距误差为主要贡献源。方法适用于缺失面积<15%表面总面积的工况，当缺失>30%重建不确定度显著增大；翼缘对称修补基于箱梁整体对称性，对非对称大变形或损伤结构需附加约束。

讨论与结论（翻译/浓缩结论部分）

本研究针对大型铁路预制箱梁检测长期依赖人工接触测量、自动化程度低及结果可视化不足的问题，依托雄忻高铁五台制梁场工程实践，开发了涵盖数据采集、处理、重建及尺寸检测的全流程非接触检测系统。(1)在数据预处理阶段，采用低通滤波、序贯配准及融合曲率自适应下采样的多模态点云优化技术，使大数据量点云处理效率较原流程提升约3–5倍。(2)提出融合拓扑关系建模与多尺度特征增强的点云重建方法，通过多尺度特征增强、光滑曲面过渡及数据补全策略显著改善底板与翼缘等缺失区域的几何连续性，为后续尺寸检测提供更完整点云模型。(3)建立了面向大型铁路预制箱梁的几何约束驱动分层切片策略，应用CSS算法自动识别八处关键几何特征，并基于投影降维高效提取特征角点。(4)在实际工程中对比所提激光扫描法与常规人工测量，对九榀32 m预制箱梁验证表明实测尺寸与人工测量值绝对误差均小于2.0 mm，满足大型预制箱梁结构尺寸检测精度要求。研究成果成功应用于雄忻高铁五台制梁场预制箱梁成品检验，推动了三维激光扫描等非接触数据采集技术及自动化分析算法在桥梁工程预制构件质量检测中的实际应用，具有较强的工程适应性和推广价值。论文发表于《Sensors》。