用于工业设施元素参数化建模的全自动化方法

《AUTOMATION IN CONSTRUCTION》：Fully automated method for parametric modelling of industrial facility elements

　　哈里萨·贾亚辛格|王慕丹|伊奥安尼斯·布里拉基斯•提出了一种从分割后的点云中恢复几何参数的方法。•引入了参数回归与迭代优化的两阶段处理流程。•将参数化建模从简单的基本体扩展到任意拉伸形状的几何体。•通过稳健的目标函数，在存在噪声和遮挡的情况下仍能恢复精确的几何形态。•在真实数据上验证了该方法，并将其与基于网格的模型进行了比较。

引言
工业设施缺乏完善的文档记录，这给运营、维护和改造过程中的决策带来了主观性且缺乏依据的问题[1]。建立全面的数字化文档对于优化维护流程和提高设施性能至关重要[2]。数字孪生技术能够提供实时信息及精确的几何表示，有望提升运营效率并延长设备使用寿命[3]。尤其是几何数字孪生，它能以高保真度呈现资产的形状，包括各种物理属性，这些信息对后续的维护和改造工作十分有用。借助此类数字孪生实现的预测性维护和虚拟检测，可显著减少停机时间及相关成本[4]。在工业设施领域，水处理厂[5]、机械电气管道系统[6]以及发电厂[7]等都已经证明了数字化现有基础设施的益处。即便在资产生命周期末期才进行数字化处理，数字孪生依然能带来可观的经济效益。例如，申和宋[8]指出，在核设施退役过程中创建数字孪生，能显著提高成本估算的准确性。

尽管数字孪生具有诸多优势，但现有工业设施的数字化过程往往耗时费力。扫描数据中的点状物体手动分割是主要瓶颈，一座工业建筑可能包含约10万个物体[9]。即便采用半自动化流程，为大约2600个元素创建模型也需要长达15天的时间[10]。对于一般的工业工厂而言，标注工作需要数月的时间才能完成，这一环节约占数字孪生创建总时间的90%[11]。现有的自动化工具虽能提供一定帮助，但往往仍需人工修正，且生成的模型可能无法达到最终用户所期望的细节层次。这使得工业设施运营者难以充分发挥数字孪生的优势。因此，数字孪生的预期效益往往被数字化成本所抵消，从而导致工业设施数字孪生技术的应用率较低。

目前生成几何数字孪生的常用方法被称为“扫描到BIM”流程。该流程大致包括以下步骤[12]：（1）原始数据收集（视觉数据和空间数据）；（2）数据预处理；（3）几何建模；（4）为模型添加额外信息以实现语义丰富化。其中，几何建模往往是耗时最多的环节，占据了大部分建模时间[9]。工业设施的几何建模指的是将设施内的各类元素以所需的细节层次表示为3D模型。现有的许多方法都提供了不同细节层次下的几何表示方式。这些方法或利用构造实体几何学、边界表示法，或将元素视为平面、圆柱、球体等参数化实体形状，又或是通过现有资产库进行匹配，或是采用网格表示法。AVEVA E3D、ClearEdge EdgeWise以及Trimble RealWorks等行业工具都具备从点云数据创建模型的3D建模功能，它们均运用上述表示方法来构建工业设施的模型[11]。

现有的行业工具在一定程度上实现了几何建模过程的自动化。例如Trimble RealWorks、Leica Cyclone 3DR、Autodesk Revit、ClearEdge3D EdgeWise、PointSense Plant和PointFuse Pro等软件都配备了“按现状/扫描到BIM”插件，可用于自动建模管道、弯头、三通、风管、圆柱体以及平面表面等基本元素[11]、[13]。不过这些半自动化方法在建模过程中仍需要大量的人工干预。比如Leica Cyclone 3DR的工厂版就拥有“扫描成管道”的功能，用户只需点击相应元素的点即可完成建模，同时还支持基于深度学习的管道元素分类功能。阿加帕基等人曾在包含仓库、水处理设施和石化厂的测试数据集上评估了EdgeWise的管道和圆柱体检测性能[11]。该软件在所有类型设施上的平均精度为47.0%，召回率为58.1%。较低的召回率表明自动化方法会遗漏很多管道，而较低的交并比和精度也说明需要人工修正。此外，不同类型设施之间的检测性能也存在很大差异。造成这种差异的一个原因就是遮挡现象，它会大幅降低这些工具的检测效果。在水处理设施上就能看到这一点，由于存在严重遮挡，EdgeWise在该场景下的召回率为33.3%，精度为36.4%。而且由于圆柱体是最容易实现自动化的元素类型，那些更复杂、尺寸更小的连接元件，其检测性能通常会更差。

基于深度学习的实例分割方法被视为解决这些问题的有效途径。现有的点云处理方法包括KPConv之类的点卷积方法[14]、PointNet和PointNet++之类的基于逐点多层感知机的方法[15]、[16]，以及DGCNN之类的基于图的方法[17]。最近，像Mask3D这样的基于Transformer的模型通过运用自注意力机制，在许多点云任务上取得了领先的性能表现[19]、[20]，不过这类方法的计算资源需求较高。这些分割方法已被成功应用于工业设施[11]、建筑物[6]、[21]、道路[22]、[23]以及桥梁[24]等多种基础设施领域。

与传统方法如RANSAC[25]不同，实例分割方法不仅能够识别圆柱体这类较为简单的几何形状，还能处理阀门这类复杂的几何结构[26]。而且在精度和召回率方面，它们的表现也优于传统方法。尽管如此，这些方法输出的结果仅仅是一组带标签的点集合。但由于数字孪生的下游应用需要依赖关于各元素的几何信息，因此要创建数字孪生，就必须从这些点云中生成带有几何参数的模型。对于管道这类几何结构较为简单的对象，使用RANSAC即可轻松从点云中重建出参数化模型。此前也有研究探索过基于深度学习方法的参数化建模。例如，贾亚辛格和布里拉基斯[27]提出了一种用于参数化建模管道、三通、法兰和弯头等圆柱形元素的框架。但对于工业设施中常见的、且在点云数据中经常出现遮挡和几何变化情况的复杂元素，如挤压成型形状的C型钢、I型钢和L型钢，目前仍难以实现有效的参数化建模。

为了解决上述问题，本研究旨在制定一种策略，实现对工业设施元素的几何形状进行参数化建模。本文提出了一种完全自动化的方法，可从当前各类实例分割方法输出的点云中提取几何参数，进而为基本体和非基本体形状生成模型。这种通用化方法能够基于任意的参数曲线对拉伸形状进行建模，从而实现I型梁、槽钢和角钢等元素的建模。此外，该方法还包含了基于另一种拟合误差的微调阶段。同时，本文还在真实数据上展示了该方法的适用性，并将其与三角形网格等现有表示方法进行了对比。所提出的方法填补了现有研究中从点云生成多种几何形状模型方面的空白。值得注意的是，该方法可推广到任何基础设施领域中，用于处理具有明确定义表面和参数的任意元素几何形状。

本文的结构如下：第一部分第2节将概述重建和参数化建模领域的现有研究进展，并指出在恢复元素几何形状方面存在的不足。第3节介绍了用于工业设施元素参数化建模的两阶段方法：首先进行参数回归，随后通过参数优化进行微调。与那些仅基于几何基本体工作的现有方法不同，这是首个能够提取任意形状几何参数的方法。此外，本文还对微调过程的优化进行了详细分析，重点探讨了如何调整优化损失函数以提高模型对遮挡现象的抵抗能力。第4节会对模型性能进行全面评估，并在真实数据集上展示所提出的方法。最后，第5节对全文进行总结，并指出了未来研究的方向。

内容片段
背景
由于几何建模阶段需要耗费大量人力和时间，大多数自动化尝试都集中在“扫描到BIM”工作流的这一环节。该阶段的最终目标是为每个元素生成几何模型。这一阶段还可进一步拆分为两个子阶段：对象提取和模型重建。

方法
本文提出了一种方法，可从分割后的点云中提取BIM元素的几何参数，再基于这些参数生成工业基础类模型。具体而言，该方法的重点是生成几何模型，而元素间的关联关系或材料信息等附加语义信息则不在本研究的范畴之内。输入的点云可通过CLOI-NET之类的实例分割方法获得。

圆柱体
通过实例分割方法得到的元素点云可作为所提方法的输入数据。因此，该方法的前提是假设实例分割步骤的输出结果在精度和召回率方面足够高，足以用来恢复模型参数。对实例分割输出结果的直观检查也支持这一假设。此外，该方法还假定元素与其预测模型之间的点云差异可以充分反映模型误差。

结论
元素参数化建模是几何建模流程中至关重要却又常常被忽视的环节，目前大多数方法都选择直接使用模板元素来进行几何表示。本文的目标是基于输入的点云恢复描述对象的几何参数。为此，本文设计了一种由参数回归和微调组成的两阶段方法，同时还构建了一个专门的合成数据集，用于训练和测试所提出的方法。

CRediT作者贡献声明
哈里萨·贾亚辛格：写作——审稿与编辑，写作——初稿撰写，可视化，验证，软件，资源，方法论，研究，形式分析，数据整理，概念构思。王慕丹：写作——审稿与编辑，写作——初稿撰写，可视化，指导，方法论，研究，形式分析，概念构思。伊奥安尼斯·布里拉基斯：写作——审稿与编辑，指导，方法论，研究，资金获取，概念构思。

科学写作中生成式AI的使用声明
在撰写本文的过程中，作者们使用了ChatGPT来改进语法、拼写和表达清晰度。但在创建原始科学内容时并未使用任何生成式AI工具。在使用这些工具后，作者们对内容进行了必要的审阅和修改，并对最终发表文章的内容负全责。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了工程与物理科学研究委员会、AVEVA集团以及英国石油公司的资助。此外，该项目还获得了“地平线欧洲UKRI创新保障计划”下的G115676号项目的支持。