基于语义图建模的大规模高斯溅射技术用于桥梁表面细粒度损伤监测

《AUTOMATION IN CONSTRUCTION》：Large-scale Gaussian splatting with semantic graph modeling for fine-grained bridge surface damage management

　　

• •
  基于高斯溅射的框架，可实现对大型桥梁的高精度、缺陷敏感型3D重建。
• •
  通过全景图像采集与预处理，实现结构全面覆盖并确保高斯溅射初始化的稳定性。
• •
  采用分块式缺陷感知密集化处理，可呈现基础设施尺度上的细微腐蚀纹理。
• •
  借助语义图整合组件与腐蚀分割信息，可实现可查询的缺陷检索。
• •
  已在实际桥梁上得到验证，提升了纹理真实度与缺陷表现能力。

引言

高效准确地评估桥梁表面损伤对于保障交通基础设施的长期性能与安全至关重要[1]。作为交通系统中的关键连接部件，桥梁持续面临环境侵蚀与交通荷载带来的应力影响，因此需要快速检测表面状况、进行高精度重建并做出可靠决策。尽管传统视觉检测方法应用广泛，但其劳动强度大、主观性强，且难以融入数字化维护流程。这些局限性促使人们开发出无人机[2]、[3]以及爬墙机器人[4]等自动化检测手段。

目前，从检测数据中识别桥梁表面损伤的方法主要基于三种思路：利用二维图像与深度学习的图像驱动方法[5]、基于激光雷达的点云技术[6]、[7]，以及结合这两种技术的多模态融合方法[8]。虽然每种方法各有优势，但也存在固有局限：图像驱动方法缺乏用于精确定位的3D空间信息[8]，点云方法无法捕捉裂缝或早期腐蚀等微观表面劣化现象[9]，而现有的融合流程通常仅在后期处理阶段才整合不同数据类型[10]，导致跨模态交互不足且对齐性较差。

近年来，神经渲染技术，尤其是神经辐射场[11]和3D高斯溅射[12]，为基于多视角图像实现逼真3D重建提供了新途径。与训练时间长、渲染效率低的神经辐射场相比，3D高斯溅射具有较快的训练速度（通常不到30分钟），并能以30帧/秒以上的速率实现实时渲染[34]，因此特别适合大规模基础设施的重建工作。然而，将标准3D高斯溅射直接应用于结构损伤评估时面临着三大挑战：

• (1)
  针对复杂结构几何形态，需实现密集的视角覆盖。桥梁的上部结构中存在被遮挡、狭窄或内部封闭的区域，这些区域难以通过常规无人机拍摄获取。视角多样性不足会导致GS重建不完整且质量下降，尤其是在阴影区域或难以到达的地方。
• (2)
  在大规模重建过程中保持微观缺陷纹理的清晰度。当应用于大型桥梁时，标准3D高斯溅射不得不在庞大的空间范围内分配有限的计算和内存资源，这会导致高斯分布范围扩大，从而使纹理过度平滑，无法准确呈现腐蚀或小面积涂层脱落等细节。
• (3)
  为工程应用构建并检索缺陷信息。尽管3D高斯溅射能实现逼真渲染，但它缺乏明确的语义结构。若没有对组件、缺陷区域及其空间关系的结构化表示，重建出的模型就无法直接支持诸如按组件分类评估缺陷或辅助决策等工程任务。

为克服上述局限，本文提出了BridgeGS——一种专为大规模桥梁表面损伤评估设计的改进型3D高斯溅射框架。该框架包含三个核心组成部分：

• •
  通过全景图像驱动的GS初始化，实现结构全面覆盖。为解决复杂桥梁几何形态的覆盖难题，该框架利用安装在无人机及手持设备上的全景相机，获取外部和内部区域的密集全景图像。通过全景图像到透视图像的预处理，可生成适用于GS训练的透视子视图，从而实现稳定的相机姿态估计和可靠的GS初始化。
• •
  采用分块式且以纹理为导向的GS密集化处理。为应对标准3D高斯溅射在大型桥梁应用中的 scalability问题，该框架将重建场景划分为多个空间块，每个块都经过以纹理为导向的密集化处理，这一过程依托两种机制：一是提取特定块区域的感兴趣区域，减少背景区域带来的优化偏差；二是采用局部纹理导向的密集化机制，在表面变化剧烈的区域增加高斯密度。这样既能实现腐蚀相关纹理的高精度渲染，又能保持较高的计算效率。
• •
  借助语义图实现结构化的损伤管理与检索。除了几何重建之外，该框架还引入了基于图的 Semantic 层，将组件、腐蚀区域及其空间关系编码为带属性的节点与边。这种结构支持语义查询、针对特定组件或缺陷的视图生成，还能与检测流程相集成。通过将腐蚀信息转化为可扩展且可查询的形式，语义图有助于实现精细化的损伤检索与长期状态监测。

本文的其余部分结构如下：第2节回顾相关研究；第3节详细介绍所提出的方法；第4节通过实际桥梁案例展示该框架的有效性；第5节总结主要发现并指出未来研究方向。

章节概要

文献综述

本节梳理了现有的桥梁表面损伤评估方法，并将所提出的框架置于现有研究体系之中。根据数据表示方式的不同，相关内容分为四部分：2.1节介绍依赖二维图像与多视角重建的图像驱动方法；2.2节探讨利用直接几何测量的点云技术；2.3节概述结合多种特征的多模态融合策略。

方法论

本节阐述所提出框架的方法论，如图1所示，整个流程包括四个主要阶段：基于全景图像的GS初始化、分块式且以纹理为导向的GS密集化处理、语义信息提取，以及组件级损伤信息管理。

本节同样介绍该框架的方法论，如图1所示，该图展示了整个处理流程的概貌。该框架由四个主要阶段构成：基于全景图像的GS

案例研究

本节通过位于威尔士卡迪夫的一座人行桁架桥的实际案例，验证所提出框架的实用性。4.1节介绍了实验配置，包括测试桥梁、全景数据采集方案、训练与测试数据划分以及计算平台。4.2节通过定性与定量对比分析评估了分块式且以纹理为导向的密集化策略，并进行了参数敏感性分析。4.3节

结论与未来工作

本研究提出了BridgeGS——一种基于高斯溅射的框架，它通过实现高精度3D重建、缺陷敏感型纹理建模以及结构化语义集成，提升了桥梁表面检测的能力，而这些功能是现有的基于图像或点云的流程难以实现的。借助基于全景图像的GS初始化、分块式GS优化以及以纹理为导向的密集化处理，BridgeGS能够高效重建大规模桥梁结构。

CRediT作者贡献说明

刘九彩：写作——审稿与编辑，写作——初稿撰写，可视化，验证，软件，方法论，研究调查，形式分析，数据整理，概念构思。熊冠宇：写作——审稿与编辑，数据整理。王 Dalei：资源协调，项目管理，研究调查，概念构思。柴成章：数据整理。潘悦：监督，项目管理，概念构思。李海江：监督，资源协调，项目管理。

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关联或个人关系。

致谢

本研究得到了卡迪夫大学与卡迪夫大学–中国国家留学基金委联合奖学金项目的支持。此外，知识转移合作伙伴项目“DIGIBRIDGE：基于BIM与数字孪生的智能桥梁结构检测”以及江苏省交通控股有限公司资助的科学研究项目（项目编号2025JKY10）也为本研究提供了帮助。

Jiucai Liu|Guanyu Xiong|Dalei Wang|Chengzhang Chai|Yue Pan|Haijiang Li