基于结构感知的深度学习方法，用于从点云中实现钢桁架结构的实例分割与构件参数提取

《AUTOMATION IN CONSTRUCTION》：Structure-aware deep learning for instance segmentation and component parameter extraction of steel truss structures from point clouds

　　•一个包含85,000多个带标签实例的真实场景钢桁架点云数据集。•STSFormer在OneFormer3D的基础上加入了结构感知的几何先验。•地理空间特征有助于区分相似的钢桁架构件。•STSFormer的准确率达到85.43%，比OneFormer3D基准模型高出20.06个百分点。•经过分割的实例会被转换为节点-构件参数。

引言
钢桁架结构因其高承重效率、低自重以及清晰的力传递路径，被广泛应用于大跨度工业建筑、交通基础设施、空间屋顶系统以及各类施工设施中[1]、[2]。钢桁架结构的实际几何形态是实现荷载传递、性能评估、施工质量控制、结构分析、模型更新以及数字孪生应用的基础[3]、[4]。传统的检测和建模流程仍然依赖全站仪、零散的手动测量、图纸以及耗时的解读工作，这使得难以完整掌握复杂节点-构件系统的整体几何状态[5]。地面激光扫描技术能够以非接触方式获取密集的三维测量数据[6]、[7]，但由此产生的点云数据量巨大、无序且不规则，还存在部分遮挡、密度不均以及受现场噪声干扰的问题[8]、[9]。因此，如何将原始点云数据转化为可靠的构件级几何与拓扑信息，依然是钢桁架自动化数字化过程中的关键瓶颈。本文提出的构件参数提取方法能够从分割后的实例中恢复出构件轴线、节点坐标、语义类别以及节点-构件之间的连接关系，从而生成可编辑的几何-拓扑表示，为后续的扫描到BIM转换、IFC对象生成以及BIM模型更新提供中间支撑。

深度学习的最新进展极大推动了点云数据的理解能力。PointNet通过对称特征聚合实现了对无序点集的直接学习[10]，而PointNet++则引入了分层局部特征学习机制[11]。后续方法通过连续点卷积[12]、稀疏卷积[13]以及结合局部特征聚合的随机采样技术[14]，进一步提升了几何表示能力与大规模数据处理效率。基于Transformer的网络则推动了点云分割从局部邻域聚合向长距离上下文推理的发展[15]、[16]。对于实例分割任务，SPFormer和Mask3D这类基于查询的模型可以直接预测实例掩码，减少了对手动设计的投票、聚类以及几何分组流程的依赖[17]、[18]。OneFormer3D则将语义分割、实例分割以及全景分割统一在同一个Transformer框架内，为三维场景分割提供了重要的基准模型[19]。这些技术发展促进了从对点级特征的识别向对复杂结构场景的实例级理解过渡。

这些技术进步逐渐被应用到建筑、工程与施工领域的点云语义分割与实例分割任务中。在建筑和工业场景中，Scan2BIM-NET能够从真实的商业和工业建筑点云中识别出梁、天花板、柱子、地板、管道以及墙体等元素，在83个房间中的平均识别准确率为86.13%[20]；ResPointNet++则进一步提升了工业设施的分割精度，五种构件类别的整体准确率为94.02%，mIoU值为87.34%[21]。这些研究证明了深度学习技术在从无序点云中识别结构与机械构件方面的可行性，但其输出结果主要为点级的语义标签，并未明确区分各个独立的构件实例。在桥梁和隧道点云研究中也能观察到类似的趋势。对于钢梁桥，研究人员利用几何和拓扑约束来识别桥面和钢梁，其元素级识别准确率为98.3%，点级识别准确率为96.1%[22]。局部描述符与机器学习分类器也被用于桥梁点云的语义分割任务[23]。后来还有研究者提出了加权超点图算法，用于大规模桥梁构件的分割，在真实桥梁点云数据集上的mIoU值达到了96.49%[24]。为了弥补训练数据不足的问题，还有人引入了合成数据增强技术以及基于图结构的深度度量学习方法，用以提升桥梁构件边界的识别精度[25]。在隧道场景中，UnrollingNet采用了展开投影策略以及基于U-Net的分割算法，对大规模隧道点云进行多标签分割[26]。对于类似桁架的结构，也有研究利用PCA、聚类以及邻域分析等几何规则，从大型金属桁架桥的点云中识别出弦杆和斜杆[27]。还有后续研究通过生成合成的桁架桥点云，训练改进版的JSNet模型，用于语义分割与实例分割任务[28]。总体而言，现有研究表明深度学习技术与基于几何规则的算法能够提升建筑、工程与施工领域点云数据的自动化解读能力。不过，大多数现有研究仅停留在语义标签或实例掩码的输出层面，未能生成结构建模、施工验证以及数字孪生应用所必需的构件级参数。

近期的研究开始将点云分析扩展到构件参数提取领域。在混凝土建筑领域，结构构件提取与端到端检测流程已被与尺寸质量控制相结合[29]、[30]。在隧道工程中，参数提取通常侧重于中心线估算、横截面重建、收敛变形以及轮廓拟合等方面[31]。对于钢结构和桁架结构，经过分割的构件实例可以为后续的建模工作提供支持；有一些扫描到BIM的研究已经开始尝试提取钢架的轴线信息，并更新IFC/BIM模型中的构件姿态[4]。结构实例匹配技术也被用来将设计时确定的平面、曲线以及线性构件与点云观测结果相对应[32]。连通性检测方法则用于推断构建自动几何数字孪生模型所需的拓扑关系[33]。参数化原型模型进一步支撑了从分割后的点云中自动生成桥梁几何数字孪生的功能[34]。尽管这些方法能够实现构件关联、拓扑结构恢复以及参数化重建，但它们并未将分割过程与构件参数提取整合在一起，无法处理复杂的钢桁架场景。

不过，目前仍存在三方面的局限性。首先，大多数研究仍然以语义分割为主，而对单个结构构件的实例级识别技术发展较为滞后，这类识别往往依赖于聚类、图结构分组、几何拟合或基于规则的后期处理方法[27]。其次，专为真实建筑钢桁架设计的分割网络仍然十分有限。由于钢桁架包含大量细长的构件以及密集的节点区域，仅依靠通用的点云特征难以实现稳定可靠的区分[35]。第三，现有的实例分割研究大多仅输出掩码或类别标签，而工程应用实际上需要的是明确的构件参数[36]。这就造成了分割输出结果与后续的结构建模、BIM模型更新以及施工验证工作之间存在差距，因为后者需要简洁且可编辑的表示形式。

针对上述不足，本研究提出了一种针对钢桁架结构单次扫描静态点云的结构感知处理流程。该流程基于半导体制造厂内三栋建筑的真实场景数据集构建，采用基于区域划分的方法选择模型并进行最终测试。所提出的框架通过加入几何、方向以及空间先验来改进OneFormer3D模型，同时将分割后的实例转换为节点-构件参数。该方法的主要创新点体现在两个机制上：一是TGSPM机制，它会在分割查询中加入查询级别的几何统计信息以及分层的高度空间特征；二是迭代方向引导反馈机制，它在后续的解码器层中引入了考虑轴线信息的偏好设置。该研究的贡献主要体现在四个方面：首先，建立了包含八种构件类别的真实工程场景钢桁架点云数据集，并为每个类别提供了精细的实例级标注；其次，提出了钢桁架结构感知Transformer（STSFormer），这是一种针对钢桁架点云的结构感知型实例分割网络；第三，开发了一种构件参数提取方法，能够将分割后的实例转换为可编辑的节点-构件几何-拓扑表示，为后续的BIM/IFC建模以及数字孪生集成工作提供基础；第四，通过在真实钢桁架点云数据上的实验，评估了该方法在实例分割以及构件参数提取方面的性能，实验主要在同一项目场景下进行，同时也对结构不同的沃伦式桁架进行了初步的跨分布测试。

本文的其余结构如下：第2节介绍钢桁架点云数据集的相关情况；第3节阐述STSFormer网络以及构件参数提取方法；第4节汇报实验结果；第5节讨论所提方法的有效性、泛化能力以及计算效率；第6节总结研究成果并指出未来的研究方向。

章节要点
钢桁架点云数据集
本节介绍了本文所使用的专用钢桁架点云数据集的构建过程，内容包括数据采集（2.1节）、构件定义与标注（2.2节）以及预处理与数据增强（2.3节）。
方法论
本节阐述了从原始激光扫描得到的钢桁架点云数据中自动进行实例分割与构件参数提取的方法框架，如图7所示。该框架以第2节介绍的数据集为基础，首先进行结构感知型实例分割，然后通过几何与拓扑约束将分割后的实例转换为简洁的节点-构件参数。3.1节介绍整个STSFormer框架的构成，3.2节为基准网络相关内容，3.3节为实验与结果分析。
讨论
本节分析了所提框架的有效性、泛化能力以及计算成本。5.1节探讨了结构感知模块的作用以及该框架在面对不同类型桁架时的泛化表现，5.2节介绍了参数提取的流程，5.3节则分析了该方法的效率与可扩展性。
结论
本文提出了一种基于地面激光扫描点云的、针对钢桁架结构的结构感知型实例分割与构件参数提取框架。该方法结合了专用的钢桁架点云数据集、改进型的实例分割网络（STSFormer）以及基于结构约束的几何参数提取流程。其主要创新点在于TGSPM机制，该机制引入了查询级别的几何统计信息以及分层的空间感知能力。

CRediT作者贡献声明
张书林：论文撰写——初稿撰写、可视化处理、方法论设计、数据整理、概念构思。董新军：研究调查、数据整理。胡光阔：论文撰写——初稿撰写、方法论设计。黄鸿：论文撰写——审阅与编辑、方法论设计、研究调查、资金申请。李志瑞：论文撰写——审阅与编辑、可视化处理、结果验证、方法论设计。岳洪哲：论文撰写——初稿撰写、方法论设计、数据整理。王倩：论文撰写——审阅与编辑、结果验证、项目相关工作。

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

致谢
本研究得到了中国国家重点研发计划（项目编号2023YFC3804300）、江苏省研究生科研实践创新计划（项目编号26CXJH0597）以及江苏省优秀博士后计划（项目编号2025ZB825）的支持。

张书林|董新军|胡光阔|黄鸿|李志瑞|岳洪哲|王倩