《Applied Sciences》：AI-Assisted Scan-to-BIM for Masonry Arch Bridges: From Point Cloud Segmentation to Parametric Heritage BIM Reconstruction
编辑推荐：
本文展示了一种由大型语言模型（Large Language Model, LLM）支持的人工智能辅助工作流，用于从多源输入数据对砌体拱桥进行几何与信息重建。所提出的方法结合了点云预处理、植被过滤、基于人工智能或半自动分割、几何特征提取、三维网格生成以及参数化遗
本文展示了一种由大型语言模型（Large Language Model, LLM）支持的人工智能辅助工作流，用于从多源输入数据对砌体拱桥进行几何与信息重建。所提出的方法结合了点云预处理、植被过滤、基于人工智能或半自动分割、几何特征提取、三维网格生成以及参数化遗产建筑信息模型（Heritage Building Information Modeling, HBIM）集成。该研究旨在具体考察输入信息的数量与类型如何影响重建过程及所生成HBIM模型的可靠性。考虑的输入数据包括点云（Point Cloud, PC）、摄影图像以及与桥梁几何、建造特征和可见建筑构件相关的描述性信息。研究人员特别关注点云的初始几何特征，包括其点密度、空间分布、完整度以及总点数，以评估点云数量如何影响重建几何的精度与细节层次。从稠密三维测量出发，该工作流识别并重建了砌体拱桥的主要建筑与结构构件，包括拱、拱内面、栏杆、砌体墙、桥面、桥台和分水尖。提取的几何被转换为干净的3D网格，随后结构化为适合文档记录、保护、结构评估及未来监测活动的参数化HBIM对象。研究人员进行了云到网格（Cloud-to-Mesh, C2M）对比，以评估重建模型相对于原始点云的几何精度。结果表明，混合人工智能与几何方法在提高历史砌体桥梁遗产扫描到建筑信息模型（Scan-to-BIM）过程的效率、可重复性和可靠性方面具有潜力。此外，结果表明，HBIM模型的几何质量主要取决于结构点的密度、空间分布和完整度，而非其总数量。实际上，分布良好的点云比点数量更大但覆盖不均匀的数据集能够实现更可靠的重建。
**研究背景、存在问题与研究动机**
文化遗产的数字化记录、保护与管理正日益依赖数字工具，这些工具需同时满足几何精度、操作效率与长期可持续性。建筑信息模型（Building Information Modeling, BIM）尤其是遗产建筑信息模型（Heritage Building Information Modeling, HBIM）为历史结构的几何与语义信息整合提供了理想平台。然而，传统的扫描到建筑信息模型（Scan-to-BIM）工作流严重依赖人工操作，包括点云清洗、截面提取、轮廓绘制、曲面构建及对象分类，耗时且难以标准化，且结果高度依赖建模者的经验与一致性。尽管人工智能（Artificial Intelligence, AI）和机器学习在点云语义分割、建筑构件识别等方面已取得进展，但多数方法仅针对简单规则建筑，尚未充分应用于历史桥梁这类复杂异形基础设施。现有研究虽已提出基于AI的半自动方法，但往往缺乏对输入数据质量（如点云密度、空间分布）影响的系统评估，且工作流可重复性有限。针对上述问题，本研究提出了一种由大型语言模型（Large Language Model, LLM）辅助的集成工作流，旨在实现从多源数据（点云、图像、描述信息）到参数化HBIM模型的高效、可重复重建，并量化评估输入数据特征对重建几何精度的影响。该论文发表在《Applied Sciences》。
**主要技术方法**
研究人员采用的主要关键技术方法包括：基于局部密度、粗糙度、法向量和曲率分析的混合点云分类与植被过滤方法；基于结构点云二维投影、纵横截面及剖面分析的几何重建策略，采用非对称三次样条拟合拱内弧线以避免预设理论形状；利用云到网格（Cloud-to-Mesh, C2M）算法进行几何验证，计算偏差统计量（最小距离、最大距离、平均距离、标准差、均方根误差等）；以及将验证后的几何模型转换为IFC 4.3标准语义结构的HBIM对象，并分配唯一标识符、材料、重建方法、可靠性等级等属性。研究涉及四个案例桥梁：主案例为意大利卡西亚的一座单跨砌体拱桥（UAV摄影测量，约1567万点），验证案例包括ID1（Ponte di Annibale，不规则双跨，UAV摄影测量）、ID2（Ponte San Francesco di Paola，三跨规则拱，地面激光扫描TLS）、ID3（铁路桥，三跨对称，TLS）。
**研究结果**
**3.1 从点云到BIM模型**
通过对主案例桥梁的摄影测量点云（约1567万点）进行基于密度、颜色、法向量和表面连续性的两阶段分类，分离出结构、地形、植被、背景和异常点。利用结构点云提取纵横向截面，以非对称三次样条拟合拱内弧线，所得拱剖面拟合均方根误差（RMSE）为0.75 cm，最大偏差2.22 cm。基于该样条重建的拱参数为：跨度14.17 m，矢高4.97 m。最终三维几何模型经C2M验证，平均距离2.78 cm，标准差2.46 cm，RMSE 3.72 cm，中位数1.88 cm，90%、95%、99%百分位分别为6.81、7.84、8.98 cm，最大偏差9.50 cm，均在10 cm容差范围内。将模型转换为IFC 4.3格式，包含15个几何对象，并分配对应IFC实体（如拱为IfcMember，桥台为IfcWall，桥面为IfcSlab等），经usBIM平台验证可正确读取。
**3.2 在其他砌体桥梁上的测试与验证**
将相同工作流应用于ID1、ID2、ID3三座桥梁。ID1点云约1117万点，C2M平均距离4.11 cm，RMSE 4.95 cm，95%百分位8.80 cm；ID2点云约877万点，平均距离3.44 cm，RMSE 3.98 cm，95%百分位7.20 cm；ID3点云约171万点，平均距离10.86 cm，RMSE 13.23 cm，95%百分位24.77 cm，略超10 cm容差阈值。所有模型均成功转换为IFC 4.3 HBIM模型，并在usBIM中可视化验证。结果表明，重建精度主要受结构点的有效密度、空间分布和完整度影响，而非总点数；点云分布均匀的较小数据集（如ID2）可优于点数更多但覆盖不均的数据集（如ID1）。
**讨论部分总结与结论翻译**
讨论部分指出，所提方法的核心贡献在于将点云分类、几何解释、参数化重建、度量验证、语义分解和IFC导出整合为单一可重复工作流，而非仅仅自动生成三维表示。与传统手动工作流相比，AI辅助可减少重复性操作（如邻域分析、截面提取、曲线拟合、对象属性赋值等），提高可追溯性（保留原始点云、分类结果、排除点、重建几何及验证输出）和标准化程度，但无法替代专家对历史结构构造顺序、材料界面等复杂信息的解读。ChatGPT（大型语言模型）在此过程中主要作为推理、编码和工作流编排助手，而非直接度量工具，其生成的脚本需经独立验证。度量可靠性方面，C2M对比是必要的但非充分验证，需结合双向距离、覆盖率、语义正确性等指标。点云数量并非精度独立预测因子，空间分布、采集方法、结构复杂度同样关键。AI无法弥补缺失测量数据，推测性几何必须明确标注。未来工作应包括人工与AI辅助建模的严格时间对比、不确定性感知的组件级验证、更大规模多样桥梁测试、以及将ChatGPT与确定性点云库和BIM API集成。
**研究结论**：本研究提出了一种由大型语言模型支持的人工智能辅助工作流，用于从点云、图像和描述信息中对历史砌体拱桥进行几何与语义重建。该工作流集成了数据评估、混合分类、受控几何重建、云到网格验证、对象分解和IFC导出。对主桥及三个附加测试案例的结果表明，该方法能够为不同配置和采集来源的桥梁生成结构化的HBIM模型，同时保留拱内弧等结构重要构件的实测形状。人工智能和ChatGPT的主要优势在于减少和标准化重复性操作，而非自主度量重建。与常规手动HBIM工作流相比，所提方法可加速点云清洗、重复截面提取、曲线处理、对象生成、属性赋值和验证报告，并能减少操作者依赖性变异，保持源点、重建几何与BIM对象之间的清晰关联。从度量角度看，案例研究证实，当点云提供足够密度、覆盖和几何控制时，AI辅助模型可保持在预定容差内。主模型整体RMSE为3.72 cm，95%百分位7.84 cm，拱内弧拟合残差更小。验证案例还表明，点云数量并非唯一决定因素：空间分布、采集方法、表面可见性、结构复杂性和有用结构点比例同样重要。AI无法补偿缺失测量，推测性几何必须与直接观测几何明确区分。研究同时确认了人在回路架构的必要性：ChatGPT可支持编码、编排、文档和互操作性，但生成的脚本和语义决策必须独立验证。语言模型不应被视为度量权威。可重复的科学使用需要存储提示、模型版本、脚本、依赖项、参数、手动修正和验证输出。
