《AUTOMATION IN CONSTRUCTION》：Automated shape-aware dimensional classification and semantic instance segmentation of steel structures from occluded point cloud data
编辑推荐：
•提出了一种用于现状钢结构检查的自动化基于规则的流程。•开发了一种形状感知模板匹配方法用于尺寸分类。•通过形状约束区域生长实现了构件的实例分割。•性能在不同结构配置和遮挡率下得到了验证。•在实际钢结构上实现了 100% 的尺寸分类、96.09% 的语义分割和 89.29% 的
- •
提出了一种用于现状钢结构检查的自动化基于规则的流程。
- •
开发了一种形状感知模板匹配方法用于尺寸分类。
- •
通过形状约束区域生长实现了构件的实例分割。
- •
性能在不同结构配置和遮挡率下得到了验证。
- •
在实际钢结构上实现了 100% 的尺寸分类、96.09% 的语义分割和 89.29% 的实例分割准确率。
引言
建筑和工程、施工及运营 (AECO) 行业中，在建造期间及之后，以及在整个运营和维护 (O&M) 阶段对建筑构件进行现状质量检查至关重要，以确保结构完整性、安全性并及时进行改造，这在关于土木工程结构非接触式几何质量评估 [1]、预制混凝土构件自动化质量检查 [2] 以及自动化施工检查和进度监控 [3] 的综述中已得到强调。检查目标因结构系统而异，如钢筋混凝土构件、机电 (MEP) 组件和钢结构框架，每种都需要不同的评估方法。近年来，几何质量评估已成为一种主要的检查方法，侧重于尺寸精度、变形和表面缺陷检测 [4,5]。虽然已有大量研究针对混凝土构件，包括预制板 [6]、3D 打印表面 [7]、使用点云数据的其他预制元素 [8]，以及 MEP 模块 [9]，但关于钢结构几何质量评估的研究仍相对有限。钢结构由于其重复的框架、相似的截面和薄的几何结构，给构件区分和测量带来了独特的挑战。现有研究主要检查单个构件的尺寸或变形 [10,11]，在完整钢结构构件的检查方面仍存在空白。特别是，对已建钢结构中每个构件的形状和尺寸进行准确分类，对于通过将它们与设计 BIM 模型进行比较来确保施工质量至关重要。此外，尺寸分类为缺乏设计蓝图或 BIM 模型的钢结构的扫描至 BIM 重建提供了基础，从而实现高效的拆除规划、安全性分析和缺陷构件的更换。
传统的几何质量评估依赖于人工检查，持证检查员使用卷尺和游标卡尺等工具测量构件尺寸。然而，人工评估大型或较高的钢结构需要检查员亲自攀爬结构，这带来了重大的安全风险并限制了测量覆盖范围 [5]。在过去几十年中，基于激光雷达的扫描技术，如地面激光扫描 (TLS)，通过以最少的人员参与实现对目标对象密集三维几何信息的快速获取和准确获取，显著简化了几何评估 [12]。TLS 系统采用旋转扫描头，在 360° 视场角内发射激光脉冲，捕捉数百万个描述目标几何细节的表面点。尽管有这些优势，TLS 点云缺乏目标构件的语义形状信息。语义信息对于实例分割至关重要，因为它能够识别和隔离单个构件以供质量评估和重建使用。为了提取语义信息，现有研究依赖于几何描述符、空间关系描述、基于规则的知识以及扫描与 BIM 对比 [13]。然而，这些方法往往难以处理遮挡。特别是，相似的截面形状和密集排列的构件进一步增加了复杂性。因此，在遮挡和复杂装配条件下对钢结构进行稳健分割仍然是一个未解决的挑战。
另一方面，基于深度学习的方法近年来已被广泛用于建筑行业中各种目标的分割 [14]，包括桥梁点云分割 [15]、现场体积材料测量 [16] 和复杂铁路环境分割 [17]，因为它们能够从大量训练数据中学习复杂的几何和空间特征。然而，它们在重度遮挡下的性能仍然显著下降，因为其准确性强烈依赖于训练数据的完整性和质量。遮挡减少了独特几何特征的可用性，导致特征表示和分割不佳。在钢结构背景下，没有带遮挡的真实结构点云数据集。现有方法通常依赖无遮挡的合成数据集 [18] 或模拟随机遮挡 [19]，这不能准确反映现实世界的复杂性。此外，大多数研究专注于基于截面形状的语义分割或基于方向的部分分割 [20]。然而，在现实遮挡条件下，对于钢结构构件稳健的实例级详细分割方法仍然缺乏。
为解决这些限制，本研究提出了一种基于规则的流程，用于钢结构点云数据的自动化尺寸分类以及语义和实例分割。与依赖训练数据的现有方法不同，提出的方法使用结构构件形状约束框架，在现实遮挡下实现了稳健的分割和尺寸分类。本研究的主要贡献是：
- 1.
一种基于规则的流程，用于从遮挡点云数据中对钢结构进行尺寸分类以及语义和实例分割。
- 2.
形状感知模板匹配和区域生长方法，用于准确分类和分割遮挡的钢构件。
- 3.
使用具有不同结构配置的合成和真实钢结构，对截面尺寸分类准确率以及语义和实例分割准确率进行了实验验证。
本文其余部分安排如下：第 2 节回顾了关于钢结构检查和点云分割的相关文献。第 3 节详细介绍了用于尺寸分类和分割的提出流程。第 4 节展示了实验设置、评估指标，以及使用合成和真实钢结构对尺寸分类以及语义和实例分割的验证结果。第 5 节给出了讨论。第 6 节总结了本研究，包括局限性和潜在的未来研究方向。最后，在附录 A、B 和 C 中分别提供了对提出流程的额外验证、消融实验和可重复性分析。
章节片段
文献综述
本节回顾了与本研究相关的现有文献。第一个小节检查了激光扫描在各种钢结构检查任务中的应用，并将本研究定位在已识别的研究空白中。第二个小节回顾了钢结构点云分割的最新方法，并强调了对语义和实例分割新方法的需求。
方法论
图 1 显示了提出方法的总体工作流程。本文提出了一种使用基于规则的方法对遮挡钢结构进行尺寸分类和分割的自动化流程。首先，对钢结构的输入遮挡点云数据 (PCD) 进行体素化，使得每个体素包含钢构件点的一个子集。其次，识别并基于其方向对子集的方向进行分类。第三，截面形状和尺寸
实验评估
本节展示了实验设置、数据采集过程和评估指标，随后使用合成和真实钢结构对提出流程进行了验证。
讨论
本节通过几个补充实验进一步讨论了提出流程的性能和局限性。该讨论包括遮挡对准确率的影响、流程的计算性能、手动定义参数的敏感性、识别出的失败模式，以及提出的尺寸检查方法与现有方法的比较。
结论
本文提出了一种自动化的基于规则的方法，用于使用截面尺寸对钢结构进行分类，并通过分割提取每个结构构件的点。首先，流程通过体素化将钢结构划分为小子集以定位构件。其次，通过子集点的二值图像栅格化和主成分分析 (PCA) 估计每个子集的方向，然后根据估计的方向对子集进行分类。
CRediT 作者贡献声明
Mathanraj Rajendran: 撰写 – 初稿、可视化、验证、软件、方法论、形式分析、数据整理、概念化。 Ayembilla Festus Basimtaal: 方法论、数据整理、概念化。 Sung-Han Sim: 监督、资源、项目管理、方法论、资金获取、概念化。 Min-Koo Kim: 撰写 – 审查与编辑、可视化、验证、监督、资源、方法论、调查、概念化。 Chang-Yong Yi:
利益冲突声明
作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。
致谢
本研究得到了包括由 韩国国家研究基金会 (NRF) 资助的 韩国政府 (项目编号 RS-2023-00251649) 和由 韩国基础设施技术促进局 (KAIA) 资助的 国土交通部 在 智能建筑研发项目 下 (项目编号 RS-2025-02532980) 的资金支持。
Mathanraj Rajendran|Ayembilla Festus Basimtaal|Sung-Han Sim|Min-Koo Kim|Chang-Yong Yi
