劉界鵬，崔 娜，周緒紅，李東聲，程國(guó)忠，曾 焱，曹宇星

(1.重慶大學(xué) 土木工程學(xué)院，重慶 400045；2.重慶大學(xué) 山地城鎮(zhèn)建設(shè)與新技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，重慶 400045；3.深圳大學(xué) 土木與交通工程學(xué)院，廣東 深圳 518060)

0 引 言

在混凝土結(jié)構(gòu)工程竣工之前，一般需要對(duì)房屋進(jìn)行尺寸質(zhì)量檢測(cè)以保證建造誤差位于允許范圍之內(nèi)?；炷帘砻娴钠秸群痛怪倍葯z測(cè)是保證混凝土結(jié)構(gòu)能夠正常工作的必不可少的檢測(cè)步驟之一。表面的平整度偏差過(guò)大不僅會(huì)影響美觀，而且會(huì)增加后續(xù)施工難度。墻體的垂直度有較大偏差會(huì)改變墻體的受力狀態(tài)，帶來(lái)安全隱患。

目前，中國(guó)的表面平整度和垂直度檢測(cè)主要依賴于人工測(cè)量。根據(jù)國(guó)家標(biāo)準(zhǔn)《建筑地面工程施工質(zhì)量驗(yàn)收規(guī)范》(GB 50209—2010)[1]和《混凝土結(jié)構(gòu)工程施工質(zhì)量驗(yàn)收規(guī)范》(GB 50204—2015)[2]，表面平整度的檢測(cè)方法是使用2 m靠尺和塞尺進(jìn)行人工測(cè)量，即將2 m靠尺放置于待測(cè)平面，用楔形塞尺檢查靠尺與平面之間的最大空隙間距；構(gòu)件垂直度的測(cè)量可使用經(jīng)緯儀、吊線等測(cè)量工具進(jìn)行人工量測(cè)。這些人工測(cè)量方法只能進(jìn)行局部測(cè)量，無(wú)法對(duì)被測(cè)表面整體的平整度和垂直度做出評(píng)價(jià)。更重要的是，由于人工測(cè)量方法勞動(dòng)力消耗大，測(cè)量結(jié)果存在主觀誤差[3]，在一個(gè)工程中一般難以實(shí)現(xiàn)對(duì)所有混凝土構(gòu)件的檢測(cè)，因此規(guī)范中僅規(guī)定采用抽樣檢測(cè)方式對(duì)不少于總數(shù)10%的構(gòu)件進(jìn)行平整度和垂直度檢測(cè)，這使得通過(guò)驗(yàn)收檢測(cè)的竣工結(jié)構(gòu)仍可能存在質(zhì)量不合格的構(gòu)件。因此，有必要提出一種全面且智能化的方法來(lái)提高檢測(cè)效率，改善目前的抽樣檢測(cè)現(xiàn)狀。

三維激光掃描技術(shù)基于激光測(cè)距原理，可快速獲取掃描環(huán)境內(nèi)的全景三維點(diǎn)云數(shù)據(jù)，具有測(cè)量精度高、數(shù)據(jù)采集效率高、操作簡(jiǎn)單等優(yōu)勢(shì)。目前已有學(xué)者利用三維激光掃描技術(shù)進(jìn)行了混凝土表面的平整度檢測(cè)研究[3-5]，但現(xiàn)有研究對(duì)房屋點(diǎn)云數(shù)據(jù)的預(yù)處理需人為干預(yù)，研究對(duì)象局限于單個(gè)表面，且不涉及對(duì)不同屬性的混凝土結(jié)構(gòu)表面進(jìn)行針對(duì)性檢測(cè)，因此無(wú)法應(yīng)用于整個(gè)房屋的尺寸質(zhì)量檢測(cè)。

為了完成房屋平整度和垂直度的智能化檢測(cè)，本文基于三維激光掃描技術(shù)提出了一種全流程的房屋尺寸質(zhì)量檢測(cè)方法，包括基于標(biāo)靶紙的點(diǎn)云數(shù)據(jù)配準(zhǔn)、點(diǎn)云數(shù)據(jù)輕量化、房屋逆向建模以及尺寸質(zhì)量檢測(cè)3個(gè)方面，檢測(cè)流程見(jiàn)圖1。針對(duì)整個(gè)房屋的點(diǎn)云數(shù)據(jù)，提出了集點(diǎn)云數(shù)據(jù)分割、表面重建、尺寸質(zhì)量檢測(cè)于一體的綜合算法。研究成果以期取代人工測(cè)量方法實(shí)現(xiàn)房屋尺寸質(zhì)量的智能化檢測(cè)。

圖1 房屋尺寸質(zhì)量檢測(cè)流程

1 基于標(biāo)靶紙的點(diǎn)云數(shù)據(jù)配準(zhǔn)

三維激光掃描儀只能獲取位于當(dāng)前視圖內(nèi)被掃描對(duì)象的幾何及顏色數(shù)據(jù)，若要得到被測(cè)物體的完整點(diǎn)云數(shù)據(jù)需從不同的角度(不同的站點(diǎn))進(jìn)行多次掃描。由于不同站點(diǎn)掃描的點(diǎn)云數(shù)據(jù)位于不同的坐標(biāo)系，因此需要將各站點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn)，得到統(tǒng)一坐標(biāo)系的整體點(diǎn)云數(shù)據(jù)。在現(xiàn)有的建筑構(gòu)(部)件尺寸質(zhì)量檢測(cè)相關(guān)研究中，各站點(diǎn)云數(shù)據(jù)之間的配準(zhǔn)是基于點(diǎn)云處理軟件[6]或被測(cè)物體的特征完成的[7]。然而，第一種方法降低了質(zhì)量檢測(cè)的自動(dòng)化程度，第二種方法的通用性較差，難以推廣到一般情況。因此，本文采用一種基于標(biāo)靶紙的配準(zhǔn)方法，可實(shí)現(xiàn)多站點(diǎn)云數(shù)據(jù)的自動(dòng)配準(zhǔn)，而且能夠適應(yīng)不同的場(chǎng)景，有較強(qiáng)的通用性。該方法首先利用點(diǎn)云數(shù)據(jù)的陣列信息按照顏色數(shù)據(jù)生成全景圖，然后從全景圖中提取標(biāo)靶紙中心，利用兩站點(diǎn)云數(shù)據(jù)中的公共標(biāo)靶紙中心進(jìn)行配準(zhǔn)。

1.1 生成全景圖

三維激光掃描儀獲取的點(diǎn)云數(shù)據(jù)有2種，包括無(wú)序點(diǎn)云和有序點(diǎn)云。無(wú)序點(diǎn)云僅包含數(shù)據(jù)點(diǎn)的三維坐標(biāo)、顏色等信息，而有序點(diǎn)云還包含數(shù)據(jù)點(diǎn)的陣列信息。因此，可以利用有序點(diǎn)云的陣列信息將點(diǎn)云數(shù)據(jù)按照其顏色信息映射為全景圖。圖2(a)為使用三維激光掃描儀獲取的一站點(diǎn)云數(shù)據(jù)，其中紅色大框內(nèi)局部放大的區(qū)域是一個(gè)標(biāo)靶紙點(diǎn)云數(shù)據(jù)的示例。紅色大框內(nèi)的點(diǎn)云數(shù)據(jù)是從三維激光掃描儀的位置(圖2紅色橢圓區(qū)域)觀察的結(jié)果，與紅色小框內(nèi)的對(duì)象呈水平鏡像關(guān)系。圖2(a)中點(diǎn)云數(shù)據(jù)映射的全景圖如圖2(b)所示，圖2(a)中局部放大的標(biāo)靶紙點(diǎn)云數(shù)據(jù)映射的圖像為圖2(b)中的紅色大框，從全景圖中可以清晰地看出標(biāo)靶紙的輪廓及位置。

圖2 映射全景圖示例

1.2 估計(jì)標(biāo)靶紙中心

從全景圖中找到標(biāo)靶紙的位置屬于圖像處理領(lǐng)域中的目標(biāo)檢測(cè)問(wèn)題，目前已有眾多性能優(yōu)越的神經(jīng)網(wǎng)絡(luò)模型可用于解決這類(lèi)問(wèn)題。YOLO系列的神經(jīng)網(wǎng)絡(luò)模型[8-10]以其高精度、高效率的特點(diǎn)成為了最常使用的模型之一。因此，本文利用YOLO v5模型[10]從全景圖中檢測(cè)標(biāo)靶紙的位置。常用標(biāo)靶紙的類(lèi)型有3種，包括圓形、正方形以及三角形，如圖3所示。全景圖中的標(biāo)靶紙會(huì)發(fā)生變形，訓(xùn)練神經(jīng)網(wǎng)絡(luò)所用的數(shù)據(jù)集中不僅包含相機(jī)和三維激光掃描儀拍攝的圖像，還含有經(jīng)過(guò)數(shù)據(jù)增強(qiáng)操作處理的圖像，包括多角度拍攝、球面投影、圖像模糊以及灰度圖像轉(zhuǎn)換等。圖2(b)中全景圖的標(biāo)靶紙檢測(cè)結(jié)果見(jiàn)圖4，圖2(b)中紅色大框內(nèi)局部放大的標(biāo)靶紙檢測(cè)結(jié)果如圖4中的紅色大框所示。圖4中的11個(gè)標(biāo)靶紙有10個(gè)被檢測(cè)出，說(shuō)明本次檢測(cè)成功率達(dá)到90%。

圖3 標(biāo)靶紙

圖4 YOLO v5模型檢測(cè)標(biāo)靶目標(biāo)

由圖4可知，YOLO v5模型僅輸出標(biāo)靶紙?jiān)谌皥D中的大致范圍，而兩站點(diǎn)云數(shù)據(jù)之間的配準(zhǔn)需要使用標(biāo)靶紙的中心。本文采用模板匹配的方式估計(jì)標(biāo)靶紙中心，具體步驟如下：

(1)針對(duì)每一個(gè)標(biāo)靶紙的點(diǎn)云數(shù)據(jù)[圖5(a)]，使用隨機(jī)抽樣一致性(RANSAC)算法[11]提取位于同一平面上的點(diǎn)云數(shù)據(jù)，利用主成分分析(PCA)算法[12]將提取的點(diǎn)云數(shù)據(jù)映射到二維空間，并基于適當(dāng)?shù)木W(wǎng)格尺寸將其映射為圖像[圖5(b)]。

(2)使用邊窗盒子濾波算法[13]處理標(biāo)靶紙映射圖像來(lái)濾除圖像中的黑色噪點(diǎn)，并將圖像二值化處理以提高模板匹配的成功率，圖5(b)中的圖像經(jīng)過(guò)濾波和二值化處理的結(jié)果分別如圖5(c)和圖5(d)所示。

(3)將映射圖像與正方形標(biāo)靶紙模板[圖3(b)]進(jìn)行匹配[圖5(e)]，為了提高算法的魯棒性，選擇模板中心周?chē)?的像素點(diǎn)作為標(biāo)靶紙映射圖像的中心，并將中心所對(duì)應(yīng)的數(shù)據(jù)點(diǎn)作為標(biāo)靶紙中心的計(jì)算數(shù)據(jù)點(diǎn)，即為圖5(f)中的藍(lán)色數(shù)據(jù)點(diǎn)。

(4)將標(biāo)靶紙中心的計(jì)算數(shù)據(jù)點(diǎn)取平均值，即為估計(jì)的標(biāo)靶紙中心，如圖5(f)中的紅色數(shù)據(jù)點(diǎn)所示。

圖5 標(biāo)靶紙中心估計(jì)的示例

1.3 點(diǎn)云數(shù)據(jù)配準(zhǔn)

使用三維激光掃描儀掃描時(shí)，須保證兩站之間至少有3個(gè)公共且不共線的標(biāo)靶紙。本文采用的配準(zhǔn)方法的具體步驟如下：

(1)由于標(biāo)靶紙數(shù)量有限，X與Y分別表示待配準(zhǔn)的兩站點(diǎn)云數(shù)據(jù)中的標(biāo)靶紙中心集合，從X與Y中選擇3個(gè)不共線的標(biāo)靶紙進(jìn)行全排列，并將全排列結(jié)果依次對(duì)應(yīng)進(jìn)行計(jì)算。

(2)針對(duì)每一種對(duì)應(yīng)方式，利用公式(1)～(4)[14]計(jì)算旋轉(zhuǎn)矩陣R和平移矩陣T。

(1)

W=UΣVT

(2)

R=VUT

(3)

T=μq-Rμp

(4)

式中：pi和qi分別為X與Y中的對(duì)應(yīng)標(biāo)靶紙中心；μp和μq分別為參與計(jì)算的對(duì)應(yīng)標(biāo)靶紙中心的均值；n為選擇的公共標(biāo)靶紙的數(shù)量(此處n=3)；W為協(xié)方差矩陣；對(duì)角矩陣Σ、左奇異向量U以及右奇異向量V均由矩陣W奇異值分解得到。

(3)最優(yōu)變換矩陣Ropt與Topt通過(guò)式(5)確定。

(5)

為了得到房屋的完整點(diǎn)云數(shù)據(jù)，需要在不同的站點(diǎn)掃描10次，將10組點(diǎn)云數(shù)據(jù)基于標(biāo)靶紙進(jìn)行智能拼接，結(jié)果如圖6所示。

圖6 房屋點(diǎn)云數(shù)據(jù)配準(zhǔn)結(jié)果示例

2 點(diǎn)云數(shù)據(jù)輕量化

由于掃描的點(diǎn)云數(shù)據(jù)數(shù)量龐大，通常需要進(jìn)行數(shù)據(jù)輕量化來(lái)減少數(shù)據(jù)總量，以提高后續(xù)尺寸質(zhì)量檢測(cè)的計(jì)算速度。在實(shí)際應(yīng)用中，常用的點(diǎn)云數(shù)據(jù)輕量化方法可分為2種，包括基于面片的方法和基于非面片的方法[15]。基于面片的方法通常涉及拓?fù)潢P(guān)系的計(jì)算，因而計(jì)算量巨大，在實(shí)際工程中難以應(yīng)用。基于非面片的方法通常采用啟發(fā)式的方法進(jìn)行求解，缺乏嚴(yán)格的數(shù)學(xué)基礎(chǔ)。此外，基于面片和非面片的方法主要關(guān)注輕量化算法本身，并未關(guān)注點(diǎn)云數(shù)據(jù)的體量，因此均難以應(yīng)用于建筑房屋的大體量點(diǎn)云數(shù)據(jù)輕量化。這里采用可分解圖濾波算法對(duì)[16]房屋的點(diǎn)云數(shù)據(jù)進(jìn)行輕量化處理。

可分解圖濾波算法基于分而治之的思想將點(diǎn)云數(shù)據(jù)輕量化分為可分解特征提取、可分解圖濾波兩步?？煞纸馓卣魈崛』趲缀侮P(guān)系將點(diǎn)云數(shù)據(jù)劃分成若干個(gè)點(diǎn)云子集，進(jìn)而利用鄰域信息對(duì)整個(gè)點(diǎn)云子集進(jìn)行特征提取。在可分解圖濾波過(guò)程中，通過(guò)圖濾波器計(jì)算點(diǎn)的采樣概率分布進(jìn)行多項(xiàng)式重采樣得到采樣后的點(diǎn)云數(shù)據(jù)。

2.1 可分解點(diǎn)云特征提取

點(diǎn)云數(shù)據(jù)中任意數(shù)據(jù)點(diǎn)x的特征如公式(6)～(8)所示。

f(x)=wd-1

(6)

wj=e‖x-pj‖2σ-2

(7)

(8)

式中：w為數(shù)據(jù)點(diǎn)x的N維權(quán)重向量；N為鄰域點(diǎn)的數(shù)量；wj為w的第j個(gè)分量，表示數(shù)據(jù)點(diǎn)x的第j個(gè)鄰域點(diǎn)pj的權(quán)重，j∈[1，N]；σ為鄰域權(quán)重調(diào)節(jié)參數(shù)，一般設(shè)置為三維激光掃描儀分辨率的3倍；d為權(quán)重向量w中所有權(quán)重之和。

從公式(6)～(8)中可以看出，數(shù)據(jù)點(diǎn)的特征等于其與鄰域點(diǎn)差值的加權(quán)和。換言之，數(shù)據(jù)點(diǎn)的特征可由其相關(guān)鄰域點(diǎn)的信息編碼而成。因此，對(duì)點(diǎn)云數(shù)據(jù)中某個(gè)特定點(diǎn)而言，其特征可以通過(guò)其鄰域點(diǎn)的鄰域信息進(jìn)行提取。進(jìn)一步將其推廣到點(diǎn)云集合，整體特征可以通過(guò)其相關(guān)聯(lián)的點(diǎn)云集合進(jìn)行提取。為此，基于點(diǎn)云數(shù)據(jù)的幾何信息對(duì)數(shù)據(jù)進(jìn)行劃分，得到點(diǎn)云子集合，依據(jù)幾何位置關(guān)系，對(duì)劃分好的點(diǎn)云集合形成關(guān)聯(lián)的點(diǎn)云子集集合。整體點(diǎn)云數(shù)據(jù)的特征可通過(guò)劃分好的點(diǎn)云子集及其相關(guān)聯(lián)的集合進(jìn)行特征提取得到。

2.2 可分解圖濾波

在對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行集合劃分并提取特征之后，點(diǎn)云子集中每個(gè)數(shù)據(jù)點(diǎn)的采樣概率可通過(guò)圖濾波器計(jì)算得到。可分解圖濾波的整體流程如下：

(1)將點(diǎn)云數(shù)據(jù)依據(jù)設(shè)定的網(wǎng)格值劃分成P個(gè)點(diǎn)云數(shù)據(jù)立方體，并對(duì)每個(gè)立方體構(gòu)建相應(yīng)的包圍球。包圍球的半徑依據(jù)點(diǎn)云數(shù)據(jù)立方體的對(duì)角線長(zhǎng)度進(jìn)行設(shè)置。

(2)對(duì)每個(gè)立方體包圍球進(jìn)行特征提取之后，利用一階圖濾波器對(duì)包圍球進(jìn)行重采樣[15]，得到包圍球內(nèi)所有數(shù)據(jù)點(diǎn)對(duì)應(yīng)的采樣概率。立方體中每個(gè)數(shù)據(jù)點(diǎn)的最終采樣概率可以通過(guò)包圍球內(nèi)對(duì)應(yīng)點(diǎn)的采樣概率得到。

(3)為了在每個(gè)劃分好的點(diǎn)云子集上實(shí)現(xiàn)自適應(yīng)重采樣，對(duì)所有數(shù)據(jù)點(diǎn)的采樣概率分布進(jìn)行多項(xiàng)式重采樣，得到的數(shù)據(jù)點(diǎn)集合即為最終的輕量化點(diǎn)云數(shù)據(jù)。

針對(duì)圖6所示的房屋完整點(diǎn)云數(shù)據(jù)，使用可分解圖濾波算法分別處理每一站掃描點(diǎn)云數(shù)據(jù)，并使用抗噪聲密度聚類(lèi)(DBSCAN)算法[17]去除噪點(diǎn)，處理之后的完整點(diǎn)云數(shù)據(jù)如圖7所示。

圖7 點(diǎn)云輕量化和降噪示例

3 房屋逆向建模及尺寸質(zhì)量檢測(cè)

3.1 逆向建模

目前最常用的住宅類(lèi)建筑結(jié)構(gòu)形式為剪力墻結(jié)構(gòu)，這意味著一套房屋可大致分成墻體和樓板，對(duì)墻面、樓板底面和頂面進(jìn)行重建就能得到房屋的可視化三維模型。重建過(guò)程包括墻體和樓板的點(diǎn)云數(shù)據(jù)分割、墻面點(diǎn)云數(shù)據(jù)分割和表面重建3個(gè)步驟。

對(duì)于一般的房屋點(diǎn)云數(shù)據(jù)，同一個(gè)樓板的點(diǎn)云數(shù)據(jù)具有相似的Z坐標(biāo)，因此墻體和樓板的點(diǎn)云數(shù)據(jù)可以根據(jù)Z坐標(biāo)下的密度直方圖[圖8(a)]進(jìn)行分離，直方圖中的峰值區(qū)域?qū)?yīng)樓板點(diǎn)云數(shù)據(jù)，非峰值區(qū)域則為墻體點(diǎn)云數(shù)據(jù)。分割結(jié)果如圖8(b)所示，其中淺色代表樓板點(diǎn)云數(shù)據(jù)，深色代表墻體點(diǎn)云數(shù)據(jù)。樓板點(diǎn)云數(shù)據(jù)包括樓板底面和頂面兩部分[圖9(a)]，可依據(jù)Z坐標(biāo)進(jìn)一步分離，結(jié)果如圖9(b)所示。

圖8 墻體和樓板的點(diǎn)云數(shù)據(jù)分割結(jié)果

圖9 樓板底面和頂面的點(diǎn)云數(shù)據(jù)分割結(jié)果

墻體點(diǎn)云數(shù)據(jù)包含很多不同的墻面，需要進(jìn)一步將其分割?；诜课莸慕Y(jié)構(gòu)特點(diǎn)，本文采用的墻面分割方法如下：

(1)沿墻體一定高度對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行切片，得到墻體的輪廓數(shù)據(jù)[圖10(a)]。

(2)使用DBSCAN算法[17]將屬于同一個(gè)房間的輪廓數(shù)據(jù)劃分至同一個(gè)類(lèi)中，而圖10(a)中的噪點(diǎn)會(huì)被算法劃分成單獨(dú)的類(lèi)，且類(lèi)中數(shù)據(jù)點(diǎn)的總量較少。統(tǒng)計(jì)算法得到的每個(gè)類(lèi)的數(shù)據(jù)點(diǎn)總量，通過(guò)設(shè)置閾值進(jìn)行篩選可得到屬于不同房間的輪廓數(shù)據(jù)，結(jié)果見(jiàn)圖10(b)。

(3)針對(duì)每個(gè)房間，利用RANSAC算法[11]擬合出不同墻面所在的直線方程[圖10(c)]，從而得到屬于不同墻面的點(diǎn)云數(shù)據(jù)[圖10(d)]。

圖10 不同墻面的點(diǎn)云數(shù)據(jù)分割結(jié)果

將墻面、樓板底面和頂面的點(diǎn)云數(shù)據(jù)[圖9(b)、圖10(d)]進(jìn)行組合，即可得到帶有語(yǔ)義信息的房屋點(diǎn)云數(shù)據(jù)。對(duì)分割后的點(diǎn)云數(shù)據(jù)進(jìn)行表面重建可進(jìn)一步得到房屋的可視化模型。目前，表面重建方法主要分為3類(lèi)：基于Delaunay三角化的表面重建[18]、隱式表面重建[19]和區(qū)域生長(zhǎng)法表面重建[20]。其中，區(qū)域生長(zhǎng)法選擇一個(gè)種子三角形為初始三角網(wǎng)格，依據(jù)特定的拓?fù)湓瓌t獲取鄰接三角形，直到遍歷所有數(shù)據(jù)點(diǎn)后得到重建后的表面。該方法具有思路簡(jiǎn)單、時(shí)間復(fù)雜度低、能夠處理較大規(guī)模點(diǎn)云數(shù)據(jù)等優(yōu)點(diǎn)[21]。區(qū)域生長(zhǎng)法中的一個(gè)經(jīng)典算法為滾球(BPA)算法[20]。該算法首先定義一個(gè)半徑為r的滾球，從一個(gè)種子三角形開(kāi)始，將滾球沿著種子三角形的一條邊開(kāi)始滾動(dòng)，直到與下一個(gè)數(shù)據(jù)點(diǎn)接觸后停止，通過(guò)判斷滾球內(nèi)是否包含其他數(shù)據(jù)點(diǎn)來(lái)確定是否將該邊與該數(shù)據(jù)點(diǎn)構(gòu)成新的三角形。不斷循環(huán)上述過(guò)程，直到所有數(shù)據(jù)點(diǎn)都包含在三角網(wǎng)格中，最終完成表面重建。本文使用BPA算法完成分割后的房屋點(diǎn)云數(shù)據(jù)的表面重建，結(jié)果如圖11所示。

圖11 表面重建結(jié)果

3.2 平整度和垂直度檢測(cè)

得到分割的墻面點(diǎn)云數(shù)據(jù)后，就能進(jìn)行參考平面的擬合，并基于參考平面進(jìn)行平整度和垂直度的檢測(cè)。然而，墻面的邊緣經(jīng)常會(huì)含有屬于其他混凝土表面的點(diǎn)云數(shù)據(jù)，這些點(diǎn)云數(shù)據(jù)會(huì)使擬合的參考平面有較大的偏差，因此需要在擬合平面時(shí)將其篩除，從而提高參考平面擬合的準(zhǔn)確率。本文采用的房屋尺寸質(zhì)量檢測(cè)方法如下。

3.2.1 邊界檢測(cè)

針對(duì)每一個(gè)墻面的點(diǎn)云數(shù)據(jù)，本文基于圖像處理的方式檢測(cè)點(diǎn)云數(shù)據(jù)的邊界，具體步驟為：

(1)使用PCA算法[12]將點(diǎn)云數(shù)據(jù)映射到二維空間，并基于適當(dāng)?shù)木W(wǎng)格尺寸轉(zhuǎn)化成圖像，同時(shí)在圖像周?chē)砑?5個(gè)像素以保證墻體的邊界能夠被準(zhǔn)確地檢測(cè)。

(2)使用邊窗盒子濾波算法[13]和二值化處理以提升圖像的質(zhì)量。

(3)使用輪廓跟蹤算法[22]和道格拉斯-普克(DP)算法[23]分別獲取圖像的輪廓和角點(diǎn)。

(4)將提取的輪廓和角點(diǎn)網(wǎng)格回溯至三維空間，即可得到墻面邊界點(diǎn)云數(shù)據(jù)。

圖12(a)、(d)分別為矩形墻面和含有洞口的墻面的映射圖像，圖12(b)、(e)為輪廓和角點(diǎn)檢測(cè)結(jié)果。與圖12(b)、(e)中輪廓線和角點(diǎn)對(duì)應(yīng)的點(diǎn)云數(shù)據(jù)分別如圖12(c)、(f)所示。從圖12可以看出，這種方法可以有效檢測(cè)出墻體的邊界，且能夠適應(yīng)不同的墻體形狀。

圖12 墻面的邊界檢測(cè)

3.2.2 參考平面擬合

參考平面是平整度和垂直度計(jì)算的基準(zhǔn)面，需盡可能地表示掃描平面上的所有數(shù)據(jù)點(diǎn)。為降低噪點(diǎn)的影響，基于RANSAC的思想，在邊界篩選后的墻面點(diǎn)云數(shù)據(jù)中隨機(jī)選擇80%的數(shù)據(jù)點(diǎn)來(lái)擬合參考平面，反復(fù)計(jì)算n次并根據(jù)式(9)計(jì)算擬合殘差ε，選擇擬合殘差最小的面作為參考平面[24]。

(9)

3.2.3 平整度計(jì)算

計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到參考平面的距離作為平面偏差，偏差的正負(fù)性通過(guò)數(shù)據(jù)點(diǎn)與參考平面法向量的方向確定[24]。參考平面的法向量指向該平面所在房屋的中心。從圖11所示的房屋點(diǎn)云數(shù)據(jù)中選擇一面墻體，其平面偏差的計(jì)算結(jié)果如圖13所示，從圖13可得到任意位置的平面偏差。

圖13 墻面的平面偏差

工程中測(cè)量的平整度實(shí)際上是被測(cè)區(qū)域最低點(diǎn)與最高點(diǎn)之間的相對(duì)差值，而圖13中的平面偏差僅是數(shù)據(jù)點(diǎn)相對(duì)于參考平面的偏差。為了便于工程中調(diào)整局部不平整的混凝土表面，需要將平面偏差轉(zhuǎn)換成平整度偏差。本文提出一種基于圖像處理的滑動(dòng)窗口算法計(jì)算平整度偏差，具體步驟如下：

(1)從待檢測(cè)墻面的邊界中，選擇2個(gè)相互垂直的邊界，計(jì)算其單位向量，并依據(jù)2個(gè)單位向量將墻體點(diǎn)云數(shù)據(jù)映射到二維空間。

(2)使用邊長(zhǎng)為0.02 m的正方形網(wǎng)格，將二維點(diǎn)云數(shù)據(jù)映射成圖像，并根據(jù)平面偏差得到偏差圖，其像素值為網(wǎng)格內(nèi)數(shù)據(jù)點(diǎn)中絕對(duì)偏差最大的數(shù)值，正負(fù)性由該數(shù)據(jù)點(diǎn)的實(shí)際偏差確定，圖14為圖13所示墻面點(diǎn)云數(shù)據(jù)映射的偏差圖。

圖14 墻面映射的偏差

(3)基于圖15所示的3種滑動(dòng)窗口計(jì)算平整度偏差。3種滑動(dòng)窗口的對(duì)角線長(zhǎng)度均為2 m，以模擬60°、45°和30°的2 m靠尺，其中紅色的像素點(diǎn)為計(jì)算點(diǎn)，其平整度偏差為滑動(dòng)窗口所涵蓋的范圍之內(nèi)偏差的最大值與最小值之差。為保證偏差圖中所有網(wǎng)格都能順利計(jì)算，偏差圖的四邊需要根據(jù)滑動(dòng)窗口的尺寸以0進(jìn)行網(wǎng)格填充。

圖15 3種滑動(dòng)窗口

(4)分別使用3種滑動(dòng)窗口計(jì)算平整度偏差，并取3種平整度偏差的最大值作為最終計(jì)算的平整度偏差。使用圖14所示偏差圖計(jì)算的平整度偏差如圖16所示。

圖16 墻面的平整度偏差

3.2.4 垂直度計(jì)算

墻體垂直度的含義為墻體的底部與頂部之間的水平偏差，可通過(guò)計(jì)算參考平面的法向量與樓板頂面的夾角相對(duì)于90°的偏差值，并將此偏差值的正弦函數(shù)值與墻體的高度相乘而得到。以圖13中所示墻體為例，其參考平面的法向量與樓板頂面的夾角為90.10°，與90°的偏差值為0.10°，墻體的高度為2.78 m，因此垂直度為5 mm。

4 工程應(yīng)用

為了驗(yàn)證提出的方法有效性，本文選取2套已完工的清水混凝土房屋進(jìn)行尺寸質(zhì)量智能檢測(cè)試驗(yàn)。房屋平面圖如圖17所示，總面積均為90 m2。在墻面粘貼標(biāo)靶紙，使用三維激光掃描儀依次掃描各房間，保證兩站之間的公共標(biāo)靶紙數(shù)量不少于3個(gè)，掃描示意圖見(jiàn)圖18。本文所用的三維激光掃描儀為FARO S150[6]，采用的分辨率均為1/8，質(zhì)量為4x，數(shù)據(jù)點(diǎn)之間的距離為12.3 mm·m-1。

圖17 2套房屋的平面圖

圖18 數(shù)據(jù)采集

2套房屋的平面偏差、平整度偏差、垂直度偏差結(jié)果分別如圖19～21所示?？梢钥闯?，本文提出的房屋尺寸質(zhì)量智能檢測(cè)方法可實(shí)現(xiàn)各站點(diǎn)云數(shù)據(jù)的智能化預(yù)處理，并提供房屋各表面平整度以及墻體垂直度檢測(cè)的可視化結(jié)果。根據(jù)平整度偏差結(jié)果可準(zhǔn)確分辨各表面中相對(duì)偏差較大的區(qū)域，并結(jié)合平面偏差結(jié)果精準(zhǔn)定位該區(qū)域內(nèi)局部偏差較大的位置，從而指導(dǎo)工人施工整改。由于三維激光掃描技術(shù)可進(jìn)行房屋的全覆蓋式掃描，獲得的表面信息更加全面，因此在大部分表面中，模擬2 m靠尺的滑動(dòng)窗口算法計(jì)算得到的平整度偏差均超過(guò)規(guī)范中設(shè)定的8 mm限值，可見(jiàn)基于三維激光掃描的平整度檢測(cè)技術(shù)相對(duì)于人工抽樣檢測(cè)將更加嚴(yán)格。

圖19 平面偏差結(jié)果

圖20 平整度偏差結(jié)果

圖21 垂直度偏差結(jié)果

5 結(jié) 語(yǔ)

(1)提出了一種智能化、全流程的房屋尺寸質(zhì)量檢測(cè)方法，集成應(yīng)用了點(diǎn)云數(shù)據(jù)配準(zhǔn)算法、點(diǎn)云數(shù)據(jù)輕量化算法、房屋逆向建模與尺寸質(zhì)量檢測(cè)算法，最終形成了房屋尺寸質(zhì)量智能檢測(cè)綜合算法。

(2)本文所采用的基于標(biāo)靶紙的點(diǎn)云數(shù)據(jù)配準(zhǔn)方法能夠自動(dòng)完成各站點(diǎn)云數(shù)據(jù)的配準(zhǔn)，得到完整房屋點(diǎn)云數(shù)據(jù)；逆向建模技術(shù)能夠分離不同墻面、樓板底面和頂面的點(diǎn)云數(shù)據(jù)，并生成房屋的實(shí)體模型；尺寸質(zhì)量檢測(cè)技術(shù)能夠自動(dòng)計(jì)算出表面的平整度和垂直度；本文提出的房屋尺寸質(zhì)量檢測(cè)方法全面、可行。

(3)基于三維激光掃描的平整度檢測(cè)技術(shù)相對(duì)于人工抽樣檢測(cè)更加嚴(yán)格。