張 帆，孫楚津，覃思中，趙馨怡

(1.中冶建筑研究總院有限公司，北京 100088；2.清華大學(xué)土木工程系，土木工程安全與耐久教育部重點(diǎn)實(shí)驗(yàn)室，北京 100084)

我國(guó)建筑業(yè)的發(fā)展對(duì)工程建造過程的進(jìn)度和質(zhì)量管控提出了較高的要求，施工管理問題越來越受工程人員和研究者的關(guān)注。建筑信息模型(BIM)為工程建設(shè)提供了豐富的空間和屬性信息，成為提升工程建設(shè)管理數(shù)字化水平的關(guān)鍵技術(shù)。通過與實(shí)際工程數(shù)據(jù)的交互，可以利用BIM 實(shí)現(xiàn)項(xiàng)目的動(dòng)態(tài)協(xié)調(diào)管理。比如，在進(jìn)度管理方面，利用BIM 可以綜合資源、工期、成本等關(guān)鍵要素優(yōu)化實(shí)現(xiàn)科學(xué)的施工計(jì)劃排程與可視化[1-4]；在質(zhì)量管理方面，則可開展碰撞檢測(cè)、偏差檢查和竣工模型重建等[5-7]。

上述應(yīng)用離不開實(shí)際工程數(shù)據(jù)的獲取，常規(guī)方法主要依賴于現(xiàn)場(chǎng)人員測(cè)量，存在數(shù)據(jù)獲取成本高、效率低等問題。近年來，三維激光掃描、RGB-D 深度相機(jī)等主動(dòng)式三維信息獲取技術(shù)和多視圖幾何重建等被動(dòng)式三維信息獲取技術(shù)的發(fā)展，為獲取以點(diǎn)云描述的工程建設(shè)三維場(chǎng)景信息提供了可能[8-10]。相比于現(xiàn)場(chǎng)人員測(cè)量，利用上述方法可以更高效地獲取三維信息，同時(shí)搭載于無人車、無人機(jī)[11]等可以實(shí)現(xiàn)更大范圍的數(shù)據(jù)采集，為推動(dòng)BIM 在施工管理領(lǐng)域的應(yīng)用提供了關(guān)鍵的技術(shù)支持。

目前，已有相關(guān)研究將點(diǎn)云與BIM 相結(jié)合，輔助建筑工程的施工質(zhì)量與進(jìn)度管理[6,12]。然而，既有研究一般面向全局的三維場(chǎng)景信息比對(duì)，在不同類型工程構(gòu)件需要適用不同的比對(duì)規(guī)則與指標(biāo)時(shí)難以定量呈現(xiàn)比對(duì)結(jié)果，需要工程人員進(jìn)一步開展針對(duì)性分析。同時(shí)，比對(duì)結(jié)果無法與BIM 構(gòu)件屬性自動(dòng)關(guān)聯(lián)并服務(wù)于智能化分析。針對(duì)上述問題，本文將在既有研究基礎(chǔ)上，引入深度學(xué)習(xí)點(diǎn)云語義分割技術(shù)，針對(duì)框架梁柱節(jié)點(diǎn)實(shí)現(xiàn)構(gòu)件對(duì)象化的比對(duì)，提高點(diǎn)云與BIM 比對(duì)的自動(dòng)化和數(shù)字化程度，為相關(guān)測(cè)量數(shù)據(jù)和施工進(jìn)度的數(shù)字化記錄和智能化分析提供基礎(chǔ)。

1 基于BIM 與點(diǎn)云的施工檢查方法

本文提出的基于BIM 和深度學(xué)習(xí)點(diǎn)云分割的施工檢查方法，主要包括以下4 個(gè)步驟：

1) 點(diǎn)云獲?。菏褂萌S激光掃描、RGB-D 深度相機(jī)等技術(shù)獲取施工建筑三維點(diǎn)云，通過布置多個(gè)測(cè)點(diǎn)獲取完整三維場(chǎng)景，點(diǎn)云應(yīng)具備三維坐標(biāo)和法向量信息。點(diǎn)云經(jīng)過人工預(yù)處理與降采樣，用于后續(xù)比對(duì)。

2) 深度學(xué)習(xí)模型訓(xùn)練：利用已有構(gòu)件類型標(biāo)簽的點(diǎn)云數(shù)據(jù)訓(xùn)練點(diǎn)云語義分割模型，標(biāo)簽可以通過人工或虛擬合成的方法得到。第2 節(jié)詳細(xì)介紹了本文采用的點(diǎn)云語義分割算法。

3) 點(diǎn)云語義分割：將步驟1)獲得的施工建筑點(diǎn)云輸入到步驟2)訓(xùn)練獲得的模型中，判別得到點(diǎn)云的逐點(diǎn)構(gòu)件類型標(biāo)簽預(yù)測(cè)結(jié)果。

4) 對(duì)象化比對(duì)：根據(jù)步驟3 輸出的構(gòu)件類型預(yù)測(cè)結(jié)果，將點(diǎn)云劃分為不同構(gòu)件實(shí)例，并與對(duì)應(yīng)的BIM 模型構(gòu)件匹配。針對(duì)不同構(gòu)件類型適用的規(guī)則與指標(biāo)，進(jìn)行對(duì)象化的施工偏差比對(duì)。第3.4 節(jié)介紹了針對(duì)本文研究對(duì)象的比對(duì)方法。

本文以框架梁柱節(jié)點(diǎn)為研究對(duì)象，采用虛擬合成的方法獲取點(diǎn)云及其構(gòu)件類型標(biāo)簽，通過模擬試驗(yàn)研究驗(yàn)證了方法的可行性。

2 點(diǎn)云語義分割算法

語義分割技術(shù)將空間信息與語義信息相關(guān)聯(lián)，使通過計(jì)算機(jī)視覺理解三維場(chǎng)景結(jié)構(gòu)成為可能，為進(jìn)一步的建模分析提供了基礎(chǔ)。針對(duì)點(diǎn)云語義分割問題，研究者們開展了長(zhǎng)期而廣泛的研究，根據(jù)是否引入已知的語義信息，可以分為無監(jiān)督和有監(jiān)督2 類[13]。典型的無監(jiān)督分割方法包括邊緣檢測(cè)、區(qū)域生長(zhǎng)、模型擬合和聚類分析等[13]，此類方法的語義結(jié)果一般來自于研究者和使用者對(duì)于三維場(chǎng)景結(jié)構(gòu)特征的認(rèn)識(shí)和分析。有監(jiān)督分割方法則利用已知語義標(biāo)簽訓(xùn)練模型，如支持向量機(jī)等機(jī)器學(xué)習(xí)方法[14]和各類深度學(xué)習(xí)方法在此類任務(wù)中發(fā)揮了其優(yōu)勢(shì)[15-18]。其中，深度學(xué)習(xí)語義分割方法在諸多數(shù)據(jù)集上取得了良好的效果，因而應(yīng)用于城市建成環(huán)境要素識(shí)別[19-20]、橋梁結(jié)構(gòu)構(gòu)件分割[21]等工程相關(guān)研究中。本文將深度學(xué)習(xí)方法應(yīng)用于框架梁柱節(jié)點(diǎn)語義分割，并拓展至與BIM 結(jié)合的施工比對(duì)領(lǐng)域。

綜合考慮性能和易用性，本文采用PointNet++[16]進(jìn)行框架節(jié)點(diǎn)的語義分割。用于語義分割的PointNet++的網(wǎng)絡(luò)架構(gòu)主要由負(fù)責(zé)特征提取的降采樣編碼器和負(fù)責(zé)特征傳播的上采樣解碼器兩部分組成，如圖1 所示。本文具體采用的網(wǎng)絡(luò)架構(gòu)中，編碼器和解碼器分別包含3 個(gè)集合抽取層和3 個(gè)特征傳播層。其中，集合抽取層由降采樣層、分組層和PointNet 層[15]組成。降采樣層按最遠(yuǎn)點(diǎn)規(guī)則進(jìn)行點(diǎn)云降采樣，以保證降采樣后的點(diǎn)較為均勻地分布在模型空間內(nèi)，n為降采樣后的關(guān)鍵點(diǎn)數(shù)量；分組層以降采樣后的關(guān)鍵點(diǎn)為基點(diǎn)，采用ball query 算法確定每個(gè)關(guān)鍵點(diǎn)的一組鄰點(diǎn)，r為鄰域搜索半徑；最后，PointNet 層對(duì)一組點(diǎn)進(jìn)行特征提取，作為關(guān)鍵點(diǎn)的特征輸入至下層網(wǎng)絡(luò)。特征傳播層則由上采樣層和PointNet 層組成。上采樣層與下采樣層的點(diǎn)的數(shù)量構(gòu)成對(duì)應(yīng)關(guān)系，采用反距離權(quán)重法計(jì)算上采樣擴(kuò)充點(diǎn)的特征；將上述上采樣后的點(diǎn)的特征與下采樣前的點(diǎn)的原特征連接組合，輸入到PointNet 層中。特征傳播層的PointNet 層仍負(fù)責(zé)特征提取，但針對(duì)單點(diǎn)而非集合抽取層中的針對(duì)點(diǎn)集進(jìn)行。最后，點(diǎn)云特征通過全連接層轉(zhuǎn)換為點(diǎn)的類別標(biāo)簽預(yù)測(cè)概率，取概率最大者作為點(diǎn)的類別標(biāo)簽。PointNet++訓(xùn)練過程的損失函數(shù)采用分類任務(wù)中常用的交叉熵?fù)p失。PointNet++的其他具體技術(shù)細(xì)節(jié)可參考文獻(xiàn)[16]。

圖1 PointNet++的網(wǎng)絡(luò)架構(gòu)Fig.1 Network architecture of PointNet++

3 合成數(shù)據(jù)試驗(yàn)

為了驗(yàn)證深度學(xué)習(xí)點(diǎn)云語義分割算法在梁柱節(jié)點(diǎn)問題上的有效性，本文采用合成數(shù)據(jù)開展了驗(yàn)證試驗(yàn)。

3.1 BIM 模型生成

本文采用Autodesk Revit 及其C#語言二次開發(fā)接口生成框架節(jié)點(diǎn)BIM 模型?？紤]實(shí)際施工檢查時(shí)已完成主要構(gòu)件澆筑，生成的框架節(jié)點(diǎn)BIM 模型包含梁、柱、板三種構(gòu)件。生成的框架節(jié)點(diǎn)BIM 模型包括三種樣式，即中柱節(jié)點(diǎn)、邊柱節(jié)點(diǎn)和角柱節(jié)點(diǎn)，生成的典型模型如圖2 所示。邊柱節(jié)點(diǎn)和角柱節(jié)點(diǎn)考慮旋轉(zhuǎn)對(duì)稱的四個(gè)方向，如圖3 所示。

圖2 框架節(jié)點(diǎn)樣式Fig.2 Styles of frame nodes

圖3 邊柱節(jié)點(diǎn)和角柱節(jié)點(diǎn)的方向Fig.3 Directions of edge-column and corner-column nodes

本文的框架節(jié)點(diǎn)BIM 模型考慮方形柱截面與矩形梁截面。其中，方形柱截面邊長(zhǎng)取值范圍為300 mm～1200 mm，梁寬取值范圍為200 mm～600 mm，梁的高寬比控制在1～3 且梁高不超過900 mm。由于點(diǎn)云獲取通常在節(jié)點(diǎn)以下的樓層平面上開展，僅可獲得節(jié)點(diǎn)所在樓層樓板的下表面三維信息，故板厚對(duì)于點(diǎn)云數(shù)據(jù)不產(chǎn)生影響，本文取固定板厚120 mm 方便BIM 建模。以50 mm 為模數(shù)在上述尺寸范圍內(nèi)隨機(jī)取值，共生成框架節(jié)點(diǎn)BIM 模型603 個(gè)，其中中柱節(jié)點(diǎn)203 個(gè)，邊柱節(jié)點(diǎn)和角柱節(jié)點(diǎn)各方向50 個(gè)，BIM 模型以STL格式導(dǎo)出三角形網(wǎng)格三維模型，用于獲取點(diǎn)云數(shù)據(jù)。

3.2 合成點(diǎn)云獲取

在生成框架節(jié)點(diǎn)BIM 模型之后，為避免點(diǎn)云的密度模式與實(shí)際應(yīng)用中LiDAR 和深度相機(jī)由射線追蹤產(chǎn)生的陣列式點(diǎn)云的密度模式不符[22]，本文采用虛擬深度相機(jī)的方式獲取框架節(jié)點(diǎn)的點(diǎn)云。

虛擬深度相機(jī)采用針孔相機(jī)模型，如圖4 所示。以Intel Realsense LiDAR 深度攝像頭L515 的技術(shù)規(guī)格[23]為參考，虛擬深度相機(jī)的像素分辨率為1024×768，視場(chǎng)角(FOV)為70°。相機(jī)的焦距f(單位：pixel)可根據(jù)FOV 計(jì)算：

圖4 針孔相機(jī)模型Fig.4 Pinhole camera model

式中，w/pixel 為畫幅寬度，此處即1024。不考慮像素坐標(biāo)系與成像平面之間的平移，可知相機(jī)的內(nèi)參矩陣K為：

根據(jù)針孔相機(jī)模型，記像素坐標(biāo)系下的點(diǎn)(u,v)在歸一化平面(相機(jī)坐標(biāo)系下Z=1)上的對(duì)應(yīng)點(diǎn)的世界坐標(biāo)為Pw1，則有：

式中，R和t分別為相機(jī)坐標(biāo)系相對(duì)世界坐標(biāo)系的旋轉(zhuǎn)矩陣和平移向量，即相機(jī)的位姿參數(shù)。其中，旋轉(zhuǎn)矩陣R滿足RTR=I。由相機(jī)光心O為相機(jī)坐標(biāo)系的原點(diǎn)，可知相機(jī)光心O的世界坐標(biāo)Pw0為：

因此，以相機(jī)光心O為端點(diǎn)，像素坐標(biāo)(u,v)對(duì)應(yīng)的射線方向r可在世界坐標(biāo)系下描述為：

通過遍歷虛擬相機(jī)畫幅分辨率內(nèi)的像素點(diǎn)，將其對(duì)應(yīng)射線與梁柱節(jié)點(diǎn)三維模型求交，即可獲得三維模型的深度圖和像素分類標(biāo)簽，如圖5 所示，進(jìn)而可以獲得具有語義標(biāo)簽的梁柱節(jié)點(diǎn)點(diǎn)云。

圖5 虛擬深度相機(jī)獲得的深度圖和語義標(biāo)簽Fig.5 Depth map and semantic labels obtained by the virtual depth camera

本文將深度采集誤差引入到虛擬深度相機(jī)中。參考Intel Realsense LiDAR 深度攝像頭L515的技術(shù)規(guī)格，深度測(cè)量相對(duì)真值的標(biāo)準(zhǔn)差與相機(jī)到目標(biāo)對(duì)象的距離相關(guān)，為距離1 m 標(biāo)準(zhǔn)差2.5 mm至距離9 m 標(biāo)準(zhǔn)差15.5 mm。這里假設(shè)深度信息服從正態(tài)分布，深度信息的標(biāo)準(zhǔn)差根據(jù)相機(jī)到目標(biāo)對(duì)象的距離按線性插值處理。

為獲取完整的框架節(jié)點(diǎn)點(diǎn)云，布置多個(gè)虛擬相機(jī)測(cè)點(diǎn)。虛擬相機(jī)放置在框架節(jié)點(diǎn)下方的樓層平面上(距柱頂垂直距離取3 m)，與框架節(jié)點(diǎn)中心保持一定水平距離，從多個(gè)正交方向觀測(cè)框架節(jié)點(diǎn)，以模擬實(shí)際工況，如圖6 所示。為了研究不同程度深度誤差對(duì)點(diǎn)云語義分割的影響，虛擬相機(jī)與框架節(jié)點(diǎn)中心的水平距離分別取3 m、6 m 和9 m。生成點(diǎn)云的過程中沒有考慮非深度誤差引起的離群噪聲點(diǎn)的影響，因?yàn)樵肼朁c(diǎn)可以通過自動(dòng)或人工的點(diǎn)云數(shù)據(jù)前處理消除。

圖6 虛擬深度相機(jī)的觀測(cè)位姿Fig.6 Poses of the virtual depth camera

將多視圖獲取的框架節(jié)點(diǎn)點(diǎn)云配準(zhǔn)融合，將點(diǎn)云密度降采樣至合適水平，經(jīng)降采樣并裁剪至合適范圍后的數(shù)據(jù)集中各個(gè)模型對(duì)應(yīng)點(diǎn)云的平均點(diǎn)數(shù)約為44.0×103。降采樣后的點(diǎn)云利用近鄰點(diǎn)計(jì)算每個(gè)點(diǎn)的法向量，以考慮深度誤差對(duì)法向量的影響。

實(shí)際應(yīng)用中點(diǎn)云的坐標(biāo)系與BIM 模型的坐標(biāo)系并不相同，在重力方向確定的條件下仍存在平面變換。其中，平移變換可以較為容易地通過歸一化消除其對(duì)深度神經(jīng)網(wǎng)絡(luò)的影響，故這里考慮平面旋轉(zhuǎn)變換。由于框架節(jié)點(diǎn)具有旋轉(zhuǎn)對(duì)稱性，將平面旋轉(zhuǎn)角度的隨機(jī)取值范圍設(shè)為-45°～45°。

上述步驟基于Open3D[24]實(shí)現(xiàn)，完成后即可獲得603 個(gè)框架節(jié)點(diǎn)BIM 模型對(duì)應(yīng)的點(diǎn)云。

3.3 點(diǎn)云語義分割

將點(diǎn)云輸入到PointNet++中進(jìn)行語義分割，輸入特征包括空間坐標(biāo)(x,y,z)和法向量(nx,ny,nz)共6 個(gè)維度，不包括點(diǎn)云的RGB 顏色。對(duì)于中柱 、邊柱和角柱節(jié)點(diǎn)數(shù)據(jù)集，每個(gè)模型對(duì)應(yīng)點(diǎn)云的最小點(diǎn)數(shù)分別約為18.2×103、14.2×103和12.2×103，為了訓(xùn)練統(tǒng)一的深度學(xué)習(xí)模型并充分利用點(diǎn)云特征，所有訓(xùn)練輸入的點(diǎn)云的點(diǎn)數(shù)均降采樣至12.0×103。

603 個(gè)框架節(jié)點(diǎn)的點(diǎn)云數(shù)據(jù)按6∶4 劃分為訓(xùn)練集和測(cè)試集，分別包含361 個(gè)和242 個(gè)數(shù)據(jù)。將訓(xùn)練集數(shù)據(jù)輸入PointNet++，訓(xùn)練過程batch size取10，使用Adam 優(yōu)化器，初始學(xué)習(xí)率為0.001，每訓(xùn)練20 epochs 學(xué)習(xí)率降至0.7 倍，共訓(xùn)練200 epochs。訓(xùn)練在計(jì)算服務(wù)器上開展，CPU 為Intel Xeon E5-2630 v3@2.40GHz，GPU 為NVIDIA GeForce GTX1080，內(nèi)存為64 GB，系統(tǒng)為Ubuntu 20.04，訓(xùn)練200 epochs 約耗時(shí)3160 s。

將訓(xùn)練好的模型應(yīng)用于測(cè)試集數(shù)據(jù)，與訓(xùn)練過程不同，測(cè)試評(píng)估時(shí)點(diǎn)云不進(jìn)行下采樣。模型預(yù)測(cè)點(diǎn)云的分類標(biāo)簽(梁、柱、板)，結(jié)果精度以平均交并比mIoU (mean intersection over union)評(píng)價(jià)：

式中：n為分類標(biāo)簽的數(shù)量，此處n=3，對(duì)應(yīng)梁、柱、板三種語義對(duì)象；yi為預(yù)測(cè)標(biāo)簽的集合；為真值標(biāo)簽的集合。

如3.2 節(jié)所述，為了研究不同程度深度誤差對(duì)點(diǎn)云語義分割的影響，虛擬相機(jī)被放置在與框架節(jié)點(diǎn)中心的不同水平距離位置，不同工況下模型語義分割結(jié)果的mIoU 如表1 所示?？梢?，PointNet++可基本準(zhǔn)確預(yù)測(cè)框架節(jié)點(diǎn)組成構(gòu)件的類別標(biāo)簽，且相機(jī)水平距離引起的深度信息誤差和法向量誤差對(duì)于語義分割的準(zhǔn)確性影響有限，但近距離獲取點(diǎn)云仍可以獲得更佳的精度，同時(shí)更準(zhǔn)確的點(diǎn)云坐標(biāo)也將為施工偏差度量提供更加準(zhǔn)確的結(jié)果。

表1 不同相機(jī)水平距離下的mIoU 預(yù)測(cè)結(jié)果Table 1 Prediction mIoU for different camera horizontal distances

三種相機(jī)水平距離工況的預(yù)測(cè)標(biāo)簽和真值標(biāo)簽的混淆矩陣如圖7 所示，可見PointNet++對(duì)于三種主要組成構(gòu)件的預(yù)測(cè)精度較為均衡。

圖7 不同相機(jī)水平距離下的預(yù)測(cè)結(jié)果混淆矩陣Fig.7 Prediction confusion matrix for different camera horizontal distances

以相機(jī)水平距離3 m 時(shí)為例，三類框架節(jié)點(diǎn)的三維模型、點(diǎn)云真值標(biāo)簽和點(diǎn)云預(yù)測(cè)標(biāo)簽如圖8～圖10 所示。從圖中也可看出，模型預(yù)測(cè)的分類標(biāo)簽與真值標(biāo)簽基本一致，少量誤差一般出現(xiàn)在構(gòu)件連接位置，因?yàn)榇颂幈砻娣ㄏ蛄孔兓鄬?duì)劇烈，如圖11 所示。

圖8 中柱節(jié)點(diǎn)語義分割結(jié)果Fig.8 Semantic segmentation result of a center-column node

圖9 邊柱節(jié)點(diǎn)語義分割結(jié)果Fig.9 Semantic segmentation result of an edge-column node

圖10 角柱節(jié)點(diǎn)語義分割結(jié)果Fig.10 Semantic segmentation result of a corner-column node

圖11 預(yù)測(cè)誤差位置的標(biāo)簽對(duì)比與法向量可視化Fig.11 Comparison of labels at where the errors occur and visualization of normal vectors

對(duì)比中柱節(jié)點(diǎn)、邊柱節(jié)點(diǎn)和角柱節(jié)點(diǎn)的模型語義分割結(jié)果的mIoU 如表2 所示?？梢娙N類型節(jié)點(diǎn)的構(gòu)件類型預(yù)測(cè)精度較為均衡，同時(shí)中柱節(jié)點(diǎn)精度相對(duì)較低而角柱節(jié)點(diǎn)相對(duì)較高，也進(jìn)一步驗(yàn)證了預(yù)測(cè)誤差一般出現(xiàn)在構(gòu)件連接的法向量變化顯著的位置。

3.4 對(duì)象化施工偏差比對(duì)

在獲得了高精度的框架節(jié)點(diǎn)組成構(gòu)件語義分割結(jié)果之后，通過將點(diǎn)云與BIM 模型進(jìn)行配準(zhǔn)，并將梁、柱、板的點(diǎn)云分別與其BIM 模型配對(duì)，即可開展對(duì)象化的構(gòu)件施工偏差比對(duì)。由于PointNet++僅給出語義分割結(jié)果而未給出實(shí)例化分割結(jié)果，對(duì)于具有多根梁構(gòu)件的框架節(jié)點(diǎn)，采用基于規(guī)則的方法沿節(jié)點(diǎn)對(duì)角線方向?qū)⒘旱狞c(diǎn)云劃分為若干梁構(gòu)件實(shí)例，再與各梁構(gòu)件BIM 模型按照距離最小的規(guī)則進(jìn)行匹配。對(duì)象化的施工偏差比對(duì)通過計(jì)算點(diǎn)云到匹配的BIM 模型表面的最短距離開展。

圖12 展示了一個(gè)框架節(jié)點(diǎn)的施工偏差比對(duì)結(jié)果，該節(jié)點(diǎn)的BIM 模型中一根梁為外邊緣與柱邊緣對(duì)齊，但施工點(diǎn)云為梁軸線與柱軸線對(duì)齊。圖12(a)展示了對(duì)象化施工偏差的結(jié)果，圖中三維模型顏色表示構(gòu)件類型，點(diǎn)云顏色表示偏差程度，從圖中可以方便地觀察到由梁對(duì)齊方式不同而產(chǎn)生的偏差。圖12(b)為非對(duì)象化的偏差比對(duì)結(jié)果，即沒有進(jìn)行語義分割和點(diǎn)云-BIM 匹配，直接計(jì)算所有點(diǎn)到BIM 模型表面的最短距離。由圖可見，非對(duì)象化的方法使得構(gòu)件連接處的點(diǎn)云與錯(cuò)誤的構(gòu)件BIM 模型比對(duì)偏差，從而影響了正確施工構(gòu)件的誤差數(shù)值，不利于工程人員的識(shí)別和分析。與此同時(shí)，對(duì)象化的施工偏差比對(duì)結(jié)果可以方便地與BIM 模型中構(gòu)件的屬性相關(guān)聯(lián)，為相關(guān)測(cè)量數(shù)據(jù)和施工進(jìn)度的數(shù)字化記錄和智能化分析提供了關(guān)鍵基礎(chǔ)。

圖12 框架結(jié)點(diǎn)施工偏差比對(duì)Fig.12 Construction deviation comparison of a frame node

4 結(jié)論

隨著深度相機(jī)、激光雷達(dá)等場(chǎng)景三維信息獲取設(shè)備的發(fā)展，點(diǎn)云作為一種場(chǎng)景三維結(jié)構(gòu)的描述方式，越來越多地應(yīng)用于建筑施工領(lǐng)域。本文提出將深度學(xué)習(xí)技術(shù)應(yīng)用于框架節(jié)點(diǎn)語義分割任務(wù)以開展對(duì)象化的施工偏差比對(duì)，并基于合成數(shù)據(jù)開展了試驗(yàn)研究，結(jié)論如下：

(1) 三維點(diǎn)云語義分割深度神經(jīng)網(wǎng)絡(luò)PointNet++在框架節(jié)點(diǎn)的梁、柱、板構(gòu)件類型預(yù)測(cè)任務(wù)中取得了較高的精度，為對(duì)象化的施工偏差比對(duì)提供了數(shù)據(jù)基礎(chǔ)。

(2) 對(duì)于點(diǎn)云的深度誤差及其引起的法向量誤差，本文采用的語義分割算法具有較好的健壯性，盡管有少量誤差出現(xiàn)在構(gòu)件連接位置的點(diǎn)云，但對(duì)于構(gòu)件尺度的偏差值計(jì)算影響有限。

(3) 通過對(duì)施工點(diǎn)云語義分割再與BIM 模型按照構(gòu)件進(jìn)行匹配，實(shí)現(xiàn)了框架節(jié)點(diǎn)施工點(diǎn)云與BIM模型的對(duì)象化偏差比對(duì)，在施工偏差展示、測(cè)量數(shù)據(jù)數(shù)字化和施工進(jìn)度管理方面具有良好的應(yīng)用價(jià)值和發(fā)展?jié)摿Α?/p>

本文旨在通過模擬試驗(yàn)驗(yàn)證所提出的基于深度學(xué)習(xí)的對(duì)象化節(jié)點(diǎn)施工偏差比對(duì)方法的可行性與應(yīng)用潛力，未來研究工作將致力于將方法遷移至實(shí)際工況，圍繞更加復(fù)雜的點(diǎn)云噪聲、節(jié)點(diǎn)形式等開展進(jìn)一步研究。