中小型RC桥梁点云自适应分割及BIM建模

摘要 中小型钢筋混凝土（Reinforced Concrete，RC）桥梁BIM建模的关键在于准确分割构件点云，但现有分割方法存在精度较低的问题，导致生成BIM时效率不高。为此，文章提出一种点云密度自适应区域生长算法，引入密度因子自适应调整搜索半径和阈值等参数，实现了桥梁构件点云的精准分割，简化了BIM建模步骤。在4座公共数据集和3座实地扫描的中小型RC桥梁分割实验中取得了显著的性能提升，准确率、召回率和平均交并比分别为90.85%、90.82%和84.31%。文章成果可用于桥梁全生命周期的智能化管理。

关键词 桥梁构件分割；区域生长算法；密度自适应；点云；桥梁BIM

中图分类号 U446.2；U448.2 文献标识码 A 文章编号 2096-8949（2024）13-0001-03

0 引言

我国中小型桥梁占比约为84%[1]，主要为RC简支梁桥。随着时间推移和使用环境变化，桥梁的耐久性和安全性正受到挑战[2]。因此，定期获取其结构状态信息至关重要[3]。地面三维激光扫描技术可高效地获取点云数据[4]，研究构件点云精准分割方法将成为桥梁BIM建模的重要支撑。常用的点云分割方法包括区域生长算法[5]、DBSCAN、RANSAC等。区域生长算法因简单易实现而广泛应用，但对种子点和分割阈值敏感，容易导致过分割或欠分割[5]。因此，研究点云局部密度变化规律，改进区域生长算法，对解决密度适应性问题至关重要。将结构点云与BIM结合，对于中小型RC桥梁通过精准点云分割高效生成BIM模型，具有重要的实践价值。

1 面向中小型RC桥梁的点云密度自适应区域生长分割及BIM技术

面向中小型RC桥梁点云构件分割的密度自适应区域生长方法包括三部分内容：

（1）使用定密度点云均匀采样方法进行降采样，使用布料滤波算法（Cloth Simulation Filtering，CSF）滤除地面，得到桥梁主体点云。

（2）提出密度自适应区域生长算法，精准分割桥面、护栏和桥墩等主要构件。

（3）基于分割所得的桥梁构件，利用Revit软件进行BIM建模。

1.1 点云降采样及地面滤除

为提高运算效率，首先使用CloudCompare软件去除树木等杂点，然后引入定密度均匀降采样方法，对桥梁原始点云进行降采样，公式如下：

式中，K——采样步长；S——采样后点集；P——原始点集；|P|——点集P中的点数量；D——目标密度。

同时，地面点在原始桥梁点云场景中占比较高，与桥梁点云混合在一起，将增大误判风险。因此，引入可有效过滤地面点的CSF算法，通过物理模拟方式有效滤除地面点。降采样和CSF滤波后的桥梁点云将送入下一步的密度自适应区域生长方法。

1.2 面向中小RC桥梁的点云密度自适应区域生长分割方法

桥面、桥墩及护栏连接处的点密度较大，邻域点更多。经典区域生长算法的关键在于种子点的选取、邻域点的属性判断以及生长规律的确定等，选取不合适的生长条件将会导致错误分割或过度分割问题[5]。为解决其搜索半径和分割阈值依赖经验选取的问题，该研究考虑桥梁邻域点数量及空间距离，引入密度因子（Density Factor，DF），对于每个点，通过KD树（k-dimensional tree）搜索其最近邻点的距离，计算其邻域密度，并将其归一化到0.01～0.99之间，最终获得每个点的密度因子。计算公式如下：

式中，DFp——点p的密度因子；|di|——点p到其第i个最邻近点之间的距离；n——邻域点的数量。

1.2.1 基于密度因子自适应调整搜索半径

在经典区域生长算法中，对于每个种子点，采用固定值的搜索半径进行邻域搜索。然而，面对密度不均的桥梁点云，采用固定的搜索半径会导致构件点云边界的分割不准确。为适应桥梁点云密度变化，根据密度因子自动计算对应的搜索半径（Rp），计算公式如下：

式中，DFp——点p的密度因子；RF——预先设定的半径。

通过密度因子动态调整搜索半径，在高密度区域，为防止将不同属性的点合并而导致错误分割，可采用较小的密度因子和搜索半径；而在低密度区域，为确保捕获更多邻域点，可采用较大的密度因子和搜索半径。这使得改进后的算法可在不同密度区域更灵活地捕捉桥梁结构特征，以提高分割的准确性和鲁棒性。

1.2.2 基于密度因子自适应调整分割阈值方法

在搜索种子点的邻域点后，判断搜索到的点是否属于同一类。经典区域生长算法，一般采用固定阈值进行相似度判断，这些阈值通常依靠人为经验设置，适用性不高。为解决此问题，利用密度因子动态调整角度阈值和曲率阈值，公式如下：

式中，mDF——平均密度因子；N——所有点的数

量；θthreshold——角度阈值；A——初始角度阈值；Cthreshold——曲率阈值；B——初始曲率阈值。

因护栏形状差异大且相对复杂，方法可能得到若干小聚类，使用RANSAC进行优化，最后获得桥梁构件点云的精准分割结果。

为评估所提方法的性能，使用准确率（Precision，P）、召回率（Recall，R）和交并比（Intersection over Union，IoU）作为评价指标。通常较高的P、R和IoU表明算法具有更好的分割效果，公式如下：

式中，TP（True Positive）——手动标注结果中被正确分割的点数；FN（False Negative）——手动标注结果中未被分割的点数；FP（False Positive）——算法分割结果中错误分割的点数；Sinter——交集面积；Sunion——并集面积。

1.3 基于精准构件分割的桥梁BIM技术

桥梁构件的精准分割，可使BIM建模过程无须再人工选取各构件，提高了建模效率。首先，利用ReCap将分割所得构件点云转换为可导入Revit软件中进行建模操作的.rcs格式文件。然后，对桥面、桥墩以及护栏构件进行分步建模，创建平面、柱和梁等几何体，保证与原始的点云尺寸一致，完成初步BIM建模。最后，以现实桥梁为基础，对选择的构件材料进行细部优化，添加表面涂装及交通元素，以得到接近真实道路环境的桥梁BIM模型。

2 实验及结果分析

2.1 实验数据获取

实验数据选用4座公共数据与3座实地扫描的中小型RC简支梁桥（如图1所示），跨径总长在20.3～60.3 m之间。其中，4座公共数据桥梁来自Zenodo数据库[6]，扫描密度为7.67 mm；3座实地扫描的桥梁采集于北京市某区，扫描密度为6.21 mm。

2.2 桥梁点云密度自适应区域生长分割的参数选取及分析

7座桥梁的点云密度统一降采样到100万个点，CSF最大迭代次数为300次。由于原始点云密度存在差异，经实验测试，选取公共数据桥梁滤波网格大小为0.8 m，距离阈值为0.2 m；实地桥梁滤波网格大小为0.6 m，距离阈值为0.1 m。

经多次实验调整，选取最优参数组合。根据点密度分布特点，在改进后的区域生长算法中，设置初始角度阈值A为180°，初始曲率阈值为0.48，RF为0.19 m。当小聚类小于3 500个点时进行合并，RANSAC中设置聚类的最小点数为125，聚类距离阈值为0.325 m，得到整体护栏构件信息。

2.3 桥梁点云构件分割结果及对比分析

选取经典的点云分割算法（RANSAC、DBSCAN和区域生长算法）与密度自适应区域生长算法展开对比分析。图2展示了桥梁构件在4种算法下的点云分割结果，可见密度自适应区域生长算法在中小型RC桥梁构件分割中的表现最佳，IoU、P和R分别达到84.31%、90.85%和90.82%。如图2中的红色框选，改进后的算法能够自动选择点搜索半径及分割阈值，在构件连接处和点云密度稀疏的护栏部分中的分割效果提升明显。对比来讲，经典区域生长算法受离群点等噪点影响，构件完整性有所欠缺；RANSAC桥面分割精度较高，但在护栏等密度差异较大区域，部分点云被错误地分割至其他平面；DBSCAN则存在区域过度划分的问题。

2.4 桥梁BIM建模结果

利用ReCap软件，对各桥梁分割所得的构件进行格式转换并保存。然后创建桥梁建模项目，加载导出的点云文件，调整中心位置、比例尺和旋转角度。然后，在Revit软件中创建桥面、桥墩以及护栏等结构模型，确定几何尺寸等。设置各构件的材料属性，如沥青路面和道路标线等，以形成完整的桥梁BIM模型。7座桥梁的BIM效果如图3所示：

3 结论

该文针对中小型RC桥梁点云的BIM建模效率，提出了改进的密度自适应区域生长算法，引入密度因子以自适应调整搜索半径与分割阈值，解决了点云密度分布不均匀导致的构件分割精度不高等问题。通过对7座桥梁进行实验验证，该方法在四种构件分割方法中达到最优，实现了桥梁主要构件的精准分割，分割结果可有效运用于BIM建模。未来将融合颜色和纹理等信息，进行桥梁表观病害研究。对大型桥梁构件分割和其他类型桥梁的构件分割也需进一步研究，以形成更具有普适性的点云BIM建模方法。

参考文献

[1]2022年交通运输行业发展统计公报[EB/OL]. https： //www. gov. cn/lianbo/bumen/202306/content_6887539. htm. 2023-06-21 [2023-12-29].

[2]张喜刚， 田雨， 陈艾荣. 多灾害作用下桥梁设计方法研究综述[J]. 中国公路学报， 2018（9）： 7-19.

[3]段翔远. 基于模糊理论的混凝土公路桥梁技术状况评定方法研究[J]. 市政技术， 2023（7）： 61-64+105.

[4]赵瑞英. 三维激光扫描技术在滑坡检测中的应用研究[D]. 兰州：兰州交通大学， 2017.

[5]兰猗令. 基于三维激光点云的建筑物分割及曲面孔洞修补算法研究[D]. 桂林：桂林理工大学， 2023.

[6]Lu R， Brilakis I， Middleton C R. Detection of Structural Components in Point Clouds of Existing RC Bridges[J]. Computer-Aided Civil and Infrastructure Engineering， 2019（3）： 191-212.

收稿日期：2024-02-27

作者简介：王金（1984—），女，工学博士，副教授，研究方向：基础设施表观数字化巡检与道路交通安全。

基金项目：北京市自然科学基金-丰台前沿项目“城市轨道交通线路表观智能巡检与安全评估方法”（L221026）；北京市自然科学基金“激光雷达点云数据下三维有效视距自动检查及道路安全分析”（8232005）；国家自然科学基金“面向隧道变形监测的激光点云协同转换和全断面建模研究”（41801380）。