馬曉曉　張勝　程國忠　傅麗華　胡申林　李陽

摘要：為保證預制疊合板在施工現(xiàn)場能順利安裝，在出廠前通常需要對其進行尺寸質(zhì)量檢測，現(xiàn)有預制疊合板的尺寸質(zhì)量檢測方法難以全面準確地測量疊合板的實際三維尺寸。提出一種基于預制疊合板點云數(shù)據(jù)的多尺寸質(zhì)量智能檢測方法。對采集的點云數(shù)據(jù)進行預處理后，利用機器學習算法完成預制疊合板點云的自動定位與分割；依據(jù)不同的檢測任務，將目標點云沿不同方向降維，映射為二維灰度圖像；利用圖像特征檢測算法，分別實現(xiàn)疊合板底板的長寬、預留胡子筋的出筋長度與間距及桁架鋼筋高度的自動檢測；在驗證試驗中，對3塊預制疊合板的點云數(shù)據(jù)進行尺寸質(zhì)量檢測。結(jié)果表明，提出的智能檢測方法能全面準確地完成預制疊合板出廠尺寸質(zhì)量檢測，能進一步提高預制疊合板非接觸質(zhì)量檢測結(jié)果的科學性與精準性。

關(guān)鍵詞：點云數(shù)據(jù)；預制疊合板；尺寸質(zhì)量；智能檢測；三維激光掃描

中圖分類號：TU741.2? ? ?文獻標志碼：A? ? ?文章編號：2096-6717（2024）01-0102-08

Automated dimensional quality assessment of precast laminated panels based on 3D laser scanning

MA Xiaoxiao1， ZHANG Sheng2， CHENG Guozhong1， FU Lihua1，

HU Shenlin2， Li Yang2

（1. Key Laboratory of New Technology for Construction of Cities in Mountain Area of Ministry of Education; School of Civil Engineering， Chongqing University， Chongqing 400045， P. R. China； 2.Chengdu First Construction Engineering， Chengdu 610017， P. R. China）

Abstract： Dimensional quality assessment （DQA） of precast laminated panels （PLPs） is required to ensure the installation of the components on the construction site. However， existing methods cannot meet the precision and comprehensiveness of PLPs， DQA. In this paper， we propose an automated multi-dimensional quality assessment method for PLPs based on point cloud data （PCD）. After pre-processing the original PCD， the scanned PLPs， PCD is automatically extracted by the machine learning algorithms， and down-mapped in different directions to generate two-dimensional （2D） images. DQA of PLPs can be realized automatically by the image feature detection algorithms. The validation experiment is conducted on three PLPs. The result shows that the proposed method meets the dimensional quality assessment accuracy of precast laminated panels.

Keywords： point cloud data； precast laminated panels； dimensional quality assessment； automated assessment； 3D laser scanning

裝配式建筑具有高效、節(jié)能和環(huán)保等優(yōu)點，已成為建筑行業(yè)研究的熱點[1]。根據(jù)《“十四五”建筑業(yè)發(fā)展規(guī)劃》，到2035年，裝配式建筑占中國新建建筑的比例將達到30%以上[2]。作為裝配式建筑的主要組成部分，預制構(gòu)件的單體質(zhì)量是影響裝配式建筑整體質(zhì)量的重要因素[3-4]。為保障裝配式建筑的高質(zhì)量發(fā)展，需要發(fā)展高效的單體預制構(gòu)件尺寸質(zhì)量檢測方法。

預制疊合板是裝配式建筑里最常見的預制構(gòu)件之一[5-6]。由于生產(chǎn)工藝尚不完善，技術(shù)工人仍不成熟，工廠內(nèi)生產(chǎn)的預制疊合板常存在鋼筋伸出長度錯誤及桁架高度錯誤等尺寸質(zhì)量問題，導致現(xiàn)場施工時無法順利連接，造成施工成本增加。因此，在工廠預制完成后，運輸?shù)绞┕がF(xiàn)場前，需對預制疊合板進行尺寸質(zhì)量檢測。

在傳統(tǒng)檢測中，工人使用直尺、塞尺等工具進行手動測量，測量效率低下，并且容易產(chǎn)生主觀誤差[7]，無法滿足工廠批量構(gòu)件的檢測需求。近年來，已有研究將非接觸測量技術(shù)應用到構(gòu)件的尺寸檢測中。Fu等[8]利用CCD攝影相機獲取環(huán)形鍛件的圖像信息，通過二維激光掃描儀獲取環(huán)形鍛件不同截面的點云數(shù)據(jù)，實現(xiàn)了環(huán)形鍛件的內(nèi)部截面半徑與外部尺寸的智能檢測；楊陽等[9]獲取預制疊合板構(gòu)件的圖像，利用計算機視覺方法實現(xiàn)了預制疊合板的預留孔洞及預埋件個數(shù)、位置及尺寸偏差檢測，但受內(nèi)部結(jié)構(gòu)特征信息影響，難以精確檢測小構(gòu)件的邊緣。隨著土木行業(yè)智能化轉(zhuǎn)型的深入推進，機器學習、深度學習等新方法也成為工程結(jié)構(gòu)領域的重要手段。Zhang等[10]將深度學習應用于平面結(jié)構(gòu)的對稱性研究；Chen等[11]利用粒子群優(yōu)化算法進行了平面斜角可折疊鑲嵌的智能設計；Zhu等[12]將BP神經(jīng)網(wǎng)絡應用于結(jié)構(gòu)施工安全智能預測；姚剛等[13]利用YOLOv5網(wǎng)絡實現(xiàn)了疊合板頂面預埋PVC線盒及外伸鋼筋的識別與檢測。

利用高速激光技術(shù)，三維激光掃描可快速獲取物體表面的高分辨率信息。目前三維激光掃描技術(shù)已廣泛應用于建筑構(gòu)件的識別與分割[14]、質(zhì)量檢測[15-17]、虛擬預拼裝[18]等方面。近年來，許多學者將三維激光掃描技術(shù)應用于各類規(guī)則預制構(gòu)件的尺寸檢測。Guo[19]等提出一種基于點云數(shù)據(jù)的長方體平面檢測及選擇方法，并采用改進的圓柱體擬合方法，實現(xiàn)了對通風管道及機電架的幾何尺寸檢測；Zhao等[20]利用alpha形狀算法實現(xiàn)了矩形柱節(jié)點的邊界尺寸檢測，并通過OC-SVM及無監(jiān)督學習算法得到鋼筋長度及套筒端口內(nèi)邊界尺寸；Kim等[21-22]不斷改進點云數(shù)據(jù)邊緣及角點檢測算法，并將竣工模型與BIM模型對比，實現(xiàn)預制疊合板底板長、寬及垂直度的質(zhì)量檢測?？傮w而言，目前尺寸質(zhì)量檢測的研究局限于疊合板頂面各特征（主板長、寬、垂直度及伸出鋼筋等），缺少對疊合板側(cè)面特征（如桁架鋼筋）的關(guān)注。

筆者利用三維激光掃描技術(shù)，結(jié)合點云處理及圖像處理智能算法，提出一種預制疊合板三維尺寸質(zhì)量智能檢測方法。該方法首先利用掃描站點坐標及高差等信息，實現(xiàn)預制疊合板區(qū)域的自動定位及疊合板點云數(shù)據(jù)的分割。進而采用直線及角點檢測等幾何特征檢測算法，實現(xiàn)對預制疊合板底板長寬尺寸、胡子筋的出筋長度和間距、桁架鋼筋高度的尺寸質(zhì)量智能檢測。

1 點云數(shù)據(jù)預處理

利用三維激光掃描儀獲取點云數(shù)據(jù)時，為保證預制疊合板數(shù)據(jù)的完整性，需用三維激光掃描儀圍繞預制疊合板進行多站點、定區(qū)域掃描。采用標靶球球心作為配準控制點，對多站掃描點云進行配準拼接，獲得含有疊合板信息的完整點云數(shù)據(jù)。為從環(huán)境點云中分割出預制疊合板的點云數(shù)據(jù)，利用掃描站點坐標、點云密度分布、高程信息差異等先驗信息，實現(xiàn)疊合板區(qū)域點云的自動定位及單塊、多塊預制疊合板點云數(shù)據(jù)的自動分割。

1.1 最小凸包提取局部點云

在現(xiàn)場采集數(shù)據(jù)時，三維激光掃描儀受到人為（如掃描人員的操作不當）、非人為（如掃描儀本身的功能缺陷）、內(nèi)部（如掃描對象表面的光滑、粗糙度不一）、外部（如掃描環(huán)境復雜）等各種因素的影響，導致采集的點云數(shù)據(jù)含有大量的噪聲點，對尺寸檢測精度造成嚴重影響。因此，常需采用點云濾波算法對點云進行預處理，剔除異常值。常用的點云濾波包括統(tǒng)計濾波器（Statistical Outlier Removal）和半徑濾波器（Radius Outlier Removal）。由于初始點云含有復雜的環(huán)境信息，采用統(tǒng)計濾波器對離群點進行去除。統(tǒng)計濾波器計算每一點與其k個最近鄰域點的距離，并得到符合距離分布特征的高斯分布，依據(jù)該高斯分布，設置一定閾值，過濾掉不滿足要求的離群點。

考慮到預制疊合板的點云數(shù)據(jù)位于多個掃描站點的公共區(qū)域之內(nèi)，利用最小凸包算法自動提取出含預制疊合板區(qū)域的局部點云數(shù)據(jù)：1）將點云數(shù)據(jù)和掃描站點向水平方向投影；2）從多個掃描站點中y坐標最大的掃描站點出發(fā)，構(gòu)造射線，順時針選取旋轉(zhuǎn)角最小的掃描點作為下一射線起點，直至回到起點，構(gòu)造最小凸包；3）對于局部點云數(shù)據(jù)的每一個點，構(gòu)造以該點為起點的射線；判斷射線與凸包是否相交，若與凸包相交且相交邊數(shù)為奇數(shù)，則判定為凸包內(nèi)的點，否則視為凸包外的點。圖1展示了從含有環(huán)境信息的點云數(shù)據(jù)中提取出來的目標區(qū)域點云數(shù)據(jù)，灰色為冗余環(huán)境信息，紅色矩形框內(nèi)為分割出來的局部點云數(shù)據(jù)，橢圓框圈出的位置為待檢測的預制疊合板。

1.2 預制疊合板點云提取

基于最小凸包算法提取出來的點云數(shù)據(jù)仍存在許多與檢測任務無關(guān)的背景信息。鑒于地面等背景信息都具有較強的平面特征，采用隨機采樣一致性（RANSAC）算法[23]擬合地面背景點云，并保留包含預制疊合板的目標點云。RANSAC算法通過多次迭代擬合平面模型，獲取輸入點云中平面的最佳模型。RANSAC的迭代次數(shù)n由式（1）計算得到。

式中：η為RANSAC成功擬合地面的概率，設為0.99；w為地面點云被選中的概率，設為0.3；s為RANSAC算法每次迭代采樣的點數(shù)，設為3。處理結(jié)果如圖2所示，其中灰色表示地面點云，藍色為目標點云數(shù)據(jù)。

在剔除地面背景信息后，由于預制疊合板的點云與其他物體的點云數(shù)據(jù)密度差異明顯，因此，利用DBSCAN密度聚類[24]算法提取出含有支架信息的預制疊合板點云（圖3）；聚類時噪聲也會被歸為單獨的一類去除?？紤]到預制疊合板與支架在三維空間中具有高度差異，因此，采用主成分分析（PCA）[25]，將點云數(shù)據(jù)向YOZ平面投影，提取Z坐標分布最密集區(qū)間內(nèi)的點云，實現(xiàn)預制疊合板點云數(shù)據(jù)與支架點云的分離。最后，對多塊預制疊合板進行分類，完成多塊預制疊合板點云數(shù)據(jù)的自動提取。圖4中，灰色代表支架，紅色、藍色、綠色分別代表3塊不同的預制疊合板。

2 尺寸質(zhì)量智能檢測

由于預制疊合板頂面特征（如底板的長寬尺寸、預留胡子筋的出筋長度與間距）及側(cè)面特征（桁架鋼筋的高度）在特定空間平面上具有鮮明的幾何特點，因此，提出基于投影的方法對預制疊合板進行尺寸質(zhì)量檢測。將預制疊合板點云向特定平面投影后，在二維空間內(nèi)對投影數(shù)據(jù)進行尺寸提取，利用二維和三維數(shù)據(jù)之間的映射關(guān)系，進而高效、準確地獲取各類尺寸數(shù)據(jù)。

2.1 疊合板底板尺寸檢測

預制疊合板的底板是一個規(guī)則的長方體，將預制疊合板點云數(shù)據(jù)沿主軸方向（Z軸）投影，生成鳥瞰視角的二維灰度圖像，利用數(shù)字圖像處理方法，檢測出預制疊合板的邊緣直線，將邊緣直線交點視為外輪廓角點，最終計算得到疊合板主板長寬尺寸數(shù)據(jù)，具體步驟如下：

1）將疊合板點云數(shù)據(jù)向底板平面進行投影，生成二維灰度圖，如圖5所示。根據(jù)設置的分辨率r將點云坐標映射至圖像坐標中，坐標取整并通過平移參數(shù)a和b，將灰度圖平移至合適的中間位置處，并利用式（6）和式（7）設置圖像數(shù)組的高度和寬度值。最后，將點云的高度值填充為像素值p，見式（8）

2）采用Canny邊緣檢測算法[26]，對灰度圖像進行高斯平滑、變分梯度計算、非極大值抑制、雙閾值檢測及抑制孤立的弱邊緣等操作，獲得預制疊合板的邊緣。利用Hough直線檢測算法[27]，將每一個邊緣點與霍夫空間（ρ，θ）中的直線一一對應起來，并對各直線的交點進行“投票”；建立一個二維累加數(shù)組A（ρ，θ），將有n條直線經(jīng)過的交點記為A（ρ，θ）=n，設定直線檢測閾值nk，檢測出滿足A（ρ，θ）>n_k的所有交點，進而解算得到邊緣點的最佳擬合直線方程，見式（9）。

4）由于預制疊合板底板4條邊緣直線為2對平行的直線，因此，對平行線段的截距值進行簡單計算，便可得到疊合板底板的長寬尺寸。直線截距b與直線極徑ρ和θ的關(guān)系如式（11）所示，分別計算出4條邊緣直線的截距；再利用式（12）、式（13）計算疊合板長度和寬度。

3）假定相鄰鋼筋直線l_1和l_2，分別求每條直線的兩個端點到相鄰鋼筋直線的垂足p_i1和p_i2（i=1，2），得到垂足中點m_i （i=1，2）。將兩個垂足中點的距離作為相鄰鋼筋間距。

由圖10和圖11可以看出，采用上述算法流程可精準地檢測到預制疊合板桁架鋼筋的角點。因此，采用該方法計算這些角點與底板平面的距離，得到的桁架鋼筋高度結(jié)果可信。

3 工程應用

基于上述算法分析，提出一套完整的預制疊合板尺寸質(zhì)量智能檢測流程，見圖12。為了驗證所提出方法的有效性，選取3塊預制疊合板進行檢測試驗。預制疊合板的俯視圖和前視圖樣圖見圖13、圖14。由于以標靶球球心為配準基點，使用三維激光掃描儀掃描時，需保證相鄰測站之間至少有3個公共標靶球，掃描示意圖見圖15。所用三維激光掃描儀為FARO S150[30]，采用的分辨率均為1/8，數(shù)據(jù)點之間的距離為12.3 mm。

表1為一塊預制疊合板底板長寬尺寸質(zhì)量智能檢測結(jié)果與人工檢測結(jié)果對比。該結(jié)果表明，提出的預制疊合板底板長寬尺寸質(zhì)量智能檢測方法誤差在0.01 m以內(nèi)。

圖16給出了一塊預制疊合板的52根胡子筋出筋長度及間距的智能檢測結(jié)果與人工測量結(jié)果的對比圖，胡子筋的不同顏色對應于每根胡子筋伸出長度智能檢測結(jié)果與人工檢測結(jié)果的絕對誤差值；相鄰兩根胡子筋間連接段顏色代表這對胡子筋間距的智能測量值與人工測量值的絕對誤差。從圖16可以看出，智能檢測結(jié)果與人工測量結(jié)果誤差在0.01 m以內(nèi)，檢測方法結(jié)果可靠。

基于提出的算法測得該塊預制疊合板的桁架鋼筋高度，結(jié)果如圖17所示。

上述結(jié)果表明，利用該方法對預制疊合板進行尺寸檢測，能夠自動化地實現(xiàn)對預制疊合板三維空間內(nèi)各類尺寸的智能檢測。

4 結(jié) 論

利用三維激光掃描技術(shù)，基于點云數(shù)據(jù)，對預制疊合板的尺寸質(zhì)量智能檢測進行研究，主要結(jié)論如下：

1）提出一種智能化的預制疊合板尺寸質(zhì)量檢測方法，利用RANSAC平面檢測、Hough直線檢測算法、Shi-Tomas角點檢測算法等多種無監(jiān)督學習算法，實現(xiàn)了預制疊合板頂面特征尺寸（底板長寬尺寸、胡子筋伸出鋼筋長度及間距）及側(cè)面特征尺寸（桁架鋼筋高度）的智能檢測。

2）該方法結(jié)合點云數(shù)據(jù)處理及圖像處理算法，受構(gòu)件邊緣局部數(shù)據(jù)缺失的影響較小，能夠?qū)崿F(xiàn)規(guī)則立體結(jié)構(gòu)邊緣尺寸的非接觸式檢測。

3）驗證試驗結(jié)果表明，智能檢測結(jié)果精度為±0.01 m。在保證精度的前提下，該檢測方法可取代人工重復性檢測工作。

4）該方法依賴于將三維點云數(shù)據(jù)轉(zhuǎn)換為空間平面方向上的二維灰度圖像，未來可從先進的三維點云神經(jīng)網(wǎng)絡出發(fā)，開發(fā)更加符合流水線檢測精度與速度要求的三維結(jié)構(gòu)尺寸檢測方法。

參考文獻

[1]? ZHOU J Y， LI Y H， REN D D. Quantitative study on external benefits of prefabricated buildings： From perspectives of economy， environment， and society [J]. Sustainable Cities and Society， 2022， 86： 104132.

[2]? 中華人民共和國住房和城鄉(xiāng)建設部. “十四五”建筑業(yè)發(fā)展規(guī)劃[EB/OL]. （2022-01-19）[2023-02-25]. http：//www.gov.cn/zhengce/zhengceku/2022-01/27/5670687/files/12d50c613b344165afb21bc596a190fc.pdf.

Ministry of Housing and Urban-Rural Development of the People’s Republic of China. 14th Five-Year Plan formulation of construction industry [EB/OL]. （2022-01-19）[2023-02-25]. http：//www.gov.cn/zhengce/zhengceku/2022-01/27/5670687/files/12d50c613b344165afb21bc596a190fc.pdf.（in Chinese）

[3]? 劉凌宇，崔亦瑋，仲冉.裝配式預制構(gòu)件施工質(zhì)量問題研究[J].建筑結(jié)構(gòu)，2022， 52（Sup2）： 1596-1600.

LIU L Y， CUI Y W， ZHONG R. Research on the construction quality of prefabricated building components [J]. Building Structure， 2022， 52（Sup2）： 1596-1600. （in Chinese）

[4]? 瞿富強， 陳初一， 顏偉. 基于ANP-FUZZY的裝配式建筑預制構(gòu)件質(zhì)量風險評價[J]. 土木工程與管理學報， 2019， 36（3）： 92-98

QU F Q， CHEN C Y， YAN W. Quality risk assessment of prefabricated building components based on ANP-FUZZY [J]. Journal of Civil Engineering and Management， 2019， 36（3）： 92-98 （in Chinese）

[5]? 吳楊， 宋磊， 朱兆晴， 等. 鋼管桁架預應力混凝土疊合板設計方法[J]. 建筑結(jié)構(gòu)， 2022， 52（1）： 109-114， 126

WU Y， SONG L， ZHU Z Q， et al. Design method for prestressed concrete laminated slab with grouted steel-tube trusses [J]. Building Structure， 2022， 52（1）： 109-114， 126 （in Chinese）

[6]? 楊秀英， 魏振宇， 王示， 等. 新型雙向鋼筋桁架疊合板底板受力性能試驗研究[J]. 土木與環(huán)境工程學報（中英文）， 2021， 43（4）： 84-90

YANG X Y， WEI Z Y， WANG S， et al. Experimental study on the mechanical properties of the baseplate of composite slab with two-way steel truss [J]. Journal of Civil and Environmental Engineering， 2021， 43（4）： 84-90 （in Chinese）

[7]? PURI N S， VALERO E， TURKAN Y， et al. Assessment of compliance of dimensional tolerances in concrete slabs using TLS data and the 2D continuous wavelet transform [J]. Automation in Construction， 2018， 94： 62-72.

[8]? FU X B， ZHANG Y C， ZHANG W W， et al. Research on the size of ring forgings based on image detection and point cloud data matching method [J]. The International Journal of Advanced Manufacturing Technology， 2022， 119（3/4）： 1725-1735.

[9]? 楊陽， 李青澤， 姚剛. 預制疊合板構(gòu)件智能化識別與檢測方法[J]. 土木與環(huán)境工程學報（中英文）， 2022（1）： 87-93.

YANG Y， LI Q Z， YAO G. Intelligent identification and detection method of prefabricated laminated slab [J]. Journal of Civil and Environmental Engineering， 2022（1）： 87-93. （in Chinese）

[10]? ZHANG P， FAN W Y， CHEN Y， et al. Structural symmetry recognition in planar structures using Convolutional Neural Networks [J]. Engineering Structures， 2022， 260： 114227.

[11]? CHEN Y， LU C H， YAN J Y， et al. Intelligent computational design of scalene-faceted flat-foldable tessellations [J]. Journal of Computational Design and Engineering， 2022， 9（5）： 1765-1774.

[12]? ZHU H L， WANG Y S. Intelligent prediction of prestressed steel structure construction safety based on BP neural network [J]. Applied Sciences， 2022， 12（3）： 1442.

[13]? 姚剛， 廖港， 楊陽， 等. 基于卷積神經(jīng)網(wǎng)絡的預制疊合板多目標智能化檢測方法[J]. 土木與環(huán)境工程學報（中英文）， 2024， 46（1）： 93-101.

YAO G， LIAO G， YANG Y， et al. Multi-target intelligent detection method of prefabricated laminated board based on convolutional neural network [J]. Journal of Civil and Environmental Engineering， 2024， 46（1）： 93-101.（in Chinese）

[14]? LIU J P， LI D S， FENG L， et al. Towards automatic segmentation and recognition of multiple precast concrete elements in outdoor laser scan data [J]. Remote Sensing， 2019， 11（11）： 1383.

[15]? LI D S， LIU J P， FENG L， et al. Terrestrial laser scanning assisted flatness quality assessment for two different types of concrete surfaces [J]. Measurement， 2020， 154： 107436.

[16]? LIU J D， ZHANG Q L， WU J， et al. Dimensional accuracy and structural performance assessment of spatial structure components using 3D laser scanning [J]. Automation in Construction， 2018， 96： 324-336.

[17]? KIM M K， WANG Q， LI H. Non-contact sensing based geometric quality assessment of buildings and civil structures： A review [J]. Automation in Construction， 2019， 100： 163-179.

[18]? LI D S， LIU J P， FENG L， et al. Automatic modeling of prefabricated components with laser-scanned data for virtual trial assembly [J]. Computer-Aided Civil and Infrastructure Engineering， 2021， 36（4）： 453-471.

[19]? GUO J J， WANG Q， PARK J H. Geometric quality inspection of prefabricated MEP modules with 3D laser scanning [J]. Automation in Construction， 2020， 111： 103053.

[20]? ZHAO W J， JIANG Y， LIU Y Y， et al. Automated recognition and measurement based on three-dimensional point clouds to connect precast concrete components [J]. Automation in Construction， 2022， 133： 104000.

[21]? KIM M K， SOHN H， CHANG C C. Automated dimensional quality assessment of precast concrete panels using terrestrial laser scanning [J]. Automation in Construction， 2014， 45： 163-177.

[22]? KIM M K， WANG Q， PARK J W， et al. Automated dimensional quality assurance of full-scale precast concrete elements using laser scanning and BIM [J]. Automation in Construction， 2016， 72： 102-114.

[23]? FISCHLER M A， BOLLES R C. Random sample consensus [J]. Communications of the ACM， 1981， 24（6）： 381-395.

[24]? ESTER M， KRIEGEL H， SANDER J， et al. A density-based algorithm for discovering clusters in large spatial databases with noise [C]//KDD，96： Proceedings of the Second International Conference on Knowledge Discovery and Data Mining 1996： 226-231

[25]? WOLD S， ESBENSEN K， GELADI P. Principal component analysis [J]. Chemometrics and Intelligent Laboratory Systems， 1987， 2（1/2/3）： 37-52.

[26]? CANNY J. A computational approach to edge detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1986， PAMI-8（6）： 679-698.

[27]? DUDA R O， HART P E. Use of the Hough transformation to detect lines and curves in pictures [J]. Communications of the ACM， 1972， 15（1）： 11-15.

[28]? SHI J B， TOMASI. Good features to track [C]//1994 Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. June 21-23， 1994， Seattle， WA， USA. IEEE， 2002： 593-600.

[29]? HARRIS C G， STENPHENS M J. A combined corner and edge detection [C]//Alvey Vision Conference， 1988， 15（50）： 10-5244.

[30]? FARO. Focus 3D Technical Specification [EB]. Faro Inc： Lake Mary， 2018.

（編輯? 王秀玲）

收稿日期：2022?09?28

基金項目：國家重點研發(fā)計劃（2021YFF0500903）；國家自然科學基金（52130801）

作者簡介：馬曉曉（1999- ），女，博士生，主要從事智能建造研究，E-mail：MaXX@cqu.edu.cn。

Received： 2022?09?28

Foundation items： National Key Research and Development Program of China （No. 2021YFF0500903）; National Natural Science Foundation of China （No.52130801）

Author brief： MA Xiaoxiao （1999- ）， PhD candidate， main research interest： intelligent construction， E-mail： MaXX@cqu.edu.cn.