馬曉曉 ,張勝 ,程國忠 ,傅麗華 ,胡申林 ,李陽

（1.重慶大學(xué) 山地城鎮(zhèn)建設(shè)與新技術(shù)教育部重點實驗室;土木工程學(xué)院,重慶 400045；2.成都建工第一建筑工程有限公司,成都 610017）

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(yù)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(yù)制構(gòu)件尺寸質(zhì)量檢測方法。

預(yù)制疊合板是裝配式建筑里最常見的預(yù)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(yù)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(dǎo)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(yù)制完成后，運輸?shù)绞┕がF(xiàn)場前，需對預(yù)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(yīng)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(yù)制疊合板構(gòu)件的圖像，利用計算機視覺方法實現(xiàn)了預(yù)制疊合板的預(yù)留孔洞及預(yù)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(xué)習(xí)、深度學(xué)習(xí)等新方法也成為工程結(jié)構(gòu)領(lǐng)域的重要手段。Zhang 等[10]將深度學(xué)習(xí)應(yīng)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(shè)計；Zhu等[12]將BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于結(jié)構(gòu)施工安全智能預(yù)測；姚剛等[13]利用YOLOv5 網(wǎng)絡(luò)實現(xiàn)了疊合板頂面預(yù)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(yīng)用于建筑構(gòu)件的識別與分割[14]、質(zhì)量檢測[15-17]、虛擬預(yù)拼裝[18]等方面。近年來，許多學(xué)者將三維激光掃描技術(shù)應(yīng)用于各類規(guī)則預(yù)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(fēng)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(xué)習(xí)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(yù)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(yù)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(biāo)及高差等信息，實現(xiàn)預(yù)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(yù)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(yù)處理

利用三維激光掃描儀獲取點云數(shù)據(jù)時，為保證預(yù)制疊合板數(shù)據(jù)的完整性，需用三維激光掃描儀圍繞預(yù)制疊合板進行多站點、定區(qū)域掃描。采用標(biāo)靶球球心作為配準(zhǔn)控制點，對多站掃描點云進行配準(zhǔn)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(yù)制疊合板的點云數(shù)據(jù)，利用掃描站點坐標(biāo)、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(yù)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(dāng)）、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(fù)雜）等各種因素的影響，導(dǎo)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(yán)重影響。因此，常需采用點云濾波算法對點云進行預(yù)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(fù)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(shè)置一定閾值，過濾掉不滿足要求的離群點。

考慮到預(yù)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(yù)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(biāo)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(biāo)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(yù)制疊合板。

1.2 預(yù)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(wù)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(yù)制疊合板的目標(biāo)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(shè)為0.99；w為地面點云被選中的概率，設(shè)為0.3；s為RANSAC 算法每次迭代采樣的點數(shù)，設(shè)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(biāo)點云數(shù)據(jù)。

圖2 RANSAC 算法提取地面背景Fig.2 Ground PCD extraction by RANSAC

在剔除地面背景信息后，由于預(yù)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(yù)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(yù)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(biāo)分布最密集區(qū)間內(nèi)的點云，實現(xiàn)預(yù)制疊合板點云數(shù)據(jù)與支架點云的分離。最后，對多塊預(yù)制疊合板進行分類，完成多塊預(yù)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(yù)制疊合板。

圖3 含支架信息的點云數(shù)據(jù)Fig.3 PCD contains stents and PLPs

圖4 預(yù)制疊合板點云分割Fig.4 PCD Segmentation of PLPs

2 尺寸質(zhì)量智能檢測

由于預(yù)制疊合板頂面特征（如底板的長寬尺寸、預(yù)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(yù)制疊合板進行尺寸質(zhì)量檢測。將預(yù)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(zhǔn)確地獲取各類尺寸數(shù)據(jù)。

2.1 疊合板底板尺寸檢測

預(yù)制疊合板的底板是一個規(guī)則的長方體，將預(yù)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(yù)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(shè)置的分辨率r將點云坐標(biāo)映射至圖像坐標(biāo)中，坐標(biāo)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(shè)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）。

圖5 點云二維灰度圖（XOY 平面）Fig.5 Gray image of PLPs PCD on XOY plane

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(yù)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(yīng)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(shè)定直線檢測閾值nk，檢測出滿足A(ρ,θ)＞nk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）。

3）將傾斜的預(yù)制疊合板位置矯正至豎直擺放位置：以灰度圖像中預(yù)制疊合板左下角點為基點，利用檢測得到下邊緣直線極角θ，對疊合板點云進行仿射變換。設(shè)變換前點云在坐標(biāo)系p下的坐標(biāo)值為(x,y)，基點為(tx,ty)，仿射變換后的點云在新坐標(biāo)系p'下的坐標(biāo)值為(x',y')，仿射變換公式為式（10）；校正后點云邊緣直線結(jié)果如圖6 所示。

圖6 疊合板邊緣直線檢測圖Fig.6 Edges detection of PLPs

4）由于預(yù)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。

式中：bup為上邊緣直線截距；bbottom為下邊緣直線截距；bleft為左邊緣直線截距；bright為右邊緣直線截距；r為分辨率。

2.2 胡子筋出筋長度與間距檢測

預(yù)制疊合板外側(cè)預(yù)留了大量的胡子筋，以保證兩塊樓板之間的連接，其出筋長度和間距按受力縱筋配置。以疊合板4 條邊緣直線為界線，實現(xiàn)胡子筋點云的自動分割；利用無監(jiān)督學(xué)習(xí)算法，對胡子筋的點云進行聚類，分別擬合出每條伸出鋼筋的最佳直線，進而準(zhǔn)確地得到胡子筋的出筋長度與間距，具體步驟如下：

1）利用式（11）和式（14），計算出直線截距與斜率，將疊合板的4 條邊緣直線方程轉(zhuǎn)換為直角坐標(biāo)形式。

2）將滿足{y＞yup}、{y＜ybottom}、{x＜xleft}或{x＞xright}的點云數(shù)據(jù)判定為四面鋼筋點云。利用DBSCAN 聚類對四面鋼筋進行分類，再通過RANSAC 算法分別進行鋼筋直線擬合。對于左邊鋼筋，分別提取鋼筋直線上X坐標(biāo)極小值點及直線與疊合板左邊緣的交點；對于右邊鋼筋，分別提取鋼筋直線上X坐標(biāo)極大值點及直線與疊合板右邊緣的交點；對于上邊鋼筋，提取鋼筋直線上Y坐標(biāo)極大值點及直線與疊合板上邊緣的交點；對于下邊鋼筋，提取鋼筋直線上Y坐標(biāo)極小值點及直線與疊合板下邊緣的交點。將每條直線上提取到的點分別作為每條胡子筋的出筋始末端點，擬合結(jié)果如圖7所示。將胡子筋的出筋起點記作(xi1,yi1)，終點記作(xi2,yi2)，則出筋長度L計算公式為

圖7 預(yù)制疊合板胡子筋檢測結(jié)果Fig.7 Assessment result of the beard bar

3）假定相鄰鋼筋直線l1和l2，分別求每條直線的兩個端點到相鄰鋼筋直線的垂足pi1和pi2（i=1,2），得到垂足中點mi(i=1,2)。將兩個垂足中點的距離作為相鄰鋼筋間距。

預(yù)制疊合板胡子筋檢測結(jié)果如圖7 所示，紅色直線表示疊合板邊緣直線及胡子筋出筋直線，藍色點表示胡子筋出筋部分的兩個端點。圖7 表明，該方法能準(zhǔn)確擬合預(yù)制疊合板的胡子筋出筋直線。因此，該方法檢測的胡子筋長度及間距結(jié)果具有可靠性。

2.3 桁架鋼筋高度檢測

預(yù)制疊合板中的桁架鋼筋能夠有效地提高樓板剛度，增強樓板抗剪強度，其高度對上部后澆混凝土鋼筋保護層厚度及后續(xù)預(yù)埋管線的敷設(shè)工序有重要影響。對桁架鋼筋高度準(zhǔn)確測量的具體步驟如下：

1）對2.1 節(jié)步驟3）中矯正后的點云，刪除2.2節(jié)中提取出的四邊鋼筋點云，獲取含有上部桁架鋼筋的疊合板點云數(shù)據(jù)，并將該部分點云投影至YOZ平面，獲取疊合板側(cè)面二維灰度圖像（圖8）。

圖8 疊合板點云二維灰度圖（YOZ 平面）Fig.8 Gray image of PLPs PCD on YOZ plane

2）基于Hough 直線檢測算法檢測疊合板上邊緣直線，如圖9 所示；默認(rèn)高于疊合板上邊緣的點云為桁架鋼筋點云，利用坐標(biāo)值判斷并提取桁架鋼筋點云，結(jié)果見圖10。

圖9 疊合板上邊緣直線檢測圖（YOZ 平面）Fig.9 Top edge detection of PLPs

圖10 疊合板桁架鋼筋圖Fig.10 Trusses of PLPs

3）計算桁架鋼筋高度的關(guān)鍵是獲取準(zhǔn)確的鐵馬蹬頂點。由于鐵馬鐙頂點是兩根相鄰斜腹桿鋼筋的交點，可視作一種角點。因此，采用Shi-Tomasi 角點檢測算法[28]獲取鐵馬蹬的頂點。處理過程中，采用二維高斯函數(shù)（式（21））計算窗口函數(shù)的權(quán)重，其中（u,v）代表窗口函數(shù)的位置。

由于較大的不確定度取決于較小的特征值，因此，利用最小特征值能夠更好地實現(xiàn)特征點的查找。在Harris 角 點檢測 算法[29]的基 礎(chǔ)上，Shi-Tomasi 算法將響應(yīng)函數(shù)改進為R=min(λ1,λ2)，將響應(yīng)值小于閾值的點視為強角點，如圖11 所示。

圖11 疊合板桁架鋼筋角點檢測圖Fig.11 Corner detection of PLPs’ trusses

4）對步驟3）中提取得到的桁架鋼筋角點進行聚類，選取每個類別中Z坐標(biāo)值最大的點(xi,yi,zi)作為鐵馬蹬頂點。

5）利用RANSAC 平面算法對步驟1）中疊合板點云數(shù)據(jù)進行擬合，得到疊合板平面方程z-h0=0，并計算角點到擬合平面的距離，得到對應(yīng)的桁架鋼筋高度hi。

由圖10 和圖11 可以看出，采用上述算法流程可精準(zhǔn)地檢測到預(yù)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(yīng)用

基于上述算法分析，提出一套完整的預(yù)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(yù)制疊合板進行檢測試驗。預(yù)制疊合板的俯視圖和前視圖樣圖見圖13、圖14。由于以標(biāo)靶球球心為配準(zhǔn)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(biāo)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。

圖12 預(yù)制疊合板尺寸質(zhì)量智能檢測流程圖Fig.12 Flowchart of dimensional quality assessment of PLPs

圖13 預(yù)制疊合板俯視圖Fig.13 Top view of PLP

圖14 預(yù)制疊合板前視圖Fig.14 Front view of PLP

表1 為一塊預(yù)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(yù)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)。

表1 預(yù)制疊合板底板長寬尺寸檢測結(jié)果Table 1 Length and width dimensions detection results of one PLP’s base plate

圖16 給出了一塊預(yù)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(yīng)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。

圖16 胡子筋出筋長度及間距測量誤差圖Fig.16 Assessment error of the length and spacing of the beard tendons

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

圖17 桁架鋼筋高度檢測結(jié)果圖Fig.17 Height assessment of truss reinforcements

上述結(jié)果表明，利用該方法對預(yù)制疊合板進行尺寸檢測，能夠自動化地實現(xiàn)對預(yù)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(yù)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(yù)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(xué)習(xí)算法，實現(xiàn)了預(yù)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(fù)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(luò)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。