基于三维激光扫描和BIM的构件缺陷检测技术

钱　海，马小军，包仁标，徐　胜

(南京工业大学 电气工程与控制科学学院，南京　211800)



基于三维激光扫描和BIM的构件缺陷检测技术

钱海，马小军，包仁标，徐胜

(南京工业大学 电气工程与控制科学学院，南京211800)

摘要：：为了自动检测建筑构件在生产及运输过程中产生的缺陷，提出了基于三维激光扫描和BIM模型的建筑构件检测方法;首先利用三维激光扫描仪获取构件对象的实际点云，并通过弦高偏差法实现点云去噪，同时基于BIM搭建构件的三维模型，通过stl文件将模型对象转换为期望点云;然后分别利用PCA算法和基于K-D树的ICP算法实现点云的初始配准和精配准;最后利用局部均方根值评估构件的误差大小，并通过基于霍夫变换的线性回归分析方法实现了误差量化;通过实例验证了所提算法的可行性与准确性。

关键词：三维激光扫描；BIM；点云；配准；构件误差

0引言

目前检测评估建筑构件质量通常依赖传统的手工测量设备，检查结果记录在纸上，这种方法不仅耗时、不准确且沟通交流效率低下。据调查统计，在美国多达10%的建设成本用于因材料缺陷而导致的返工[1]。因此需要提高建筑构件缺陷的检测水平与效率，避免检查过程的不准确，以及时调整、修理或更换有缺陷的部分。Hass[2]提出了一种基于BIM的自动辨识扫描对象的方法，Bosche[3]提出了一种配准三维激光扫描和三维建筑模型的方法，这些方法主要检测基础设施的损坏程度，例如混凝土结构裂缝，但是通常无法检测潜在的构件误差。

在工程领域，激光扫描仪被认为是最适用于建筑工程监测、施工流程控制的工具，而BIM模型集成了施工项目的大量数据，包括构件的位置、尺寸。本文将两种技术结合研究检测建筑构件缺陷的方法，实现建筑构件的误差量化。

1总体方案

本文提出的检测方法总体思路是通过激光扫描获取实际构件的点云数据，与标准的三维模型对象对比，发现并量化构件的生产缺陷。该方法流程如图1所示。该方法包括3个主要步骤：1)点云预处理：获取点云对象；2)点云配准；3)状态评估：检测并量化缺陷。

图1　本文提出的检测方法

2关键技术研究

2.1预处理

2.1.1格式转换

BIM模型包含标准构件的三维信息，但不管是CAD还是BIM，其包含的对象因数据格式与获取的三维点云不同，很难做对比研究。这些实体对象必须转换成能和点云数据对比的数据集。本文使用STL格式将3D实体对象转换为3D点云[4]。.stl文件是在计算机图形应用系统中一个开源文件格式，用于表示三角形网格。在STL文件中的三角面片的信息单元 facet 是一个带矢量方向的三角面片，STL三维模型就是由一系列这样的三角面片构成，将三维实体对象转换成点云就是使用三角形面片的顶点集合。.stl文件创建过程如下：1)Revit模型对象导出DWG文件(选择ACIS实体)；2)AutoCAD打开DWG文件并输出STL文件。最后通过Matlab获取STL文件的三角形面片顶点，结果如图2(b)所示。

图2　BIM模型对象格式转换

2.1.1去噪

在获取点云数据的过程中，建筑工地上不可避免地存在一些建筑材料和其他无关对象，同时大量的振幅噪声和离群点存在于三维数据中，因此要先经过去噪处理再进行配准操作。对噪声点的检测与去除有下面4种方式[5]：1)对于一些明显的噪声点，直接观察并手动删除；2)曲线判别法：利用截面数据的起点和终点拟合出曲线，通过最小二乘法计算各数据点到曲线的距离，若超过允许的距离，则视为噪声点；3)角度偏差法：计算判别点在扫描方向上与前后两点之间的夹角是否满足要求；4)弦高偏差法：以判别点前后两点做直线，计算判别点到直线的距离，若超过此方法允许的最大距离，则视为噪声点。建筑构件的三维扫描数据属于扫描线点云，因此本文在手动删除明显噪声后，利用弦高偏差法实现测量点云数据的去噪，结果如图3(b)所示。

图3　点云去噪

2.2配准

点云配准的实质是求取刚体变换矩阵，即已知一个物体在不同坐标系下的两个点集P和Q，经过旋转变换R和平移变换T后，归一到同一坐标系，使得对应点的距离平方和F(R,T)最小，即：

(1)

配准过程分为两个主要步骤：初始配准和精配准，初始配准通过计算两点集的位姿，得出粗略配准结果，以加快精配准速度。本文分别利用PCA和基于K-D树的ICP算法实现初始配准和精配准。

2.2.1初始配准

初始配准常用于缩小两点云数据的平移距离和旋转角度，防止精配准趋于局部最小值[6]，但配准精度不高。本文使用PCA(principal component analysis，主成分分析)算法对3D模型对象(M)和扫描构件(S)点云进行初始配准， PCA可以减少数据集的维数，是一种数据集简化分析方法，在简化的同时保留数据集对方差贡献最大的特征。

(2)

变换矩阵通过奇异值分解算法(SVD)求取，对协方差矩阵COV进行特征向量分解，得到的正交特征向量即为点集的主轴方向，设模型点云和实际构件点云的特征向量为UM，US则点集按主轴配准的旋转变换矩阵(RC)和平移变换矩阵(TC)如下：

(3)

(4)

模型点云和实际构件点云初始配准后的结果如图4(b)所示。

图4　初始配准

2.2.2精配准

完成粗配准后，需要更精准的配准来保证误差检测的准确性，通常采用基于自由形态曲面的ICP算法来实现[7]，但该方法迭代收敛速度较慢，需要大量时间求取最近点，因此要提高ICP算法配准速度，就在于减少求取最近点的时间。本文将K-D树引入ICP算法[8]以加快传统ICP算法计算的速度。

K-D树属于二叉树的特殊情况，其每个节点为k维点，此方法能够快速而准确地找到判别点的近邻，基于K-D树的配准流程如图5所示。

图5建立K-D树程序流程图

首先建立

K

-

D

树，通过以下步骤完成最近邻搜寻：

1)搜索K-D树的所有节点，搜寻满足目标点要求的节点，过程如下：顺着根节点搜索其子节点，不断递归扫描所有子节点，当子节点为空，或者搜寻的次数达到设定上限，找出所有节点中距离查询点最近的子节点，则最近点一定位于以查询点为中心且经过子节点的圆域内；

2)在找到距离查询点最近的子节点后，假设圆域内点集包含m个最近邻点，计算出所有最近邻点到查询点的距离，将距离最短的点作为K-D树搜索结果；若没有找到最近点，则显示错误。

加入K-D树的ICP改进算法的时间复杂度为o(NMlgNS)，而原始ICP算法的时间复杂度为o(NMNS)，显而易见，利用K-D树查找对应点可以明显加快ICP算法的配准速度。

模型点云和实际构件点云配准后的结果如图6所示。

图6　配准后点云

2.3构件质量评估

完成两个点云集的配准后，进行构件的尺寸精度判断。构件的质量评估分为两部分：检测偏差和偏差的量化。首先使用直接观察法判断偏差位置，然后通过均方根值RMS(rootmeamsquare)对误差进行量化。表1为本文提出的构件误差量化评估算法流程。

表1　量化评估算法流程

2.3.1误差分析

制造业中，误差分析是检测缺陷的关键技术，研究表明计算机技术促进建筑构件的误差检测，本文利用一种基于距离的误差分析方法，直接观察出构件潜在误差，一个构件的误差分析结果如图7虚线圈所示。

图7　点云中的轴管缺陷

2.3.2局部误差检测

(5)

由于整体构件的均方根值RMS对局部误差量化不确切，需要定义一个基于领域的度量范围，将实际构件点云和模型点云分成相对应的小范围集群，再通过局部均方根值检测误差。根据误差分析结果定义3D模型检测位置，对于点集P中的一点Pi，用K-D树搜寻近领域在点集Q中求出与之欧氏距离最近的3个点，此三点按式(6)做一个三角面，

(6)

点Pi到此三角面的距离记为ei，则局部RMS为：

(7)

3实验验证与问题分析

3.1实验设备

为了验证提出的检测和评估方法的可行性，设计制造了一组轴管，实验研究了轴管的一个特定分支，如图8(a)所示。轴管末端的法兰接头可以旋转任意一个角度，如图8(b)所示。

考虑到局部检测算法的可实施性，本文采用30×30×30cm3大小的模型将法兰接头分为1、2、3三部分，如图8(c)所示。点云数据通过FARO三维激光扫描仪LS840获取，这是一款基于相位差的免接触测量设备，可旋转360°，并对扫描仪视线内的任何物体进行自动测量。该设备的技术参数如表2所示。

图8　用于实验的轴管及末端法兰

激光特性波长785nm距离范围0.6~40m精度0.6mm视角范围水平360°竖直320°扫描速度120000Hz

3.2实验结果与分析

如图8(b)所示，改变轴管法兰接头的旋转角度θ，计算不同旋转角度下的轴管末端法兰点云与模型点云的误差RMS。结果如表3和图9所示。

图9　不同条件下的局部RMS

在图9中可以看到，代表平均误差的RMS值随着角度偏移的增加而增大，然而当角度误差小于15°，每个位置的误差基本为一恒定常量。

为了精确检测误差的角度，本文采用文献[9,10]中基于霍夫变换的线性回归分析方法，还是以轴管末端法兰为例，如图10所示，设置法兰的旋转角度θ=30°，实验结果如表4所示，其中θ由线性回归方程θ=a0+a1RMS求得。

表3　不同角度和不同位置的实验结果

表4　30°下的检测结果

图10　轴管法兰末端

实验结果表明该方法取得了较高的精确度，适用于缺陷检测与误差量化。

4结束语

本文提出的一种基于点云的建筑构件缺陷检测与误差量化的方法，包括BIM模型的格式转换、点云配准与误差评估。最后通过实验验证了该方法的有效性与准确性，且误差量化的结果与实际值的偏差小于9%，实验结果同时表明局部RMS和构件旋转角度之间存在线性关系。但是，对于精密仪器设备来说，误差检测的结果还不够精准，需要进一步研究，提高误差量化精度。

参考文献：

[1]AkinciB,BoukampF,GordonC,etal.Aformalismforutilizationofsensorsystemsandintegratedprojectmodelsforactiveconstructionqualitycontrol[J].AutomationinConstruction, 2006,15(2):124-138.

[2]BoscheF,HaasCT.Automatedretrievalof3DCADmodelobjectsinconstructionrangeimages[J].AutomationinConstruction, 2008,17 (4):499-512.

[3]BoschéF.Plane-basedregistrationofconstructionlaserscanswith3D/4Dbuildingmodels[J].AdvancedEngineeringInformatics, 2012,26 (1):90-102.

[4]NahangiM,HaasCT.Automated3Dcompliancecheckinginpipespoolfabrication[J].AdvancedEngineeringInformatics, 2014,28(4):360-369.

[5] 时可可，潘为民，郭志强，等.大型定子叶片铸件的数字化测量及误差评定[J].图学学报，2014,35(3)：407-411.

[6] 曾锋，杨通.逆向工程点云数据采集系统设计及应用[J].计算机测量与控制,2012,20(1)：276-277.

[7] 邹际祥.基于kd-tree加速的点云数据配准技术研究[D].合肥：安徽大学，2013.

[8] 刘丰华.复杂模型二维点云自动配准技术的研究[D].天津：天津大学，2013.

[9]RabbaniT,etal.Anintegratedapproachformodellingandglobalregistrationofpointclouds[J].Photogrammetricengineeringandremotesensing, 2007,61 (6):355-370.

[10]AhmedM,HaasC,HaasR,Automaticdetectionofcylindricalobjectsinbuiltfacilities[J].ComputerCivil.Engineering, 2014,28(3): 04014009.

Technology Based on 3D Laser Scanner and BIM for Detecting Defects of Component

Qian Hai, Ma Xiaojun, Bao Renbiao,Xu Sheng

(College of Electrical Engineering and Control Science, Nanjing Tech University, Nanjing 211800, China)

Abstract:To automatically detect the defects in the process of production and transportation, a building component detection method based on 3D laser scanning and building information modeling (BIM) model is proposed. Firstly component object’s actual point cloud is acquired by 3D laser scanner. Noise of point cloud is removed through the chord deviation method, and construction components’ 3D model is built based on BIM. Model objects is converted to desired point cloud through the STL file. Then the initial registration and precise registration of point cloud are realized by principle component analysis algorithm (PCA) and independent component analysis algorithm (ICP) based on K-D tree. Finally, the error of the component is evaluated by the local root mean square value, and the error is quantified by the linear regression analysis method based on Hough transform. The feasibility and accuracy of the proposed algorithm are verified by practical application.

Keywords：3D laser scanning; BIM; point cloud; registration; component error

文章编号：1671-4598(2016)02-0014-04

DOI：10.16526/j.cnki.11-4762/tp.2016.02.004

中图分类号：TP391

文献标识码：A

作者简介：钱海(1991-)，男，江苏靖江人，研究生，主要从事建筑智能化技术方向的研究。马小军(1956-)，男，江苏南京人，教授，主要从事建筑电气与智能化、智能照明控制及BIM技术方向的研究。

收稿日期：2015-07-29；修回日期：2015-08-31。