基于三維點云的施工進度自動檢測方法

亓強強，魏世橋，張 煜，王東魁

（1.武漢理工大學 物流工程學院，武漢430063；2.中國交通信息科技集團有限公司，武漢430063）

準確有效地獲取現場施工活動中的進度偏差對項目建設至關重要。進度偏差會顯著增加項目建設成本[1]。為調控進度偏差，要求具備一種系統全面的施工進度監視系統，以便及時識別并反饋現場實際進度和預訂計劃之間的差異。然而，當前的施工進度監視主要由人工現場檢驗完成，存在檢驗工作耗時費力、檢驗結果過于依賴檢驗員主觀經驗等問題[2]。當前，建筑行業迫切需要一種自動化的施工進度檢測方法以提高進度監視效率和準確率。

當前，施工進度監視自動化研究主要包括基于二維圖像的進度監視方法和基于三維點云的進度監視方法。文獻[3]從施工現場的固定視角采集延時圖片，并在4D BIM（3D BIM+計劃進度）模型中獲取同一視角的蒙版圖像，最后將兩組圖片進行比較從而獲得現場進度。利用這種方法，文獻[4]成功實現了橋梁工程的自動化進度監視。基于圖像的進度監視方法需要預先在場景架設相機并定期校準相機位置， 不適用于大型項目。近年來， 隨著SFM（structure from motion，運動恢復結構）等三維重建技術的快速發展，基于三維點云的進度監視方法成為主流研究趨勢[5]。文獻[6]采用SFM 技術生成現場建筑點云，通過現場布置的控制點恢復現場點云的尺度和基準平面，并利用點云軟件將現場點云生成CAD 模型，將其與計劃BIM 模型進行比較以判斷現場施工進度。文獻[7] 利用SFM-MVS （multi view stero，多視圖立體匹配）技術生成稠密的現場建筑點云，采用手動N 點配準方法實現現場建筑點云和計劃BIM 點云的對齊， 并對兩點云進行幾何占有判斷，以得到現場施工進度。

研究表明，較于二維圖像，利用三維點云數據可以獲得更為精確、可視化程度更高的現場施工進度[8]。然而，就當前的基于三維點云的施工進度自動化監視方法而言，其自動化程度、魯棒性和系統性仍然不足，存在較大提升空間。為此，本文利用三維重建技術、點云自動配準技術、點云至圖像映射技術以及BIM 等相關技術，構建了一個施工進度自動化監視檢測方法。該方法以三維點云重構現場在建建筑及其BIM 計劃模型；利用點云自動配準實現現場建筑點云和計劃BIM 點云空間一致；最后，通過點云空間占有判斷實現體素級別的施工進度感知。該方法貢獻在于：①具有較高的自動化水平；②考慮了現場點云表征現場建筑不完整問題，增強了其魯棒性；③具備較強的管道特性，便于后續功能拓展。

1 系統框架

擬定的施工進度自動化監視方法由點云獲取、點云配準和進度感知3 個模塊組成。其中，點云獲取模塊為點云配準模塊和進度感知模塊提供圖像和點云數據支持；點云配準模塊為進度感知模塊提供空間一致性基礎；進度感知模塊負責計算并輸出進度感知結果。各模塊的技術實現和數據傳遞見圖1。

圖1 系統框架Fig.1 System framework

在點云獲取模塊，以獲取點云的完整度和精度為主要考慮因素，采用張正友標定法和基于序列圖像的三維重建技術獲得現場建筑點云；采用基于STL面片的點云生成方法獲取計劃BIM 點云。在點云配準模塊，考慮現場建筑點云和BIM 計劃點云的配準性質，采用由粗到精的兩階段配準策略實現兩點云配準。在進度感知模塊，考慮現場建筑點云表征現場建筑不完整，即可能存在點云遮擋和點云孔洞情況，將點云遮擋推理算法、點云孔洞推理算法和八叉樹算法有機結合，實現體素級別的施工進度感知。

2 技術實現

2.1 點云獲取

獲取現場建筑點云和計劃BIM 點云是實現施工進度自動化監視的首要舉措， 其獲取點云的完整度和精度對后續點云配準和進度感知產生重要影響。就點云獲取問題，擬定如下獲取方案，見圖2。

圖2 點云獲取方案Fig.2 Point cloud acquisition scheme

2.1.1 現場建筑點云獲取

首先，利用張正友標定法獲取相機畸變和相機內參；然后，將相機畸變參數和采集的現場在建建筑圖片輸入至SFM 稀疏重建算法獲得現場建筑稀疏點云和相機外參；最后，將獲取的稀疏點云、現場在建建筑圖片以及相機內外參輸入至MVS 稠密重建算法，獲得現場建筑稠密點云。近年，開源社區貢獻了眾多SFM-MVS 三維重建方案。不同的三維重建方案有其獨特的優勢和特性，以高完整度和高精度為指標，選定ColMap[9]開源框架實現現場在建建筑的點云數據表征。

2.1.2 計劃BIM 點云獲取

首先，將BIM 的RVT 格式實體轉換為STL 格式；然后，利用基于STL 面片的點云生成方法實現計劃BIM 模型的點云表征。該方法主要策略是： 以STL三角面片面積大小為指標，隨機等概率地選擇一個三角面片；在選定三角面片的基礎上，隨機等概率地生成一個離散點；通過循環上述操作，從STL 文件中生成既定規模的點云。

2.2 點云配準

現場建筑點云由三維重建算法生成，計劃BIM點云由STL 表面采樣算法生成。兩點云存在于不同的空間坐標系，對其進行空間配準是實現施工進度自動化監視的必要前提。就點云配準問題，設計如下配準流程，見圖3。

圖3 點云配準流程Fig.3 Point cloud registration process

2.2.1 點云預處理

原始點云未經處理就直接應用配準算法會導致配準結果失真和計算效率低下。采用雙邊濾波算法對原始點云進行去噪濾波處理以保證數據的準確性；采用非均勻網格法對原始點云進行數據精簡處理以加快配準算法求解效率。

2.2.2 點云尺度粗估計

考慮現場建筑點云和計劃BIM 點云的尺度不一，提出基于OBB（orientes bounding box）包圍盒的點云尺度估計算法以保持兩點云尺度一致。算法具體策略是：首先，利用主成分分析法，計算兩點云的主軸；其次，將兩點云投影在主軸三個平面上，繪制OBB 包圍盒；最后，以現場建筑點云和計劃BIM 點云OBB 包圍盒體積比的立方根作為兩點云尺度估計值。

2.2.3 點云粗配準

當前，基于特征的粗配準算法已成為主流的粗配準方法。基于特征的粗配準算法通過對目標點云和源點云進行特征提取、特征描述、特征匹配、誤匹配刪除這一管道流程實現點云粗配準。組合ISS（intrinsic shape signnatures，內在形狀簽名）特征提取、FPFH（fast point feature histogram，快速特征點直方圖）特征描述、K-d 樹，巴氏距離匹配以及RANSC（隨機采樣一致性）誤配刪除技術實現粗配準。相關技術細節可參考文獻[10]，這里不做贅述。

2.2.4 點云精配準

由于點云形成機制不同，現場建筑點云和計劃BIM 點云存在尺度不一、局部配準、缺乏實點對應等特性。考慮此特性，對傳統ICP（iterative closet point，最近點迭代算法）[11]進行改進，構建一個Scale-ICP 精配準算法。該算法將三個變量引入至ICP 算法： ①用于判斷是否是外點的0～1 邏輯變量ω，引入該變量可以解決點云局部配準問題；②用于衡量對應點對應關系可靠性的介于0～1 之間的連續變量ρ，引入該變量可以解決缺乏實點對應問題；③尺度因子s， 引入該變量可以解決點云尺度不一問題。算法目標函數如下：

2.3 進度感知

經配準后，現場建筑點云和計劃BIM 點云空間一致。對現場點云和計劃點云進行空間占有比對即可得到兩點云的空間差異。以點云空間差異表征施工進度是一個易于理解的方法。然而，在實際應用中，由于點云遮擋和點云孔洞等因素，現場建筑點云往往不能完整地表征現場在建建筑，這導致上述方法過于理想化。就此問題，提出考慮現場建筑表征不完整的進度感知方法。該方法由八叉樹算法、點云遮擋推理算法、點云孔洞推理算法有機組合。其中， 八叉樹算法將配準點云離散為若干體素，通過檢驗體素包含的點云種類以判斷施工進度；點云遮擋負責解決由拍攝角度受限導致的現場圖片表征現場建筑不完整問題；點云孔洞推理算法負責解決由現場陰影和光照導致的現場點云表征現場圖片不完備問題。算法具體流程見圖4。

圖4 進度感知算法流程Fig.4 Flow chart of perception algorithm

步驟1利用八叉樹算法將配準后的點云進行體素化處理，并計算體素可見性順序。體素可見性順序衡量了該體素被遮擋的可能性大小。具體計算方法可參考文獻[13]。

步驟2按照體素可見性順序，遍歷體素。若該體素其既包含現場建筑點云又包含計劃BIM 點云，則標記該體素為進度正常； 若其僅包含現場點云，則標記該體素為進度超前。

步驟3若該體素僅包含計劃點云， 則進一步利用點云遮擋推理算法判斷其是否被遮擋。該方法細節參見文獻[13]。若其被遮擋，則標記該體素為進度遮擋。

步驟4若該體素未被推理為進度遮擋， 則進一步利用點云孔洞推理算法判斷該體素是否為孔洞。該方法細節參見文獻[14]。若該體素被推理為孔洞，則判定其為進度滯后。否則，標記該體素為進度正常。

步驟5繼續遍歷下一體素，重復步驟2 至步驟4，直至所有體素均被標記。根據體素標記信息，對進度感知結果進行點云著色可視化處理，算法結束。

3 實驗驗證

搭建如圖5（a）和圖5（b）所示的現場建筑及其計劃BIM 模型。在上述場景上采集實驗數據，驗證本文算法可行性和有效性。

圖5 現場建筑及其計劃BIM 模型Fig.5 As built building and as planed BIM

3.1 點云獲取

首先，多角度拍攝現場在建建筑，共采集42 張現場在建建筑圖片；然后，利用張正友標定法對相機進行內參和畸變標定；最后，將采集的圖片和標定的相機內參和畸變參數輸入至ColMap，依次完成SFM 稀疏重建和MVS 稠密重建。重建的現場稠密點云見圖6（a）。將BIM 模型以STL 標準格式導出，利用所提基于STL 面片隨機采樣的點云生成方法進行點云采樣處理，采樣結果見圖6（b）。

圖6 現場建筑點云和計劃BIM 點云Fig.6 Point cloud of as built building and as planed BIM

3.2 點云配準

首先， 對于直接觀測到的離群點及現場環境，利用點云處理軟件進行手動刪除，對于無法直接觀測的噪聲，采用雙邊濾波進行濾波處理；隨后，采用非均勻網格法對現場點云進行數據縮減。經上述預處理操作后的現場建筑點云如圖7（a）所示。

圖7 點云預處理和尺度估計Fig.7 Point cloud preprocessing and scale estimation

實現點云預處理后，利用所提云尺度估計算法估計并還原現場點云尺度。圖7（b）給出了現場建筑點云和計劃BIM 點云的OBB 包圍盒計算結果，將兩點云OBB 包圍盒體積比的立方根映射為兩點云尺度。利用估計的尺度，對現場建筑點云進行尺度恢復。最后，依靠所組建的粗配準算法對現場建筑點云和計劃BIM 點云進行初步配準。配準結果見圖8。其中，圖8（a）為兩點云配準結果；圖8（b）為誤差統計圖；需要指出，因缺乏真值，在此以點云離散點最近距離衡量配準誤差；圖8（c）為誤差統計直方圖。可以看出，經過粗配準后，兩點云已大致對齊，但仍存在一定的錯位。將粗配準結果作為精配準的初始參數，利用所提Scale-ICP 算法完成現場建筑點云和計劃BIM 點云的精配準。配準結果見圖9。從圖中可見。精配準結果較粗配準有了顯著改善，兩點云的錯位得到有效控制。經統計，平均配準誤差由粗配準的6.28 減小至4.23。

圖8 點云粗配準Fig.8 Coarse registration of point clouds

圖9 點云精配準Fig.9 Fine registration of point clouds

3.3 進度感知

在實現點云配準的基礎上，利用所提進度感知算法感知現場實際進度。首先將配準后的現場建筑點云和計劃BIM 點云合并，利用八叉樹算法對合并點云進行體素化處理，體素劃分結果見圖10（a）；其次，計算體素可見性順序，計算結果見圖10（b），按照由高到低的體素可見性順序對每個體素進行進度標記；最后，根據體素標簽信息，對進度感知結果進行著色可視化處理，見圖11。

圖10 體素劃分及其順序可見性Fig.10 Voxel establishment and its sequential visibility sorting

圖11 進度感知結果可視化Fig.11 Visualization of progress perception results

可以看出，所提進度感知算法可以成功完成進度感知任務。以體素為計量單位，各建筑組件進度統計情況見表1。

表1 各建筑組件進度統計Tab.1 Progress statistics of building components

從整體看，與計劃進度相比，當前進度正常的已建建筑占比為64.71%， 進度超前占比為6.38%，進度滯后占比為8.87%， 進度遮擋占比為20.05%。算法感知進度與現場實際情況基本符合。具體地，各建筑組件的進度情況可概述為以下幾點：

（1）地基的建設進度正常率為57.25%，進度遮擋率為34.23%。從圖11仰視圖可以看出，遮擋部分主要集中在地基與地面接觸部分，由于遮擋，未能采集到該部分圖像數據， 該部分被推理為進度遮擋。算法感知進度與實際情況基本符合。

（2）絕大多數構造柱的建設進度和預期計劃保持一致，進度正常率達到90%以上。算法感知進度與實際情況基本符合。特別地，柱_5 的檢測結果與現場實際情況存在較大出入，算法得到的進度超前率為65.30%。而從現場實際看，所有構造柱的建設進度均與預期計劃保持一致。經分析，此錯誤檢測主要實驗場景建造誤差和配準誤差導致。

（3）墻_1、墻_2、墻_3 和墻_4 的建設進度和預期計劃保持一致，進度正常率達到90%左右。墻_5 進度比計劃滯后79.65%，墻_6 進度比計劃超前98.22%。算法感知進度與實際情況基本相符。

4 結語

所提方法可以有效完成施工進度監視任務，能夠實現一定精度水平的進度正常、進度超前、進度滯后以及進度遮擋等四類進度檢測；在實現施工進度監視功能的基礎上，所提方法具有高度的自動化水平，除數據輸入以及必要的數據預處理外，進度監視的各個環節均為算法自動化處理。

本文進度監視方法以3D 點云為主， 對現場施工圖像利用不充分。后續，擬利用計算機視覺、深度學習等技術，從現場圖像提取建筑語義信息，并將其與3D 點云融合，以此實現更為精確、魯棒的施工進度監視。