基于BIM+点云数据的钢结构质量智能检测方法

胡绍兰, 黄凤玲, 张国兴, 季凡杰

(河北建筑工程学院 a.经济管理学院; b.河北省土木工程诊断、改造与抗灾重点实验室; c.张家口BIM工程技术研究中心; d.张家口建筑产业管理数字化技术创新中心，河北 张家口 075000)

钢结构设计复杂、构件众多且体量较大，在建筑施工过程中需要及时全面地对钢构件及其拼接质量进行全面系统的检测评估[1,2]。传统钢结构质量检测方法主要依靠全站仪测量钢结构特征部位，然后与设计图纸进行比较，得出钢结构变形信息，从而发现质量问题[3]，此方法工作周期长、检测密度差，难以实现直观全面的钢结构质量检测[4]，无法满足钢结构建筑施工过程中的质量检测需求。因此，如何对钢构件的加工质量、拼接质量进行快速精确地检测评估，是钢结构施工建造过程中的重点和难点。

随着BIM技术的不断成熟，其强大的三维可视化及信息集成能力等优势得到行业相关人员的认可，并应用于建筑构件的模拟拼装、碰撞检测等方面，显著提高了施工效率[5]。然而，钢构件在加工、运输以及组装过程中会产生一系列误差[6,7]，这些误差无法通过正向建模技术进行评估，严重限制了BIM技术在施工质量检测领域的应用。因此，目前迫切需要新的手段进一步挖掘BIM模型的应用潜力，保证BIM模型在施工质量检测及控制领域的充分应用[8]。

数字技术的发展为工程质量检测提供了新手段，部分专家学者试图将一些新技术引入到钢结构质量检测控制领域，以优化、增强BIM技术，克服其缺陷，使其更好地服务于工程建设[9～11]。三维激光扫描技术以其高精度的测量优势，成为行业研究的热点[12,13]。已有研究将BIM与三维扫描技术相结合，应用于桥梁[14]、机场等工程钢结构构件的预拼装，有效指导了工程施工。

BIM和三维激光扫描技术相结合的前提是数据配准，高精度的数据配准能够有效降低后期的分析误差，保证上述技术的可靠性[15]。在实际工程应用中，目前的研究方法多以BIM模型为基础，提取三维激光扫描数据的特征点、特征线等参照信息，进一步利用相关软件完成特征点、特征线的几何信息转化，从而完成三维激光扫描数据与BIM模型的配准[16,17]，该方式要求待测物体具有明显的几何特征，应用场景具有局限性，同时几何特征提取效率低、人为干扰因素大。基于靶纸的方式精度高、速度快，适宜于大范围点云场景的拼接[18]，然而该方式不适用于与BIM模型相关的配准。因此如何提高BIM模型与点云数据配准的精度和自动化程度，是目前急需解决的关键问题。

为解决上述问题，本文创新性地将BIM模型离散为点云数据，结合改进ICP算法，突破数据转换、关键建筑节点提取和两类数据的自动匹配分析等技术难题，完成BIM模型点云与三维激光扫描点云模型的自动化配准，提高了钢结构质量检测的效率，优化了目前基于BIM模型与三维激光扫描技术进行钢结构质量检测及控制的相关技术框架。最终，将上述方法应用于中国人民大学通州新校区社会与人口学院楼项目，完成了钢构件的加工质量、预拼装精度及拼装质量的检测，实现了精确、高效的智能化钢结构质量控制。

1 BIM+三维激光扫描技术集成

如图1所示，为实现智能化钢结构质量检测，本文充分挖掘BIM建模和三维激光扫描技术逆向建模的优势，首先构建BIM模型，离散为点云数据；其次将三维点云数据进行降噪、配准等预处理；进而基于改进ICP算法完成BIM数据与三维激光扫描数据的配准；最终完成钢结构的几何质量评价，实现钢结构质量检测及控制。

图1 BIM+三维激光扫描集成

1.1 BIM数据离散化

与点云的表达形式不同，BIM模型是由若干基本的实体单元经过一系列变化组成的复杂几何实体，为实现高精度的数据配准，本文先将BIM模型转换为sat数据格式，进一步将sat格式转换为mesh模型，最终离散mesh模型为点云数据。

1.2 点云降噪

受光线、发射强度等因素影响，三维激光扫描仪收集到的原始点云数据中含有噪声点，为了保证点云数据的精确性，需要将点云数据进行降噪处理[19]。本文采用统计学滤波方法(Statistical Outlier Removal,SOR)完成点云数据滤波，其公式如式1所示。

Di=Mean+s×σ

(1)

式中:Di为噪音点判断阈值;Mean为标准差参数;s为标准差系数;σ为邻域内所有点到i点距离的标准差。通过设置标准差参数以及半径值，计算阈值Di，当邻域内的点至i点的距离大于Di时，视其为异常点，进行剔除。

1.3 点云数据配准

三维激光扫描点云数据位于世界坐标系，解析后的BIM点云数据位于局部坐标系，点云数据的配准是上述点云数据处理的前提[20]，ICP算法以原理清晰、计算简单等优势成为点云数据配准的主要方法。然而该方法对待配准点云的初始位置要求较高，易出现局部最优解情况，为此本文引入主成分分析(Principal Components Analysis,PCA)算法对原始点云进行粗配准，获取优势初始位置，在此基础上经ICP算法实现精确的点云配准，有效解决配准局部最优解问题。针对PCA算法计算得到的待配准点云主轴方向存在反向的可能性，本文建立旋转矫正矩阵A对粗配准过程进行约束。

(2)

式中:a1,a2,a3对应坐标系的x,y,z轴。矩阵A仅用于点云数据空间旋转，其非对角元素全为0，对角元素ai的取值只有1和-1，其中1表示轴方向同向，-1则表示轴方向反向。

在上述粗配准完成后，点云的初始配准位置得到确定，进一步利用ICP算法对待配准点云进行迭代配准，其计算公式如式(3)所示。

(3)

式中:E为迭代计算误差;T为平移矩阵；R为旋转矩阵；qi，pi为基准点云Q、待配准点云P中第i个点；N为点云个数。

1.4 BIM与点云模型对比分析

BIM模型是理想状态下的设计模型，可作为建筑构件质量检测的依据[22]。本文将三维激光扫描得到的实际点云数据与BIM模型解析的点云数据进行对比分析，检测出构件尺寸和位置上的偏差，控制钢构件的质量，其示意图如图2所示。

图2 点云与BIM融合原理

如图2所示，假定点云中任意一点P1为计算点，首先寻找在BIM模型中与P1最近的点P2；其次，为考虑点云的粗糙度，设置法向量半径d，对原始点云进行数据搜索，建立点云邻域数据集，利用最小二乘法对邻域数据集进行平面拟合，即

z=α0+α1x+α2y

(4)

式中:x,y,z为地面点坐标；α0，α1，α2为平面拟合系数。构建拟合平面后，计算P2点至点云拟合平面的距离作为点云P1点到BIM模型的距离，从而得出实际构件与设计构件的偏差，完成实际构件误差评估。此方法充分考虑点云模型粗糙度，提高了计算精度；进一步将钢构件激光扫描点云模型预拼装成结构，将该结构模型与BIM设计模型进行比较分析，从而得出预拼装误差，为工程建设提供参考。

在解决上述关键技术的基础上，本文将BIM与三维扫描点云数据运用于钢结构质量评估中，形成全过程的钢结构质量智能化检测框架，如图3所示。首先建立钢结构BIM模型，为质量检测及控制提供基准模型。其次，基于三维激光扫描技术获取加工完成的钢构件点云数据，与BIM设计模型进行模型对比，确保出场钢构件的加工质量均合格；在质量检测的基础上，对激光扫描构件进行预拼装，确保钢构件在理论上符合实际安装条件；在拼装阶段，扫描获取实际安装完成后的钢构件点云数据，与BIM模型进行对比分析，确保钢结构的安装质量合格。

图3 钢结构质量全过程智能化检测框架

2 BIM模型构建

2.1 工程概况及设备

中国人民大学通州新校区社会与人口学院楼项目，总建筑面积为31025 m2。该工程地下为钢筋混凝土框架结构，地上是钢结构，钢结构部分包括地下钢骨柱、地上空腹钢柱、型钢混凝土钢柱、箱型截面钢梁、实腹钢梁、钢桁架梁及钢板楼梯等。工程量庞大，结构复杂，施工精度要求高。为快速、有效地进行钢结构质量控制，本文将BIM+三维激光扫描运用于该项目。本项目主体为梁柱，柱为一个整体，但梁构件数量多、形状复杂，故本文以某一钢梁为例，从钢结构的加工、预拼装以及安装等方面对钢结构质量进行检测，完成钢结构施工精度控制。

本工程使用天宝TX5三维激光扫描仪获取钢结构激光点云，该设备测量精度优于1 mm，最大扫描半径120 m，测量速度为97.6万点/s，可快速、全方位获取建筑室内外表面的点云数据。

2.2 数据获取

对该工程项目进行BIM模型构建，从中提取某一梁构件单元进行工程质量控制，如图4a所示。依照BIM数据离散方法，将BIM数据离散为点云数据，如图4b,4c所示。

图4 BIM模型与点云转换

3 钢结构质量分析

分别在加工阶段、拼装完成阶段对钢结构进行三维激光扫描，基于BIM+三维激光扫描集成技术方法，将扫描点云数据与BIM模型进行对比分析，实现钢结构质量检测及控制。

3.1 加工质量

3.1.1 点云获取

为获取完整点云数据，避免施工场地地物遮挡，设置8个扫描站，布设10个标靶，从多角度对构件进行三维激光扫描，每一站保证含有5个以上的标靶。将多角度扫描的点云数据进行拼接，拼接后钢梁构件如图5所示，拼接精度优于2 mm。

图5 钢梁扫描

3.1.2 点云降噪

设置半径为5，标准差系数为5，完成异常点降噪，以图5中红色方框螺孔区域进行展示，降噪前后点云数据如图6所示。从图6中可以看出，异常点剔除后，螺栓孔更加清晰完整。

图6 点云降噪效果

3.1.3 BIM与点云模型配准

基于PCA结合ICP算法对钢梁构件进行配准，点云经过PCA算法粗配准如图7a所示，点云数据和BIM解析点云数据初始位置基本一致，然后采用ICP算法进行精细配准后，如图7b所示，两组点云数据实现点对点的精确配准，经计算钢梁的配准误差为0.708 mm，耗时0.59 s，配准矩阵如式(5)所示。当仅采用ICP算法时，配准结果如图8所示，配准矩阵如式(6)所示。钢梁配准误差为1.112 mm，耗时0.63 s。

图7 PCA+ICP算法配准

图8 传统ICP算法配准

(5)

(6)

3.1.4 质量检测

在点云模型与BIM模型精确配准的基础上，将扫描点云与设计模型进行质量对比，从立体空间和平面上选取监测点进行偏差分析，判断偏差是否符合标准误差要求，是否需要返厂重修。

为实现钢结构的加工质量以及后续预拼装精度控制，本次检测主要选取钢构件螺栓孔、钢肋板部分监测点进行质量评估。在立体空间，选取钢梁的三个螺栓孔，每个螺栓孔选取2个控制点，共6个监测点；从z轴截取钢梁平面，选取4个钢肋板，自左至右选取6个监测点。监测点分布如图9所示。对监测点处的加工偏差进行统计最大偏差为0.1668，偏差较小，均小于2 mm，见表1，符合设计要求及《钢结构质量检验标准》，可进行下一步的预拼装，不需要返厂重修。

图9 钢梁监测点分布

表1 3D，2D钢梁检测参考值、测试值、偏差值 mm

3.2 钢结构预拼装

加工质量检测完成后，将待安装的钢梁及与其连接的纵梁进行预拼装，得到预拼装的误差为0.338 mm，预拼装矩阵如式(7)所示，虚拟预拼装结果如图10所示，该误差在允许的范围内，可进行实际拼装。

图10 虚拟预拼装示意

(7)

3.3 拼装质量检测

在满足预拼装的基础上进行实际安装，对安装后的钢结构单元进行三维激光扫描，获取钢结构单元的点云数据，将点云数据与BIM设计模型进行对比，检测钢结构的安装质量是否符合要求。基于本文提出的配准算法将三维激光扫描的点云模型与BIM模型进行配准，配准误差0.753 mm，转换矩阵如式8所示。

(8)

在配准的基础上，对钢结构单元进行对比分析。本次监测点的选取主要针对钢结构易出现问题的安装处部分进行质量检测，故在两端安装处各选取4个监测点，监测点分布如图11所示。对钢结构单元监测点的安装偏差进行统计分析如表2所示。最大偏差为1.4511 mm，小于2 mm，偏差较小，未超过钢结构安装规范要求，安装质量合格。

图11 整体监测点分布

表2 安装整体检测参考值、测试值、偏差值 mm

4 结 论

(1)提出了一种新的BIM+三维激光扫描点云数据钢结构质量智能化检测框架，利用智能化处理算法挖掘BIM模型与点云数据优势，从正、逆双向进行钢结构质量检测及控制，保证了钢结构质量控制的真实性、有效性。

(2)提供了一种新的BIM与激光扫描技术集成方法。将BIM模型离散为点云数据，经PCA结合ICP算法完成数据配准，以法向量方向为约束完成点云距离计算，实现高效、精确的施工过程钢结构质量检测。

(3)PCA+ICP配准算法相较于仅使用ICP算法，实现了配准误差由1.112 mm降低至0.708 mm，配准时间由0.63 s降低到0.59 s，提高了点云配准精度，降低了点云配准时间。