点云驱动的结构数字化模型重构方法

郭张翔; 侯男; 闫天红; 周国强

doi:10.12404/j.issn.1671-1815.2505262

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (13) :5548-5555 DOI: 10.12404/j.issn.1671-1815.2505262

电子技术、通信技术

点云驱动的结构数字化模型重构方法

郭张翔 ¹^,²^,³^,⁴ ,
侯男 ¹^,³^,⁴^,^* ,
闫天红 ¹ ,
周国强 ¹

作者信息 +

Point-cloud-driven Digital Model Reconstruction Method for Structures

GUO Zhang-xiang ¹^,²^,³^,⁴ ,
HOU Nan ¹^,³^,⁴^,^* ,
YAN Tian-hong ¹ ,
ZHOU Guo-qiang ¹

Author information +

文章历史 +

摘要

随着数字化与无损检测技术的深度融合,发展高精度的结构三维重建方法已成为工程领域的迫切需求。基于激光扫描获取的点云数据,提出了一种点云驱动的结构数字化重构方法。该方法融合布料模拟滤波(cloth simulation filtering, CSF)与直通滤波(pass-through filter)进行噪声点剔除,基于特征点匹配实现初始配准后,采用迭代最近点(iterative closest point, ICP)算法完成多视图点云的精配准,结合特征提取技术实现结构的高精度逆向建模。利用实验室悬臂梁进行几何-力学双重验证,结果表明:重建模型的前三阶固有频率相对误差分别为2.815%、8.210%和8.693%;尺寸误差范围为0.003 75%~1.23%。综上所述,基于点云重构的悬臂梁三维模型在关键力学性能(如固有频率)和几何尺寸精度上与实际模型高度吻合,具备替代实物模型进行相关分析的潜力。

Abstract

With the deep integration of digital and non-destructive testing technologies, the development of high-precision 3D structural reconstruction methods has become an urgent need in the engineering field. A point-cloud-driven digital reconstruction method for structures was proposed based on laser-scanned point cloud data. The method integrates cloth simulation filtering (CSF) and pass-through filtering to remove noise points. After initial registration based on feature point matching, the iterative closest point (ICP) algorithm was employed to achieve fine registration of multi-view point clouds. High-precision reverse modeling of the structure was realized by combining feature extraction techniques. A laboratory cantilever beam was used for geometric-mechanical dual validation. The results show that the relative errors of the first three natural frequencies of the reconstructed model are 2.815%, 8.210%, and 8.693%, respectively, while the dimensional errors range from 0.003 75% to 1.23%. In conclusion, the 3D model of the cantilever beam reconstructed from point clouds exhibits high consistency with the physical model in terms of key mechanical properties (such as natural frequencies) and geometric dimensional accuracy, demonstrating its potential to replace physical models for related analyses.

Graphical abstract

关键词

激光扫描 / 数字化重构 / 点云驱动 / ICP

Key words

laser scanning / digital reconstruction / point cloud-driven / ICP

引用本文

引用格式 ▾

郭张翔, 侯男, 闫天红, 周国强. 点云驱动的结构数字化模型重构方法[J]. 科学技术与工程, 2026, 26(13): 5548-5555 DOI:10.12404/j.issn.1671-1815.2505262

GUO Zhang-xiang, HOU Nan, YAN Tian-hong, ZHOU Guo-qiang. Point-cloud-driven Digital Model Reconstruction Method for Structures[J]. Science Technology and Engineering, 2026, 26(13): 5548-5555 DOI:10.12404/j.issn.1671-1815.2505262

登录浏览全文

4963

注册一个新账户忘记密码

结构损伤识别及其损伤程度的准确量化是结构健康监测(structural health monitoring, SHM)领域长期以来的研究热点与难点。在当前的工业实践中,常用的结构损伤检测手段主要包括以下几类无损检测(non-destructive testing, NDT)技术:①目视检测(visual inspection, VI),即通过直接或辅助视觉观察识别结构表面异常^[1];②渗透检测(penetrant testing, PT),利用毛细作用使渗透液渗入表面开口缺陷,经显像后形成可视指示^[2];③磁粉检测(magnetic particle testing, MPT),对铁磁性材料施加磁场后散布磁粉,通过磁痕显示缺陷位置^[3];④电磁检测(electromagnetic testing, ET),依据电磁感应原理评估材料导电性、裂纹深度等特性^[4-5]。

尽管上述方法在工业检测中应用广泛,但它们仍普遍存在检测效率不高、对检测人员经验依赖较强、在复杂几何或恶劣环境下适应性不足等局限性,难以满足现代工程结构对实时、在位、高精度损伤诊断的日益增长需求。

现代测绘技术的持续进步,有力推动了全站仪、激光跟踪仪及各类三维光学测量设备在结构变形监测领域的广泛应用。这类非接触式、远程化的测量手段,为实现工程结构的高精度、高效率形变监测提供了新的技术路径^[6-7]。近年来,地面激光扫描(terrestrial laser scanning, TLS)与机载激光扫描等三维成像技术快速发展,逐渐在土木工程、地质灾害监测、文化遗产保护等多个领域展现出重要的应用价值。激光扫描系统通过发射高频率激光束并接收其从目标表面反射的回波,基于激光测距与角度定位原理,精确获取每一激光点的距离、水平角与天顶角,从而高效采集物体表面高密度三维坐标数据,最终构建出真实反映目标几何形态的点云模型。该技术不仅具备高分辨率与高精度的特点,还能够实现大范围场景的快速数字化重建,显著拓展了传统结构监测的数据维度和分析能力。得益于点云数据的鲁棒性与采集便捷性,该技术已成功应用于滑坡监测、竣工建模^[8]、表面缺陷检测^[9]、施工形态识别^[10]、中小跨径桥梁健康监测^[11]、桥梁构件识别^[12]等领域。Silva等^[13]通过采集振动悬臂梁的动态点云时序数据,基于动态点云构建虚拟传感器网格,实时追踪结构位移响应。应用PCA提取时频域特征,结合复杂性追踪算法识别振型并估计结构固有频率。该方法适用于简单结构模型的点云拟合,但对复杂结构的适应性有限,且需要配备高采样频率传感器获取动态点云数据。Trybała等^[14]基于TLS获取的点云数据,成功实现了皮带表面损伤区域检测和边缘轮廓的缺陷识别,为矿山运输机提供了有效的无损检测方案。在矿山爆破质量评估中,崔欣等^[15]创新性地提出基于无人机密集匹配点云的矿石块度提取方法,通过融合点云几何特征与纹理信息,实现了爆破矿石堆的高精度三维重建与块度参数化分析,为激光扫描点云模型重建提供了重要的技术参考。激光扫描点云在建筑实景三维重建中常因遮挡、扫描角度受限难以保持几何结构完整性。李炳豪等^[16]创新性提出骨架匹配驱动的点云融合方法,通过融合逆向扫描点云与正向设计模型,显著提升重建完整性,为激光扫描点云重建提供了新范式。曾凯等^[17]提出的基于改进角度偏差法的点云简化技术,显著提升了三维重建效率,适用于移动工件的实时测量。多视角扫描导致的初始位姿差异和噪声干扰使得配准难度增加,传统ICP算法因依赖初始位姿且计算量大,难以满足实际需求。胡加涛等^[18]提出的由粗到细配准框架,通过曲率特征和法向量启发式搜索,显著提升了ICP算法的收敛速度和噪声鲁棒性,为对称结构点云配准提供了新方法。

悬臂梁作为典型工程结构,广泛应用于发动机叶片、桥梁及塔架等领域。通过悬臂梁模型可有效分析结构的动力特性与固有性能。梁结构损伤(如磨损、腐蚀和裂纹等)会显著改变其固有频率和振型特性^[19]。基于这些动态特性变化,可通过数字测试方法实现损伤定位与定量评估。为此,众多学者致力于梁结构裂纹识别及其深度评估方法研究^[20-21],以期开发更高效的损伤检测技术。Jiang等^[22]提出基于奇异值分解(singular value decomposition, SVD)和人工蜂群(artificial bee colony, ABC)算法的损伤识别方法。基于断裂力学理论,将含裂纹梁简化为等效旋转弹簧模型,构建局部损伤数据库,建立固有频率与损伤程度的映射关系。基于该数据库实现损伤定位预测,其定位误差显著降低。Fajri等^[23]针对含90°缺口的悬臂梁开展有限元分析,验证了基于S-N曲线的局部应力疲劳寿命预测方法的可靠性。结果表明:缺口区域存在显著应力集中现象,导致疲劳寿命与安全系数明显降低。收敛性分析表明,需对缺口损伤区域进行网格细化处理,这将显著增加计算耗时。

现有研究多聚焦于点云直接处理技术,而关于模型重构方法及其实验验证的研究相对匮乏。为此,现提出一种点云驱动的结构数字化模型重构方法,以弥补现有研究在模型重构与实验验证方面的不足。该方法不仅适用于实验室环境下的梁结构,其“非接触采集-自动化处理-逆向建模”的技术路线在桥梁拉索检测、管道变形监测等工业场景中同样具有广泛的应用前景。特别是引入布料模拟滤波(cloth simulation filtering,CSF)算法与双重验证体系,解决传统方法在复杂背景下噪声难处理及重构模型缺乏力学验证的难题。期望构建一个能最大限度保留结构真实几何特征的三维模型,并通过与实验室物理试件的对比测试,系统评估该数字化模型在几何尺寸与关键力学性能(如固有频率)上的一致性,从而为其应用于结构健康监测与性能评估提供可靠依据。相关实验数据可供后续研究参考。

1 点云处理与模型数字化重构

基于点云驱动的数字化模型重构技术整体流程如图1所示。首先,采用基于特征点的迭代最近点算法,对经过布料模拟滤波预处理后的点云进行多视角配准,以消除视差、构建完整的三维场景。随后,融合快速自动建模与传统精细化建模策略,生成高保真的结构实体模型。最后,通过物理实验对重构模型的力学性能与几何尺寸进行量化对比,以验证其数值模拟的可靠性与外形精度。

1.1 点云处理

在工程实践中,为全面获取复杂结构的完整三维形貌,通常需通过多视点扫描的方式采集点云数据。由于每次扫描均建立于独立的局部坐标系下,这些多视点点云在空间位置上相互分离。因此,必须通过精确的空间位姿变换,将所有这些局部坐标系统一至一个全局坐标系中,以实现点云数据的正确拼接与融合,其基本原理如图2所示。

该空间位姿变换过程在数学上可分解为旋转与平移两个基本几何操作。由于点云在变换过程中被视作刚体,该过程符合刚体运动模型。如图2(a)所示,旋转变换定义为点云绕X、Y、Z三个坐标轴分别旋转角度α、β、γ;平移变换则为沿X、Y、Z轴分别移动距离a、b、c。这一系列变换可通过一个刚体变换矩阵在齐次坐标下统一表示。如图2(b)所示,点云P依次执行:沿X轴正方向平移、沿Y轴负方向平移、沿Z轴负方向平移,最终与目标点云Q实现精确配准。由此,两坐标系中任意一对对应点p与p'之间的坐标变换关系可表示为

(1)

$\mathit{p}\mathit{\text{'}}=\mathit{R}\mathit{p}+\mathit{t}$

式(1)中:旋转矩阵R表示为

(2)

$\begin{array}{l}\mathit{R}=\left[\begin{array}{lll}1& 0& 0\\ 0& \mathit{c}\mathit{o}\mathit{s}\mathit{\alpha }& \mathit{s}\mathit{i}\mathit{n}\mathit{\alpha }\\ 0& -\mathit{s}\mathit{i}\mathit{n}\mathit{\alpha }& \mathit{c}\mathit{o}\mathit{s}\mathit{\alpha }\end{array}\right]\left[\begin{array}{lll}\mathit{c}\mathit{o}\mathit{s}\mathit{\beta }& 0& -\mathit{s}\mathit{i}\mathit{n}\mathit{\beta }\\ 0& 1& 0\\ \mathit{s}\mathit{i}\mathit{n}\mathit{\beta }& 0& \mathit{c}\mathit{o}\mathit{s}\mathit{\beta }\end{array}\right]·\\ \left[\begin{array}{lll}\mathit{c}\mathit{o}\mathit{s}\mathit{\gamma }& \mathit{s}\mathit{i}\mathit{n}\mathit{\gamma }& 0\\ -\mathit{s}\mathit{i}\mathit{n}\mathit{\gamma }& \mathit{c}\mathit{o}\mathit{s}\mathit{\gamma }& 0\\ 0& 0& 1\end{array}\right]\end{array}$

式中:矩阵R中α、β、γ分别为变换点绕着3个坐标轴x、y、z的旋转角度;t为平移向量t=[t_x,t_y,t_z]^T,t_x、t_y、t_z分别为变换点沿着3个坐标轴平移的距离。

激光扫描获取的海量点云数据中常包含大量非目标点云(噪声点)。综合应用CSF与直通滤波实现噪声点滤除。CSF算法对平坦地形点云具有优异的分类性能,如图3所示,其原理如下:①原始点云空间翻转;②虚拟布料自上而下覆盖翻转点云表面;③通过布料节点与点云的相互作用确定最终形态;④基于布料形态实现地面/非地面点分类。通过高程归一化处理消除地物间高程差异,将地面点统一至Z轴方向进行距离计算。最终采用直通滤波剔除离群点,提取目标点云数据。直通滤波原理为:设定高程阈值区间,保留区间内点云数据,剔除区间外数据。

ICP算法的配准效果显著依赖于初始位姿,且存在局部最优收敛问题。为此,采用基于特征点的粗配准方法获取优化初始位姿,继而基于该初始位姿实施ICP精配准。设参考点云P的空间位姿为初始配准基准,目标点云Q中各点需在参考点云P中寻找最近邻对应点。通过优化计算空间变换参数,最小化对应点集间的欧氏距离,迭代计算直至满足收敛阈值条件。其中,刚体变换参数(旋转矩阵R∈R^³×³和平移向量t∈R³)可通过四元数法或 SVD 求解。采用 SVD 求解,具体计算流程如下。

定义参考点云集合P={p₁,p₂,…,p_n},和目标点云集合Q={q₁,q₂,…,q_n},求解点云Q到点云P的空间配准问题,即求取最优刚体变换使Q与P对齐,定义对应点对的配准误差项为

(3)

${\mathit{e}}_{\mathit{i}}={\mathit{p}}_{\mathit{i}}-(\mathit{R}{\mathit{q}}_{\mathit{i}}+\mathit{t})$

进一步可以描述为优化最小二乘目标函数误差的问题,当以下目标函数误差的平方和极小时的R和t为

(4)$E(\boldsymbol{R}, \boldsymbol{t})=\underset{R \in \mathbf{S O}(d), t \in \mathbf{R}^{d}}{\operatorname{argmin}} \frac{1}{2} \sum_{i=1}^{n}\left[\boldsymbol{p}_{i}-\left(\boldsymbol{R} \boldsymbol{q}_{i}+\boldsymbol{t}\right)^{2}\right]$

式(4)中:SO(d)为特殊正交群,代表d维空间中的旋转矩阵集合,d=3。

R和t的函数关系如下。

假设R是常量,令

$\frac{\partial \mathit{E}}{\partial \mathit{t}}$

=0,得

(5)

$\begin{array}{l}\underset{\mathit{R},\mathit{t}}{\mathit{m}\mathit{i}\mathit{n}\mathit{E}}=-\sum _{\mathit{i}=1}^{\mathit{n}}[{\mathit{p}}_{\mathit{i}}-(\mathit{R}{\mathit{q}}_{\mathit{i}}+\mathit{t})]\\ =\sum _{\mathit{i}=1}^{\mathit{n}}{\mathit{p}}_{\mathit{i}}-\mathit{R}\sum _{\mathit{i}=1}^{\mathit{n}}{\mathit{q}}_{\mathit{i}}-\mathit{t}\sum _{\mathit{i}=1}^{\mathit{n}}1=0\end{array}$

计算点P和点Q的质心分别为

(6)

$\left\{\begin{array}{l}{\mathit{\mu }}_{\mathit{p}}=\frac{1}{\mathit{n}}\sum _{\mathit{i}=1}^{\mathit{n}}{\mathit{p}}_{\mathit{i}}\\ {\mathit{\mu }}_{\mathit{q}}=\frac{1}{\mathit{n}}\sum _{\mathit{i}=1}^{\mathit{n}}{\mathit{q}}_{\mathit{i}}\end{array}\right.$

由式(6)可计算点集P和Q相对于质心平移差值分别为

(7)

$\left\{\begin{array}{l}\mathit{p}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}={\mathit{p}}_{\mathit{i}}-{\mathit{\mu }}_{\mathit{p}}\\ \mathit{q}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}={\mathit{q}}_{\mathit{i}}-{\mathit{\mu }}_{\mathit{q}}\end{array}\right.$

可以得到平移向量为

(8)

${\mathit{\mu }}_{\mathit{p}}-\mathit{R}{\mathit{\mu }}_{\mathit{q}}=\mathit{t}$

将上述关系代入式(4)可得

(9)

$\begin{array}{l}\mathit{E}(\mathit{R},\mathit{t})=\underset{\mathit{R}\in \mathit{S}\mathit{O}\left(\mathit{d}\right),\mathit{t}\in {\mathit{R}}^{\mathit{d}}}{\mathit{a}\mathit{r}\mathit{g}\mathit{m}\mathit{i}\mathit{n}}\frac{1}{2}\sum _{\mathit{i}=1}^{\mathit{n}}{‖\frac{\mathit{　}}{\mathit{　}}{\mathit{p}}_{\mathit{i}}-(\mathit{R}{\mathit{q}}_{\mathit{i}}+\mathit{t})‖}^{2}\\ =\underset{\mathit{R}\in \mathit{S}\mathit{O}\left(\mathit{d}\right),\mathit{t}\in {\mathit{R}}^{\mathit{d}}}{\mathit{a}\mathit{r}\mathit{g}\mathit{m}\mathit{i}\mathit{n}}\frac{1}{2}\sum _{\mathit{i}=1}^{\mathit{n}}{‖\frac{\mathit{　}}{\mathit{　}}{\mathit{p}}_{\mathit{i}}-\mathit{R}{\mathit{q}}_{\mathit{i}}-{\mathit{\mu }}_{\mathit{p}}+\mathit{R}{\mathit{\mu }}_{\mathit{q}}‖}^{2}\\ =\underset{\mathit{R}\in \mathit{S}\mathit{O}\left(\mathit{d}\right),\mathit{t}\in {\mathit{R}}^{\mathit{d}}}{\mathit{a}\mathit{r}\mathit{g}\mathit{m}\mathit{i}\mathit{n}}\frac{1}{2}\sum _{\mathit{i}=1}^{\mathit{n}}{‖\frac{\mathit{　}}{\mathit{　}}{\mathit{p}}_{\mathit{i}}-{\mathit{\mu }}_{\mathit{p}}-\mathit{R}({\mathit{q}}_{\mathit{i}}-{\mathit{\mu }}_{\mathit{p}})‖}^{2}\\ =\underset{\mathit{R}\in \mathit{S}\mathit{O}\left(\mathit{d}\right),\mathit{t}\in {\mathit{R}}^{\mathit{d}}}{\mathit{a}\mathit{r}\mathit{g}\mathit{m}\mathit{i}\mathit{n}}\frac{1}{2}\sum _{\mathit{i}=1}^{\mathit{n}}{‖\frac{\mathit{　}}{\mathit{　}}\mathit{p}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}-\mathit{R}\mathit{q}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}‖}^{2}\end{array}$

即求使目标函数取得最小值时的最优刚体变换参数,即最优旋转矩阵R与平移向量t,表达式为

(10)

$\mathit{E}(\mathit{R},\mathit{t})=\underset{\mathit{R}\in \mathit{S}\mathit{O}\left(\mathit{d}\right)}{\mathit{a}\mathit{r}\mathit{g}\mathit{m}\mathit{i}\mathit{n}}\frac{1}{2}\sum _{\mathit{i}=1}^{\mathit{n}}{‖\frac{\mathit{　}}{\mathit{　}}\mathit{p}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}-\mathit{R}\mathit{q}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}‖}^{2}$

式(10)中展开项如下。

(11)

$\sum _{\mathit{i}=1}^{\mathit{n}}{‖\frac{\mathit{　}}{\mathit{　}}\mathit{p}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}-\mathit{R}\mathit{q}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}‖}^{2}=\mathit{p}{\mathit{\text{'}}}^{\mathit{T}}{\mathit{ }}_{\mathit{i}}\mathit{ }\mathit{p}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}-2\mathit{p}{\mathit{\text{'}}}^{\mathit{T}}{\mathit{ }}_{\mathit{i}}\mathit{R}\mathit{q}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}+\mathit{q}{\mathit{\text{'}}}^{\mathit{T}}{\mathit{ }}_{\mathit{i}}{\mathit{R}}^{\mathit{T}}\mathit{R}\mathit{q}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}$

式(11)中:除第二项外,其余部分都与参数R无关,在求解极值时可以忽略,转而求式(12)最小值时的R值,即

(12)

$\begin{array}{l}\underset{\mathit{R}\in \mathit{S}\mathit{O}\left(\mathit{d}\right)}{\mathit{a}\mathit{r}\mathit{g}\mathit{m}\mathit{i}\mathit{n}}\left[\frac{1}{2}\times (-2)\sum _{\mathit{i}=1}^{\mathit{n}}\mathit{p}{\mathit{\text{'}}}^{\mathit{T}}{\mathit{ }}_{\mathit{i}}\mathit{R}\mathit{q}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}\right]=\\ \mathit{　}\mathit{　}\underset{\mathit{R}\in \mathit{S}\mathit{O}\left(\mathit{d}\right)}{\mathit{a}\mathit{r}\mathit{g}\mathit{m}\mathit{a}\mathit{x}}\sum _{\mathit{i}=1}^{\mathit{n}}\mathit{p}{\mathit{\text{'}}}^{\mathit{T}}{\mathit{ }}_{\mathit{i}}\mathit{R}\mathit{q}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}\end{array}$

令

$\sum _{\mathit{i}=1}^{\mathit{n}}\mathit{p}{\mathit{\text{'}}}^{\mathit{T}}{\mathit{ }}_{\mathit{i}}\mathit{R}\mathit{q}\mathit{\text{'}}{\mathit{ }}_{\mathit{i}}=\mathit{t}\mathit{r}\left(\mathit{W}{\mathit{P}}^{\mathit{T}}\mathit{R}\mathit{Q}\right)=\mathit{t}\mathit{r}\left(\mathit{R}\mathit{Q}\mathit{W}{\mathit{P}}^{\mathit{T}}\right),\mathit{S}=\mathit{Q}\mathit{W}{\mathit{P}}^{\mathit{T}}$

,对S进行SVD分解可得

(13)

$\mathit{S}=\mathit{U}\mathit{\Sigma }{\mathit{V}}^{\mathit{T}}$

式(13)中:tr(·)为矩阵的迹;U和V为正交矩阵;Σ为奇异值组成的对角矩阵。

旋转矩阵R由式(14)获得,即

(14)

$\mathit{R}=\mathit{V}{\mathit{U}}^{\mathit{T}}$

经过上述点云配准之后,便获得了完整的结构点云数据。

1.2 模型重构

融合传统建模与快速建模方法,基于提取的点云数据实现三维模型重构,具体流程如下。

(1) 点云面片化处理:通过三角网格化构建显式拓扑结构。

(2) 网格平滑处理:平滑处理消除噪声。

(3) 特征轮廓提取:获取中间截面外轮廓曲线。

(4) 模型重构:基于截面边界曲线与边界面完成三维逆向建模。

2 实验验证与分析

2.1 实验方案

实验采用HSCAN手持式激光三维扫描仪(具备全向旋转功能),其主要技术参数为:质量0.95 kg,分辨率0.05 mm,扫描速率265 kHz,测量精度0.03 mm。实验对象为含损伤槽的悬臂梁试件(800 mm×40 mm×8 mm),设置两个损伤槽:槽A(距左端100 mm)与槽B(距右端150 mm),尺寸均为50 mm(长)×2 mm(深),如图4所示。沿梁体布置7个单向加速度传感器(1 200 Hz),试件左端固支,传感器以100 mm等间距自自由端向固定端分布如图5所示。采用力锤激励法(灵敏度4.23 mV/N)在自由端实施激励,采集加速度响应信号。

传统方法(如人工测量建模)耗时且难以捕捉复杂非规则损伤。相比之下,本文研究使用的激光扫描速率高达 265 kHz,能在极短时间内获取百万级点云数据(如本文实验仅需数秒即可获取约 270 万个原始点)。

2.2 悬臂梁结构重构

两次扫描所获取的原始点云数据如图6(a)所示,其中点云P(红色)包含1 061 026个点,点云Q(绿色)包含1 669 640个点。经CSF处理后,点云P和Q中分别提取出非地面点336 220与401 380个。随后,对两类点云中的地面点进行网格平滑处理,并基于生成的地面网格计算各非地面点至参考网格的欧氏距离,进而将该距离值映射至Z轴方向,实现点云的高程归一化。

高程统计分析结果显示:点云P的欧氏距离分布区间为0.446~41.261 mm,点云Q则为-0.675~40.447 mm。图6(b)和图6(c)分别展示了高程归一化后两组点云的高程分布直方图。为提升数据质量,进一步采用直通滤波方法以剔除高程异常之离群点。点云Q经滤波后的结果如图6(d)所示。最终,点云P和Q的滤波后点云数据量分别为330 597点与383 549点。统计表明,经上述预处理流程后,非地面点在总点云中的占比分别为:点云P中占31.16%,点云Q中占22.97%,相关详细数据如表1所示。

本文研究采用三组在空间分布上经过优化的特征点对点云进行初始配准。图7(a)展示了这些特征点的空间分布情况,如图7(b)所示为其最终实现的粗配准结果。在此基础上,采用ICP算法进行精细配准,图8呈现了不同迭代次数条件下(k=5、10、15、20)的精配准效果对比,给出了关键局部区域的放大视图,以清晰展示配准精度随迭代次数增加的变化趋势。各迭代次数对应的均方根误差(root mean square, RMS)具体数值如表2所示。

根据图8(b)所示的配准效果可知,当迭代次数为10次时,点云间的视觉对齐效果最佳,此时局部结构边缘仅存在少量离群点。然而值得注意的是,当迭代次数增至20次时,其对应的均方根误差数值最小。

这一看似矛盾的现象表明:尽管已通过特征点匹配实现了良好的初始位姿估计,传统ICP算法在精配准阶段仍可能收敛至局部最优解,而非全局最优,反映出该算法在优化过程中对初值敏感以及易受离群点干扰的固有局限性。

在逆向建模过程中,提取悬臂梁中间截面轮廓特征曲线如图9(a)所示,采用曲面拟合技术构建两侧曲面如图9(b)所示,通过截面轮廓扫掠成型方法完成悬臂梁三维模型重构。基于重构模型开展几何尺寸检测如图9(c)所示,重点评估包括:梁体主要尺寸;损伤槽尺寸相对误差。表3对比给出了逆向建模尺寸与实际测量结果的误差统计,由表3可知,梁长相对误差为0.003 75%,损伤槽深度相对误差0.38%。

基于逆向重构的三维模型,采用有限元分析软件计算得到悬臂梁试件的前三阶固有频率如表4所示。

2.3 模型验证

基于2.1节实验方案,力锤激励实验现场如图10(a)所示。经快速傅里叶变换(fast Fourier transform, FFT)获取频响函数,图10(b)和图10(c)展示4#测点加速度时程曲线及其频谱分析结果。表5对比列出了实验测得与逆向建模计算的前三阶固有频率及其相对误差。

得益于激光扫描技术的高采样率及自动化的点云处理算法,该方法相比传统人工接触式测量,在保证精度的前提下显著提升了检测效率,尤其适用于基础设施的快速普查。由结果可见,本文方法构建的高精度几何模型和保真力学模型,是构建结构“数字孪生”体、进行全生命周期性能预测的基础数据源。

3 结论

提出并验证了一种基于激光点云数据的结构高精度三维重构方法,依据该方法得出如下结论。

(1)提出了一套完整的点云驱动建模流程,该流程通过融合多源滤波、特征匹配与精配准算法,实现了从点云采集到实体模型生成的全过程处理,为结构数字化提供了可靠的技术路径。

(2)系统验证了重构模型在几何与力学属性上的保真度。实验表明,重构模型在关键几何尺寸上误差低于1.25%,前三阶固有频率计算误差控制在9%以内,证实了其在静动态力学分析中替代物理模型的潜力。

(3)该方法在数据采集效率、细节保留与非简化建模方面优势显著,尤其适用于中小尺度结构;其对复杂曲面与大跨结构的适应性将是下一阶段研究的重点。

(4)通过几何尺寸与动力学特性的双重验证,证实了该逆向模型具备作为“数字孪生体”进行后续力学性能预测的可靠性。

基于上述结论,后续研究将围绕复杂曲面构件的适应性建模、大尺度工程结构的现场应用技术以及全生命周期性能评价体系构建3个方面展开,以推动该技术从方法验证走向工程实用。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Bertola N J, Brühwiler E. Risk-based methodology to assess bridge condition based on visual inspection[J]. Structure and Infrastructure Engineering, 2023, 19(4): 575-588.

[2]	Kudinov I I, Golovkov A N, Vakhov V V, et al. A new look at the controllability of parts with complex configuration in penetrant testing[J]. Russian Journal of Nondestructive Testing, 2023, 59(11): 1107-1118.

[3]	Sacarea A I, Oancea G, Parv L. Magnetic particle inspection optimization solution within the frame of NDT 4.0[J]. Processes, 2021, 9(6): 1067.

[4]	Dwivedi S K, Vishwakarma M, Soni Prof A. Advances and researches on non destructive testing: a review[J]. Materials Today: Proceedings, 2018, 5(2): 3690-3698.

[5]	Gupta M, Khan M A, Butola R, et al. Advances in applications of non-destructive testing (NDT): a review[J]. Advances in Materials and Processing Technologies, 2022, 8(2): 2286-2307.

[6]	郭张翔, 闫天红, 周国强. 3D点云数据处理方法研究进展[J]. 计算机科学, 2024, 51(S2): 206-218.

[7]	Guo Zhangxiang, Yan Tianhong, Zhou Guozhang, et al. Research progress on 3D point cloud data processing methods[J]. Computer Science, 2024, 51(S2): 206-218.

[8]	卢晨, 汪魁, 石一超, 等. 基于三维激光扫描技术的隧道断面变形检测[J]. 科学技术与工程, 2025, 25(24): 10459-10467.

[9]	Lu Chen, Wang Kui, Shi Yichao, et al. Tunnel cross-section deformation detection based on 3D laser scanning technology[J]. Science Technology and Engineering, 2025, 25(24): 10459-10467.

[10]	徐郡彬, 宋建平, 黄小林, 等. 利用激光与影像融合优化区域古建筑模型的方法[J]. 科学技术与工程, 2025, 25(1): 37-43.

[11]	Xu Junbin, Song Jianping, Huang Xiaolin, et al. Method of optimizing regional ancient architectural models using laser and image fusion[J]. Science Technology and Engineering, 2025, 25(1): 37-43.

[12]	Guldur E B, Hajjar J F. Using extracted member properties for laser-based surface damage detection and quantification[J]. Structural Control and Health Monitoring, 2020, 27(11): 2616.

[13]	Liang D, Zhang Z, Sui C, et al. Performance assessment of self-anchored suspension footbridge using 3D laser scanning[J]. Structural Control and Health Monitoring, 2022, 29(8): 2978.

[14]	Rausch C, Haas C. Automated shape and pose updating of building information model elements from 3D point clouds[J]. Automation in Construction, 2021, 124: 103561.

[15]	Kim H, Yoon J, Sim S. Automated bridge component recognition from point clouds using deep learning[J]. Structural Control and Health Monitoring, 2020, 27(9): 2591.

[16]	Silva M F, Green A, Morales J, et al. 3D structural vibration identification from dynamic point clouds[J]. Mechanical Systems and Signal Processing, 2022, 166: 108352.

[17]	Trybała P, Blachowski J, Błażej R, et al. Damage detection based on 3d point cloud data processing from laser scanning of conveyor belt surface[J]. Remote Sensing, 2020, 13(1): 55.

[18]	崔欣, 王井利, 吴冬, 等. 密集匹配点云下的矿石块度提取[J]. 科学技术与工程, 2022, 22(18): 7823-7830.

[19]	Cui Xin, Wang Jingli, Wu Dong, et al. Ore lumpiness under dense matching point cloud[J]. Science Technology and Engineering, 2022, 22(18): 7823-7830.

[20]	李炳豪, 黄小林, 孙保燕, 等. 点云骨架匹配在改进建筑实景三维模型完整性中的应用[J]. 科学技术与工程, 2025, 25(17): 7285-7292.

[21]	Li Binghao, Huang Xiaolin, Sun Baoyan, et al. Application of point cloud skeleton matching in improving the completeness of architectural reality-based 3D models[J]. Science Technology and Engineering, 2025, 25(17): 7285-7292.

[22]	曾凯, 王福斌, 刘贺飞, 等. 基于线结构光点云三维重建的弯管形工件测量方法[J]. 科学技术与工程, 2021, 21(4): 1477-1482.

[23]	Zeng Kai, Wang Fubin, Liu Hefei, et al. Measurement of elbow-shaped workpiece based on 3D reconstruction of line structured light point cloud[J]. Science Technology and Engineering, 2021, 21(4): 1477-1482.

[24]	胡加涛, 吴晓红, 何小海, 等. 一种基于几何特征由粗到细点云配准算法[J]. 科学技术与工程, 2020, 20(5): 1947-1952.

[25]	Hu Jiatao, Wu Xiaohong, He Xiaohai, et al. A coarse to fine point cloud registration algorithm based on geometric features[J]. Science Technology and Engineering, 2020, 20(5): 1947-1952.

[26]	张大中, 张世义, Chayan S M, 等. 不同配筋混凝土梁受弯破坏过程的声发射特性[J]. 科学技术与工程, 2025, 25(18): 7729-7742.

[27]	Zhang Dazhong, Zhang Shiyi, Chayan S M, et al. Acoustic emission characteristics of concrete beam with different reinforcements during bending and damage process[J]. Science Technology and Engineering, 2025, 25(18): 7729-7742.

[28]	Haynes R A, Habtour E, Henry T C, et al. Damage precursor indicator for aluminum 7075-T6 based on nonlinear dynamics[M]. Cham: Springer International Publishing, 2019.

[29]	Long H, Liu Y, Liu K. Nonlinear vibration analysis of a beam with a breathing crack[J]. Applied Sciences, 2019, 9(18): 3874.

[30]	Jiang Y, Wang N, Zhong Y. A two-step damage quantitative identification method for beam structures[J]. Measurement, 2021, 168: 108434.

[31]	Fajri A, Prabowo A R, Surojo E, et al. Validation and verification of fatigue assessment using fe analysis: a study case on the notched cantilever beam[J]. Procedia Structural Integrity, 2021, 33: 11-18.