点云技术在建筑施工领域应用研究 最先由美国国家标准与技术研究院 提出，当时通过激光雷达影像为施工过程构建三维模型从而对工程进行实时状况评估和记录，并表示该方法可节省大量用于施工质量控制与进度监测的成本。后续点云技术逐步开始尝试应用于建筑施工过程。2001年，Vosselman采用扩展至三维空间的霍夫变换算法分割出机载雷达不规则点云簇的屋顶平面并结合当地房屋结构图进行大规模城市场景三维重建。这一研究最先实现点云数据语义分割与三维重建。2002年由Autodesk最早推出BIM软件，但使用手工建模方式始终在时效性上欠佳，而使用激光扫描仪和摄影测量可获得真实施工实况。因此学界一直在探索如何利用点云自动构建完整而准确的3D几何模型。2003年，Gordon在案例中从激光扫描仪和嵌入式传感器采集到的施工场景信息整合至工程数字模型中，与拟建模型比对检测施工过程中出现的与设计不相符的曲率偏差等结构缺陷。从2005年到2018年，点云在建筑行业的实际应用涵盖了三维场景建模、几何质量监测、工程进度及安全管理、建筑力学分析等多个方面。近些年，研究热点集中在机器学习、深度学习等算法与点云结合应用，这为点云技术在建筑施工过程的应用提供了新思路。

1)点云数据配准拼接

点云配准主要分为刚性配准和非刚性配准。而在建筑领域，由于不涉及对点云进行变形的非刚性操作，一直是以刚性配准为主要研究对象，即通过平移和旋转等不改变任何两点之间距离的变换实现点云配准过程。经典点云配准策略是一个由粗到精过程。

粗配准通常为全局配准，当前点云粗配准算法包括基于穷举搜索和基于特征匹配两类。基于深度学习的方法已被证明在室内和小规模室外点云配准中取得了较好效果。但对于建筑施工过程这样大规模且复杂性较高的室外点云数据配准仍然存在障碍，需在未来研究中付出更多努力。精配准通常为局部配准。其中，最近点迭代法（iterative closest point，ICP）是最经典及应用最广泛的精配准方法，但其高度依赖良好的粗配准效果且对于具有密度变化的点云数据适用性较差。大量研究者从精确度和效率2个方面对ICP算法进行改进。

对于建筑施工过程中的点云配准，存在严重遮挡及大量噪点是主要应用难点，目前取得了一定研究进展。如ICP方法、语义和几何信息约束等方法都很好地提升了配准效率。而基于深度学习的方法在配准具有严重遮挡及有限重叠的场景方面具有巨大潜力，也是目前该领域研究热点。

2)点云去噪精简

点云滤波去噪可在有效消除噪声点云产生影响的同时能很好地保持点云模型在几何上的显著特征，从而为后续应用提供高质量的点云模型。目前的点云滤波算法研究较为成熟，主流方法包括基于统计、邻域、投影、偏微分、信号处理及混合策略技术。

点云精简可在保证模型完整性和关键特征基础上，提升计算机硬件处理效率，降低硬件成本。常见的点云简化算法包括基于网格的和基于点的两大类。前者需生成大量网格，时间和空间复杂度较高；后者占用资源较少，但对点云细节特征的保持性较差。现有方法大多是基于点的精简方法，如最小包围盒法、曲率采样法、K-means聚类方法等。

对于建筑施工过程中的点云去噪过程，由于其环境复杂性需在去噪效率和效果两方面进行深入研究。建筑施工场景点云数据往往数据量巨大，提升三维点云滤波算法的计算效率是未来研究的主要方向之一。目前点云精简算法大多侧重于保留模型完整性及提高效率，往往忽略大量细部特征。而在建设施工过程中，需在完整点云场景中提取目标个体点云数据。因此，在保留原始点云细节几何特征的前提下，尽可能多地删减冗余点仍是点云精简未来的研究重点。

1)传统点云分割

传统点云分割是将点云分割成具有相似特征的点集，无法同时给予语义信息，需以人工方式对这些点云集合赋予语义信息。主要有基于边缘检测、区域增长、模型拟合及属性聚类4类方法。边缘检测适用于如道路边缘检测等拥有特定边缘特征的特定场景任务对象；区域增长方法较稳定，但参数调整困难，种子点选取和属性特征定义直接影响最终效果；模型拟合方法计算效率较高但局限于规则几何形状属性聚类分割方法较稳定，但在处理大规模点云场景时，时间复杂度较大。

传统点云分割方法无需大量训练样本进行学习，计算量较小，且可充分利用人工经验和对象本身特征，提高分割精度和效率。因此，在建筑施工过程中常被用于特定任务中对目标对象的高精度、高效率分割。

2)语义分割

点云语义分割则是指从一个点云场景中分割出各种物体，并同时赋予其语义标签。早期点云语义分割方法主要是通过人工提取点云特征，再输入到分类器中进行点云分割与分类，此类方法需大量人工参与，严重依赖人工经验。随着卷积神经网络的出现并开始应用于三维场景，可以实现点云特征的自动提取。目前应用神经网络实现点云语义分割的方法主要有基于二维多视图、基于三维体素化及基于点云本身。前两种方法核心思想均是将无序点云预处理，转换成规则的、传统的神经网络可直接处理的结构，但均不可避免地带来点云信息损失并对计算机性能提出了更高要求。基于点云本身的方法能很好地保留原始点云信息，最先采用这一方法的是PointNet网络。PointNet模型存在如无法很好地提取局部特征问题。目前有许多研究者们基于PointNet 模型提出了系列解决方案以改进基于点云本身的语义分割方法，如PointNet++，RandLA-Net，PointCNN等。

基于深度学习的点云语义分割在建筑施工领域已得到一定应用，如利用点的几何和颜色特征进行分割。但由于点云自身固有特性和建筑施工场景存在严重遮挡和大量噪声点云的问题，均对深度学习模型提出了更高要求。未来构造具有更高分割精度和更广泛适用场景的语义分割模型仍是主要研究方向。同时，进一步通过目标检测和语义分割的结合以实现实例分割，从而实现对同类物体中不同个体有效分割，而不是分割具有相同语义同类物体。由于建筑施工过程中对单个物体点云模型提取的需要，深入实例分割研究具有重要意义。

现阶段较成熟和主流的模型重建方式包括在建模软件中参照点云模型进行手动创建、模型拟合建模、边界表达建模、先验假设建模和曲面建模。

模型拟合的主要应用对象是可以用简明标准数学表达式或参数表示的几何对象。边界表达建模则是提取几何对象边界线并在此基础上进一步简化和规则化边界拓扑关系，从而完成模型建立。基于先验假设建模往往事先假设所创建的模型为遵循特定几何形状关系、语法规则或与预定义模型基元库模型相匹配，然后结合建筑点云本身，构建遵循上述先验约束下的三维建筑模型。基于网格建模利用构造丰富的网格（如三角形和矩形）拟合点云表面，从而实现模型建立，其最大特点在于能对复杂模型结构进行重建。

总体而言,三维模型重建算法的发展趋势是自动化程度越来越高，所需人工干预越来越少，且应用面越来越广。然而，现有算法依然存在运算复杂度较高、只能针对单个物体且对背景干扰敏感等问题。研究具有较低运算复杂度且不依赖先验知识的全自动三维模型重建算法，是目前主要难点。同时，上述方式虽然能满足建筑施工过程模型重建的部分需要，但涉及大量人工操作，耗时且主观易出错，并多为几何或表面建模，不包含语义信息，不能充分发挥模型重建后的价值及不能用于BIM模型重建。因此，包含语义信息的体积建模方式是目前研究热点，也是难点。

适用于BIM模型重建的体积建模方式主要分为两类，分别为自上而下方式和自下而上方式。自上而下方式也称为Scan vs BIM，是利用已有的先验知识进行点云解释，通过实际点云和虚拟点云比较提取并匹配圆形截面以生成既有建筑BIM模型。然而在建筑施工过程中，并未针对现有场景先验信息，因此并不符合施工过程中的应用场景。自下而上方式也称Scan to BIM，是在无先验知识情况下，其只以扫描获得的点云模型为输入，并不断提取相关信息，直至可构建预期的BIM模型，是一种依靠建模逻辑来解释和利用点云数据的通用方法，也是该领域研究热点。核心步骤包括对象识别、几何建模与拓扑重建，如图1所示。

图1 自动模型重建核心步骤

建筑部件质量检测主要分为表面检测和尺寸检测，表面检测主要检测建筑部件裂缝、平整度等。但建筑施工过程的点云数据存在不准确性，很难克服噪点对扫描结果的影响。点云数据在建筑构件表面检测的逻辑性如图2所示，该方法虽系统性整理了建筑构件表面检测，但主要针对规则矩形及均匀厚度预制混凝土构件，对于更复杂的建筑结构，该体系应用表现较差。复杂建筑部件检测多通过辅助算法参与。辅助算法参与保证了结果鲁棒性和稳定性，实现了很好的可视化效果，为建筑部件质量检测提供新思路。

图2 表面质量检测检测逻辑

建筑整体质量检测与建筑构件质量检测不同，建筑整体质量检测需站在全局高度，主要体现在建筑整体变形检测。建筑整体变形受自然环境和地基等因素的相互作用影响，分为建筑位移、沉降、结构构造变形，即需对建筑整体垂直度和平整度进行检测，传统建筑整体检测主要使用全站仪、水准仪等人工主导参与的检测仪器，误差较大，同时很难反映建筑质量真实情况，随着倾斜摄影技术、三维激光扫描技术研究的深入，许多学者将其应用在建筑整体质量检测上，取得了很好的检测效果。

建筑施工辅助结构是建筑安全施工的重要辅助，如基坑支撑、挡土墙等。目前随着高层及超高层建筑规模增加，基坑工程发展越来越快，但由于高层建筑往往涉及在城市建筑物附近，施工场地狭小，基坑深度大，再加上容易受到天气因素等多种因素的影响，基坑在施工过程中的质量检测受限，而挡土墙质量检测由于现代施工特点的原因，点云应用质量检测研究相比较少。

基于点云数据的施工进度管理应用主要有两种：①事前基于点云数据建模分析，减少后续变更对进度产生的消极影响，优化工期；②施工过程中实时对现场信息进行采集、可视化和处理，辅助做出快速反应，实现施工过程中对施工进度的管理。

施工过程中遇到碰撞问题会造成财产与人力损失，并影响施工效率及进度。因此，在基于点云数据完成BIM逆向建模后,对于得到的能反映真实改造空间现状的场景模型,可在此基础上建立现有建筑物改造施工模型,在模型上进行深化设计或施工模拟，实现对进度的事前控制。

点云数据在施工过程中更多地被用于跟踪和监测施工活动进度。这一过程通过实时进行点云数据采集，并与包含进度计划的4D BIM模型进行比较，确定当前施工的实际进度，评估进度提前或滞后，辅助对现实做出快速反应，并进一步做出决策。

图3 质量监测工作流

点云数据在工程质量控制中的应用主要集中在预控制阶段。在质量预控阶段，相比较于传统BIM建模方式，应用点云数据辅助建模可有效解决复杂环境带来的问题，常用于幕墙施工、重难点工程、旧建筑保护、修缮、扩建、改造或拆除等。在施工过程中，BIM和激光扫描可有效应用于质量控制，但如果只提供特定地点和时间的数据，且需大量时间与人力，则限制了其在施工过程中识别和管理质量缺陷的能力。因此，不断有研究致力于解决场地、时间与人力等因素带来的障碍，以使点云数据能被充分利用于质量实时监测中，辅助进行施工过程中的质量管理。参与质量监测的工作流如图3所示。点云数据也被应用于质量追溯。如通过基于案例推理（CBR）方法，结合数据挖掘算法从数据中提取质量问题解决知识，以提高解决质量问题的能力。

基于点云数据提供建筑相关对象的准确几何信息的特点，点云数据被广泛应用于施工安全管理中，主要围绕施工现场、作业人员行为与施工设备3个方面。施工现场存在的安全隐患严重影响作业人员健康与安全。通过点云数据提供的与施工相关对象的精确几何信息，可对现场存在的安全隐患进行识别，如塌方、堆放规范性、资源时空运动等。在识别到安全隐患后，可基于此对作业人员行为进行安全管理，通过对安全隐患模拟，使可能发生的危险可视化，进行对作业人员的安全教育，有利于改善工人本身及其安全行为。

施工设备对安全的影响则主要体现在：设备操作人员在操作时往往处于设备操作室中，存在视野盲点，由此导致较多施工事故。了解盲点有助于提高建筑工地安全性。