Machine Translated by Google

Automação na Construção 130 (2021) 103855

Listas de conteúdos disponíveis em ScienceDirect

Automação na Construção

página inicial da revista: www.elsevier.com/locate/autcon

Modelagem 3D as-built a partir de nuvens de pontos incompletas usando

relações de conectividade

Hyunsoo Kim, Changwan Kim *

Departamento de Engenharia Arquitetônica, Universidade Chung-Ang, Seul 06974, República da Coreia

INFORMAÇÕES DO ARTIGO ABSTRATO

Palavras-chave:
Os modelos de informações de construção as-built (BIMs) baseados em nuvens de pontos 3D de ambientes construídos precisam ser
Modelagem as-built
capazes de modelar completa e automaticamente elementos de construção para diversas aplicações (por exemplo, análise estrutural,
Nuvens de pontos incompletas
manutenção de instalações e análise ambiental). No entanto, dados perdidos durante a aquisição de dados podem resultar em um BIM
Modelagem de informações de construção
Relações de conectividade
as-built impreciso. Este estudo propõe, assim, um método automatizado de geração de modelos as-built com extração completa de
Rede neural convolucional de gráfico dinâmico informações geométricas, explorando a conectividade entre os elementos estruturais em uma nuvem de pontos com dados faltantes.
Usamos um modelo de aprendizado profundo para classificar e segmentar os elementos no nível do ponto e empregamos uma rede
vizinha para extrair e modelar a geometria exata dos elementos. Os resultados experimentais demonstram que o método proposto pode
desenvolver automaticamente um BIM as-built a partir de uma nuvem de pontos com dados faltantes, reconhecendo e modelando 99%
dos elementos individuais dos elementos estruturais. Como resultado, um BIM completo pode ser produzido automaticamente, superando
as limitações dos dados faltantes.

1. Introdução
Os modelos de informações de construção as-built (BIMs) baseados em nuvens de
pontos 3D de ambientes construídos devem modelar completamente todos os elementos
constituintes para aplicações como análise estrutural [1–3], manutenção de instalações [4–6]
e ambiente. análise [7–10]. No entanto, o maior desafio enfrentado pelos BIMs as-built é a
falta de dados durante o processo de aquisição de dados [11–14]. A aquisição de dados
a assistência manual é demorada, é necessário um método automatizado que possa modelar
todos os elementos, mesmo com pontos de dados ausentes [22].
Vários programas de software disponíveis comercialmente foram desenvolvidos para
auxiliar o processo de modelagem manual para BIMs as-built, como o As-built Modeler de
Faro [23], InfiPoints de Elysium [24] e EdgeWise de ClearEdge3D [25]. Esses programas
fornecem ambientes fáceis de usar para a reconstrução 3D de um BIM as-built e diversas
funções que podem executar com eficiência tarefas repetitivas, trabalhosas e demoradas,

usando a tecnologia de varredura a laser terrestre fornece nuvens de pontos 3D densas e
precisas para estabelecer a geometria da forma dos elementos para um BIM usando métodos
baseados em tempo de voo ou fase [11–16]. Esses dois tipos de método diferem em termos
de velocidade e alcance de aquisição de dados devido às diferenças na geração de pulsos
de laser. No entanto, com ambos os métodos, os dados podem estar faltando devido à
oclusão porque os pulsos de laser são refletidos apenas na superfície do objeto visível ao
scanner a laser, a partir do qual a nuvem de pontos é gerada [17]. Por exemplo, objetos fixos
(ou seja, elementos de construção) e objetos móveis (por exemplo, equipamentos,
trabalhadores e estruturas temporárias) podem bloquear a linha de visão de um scanner a
laser [16,18,19].
como remoção de ruído ou preenchimento de dados de nuvem de pontos ausentes. Por
exemplo, o EdgeWise 5.3.1 mais recente fornece uma função semiautomática para extrair e
modelar fragmentos planares de nuvens de pontos. Neste processo, a classificação planar
de patches requer a intervenção do usuário. No entanto, se o modelo gerado for impreciso,
os elementos de construção errados deverão ser removidos manualmente. Portanto, embora
o software disponível comercialmente possa atualmente automatizar e acelerar alguns
componentes de um BIM as-built usando ferramentas fáceis de usar, a modelagem precisa
de todos os elementos constituintes da construção ainda depende da intervenção do usuário.

Além disso, devido a limitações de acessibilidade, os dados da nuvem de pontos no local
podem ser verificados de forma incompleta [20]. Como a geometria da forma de um elemento
não pode ser modelada sem dados de nuvem de pontos, a precisão de um BIM pode ser
prejudicada por causa dos elementos ausentes, e é necessária assistência manual significativa
para restaurar os dados ausentes [20,21]. Porque
Nos últimos anos, vários estudos propuseram métodos para classificar e modelar
automaticamente os elementos individuais dos edifícios [11,21,22,26–46]. Muitos tentaram
reconhecer elementos individuais comparando informações anteriores do modelo planejado
com dados as-built para gerar automaticamente o BIM as-built que tenha os requisitos
necessários.

* Autor correspondente.
Endereço de e-mail: changwan@cau.ac.kr (C.Kim).

https://doi.org/10.1016/j.autcon.2021.103855 Recebido
em 25 de janeiro de 2021; Recebido de forma revisada em 22 de julho de 2021; Aceito em 26 de julho de 2021.
Disponível online em 2 de agosto de 2021
0926-5805/© 2021 Elsevier BV Todos os direitos reservados.
Machine Translated by Google
H. Kim e C. Kim
formas e informações dos elementos [11,26–32,34,39,44]. Outros estudos tentaram separar
nuvens de pontos usando características geométricas sem informações prévias dos modelos
planejados e classificá-las com base nas características geométricas de cada segmento ou
nas relações contextuais com segmentos circundantes [21,22,33,37,38, 40–43,45–47]. Esses
estudos revelaram que tarefas BIM repetitivas, trabalhosas e demoradas, executadas
manualmente ou usando software disponível comercialmente, podem ser concluídas
automaticamente.
No entanto, a maioria desses estudos não considerou dados faltantes na segmentação
de nuvens de pontos e classificação de elementos. Mesmo nos poucos estudos que
consideraram isso [20], os dados da nuvem de pontos da área entre quaisquer dois elementos
conectados tinham que ser adjacentes, em vez de ausentes, para que um modelo com
informações completas sobre a forma fosse gerado automaticamente. Até onde sabemos, os
métodos atuais para BIMs as-built só podem modelar elementos de construção que são
completamente digitalizados.
O principal objetivo deste estudo é propor um método de modelagem dos elementos de
uma edificação baseado na ligação entre elementos construtivos adjacentes a partir da nuvem
de pontos, mesmo que os dados de algumas partes dos elementos não tenham sido obtidos
devido à oclusão. Em estudos anteriores usando métodos de aprendizagem profunda [48–
50], nuvens de pontos brutos foram usadas representando-as em voxels 3D ou imagens 2D.
Os detalhes da nuvem de pontos original (que são necessários para estimar a conexão entre
elementos adjacentes) não podem ser preservados de forma confiável discretizando uma
nuvem de pontos não organizada em uma grade de voxel 3D regular ou projetando-a em
imagens 2D [51,52]. Portanto, este estudo considerou a utilização de um conjunto de pontos
3D na nuvem de pontos original porque isso não altera a representação da nuvem.
2. Trabalho relacionado
Vários estudos foram realizados para automatizar BIMs 3D as-built
de nuvens de pontos para edifícios [11,21,22,26–46]. Os estudos sobre a automação de
BIMs as-built podem ser categorizados em dois tipos: (1) scan-vs-BIM e (2) scan-to-BIM.
Bosch´e et al. [26,28,29] e Turkan et al. [31,32] compararam nuvens de pontos as-built e
modelos as-planejados e propuseram um método scan-vs-BIM que, assim como acontece
com os BIMs as-built, constrói elementos no mesmo local. Primeiro, a nuvem de pontos
construída é registrada no mesmo sistema de coordenadas do modelo planejado usando o
ponto iterativo mais próximo. A nuvem de pontos construída e o modelo planejado são então
comparados usando métricas de reconhecimento de pontos, e a nuvem de pontos que possui
os mesmos elementos do modelo planejado em um determinado local é identificada.
Em um método proposto por Kim et al. [11] e Filho et al. [30,44], a conectividade
topológica entre os elementos estruturais do BIM planejado é usada para modelar elementos
com localizações diferentes entre a nuvem de pontos construído e o BIM planejado. Embora
este método possa gerar um modelo as-built se as dimensões, localização, direção e forma
do BIM conforme planejado e da nuvem de pontos as-built corresponderem, erros de
reconhecimento ocorrem quando incompatibilidades são observadas. Bosch´e et al. [34,39]
registraram um modelo BIM e nuvens de pontos para as mesmas coordenadas e geraram
nuvens de pontos consistentes com os dados planejados do BIM construído usando o método
scan-vs-BIM. Eles então geraram nuvens de pontos virtuais a partir dos dados BIM planejados.
Ao extrair e combinar as seções transversais circulares da nuvem de pontos real e uma criada
virtualmente, eles criaram um pipeline cuja posição era inconsistente com o BIM planejado
para produzir um BIM construído. Embora o pipeline criado não fosse completamente
consistente com o BIM planejado, a abordagem deles ainda dependia do modelo planejado.
Como o método scan-vs-BIM não pode ser usado sem um modelo de construção
conforme planejado, a abordagem scan-to-BIM [21,22,33,37,38, 40–43,45–47], que pode
reconhecer e elementos de construção de modelo sem um modelo planejado ou um banco
de dados de projeto auxiliado por computador (CAD) 3D foram propostos. Xiong et al. [33]
relataram um método para reconhecer e modelar elementos de construção interna (por
exemplo, paredes, pisos, tetos, janelas e portas) usando nuvens de pontos 3D internas. Deles
2
Automação na Construção 130 (2021) 103855
O método envolveu extrair manchas planares de nuvens de pontos voxelizadas e classificá-
las como elementos de construção com base nas relações contextuais (paralelas ou verticais)
entre as manchas. Eles verificaram as aberturas (por exemplo, janelas e portas) utilizando o
raciocínio de visibilidade para manchas planas classificadas como paredes. Eles então
geraram um modelo 3D dos elementos internos do edifício usando um algoritmo de pintura
3D baseado nas informações da superfície do edifício após restaurar os dados ausentes da
nuvem de pontos.
Valero et al. [42] também propuseram um método para gerar um modelo 3D para os elementos
internos e móveis de um edifício usando uma nuvem de pontos 3D interna. Seu método
envolveu a modelagem de elementos de construção e móveis de interior após a remoção da
nuvem de pontos dos elementos modelados à medida que o processo de modelagem
avançava. Usando os dois valores máximos do histograma Z da nuvem de pontos convertidos
em voxels, eles primeiro reconheceram o teto, o piso e a altura das paredes e colunas. Eles
então reconheceram e modelaram móveis com base no formato da nuvem de pontos restante
em comparação com um banco de dados CAD 3D e informações reconhecidas de identificação
por radiofrequência (RFID).
Este método foi aplicado a elementos individuais (por exemplo, paredes, portas, pisos,
tetos e janelas) que são expressos como uma superfície plana em vez de um modelo
volumétrico em três dimensões, como no exemplo.
método convencional [33,42]. Para isso, é necessário um processo adicional para reconhecer
várias superfícies separadas como um objeto volumétrico [35,36].
Portanto, elementos como paredes são expressos usando informações sobre a proximidade
de elementos vizinhos e formas envolventes de volume [43].
Vários estudos [21,37,38,40,41,43,46] apresentaram um método para representação
volumétrica única que é aplicável apenas à reconstrução de elementos estruturais finos,
como paredes. Por exemplo, Ochmann et al. [21] propuseram um algoritmo que gera um
modelo volumétrico 3D para as paredes que separam cada ambiente, conectando os
segmentos de linha do plano vertical projetado no plano xy na nuvem de pontos 3D interna
e removendo as partes que não correspondem ao plano externo. nuvem de pontos de cada
quarto.
Embora estes métodos possam ser aplicados a elementos largos e finos, como tetos,
pisos e paredes, eles não podem ser aplicados a outros elementos, como colunas e vigas.
Maalek et al. [45,47] propuseram a extração do patch planar apenas de elementos estruturais
da nuvem de pontos de um canteiro de obras e a geração de um modelo volumétrico 3D de
um pilar quando dois planos verticais adjacentes se encontram verticalmente. No entanto, os
dados aplicados consistiam apenas em lajes, pilares e paredes, e os autores não consideraram
um método para distinguir entre pilares e paredes.
Vários estudos [14,16,33,51–58] usaram algoritmos de aprendizagem profunda para
classificar membros estruturais, em vez de usar diretamente recursos geométricos. O
processo de conversão de uma nuvem de pontos em um voxel ou patch planar para entrada
em um modelo de aprendizagem é limitado porque recursos de alta resolução e granulação
fina são difíceis de usar porque requerem memória excessiva [52]. Portanto, um método de
segmentação semântica baseado em aprendizagem profunda foi proposto usando uma
nuvem de pontos como entrada para treinar os modelos de aprendizagem profunda e
classificar os membros aos quais cada ponto pertence (por exemplo, [ 51,52,59]).
Kim et al. [56] aplicaram PointNet para classificar um tabuleiro de ponte, pilar e fundo,
enquanto Kim e Kim [55] aplicaram uma rede neural convolucional de gráfico dinâmico
(DGCNN) para classificar o encontro, laje, pilar, viga, superfície e fundo de uma ponte. A
segmentação semântica apenas facilita a classificação dos membros para cada ponto, e a
segmentação não é realizada para cada instância. Conseqüentemente, foram propostos
métodos de aprendizagem profunda que permitem a segmentação de instâncias [54,57,58].
No entanto, o conjunto de dados Stanford Large-Scale 3D Indoor Spaces (S3DIS) [60] usado
nesses estudos contém nuvens de pontos 3D completas e não possui dados ausentes. Além
disso, a modelagem não é realizada para as instâncias após a segmentação das instâncias.
Chen et al. [53] voxelizaram as nuvens de pontos de um edifício e converteram a
conexão entre cada voxel em uma aresta para o treinamento do perceptron multicamadas e
classificaram as arestas conectadas com voxels segmentados ligados às arestas conectadas
como um segmento. Após classificar a classe à qual o segmento pertencia treinando PointNet
Machine Translated by Google
H. Kim e C. Kim
Dados As-Built
Segmentação
Atualização da rede vizinha
Reconhecimento de 3D
Geometria
Não
Geração de modelo 3D
Todos os objetos modelados
Sim
3D As-Built
Modelo
Figura 1. Método proposto para geração do BIM as-built.
com cada segmento, eles mesclaram os segmentos pertencentes à mesma classe em
uma instância. Ao modelar cada instância, eles reconstruíram um modelo CAD 3D
correspondente à classe de cada instância, pesquisando um banco de dados CAD 3D
pré-armazenado. No entanto, eles não usaram as informações geométricas da nuvem de
pontos incluídas na instância do modelo CAD 3D.
Son e Kim [22] propuseram um método para modelar os elementos estruturais de
uma edificação utilizando a nuvem de pontos de um canteiro de obras. O método pode
separar e modelar completamente o segmento de cada elemento utilizando as
características do contato côncavo e convexo entre os planos de elementos diferentes e
idênticos, respectivamente. A nuvem de pontos é convertida em super voxels e separada
em segmentos para cada elemento com base na concavidade e convexidade. Cada
segmento é classificado como um dos elementos estruturais do edifício extraindo sua
proximidade com outros segmentos, a direção do segmento e o recurso Lalonde de cada
segmento para treinar um modelo de classificação de máquina de vetores de suporte.
Durante a modelagem, a espessura é atribuída aleatoriamente aos elementos com
apenas uma superfície, como tetos e pisos, e a altura de um pilar é calculada e modelada
com base na conectividade entre os elementos, obtida a partir da proximidade entre os
super voxels quando
3
Automação na Construção 130 (2021) 103855
Segmentação Semântica
Segmentação de instância
Extração de patch plano
Objeto modelo 3D com
Plano Suficiente
Objeto modelo 3D com
Plano insuficiente
há oclusão entre o piso e a coluna. Porém, a região ocluída não pode ser modelada
porque a proximidade entre super voxels de diferentes elementos não pode ser
identificada se houver dados faltantes na nuvem de pontos na conexão entre os elementos.
3. Metodologia
Neste estudo, desenvolvemos um método de modelagem automatizado que utiliza a
forma completa de todos os elementos em uma nuvem de pontos com dados faltantes.
Embora um scanner a laser seja usado para garantir a precisão dos dados adquiridos no
edifício, os dados ainda podem estar faltando devido à oclusão ou ao movimento de
objetos durante a aquisição de dados, levando a erros de modelagem [13,16,61–63].
Embora as nuvens de pontos sejam adquiridas de vários locais e registradas como uma
única nuvem de pontos para obter dados de varredura completos, alguns dados
necessários para modelagem podem não estar disponíveis se determinados locais
estiverem inacessíveis [16].
Portanto, no método proposto, utilizamos um modelo de aprendizagem profunda que
permite a segmentação semântica em nível de ponto para rotular cada ponto, incluindo
qualquer ponto com dados faltantes, por classe. Extraímos patches planares usando um
método de crescimento de região com restrição de suavidade com o ponto
Machine Translated by Google
H. Kim e C. Kim
Figura 2. Resultados da segmentação semântica: (a) nuvem de pontos original, (b) resultados da segmentação semântica, (c) resultados da segmentação de instâncias e (d) patches planares para cada
elemento.
biblioteca em nuvem (PCL) [65]. Reconhecemos nuvens de pontos adjacentes com o
mesmo rótulo de um segmento. Em seguida, voxelizamos o patch planar do segmento
classificado por classe na etapa anterior e definimos a proximidade dos voxels enquanto
atualizamos a rede vizinha. Descobrimos as dimensões do elemento após extrair as
características da geometria 3D para cada segmento a partir da proximidade entre
manchas planas e separar cada segmento em elementos individuais. Em seguida,
geramos um modelo do elemento para o qual os dados e a conectividade de todos os
lados foram adquiridos usando modelagem 3D e atualizamos o patch planar e a nuvem
de pontos. Em seguida, geramos o modelo referindo-nos às informações de dimensão do
elemento mais próximo que correspondiam às dimensões extraídas do elemento, mesmo
quando as informações em alguns lados eram insuficientes.
No processo final, aumentamos o tamanho do voxel para toda a nuvem de pontos na
qual o patch planar e para a nuvem de pontos recém-atualizada.
Além disso, repetimos o processo desde a etapa de atualização da rede até que todas as
conexões fossem definidas ou o espaço para o qual o intervalo de busca foi definido fosse
totalmente pesquisado. Isso permitiu a modelagem de elementos para os quais a
proximidade do patch planar não pôde ser definida devido à falta de dados. O método
proposto é uma extensão daquele apresentado em [22], que gera um modelo após
segmentar cada objeto com base na convexidade ou concavidade do canto na conexão
entre os objetos. Porém, no presente estudo, classificamos o objeto ao qual cada ponto
pertencia por meio de segmentação semântica baseada em aprendizagem profunda,
mesmo que os dados nas conexões tenham sido omitidos. Além disso, ao criar os
modelos de malha dos objetos, modelamos a forma completa usando as conexões
mesmo quando partes foram omitidas, o que é idêntico ao procedimento empregado em
[22]. As principais etapas do método proposto estão representadas na Figura 1, enquanto
os detalhes do método proposto são apresentados nas Seções 3.1–3.5.
4
Automação na Construção 130 (2021) 103855
3.1. Segmentação
O estágio de segmentação classifica uma nuvem de pontos com dados ausentes em
classes específicas no nível do ponto e depois separa os segmentos com base no rótulo
classificado. Usamos um algoritmo de aprendizado profundo que pode aprender e rotular
características locais com pontos vizinhos. Vários estudos empregaram algoritmos de
aprendizagem profunda para rotular nuvens de pontos usando características locais com
pontos vizinhos [55,64]. Em seguida, segmentamos a nuvem de pontos rotulada com
base na distância euclidiana. Extraímos um patch planar para entender o relacionamento
com os segmentos vizinhos usando um algoritmo de crescimento de região para cada
segmento.
3.1.1. Segmentação semântica A
segmentação semântica rotula o elemento ao qual cada ponto pertence no nível do
ponto, mesmo que o recurso não possa ser completamente extraído porque as informações
da forma estão incompletas. Adotamos o modelo DGCNN [52] para rotulagem de
elementos componentes em nível de ponto.
O DGCNN não converte uma nuvem de pontos em voxels 3D ou pixels 2D, nem extrai
recursos como manchas planares. Em vez disso, utiliza as informações disponíveis para
cada ponto, como em PointNet em Qi et al. [51], para rotular o elemento com precisão.
Uma vantagem do modelo DGCNN é que ele pode aprender características locais de
pontos vizinhos, ao contrário do PointNet, que aprende a partir do próprio ponto e das
características globais de todos os pontos de entrada, independentemente da ordem dos
pontos de entrada [52]. Atualizamos os 20 pontos vizinhos que tinham a distância
euclidiana mais próxima do ponto alvo com base nas características do ponto, que
variavam para cada camada do modelo. Em seguida, extraímos as características locais
do vetor entre o alvo e os pontos vizinhos. Usamos recursos locais extraídos de múltiplas
camadas junto com recursos globais extraídos da forma de todos os pontos de entrada
Machine Translated by Google
H. Kim e C. Kim
Figura 3. Determinação da proximidade entre os elementos: (a) tamanho do voxel (1×) na primeira rede, (b) tamanho do voxel (2×) na segunda rede e (c) tamanho do voxel (4×) na quarta rede.
independentemente da ordem e das características do ponto para determinar o rótulo do
ponto alvo. A fronteira entre os pontos de diferentes elementos pode ser obtida com
relativa precisão usando este modelo, mesmo que os pontos adjacentes tenham
características de pontos semelhantes [55]. Os detalhes deste modelo podem ser
encontrados em Wang et al. [52].
Convertemos os dados reais de digitalização e o modelo gerado com o Revit v2020
(software BIM da Autodesk™ [66]) em dados de nuvem de pontos e os usamos como
conjunto de dados de treinamento para treinar o DGCNN, como em [64]. Neste estudo
não foram utilizadas as informações de intensidade e cor, que variam dependendo da
iluminação do local e das condições superficiais do elemento. Em vez disso, usamos
apenas as informações das coordenadas xyz para produzir segmentação consistente,
independentemente das condições no local. Ao contrário de uma imagem 2D, uma nuvem
de pontos possui um arranjo irregular no espaço 3D.
Portanto, ele foi dividido em blocos de intervalos regulares e amostramos um certo número
de nuvens de pontos para entrada nos modelos de aprendizado profundo PointNet e
DGCNN.
À medida que o tamanho do bloco aumenta, a densidade da nuvem de pontos de
entrada diminui. Além disso, à medida que aumenta a sobreposição entre os blocos, a
quantidade de aprendizagem aumenta, afetando diretamente a precisão do modelo. Por
esta razão, um modelo DGCNN treinado com tamanho de bloco e sobreposição ideais é
necessário para a classificação ideal de cada ponto. Os dados de treinamento consistiram
em uma nuvem de pontos obtida de nove BIMs (incluindo colunas, vigas/vigas, paredes,
pisos e tetos), um conjunto de dados de varredura real adquirido de um edifício com
estrutura de parede e dois conjuntos de dados de varredura reais adquiridos de uma
estrutura de coluna. Inserimos a nuvem de pontos sem informações de rótulo (Fig. 2a) e
obtivemos os resultados da segmentação semântica rotulada por classe, como teto, pilar,
viga/viga, parede e piso (Fig. 2b).
3.1.2. Segmentação de instância
A segmentação de instância separa uma nuvem de pontos 3D rotulada por classe
em diferentes segmentos usando cluster euclidiano com base na distância entre as
nuvens de pontos para cada classe dentro da nuvem de pontos rotulada.
O limite para agrupamento euclidiano neste estudo foi de 0,1 m. Realizamos a amostragem
no processo de segmentação semântica, ou seja, a supersegmentação não ocorreu
mesmo que utilizássemos um limite inferior a 0,1 m. Instâncias diferentes classificadas
como a mesma classe não estão localizadas adjacentes umas às outras, mas, se uma
viga e uma viga mestra estiverem conectadas a um pilar em direções diferentes, elas
podem estar adjacentes mesmo que sejam instâncias separadas. Portanto, utilizou-se um
limiar inferior à distância mais próxima entre as diferentes vigas e vigas conectadas ao
pilar. Conseqüentemente, separamos nuvens de pontos que não formavam segmentos
contínuos e as expressamos usando cores diferentes, embora tivessem informações de
rótulo para a mesma classe (Fig. 2c). Separamos cada coluna e parede em segmentos
diferentes e dividimos o piso e o teto em segmentos separados para cada parte que
estava conectada
5
Automação na Construção 130 (2021) 103855
para outros segmentos. No entanto, rotulamos as vigas e vigas como do mesmo tipo no
processo de segmentação semântica porque tinham as mesmas características locais no
nível do ponto. Além disso, não os segmentamos na fase de segmentação de instâncias
porque as nuvens de pontos do mesmo rótulo continuaram.
Na Figura 2(c), as vigas verde e vermelha são separadas dos compostos viga-viga
laranja pela nuvem de pontos do pilar e, portanto, são classificadas como segmentos
diferentes. Entretanto, o composto viga-viga laranja, que não está separado de outro
elemento, como o pilar, não é segmentado. Posteriormente, separamos os compostos
viga-viga considerando as características geométricas e conexões (Seção 3.4).
3.1.3. Extração de patches planares usando crescimento de
região Os patches planares necessários para a extração de características
geométricas 3D foram extraídos na próxima etapa. Após a segmentação, extraímos o
patch planar para cada segmento usando o método de crescimento de região com
restrição de suavidade [67], que está disponível no PCL [65]. Neste método, cada
semente é usada para calcular o vetor normal, encontrando os pontos circundantes
usando o algoritmo k-vizinhos mais próximos (KNN). Cada semente é então combinada
com outra semente para a qual a diferença vetorial normal entre as duas é menor que 3ÿ.
Finalmente, cada patch separado com base em um canto com uma diferença vetorial de
3ÿ ou mais forma uma nuvem de pontos contínua no mesmo plano. Os resultados da
segmentação das manchas planas de cada segmento são mostrados na Fig. 2 (d).
Patches planares dentro do mesmo segmento são marcados com a mesma cor.
3.2. Atualização da rede vizinha
A extração de patches planares define a proximidade entre os patches planares de
cada segmento. Nesta etapa, a proximidade entre manchas planares que não estão em
contato direto entre si devido à falta de dados na nuvem de pontos pode ser reconhecida
aumentando o tamanho dos voxels que voxelizam a nuvem de pontos da mancha planar.
Voxelizamos as nuvens de pontos de cada segmento usando o mesmo sistema de
coordenadas usado na primeira etapa para definir a proximidade entre manchas planares.
Consideramos dois segmentos próximos se os voxels das manchas planares de diferentes
segmentos estivessem próximos ou compartilhassem o mesmo voxel. Definimos a
proximidade entre dois patches planares na rede vizinha uma vez identificada a
proximidade entre os patches planares de cada segmento. Porém, aumentamos o
tamanho do voxel em vários estágios porque a proximidade do voxel pode variar com
base no tamanho do voxel do estágio anterior.
Como mostrado na Fig. 3, o tamanho do patch planar no espaço do voxel aumenta à
medida que o tamanho do voxel aumenta. Os voxels aos quais pertencem as diferentes
manchas planares são indicados em azul escuro e vermelho, e os voxels vizinhos
Machine Translated by Google
H. Kim e C. Kim
voxels que verificam a presença de outras manchas planares são indicados em azul claro e laranja
para determinar a proximidade. Nesse processo, os segmentos que não estavam próximos na
primeira rede, que tinha o menor tamanho de voxel (Fig. 3a), estavam próximos na quarta rede, que
tinha um tamanho de voxel quatro vezes maior (Fig. 3c) . ). Roxo indica que os voxels de diferentes
segmentos estão próximos; A Figura 3 (c) mostra que duas manchas planares foram reconhecidas
como próximas na quarta rede. O tamanho do voxel utilizado na primeira rede deste estudo foi de
0,2 m. O processo de atualização da proximidade aumentando o tamanho do voxel utilizando a
abordagem proposta é detalhado na Seção 3.5.
3.3. Reconhecimento de geometria de elemento 3D
Um objeto composto por vários planos possui uma linha cruzada onde os lados se encontram e
vértices onde os três lados se encontram. O plano de cada patch pode ser obtido a partir do patch
planar de cada segmento, do qual a linha do canto e o ponto do vértice podem ser extraídos. Primeiro
extraímos características planares da nuvem de pontos para cada patch planar separado usando o
algoritmo de crescimento de região. Devido à proximidade entre os patches planares, usamos o
recurso de plano extraído para extrair os recursos de linha de canto entre os dois planos. Extraímos
o ponto do vértice onde três patches planares diferentes se encontraram a partir das características
da linha de canto e do patch planar e o salvamos em cada segmento para reconhecer a forma do
elemento individual se pelo menos um dos dois patches planares usados na extração da linha de
canto fosse em contato com outro patch planar. Finalmente, quando extraímos as características de
forma, segmentamos os segmentos compostos das vigas e vigas, que não haviam sido separados
uns dos outros, em elementos individuais com base nas características geométricas 3D extraídas.
3.3.1. Reconhecimento de recursos de geometria de segmento 3D
Esta etapa reconhece e extrai as características geométricas 3D necessárias para modelar cada
segmento. Extraímos os recursos ausentes no local onde as manchas planares se encontravam por
meio das informações das manchas planas de cada segmento e da conectividade com o plano
adjacente.
Extraímos o recurso plano Pl1 do patch planar como a primeira etapa para reconhecer o recurso de
geometria 3D do segmento usando RANSAC. O patch planar Pl1 é definido como
Pli : machado + por + cz + d = 0 (1)
Figura 4. Determinação de (a) volume, altura, largura e direção de uma viga e (b) volume, profundidade, largura e direção de um pilar.
6
Automação na Construção 130 (2021) 103855
onde a, b e c constituem o vetor normal da mancha planar e d é a distância entre a origem e o plano.
Também pudemos extrair as características das linhas de canto entre planos adjacentes porque
a proximidade entre manchas planas foi definida. Extraímos o recurso Cl12 para a linha de canto dos
dois recursos planos Pl1 e Pl2 se os vetores normais n1 e n2 entre dois trechos planares adjacentes
ÿÿ ÿÿ
não fossem paralelos. O recurso de linha de canto pode ser definido como
x ÿ x1 y ÿ y1 z ÿ z1
Cl12 : + + = 0b (2)
a c
onde a, b e c são os vetores de linha reta da linha de canto correspondente e x1, y1 e z1 representam
um ponto arbitrário através do qual a linha de canto passa.
Armazenamos o recurso de linha de canto reconhecido Cl12 em ambos os patches planares Pl1
e Pl2. Os pontos de vértice podem ser obtidos a partir de três feições planas se uma das duas
manchas planas adjacentes que reconhecem a linha de canto for adjacente a outra mancha plana.
O ponto de vértice Vp123 pode ser extraído no local onde o recurso plano Pl3 e o recurso de linha
de canto Cl12 se encontram se Pl1, do qual Cl12 foi extraído devido à sua proximidade com Pl2, for
adjacente a Pl3 e se os vetores normais n1 ÿÿ, n2 ÿÿ, e n3 de cada patch planar não são paralelos.
ÿÿ
O ponto de vértice Vp123 pode ser expresso usando (x, y, z), as coordenadas do vértice
correspondente. Armazenamos as características geométricas 3D do segmento ao qual pertencia o
patch planar correspondente. Reconhecemos todos os segmentos, exceto o composto da viga e da
viga, como elementos individuais, e reconhecemos a forma 3D do elemento correspondente, uma
vez que todas as características do plano, características da linha de canto e pontos de vértice
foram extraídos de cada segmento. A segunda etapa para reconhecer elementos individuais é
separar as características geométricas 3D reconhecidas nos elementos compostos em múltiplas
vigas e vigas e, em seguida, reconhecer a forma 3D de cada viga e viga.
3.3.2. Reconhecimento de elementos de viga e viga
Usamos a relação adjacente entre as manchas planas e o vetor normal da característica plana
como critério para separar cada viga e viga. Na composição de uma viga e viga formando um
segmento, reconhecemos um remendo plano com o eixo z como o vetor normal como um piso, e
reconhecemos remendos planos que eram ortogonais ao plano do piso como paredes de viga e viga.
Se manchas planas adjacentes entre aquelas reconhecidas como paredes de vigas e vigas tivessem
a mesma normalidade
Machine Translated by Google
H. Kim e C. Kim
Figura 5. Encontrando o tipo de dimensão do pilar mais próximo.
vetor, separamos o patch planar correspondente e o recurso plano, o recurso de
linha de canto e o ponto de vértice do patch planar como elementos
independentes. Elementos independentes podem ser categorizados em vigas e
vigas usando conectividade, conforme mostrado em Nguyen et al. [68].
Classificamos os elementos individuais apoiados por dois elementos verticais,
como colunas ou paredes, como vigas, e classificamos os elementos individuais
apoiados por vigas em ambas as extremidades como vigas [69].
3.4. Geração de modelo 3D
O princípio básico da geração de modelos 3D é que o mesmo tipo de
dimensão seja repetidamente utilizado para compor os elementos construtivos.
Portanto, elementos com dados faltantes podem ser modelados referindo-se a
elementos vizinhos do mesmo tipo. Primeiro, realizamos modelagem para
elementos digitalizados em todos os lados. Extraímos informações sobre a largura,
Figura 6. Modelagem de colunas com dados faltantes: colunas com (a) três lados conhecidos e (b) dois lados conhecidos.
7
Automação na Construção 130 (2021) 103855
profundidade e direção do elemento durante a modelagem, e extraímos
informações sobre a altura da distância entre cada ponto do vértice.
Armazenamos esses dados como o tipo de dimensão da classe específica do
elemento. Em seguida, extraímos informações sobre a direção e fragmentos de
dimensões disponíveis nas manchas planas e pontos de vértice de elementos
não modelados. Comparamos isso com o tipo de dimensão do elemento mais
próximo dentre os elementos modelados para encontrar um tipo de dimensão
que correspondesse às informações fragmentárias extraídas e complementamos
as informações ausentes do tipo de dimensão correspondente para modelagem.
Finalmente, conduzimos a modelagem criando manchas planares e pontos de
vértice para os quais os dados de varredura não foram obtidos e produzindo
nuvens de pontos pintadas para as manchas planares recém-criadas após
complementar as informações necessárias.
Machine Translated by Google
H. Kim e C. Kim
7. Atualização da rede: (a) primeira rede vizinha, (b) extensão da coluna à medida que o tamanho do voxel aumenta na segunda rede, (c) extensão do feixe à medida que o
tamanho do voxel aumenta na quarta rede e (d) o final resultado.
3.4.1. Modelagem 3D com planos suficientes A
etapa final na atualização iterativa da rede é a modelagem 3D. Esta modelagem pode
ser realizada com base nos recursos de geometria 3D reconhecidos para cada elemento.
Foram considerados dois casos neste estudo: elementos com todas as faces digitalizadas
e elementos com uma ou mais faces não digitalizadas.
Só poderíamos modelar um elemento digitalizado em todos os lados com os recursos de
geometria 3D reconhecidos. Se o elemento fosse teto ou piso, adquirimos dados apenas
de um lado devido às características de aquisição de dados por varredura a laser. Em
seguida, geramos um modelo usando as informações de contorno do remendo planar,
extraído usando o casco côncavo, e uma espessura padrão de 200 mm porque não
estava em contato com nenhum outro remendo planar. Para paredes, só foi possível
realizar a modelagem com pontos de vértice reconhecidos quando todos os lados foram
escaneados. Para vigas e pilares, só foi possível realizar a modelagem com oito pontos
de vértice formando um paralelepípedo retangular quando todos os lados foram
escaneados.
Conforme ilustrado na Figura 4 (a), definimos a altura, largura e direção do ponto vértice
e armazenamos isso como o tipo de dimensão para vigas.
Também armazenamos largura, profundidade e direção como o tipo de dimensão e os
usamos para modelar colunas (Fig. 4b).
3.4.2. Modelagem 3D com planos insuficientes
Elementos com dados laterais ausentes requerem informações de ponto de vértice
previamente reconhecidas e informações adicionais sobre o tipo de dimensão para
referência. Determinamos as informações de largura das paredes extraindo as
coordenadas de ambas as extremidades das informações do ponto de vértice anterior ou
da nuvem de pontos e gerando o modelo usando a mesma espessura padrão de 200 mm
do piso e do teto devido à falta de dados de referência. Para os pilares e vigas, buscamos
a partir do elemento mais próximo para encontrar o elemento que correspondesse à
informação fragmentária extraída do ponto vértice do elemento que não foi modelado,
conforme mostrado na Fig . identificou a direção dos fragmentos planos obtidos do
elemento com dados laterais faltantes (Fig. 6) e conduziu uma comparação
8
Automação na Construção 130 (2021) 103855
até que um elemento com as mesmas dimensões seja encontrado após combinar a
direção com as informações de tipo de dimensão armazenadas. Além disso, como a
coluna tinha quatro pontos de vértice, se houvesse três manchas planas, adicionamos
novos pontos de vértice com base na distância de elementos do mesmo tipo de dimensão
com a mesma largura ou profundidade entre os pontos de vértice até o plano oposto.
remendo com base na direção, conforme ilustrado na Fig. 6 (a).
Se houvesse duas manchas planas, definimos a direção usando os dois pontos de
vértice e o ponto central da mancha plana. A Figura 6(b) mostra que adicionamos seis
novos pontos de vértice com informações de largura e profundidade para elementos que
tinham a mesma direção. Para o vetor utilizado para calcular a direção da coluna,
comparamos duas manchas planares ortogonais e selecionamos o vetor normal da
mancha planar que tinha uma distância menor do ponto do vértice ao ponto central. A
razão pela qual usamos o ponto central ao medir o comprimento de cada mancha planar
é que o efeito do ruído é mais fraco quando o valor central é usado nas coordenadas xy
da nuvem de pontos incluída na mancha planar do que quando um ponto na nuvem de
pontos que pertence ao patch planar é selecionado. 6 , azul indica as dimensões já
extraídas, enquanto os pontos de vértice e manchas planas mostrados em vermelho
indicam as informações de dimensão recém-adicionadas e recursos geométricos 3D,
respectivamente. Para uma viga, usamos um vetor de direção perpendicular aos dois
vetores normais do piso e o outro trecho planar como a direção da viga quando faltavam
dados de um lado. Podemos adicionar os quatro pontos de vértice opostos usando as
informações de profundidade das informações de dimensão do elemento mais próximo
que tem a mesma direção e altura, porque podemos extrair a altura da distância entre o
trecho plano adjacente do teto e o plano do piso. pedaço da viga. Assim, podemos
modelar elementos com oito pontos de vértice, incluindo os pontos de vértice
recentemente reabastecidos. Porém, se não pudermos definir a proximidade do elemento
com o patch planar do elemento vizinho e não pudermos extrair o ponto do vértice, a
modelagem não será possível.
Machine Translated by Google
H. Kim e C. Kim
8. Dados de treinamento: nuvens de pontos sintéticas geradas a partir de (a) BIM_1, (b) BIM_2, (c) BIM_3 e (d) BIM_4.
3.4.3. Geração de nuvens de pontos de objetos com planos insuficientes
Nesta etapa, geramos uma nuvem de pontos no lado onde a varredura não foi
realizada para que os elementos que não pudemos modelar devido a manchas planares
adjacentes insuficientes pudessem ser usados para identificar as manchas planares
adjacentes. Se um novo patch planar foi formado (Fig. 6) usando os pontos de vértice
recém-gerados durante a modelagem de vigas e colunas com dados laterais ausentes,
sintetizamos os pontos no patch planar usando amostragem aleatória. Portanto,
sintetizamos mais pontos na mancha planar em uma proporção aleatória quando a
distância entre os quatro pontos aumentou e geramos uma nuvem de pontos
correspondente à área da mancha planar. Adicionamos o patch planar recém-gerado e a
nuvem de pontos a cada elemento para redefinir a proximidade.
3.5. Atualizações de rede
Atualizamos a proximidade até definirmos e modelarmos a proximidade de todos os
elementos reconhecidos do processo ou até que o tamanho dos voxels usados para
encontrar a proximidade excedesse a metade do comprimento total da região de dados.
Repetimos a atualização da próxima rede com base no patch planar e na nuvem de
pontos recém-gerados. Os elementos que não pudemos modelar devido à falta de
manchas planares adjacentes na primeira rede vizinha estão marcados em verde na Fig .
Expressamos a proximidade de cada elemento pelo nó circular e o nome de cada
elemento, e expressamos a proximidade na rede como informação de borda. Usamos um
tamanho de voxel maior para reconhecer a proximidade entre manchas planares que
apresentavam um amplo espaçamento entre nuvens de pontos devido à falta de dados.
Poderíamos definir a proximidade com o patch planar recém-gerado porque realizamos o
processo de pintura interna no lado cada vez que realizamos a modelagem, mesmo que
não tenhamos reconhecido a proximidade porque não escaneamos o próprio lado
adjacente. O tamanho do voxel aumentou em múltiplos do tamanho do primeiro voxel a
cada atualização da rede.
O tamanho do voxel da primeira rede pode ser definido com base em um valor inferior ao
intervalo ou intervalo mais estreito entre os membros existentes no local.
Usar um valor inferior ao tamanho do voxel da primeira rede não reduz a precisão, mas o
tempo de processamento pode aumentar à medida que o número de
9
Automação na Construção 130 (2021) 103855
as atualizações de rede aumentam. No entanto, o uso de valores grandes para o tamanho
do voxel da primeira rede pode reduzir a precisão, retornando falsas relações de
conectividade.
Atualizamos a rede realocando o patch planar adjacente do elemento não modelado
e aumentando o tamanho do voxel até que pudéssemos extrair o ponto do vértice. Para
um patch planar no qual não conseguimos reconhecer a proximidade devido à falta de
dados, extraímos a linha cruzada e o ponto do vértice com o plano adjacente recém-
atualizado à medida que o tamanho do voxel aumentava. Também poderíamos modelar
elementos que não havíamos modelado anteriormente com base nos pontos de vértice
recém-extraídos e nas informações de dimensão dos elementos vizinhos modelados.
Uma coluna modelada pela extração das características da geometria 3D usando a
proximidade entre os patches planares recém-atualizados é apresentada na Fig .
Adicionamos o patch planar recém-gerado e a nuvem de pontos pintada para cada
elemento enquanto redefinimos a proximidade. Também voxelizamos o patch planar
adicionado e a nuvem de pontos para um tamanho maior na próxima rede e atualizamos
e modelamos a proximidade apenas para elementos com informações de proximidade
ausentes (Fig. 7c). Repetimos esse processo até modelarmos todos os elementos e
podermos reconhecer completamente todas as entidades (Fig. 7d). Entretanto, se as
nuvens de pontos de pelo menos dois lados não estivessem disponíveis, não poderíamos
criar o modelo porque não poderíamos extrair as características de forma necessárias
para a modelagem.
4. Resultados
Dividimos o conjunto de dados em três grupos para treinamento, validação e teste
para avaliar o desempenho do método proposto. No conjunto de dados de treinamento,
usamos nuvens de pontos sintéticas criadas a partir de dados BIM em quatro etapas. Na
primeira etapa, realizamos a modelagem 3D da construção utilizando o Revit e depois
convertemos os arquivos do formato Revit (.rvt) para o formato Industry Foundation Class
(.ifc). Segundo, importamos os arquivos ifc usando o SketchUp e os convertemos em
arquivos no formato obj (.obj) para cada classe (viga/viga, teto, coluna, piso e parede).
Terceiro, realizamos amostragem e rotulagem de nuvens de pontos a partir da malha dos
arquivos obj para cada classe usando CloudCompare. Quarto, convertemos o ponto
Machine Translated by Google
H. Kim e C. Kim
9. Dados de validação: nuvens de pontos de (a) Visualização 1 e (b) Visualização 2.
10. Dados de teste: (a) nuvens de pontos do site A, (b) nuvens de pontos do site B, (c) dados ausentes do site A causados por uma varredura incompleta devido a limitações de acessibilidade e (d) dados
ausentes do site B devido a oclusão.
nuvem para voxels de 0,02 m, e excluímos a nuvem de pontos de voxels contendo dois
ou mais objetos, independentemente do tipo de objeto, para remover nuvens de pontos
para as posições onde nenhum objeto estava visível. Usando esse processo, geramos
65.090.677 nuvens de pontos sintéticas a partir de nove pontos de dados BIM; nenhum
dado estava faltando porque nenhum outro objeto causou oclusão além da própria
estrutura do edifício.
Os dados sintéticos não passaram por um processo de rotulagem separado e
atribuímos rótulos às nuvens de pontos amostradas do arquivo obj para cada classe. O
comprimento do eixo x para os dados BIM foi de 25 a 91 m, e o do eixo y foi de 14 a 76
m. Usamos apenas as coordenadas xyz para as características de cada ponto. A Figura
8 apresenta exemplos de nuvens de pontos sintéticas. Os dados de treinamento incluíram
336 vigas, 220 vigas, 319 paredes e 401 pilares.
Adquirimos as nuvens de pontos para os dados de validação dos locais de construção
da estrutura usando o Scan Station C10 (Leica Geosystems). Nós definimos o
10
Automação na Construção 130 (2021) 103855
resolução do Scan Station C10 para média (espaçamentos horizontal e vertical de 0,1 m
a uma distância de 100 m). Em seguida, registramos os dados de varredura adquiridos
no mesmo sistema de coordenadas usando Cyclone (Leica Geosystems). Realizamos
manualmente a rotulagem de nuvem de pontos para cada elemento usando ReCap
v2020 (Autodesk [70]). Ao contrário dos dados sintéticos, faltavam dados neste conjunto,
caso em que utilizamos apenas as coordenadas xyz como características para cada
nuvem de pontos. Adquirimos um total de 15.196.637 nuvens de pontos em 40 posições
de varredura para locais com tamanho de 47 m no eixo x e 34 m no eixo y. Usamos os
dados de validação como dados de teste no estágio de otimização de parâmetros e como
dados de treinamento no estágio de teste real para treinar o modelo com os dados
sintéticos. A Figura 9 exibe as nuvens de pontos adquiridas dos dados de validação em
dois momentos diferentes. Os dados de validação incluíram 29 vigas, 33 vigas, 16
paredes e 18 pilares.
As nuvens de pontos dos dados de teste adquiridos usando o Scan Station C10
Machine Translated by Google

H. Kim e C. Kim Automação na Construção 130 (2021) 103855

Tabela 1 A Tabela 1 lista o número e a porcentagem de elementos com dados faltantes para as nuvens de
Porcentagem de elementos com dados faltantes. pontos derivadas dos dois locais.
Teste Elementos Elementos Elementos Os resultados para segmentação semântica e de instância são apresentados na Figura 11.
site escaneados de forma incompletadigitalizados com Elementos totais Com base no método utilizado por Ma et al. [64], treinamos o DGCNN [52] usando os dados de
completamente digitalizados oclusão
validação para uma localização de um site de quadro real e os dados de nuvem de pontos
Local A 42 (33%) 80 (63%) 4 (3%) 126 extraídos dos nove conjuntos de dados BIM; usamos então o DGCNN para segmentação
(100%) semântica. Comparamos o DGCNN com o PointNet para confirmar sua adequação como modelo
Local B 12 (39%) 17 (55%) 2 (6%) 31 (100%)
de classificação de elementos. Tal como acontece com o DGCNN, o PointNet usa uma nuvem de
pontos como entrada, mas o desempenho melhora quando aplicamos o DGCNN porque o PointNet
não usa recursos locais, mas classifica os elementos com base em seus
do chão nos Locais A e B são apresentados na Fig. 10 (a) e (b), respectivamente. As linhas
pontilhadas amarelas indicam as regiões onde faltavam dados. Realizamos varredura a laser em
categoria nos dados do ponto. Figos. 11(a) e (b) ilustram que o PointNet não classifica corretamente
16 posições no Local A com tamanho de 58 m no eixo x e 41 m no eixo y e adquirimos 21.370.234
os pontos correspondentes a elementos verticais, como paredes e colunas.
nuvens de pontos. Também adquirimos 5.698.739 nuvens de pontos de 15 posições de varredura
no Local B com tamanho de 24 m no eixo x e 6 m no eixo y. Registramos e rotulamos cada nuvem
Em contraste, as Figs. 11 (c) e (d) ilustram que o DGCNN pode classificar com precisão
de pontos de varredura usando Cyclone (Leica Geosystems) e ReCap (Autodesk [70]) da mesma
cada ponto em um elemento vertical. Segmentamos a nuvem de pontos 3D em piso, teto, vigas e
forma que os dados de validação. Embora houvesse diferenças no número total de nuvens de
vigas, colunas e paredes e removemos os pontos restantes. As nuvens de pontos dos segmentos
pontos e no tamanho do local, usamos a mesma densidade porque empregamos um processo de
de acordo com o tipo de elemento são exibidas em cores diferentes na Figura 11.
amostragem que dividiu os dados no mesmo tamanho de bloco e extraiu o mesmo número de
nuvens de pontos para inserir nas profundezas. modelo de aprendizagem no processo de
Avaliamos quantitativamente o desempenho da segmentação semântica medindo a precisão
segmentação semântica na Seção 3.1.1. Usamos apenas as coordenadas xyz para as nuvens de
da rotulagem de cada ponto na nuvem de pontos. Os resultados demonstram que podemos
pontos adquiridas. Os elementos digitalizados incluíram 43 vigas, 17 vigas, 24 colunas e 7 paredes
classificar a semântica funcional do segmento ao qual cada ponto pertence no nível do ponto,
no Local A e 8 vigas, 2 colunas e 11 paredes no Local B.
mesmo quando faltam dados. Alta precisão é essencial porque o método proposto extrai e modela
as características geométricas 3D dos segmentos através da conectividade entre elementos
classificados com base na nuvem de pontos rotulada.

Figos. 10 (c) e (d) exibem regiões onde os dados estavam faltando nas nuvens de pontos nos
Usamos recall, precisão e interseção sobre união (IoU) como indicadores para avaliar
Locais A e B, respectivamente. Os dados ausentes podem ser classificados em dois tipos. A
quantitativamente o desempenho de classificação precisa das nuvens de pontos para cada
Figura 10(c) apresenta dados faltantes causados por uma varredura incompleta devido à
elemento. A recuperação representa o número de pontos rotulados com precisão entre os pontos
acessibilidade limitada, enquanto a Figura 10(d) mostra dados faltantes causados por oclusão
pertencentes ao
devido à presença de um pipeline.

11. Resultados da segmentação semântica: (a) resultados PointNet para o Site A, (b) resultados PointNet para o Site B, (c) resultados DGCNN para o Site A e (d) resultados DGCNN para o Site B.

11
Machine Translated by Google

H. Kim e C. Kim Automação na Construção 130 (2021) 103855

Tabela 2
Otimização de parâmetros para o DGCNN. (3)
Lembre-se = ÿN (TPi/ (TPi + FPi))
Tamanho do bloco eu=1
Proporção de sobreposição

50% 66,67% 75% 80% 90%

1,0m 94,68% 93,27% 96,16% 94,27% 92,36% Precisão = ÿN (TPi/ (TPi + FNi)) (4)
1,5m 84,82% 82,48% 88,17% 87,21% 87,66% eu=1

2,0m 89,68% 93,67% 87,63% 92,99% 92,25%

2,5 metros 72,16% 70,83% 76,30% 66,30% 54,51%
3,0m 69,55% 89,65% 86,54% 88,24% 31,03% IoU = ÿN (TPi/ (TPi + FPi + FNi)) (5)
eu=1

onde N é o número de tipos de elementos, TP (verdadeiro positivo) é o

Tabela 3
número de pontos para os quais os rótulos reais e derivados correspondem,
Desempenho do PointNet e do DGCNN em termos de segmentação semântica. FP (falso positivo) é o número de pontos que são falsamente previstos como
PontoNet DGCNN pertencentes ao rótulo correspondente , e FN (falso negativo) é o número de
Elemento Lembrar IoU de precisão Lembrar IoU de precisão pontos do elemento correspondente derivado de outros rótulos.
Otimizamos o tamanho e a sobreposição dos blocos inseridos no DGCNN usando
Teto 97,58% 99,62% 97,22% 99,45% 99,25% 98,71%
Coluna 64,38% 86,66% 58,58% 90,35% 95,97% 87,05%
uma pesquisa em grade. O tamanho do bloco variou de 1,0 a 3 m em intervalos de 0,5 m.
Chão 99,73% 99,41% 99,14% 99,82% 99,94% 99,76% Definimos um valor mínimo de 1 m com base na possibilidade de o tamanho dos pilares
Parede 61,57% 31,79% 26,53% 96,35% 91,24% 88,19% no canteiro de obras ser incluído em uma caixa. Isso ocorre porque se usarmos uma
Feixe/ 97,81% 95,51% 93,51% 98,14% 98,65% 96,85%
caixa menor que as colunas, elas não poderão ser distinguidas da parede se o canto da
Viga
coluna não estiver incluído na caixa. A quantidade de dados de treinamento aumenta à
medida que aumenta o grau de sobreposição com blocos adjacentes. A Tabela 2
classe pertinente, a precisão representa o número de pontos rotulados apresenta a precisão para cada parâmetro DGCNN. Alcançamos a maior precisão com
com precisão entre os pontos previstos como a classe pertinente, e um tamanho de bloco de 1 m e uma sobreposição de 75%. Conforme apresentado na
IoU representa a interseção entre os rótulos reais e derivados divididos Tabela 3, os resultados da segmentação semântica para o DGCNN para todos os
pela união. Esses parâmetros são calculados da seguinte forma: elementos exibiram maior precisão do que aqueles para PointNet. Além disso, o IoU para
todos os

Figura 12. Resultados de segmentação de instância para (a) Site A e (b) Site B.

13. Fusão de dados de nuvem de pontos para os elementos de parede: (a) segmento de parede antes da segmentação da instância e (b) segmento de parede após a segmentação da instância.

12
Machine Translated by Google
H. Kim e C. Kim
14. Geração de redes de patches planares para segmentos: (a) patches planares, (b) rede vizinha entre patches planares, (c) resultados para um segmento viga-
viga e (d) rede vizinha entre elementos.
elementos, exceto as paredes e as colunas, ultrapassaram 95%, o que é suficientemente
preciso para classificar cada elemento.
Os resultados obtidos para a separação em unidades de segmento utilizando
agrupamento euclidiano para as nuvens de pontos de cada elemento são exibidos em
cores diferentes nas Figs. 12(a) e (b). Como a parede apresentava baixa precisão na
segmentação semântica, a rotulagem amarela da parede fundiu-se com a rotulagem azul
escura da coluna (Fig. 13a). Isso se deve às características do algoritmo DGCNN, que
classifica as nuvens de pontos em unidades de blocos de colunas quadradas; portanto,
não conseguimos distinguir as características locais dos pontos nos cantos da parede e
dos pilares com pontos vizinhos.
A Figura 13(a) ilustra um elemento classificado como parede a partir dos resultados
da segmentação semântica. Algumas das nuvens de pontos da parede são mal
interpretadas como colunas porque, quando incluímos parte do canto da parede ou do
canto da coluna na entrada do bloco para o modelo, não foi possível distingui-los.
Portanto, se uma nuvem de pontos classificada como coluna após segmentação
semântica for conectada a uma nuvem de pontos classificada como parede, a primeira
nuvem de pontos será percebida como um canto de parede em vez de um canto de
coluna. A Figura 13(b) apresenta o segmento reclassificado como parede. Dividimos os
segmentos do Local A em 20 vigas, 6 vigas e complexos de vigas, 24 pilares, 7 paredes,
34 lajes de teto e 1 laje de piso. O local B tinha 8 vigas, 12 paredes, 2 colunas, 9 lajes de
teto e 1 laje de piso. Para os demais elementos, embora os tenhamos separado como
segmentos independentes, tratamos as nuvens de pontos contínuos da viga e da viga
mestra como uma só.
13
Automação na Construção 130 (2021) 103855
segmento. Portanto, realizamos uma subdivisão para separar cada viga e viga usando
sua conectividade com outros elementos durante o reconhecimento da forma 3D.
A Figura 14 ilustra a separação dos patches planares para cada segmento usando o
algoritmo de crescimento de região e a definição da proximidade entre os patches
planares dentro da rede. Cada patch planar é exibido em uma cor diferente na Fig. 14 (a).
Definimos a proximidade entre manchas planares usando a proximidade entre os voxels
de cada mancha planar (Fig. 14b). Os resultados da segmentação das vigas e longarinas
são apresentados na Figura 14(c). Reconhecemos cada segmento como uma unidade
de elemento individual e incluímos a proximidade entre os elementos aos quais cada
remendo planar pertencia em diferentes vigas e vigas (Fig. 14d). Consequentemente,
separamos os seis compostos de viga e viga em 17 vigas e 23 vigas.
Após a geração da rede vizinha, foi possível realizar a modelagem, pois conseguimos
extrair um número suficiente de pontos de vértices para os elementos com dados faltantes
após passar por um processo de reconhecimento de geometria 3D. No entanto, para os
patches planares para elementos com dados faltantes devido à oclusão ou inacessibilidade
de digitalização, não pudemos criar um modelo porque não conseguimos extrair um
número suficiente de
pontos de vértice da rede vizinha.
Neste estudo, propusemos um método de modelagem que considera dados faltantes.
A Figura 15 mostra o processo de modelagem para elementos onde faltavam dados. Na
Fig. 15 (a), as áreas vermelhas representam modelos de coluna
Machine Translated by Google

H. Kim e C. Kim Automação na Construção 130 (2021) 103855

15. Modelagem 3D de objetos com planos insuficientes: (a) pilares com planos insuficientes antes da modelagem, (b) pilares com planos insuficientes após a modelagem, (c) vigas/vigas com planos
insuficientes antes da modelagem, e (d) vigas/vigas vigas com planos insuficientes após a modelagem.

incluído. A Figura 16(b) representa nuvens de pontos classificadas usando o DGCNN.

Tabela 4
As nuvens de pontos são apresentadas em azul para o teto, laranja para a viga/viga e azul
Desempenho da modelagem com e sem consideração de dados faltantes.
marinho para o pilar. A Figura 16(c) apresenta resultados nos quais cada ponto classificado
Procedimento Elemento é dividido em manchas planares através do crescimento da região baseada em xyz , e a

Teto Coluna Chão Parede Feixe/ Figura 16(d) exibe os resultados de modelagem para o feixe, que incluem uma mancha
Viga plana amarela onde ocorreram dados faltantes durante o processo de atualização da rede.

Modelagem sem 100% 42% (26/11) 100% 94% 71% Após o processo de modelagem, conseguimos criar um modelo de feixe preciso, mesmo
considerar (43/43) (2/2) (48/68) para a região onde faltavam dados.
dados faltantes
Modelagem 100% 100% 100% 100%
A etapa final do método proposto foi a modelagem volumétrica 3D.
considerando (43/43) (26/26) (2/2) (68/68)
Modelamos pilares, vigas e vigas com formato retangular de paralelepípedos a partir dos
dados faltantes (17/18) 94% (17/18)
pontos dos vértices entre as características 3D reconhecidas para cada elemento.
Modelamos o teto e o piso com espessura padrão de 200 mm porque obtivemos a nuvem
criado com base em um número suficiente de pontos de vértice reconhecidos, e as áreas de pontos apenas de um lado durante a aquisição dos dados. Os pilares, vigas e vigas,
amarelas representam nuvens de pontos para colunas para as quais não criamos um paredes, teto e piso são exibidos em azul, laranja, amarelo, azul escuro e verde,
modelo. Na Figura 15(b), os modelos de colunas criados usando o método de modelagem respectivamente, nas Figs. 17(a) e (b). Além disso, cada elemento é exibido em cores
que considera dados faltantes são apresentados em amarelo. Na Figura 15 (c), as áreas diferentes porque os modelamos separadamente (Figs. 17c e d).
verdes representam os modelos de vigas/vigas criados com base em um número suficiente
de pontos de vértices reconhecidos, enquanto a Figura 15 (d) representa os modelos de
vigas e vigas criados usando o método de modelagem que considera dados faltantes . Avaliamos o desempenho de reconhecimento e modelagem de cada elemento medindo
quantitativamente a precisão do reconhecimento de cada elemento e modelando
A Tabela 4 lista o desempenho de reconhecimento para cada elemento reconhecido corretamente a forma 3D. Os resultados do reconhecimento para cada elemento segmentado
nos dois locais de teste antes e depois de modelar os elementos com dados faltantes. confirmaram que o método proposto pode ser empregado para criar modelos geométricos
Criamos os modelos de teto, piso e parede usando apenas nuvens de pontos. No entanto, de cada elemento e para modelagem que inclua semântica funcional. Ele gera um modelo
como modelamos os pilares e vigas/vigas com base nos pontos dos vértices onde as barras as-built para todos os elementos que precisam ser modelados, mesmo para nuvens de
estavam conectadas, criamos 13 e 20 modelos adicionais, respectivamente, após a revisão pontos com dados faltantes. A alta precisão é essencial porque conduzimos experimentos
em elementos estruturais neste estudo. Comparamos o reconhecimento, a taxa de
processo. recuperação e o número de iterações de modelagem para cada elemento com o número
A Figura 16 apresenta o processo de modelagem para um elemento de dados faltantes. total do elemento correspondente para avaliar o desempenho de reconhecimento de cada
A Figura 16(a) apresenta os dados faltantes para um feixe no processo de aquisição de elemento individual. O desempenho de reconhecimento e modelagem para elementos
dados. O modelo DGCNN, que utiliza nuvens de pontos como entrada para aprender e individuais está resumido na Tabela 5. O reconhecimento de elemento individual e
classificar feições locais com pontos vizinhos, classifica com precisão os elementos aos desempenho de modelagem para cada
quais cada ponto pertence, mesmo que os dados faltantes sejam

14
Machine Translated by Google
H. Kim e C. Kim
16. Modelagem 3D com área de nuvem de pontos onde faltam dados: (a) nuvem de pontos original, (b) resultados de segmentação semântica, (c) resultados de crescimento de região e (d)
resultados de modelagem de feixe com dados faltantes.
elemento foi de 99%, demonstrando que o reconhecimento e modelagem precisos de
elementos podem ser realizados. A Tabela 6 apresenta uma matriz de confusão para os
elementos reconhecidos. Um objeto de parede foi classificado incorretamente como
coluna, mas, como o segmento de parede não tinha pontos de vértice suficientes para a
coluna, não foi possível criar o modelo.
Após reconhecer a entidade de cada elemento, conduzimos a modelagem utilizando
os patches planares da entidade e informações de forma 3D extraídas da rede vizinha. O
único objeto de parede que não reconhecemos no Local B foi reconhecido como um
objeto de coluna no meio da parede. No entanto, não pudemos criar o modelo porque as
informações de forma necessárias para a modelagem eram insuficientes. Além disso, a
relação de ligação entre as paredes não foi reconhecida; portanto, não foi identificado
como uma parede única. Houve também o problema de uma parede ser reconhecida
como duas paredes insuficientes quando não conseguimos obter dados suficientes para
identificar a forma durante a aquisição de dados de nuvem de pontos. Criamos um modelo
para elementos que continha até mesmo a menor quantidade de dados para compreender
a forma.
A Tabela 7 apresenta a precisão do modelo 3D calculado para cada elemento. As
quatro medidas de desempenho a seguir foram utilizadas para quantificar a precisão do
modelo gerado: • ÿ: o erro de ajuste do plano, que é
o erro médio absoluto do
pontos correspondentes ao patch planar do elemento extraído;
• ÿ: o erro de orientação do plano, que é o ângulo entre o
extraiu os vetores normais do patch planar e a verdade básica;
• dw, dh e dd: erros de largura e profundidade do pilar e erros de altura e largura de
vigas e vigas, que representam as diferenças entre o valor real e as dimensões calculadas.
Os resultados de ÿ para os pilares e vigas/vigas indicaram que estes apresentaram
alta precisão de aproximadamente 2 mm, enquanto ÿ foi de aproximadamente 1ÿ. O erro
absoluto médio variou de 3,5 a 14,7 mm. A razão para o grande número de erros nas
vigas/vigas foi que não conseguimos obter dados de nuvem de pontos de alguns lados
do objeto; como resultado, as dimensões de cada objeto não eram completamente
idênticas quando
15
Automação na Construção 130 (2021) 103855
obteve informações de dimensão para um objeto vizinho. Alguns dos erros medidos
também ocorreram porque o plano do elemento real não era completamente plano.
5. Conclusão
Neste estudo, apresentamos um método para modelar todos os elementos de uma
edificação utilizando a conectividade entre os elementos, mesmo com dados de nuvem
de pontos que possuem pontos de dados faltantes. Empregamos o DGCNN, um algoritmo
de aprendizado profundo de segmentação semântica que aprende características locais
de pontos vizinhos, no método proposto para classificar a nuvem de pontos por elemento
e separá-la por segmento usando agrupamento euclidiano. Entretanto, a nuvem de pontos
não poderia ser completamente adquirida se os segmentos adjacentes estivessem
ocluídos ou inacessíveis. Portanto, reconhecemos a forma geométrica 3D de elementos
individuais através da rede vizinha atualizada sequencialmente entre manchas planas
com base na distância ao segmento largo. Com base na forma geométrica 3D reconhecida,
os elementos sem pontos de dados perdidos foram primeiramente modelados. Em
seguida, geramos um modelo volumétrico correto para cada elemento com dados faltantes
de nuvem de pontos, referindo-nos às dimensões dos elementos modelados anteriormente.
Usamos um algoritmo de aprendizado profundo para classificar e segmentar os
elementos no nível do ponto. Propusemos um método para geração de um modelo as-
built na nuvem de pontos com dados faltantes através da conectividade entre elementos
com base na classe estendida do elemento a ser treinado. Avaliamos o desempenho do
método proposto usando dados de varredura a laser adquiridos em um canteiro de obras.
Os resultados experimentais confirmaram que o método proposto pode reconhecer e
modelar completamente elementos estruturais individuais sem a necessidade de uma
avaliação.
BIM planejado. O modelo as-built gerado pode ser usado com software BIM disponível
comercialmente porque inclui informações de forma de elemento individual e informações
de semântica funcional exigidas pelo software.
Machine Translated by Google

H. Kim e C. Kim Automação na Construção 130 (2021) 103855

17. Resultados para modelagem 3D: (a) modelagem semântica do Site A, (b) modelagem semântica do Site B, (c) modelagem de instância do Site A e (d) modelagem de instância do Site B.

Usando o método proposto, um BIM completo pode ser gerado

Tabela 5
automaticamente, superando as limitações de elementos faltantes nos dados
Resultados para reconhecimento de elementos semânticos individuais.
da nuvem de pontos. O BIM as-built desenvolvido pode ser utilizado para
Elemento Local A Local B Total diversos fins, como análise estrutural, manutenção e análise ambiental.
Tetos 33/33 (100%) 10/10 (100%) 43/43 (100%) Apesar dos resultados experimentais satisfatórios, este estudo também
Vigas/vigas 60/60 (100%) 1/1 8/8 (100%) 68/68 (100%) 2/2 apresenta diversas limitações. Primeiramente, neste estudo, conduzimos
Pisos (100%) 7/7 1/1 (100%) (100%) 18/19 experimentos de campo em canteiros de obras estruturais. Em segundo lugar,
Paredes (100%) 60/60 11/10 (91%) (95%) 68/68
o método proposto limita-se a elementos estruturais compostos por manchas
Vigas/vigas (100%) 126/126 8/8 (100%) (100%) 156/157
Total (100%) 30/31 (97%) (99%)
planares. Terceiro, o método proposto não pode ser usado para modelagem
se nenhum outro objeto tiver as mesmas dimensões do objeto com dados
faltantes. Para modelar elementos individuais com membros variados,
pretendemos expandir os objetivos da aplicação para gerar e atualizar o BIM
Tabela 6
as-built para elementos curvos usando um B-spline racional não uniforme
Matriz de confusão para resultados de reconhecimento/modelo de elemento semântico individual.
(NURBS). Além disso, um método para verificar as dimensões no BIM
Matriz de confusão Classe verdadeira
planejado será considerado para modelar objetos com dados faltantes. Além
Viga da parede do piso da coluna do teto disso, para aumentar a precisão da segmentação de instâncias, planejamos
Aula prevista 33 0 0 0 0
substituir o método de segmentação de instâncias em duas etapas conduzido
Teto
Coluna 0 24 0 1 0 neste estudo por um método otimizado de segmentação de instâncias baseado em aprend
Chão 0 0 2 0 0
Parede 0 0 0 18 0 Declaração de interesse concorrente
Viga/viga 0 0 0 0 68

Os autores declaram que não têm interesses financeiros concorrentes ou

relações pessoais conhecidas que possam ter influenciado o trabalho relatado
Tabela 7 neste artigo.
Erros para cada elemento. Os autores declaram os seguintes interesses financeiros/relações
ÿ(mm) ÿ (ÿ) dw (mm) dh (mm) dd (mm)
pessoais que podem ser considerados como potenciais interesses concorrentes.

Colunas 2.065 0,890 5.255 – 3.462

Vigas/vigas 2.044 1.138 14.668 7.805 –

16
Machine Translated by Google
H. Kim e C. Kim
Reconhecimentos
Esta pesquisa foi apoiada pelo Programa de Pesquisa Científica Básica
através da Fundação Nacional de Pesquisa da Coreia (NRF) financiada
pelo Ministério da Educação (NRF-2018R1D1A1B07049846).
Referências
[1] H.-L. Chi, X. Wang, Y. Jiao, projeto estrutural habilitado para BIM: impactos e futuro
desenvolvimentos em processos de modelagem, análise e otimização estrutural, Arquivo.
Comp. Métodos em Eng. 22 (1) (2015) 135–151, https://doi.org/10.1007/s11831-014-9127-7 .
[2] D. Zou, K. Chen, X. Kong, X. Yu, Uma abordagem integrando BIM, octree e FEM-SBFEM para
modelagem altamente eficiente e análise de danos sísmicos de estruturas de edifícios, Eng. Anal.
com elementos de limite. 104 (2019) 332–346, https://doi. org/10.1016/j.enganabound.2019.03.038.
[3] S.-I. Lee, J.-S. Bae, YS Cho, Análise de eficiência de projeto baseado em conjuntos com modelagem de
informações de construção estrutural (S-BIM) em estruturas de edifícios altos, Autom.
Constr. 23 (2012) 20–32, https://doi.org/10.1016/j.autcon.2011.12.008.
[4] C. Nicolle, C. Cruz, Modelo de informação de construção semântica e multimídia para
gerenciamento de instalações, em: Conferência Internacional sobre Sistemas e Tecnologias de Informação
da Web, 2010, pp. 14–29, https://doi.org/10.1007/978-3-642-22810-0_ 2.
[5] I. Motawa, A. Almarshad, Um sistema BIM baseado em conhecimento para construção
manutenção, Autom. Constr. 29 (2013) 173–182, https://doi.org/10.1016/j.
autocon.2012.09.008.
[6] X. Gao, P. Pishdad-Bozorgi, operação e manutenção de instalações habilitadas para BIM: uma revisão,
Adv. Eng. Informar. 39 (2019) 227–247, https://doi.org/10.1016/j.
aei.2019.01.005.
[7] B. Welle, Z. Rogers, M. Fischer, perfilador de luz natural centrado em BIM para simulação
(BDP4SIM): uma metodologia para decomposição e recomposição automatizada de modelos de
produtos para simulação de iluminação natural baseada no clima, Build. Meio Ambiente. 58 (2012) 114–
134, https://doi.org/10.1016/j.buildenv.2012.06.021.
[8] W. Natephra, A. Motamedi, N. Yabuki, T. Fukuda, Integrando térmica 4D
informações com BIM para análise de desempenho térmico de envoltórias de edifícios e avaliação
de conforto térmico em ambientes naturalmente ventilados, Build. Meio Ambiente. 124 (2017) 194–
208, https://doi.org/10.1016/j.buildenv.2017.08.004.
[9] W. Natephra, N. Yabuki, T. Fukuda, Otimizando a avaliação do projeto da envolvente do edifício para
desempenho térmico usando um cálculo do valor de transferência térmica geral baseado em BIM,
Build. Meio Ambiente. 136 (2018) 128–145, https://doi.org/10.1016/j. buildenv.2018.03.032.
[10] FJ Montiel-Santiago, MJ Hermoso-Orz´ aez, J. Terrados-Cepeda, Sustentabilidade
e eficiência energética: BIM 6D. Estudo da metodologia BIM aplicada a edifícios hospitalares. Valor da
iluminação interior e da luz natural na simulação energética, Sustentabilidade 12 (14)
(2020) 5731, https://doi.org/10.3390/su12145731.
[11] C. Kim, H. Son, C. Kim, Medição automatizada do progresso da construção usando um modelo de
informações de construção 4D e dados 3D, Autom. Constr. 31 (2013) 75–82, https://doi.org/10.1016/
j.autcon.2012.11.041 .
[12] A. Dimitrov, R. Gu, M. Golparvar-Fard, encaixe de superfície B-spline não uniforme de
nuvens de pontos 3D não ordenadas para modelagem as-built, Comp-Aided Civil and
Infrastructure Eng. 31 (7) (2016) 483–498, https://doi.org/10.1111/mice.12192.
[13] J. Chen, Y. Fang, YK Cho, Avaliação de desempenho de descritores 3D para objetos
reconhecimento em aplicações de construção, Autom. Constr. 86 (2018) 44–52, https://doi.org/10.1016/
j.autcon.2017.10.033 .
[14] H. Tran, K. Khoshelham, A. Kealy, L. Díaz-Vilarino, ˜ Abordagem de gramática de forma para modelagem
3D de ambientes internos usando nuvens de pontos, J. Comput. Civil. Eng. 33 (1) (2019), 04018055,
https://doi.org/10.1061/(asce)cp.1943-5487.0000800.
[15] H. Son, C. Kim, C. Kim, Método de extração de pipeline 3D totalmente automatizado as-built a partir de
dados digitalizados a laser com base em computação de curvatura, J. Comput. Civil. Eng. 29 (4) (2015),
B4014003, https://doi.org/10.1061/9780784413029.096.
[16] J. Chen, JSK Yi, M. Kahoush, ES Cho, YK Cho, Conclusão da cena da nuvem de pontos de fachadas de
edifícios obstruídas com pintura adversária generativa, Sensors 20 (18, 2020) 5029, https://doi.org/
10.3390/s20185029.
[17] G. Teza, A. Galgaro, N. Zaltron, R. Genevois, Scanner a laser terrestre para detectar
campos de deslocamento de deslizamentos de terra: uma nova abordagem, Int. J. Sensor Remoto 28
(16, 2007) 3425–3446, https://doi.org/10.1080/01431160601024234.
[18] KK Han, D. Cline, M. Golparvar-Fard, Conhecimento formalizado de construção
sequenciamento para monitoramento visual de trabalhos em andamento por meio de nuvens de pontos
incompletas e BIMs 4D de baixo LoD, Adv. Eng. Informar. 29 (4) (2015) 889–901, https://doi.org/10.1016/
j.aei.2015.10.006 .
[19] C. Chen, B. Yang, Detecção de oclusão dinâmica e pintura interna de sequência de nuvens de pontos de
varredura a laser terrestre capturada in situ, ISPRS J. Photogramm. Sensor Remoto 119 (2016) 90–
107, https://doi.org/10.1016/j.isprsjprs.2016.05.007.
[20] M. Previtali, M. Scaioni, L. Barazzetti, R. Brumana, Uma metodologia flexível para
reconstrução de edifícios externos/internos a partir de nuvens de pontos ocluídas, anais ISPRS da
fotogrametria, Sensoriamento Remoto e Informações Espaciais. Ciência. 2 (3) (2014) 119, https://
doi.org/10.5194/isprsannals-ii-3-119-2014.
[21] S. Ochmann, R. Vock, R. Klein, Reconstrução automática de modelos de construção 3D totalmente
volumétricos a partir de nuvens de pontos orientadas, ISPRS J. Photogramm. Sensor Remoto 151
(2019) 251–262, https://doi.org/10.1016/j.isprsjprs.2019.03.017.
[22] H. Son, C. Kim, Modelagem 3D semântica as-built de elementos estruturais de edifícios com base na
concavidade e convexidade local, Adv. Eng. Informar. 34 (2017) 114–124, https://doi.org/10.1016/
j.aei.2017.10.001.
17
Automação na Construção 130 (2021) 103855
[23] FARO, modelador AS-BUILT™. https://www.faro.com/en-gb/products/construction-bim-cim/faro-as-built/
as-built-modeler/ , 2020 (acessado em 18 de abril de 2021).
[24] Capacite a engenharia com nuvem de pontos infinitos | InfiPontos | ELÍSIO, Vol. 2020, https://www.elysium-
global.com/en/product/infipoints/ (Acessado em 18 de abril de 2021).
[25] EdgeWise | ClearEdge3D, vol. 2020 , https://www.clearedge3d.com/products/edgewise/ (Acessado
em 18 de abril de 2021).
[26] F. Bosche, CT Haas, Recuperação automatizada de objetos de modelo CAD 3D em imagens de faixa de
construção, Autom. Constr. 17 (4) (2008) 499–512, https://doi.org/10.1016/j. autocon.2007.09.001.
[27] R. Sacks, R. Barak, Impacto da modelagem paramétrica tridimensional de edifícios na produtividade na
prática de engenharia estrutural, Autom. Constr. 17 (4) (2008) 439–449, https://doi.org/10.1016/
j.autcon.2007.08.003.
[28] F. Bosche, CT Haas, B. Akinci, Reconhecimento automatizado de objetos CAD 3D em varreduras a laser
do local para visualização de status 3D do projeto e controle de desempenho, J. Comput.
Civil. Eng. 23 (6) (2009) 311–318, https://doi.org/10.1061/(asce)0887-3801(2009) 23:6(311).
[29] F. Bosch´e, Reconhecimento automatizado de objetos de modelo CAD 3D em varreduras a laser e cálculo
de dimensões as-built para controle de conformidade dimensional na construção, Adv. Eng.
Informar. 24 (1) (2010) 107–118, https://doi.org/10.1016/j. aei.2009.08.006.
[30] H. Son, C. Kim, método de reconhecimento e modelagem de componentes estruturais 3D usando cores e
dados 3D para monitoramento do progresso da construção, Autom. Constr. 19 (7) (2010) 844–854,
https://doi.org/10.1016/j.autcon.2010.03.003.
[31] Y. Turkan, F. Bosche, CT Haas, R. Haas, Acompanhamento automatizado de progresso usando
programação 4D e tecnologias de detecção 3D, Autom. Constr. 22 (2012) 414–421, https://doi.org/
10.1016/j.autcon.2011.10.003 .
[32] Y. Turkan, F. Bosch´e, CT Haas, R. Haas, Rumo ao rastreamento automatizado de valor agregado usando
ferramentas de imagem 3D, J. Constr. Eng. Gerenciar. 139 (4) (2013) 423–433, https://doi.org/10.1061/
(asce)co.1943-7862.0000629 .
[33] X. Xiong, A. Adan, B. Akinci, D. Huber, Criação automática de modelos de construção 3D semanticamente
ricos a partir de dados de scanner a laser, em: Automation in Construction 31, 2013, pp . /doi.org/
10.22260/isarc2011/0061.
[34] F. Bosch´e, A. Guillemet, Y. Turkan, CT Haas, R. Haas, Rastreando o status construído de obras MEP:
avaliando o valor de um sistema scan-vs-BIM, J. Comput. Civil. Eng. 28 (4) (2014), 05014004, https://
doi.org/10.1061/(asce)cp.1943-5487.0000398.
[35] D. Holz, S. Behnke, Triangulação aproximada e crescimento de região para segmentação eficiente e
suavização de imagens de alcance, Robot. Automático. Sist. 62 (9) (2014) 1282–1293, https://doi.org/
10.1016/j.robot.2014.03.013.
[36] R. Hulik, M. Spanel, P. Smrz, Z. Materna, Detecção de plano contínuo em ponto-
dados em nuvem baseados na transformação 3D Hough, J. Vis. Comum. Representação de imagem.
25 (1) (2014) 86–97, https://doi.org/10.1016/j.jvcir.2013.04.001.
[37] A. Stambler, D. Huber, Modelagem de construção através do raciocínio de fechamento, em: 2014 2ª
Conferência Internacional sobre Visão 3D Vol. 2, IEEE, 2014, pp. 118–125, https://doi.org/
10.1109/3dv.2014.65.
[38] J. Xiao, Y. Furukawa, Reconstruindo os museus do mundo, Int. J. Computação. Vis. 110 (3) (2014) 243–
258, https://doi.org/10.1007/s11263-014-0711-y.
[39] F. Bosch´e, M. Ahmed, Y. Turkan, CT Haas, R. Haas, O valor da integração de técnicas scan-to-BIM e
scan-vs-BIM para monitoramento de construção usando digitalização a laser e BIM: o caso de
componentes cilíndricos MEP, Autom. Constr. 49 (2015) 201–213, https://doi.org/10.1016/
j.autcon.2014.05.014.
[40] C. Thomson, J. Boehm, Geração automática de geometria a partir de nuvens de pontos para BIM, Remote
Sens .
[41] S. Ochmann, R. Vock, R. Wessel, R. Klein, Reconstrução automática de modelos de construção
paramétricos a partir de nuvens de pontos internas, Comput. Gráfico. 54 (2016) 94–103, https://
doi.org/10.1016/j.cag.2015.07.008.
'
[42] E. Valero, A. Adan, F. Bosch´e, Reconstrução semântica 3D de interiores mobiliados usando digitalização
a laser e tecnologia RFID, J. Comput. Civil. Eng. 30 (4) (2016), 04015053, https://doi.org/10.1061/
(asce)cp.1943-5487.0000525.
[43] H. Macher, T. Landes, P. Grussenmeyer, Das nuvens de pontos aos modelos de informação de construção:
reconstrução semiautomática 3D de interiores de edifícios existentes, Appl.
Ciência. 7 (10) (2017) 1030, https://doi.org/10.3390/app7101030.
[44] H. Son, C. Kim, Y. Kwon Cho, Atualizações automatizadas de cronograma usando dados as-built e um
modelo de informações de construção 4D, J. Manag. Eng. 33 (4) (2017), 04017012, https://
doi.org/10.1061/(asce)me.1943-5479.0000528.
[45] R. Maalek, DD Lichti, JY Ruwanpura, Reconhecimento automático de comum
elementos estruturais de nuvens de pontos para monitoramento automatizado do progresso e
controle de qualidade dimensional na construção de concreto armado, Remote Sens .
[46] M. Bassier, M. Vergauwen, Reconstrução não supervisionada de objetos de parede de modelagem de
informações de construção a partir de dados de nuvem de pontos, Autom. Constr. 120 (2020) 103338,
https://doi.org/10.1016/j.autcon.2020.103338.
[47] R. Maalek, DD Lichti, JY Ruwanpura, Segmentação robusta de características planares e lineares de
nuvens de pontos de scanner a laser terrestre adquiridas em canteiros de obras, Sensores 18 (3)
(2018) 819, https://doi.org/10.3390 /s18030819.
[48] D. Maturana, S. Scherer, Voxnet: Uma rede neural convolucional 3D para reconhecimento de objetos em
tempo real, em: Conferência Internacional IEEE/RSJ 2015 sobre Robôs e Sistemas Inteligentes
(IROS), IEEE, 2015, pp. 928, https://doi.org/10.1109/
iros.2015.7353481.
[49] CR Qi, H. Su, M. Nießner, A. Dai, M. Yan, LJ Guibas, CNNs volumétricos e multi-visualização para
classificação de objetos em dados 3D, em: Proceedings of the IEEE Conference on Computer Vision
and Pattern Reconhecimento, 2016, pp.
[50] Y. Li, S. Pirk, H. Su, CR Qi, LJ Guibas, FPNN: redes neurais de sondagem de campo para dados 3D, Adv.
Inf. Neural. Processo. Sist. 29 (2016) 307–315. https://papers.nips.cc /paper/2016/file/
854d6fae5ee42911677c739ee1734486-Paper.pdf.
Machine Translated by Google
H. Kim e C. Kim
[51] CR Qi, H. Su, KC Mo, LJ Guibas, PointNet: aprendizagem profunda em conjuntos de pontos para classificação
e segmentação 3D, em: 30ª Conferência IEEE sobre Visão Computacional e Reconhecimento de Padrões
(CVPR 2017), 2017, pp. –85, https://doi.org/10.1109/cvpr.2017.16 .
[52] Y. Wang, YB Sun, ZW Liu, SE Sarma, MM Bronstein, JM Solomon, Gráfico dinâmico CNN para aprendizagem
em nuvens de pontos, ACM Trans. Gráfico. 38 (5) (2019), https://doi.org/10.1145/3326362 .
[53] J. Chen, Z. Kira, YK Cho, abordagem de aprendizagem profunda para cena de nuvem de pontos
compreensão da digitalização automatizada para reconstrução 3D, J. Comput. Civil. Eng. 33 (4) (2019),
04019027, https://doi.org/10.1061/(asce)cp.1943-5487.0000842.
[54] T. He, D. Gong, Z. Tian, C. Shen, representante de aprendizagem e memorização
protótipos para semântica de nuvem de pontos 3D e segmentação de instâncias, pré-impressão arXiv
(2020), https://doi.org/10.1007/978-3-030-58523-5_33 arXiv:2001.01349.
[55] H. Kim, C. Kim, Classificação baseada em aprendizagem profunda de nuvens de pontos para inspeção
de pontes, Remote Sens .
rs12223757.
[56] H. Kim, J. Yoon, SH Sim, Reconhecimento automatizado de componentes de ponte de nuvens de pontos
usando aprendizado profundo, Struct. Ao controle. Monit de Saúde. 27 (9) (2020), e2591, https://doi.org/
10.1002/stc.2591.
[57] J. Liu, M. Yu, B. Ni, Y. Chen, Auto-predição para instância conjunta e segmentação semântica de
nuvens de pontos, em: Conferência Europeia sobre Visão Computacional, Springer, 2020, pp.
https://doi.org/10.1007/978-3-030-58542-6_12.
[58] Y. Xu, X. Shen, S. Lim, CorDet: redes de detecção de objetos 3D com reconhecimento de canto para
digitalização automatizada para BIM, J. Comput. Civil. Eng. 35 (3) (2021), 04021002, https://doi.org/
10.1061/(asce)cp.1943-5487.0000962 .
[59] J. Zhang, X. Zhao, Z. Chen, Z. Lu, Uma revisão da semântica baseada em aprendizagem profunda
segmentação para nuvem de pontos, IEEE Access 7 (2019) 179118–179133, https://doi. org/10.1109/
access.2019.2958671.
[60] I. Armeni, O. Sener, AR Zamir, H. Jiang, I. Brilakis, M. Fischer, S. Savarese, análise semântica 3D de
espaços internos em grande escala, em: Anais da Conferência IEEE sobre Visão Computacional
e Reconhecimento de Padrões, 2016, pp. 1534–1543, https://doi.org/10.1109/cvpr.2016.170.
18
Automação na Construção 130 (2021) 103855
[61] D. Doria, RJ Radke, Preenchendo grandes buracos em dados lidar pintando gradientes de profundidade,
em: 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition
Workshops, 2012, pp . org/10.1109/ cvprw.2012.6238916.
[62] S. Friedman, I. Stamos, Reconstrução de fachada on-line a partir de frequências dominantes em nuvens de
pontos estruturadas, em: 2012 IEEE Computer Society Conference on Computer Vision and Pattern
Recognition Workshops, 2012, pp . .org/ 10.1109/cvprw.2012.6238908.
[63] C. Chen, BS Yang, Detecção de oclusão dinâmica e pintura interna de sequência de nuvens de pontos de
varredura a laser terrestre capturada in situ, ISPRS J. Photogramm. Sensor Remoto 119 (2016) 90–
107, https://doi.org/10.1016/j.isprsjprs.2016.05.007.
[64] JW Ma, T. Czerniawski, F. Leite, Segmentação semântica de nuvens de pontos de
construindo interiores com aprendizado profundo: aumentando conjuntos de dados de treinamento com
nuvens de pontos sintéticas baseadas em BIM, Autom. Constr. 113 (2020) 103144, https://doi.org/
10.1016/j.autcon.2020.103144 .
[65] RB Rusu, S. Cousins, 3D está aqui: biblioteca de nuvem de pontos (PCL), em: 2011 IEEE
Conferência Internacional sobre Robótica e Automação, 2011, pp. 1–4, https://doi. org/10.1109/
icra.2011.5980567.
[66] Autodesk | Revit, vol. 2021, https://www.autodesk.co.kr/products/revit
/visão geral, (Acessado em 18 de abril de 2021).
[67] T. Rabbani, F. Van Den Heuvel, G. Vosselmann, Segmentação de nuvens de pontos usando restrição de
suavidade, Arquivos Internacionais de Fotogrametria, Sensoriamento Remoto e Ciências de Informação
Espacial 36 (5) (2006) 248–253, em: http://www. isprs.org/proceedings/XXXVI/part5/paper/RABB_639.pdf.
[68] T.-H. Nguyen, AA Oloufa, K. Nassar, Algoritmos para dedução automatizada de informações topológicas,
Autom. Constr. 14 (1) (2005) 59–70, https://doi.org/10.1016/j.autcon.2004.07.015 .
[69] H. Son, C. Kim, YK Cho, Atualizações automatizadas de cronograma usando dados as-built e um modelo de
informações de construção 4D, J. Manag. Eng. 33 (4) (2017), https://doi.org/10.1061/
(asce)me.1943-5479.0000528 .
[70] Autodesk | Recapitulação, vol. 2021, https://www.autodesk.co.kr/products/recap/subscr ibe?plc=RECAP&term=1-
YEAR&support=ADVANCED&quantity=1 (Acessado em 18 de abril de 2021).