连载丨基于密集三维点云的历史建筑BIM自动建模算法研究（1）

1 工程概况

HBIM技术产生以来，受到业内广泛关注。在数字化浪潮的大背景下，文物活化利用、文化遗产保护、城乡历史文化保护传承、中华文明探源工程都面临与数字化深度融合的情况，以期获得更长久、更深远的发展，具有较大历史意义。在文化遗产保护与记忆传承的重要性被不断被强调的同时，数字遗产成为数字人文建构的重要发展方向。

基于此，利用HBIM模型构建的历史建筑信息化模型，成为这一发展方向的底层信息来源与技术支持。但其痛点在于，HBIM建模目前需要消耗大量时间成本与人力成本，同时其他协同应用的技术和知识挖掘技术如知识图谱、全媒体融合技术等也尚未普及，导致整个数字建构记忆的课题进程缓慢，数字化赋能文化发展遇到阻力。因此，HBIM建模算法上的一点突破，可以为整个行业研究与发展带来新的思路与参考。

2 HBIM建模算法研究与应用现状

2009年爱尔兰都柏林大学的Murphy M.教授首次提出“HBIM”（Historic Building Information Modeling）一词，将其定义为“把点云数据和摄影测量数据映射到参数化模型上的跨平台程序”。将三维扫描的点云数据与BIM的参数化对象对应起来。2012年，Murphy M.的博士论文以亨丽埃塔街（Henrietta Street）为例提出了HBIM的应用流程。这一流程的提出为行业HBIM的发展提供了新的思路，其流程大致为：点云数据经过降噪处理→手动切割点云数据→导出点云切片→制作网格模型。

近年来，在国外出现的HBIM方法主要利用三维激光扫描和近景摄影测量技术，获取文化遗产的表面信息。一旦捕获了数据，就可以通过对点云的三角分割或图像执行运动恢复结构（structure–from–motion，SfM）算法创建网格模型，该算法是成熟且自动化的。但将参数化组件从点云数据或栅格模型转换为HBIM仍然需要大量人工。国外目前的HBIM应用大多采用商业公司开发快速分割点云的插件，或者将其他半自动化插件销售给相关机构，整个BIM行业也未形成系统的自动建模过程。

在我国，HBIM最早是2009年由清华大学建筑设计研究院建筑与文化遗产保护研究所提出。“H”指 Heritage或Historc，是将BIM技术应用于具有历史和保护价值的古代和现代建筑领域。HBIM技术旨在将先进的标准化协同技术规范地运用在文化遗产保护或新兴的数字记忆建档上。

HBIM模型有两个核心模块：一是建筑参数化构件库；二是不同历史时期的保护信息。参数化构件库包含构件本身的几何信息、构件的材料属性以及构件间的关联等内容。保护信息内容包括通过HBIM规定实施工序，在HBIM组建修复信息中体现材料、构造等传统施工工艺。

目前，三维激光扫描技术是历史建筑或其他文化遗产中几何信息采集的最前沿测量技术之一。通过高速激光扫描测量获取建筑三维点云数据，经过内业降噪拼接形成完整的点云模型，该技术对建筑信息采集的效率与精度提升产生了质的影响。然而，点云数据本质上是空间离散点的几何坐标信息。

在工程实践中，采集的原始数据都位于空间坐标系的原点，需要工作人员手动将不同部分的点云模型分开并拼接，再经整体除噪、配准、精简处理，最后交由内业人员，从无到有开始创建整体三维模型。如果在3d Max中建模，那么模型无法按照构件分类，属性数据也不完整，因此点云数据的应用受限；如果在Revit等BIM软件中建模，需要投入较大的人工成本去实现包含上述两个HBIM模型。考虑BIM技术是一项以三维信息模型为核心，进行各类项目信息整合，并通过模型的共享和应用实现对项目全过程的高效管理系统。那么点云数据如何直接映射到BIM模型的参数化构件上，则成为BIM技术研究的重点，即BIM自动化技术。

目前在国内较前沿的研究中，较先进的一项BIM自动化技术是对点云数据进行过滤处理，完成降噪精简处理后进行手动切割，基于Revit软件，在Visual Studio 开发平台上使用C#语言进行二次开发，如图1所示。编程主要包括创建墙、板、柱的标高；梁、门、窗等构件的建模等。根据构件算法与构件提取导入Revit，二次开发程序后，完成BIM建模。然而，这种方式仍然需要手动输入参数值，不能实现真正意义上的“自动”建模。

图1 BIM自动建模流程

3 建筑语法下的BIM模型自动重构原理

3.1 建筑语法

近年来，建筑语法作为一种非分割的方法被用于参数化建模。它可以被理解为是一种建筑设计规范来纠正和校准对点云数据自动分割的程序。比如这种建筑设计规范涵盖了从地面到屋顶的形式及风格，也包括大到整体结构，小到细部节点的设计规范。有一种语法语言称为元语法（meta–grammar），它对不同风格的建筑有较高的延展性与适应性——如弗兰克·盖里（Frank Owen Gehry）或扎哈·哈迪德（Zaha Hadid）的建筑作品，其设计与传统的建筑设计手法有较大的不同，但元语法同样可以涵盖。具体来说，建筑语法有4个要素：基本参数、几何图元、组件、组件间的关系。

根据这4个要素，工程师就可以配置最适宜的BIM建模等级，进而程序自动调整参数或选择合适的几何图元及组件。但目前来看，建筑语法使用最广泛的是被用于纠正和校正，即对点云数据进行自动语义分割后的修正，使其精确率更高。现阶段使用最多的则是关于建筑物的整体对称或局部对称的校准。

3.2 自动语义分割

语义分割是计算机视觉中的基本任务。将视觉输入分为不同的语义，从而便于计算机识别。语义分割可以让我们对图像有更加细致的了解。目前语义分割可分为两种：试错法和深度学习方法。然而，试错法语义分割仅限于简单的几何形状；而深度学习方法依赖于繁重的人工训练和标注。与此同时，两种方法对于数据缺陷较敏感，例如点云数据或网格模型数据中如果出现闭合或混乱问题则会中断自动识别。

基于建筑语法的自动语义分割方法是按照建筑部位自动切割并标注点云数据部件，比如天花板、地板、柱子等，包括基本信息，如几何尺寸、形制、空间位置等。三维坐标的关键在于每一个点都是唯一的，不会有其他点与其重合。这是通过分割进行语义识别一种典型的自动建模方式，也是BIM自动化关键的一步。之后，可以通过标准化BIM组件的信息加注释，建立开放的BIM组件资源，并将这些组件注册加入大数据系统。

3.3 BIM自动化建模

某大雄宝殿案例的自动建模过程是在语义分割的基础上，将标准构件与点云模型进行语义匹配，挑选并写入数据库的过程。提出基于点云重构语法的未来BIM自动化路线图。并将其与手动建模结果比对，提出4个自动化等级。

目前来看，要实现BIM的全自动化难度较大，意味着算法能自动在组件库中寻找并识别点云中适合的构件，对建模进行优化、建模。也在积极探索人工智能AI自动建模在建筑行业其他领域的应用，但效果都不甚理想。目前，新算法支持第二级“选择”。综上所述，整个点云识别和自动建模的研究过程，面临较大的艰辛和挑战。

4 BIM自动化路线图

建筑语法包含：基本参数、几何图元、组件、组件间的关系。最直接的建模自动化是用机器对参数进行微调，手动设计的整个框架结构不变。最具挑战性的是自动增加生成设计或修改新组件。自动化路线图的4个等级独立于Grasshopper + Rhino，并与其他参数化设计工具（如Dynamo + Revit）兼容。4个等级分别为配准、选择、组合、生成，如图2所示。

图2 BIM自动化建模路线图

配准：在这一等级自动化之前，整个模型的语法结构仍需要熟练的模型师手动完成。这个结构需要反映模型位置和大小等参数中有哪些组件和源代码。完成整体的语法结构后，软件会自动进行参数校准。这样可以在一定程度上减少人力微调参数的小数部分的烦琐工作。类似的参数优化方法在BIM性能微调和HBIM中很常见。如果参数是相互关联的，那么节省的人力成本会更大，因为一个参数的微调会影响另一个参数。

选择：这一等级延续了上一等级参数自动化工作，且组件是可从用库中自动选择的。在手动建模时，建模人员需要准备一个庞大的组件库——如BIM组件和资源库。未知组件有确定的关系式，指导机器在库中搜索最匹配的选项。总体来说，软件的算法机制是“试错法”。例如，香港大学薛帆博士在一次演讲中展示了自动语义识别，在一个未降噪的点云模型中注册识别，8个BIM家具。自动建模首先执行“配准”，然后选择匹配。该实验可节省至少98%的建模时间。

组合：这一等级是在“选择”的基础上对组件进行迭代扩展。库中每一个设计组件都由一个几何图元的系统组成。这个组合软件通过迭代进化计算将几何图元翻译成最匹配的源代码。例如，假设一个塔楼的6面略有不同，在5mm变量内又是完全对称的。这种“组合”操作将尝试选择组件内最适合的几何图元进行搭配，从而创建模型。“组合”提高了“选择”的准确度。

生成：在整个路线图框架中，“生成”是全自动的一步。在这一等级中，主要组件间的关系设置是自动的。因此，组件关系建模以及随机创建新组件，由机器完成而非手动导出。由于这4个等级中的复杂关系和嵌套的变量，可以预见其计算量。因此，这一等级的普遍应用并非朝夕之事。