1介紹
全球基礎設施市場即將迎來橋梁信息建模(BrIM)的爆炸性采用，它為信息交換提供了共享的知識資源，為橋梁生命周期內的決策提供了可靠的基礎(Fanning et al.， 2014)。從2015年到2017年，美國和英國對BrIM的采用增加了30% (Dodge Data & Analytics, 2017)。然而，生產的模型主要是新結構的設計模型。盡管為了更快更好地收集數據而廣泛采用激光掃描，但現有橋梁的現有BrIM模型的生成非常有限(Park等人，2007;Park et al.， 2015)。這是因為從點云數據(PCD)自動生成原始模型仍然是一個未解決的問題。使用最先進的建模軟件在點云中手動創建三維(3D)實體模型所需的時間通常是獲得點云所需時間的10倍(Trimble, 2014;Lu and Brilakis, 2017)。迫切需要降低現有橋梁建模所需的成本和工作量。高速公路基礎設施領域尤其如此。美國有60多萬座公路橋梁，超過九分之一的橋梁被列為結構缺陷(ASCE, 2017)。根據一份內部報告(Network Rail, 2015)， Network Rail和其他橋梁所有者管理著英國高速公路和主要a級公路上的3萬多座橋梁。基于2年的檢查周期，美國和英國每年至少需要進行315,000次橋梁檢查。這就解釋了為什么對勞動強度較低的橋梁文檔技術有巨大的市場需求，這些技術可以有效地提高橋梁管理的生產力。
一般來說，從pcd到brim模型過程包括兩個步驟:(1)以標記點簇的形式檢測點云中的橋組件;(2)通過擬合標記點簇中的工業基礎類(IFC)實體和空間關系來生成幾何模型。本研究旨在自動化第一步，即點云中的橋構件檢測。這一步目前主要是使用建模軟件手動完成的。
Autodesk、Bentley和ClearEdge3D等主要供應商為建筑信息建模提供了最先進的軟件解決方案。ClearEdge3D可以半自動地(需要幾次點擊和調整)擬合嵌入在點云子集中的幾何形狀，而無需事先分割。然而，ClearEdge3D是為建筑和工業環境量身定制的，只能識別標準化形狀，如矩形墻壁，管道，鋼梁等(ClearEdge3D, 2017)。對于大多數其他商業應用來說，形狀擬合在很大程度上是通過人工提前分割點云來輔助的。這些解決方案在分割目標對象時需要大量的注意力。建模者需要反復旋轉點云到不同的視圖，并嘗試使用裁剪多邊形選擇感興趣的區域。Lu和Brilakis(2017)報告稱，處理典型的鋼筋混凝土(RC)公路橋梁點云，平均需要1.52小時來完成橋梁構件檢測任務。
2.1自下而上檢測
自底向上的方法將原始特征(如點)拼湊在一起，生成連續更高層次的復雜系統，直到形成頂層系統(Borenstein和Ullman, 2008)。更高層次的特征通常是表面法線(Sampath, 2010)、網格(Marton等人，2009)、補丁(Zhang等人，2015)和非均勻b樣條曲面(Dimitrov等人，2016)。
大量的文獻致力于生成基于表面的原語，特別是平面(prix trucean et al.， 2015)。Zhang等人(2015)提出了一種基于稀疏性誘導優化的方法，用于從噪聲橋點云中檢測參數平面斑塊并定義其邊界。然而，該方法僅適用于平面物體，當這些區域的點密度較低時，無法檢測到橋墩斑塊。Walsh等人(2013)提出了一種區域生長(RG)算法來檢測點云中的物體。RG從一組初始的小迭代合并區域開始，然后選擇一個特定的種子，并根據相似性添加相鄰的點，直到到達一個邊緣。然而，在他們的實驗中，這種方法不能檢測橋墩帽和橋墩之間的邊緣在一小部分的橋梁點云。通過人工選擇關鍵點，最終實現圖像分割。同樣，Dimitrov和Golparvar-Fard(2015)提出了一種升級的RG方法，通過該方法可以自適應地找到種子。該方法可以處理曲面，并且在輸入點云不受實質性遮擋的情況下表現優異。然而，當遮擋存在時，它會過度分割物體。Xiong等人(2013)通過一種學習范式解決了真實點云中的持續遮擋問題，該學習范式檢測了構建點云中的遮擋平面。然而，他們的方法不能應用于橋梁設置，因為橋梁點云中遮擋的表面不像建筑點云中那樣遵循特定的模式。具體來說，他們的算法檢測矩形開口，比如窗戶和門口，假設墻壁上有許多相同的開口，并且矩形是大多數建筑物的主要形狀。同樣，Laefer和Truong-Hong(2017)通過模擬幾種可能的咬合，開發了一種基于核密度估計的鋼構件建模方法。相比之下，被遮擋的區域在橋點云中沒有這樣的重復模式。大部分遮擋是由于現場植被和遠距離掃描造成的。因此，閉塞是在任意位置和形狀。Schnabel等人(2007)使用隨機樣本一致性(RANSAC)通過對點云中的最小集進行隨機采樣來檢測基本形狀(例如球體、圓柱體)。然而，考慮到RANSAC在計算上的昂貴特性，用它來檢測復雜的幾何形狀是不現實的。因此，這些方法往往在相對簡化的場景和合成數據中表現良好，但不適合處理真實的橋梁組件，這些組件的構造和風化形狀進一步增加了設計的復雜性。為了減少計算時間，Xu等人(2018)提出了一種基于八叉樹的建筑工地概率分割模型。作者將場景劃分為體素。然而，該方法的分割精度對體素大小非常敏感。Vo等人(2015)對這個問題進行了討論，他們提出了一種基于八叉樹rg的算法，用于城市環境中的表面斑塊分割。該方法雖然可以通過自適應八叉樹自動調整體素大小，但在低點密度區域存在斑塊生成困難。
2.2自上而下檢測我們認為自下而上的檢測很少適用于點云分類。通過表面進行分類是不夠的;局部表面或斑塊可以這樣標記，但很難確定它們是否屬于同一實例。克服這些挑戰需要對象級信息的干預(Pinheiro et al.， 2016)。自上而下的方法通常是一種啟發式的對象檢測方法，它從一個廣泛的視圖開始，然后分解成更容易解決的組合子問題(Kokkinos等人，2006)。它通常結合一組工程標準，對點云中符合標準的對象進行分類。先前的研究表明，基于知識的分類方法具有魯棒性，因為特定于領域的信息，如對象類別(Dore and Murphy, 2014)、拓撲關系(Koppula et al.， 2011)和已知參數(如直徑)或約束(如方向)(Ahmed et al.， 2014)對姿勢和外觀等因素是不變的。最近的研究依賴于現有的設計文檔來告知自頂向下建模策略。這可以簡化點云聚類和分類任務(Liu et al.， 2012)。Likewi
8種常用的成分分析檢測方法
材料成分分析可分為三個方面:材料結構的確定、材料形態的觀察和材料成分的分析。材料成分分析主要是通過各種檢測方法對樣品的成分進行定性和定量分析。
下面介紹幾種常用的材料成分分析方法:
1、化學分析:利用化學反應為基礎的分析方法，稱為化學分析。每種物質都有其獨特的化學性質，我們可以利用物質之間的化學反應并以適當的方式對其進行表征，以指示反應的過程，從而獲得物質中某些成分的含量;
2、原子光譜學:原子光譜學是原子吸收或發射的光子強度的有關光子能量(通常以波長表示)的圖，可以提供有關樣品化學成分的相關信息。原子光譜分為原子吸收光譜、原子發射光譜和原子熒光光譜三大類。
3、x射線能量色散光譜(EDX): EDX常與電子顯微鏡結合使用，測量電子與樣品相互作用產生的特征x射線的波長和強度，從而對小區域所含元素進行定性或定量分析。每種元素都有與之對應的特定波長的特征x射線，它不隨入射電子的能量而變化，通過測量電子激發樣品產生的特征x射線波長的類型，可以確定樣品中存在的元素類型。元素的含量與元素產生的特征x射線強度成正比，據此可以確定元素的含量。4、電子能譜:電子能譜是利用單色光源或電子束照射樣品，使樣品中的電子被激發和發射，然后測量這些電子的強度和能量分布，從而獲得物質信息。電子能譜的采樣深度只有幾個納米，所以它只是表面成分的反應;
5、x射線衍射(XRD):也可用XRD輔助定量物相分析。這是基于相的衍射強度隨含量的增加而增加的事實。但它不成比例，需要校正，用玉石程序可以定量分析相;
6、質譜法(MS):是將被測物質電離，根據離子的質量荷比將其分離，并測量各種離子譜峰的強度，以達到分析目的的一種分析方法。質量是物質的固有特性之一，不同的物質具有不同的質譜(簡稱質譜)，利用這一特性，我們可以進行定性分析;光譜峰強度也與其所代表化合物的含量有關，可用于定量分析。
7、分光光度計法:分光光度計采用一種能產生多個波長的光源，通過一系列分光光度計裝置，得到特定波長的光源，光線通過被測樣品，部分光線被吸收，計算出樣品的吸收值，從而換算成樣品的濃度，吸收值與樣品的濃度成正比。它包括可見分光光度計和紫外分光光度計;
8、火花直讀光譜儀:火花直讀光譜儀使樣品中的元素由固態直接氣化，受到火花的高溫激發，并發出各元素的特征波長。經過光柵的分裂，就變成了按波長排列的“光譜”。這些元素的特征光譜線通過發射縫射入各自的光電倍增管，光信號變成電信號。電信號經儀器的控制測量系統集成轉換，再經計算機處理，打印出各元素的百分含量。
本文標簽： # 成分檢測方式
掃一掃微信交流
發布評論