DOI: https://doi.org/10.1016/j.autcon.2026.106924
تاريخ النشر: 2026-03-27
المؤلف: Wanru Yang وآخرون
الموضوع الرئيسي: المسح ثلاثي الأبعاد والتراث الثقافي
نظرة عامة
تقدم هذه الورقة البحثية جهاز مسح الأنفاق، وهو إطار متطور مصمم لتعزيز تقسيم سحب النقاط ثلاثية الأبعاد لبطانات أنفاق الدرع الأسطوانية، خاصة في السيناريوهات ذات توفر البيانات المحدود. يستخدم الإطار مزيجًا من نمذجة الأنفاق البارامترية والمسح الضوئي الافتراضي باستخدام LiDAR لتوليد مشاهد أنفاق مشروحة دلاليًا بمعدل إنتاج مرتفع يبلغ حوالي 10.8 مليون نقطة في الساعة. الابتكار الرئيسي هو وحدة الترميز الهجين للموقع-الطبيعة (HPN)، التي تدمج المعلومات الهندسية في هياكل التعلم العميق، مما يسهل تحسين تجميع الميزات. تظهر الدراسة أن النماذج المدربة فقط على سحب النقاط الاصطناعية (SPCs) حققت متوسط تقاطع-على-اتحاد (mIoU) قدره 71.9% ودقة عامة (OA) قدرها 86.6%، مع تحسين التعلم بالنقل (TL) للأداء إلى ما لا يقل عن 78.8% mIoU و90.9% OA عند ضبطها بدقة باستخدام سحب النقاط الحقيقية المحدودة (RPCs).
تؤكد النتائج على ثلاثة جوانب حاسمة لفعالية الإطار: (i) أهمية اختيار الميزات الهندسية التي تحافظ على الاستقرار تحت زوايا الأنفاق وكثافات العينة المتغيرة، مما حسن دقة التقسيم بشكل كبير؛ (ii) قدرة HPN على دمج موصوفات الموقع والهندسة في وقت مبكر من عملية تجميع الميزات، مما يعزز تمييز الحدود في مهام التقسيم؛ و(iii) الفوائد المتنوعة للتعديل الدقيق بناءً على توفر إشراف RPC، حيث تقدم البيانات المحدودة إمكانيات أكبر لتحسين الأداء. أكدت التحقق عبر مجموعتين مختلفتين من بيانات أنفاق الدرع على متانة الإطار، محققة مقاييس دقة عالية حتى في ظل ظروف صعبة. تختتم الورقة بتحديد الاتجاهات المستقبلية، بما في ذلك توسيع جهود التحقق واستكشاف تقنيات التكيف المتقدم للنطاق لتعزيز توافق SPCs وRPCs، مما يحسن من متانة نشر الإطار في سير عمل فحص الأنفاق العملي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الحاجة المتزايدة لمراقبة صحة الهياكل بكفاءة في الأنفاق الحضرية، مدفوعة بزيادة التحضر ومتطلبات النقل. تعتبر البطانات القطاعية، المكونة من قطع خرسانية مسبقة الصنع، شائعة في بناء الأنفاق ولكنها تشكل تحديات كبيرة لتقييم الصحة بسبب تعقيدها والعدد الكبير من القطع التي تتطلب الفحص. تعتبر طرق الفحص اليدوي التقليدية كثيفة العمالة وعرضة للأخطاء، مما يدفع نحو التحول إلى أنظمة المراقبة الآلية، لا سيما باستخدام تقنيات المسح الضوئي بالليزر الأرضي (TLS) والمسح الضوئي بالليزر المحمول (MLS) التي تولد سحب نقاط ثلاثية الأبعاد كثيفة لتحليل هيكلي مفصل.
على الرغم من التقدم في هياكل التعلم العميق (DL) لمعالجة سحب النقاط، مثل PointNet وRandLA-Net، لا يزال الاعتماد على مجموعات بيانات كبيرة ومشروحة عائقًا أمام النشر الفعال في الهندسة المدنية. تتناول الورقة هذه القضية من خلال استكشاف طرق توليد البيانات الاصطناعية لتعزيز تقسيم DL لبطانات الأنفاق. تقدم جهاز مسح الأنفاق، وهو محاكي قابل للبرمجة بالكامل تم تطويره في Blender، والذي يقوم بأتمتة إنشاء سحب نقاط اصطناعية (SPCs) ذات دقة عالية تمثل هندسة الأنفاق بشكل واقعي. تقترح الدراسة أيضًا دمج وحدة الترميز الهجين للموقع-الطبيعة المحلية (HPN) في هياكل DL لتحسين دقة التقسيم وتقييم استراتيجية التعلم بالنقل من الاصطناعي إلى الحقيقي (Syn2Real) لتحسين الأداء باستخدام بيانات حقيقية محدودة. تهدف مساهمات هذا العمل إلى توفير إطار موحد لتوليد سحب نقاط الأنفاق وتعزيز قابلية تطبيق طرق DL في مراقبة صحة الهياكل.
طرق
تحدد قسم المنهجية استراتيجية استخراج الميزات الهندسية وتقدم وحدة شبكة النقاط الهرمية (HPN) الخفيفة الوزن الجديدة التي تهدف إلى تحسين تقسيم سحب النقاط للأنفاق. تواجه سحب النقاط، التي عادة ما تكون غنية بالسمات الإشعاعية مثل الكثافة وألوان RGB، تحديات في إعادة الإنتاج المتسق داخل البيئات الاصطناعية بسبب اعتمادها على تكوينات الماسحات الضوئية وخصائص السطح. نظرًا للارتباط الفطري بين الهندسة والدلالات، يؤكد المؤلفون على فائدة الميزات الهندسية لفهم ثلاثي الأبعاد، مدعومين بأبحاث سابقة تظهر فعاليتها في تقسيم سحب النقاط ومراقبة تشوهات بطانات الأنفاق.
تدمج وحدة HPN المقترحة بشكل مبتكر الميزات الهندسية المحسوبة مسبقًا مع التمثيلات المتعلمة، مما يعزز أداء الشبكات العصبية لسحب النقاط مع الحفاظ على الحد الأدنى من عبء المعلمات. تهدف هذه الطريقة إلى الاستفادة من نقاط القوة في كل من الميزات الهندسية والمتعلمة، مما قد يؤدي إلى تحسين الدقة والكفاءة في مهام تقسيم الأنفاق.
نتائج
تقيم قسم النتائج أداء تقسيم جهاز مسح الأنفاق المقترح ووحدة شبكة الباتش الهرمية (HPN) من خلال سلسلة من التجارب. يتم تقديم استراتيجية تدريب قائمة على الباتش تستخدم القص الأسطواني المدعوم للحفاظ على هندسة الأنفاق أثناء التدريب. تقيم دراسة الإزالة تأثير الميزات الهندسية الفردية، بينما يتم تقييم HPN عبر شبكات العمود الفقري المختلفة تحت إعداد نقل Syn2Real. تشير النتائج إلى أن دمج HPN يعزز أداء التقسيم عبر جميع العمود الفقري المختبر، مع تحسينات ملحوظة في متوسط تقاطع-على-اتحاد (mIoU) والدقة العامة (OA). على وجه التحديد، تحقق LiningNet مع HPN أعلى أداء، مسجلاً متوسط OA قدره 86.6% وmIoU قدره 71.9%. تقلل HPN بشكل فعال من تجزئة الحدود وتحسن تقسيم الفئات، خاصة في السيناريوهات الصعبة ذات التكوينات غير المنتظمة.
في إعداد Real2Real، تحقق LiningNet مع HPN mIoU قدره 91.7% وOA قدره 96.2%، متجاوزًا الأداء الأساسي. تحدد الدراسة فجوة دائمة في النطاق عند التدريب فقط في النطاق الاصطناعي، والتي تعزى إلى التحولات السابقة والمشتركة. تعزز عملية التعديل الدقيق، التي تعدل الميزات المتعلمة مسبقًا لتتوافق بشكل أفضل مع توزيعات البيانات الحقيقية، الأداء بشكل كبير، خاصة في السيناريوهات ذات البيانات المنخفضة. تظهر النتائج أن التعديل الدقيق مع الحد الأدنى من تجميد الطبقات المبكرة يؤدي إلى نتائج أفضل، وأن معدل التعلم (LR) يلعب دورًا حاسمًا في تحسين الأداء بناءً على حجم بيانات التدريب الحقيقية المتاحة. بشكل عام، تؤكد النتائج فعالية HPN في تحسين دقة التقسيم والمتانة عبر ظروف البيانات المتنوعة.
مناقشة
تتناول قسم “المناقشة” من الورقة البحثية تطوير جهاز مسح الأنفاق، وهو محاكي قائم على Blender مصمم لإنشاء سحب نقاط أنفاق اصطناعية مستندة إلى الهندسة مع تعيين دلالي تلقائي. يستخدم المحاكي مجموعتين مرجعيتين، Seg2Tunnel وSTSD، اللتين توفران بيانات سحب نقاط واسعة من أنفاق الدرع في الصين. تتكون مجموعة بيانات Seg2Tunnel من 738 حلقة على مدى 885.6 م، مع حوالي 439.2 مليون نقطة، بينما تتضمن مجموعة بيانات STSD 207 حلقة تمتد على 310.5 م و235.1 مليون نقطة. تؤكد الورقة على أهمية النمذجة عالية الدقة لبطانات الأنفاق، مع تمثيل المكونات المساعدة بتفاصيل هندسية أقل لتبسيط تعقيد المحاكاة. تتضمن عملية النمذجة إنشاء قطع فردية، وترتيبها في حلقات، وتطبيق تقنيات العشوائية لمحاكاة مجموعة بيانات STSD.
تتوسع القسم أيضًا في النمذجة الهندسية لحلقات الأنفاق، التي تتكون عادة من ستة قطع، بما في ذلك قطع الكستون والقطع القياسية. يتم تخصيص المعلمات التي تحكم الهندسة وفقًا للظروف المحلية وممارسات البناء، مع السماح للنموذج بحدود قابلة للتعديل من قبل المستخدم للتخصيص. تناقش الورقة أيضًا الهندسة المشتركة بين القطع، مع التأكيد على أهمية إزاحات المفاصل في التقاط الاستجابات الهيكلية تحت الحمل. يتم وصف نمذجة البراغي، التي تعمل كدلائل بصرية حاسمة في تقسيم سحب النقاط، بالتفصيل، بما في ذلك بناء جيوب البراغي والرؤوس. أخيرًا، يتم توضيح تجميع هياكل الأنفاق وعملية المسح، مع تسليط الضوء على دمج المكونات المختلفة لإنتاج بيئة محاكاة شاملة وواقعية لتحليل صحة الهياكل.
DOI: https://doi.org/10.1016/j.autcon.2026.106924
Publication Date: 2026-03-27
Author(s): Wanru Yang et al.
Primary Topic: 3D Surveying and Cultural Heritage
Overview
This research paper introduces Tunnel Scanner, a sophisticated framework designed to enhance the segmentation of 3D point clouds of cylindrical shield tunnel linings, particularly in scenarios with limited data availability. The framework employs a combination of parametric tunnel modeling and virtual LiDAR scanning to generate semantically annotated tunnel scenes at a high throughput of approximately 10.8 million points per hour. A key innovation is the Hybrid Position-Normal Encoding (HPN) module, which integrates geometric information into deep learning architectures, facilitating improved feature aggregation. The study demonstrates that models trained solely on synthetic point clouds (SPCs) achieved a mean Intersection-over-Union (mIoU) of 71.9% and an overall accuracy (OA) of 86.6%, with transfer learning (TL) further enhancing performance to at least 78.8% mIoU and 90.9% OA when fine-tuned with limited real point clouds (RPCs).
The findings underscore three critical aspects of the framework’s effectiveness: (i) the importance of selecting geometric features that maintain stability under varying tunnel orientations and sampling densities, which significantly improved segmentation accuracy; (ii) the HPN’s ability to fuse position and geometry descriptors early in the feature aggregation process, enhancing boundary discrimination in segmentation tasks; and (iii) the varying benefits of fine-tuning based on the availability of RPC supervision, with limited data offering greater potential for performance improvement. Validation across two distinct shield tunnel datasets confirmed the framework’s robustness, achieving high accuracy metrics even under challenging conditions. The paper concludes by outlining future directions, including expanding validation efforts and exploring advanced domain adaptation techniques to further enhance the alignment of SPCs and RPCs, thereby improving the framework’s deployment robustness in practical tunnel inspection workflows.
Introduction
The introduction of this research paper highlights the growing need for efficient structural health monitoring in urban tunnels, driven by increased urbanization and transport demands. Segmental linings, composed of precast concrete segments, are prevalent in tunnel construction but pose significant challenges for health assessment due to their complexity and the extensive number of segments requiring inspection. Traditional manual inspection methods are labor-intensive and error-prone, prompting a shift towards automated monitoring systems, particularly utilizing Terrestrial Laser Scanning (TLS) and Mobile Laser Scanning (MLS) technologies that generate dense 3D point clouds for detailed structural analysis.
Despite advancements in deep learning (DL) architectures for processing point clouds, such as PointNet and RandLA-Net, the reliance on large, annotated datasets remains a barrier to effective deployment in civil engineering. The paper addresses this issue by exploring synthetic data generation methods to enhance DL segmentation of tunnel linings. It introduces the Tunnel Scanner, a fully scriptable simulator developed in Blender, which automates the creation of high-fidelity labeled synthetic point clouds (SPCs) that realistically represent tunnel geometries. The study also proposes the integration of a Hybrid Position-Normal Local Spatial Encoding (HPN) module into DL architectures to improve segmentation accuracy and evaluates a two-stage synthetic-to-real (Syn2Real) transfer learning strategy to optimize performance with limited real data. The contributions of this work aim to provide a unified framework for tunnel point cloud generation and enhance the applicability of DL methods in structural health monitoring.
Methods
The methodology section outlines a geometric feature extraction strategy and introduces a novel lightweight Hierarchical Point Network (HPN) module aimed at improving tunnel point cloud segmentation. Point clouds, which are typically enriched with radiometric attributes such as intensity and RGB colors, face challenges in consistent reproduction within synthetic environments due to their dependence on scanner configurations and surface properties. Given the inherent coupling of geometry and semantics, the authors emphasize the utility of geometric features for 3D understanding, supported by prior research demonstrating their effectiveness in point cloud segmentation and monitoring tunnel lining deformations.
The proposed HPN module innovatively integrates pre-computed geometric features with learned representations, thereby enhancing the performance of point cloud neural networks while maintaining minimal parameter overhead. This approach aims to leverage the strengths of both geometric and learned features, potentially leading to improved accuracy and efficiency in tunnel segmentation tasks.
Results
The results section evaluates the segmentation performance of the proposed Tunnel Scanner and Hierarchical Patch Network (HPN) module through a series of experiments. A patch-based training strategy utilizing coverage-weighted cylindrical cropping is introduced to maintain tunnel geometry during training. An ablation study assesses the impact of individual geometric features, while the HPN is evaluated across various backbone networks under the Syn2Real transfer setting. The findings indicate that integrating HPN enhances segmentation performance across all tested backbones, with notable improvements in mean Intersection over Union (mIoU) and overall accuracy (OA). Specifically, LiningNet with HPN achieves the highest performance, recording an average OA of 86.6% and mIoU of 71.9%. The HPN effectively reduces boundary fragmentation and improves class segmentation, particularly in challenging scenarios with irregular configurations.
In the Real2Real setting, LiningNet with HPN achieves a mIoU of 91.7% and OA of 96.2%, surpassing the baseline performance. The study identifies a persistent domain gap when trained solely in the synthetic domain, attributed to prior and covariate shifts. The fine-tuning process, which adjusts pre-learned features to better align with real data distributions, significantly enhances performance, particularly in low-data scenarios. The results demonstrate that fine-tuning with minimal early-layer freezing yields better outcomes, and the learning rate (LR) plays a crucial role in optimizing performance based on the volume of available real training data. Overall, the findings underscore the effectiveness of HPN in improving segmentation accuracy and robustness across varying data conditions.
Discussion
The “Discussion” section of the research paper details the development of Tunnel Scanner, a Blender-based simulator designed to create geometry-informed synthetic tunnel point clouds with automatic semantic annotation. The simulator utilizes two benchmark datasets, Seg2Tunnel and STSD, which provide extensive point cloud data from shield tunnels in China. The Seg2Tunnel dataset comprises 738 rings over 885.6 m, with approximately 439.2 million points, while the STSD dataset includes 207 rings spanning 310.5 m and 235.1 million points. The paper emphasizes the importance of high-fidelity modeling of tunnel linings, with ancillary components represented at a lower geometric detail to streamline simulation complexity. The modeling process involves generating individual segments, arranging them into rings, and applying randomization techniques to emulate the STSD dataset.
The section further elaborates on the geometric modeling of tunnel rings, which are typically composed of six segments, including keystone and standard segments. The parameters governing the geometry are tailored to local conditions and construction practices, with the model allowing user-editable bounds for customization. The paper also discusses the joint geometry between segments, emphasizing the significance of joint displacements in capturing structural responses under load. The modeling of bolts, which serve as critical visual cues in point cloud segmentation, is described in detail, including the construction of bolt pockets and heads. Finally, the assembly of tunnel structures and the scanning process are outlined, highlighting the integration of various components to produce a comprehensive and realistic simulation environment for structural health analysis.