摘要
要查看此由AI生成的摘要，您必须具有高级访问权限。了解更多信息请登录。
**摘要**
准确分割和分类遗产点云数据是开发有效的遗产建筑信息建模（HBIM）工作流程的关键步骤。因此，本文旨在实验、评估并比较各种机器学习（ML）算法在遗产保护中的点云分割应用。通过使用RANSAC、DBSCAN、HDBSCAN和K-最近邻（KNN）进行了一系列探索性ML实验，以测试一个遗产案例研究中的初始分割性能。基于ML实验的关键发现，本研究探讨了分类系统的基础作用及其在实现基于ML的分割中的互操作性。通过结构化的实验过程，本文评估了四种主要的分类系统：Uniclass、IFC、ETIM和CCI，探讨了它们在遗产背景下的适用性以及支持HBIM环境中语义标注的能力。研究进一步测试了这些系统在Autodesk Revit中的互操作性，评估了它们在数据交换方面的便利性以及减少模型开发过程中手动转换的需求。
研究结果表明，所评估算法在分割精度、计算效率和鲁棒性方面存在显著差异。它提供了关于计算几何和计算机视觉中常用的点云分割算法的见解和关键学习成果，特别关注HBIM领域。同时，它还强调了某些模型在处理遗产结构典型复杂建筑细节方面的优越性。
虽然ML算法为遗产点云的聚类潜力提供了见解，但它们的局限性也突显了结构化分类方案的必要性。研究结果表明，有效的HBIM分割始于明确定义且可互操作的分类系统，而ML模型作为工具可以从这种结构化输入中受益。
这项研究的新颖之处在于将其重点应用于遗产保护，为数字遗产文档提供了宝贵的见解。这一贡献通过为文化遗产中的ML应用提供基准，推动了该领域的发展，指导了未来自动化遗产数据处理的进展。结果表明，尽管这些算法可以促进早期分割，但它们缺乏内在的语义意识，因此需要进一步探索混合ML方法；同时发现Uniclass分类系统是最适合语义分类的分类系统。
**AI摘要**
**AI生成的摘要（实验性）**
此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍是论文的官方摘要。完整文章是权威版本。点击此处了解更多信息。
**1 引言**
遗产结构的保护和管理越来越依赖于先进的数字技术，特别是用于遗产建筑信息建模（HBIM）的点云分割技术，而这种技术目前仍是一种手动、容易出错且繁琐的重复性工作。尽管机器学习（ML）算法在点云处理方面取得了进展，但它们在遗产数据分割中的有效性和比较性能仍需进一步探索。
点云的分割和分类在HBIM应用中起着关键作用。传统方法依赖于手动处理，这既费时又容易出错。本研究评估了监督式ML方法以提高效率和准确性。点云分割在计算机视觉和ML领域受到了广泛关注。3D扫描技术的日益普及推动了自动化分类和分割方法的研究（Grilli等人，2017年）。
传统的分割技术包括区域生长、表面拟合和聚类算法（Rabbani等人，2006年）。区域生长方法由于难以确定种子点和处理噪声数据而常常遇到挑战。基于RANSAC的表面拟合方法在BIM中成功应用于平面特征提取（Schnabel等人，2007年），但在处理曲面或不规则表面时面临挑战。
基于密度的聚类方法（如DBSCAN和HDBSCAN）在分割非平面结构方面提供了更好的灵活性（Moeslund和Granum，2001年）。这些方法被广泛用于基于对象的点云分析，在区分密集区域和稀疏区域方面表现出色（Campello等人，2015年；Czerniawski等人，2018年；Schubert等人，2017年）。然而，DBSCAN对参数选择的敏感性限制了其在不同数据集上的鲁棒性，因此开发了层次扩展技术，如HDBSCAN（McInnes等人，2017年）。K-最近邻（KNN）常用于点云数据集的分类任务，通常作为监督学习模型的基线（Griffiths和Boehm，2019年）。虽然KNN提供了有效的局部邻域分类，但其对距离度量的依赖使其不太适合复杂的建筑环境（Halder等人，2024年）。
尽管ML取得了进展，但仍需要结合几何、统计和深度学习技术的混合方法。需要探索更先进且针对遗产特点的融合技术，将传统聚类与基于神经网络的分类相结合，以提高HBIM分割的准确性（Guo等人，2020年）。因此，本文旨在解决两个主要研究问题：（1）哪种分类系统最适合用于分割实现前的ML训练数据集开发；（2）上述ML算法如何成功实现点云分割？
**2 研究方法**
本文采用实验方法来衡量分类系统的有效性，以符合HBIM实践，建立训练数据集，并使用RANSAC、DBSCAN、HDBSCAN和KNN等ML模型实现点云分割。研究首先实现ML算法进行点云分割，并评估这些算法以提高效率和准确性。通过测试RANSAC、DBSCAN、HDBSCAN和KNN，研究旨在确定它们在HBIM分类任务中的可行性，并识别潜在的改进点，从而证明定义分类系统的必要性，进而继续使用Uniclass、Industry Foundation Classes（IFC）、ETIM和CCI等现有分类系统本体进行实验评估。接下来是关于HBIM中分类互操作性的最终实验，探讨如何在不同分类系统（如Uniclass、CCI、ETIM和IFC）之间实现互操作性，以减少手动干预并防止数据丢失。
**2.1 案例研究背景：格林尼治皇家博物馆（RMG）**
本案例研究以Queen’s House为中心，该建筑由RMG管理，位于联合国教科文组织指定的格林尼治海洋世界遗产地内。Queen’s House位于泰晤士河南岸，是英国建筑史上的重要作品，反映了几个世纪的皇家赞助、海上力量和科学创新。该建筑由安妮·丹麦女王于1616年委托设计，并在亨丽埃塔·玛丽亚女王时期完成，由Inigo Jones设计，于1635年竣工。它是英格兰第一座有意识地采用古典风格的建筑，体现了Jones在意大利旅行期间接触到的帕拉第奥理想的影响。Queen’s House的设计彻底摆脱了主导英国建筑的都铎哥特式风格，融入了对称性、几何比例和轴线对齐的原则。其简洁的优雅和形式清晰度标志着英国建筑话语的一个转折点（Delman，2021年）。
在其历史中，Queen’s House经历了多次改造、保护和再利用。最初作为皇家别墅和狩猎小屋，现在它是国家海事博物馆的重要组成部分，收藏了大量的精美海洋艺术品。它位于格林尼治公园和泰晤士河的轴线对齐线上，与其他遗产地元素（如旧皇家海军学院和皇家天文台）形成了广泛的空间和视觉联系。作为管理机构，RMG对Queen’s House的持续保护、管理和修复负有重要责任，包括应对老化结构带来的挑战，适应现代用途，并确保符合保护最佳实践（RMG，2024年）。
**2.2 案例研究数据集**
本研究使用了三个来自RMG的不同数据集，每个数据集都针对研究的特定阶段进行了选择。这些数据集通过不同的技术获取，反映了不同的空间、几何和语义复杂性，对研究的实验和建模部分都至关重要。
第一个数据集用于初始实验阶段，包含一个单独画廊房间的分割点云。该子集是从使用Leica RTC360地面激光扫描仪获得的全面建筑规模点云中提取的，该扫描仪以其高精度的3D空间捕获而闻名。原始扫描数据使用Leica Cyclone软件进行了处理和空间索引，实现了高效的分割和针对性分析。最终数据集包含约867万个点，详细展示了画廊的建筑特征和内部元素，包括座椅、壁挂画和照明装置。
第二个数据集是同一画廊的原始Autodesk Revit模型，开发于Revit 2021版本。该模型用于分类实验和HBIM集成，特别是在表示遗产特定建筑特征方面表现出高水平的几何保真度。关键示例包括精细建模的石栏杆和底层砌体。Revit文件总大小为974 MB，包含十个主要的建筑和结构元素类别：墙壁、地板、天花板、屋顶、柱子、门、窗户、楼梯、栏杆和管道装置。
第三个数据集如图2所示，在研究的后期阶段使用摄影测量方法生成。通过DJI Mavic 2 Pro无人机拍摄的高分辨率航拍图像（共8,754张）进行处理，得到了一个全面的摄影测量点云（图2）。该数据集包含约1,373万个点，部分覆盖了格林尼治海洋世界遗产地。除了博物馆建筑群外，数据集还包括相邻的结构，如Queen’s House、Park Row行政建筑和周边辅助建筑。下一节将解释使用这些案例研究数据集进行的ML实验。
**3 ML实验**
本研究评估了机器学习方法在HBIM建模中的自动化点云分割应用，以提高效率和准确性。通过测试RANSAC、DBSCAN、HDBSCAN和KNN，研究旨在确定它们在HBIM分类任务中的可行性，并识别潜在的改进点。选择这些算法是因为它们能够对点云进行分类和分割，从而揭示了它们在HBIM场景中的适应能力。通过研究RANSAC、DBSCAN、HDBSCAN和KNN等算法，本文提供了关于它们的性能、局限性和适用性的见解。
最近的ML进展引入了提高效率和可扩展性的聚类和分类算法。DBSCAN和HDBSCAN在检测非平面特征方面显示出潜力，而RANSAC仍然是平面分割的主要方法。然而，这些方法通常缺乏语义丰富性，这对于HBIM应用至关重要。研究结果表明，采用机器学习和深度学习方法进行大规模分割和分类是可行的。指导这项研究的假设是，经过仔细调整的某些算法子集可以有效地对代表HBIM案例研究的点云中的关键特征进行分类。
**3.1 实验流程**
实验分为两个阶段进行。首先，使用CloudCompare对画廊房间的点云数据集进行了预处理。通过Octree方法进行降采样，将数据集从8,668,103个点减少到602,557个点，从而在计算可行性和保持几何保真度之间取得了平衡。处理后的数据集以.pcd格式导出，然后在Anaconda环境中使用Python 3.7.16（Spyder IDE）进行分析，利用Open3D进行可视化和分类。这种.pcd格式得到了Point Cloud Library的广泛支持，与其他文件类型相比，具有更好的多维点云数据兼容性。在这个基于Python的工作流程中，Open3D库提供了可视化和聚类功能，允许数据操作、算法分类和结果导出的连贯生态系统（图3）。
在Python环境中，依次尝试了经典的聚类和平面检测算法：
(1) RANSAC：用于平面检测，距离阈值为0.055，ransac_n为3，迭代次数为1,000次。这种方法使用数学平面表示法，即 ax + by + cz + d = 0，来隔离重要的平面结构。(2)DBSCAN：应用于非平面点，并调整 eps 和 min_points 参数。DBSCAN 的基于密度的方法依赖于两个主要参数：eps（相邻点之间的最大距离）和 min_points（形成簇所需的最小点数）。(3)HDBSCAN：用于提高聚类的鲁棒性，减少参数敏感性。HDBSCAN 通过采用层次聚类和基于稳定性的平面聚类来克服 DBSCAN 对参数选择的敏感性；它需要预先指定 min_cluster_size 参数。(4)KNN：使用 Scikit-Learn 的 Nearest Neighbours 类来实现，以评估其在空间密集数据上的性能，特别关注影响计算效率的 leaf_size 参数。3.2 机器学习实验结果与评估由于本次研究的定量指标有限，实验结果主要通过定性评估来进行。目的是观察每种算法是否能够适当地从点云中分割出显著的建筑特征，从而初步了解这些方法在广泛的 HBIM 数据集上的表现。图 4 显示了这四种算法的分割结果。图 4. RANSAC、DBSCAN、HDBSCAN 和 KNN 算法的分割结果。RANSAC 能够有效地检测到主导的平面表面（如地板），但在处理非平面元素时遇到困难。经过仔细调整参数后，DBSCAN 成功检测到了离散特征（如照明架和长凳）。然而，它依赖于手动优化的阈值，这限制了其对具有异构特征密度的数据集的适应性。HDBSCAN 通过消除对特定距离阈值的需求，减轻了 DBSCAN 的一些参数限制，但引入了提前定义簇数量的要求。这对于具有众多相互连接元素的复杂建筑数据集来说尤其具有挑战性。最后，KNN 在处理密集且复杂的建筑几何形状时表现不佳，因此不适合用于 HBIM 应用。这些算法的性能必须考虑到遗产建筑数据集所面临的独特挑战。当存在单一主导平面（如地板）时，RANSAC 在检测主导平面表面方面表现出色。然而，建筑点云通常跨越多个房间、阶梯式地板配置和紧密耦合的几何形状。在这种情况下，最大的平面表面可能不仅仅对应于地板，从而导致歧义或错误分类。区域生长方法虽然概念上简单，但在相邻元素（如墙壁、柱子或拱门）间距不明显或多个表面相交时也会出现问题。从 RANSAC 到 KNN 的所有算法都面临一个共同的限制：它们本身不会为各个部分附加语义标签。尽管程序性标记（例如，在 RANSAC 导出的文件名后添加“floor”）提供了一种部分解决方案，但它未能实现全面的语义丰富。因此，这些方法未能满足 HBIM 中通常所需的自动化和语义集成水平，在 HBIM 中的目标是为每个元素分配特定的分类，如建筑时期、结构功能或保护状态。尽管存在这些限制，当粗略分割足够或作为后续详细分析的初步阶段时，这些工作流程仍具有潜力。如图 5 所示，在一个涉及海事博物馆整个场地的航空数据集的测试中，RANSAC 准确地区分了地形表面和地面数据，而 DBSCAN 则将不同的建筑体聚类在一起。然而，建筑连接（如柱廊）的存在导致多个建筑之间的簇合并。尽管如此，每种算法都分离出了辅助噪声（移动的行人、植被和反射表面），表明这些方法可以进一步完善，以自动排除某些形式的点云噪声。图 5. 在场地级案例研究数据集上，RANSAC、DBSCAN 和 HDBSCAN 算法的分割结果。考虑到这些观察结果，算法分类可以简化早期数据准备，特别是对于需要高效空间分割的大规模或城市级 HBIM 研究。通过实施自动化的噪声去除和改进的簇分配方法，可以提取建筑轮廓或感兴趣的区域，随后进行更细致的手动或机器驱动的注释。因此，这些机器学习实验表明，标准的几何聚类方法对于完全成熟的 HBIM 语义分割来说还不够充分，但在常规数据清洗和初步分区任务中具有潜力。因此，有必要采用基于上述算法机器学习实验关键发现的分类系统进行语义分割。下一节将解释关于分类系统的探索性实验。4 分类系统实验分类系统提供了层次结构，允许对建筑组件进行详细分类，支持复杂的 BIM 流程和数据管理工作流程（Pupeikis 等，2022）。这些系统对于有效的信息建模至关重要，促进了专业实践和研究中的语义一致性和互操作性（Cerezo-Narváez 等，2020）。世界各地已经开发了各种分类系统，以满足区域和行业特定的需求。例如，RICS 新测量规则（RICS，2012）强调成本估算和项目管理，而 NBS Uniclass（2025）为英国和国际使用提供了统一的框架。在北美，OmniClass（CSI，2021）基于 MasterFormat 广泛采用，UniFormat（CSI，2024）专注于规范和成本分析。CoClass（Svensk Byggtjänst，2025）是瑞典的国家分类系统，CCS（Molio，2025）满足丹麦的建筑需求。其他值得注意的系统包括芬兰的 TALO 和全球标准化的 CCI（Haahtela-kehitys，2025）。对于数据互操作性，IFC（buildingSMART，2025）作为行业标准的 BIM 数据模型，而 ETIM（ETIM International，2025）对技术产品规范进行分类。本研究重点关注四个分类系统：NBS Uniclass、IFC、ETIM 和 CCI，因为它们与 HBIM 和 AI 集成相关。它们的评估有助于开发 HBIM 实践中 AI 驱动的分类和分割框架。4.1 分类系统实验结果初步比较显示，在测试的系统中，NBS Uniclass 提供了最详细和具体的分类。例如，在窗玻璃更换场景中（图 6），只有 NBS 能够区分单独的玻璃窗，而 ETIM 和 IFC 提供了更广泛或辅助性的类别。同样，NBS 更精确地识别了扶手和吊灯，而 CCI 和 IFC 使用了更通用的标签。图 6. 在损坏的窗玻璃更换场景中，NBS、CCI、IFC 和 ETIM 的分类系统比较。为了评估分类准确性，根据系统与英国遗产特定标准的匹配程度进行评分：完全匹配得 1 分，部分或父类别得 0.5 分，不匹配得 0 分。NBS 得分为 3 分，反映了其高精度和相关性。IFC 和 ETIM 各得 1.5 分，而 CCI 得分为 1 分，表明其适用性有限。第二个使用外部立面数据的实验（图 7）显示，NBS 覆盖了 87.5% 的观察到的元素，但对某些特征（如窗户和柱子）缺乏子类细节。这些差距表明需要补充的本体。尽管如此，NBS 一致的结构、清晰的层次结构和机器学习兼容性使其成为最适合 AI 驱动的 HBIM 工作流程的系统。图 7. 使用外部立面分类的 Uniclass 基础的差距分析。4.2 分类系统实验结果这个两阶段实验确认 NBS Uniclass 是最适合遗产建筑案例研究的分类系统，优于 IFC、CCI 和 ETIM。虽然这些系统最初并不是为文化遗产开发的，但研究结果突显了将通用分类框架适应 HBIM 工作流程的细微要求的挑战。这些系统在分类复杂性方面存在显著差异。IFC 具有深层、多层次的层次结构，语义丰富但计算要求高，使得 AI 集成变得困难。CCI 反映了这种层次化方法，但缺乏 IFC 的语义深度。相比之下，ETIM 使用线性结构简化了分类，但在支持遗产背景的复杂性方面不足。相比之下，NBS Uniclass 使用结构化、简洁的层次结构，最多有六个父级。它从广泛的组（如产品（Pr）和角色（Ro）开始，然后细化为具体的子类别。这种简化结构支持更容易的分类，并与 AI 驱动的自动化很好地对齐。ETIM 使用更简单的线性分类法，从产品组到产品特征，但在支持遗产背景的复杂性方面不足。除了分类之外，IFC 为每个类别预定义了属性，例如玻璃窗的“玻璃颜色”和“玻璃厚度”，支持详细的语义建模。然而，正如本研究所观察到的，它缺乏详细的子类，这限制了其在需要细粒度分类以反映建筑多样性的遗产项目中的实用性。NBS Uniclass 覆盖了 87.5% 的观察到的元素，但在柱子、门和壁炉等特征的子类上存在一些小差距，这些问题在之前的案例研究（如威斯敏斯特宫翻新项目（NBS，2021）中也有体现。这些问题可以通过根据遗产需求定制的用户定义扩展来解决。该研究还将 Uniclass 放在国际标准的背景下进行考虑。ISO 12006-2:2015 加强了 Uniclass 的层次结构，支持项目生命周期中的数据组织。ISO/IEC 81346 为组件关系提供了见解，尽管对遗产的关注较少。值得注意的是，ISO 21127:2023 提供了特定于文化遗产的语义本体，使历史背景和叙述能够更深入地集成到 HBIM 中。将 Uniclass 与 ISO 21127 结合使用可以显著增强 AI 驱动的 HBIM，通过桥接结构化分类和语义意义。总的来说，NBS Uniclass 提供了一个结构化、符合 ISO 标准且机器可读的分类系统，非常适合遗产 BIM 中的 AI 集成。尽管存在一些限制，但它为推进遗产环境中的机器学习应用提供了坚实的基础。5 HBIM 分类互操作性实验第三个实验通过使用 Autodesk Revit 的半自动化工作流程探索了 HBIM 中的分类互操作性。它展示了如何互换使用 Uniclass、CCI、ETIM 和 IFC 等系统，减少手动输入并最小化数据丢失。这突显了分类选择在 Scan-to-BIM 过程中的重要性，这直接影响 AI 驱动的 HBIM 自动化。通过解决核心挑战，该研究提供了一种增强分类互操作性的新方法。5.1 Autodesk Revit 概述Autodesk Revit 是一款领先的 BIM 创作工具，最初开发于 1997 年，并于 2002 年被 Autodesk 收购，它基于参数化建模原理，在统一环境中整合了几何和非几何数据（Azhar，2011；Eastman 等，2021）。它在 AEC 行业中的广泛使用源于其全面的特性、与其他 Autodesk 工具的互操作性以及与 ISO 19650 等标准的兼容性。在 HBIM 环境中，Revit 因其可定制的族、与点云数据的兼容性以及对高级成像的支持而受到重视，使其非常适合记录复杂的遗产结构（Brumana 等，2020；Dore 和 Murphy，2017）。其参数化环境和协调的数据处理为保护和修复工作流程提供了坚实的基础。5.2 HBIM 分类互操作性实验结果该实验使用半自动化工作流程评估了 Uniclass、CCI、ETIM 和 IFC 分类系统在 Autodesk Revit 中的互操作性。一个遗产建筑模型作为测试平台，使用了包括 BuildingSMART 数据字典、Autodesk Dynamo、Microsoft Excel 和 Revit 插件（Autodesk Interoperability Tools 和 DiRoots One）在内的工具。外部 IFC 查看器（如 Solibri 和 DiStellar）用于验证 IFC 导出。如图 8 所示的工作流程从基于 Excel 的映射矩阵开始，使用 Tier 1 Uniclass EF 代码（EF15–EF85），并与相应的 CCI、ETIM、IFC 和原生 Revit 分类进行交叉引用。插件简化了代码分配和同步，减少了手动输入。使用这种设置，每种方法在不到 30 分钟内对 2,845 个元素进行了分类，并通过 Dynamo 脚本为其他系统添加了相关代码，以减少错误并提高效率。图 8. 显示 Revit 中 Uniclass 集成的分类互操作性工作流程。出现了两个关键挑战：Uniclass EF 的概念结构和缺乏详细的子类使得跨平台映射变得复杂，而 Revit 的族系统缺乏层次一致性。尽管如此，半自动化工作流程被证明是实用且可扩展的。IFC 导出结果确认，如果 Revit 的 IFC 映射正确关联每个参数，自定义分类参数可以在不同软件平台之间保持一致。Revit 在实例级别定义 IFC 类的能力也有助于在转换到 OpenBIM 环境时解决分类歧义。IFC 导出测试确认，如果 Revit 的 IFC 映射配置正确，自定义分类参数可以在不同平台之间保持一致。Revit 对 IFC 类的定义支持在导出过程中解决歧义。然而，模式对齐问题仍然存在。正如 Pauwels 和 Terkaj（2016）所指出的，保留 IFC 属性对于后续的 IFCOWL 使用至关重要。Revit的自定义字段与IFC规范之间的不匹配可能会导致语义丢失，从而增加与诸如建筑拓扑本体（BOT）（Rasmussen等人，2020年；Wen等人，2021年）等本体的集成复杂性。进一步分析表明，较低级别的Uniclass EF代码相比一级代码可以减少不匹配问题。此外，ETIM可能与Uniclass产品表的匹配度更高，尽管仍存在一些术语上的不一致性。最后，虽然像Uniclass、CCI和ETIM这样的分类系统由于其非基于规范的结构而具有灵活性，但它们缺乏像IFCOWL这样的基于规范的模型的形式表达能力，这限制了高级推理和自动化的潜力。在所审查的系统中，Uniclass与IFC的结构对齐度最高，并为改进互操作性提供了最坚实的基础。
5.3 实验结果在互操作性方面的评估
这项实验仅限于Uniclass元素/功能表的一级，作为初步的概念验证。未来的研究应扩展映射矩阵，包括更多的Uniclass表和分类系统，以涵盖更广泛的建筑元素，并解决命名不一致性和分类不匹配等问题。进一步的研究还应探索将IFCOWL更深入地整合到系统设计中，特别是关于Revit属性集和用户定义参数的导出。基于本体的对齐对于依赖语义精确度的AI驱动的HBIM工作流程来说越来越重要。
研究结果证实，在Revit中进行手动和半自动分类映射是可行的，并且可以一致地导出到开放的IFC格式。然而，引入自定义属性集时必须谨慎管理，以保持互操作性。从战略角度来看，Uniclass作为一个紧凑实用的分类系统，在AI增强的HBIM中具有巨大潜力，尤其是因为其与IFC结构的对齐性。
5.4 实际意义
本研究的结果，特别是关于Uniclass分类系统的使用，对HBIM的实际实施及其与AI驱动工作流程的集成具有重大意义。
5.4.1 提升HBIM分类工作流程
实验表明，Uniclass提供了一个结构化且紧凑的分类系统，可以使用半自动化工具（如Autodesk互操作性工具、DiRoots One、Microsoft Excel和Dynamo）在HBIM环境中高效应用。这有助于在大量传统建筑元素中实现一致的分类，同时减少人工劳动。在现实世界的遗产项目中，这种简化流程可以提高建模输出的可靠性，促进多学科团队之间的更好协调，并支持更明智的保护规划。
5.4.2 改进AI训练和数据标注
基于AI的分割和分类模型严重依赖于干净、一致且语义丰富的标注数据。Uniclass凭借其层次结构和清晰的术语，提供了一个有效的标注系统，可以支持遗产背景下的对象检测和材料分类等监督学习任务。Uniclass代码的一致性有助于最小化训练数据集中的歧义，并提高模型在不同项目和建筑类型中的泛化能力。
5.4.3 支持互操作性和OpenBIM交换
Uniclass与IFC规范之间的相对较强对齐性确保了分类数据可以成功导出到可互操作的格式，而不会丢失语义清晰度。这在涉及多个软件平台和利益相关者的协作HBIM项目中尤为重要。通过保留IFC导出中的分类参数，从业者可以促进OpenBIM环境中的数据顺畅交换，保持信息的长期准确性，并有助于遗产资产的数字保存。
5.4.4 连接到基于本体的HBIM应用
尽管Uniclass不是基于正式的本体，但它提供了一个系统的命名法，可以作为本体对齐或轻量级语义建模的基础。随着HBIM系统向基于本体的标准（如IFCOWL、BOT）的集成发展，这一点尤为重要。这样的集成将使AI工具能够支持高级推理、推理和遗产知识表示，将建筑元素与历史叙述、保护政策和生命周期数据联系起来。
5.4.5 为特定遗产元素扩展分类
研究还指出了Uniclass在处理特定遗产组件（如传统木工制品、手工制作的装饰线条或特定时期的固定装置）时可能缺乏细粒度的地方。然而，其灵活的架构允许用户定义扩展，从而在不破坏分类一致性的情况下填补这些空白。这种适应性使从业者能够根据项目特定需求细化分类系统，从而增强HBIM模型的描述能力。
6 结论
本文介绍了一项三阶段的实验研究，旨在确定有效的遗产点云数据分割和分类工作流程。研究的重点在于评估ML算法在分割中的性能、评估分类系统以及测试这些系统之间的互操作性。尽管使用RANSAC、DBSCAN、HDBSCAN和KNN的ML实验范围有限，但它们突出了自动化遗产建筑点云分割的重要机会和挑战。这些算法的一个主要限制是它们对参数调整的敏感性以及缺乏内在的语义理解。尽管有足够的财务和技术资源，但这些算法对几何特征的依赖限制了它们的有效性。研究进一步揭示了算法聚类在HBIM背景下的优势和劣势。测试的方法对于大型数据集来说是可访问且计算效率高的，能够快速提供平面和基于簇的分类见解。然而，它们无法结合语义注释以及处理复杂互连建筑元素的难度降低了它们在详细遗产分析中的实用性。当应用于遗产规模的数据集时，这些算法在广泛的城市分割和噪声过滤方面表现出用处，在细节不太关键的场景中显示出潜力。尽管它们在分离平面和簇特征方面的表现各不相同，但它们缺乏语义深度限制了它们在HBIM工作流程中的集成。
对Uniclass、IFC、ETIM和CCI分类系统的比较评估揭示了它们在捕捉遗产建筑的复杂几何形状和语义方面的显著差距。尽管如此，它们在Autodesk Revit中的战略适应和集成显示出标准化模型数据和减少手动返工的潜力。互操作性测试确认这些分类系统可以在HBIM应用中变得更加灵活和可重用，促进更一致的数据交换。总体而言，研究得出结论，有效的遗产点云分割应基于健壮、可互操作的分类框架，其中ML模型应起补充作用而非主导作用。未来的研究应专注于将语义本体与自适应学习模型集成，以实现更可扩展和准确的HBIM工作流程。这些发现通过为在HBIM分类中实施复杂的机器学习和深度学习方法奠定基础，推动了AI辅助的Scan-to-BIM领域的发展。
打赏
