Zweck Die Segmentierung der Innenstruktur ist ein wesentlicher Schritt im Scan-to-BIM, jedoch konzentrieren sich aktuelle Methoden zur Segmentierung von Punktwolken auf die Geometrie der Punktwolke oder auf semantische Segmentierung. Daher schlägt diese Studie eine Punktwolken-Segmentierungsmethode vor, die speziell für Innengebäudestrukturen entwickelt wurde, um Innenstrukturen aus Innenpunktwolken zu identifizieren und zu segmentieren, ohne Innenobjekte zu segmentieren, was die Verschwendung von Rechenressourcen reduziert, den Automatisierungsgrad und die Effizienz sowie die Genauigkeit des Scan-to-BIM verbessert. Entwurf/Methodologie/Ansatz Diese Studie schlägt ein geometriegetriebenes Segmentierungsframework vor, das speziell für Punktwolken von Innenstrukturen konzipiert ist. Die Methode führt ein neuartiges Eckenmerkmal (CF) ein, um kritische geometrische Übergänge zu erfassen, und ermöglicht eine robuste Segmentierung vertikaler Strukturen wie Wände. Anstatt sich auf Objektsemantiken zu verlassen, nutzt der Ansatz die Zimmergeometrie und Höhenhinweise, um strukturelle Elemente (Wände, Böden, Decken) von nicht-strukturellem Unrat zu unterscheiden. Das gesamte Design legt Wert auf leichte Berechnungen, räumliche Logik und Generalisierbarkeit in verschiedenen Indoor-Umgebungen. Ergebnisse Experimentelle Ergebnisse der Stanford Large-Scale 3D Indoor Spaces (S3DIS) und Matterport3D-Datensätze bestätigen, dass die Geometrie der Deckenränder, kombiniert mit höhenbasiertem Filtern, architektonische Strukturen in überfüllten Innenräumen robust abgrenzen kann. Das CF erweist sich als effektiv in der Erkennung von Eckpunkten und ermöglicht die Segmentierung sowohl planer als auch gekrümmter vertikaler Flächen mit hoher Genauigkeit. Originalität/Wert Diese Studie konzentriert sich auf den Schritt der strukturellen Segmentierung im Scan-to-BIM-Prozess und schlägt eine leichte, generalisierbare Methode basierend auf Konturmerkmalen (CF) und Höheninformationen vor. Die Methode vereinfacht den Workflow der Segmentierung von Innenstrukturen, verbessert die Genauigkeit, erhöht die Automatisierung der BIM-Erstellung und unterstützt die digitale Transformation der Praktiken im Innenbau.
Liang et al. (Freitag) untersuchten diese Frage.