No contexto da demanda de operações digitais de ciclo de vida de pontes, a técnica de modelagem reversa rápida de pontes tornou-se um elo-chave na construção da base de dados de operações. Os dados de nuvem de pontos 3D escaneados são elementos-chave na formação de registros operacionais e gêmeos digitais. A precisão das informações semânticas dos componentes em um framework de controle digital depende da precisão da segmentação semântica da instância de nuvem de pontos. Para alcançar uma segmentação de instância interpretável e de alta precisão de componentes típicos de pontes, introduzimos conhecimento de design como informação semântica e estudamos métodos de segmentação de nuvem de pontos no nível de instância impulsionados pelo conhecimento. Primeiro, corrigimos os erros de classificação na segmentação de nível de categoria por meio de otimização de dados baseada em clustering, para melhorar a precisão dos parâmetros de extração de instância. Em seguida, determinamos a distribuição de bordas do painel da ponte e do eixo da viga com base nas relações geométricas entre os componentes, conforme os critérios de design. Por fim, com base nas regras formais de layout da linha central da ponte e da disposição ortogonal das vigas transversais e longitudinais, construímos caixas de contorno dinâmicas para alcançar a segmentação de instância do painel da ponte e da viga. Os resultados implementados em dados reais de nuvem de pontos digitalizados mostram que este método tem um bom desempenho na segmentação de instâncias, reduz a dependência do algoritmo de segmentação em dados e pode apoiar a automação da tecnologia de modelagem de ponte de nuvem de pontos digitalizados para gêmeos digitais.

Nuvem de pontos 3D; Componentes de ponte; Segmentação semântica; Conhecimento impulsionado; Segmentação de instância