基于BIM和深度學習的建筑平面凹凸不規則識別

姜 柳，史健勇，付功義，潘澤宇，王朝宇

基于BIM和深度學習的建筑平面凹凸不規則識別

姜 柳1,2，史健勇1,2，付功義1，潘澤宇1,2，王朝宇1,2

(1. 上海交通大學船舶海洋與建筑工程學院，上海 200240；2.上海市公共建筑和基礎設施數字化運維重點實驗室，上海 200240)

建筑抗震超限審查是高層建筑、特別是超高層建筑審查的重要內容，建筑平面凹凸不規則是建筑抗震超限審查的項目之一。目前的建筑平面凹凸不規則識別主要由人工依據設計規范進行，然而日益復雜的建筑平面設計超出了規范的示例范圍，也加重了人工審查的負擔。建筑平面識別可以看成是圖片分類問題，考慮到實際工程中規則樣本和不規則樣本之間的不均衡性，利用異常檢測的思想，提出了一種基于建筑信息模型(BIM)和深度學習進行建筑平面凹凸不規則輔助識別的方法。首先，利用幾何對象之間的布爾交運算得到BIM模型的建筑平面；然后，通過圖片預處理，生成建筑平面外輪廓圖；最后，將建筑平面外輪廓圖輸入已訓練好的異常檢測深度學習模型，反饋識別結果。實驗結果表明，相比于傳統的圖片分類模型，采用異常檢測的思路對不規則建筑平面圖的識別率提高了15%，更符合實際工程的需要。

建筑信息模型；抗震審查；深度學習；異常檢測；建筑平面；不規則識別

近年來，隨著城鎮化進程加速和建筑技術的發展，我國高層建筑的數量不斷攀升，復雜、多樣的建筑平面布置層出不窮。對于高層建筑而言，建筑平面布置極其重要。一方面，平面審查是高層建筑，特別是超高層建筑超限審查的最基本的要求；另一方面，不規則的平面會導致建筑結構整體的扭轉效應增大，危及結構的抗震安全[1]。目前，關于建筑平面不規則的審查主要依據相關建筑規范進行。規范中規定了多種平面不規則的類型，其中建筑平面凹凸不規則由于涉及復雜的平面幾何比例判別，無法直接根據計算軟件的結果得到，還需要人工進行判斷。雖然相應規范給出了評判指標，即認為凹凸不規則的建筑平面主要指“凹凸尺寸大于相應投影方向總尺寸的30%”的平面形式，但是如何選取“凹凸尺寸”和“投影方向總尺寸”需要有經驗的專家根據實際的建筑平面圖進行確定。而對于復雜的平面形式，相應尺寸的選定更加繁瑣、更具有不確定性，且很難通過一些簡化的量化指標進行不規則的判定。此外，雖然規范中給出了建筑平面凹凸不規則的示例，但是許多實際工程項目中建筑平面的凹凸性判斷已經超出了這些示例范圍[2]，這也加重了人工審查的負擔，而人為判斷的主觀性也會影響審查的結果。

總之，建筑平面凹凸不規則的判斷是依賴專家經驗的過程，本文從圖片識別的角度出發，用深度學習方法提取建筑平面圖片特征，以學習專家進行不規則判斷的經驗。建筑平面凹凸不規則識別可以看成是圖片0-1分類問題，規則的建筑圖片可被分為正常樣本類(標簽為1)，存在凹凸不規則的建筑圖片可被分為異常樣本類(標簽為0)。在計算機領域，深度學習模型已經在圖片分類問題上得到了廣泛地應用。其可從大量的數據中自動學習到相應的特征，不僅避免了繁瑣耗時的特征工程設計，還可將特征表示和分類器聯合優化。在實際的應用場景中，深度學習模型也展現出了良好的性能，例如利用卷積神經網絡(convolutional neural networks，CNN)模型對建筑遙感圖像的分類[3]和建筑風格分類[4]等。但是，經典的圖片分類模型(如ResNET和VGG等)并不適用于建筑平面凹凸不規則識別，主要原因在于：①數據樣本的不均衡，由于現有存檔的建筑圖紙均已通過超限審查，所以異常樣本(即建筑平面凹凸不規則的樣本)難以收集；②在實際工程中，從建筑設計安全的角度考慮，需要盡可能識別出所有凹凸不規則的建筑平面(即異常樣本)。

因此，本文將建筑平面凹凸不規則識別定義為異常檢測問題。異常檢測問題特點就在于擁有大量的正常樣本和小量的異常樣本，旨在通過對大量正常樣本的訓練，得到可以識別出異常樣本的模型，為各個領域中的一些實際場景提供了很好的解決方案。在異常檢測的模型和方法上，生成對抗網絡(generative adversarial networks，GAN)更受研究者的青睞。2016年，RADFORD等[5]將CNN與GAN結合，提出了第一個將GAN應用在圖像領域的框架DCGAN。AnoGAN[6]在此基礎上提出了異常圖片檢測的方法，成為第一個將GAN用于異常檢測領域的實踐。AnoGAN中的生成器和判別器均采用DCGAN的結構。在訓練階段，AnoGAN僅利用正常圖片讓生成器學習正常圖片在潛在空間中的分布表示，使潛在空間中的隨機采樣均能表示正常圖片的潛在空間特征；在測試階段，通過對比輸入圖片的潛在空間特征與潛在空間中隨機采樣之間的差異來識別異常圖片。為了減少輸入圖片與潛在空間映射的復雜性，不少學者基于AnoGAN進行了后續的研究，相繼提出了利用GAN進行異常圖片檢測的模型框架。其中GANomaly[7]在多個圖片數據集中均展示出了更好的分類性能。

針對建筑平面凹凸不規則判斷而言，正確地提取建筑的外輪廓是極其重要的一步，其來源可以是二維圖紙或建筑信息模型(building information modeling，BIM)。建筑外輪廓在二維圖紙中需進行人工識別，而利用BIM中建筑實體的語義化信息可以進行自動化抽取。作為BIM的通用數據交換格式標準，工業基礎類(industry foundation classes，IFC)可以作為BIM模型信息提取的來源。綜上，本文在GANomaly模型的基礎上，利用異常圖片檢測的思想，提出基于BIM和深度學習的快速、有效識別方法，以輔助人工進行建筑平面凹凸不規則的判斷，提高建筑抗震超限審查的效率和準確性。

1 方 法

本文將建筑平面凹凸不規則識別問題定義為基于圖片的異常檢測問題，提出識別方法如圖1所示。該方法主要包括3個部分，首先從BIM模型中獲取建筑平面，接著通過圖片預處理得到建筑平面外輪廓圖，最后利用已訓練好的深度學習模型對建筑平面外輪廓圖進行計算，并反饋識別結果。

圖1 基于BIM和深度學習的建筑平面凹凸不規則識別方法

1.1 基于IFC的BIM模型建筑平面獲取

BIM模型建筑平面獲取的第一步是獲取每一層的標高。在IFC文件中，樓層以實體IFCBUILDINGSTOREY表示，通過實體定義與實例數據之間的對應關系，可以得到樓層實體的高度。如圖2所示，IFC文件中的實例數據描述“#160= IFCBUILDINGSTOREY(‘169yy__4LDGwpM8wCMTLG0’,#41,’標高3’,$,’標高:上標頭’,#159,$,’標高3’,.ELEMENT.,6000.);”表示名稱(Name)為“標高3”的樓層標高高度(Elevation)為6 m。接著，根據所獲取的標高高度，建立剖切平面，并通過BIM模型與該剖切平面之間的布爾交運算得到每一層的建筑平面。

圖2 IFCBUILDINGSTOREY實體定義與實例數據的對應關系

借助IfcOpenShell庫[8]和pythonocc庫[9]，按 3個步驟提取BIM模型的建筑平面：①讀入IFC文件，獲取所有IFC實體(IfcProduct)的幾何形狀；②生成模型的包圍盒，根據包圍盒的大小以及截面高度，創建平面；③遍歷所有的IFC實體，通過其幾何形狀與所創建的平面之間的布爾交運算，得到指定截面高度下的相交截面；將所有的相交截面組合在一起，即可得到BIM模型的建筑平面。具體算法流程如下：

Input:: IFC file;:Section height;

Output::Building plane;

1:=.by_type('IfcProduct')

2:= []

3: forindo

4:.add()

5: end for

6:=()

7:,,,=.Get()

8:=(,,,,)

9:= []

10: forindo

11:=(,)

12:.add()

13: end for

14:is the combination of

1.2 建筑平面外輪廓圖片預處理

因為建筑平面凹凸不規則主要基于建筑平面外輪廓來判斷，所以圖片預處理的目的是突出待識別的建筑平面外輪廓區域，以提高建筑平面凹凸不規則識別的準確率，同時降低計算復雜度。首先，根據用戶繪制的建筑平面外輪廓路徑，生成實心多邊形。由于建筑平面圖大多不是規則的圖形，為了方便后續的計算、編碼和重構，將建筑平面外輪廓圖以白色背景填充，生成方形圖片，且要求邊長均為16的倍數。接著，在輸入深度學習模型之前，將建筑平面外輪廓圖進行二值化處理，外輪廓區域內的像素灰度值設為0，外輪廓區域外像素灰度值設為1。

1.3 GANomaly模型

GANomaly是一種基于潛在特征空間的圖片異常檢測模型，通過對比輸入圖片與重構圖片在潛在特征空間上的差異來判斷其是否為異常圖片。相比于直接比較輸入圖片與重構圖片的差異，潛在特征空間這一更高維的圖片特征更能反應圖片實質內容的差異，不會受到圖片微小變化的影響[10]。如圖3所示，GANomaly模型使用2個編碼器()和()以及一個解碼器()交錯相接構成模型的生成器(NetG)，用于生成輸入圖片的潛在特征向量=()、重構圖片?以及重構圖片?的潛在特征向量?=(?)。

圖3 GANomaly模型結構

這里2個編碼器的結構是一樣的，但參數的取值不同，GANomaly模型結構的相關參數如圖4所示。和DCGAN一樣，編碼器和解碼器均通過調整stride參數，去除了池化層，并使用批量歸一化(batch normalize)加速模型的收斂。GANomaly模型的判別器()首先將圖片進行編碼，得到一個判別特征，然后對其進行判別，最后輸出圖片標簽。

模型的訓練采用和GAN相同的訓練策略，對于輸入圖片而言，判別器認為是正常樣本；對于重構圖片?而言，判別器認為是異常樣本。經過生成網絡和判別網絡之間的對抗訓練之后，生成器生成的重構圖片?會越來越接近輸入圖片。但由于在訓練過程中僅使用了正常圖片作為輸入，所以對于異常圖片而言，模型的參數并不適用，異常圖片進行編碼、重構、再編碼得到的2個潛在特征向量和?之間的差異，由于誤差的累積，會變得更大。這樣一來，可通過設置差異的閾值進行異常圖片的識別。為了實現這個目的，設置了4個損失函數(圖片判別損失、潛在特征向量損失、重構圖片損失、判別特征損失)以約束模型的訓練過程。

圖4 GANomaly模型編碼器、解碼器、判別器參數((a)編碼器；(b)解碼器；(c)判別器)

圖片判別損失是判別器的損失，定義為真實圖片標簽和判別標簽之間的交叉熵損失，即

其中，y為第張圖片的真實標簽，對于輸入圖片，y=1，對于重構圖片，y=0；p為第張圖片判別為正常樣本的概率。那么，對于模型的判別器而言，其損失函數可以定義為對輸入圖片判別的交叉熵損失和對重構圖片判別的交叉熵損失，即

其中，()和(?)分別為輸入圖片和重構圖片經過判別器后得到的被判別為正常樣本的概率；1和2分別為2個交叉熵損失的計算權重，本文取1=2=0.5。

潛在特征向量損失L定義為潛在特征向量和?之間的均方誤差(mean squared error，MSE)，即

前文提到，在潛在特征空間中，只有正常樣本能夠被很好地表示和還原，而生成器NetG就是對輸入圖片進行特征空間的表示、還原和再表示的過程。所以，在訓練過程中，潛在特征向量損失L應盡可能地??；同理，重構圖片損失L也要盡可能地小。重構圖片損失L定義為輸入圖片和重構圖片?之間的均絕對誤差(mean absolute error，MAE)，即

相比于MSE，MAE更加穩定，收斂速度更快，但對離群值不敏感。在重構圖片層面使用MAE可以使重建的圖片更接近真實的圖片，而在特征空間層面使用MSE可以更好地處理差異較大的異常值。

相應的，因為要求輸入圖片和重構圖片?更接近，所以也要求在判別器中2張圖片生成的判別特征更接近。為此，定義判別特征損失為2張圖片判別特征之間的MSE，即

其中，為輸入圖片的判別特征；?為重構圖片?的判別特征。那么，對于生成網絡而言，損失函數為潛在特征向量損失、重構圖片損失和判別特征損失的加權組合，即

其中，，和為加權參數。為了使重構圖片和輸入圖片更加接近，本文取=100，==1。

1.4 圖片識別結果反饋

如前所述，圖片識別的依據是輸入圖片的潛在特征向量和重構圖片的潛在特征向量?之間的差異。根據模型的假設，模型對正常圖片的特征提取、圖片重構和特征再提取的過程擬合較好，因此如果2個潛在特征向量之間的差異較小，則判斷為正常圖片，否則判斷為異常圖片。GANomaly的應用場景為安檢X線圖片中的異物檢測，在一張X線圖片中會有多個輸入圖片(即待識別的物體)，模型在得到這些輸入圖片的潛在特征向量之間的差異，并且通過歸一化后得到的數值反應異常圖片和正常圖片的差別。然而，考慮到建筑平面凹凸不規則識別的具體應用場景，需要模型對每次輸入的一張建筑平面外輪廓圖即時做出判斷，本文選擇余弦相似度作為判斷指標，即

同時，根據選取閾值，若大于選取閾值，則反饋結果為“建筑平面規則”，否則為“建筑平面凹凸不規則”。

2 模型訓練與實驗結果

2.1 數據集準備

目前，土木建筑行業還沒有現成的有關建筑平面不規則識別的開放數據集。因此，本文基于公開的樓層平面數據集CubiCasa5k數據集[11]，通過數據生成與數據增強，建立建筑平面凹凸不規則識別數據集。CubiCasa5k數據集擁有超過5 000例平面樣本，包含超過80種平面類型[12]。每個平面對象均為一個獨立的svg文件。平面內的物理實體如空間、墻體、門、窗等在svg文件中以面向對象的方式進行存儲，采用多邊形(polygon)進行幾何表達。

在數據生成方面，采用圖5所示的處理思路。首先遍歷并讀取平面svg文件，識別其中的墻體和空間對象，并獲取目標對象本身的polygon表達。接著，利用python第三方繪圖工具包matplotlib將每個目標對象多邊形進行重繪并填充，在保存后根據平面凹凸不規則的規范要求及專家論證對所生成的平面圖進行標注。為了減輕數據樣本不均衡可能造成的分類失準，同時也為了提升數據樣本的數量等級，對不規則樣本通過旋轉、鏡像等操作進行數據增強。

圖5 數據集生成

最終得到的數據集共有3 645個建筑平面樣本，見表1。樣本類型可以分為簡單和復雜2種建筑平面形式，簡單建筑平面形式又可細分為完全規則、以凸為主和以凹為主的3種建筑平面。所建立的數據集中，凹凸不規則建筑平面樣本360個，規則建筑平面樣本3 285個。在模型訓練時，隨機選擇80%的規則樣本作為訓練集，剩余20%的規則樣本和全部不規則樣本作為測試集。

表1 數據集樣本分析

2.2 模型超參數設置和評價指標

模型訓練采用GAN的訓練策略，通過生成網絡和判別網絡之間相互約束進行模型優化。模型相關的超參數設置見表2。

表2 模型超參數設置

在建筑平面凹凸不規則識別的問題中，更需要關注的是能否將不規則的平面圖識別出來。因此本文選用2個指標進行模型效果的評價，分別是準確率和異常樣本的識別率。首先引入混淆矩陣見表3。

表3 建筑平面凹凸不規則識別混淆矩陣

定義準確率為正確識別平面圖的數量與平面圖總數量之比，即

定義異常樣本的識別率為正確識別的不規則平面圖數量與不規則平面圖總數量之比，即

2.3 實驗結果

對于輸入的每一張建筑平面外輪廓圖，模型首先計算其潛在特征向量和重構圖片潛在特征向量?之間的相似度，建筑平面越接近規則平面，計算得到的相似度值越大，見表4。

表4 不同建筑平面相似度計算結果

圖6展示了部分規則建筑平面圖和凹凸不規則建筑平面圖經過模型生成器得到的重構圖片的對比。可以看到，規則建筑平面圖的重構圖片效果較好，而對于凹凸不規則的建筑平面圖而言，作為模型的異常樣本，重建圖片與輸入圖片有較大的差距，驗證了模型的可行性。同時可以看到，凹凸不規則建筑平面圖的重構圖片會更接近規則的形狀，這也導致了重編碼之后的潛在特征向量與輸入圖片的潛在特征向量之間的差異。

然后，根據計算得到的相似度，通過選定的閾值對建筑平面進行識別。當計算得到的相似度小于選定閾值時，認為該建筑平面為凹凸不規則平面。在實驗中，不同判別閾值對應的準確率和識別率如圖7所示?？梢钥闯?，模型的準確率和識別率之間存在博弈關系，因此，實際工程應用中，可以通過調整閾值來控制模型的判別傾向。在安全性要求比較高的建筑工程中，可以選擇較高的判別閾值，犧牲一部分準確率，以確保凹凸不規則的建筑平面能被識別出來。

圖6 輸入圖片與重構圖片對比

圖7不同判別閾值對應的準確率和識別率

當閾值取0.95時，不同類型建筑平面形式的實驗結果見表5。對于完全規則的建筑平面，模型表現出了良好的性能；在其他建筑平面形式的判別中，模型也能很好地識別出不規則的樣本；總體而言，模型的準確率為80.8%，識別率為72.5%。表6同時給出了本文模型和圖片分類模型(ResNET及VGG)的實驗結果對比?？梢钥闯?，圖片分類模型可以獲得很好的準確率，幾乎所有的規則圖片都可以被正確地識別，但在不規則圖片的識別上表現較差。而本文模型雖然在準確率上有所下降，但可以更好地識別出不規則的圖片，識別率比ResNET和VGG增加了約15%，更滿足實際工程中的需求。

表5 不同類型建筑平面形式的實驗結果

表6 不同模型的準確率和識別率對比(%)

3 案例驗證分析

基于提出的方法，形成建筑平面凹凸不規則識別模塊，通過實例進行驗證。

針對簡單建筑平面，根據《建筑抗震設計規范》(以下簡稱《抗規》)[13]給出的3種建筑平面示例，對模型進行驗證分析，見表7。驗證數據集通過編寫程序隨機生成，每種建筑平面生成10 000張樣本。從表7可以看出，模型的識別率平均為93.76%，在工程上具有較好的可靠性。

表7 3種示例建筑平面的模型應用結果(%)

針對復雜建筑平面，選取2幢高層建筑作為案例進行分析。BIM模型均使用Autodesk Revit建立，導出IFC文件后，自動提取建筑平面圖，并通過預處理生成大小為64×64的建筑平面外輪廓圖，如圖8所示。將生成的建筑平面外輪廓圖輸入訓練好的深度學習模型，可以得到識別結果如下：對于模型1，輸入圖片的潛在特征向量與生成圖片的潛在特征向量之間的相似度為0.897 98，判別為“建筑平面凹凸不規則”；對于模型2，輸入圖片的潛在特征向量與生成圖片的潛在特征向量之間的相似度為0.954 57，判別為“建筑平面規則”。識別結果與專家論證一致。

圖8 BIM模型三維視圖和標準層建筑平面圖((a)模型1-三維視圖和標準層建筑平面圖；(b)模型2-三維視圖和標準層建筑平面圖)

4 結論與展望

本文從建筑抗震平面審查的問題出發，提出了基于BIM和深度學習的建筑平面凹凸不規則自動識別方法，以輔助人工完成審查和判斷。該方法通過IFC實體之間的布爾交運算，可以獲取不同樓層的建筑平面圖，并通過深度學習模型對建筑平面圖進行識別。實驗表明，從實際工程項目需求出發，將建筑平面凹凸不規則識別定義為圖片異常檢測問題，可以更好地識別不規則的建筑平面，為基于BIM的建筑抗震審查提供了新思路。

由于目前土木建筑領域缺少相關的數據集，本文基于現有的公開數據集，通過有效處理和標注，形成建筑抗震平面凹凸不規則訓練數據集。然而，該數據集中的建筑平面類型、復雜程度未能涵蓋所有實際工程項目的建筑平面，例如《抗規》中的“Y”型建筑平面，也導致模型在檢測復雜平面時未能得到準確的識別結果。因此，后續研究工作可以從2個方面展開：①完善訓練數據集的樣本類型，提高模型預測的準確率；②對于復雜平面，可以結合深度學習模型和領域知識圖譜進行識別判斷，并加入專家知識的引導，以獲得更準確、更合理的判斷結果。

[1] 林書佚. 高層建筑設計中平面規則性的重要性研究[J]. 山西建筑, 2010, 36(22): 75-77.

LIN S Y. The analysis of the importance of the plan regularity in the design of tall buildings[J]. Shanxi Architecture, 2010, 36(22): 75-77 (in Chinese).

[2] 李顯杰, 阮興群, 柳曉博, 等. 對復雜平面凹凸規則性判斷的探討[J]. 建筑結構, 2021, 51(15): 51-53, 87.

LI X J, RUAN X Q, LIU X B, et al. Discussion on judgment of regularity of complex plane concavity and convexity[J]. Building Structure, 2021, 51(15): 51-53, 87 (in Chinese).

[3] PENG C, LI Y Y, JIAO L C, et al. Efficient convolutional neural architecture search for remote sensing image scene classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(7): 6092-6105.

[4] DAUTOV E, ASTAFEVA N. Convolutional neural network in the classification of architectural styles of buildings[C]//2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering. New York: IEEE Press, 2021: 274-277.

[5] RADFORD A, METZ L, CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks[EB/OL]. [2021-09-07]. https://arxiv.org/ abs/1511.06434.

[6] SCHLEGL T, SEEB?CK P, WALDSTEIN S M, et al. Unsupervised anomaly detection with generative adversarial networks to guide marker discovery[EB/OL]. [2021-08-19]. https://arxiv.org/abs/1703.05921.

[7] AKCAY S, ATAPOUR-ABARGHOUEI A, BRECKON T P. GANomaly: semi-supervised anomaly detection via adversarial training[EB/OL]. (2018-11-13) [2021-09-29]. https://arxiv.org/ abs/1805.06725v3.

[8] IfcOpenShell, The open source IFC toolkit and geometry engine [EB/OL]. (2020-08-12) [2021-10-11]. http://www. ifcopenshell.org/.

[9] Tpaviot. pythonocc-core [EB/OL]. (2021-03-01) [2021-10-11]. https://github.com/tpaviot/pythonocc-core.

[10] 葛文超, 魏超, 王玉濤, 等. 基于潛在空間矩陣的半監督異常檢測[J]. 計算機應用研究, 2020, 37(S2): 318-320.

GE W C, WEI C, WANG Y T, et al. Semi-supervised anomaly detection based on latent space matrix[J]. Application Research of Computers, 2020, 37(S2): 318-320 (in Chinese).

[11] KALERVO A, YLIOINAS J, H?IKI? M, et al. CubiCasa5K: a dataset and an improved multi-task model for floorplan image analysis[EB/OL]. (2019-04-03) [2021-12-30]. https:// arxiv.org/abs/1904.01920.

[12] KALERVO A, YLIOINAS J, HIKI M, et al. CubiCasa5k [EB/OL]. (2019-03-28) [2021-10-11]. https://zenodo.org/record/2613548#.YWPfbhpBw2w.

[13] 中華人民共和國住房和城鄉建設部, 國家質量監督檢驗檢疫總局. 建筑抗震設計規范: GB 50011—2010[S]. 北京: 中國建筑工業出版社, 2010.

Ministry of Housing and Urban-Rural Development of the People's Republic of China, General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China. Code for seismic design of buildings: GB 50011—2010[S]. Beijing: China Architecture & Building Press, 2010 (in Chinese).

Identification of the plane irregularity of structures based on BIM and deep learning

JIANG Liu1,2, SHI Jian-yong1,2, FU Gong-yi1, PAN Ze-yu1,2, WANG Chao-yu1,2

(1. School of Naval Architecture, Ocean and Civil Engineering, Shanghai Jiao Tong University, Shanghai 200240, China;2. Shanghai Key Laboratory for Digital Maintenance of Buildings and Infrastructure, Shanghai 200240, China)

Compliance checking on earthquake-resistance is essential for architectures, especially for high-rise buildings. Current checking methods rely heavily on human efforts. In particular, as one of the critical checking contents, the identification of the plane irregularity of structures is time-consuming and error pone, because the building plane designs are becoming increasingly complex. The identification of the plane irregularity of structures could be regarded as a plane classification problem where the regular planes are identified as normal samples and the irregular ones as abnormal samples. Considering the unbalanced distribution of regular and irregular planes in construction projects and adopting the idea of an anomaly detection model, a methodology for the identification of the plane irregularity was proposed based on Building Information Modeling (BIM) and deep learning. Firstly, the building plane of BIM model was obtained by Boolean intersection operation between geometric objects. After image processing, the building plane could be converted into a building plane contour map. Finally, the trained anomaly detection model was executed on the contour map to yield the identification results. The experimental results show that in comparison with the traditional image classification models, the new one following the idea of an anomaly detection model can increase the identification rate of irregular building planes by 15%, more readily meeting the needs of practical applications.

building information modeling; anti-seismic checking; deep learning; anomaly detection; building plane; irregularity identification

TP 399，TU 972

10.11996/JG.j.2095-302X.2022030522

A

2095-302X(2022)03-0522-08

2021-10-21；

2021-12-30

21 October，2021；

30 December，2021

上海市住房和城鄉建設管理委員會科技專項(2020-009-005)；重慶市自然科學基金項目(CSTC2021JCYJ-MSXMX0986)

Shanghai Municipal Commission of Housing and Urban-rural Development Research Project (2020-009-005); Natural Science Foundation of Chongqing (CSTC2021JCYJ-MSXMX0986)

姜 柳(1995–)，女，博士研究生。主要研究方向為土木工程信息化。E-mail：oxazajl@sjtu.edu.cn

JIANG Liu (1995-), PhD candidate. Her main research interest covers building information modeling. E-mail：oxazajl@sjtu.edu.cn

史健勇(1975–)，男，副教授，博士。主要研究方向為建筑信息化、城市數字孿生等。E-mail：shijy@sjtu.edu.cn

SHI Jian-yong (1975-), associate professor, Ph.D. His main research interests cover building information modeling, digital twin city, etc. E-mail：shijy@sjtu.edu.cn