建筑幕墻檢測(cè)在圖像智能識(shí)別平臺(tái)中的適用性研究

安文卓，劉 凱

（1.北京市建筑工程研究院有限責(zé)任公司，北京 100039；2.北京市建設(shè)工程質(zhì)量第一檢測(cè)所有限責(zé)任公司，北京 100039）

0 引言

隨著經(jīng)濟(jì)的高速發(fā)展，高層和超高層建筑越來越多，建筑幕墻由于其種類多樣、安裝方便快捷，已經(jīng)成為商業(yè)區(qū)和市中心的主要建筑類型。但隨之而來的，便是高空墜物產(chǎn)生的安全隱患，因此高層建筑幕墻安全檢測(cè)是城市運(yùn)行過程中必不可少的一項(xiàng)工作。在實(shí)施檢測(cè)過程中，常規(guī)的檢測(cè)方法是人員通過乘坐高層建筑擦窗機(jī)或者采用蜘蛛人的形式，對(duì)人員高空作業(yè)能力要求相當(dāng)高，風(fēng)險(xiǎn)也是最高的。檢測(cè)過程中，技術(shù)人員需要檢查幕墻損壞缺陷并拍照，地面人員配合高空人員定位損壞部位和分析損壞程度，判斷是否進(jìn)行更深一步檢測(cè)。通常一棟高層建筑幕墻反饋的照片數(shù)量較多，數(shù)據(jù)處理耗時(shí)費(fèi)力。針對(duì)建筑幕墻檢測(cè)過程中存在的難點(diǎn)，可以采用無人機(jī)設(shè)備進(jìn)行航線規(guī)劃和圖像采集，采用圖像智能識(shí)別平臺(tái)對(duì)現(xiàn)場(chǎng)采集的照片進(jìn)行訓(xùn)練并建立識(shí)別模型。這樣不僅可以避免高空作業(yè)產(chǎn)生的安全風(fēng)險(xiǎn)，同時(shí)圖像處理速度也能得到提高，整體檢測(cè)效率得到提升。

1 圖像智能識(shí)別平臺(tái)介紹

對(duì)于高層建筑幕墻檢測(cè)過程中需要使用的無人機(jī)圖像采集技術(shù)，相關(guān)產(chǎn)品可以直接購買并開展圖像采集工作，根據(jù)現(xiàn)場(chǎng)實(shí)際情況合理進(jìn)行航線規(guī)劃和圖像采集策略即可。而對(duì)于圖像智能識(shí)別平臺(tái)來說，雖然目前有較多的開放平臺(tái)可以供免費(fèi)參考使用，但是由于建筑幕墻行業(yè)的特殊性，以及圖像采集顯示的幕墻問題類型的不確定性，需要對(duì)其在圖像智能識(shí)別平臺(tái)中的適用性進(jìn)行研究。通過分析比對(duì)，本文選用了百度 AI 開放平臺(tái)。

百度 AI 開放平臺(tái)作為比較全面的智能開放平臺(tái)，平臺(tái)中包含了語音技術(shù)、圖像技術(shù)和文字識(shí)別技術(shù)等。其中，EasyDL 是百度大腦推出的零門檻 AI 開發(fā)平臺(tái)，面向各行各業(yè)有定制 AI 需求、零算法基礎(chǔ)或者追求高效率開發(fā) AI 的企業(yè)用戶，支持包括數(shù)據(jù)管理與數(shù)據(jù)標(biāo)注、模型訓(xùn)練、模型部署的一站式 AI 開發(fā)流程［1］。

EasyDL 圖像可以定制基于圖像進(jìn)行多樣化分析的 AI 模型，實(shí)現(xiàn)圖像內(nèi)容理解分類、圖中物體檢測(cè)定位等，適用于圖片內(nèi)容檢索、安防監(jiān)控、工業(yè)質(zhì)檢等場(chǎng)景。目前，EasyDL 圖像共支持訓(xùn)練 3 種不同應(yīng)用場(chǎng)景的模型［2］。

1）圖像分類：識(shí)別一張圖中是否是某類物體/狀態(tài)/場(chǎng)景，可以識(shí)別圖片中主體單一的場(chǎng)景。

2）物體檢測(cè)：在一張圖包含多個(gè)物體的情況下，定制識(shí)別出每個(gè)物體的位置、數(shù)量、名稱，可以識(shí)別圖片中有多個(gè)主體的場(chǎng)景。

3）圖像分割：對(duì)比物體檢測(cè)，支持用多邊形標(biāo)注訓(xùn)練數(shù)據(jù)，模型可像素級(jí)識(shí)別目標(biāo)，適合圖中有多個(gè)主體、需識(shí)別其位置或輪廓的場(chǎng)景。

對(duì)于本文來說，主要采用 EasyDL 圖像中的物體檢測(cè)操作平臺(tái)，首先對(duì)采集到的存在問題的照片進(jìn)行標(biāo)注，通過增加圖像數(shù)據(jù)對(duì)模型加強(qiáng)訓(xùn)練，不斷提升圖像識(shí)別率。本文重點(diǎn)研究不同幕墻問題類型在圖像智能識(shí)別平臺(tái)中的適用性，由于無人機(jī)受飛行區(qū)域的限制，文中的圖像數(shù)據(jù)均采用已完項(xiàng)目中人工現(xiàn)場(chǎng)采集的圖像替代，后期研究中可根據(jù)飛行設(shè)備實(shí)際采集圖像深入開展。

2 建筑幕墻問題歸類

筆者單位長期從事建筑幕墻的安全檢測(cè)工作，通過總結(jié)以往項(xiàng)目的檢測(cè)經(jīng)驗(yàn)，可以將建筑幕墻存在的問題及特點(diǎn)歸類如下。

1）對(duì)于玻璃幕墻來說，常見問題有：玻璃碎裂，玻璃邊框破損，扣蓋松動(dòng)、缺失，密封膠老化、開裂、有孔洞等。

2）對(duì)于石材幕墻來說，常見問題有：石材開裂、缺角，石材晃動(dòng)，石材污染，密封膠老化、開裂、有孔洞等，有些石材幕墻建筑采用干掛安裝方式，無密封膠相關(guān)問題。

3）對(duì)于鋁板幕墻及其他幕墻，常見問題有：鋁板或其他幕墻材料被密封膠污染，鋁板或其他幕墻材料開裂，密封膠老化、開裂、有孔洞等。

3 建筑幕墻問題在智能識(shí)別平臺(tái)中的應(yīng)用研究

3.1 玻璃扣蓋缺失及松動(dòng)問題

本次模型訓(xùn)練僅針對(duì)采集到的扣蓋缺失照片，通過將圖片導(dǎo)入平臺(tái)并進(jìn)行標(biāo)注和訓(xùn)練學(xué)習(xí)，就可以建立圖像智能識(shí)別模型；對(duì)于扣蓋松動(dòng)的部位，僅根據(jù)采集到的圖像是無法準(zhǔn)確判斷的，需要檢測(cè)人員現(xiàn)場(chǎng)觸碰，因此該部分模型建立是沒有意義的。

由于扣蓋缺失類型比較容易識(shí)別，本次參與模型識(shí)別訓(xùn)練的圖片共 100 張，其中有標(biāo)注的圖片數(shù)量為 40 張，平臺(tái)標(biāo)注照片過程如圖 1 所示。

圖1 智能平臺(tái)對(duì)問題照片標(biāo)注

通過訓(xùn)練，模型 mAP 值為 98.2 %，精確率為83.3 %，召回率為 100.0 %，整體評(píng)估結(jié)果如圖 2 和圖 3所示。這里需要說明的是，mAP 代表物體檢測(cè)算法中衡量算法效果的指標(biāo)，mAP 值在（0，1）之間，越接近 1 越好；精確率代表建議閾值下正確預(yù)測(cè)的物體數(shù)與預(yù)測(cè)物體總數(shù)之比；召回率代表建議閾值下正確預(yù)測(cè)的物體數(shù)與真實(shí)物體數(shù)之比。

圖2 模型整體評(píng)估結(jié)果

圖3 不同閾值下 F1-score 表現(xiàn)（F1-score 越接近 1 越好，下同）

根據(jù)圖示結(jié)果分析，由于訓(xùn)練模型時(shí)標(biāo)注照片數(shù)量占總量較少，導(dǎo)致精確率未達(dá)到理想值。為了提高模型的識(shí)別率，課題小組對(duì)其余 60 張圖像全部進(jìn)行標(biāo)注，經(jīng)調(diào)整后的模型評(píng)估結(jié)果如圖 4 和圖 5 所示。根據(jù)圖示結(jié)果可知，經(jīng)調(diào)整后的訓(xùn)練模型各項(xiàng)指標(biāo)均有所提升，精確率達(dá)到了 93.5 %，閾值為 0.5 時(shí)的 F1-score 達(dá)到了 0.97。

圖4 模型調(diào)整后整體評(píng)估結(jié)果

圖5 模型調(diào)整后不同閾值下 F1-score 表現(xiàn)

為了校驗(yàn)訓(xùn)練后的模型對(duì)存在問題圖像的真實(shí)識(shí)別效果，通過將現(xiàn)場(chǎng)采集到的其他未使用過的問題照片導(dǎo)入該訓(xùn)練模型，不僅能夠識(shí)別問題照片，同時(shí)也識(shí)別出了問題部位，當(dāng)閾值為 0.5 時(shí)識(shí)別率高達(dá) 99.19 %（見圖 6）。

圖6 模型校驗(yàn)結(jié)果顯示

3.2 密封膠老化、開裂、有孔洞問題

對(duì)于玻璃幕墻和其他各類幕墻來說，若幕墻板塊間采用密封膠進(jìn)行連接密封，均有可能出現(xiàn)密封膠老化、開裂、有孔洞的問題。對(duì)于此類問題，可以分別進(jìn)行標(biāo)注，也可以對(duì)一種或幾種問題進(jìn)行標(biāo)注來進(jìn)行模型訓(xùn)練，鑒于上述已有對(duì)單一問題模型訓(xùn)練的經(jīng)驗(yàn)，本次模型可以對(duì)所有問題全部進(jìn)行標(biāo)注和訓(xùn)練。

本次訓(xùn)練共導(dǎo)入圖片 124 張，全部進(jìn)行標(biāo)注，通過訓(xùn)練，模型精確率僅為 46.9 %，整體評(píng)估結(jié)果如圖 7、圖 8 所示。

圖7 模型整體評(píng)估結(jié)果

圖8 不同閾值下 F1-score 表現(xiàn)

根據(jù)圖示結(jié)果可知，本次訓(xùn)練模型的各項(xiàng)指標(biāo)均較低，經(jīng)分析其原因主要是訓(xùn)練模型時(shí)包含了不同問題類型的照片，因此課題組僅保留照片數(shù)量較多的問題類型，最終剩余照片數(shù)量為 71 張，經(jīng)調(diào)整后的模型評(píng)估結(jié)果如圖 9 和圖 10 所示。

圖9 模型調(diào)整后整體評(píng)估結(jié)果

圖10 模型調(diào)整后不同閾值下 F1-score 表現(xiàn)

根據(jù)圖示結(jié)果可知，經(jīng)調(diào)整后的訓(xùn)練模型精確率為 53.85 %，雖然有所提升，但仍然不高，主要受訓(xùn)練模型數(shù)量、問題標(biāo)注方式以及照片呈現(xiàn)效果多方面的影響。

3.3 石材污染問題

石材污染作為比較特殊的幕墻問題類型，由于其主要是通過顏色分辨，影響因素包括石材污染程度、均勻度以及采集照片時(shí)的光線等，而這些影響因素在智能識(shí)別平臺(tái)建立過程中并不能很好地識(shí)別和歸類。通過模型訓(xùn)練，最終識(shí)別準(zhǔn)確率僅為 0.3 %，可見智能識(shí)別平臺(tái)并不能很順利地識(shí)別已經(jīng)污染的石材，對(duì)于此類問題仍需檢測(cè)人員現(xiàn)場(chǎng)判斷。石材污染現(xiàn)場(chǎng)照片及平臺(tái)標(biāo)注圖片分別如圖 11 和圖 12 所示。

圖11 石材污染現(xiàn)場(chǎng)照片

圖12 石材污染問題標(biāo)注

4 結(jié)論和建議

通過對(duì)建筑幕墻不同問題類型進(jìn)行訓(xùn)練，最終建立的圖像智能識(shí)別模型準(zhǔn)確率可以達(dá)到 93.5 %，可以說采用智能識(shí)別平臺(tái)對(duì)現(xiàn)場(chǎng)采集回來的圖像進(jìn)行訓(xùn)練和識(shí)別，該方法不僅可以保證圖像識(shí)別的準(zhǔn)確率，同時(shí)也可以提高檢測(cè)效率。

但是，采用百度 AI 開放平臺(tái)對(duì)問題照片進(jìn)行識(shí)別，有一定的適用性要求。對(duì)于問題單一易分辨，且照片數(shù)量多的幕墻問題類型，通過大量的數(shù)據(jù)訓(xùn)練，可以建立很高的識(shí)別率模型，為幕墻檢測(cè)提供了高效的智能識(shí)別工具；對(duì)于問題類型較多，或雖然是單一問題但表現(xiàn)形式較多的幕墻問題類型，以及通過肉眼無法準(zhǔn)確識(shí)別的幕墻問題類型（如晃動(dòng)、松動(dòng)等），由于采集照片的拍攝角度或者問題嚴(yán)重程度不同，是無法通過建立識(shí)別模型來準(zhǔn)確檢測(cè)識(shí)別的，對(duì)于此種情況仍需專業(yè)人員現(xiàn)場(chǎng)檢測(cè)。

5 結(jié)語

高層建筑幕墻安全檢測(cè)在城市運(yùn)行過程中發(fā)揮著重要作用，傳統(tǒng)的檢測(cè)方法存在一定的安全風(fēng)險(xiǎn)，數(shù)據(jù)處理效率不高。通過采用無人機(jī)技術(shù)和圖像識(shí)別技術(shù)可以有效解決檢測(cè)難點(diǎn)，提升整體檢測(cè)效率。但是，現(xiàn)場(chǎng)采集的建筑幕墻問題圖像在智能識(shí)別平臺(tái)模型建立過程中，有一定的適用性和局限性。在今后的檢測(cè)工作中，需要增加各種問題采集數(shù)據(jù)，并對(duì)幕墻問題繼續(xù)細(xì)化歸類，不斷提升圖像智能識(shí)別平臺(tái)模型的準(zhǔn)確率。Q