人工智能在建筑外墻檢測中的應用探討

1 引言

近年來，建筑外墻由于其經濟美觀的應用效果，發展十分迅速，種類越來越多。 目前，應用最廣的外墻類型主要有飾面磚、外墻掛板和幕墻3 種。 但建筑外墻的設計年限標準一般為25 年[1]，與建筑主體的設計年限存在的差距較大。 建筑外墻長期處在復雜的環境下，建筑外墻的質量問題越來越突出，外墻面板墜落事故時有發生，嚴重威脅著人們的生命財產安全。

建筑外墻存在的缺陷類型主要有脫落、裂縫、空鼓、滲水、連接件失效（幕墻特有）、玻璃爆裂（玻璃幕墻特有），如圖1 所示。目前，傳統的檢測方法主要為目測法、錘擊法和拉拔法。這些檢測方法存在檢測效率低、主觀意識強、檢測覆蓋率低且對結構存在一定的破壞的缺點。 本文介紹新興的檢測手段及人工智能技術在外墻缺陷識別中的應用情況。

圖1 外墻缺陷

2 外墻檢測技術

2.1 紅外熱成像技術

紅外熱成像技術是一種測量目標表面或物體發出和反射的紅外輻射的技術，具有非接觸、檢測面積大、檢測效率高、檢測距離遠等特點，近年來在土木工程中得到了廣泛應用[2]。 馮力強[3]通過對紅外熱像技術檢測建筑外墻飾面層的黏結質量進行試驗研究、程序設計以及數值模擬，系統研究了飾面層表面溫度的變化規律、 內部缺陷的定量化分析方法以及檢測流程與注意事項等關鍵問題。 得出結論如下：飾面層的表面溫度隨著紅外熱像儀豎向拍攝角度和發射率的減小而增大， 但紅外熱像儀的豎向拍攝角度在45°范圍內對溫差位置曲線的影響較小，其對檢測結果的影響可以忽略。 樂思揚[4]提出了一種利用紅外技術的外墻熱工性能檢測方法， 并將無人機運用到傳統的紅外檢測方法中，提高了測量精度。 藺頗[5]、張榮成[6]等人均對紅外熱成像技術在外墻檢測中的應用進行了研究。 近年來，無人機技術的發展使其在民用領域得到了廣泛應用，無人機搭載紅外熱成像儀檢測外墻缺陷極大地提高了檢測效率，如圖2 所示。 但目前研究中，針對紅外檢測外墻缺陷多局限于定性研究，而定量研究很少。 換句話說，目前紅外檢測外墻僅處在尋找缺陷，而不能準確探查缺陷類型、大小、危險程度等，如圖3 所示。

圖2 可搭載紅外熱成像儀和高清攝像機的無人機

圖3 外墻檢測紅外圖像

2.2 探地雷達技術

探地雷達技術需要一個發射電磁波的雷達發射器和一個收集反射信號的接收器，是最有前途的技術之一。 利用每種材料的介電特性不同，能夠準確識別材料之間的不連續性，被廣泛應用于巖土工程勘察、工程質量檢測、建筑結構檢測等方面[7]。 張東波[8]將探地雷達技術應用于外墻外保溫系統的無損檢測中， 結果表明探地雷達技術在檢測缺陷深度方面表現較好，但無法檢測保溫層厚度和與掃描方向平行的缺陷邊界。 由于其局限性，其在外墻缺陷檢測中的應用較少，但其對缺陷深度的準確檢測可以作為其他檢測方法的補充。

2.3 超聲波檢測技術

超聲波檢測是一種通過超聲波在介質中的傳播速度判斷介質強度的一種檢測手段，其具有工藝簡單、操作方便、價格低廉等特點， 目前在土木工程中廣泛應用于高等級水泥路面路基的檢測中[9]。 該技術可與合成孔徑聚焦技術（SAFT）一起使用，通過傳播波進行分段成像，以生成混凝土結構中研究區域的高分辨率圖像，能夠檢測混凝土中的各種物理缺陷，如裂縫、蜂窩、微裂縫和鋼筋束中的空隙[10]。

3 人工智能在外墻檢測中的應用

3.1 深度學習

深度學習是機器學習中的一個新方向， 它的出現使機器學習更接近于最初目標——人工智能。 它是通過建立一個樣本數據庫，讓機器自助學習內在規律和表示層次，從而實現對目標的識別與判斷， 最終目的是讓機器獲得像人一樣的分析學習能力。 該方法在目標識別、圖像分類等領域取得了優異的成績。圖4 展示了深度學習在幕墻損傷檢測中的應用。這一特征完美契合外墻缺陷檢測的需求， 可以快速處理前期采集的大量白光圖片、紅外圖片等，可以極大地提高后期數據處理能力與效率[11]。

圖4 深度學習識別損傷玻璃結果

劉穎[12]提出了基于改進SSD 網絡的紅外墻體裂縫檢測算法，并在模型中加入了FPN 結構，在降低參數量和計算量的同時，保證了檢測精度，顯著提高了模型訓練速度。 林汨圣[13]通過建立深度學習模型對外墻圖像進行了機器自動檢測， 并提出了結合現場監控、 遠程航拍等工程圖像實現實況檢測的設想。 吳生宇[14]、陳崇一[15]采用機器學習手段分別對建筑表面裂縫和建筑外墻外保溫層熱工缺陷的檢測方法進行了相關研究。 從目前的研究來看，深度學習在外墻缺陷檢測中的表現良好，但在檢測效率、檢測精度方面還有較大的上升空間。

3.2 數字孿生技術

數字孿生（Digital Twin）最早由美國國防部提出，應用于航空航天飛行器的健康維護與保障。 在土木工程領域中，其概念可簡言之在計算機端建立一個數字版的“克隆體”，也可叫“數字孿生體”。 和普通的CAD 模型或有限元模型不同的是，數字孿生體是對實體對象的動態仿真。 它的“動”是通過本體的物理設計模型和實體上傳感器的數據實現的。 目前，數字孿生技術在土木工程中主要應用于智能建造領域， 但結合其技術特點， 國內外學者逐漸將其應用在建筑的全壽命健康監測領域中[16-17]。 隨著技術的不斷發展與客戶需求的不斷提高，采用數字孿生技術實現外墻檢測結果的可視化、 修復過程的動態展示和后期的定期巡檢可能會成為研究熱點。

4 基于人工智能的外墻檢測技術路線

目前，以人工智能為主的檢測手段逐漸成了行業主流。 因其在計算機視覺、圖像處理等方面的優異表現，人工智能將成為未來檢測技術的重要發展方向。 通過專用App 直接在地圖上編輯和規劃飛行航線，實現搭載紅外熱成像儀、高清攝像機的無人機對建筑全貌進行快速、自動巡檢，可以極大地提高外墻檢測的覆蓋面與效率。而通過5G 等手段可以將現場采集的數據快速傳給后臺， 結合深度學習算法， 實現數據的快速處理，進而實現建筑外墻缺陷的快速識別與分類。 上述方法可以很好地識別外墻的缺失、裂縫、空鼓和滲水這4 類缺陷在建筑外立面的位置，而針對裂縫深度、保溫層缺失深度等涉及“厚度”的信息，可以通過雷達掃描或超聲波檢測技術進行補充。最終，輔以圖像拼接、三維掃描等技術，建立被測物的三維模型，通過人工智能技術，將前期得到的缺陷信息與實拍圖片嵌入三維模型中，進而實現缺陷檢測結果的可視化，流程如圖5所示。 后期加以數字孿生技術，可以實現建筑外墻全生命周期的檢測。 該方法的實現，預計在檢測效率方面比傳統檢測方法提高50%，在檢測成本方面僅為傳統檢測方法的30%。

圖5 基于人工智能的外墻缺陷檢測方法

5 結語