某高層建筑幕墻玻璃面板的多源感知與特征提取初探

劉長儒，盧文勝，李志宇，王詩騰，李恒鑫，黃杰

（1.同濟大學結構防災減災工程系，上海 200092；2.同濟大學軟件學院，上海 200092）

1 引言

我國建筑幕墻工業起步于20 世紀80 年代，在90 年代取得了高速發展，至21 世紀初我國就成為幕墻生產大國和建設大國，幕墻的生產量和保有量位居世界第一[1]。建筑幕墻面板一般包含玻璃、石材、金屬、和人造板材等多種材料類型[2]。其中玻璃幕墻由于其質量輕、透光性好、外形美觀等特點，在高層建筑和公共建筑中大量使用。然而，近年來因既有玻璃幕墻自爆、脫落等引發的安全事故在我國頻頻發生，明顯多于國外發達國家同類事故[3]。

現有玻璃幕墻面板的檢測方法主要包括振動分析法、接觸式檢測法以及圖像處理法。Lin 等[4]利用激光深度加熱的方法研發了一種基于熱波響應分析的幕墻膠損傷檢測技術，并通過理論模型和試驗給出了一種既能達到充分加熱效果也能防止幕墻過熱損傷的激光加熱技術指導方法。鄭恒等[5]基于頻響函數理論，提出了一種以驅動點加速度頻響函數的相對累計偏差RAE 作為指標的快速檢測方法，該方法僅需在玻璃面板上安裝一個加速度傳感器，隨后在緊鄰傳感器區域用力錘敲擊面板，即可快速檢測玻璃幕墻粘結結構的損傷程度。Choi 等[6]開發了一種利用從無人機收集圖像對建筑幕墻進行視覺檢查的方法，并采用Structure-from-Motion (SfM)算法建立三維模型以實現損傷的快速定位。然而，幕墻系統相關設計信息、制造安裝工藝和運維保養技術等常常呈現數據離散、片段和靜態化的特點；也缺乏高效能、低功耗和可持續的特征感知手段和數據融合方法，導致幕墻系統的功能與安全特征模糊不清，因此，有必要開展針對性研究探索。

本文提出了玻璃幕墻面板的多源感知與特征值提取方法，結合實際工程案例，通過設計施工信息感知、振動測試分析感知、圖像識別融合感知3 種多源感知方法獲取玻璃幕墻特征信息，并從中提取出特征值，以表征玻璃幕墻安全性能狀態，為后續的評估決策提供方向。

2 多源感知與特征參數選取方法

2.1 多源感知方法

多源感知是指通過多種不同的途徑獲取與玻璃幕墻性能狀態有關的數據。采用多源感知方法，可通過數據融合分析，在時間和空間上不斷積累數據且迭代更新形成更準確、更全面的評價結果；可將玻璃幕墻多源感知方法劃分為設計施工信息感知、振動測試分析感知、圖像識別融合感知3 類。

2.1.1 設計施工信息感知

設計施工信息感知主要是通過對玻璃幕墻的設計資料進行收集，整合玻璃幕墻設計施工階段的重要信息，包括玻璃幕墻結構設計圖紙、重要節點的初始信息。同時，還包括在施工階段對部分幕墻進行力學試驗，獲取玻璃幕墻面板或者連接件的力學參數。該感知來源獲取的信息是性能評估的基礎，也可以通過與后續人工維修檢測結果的對比得到相應特征值的變化量。

2.1.2 振動測試分析感知

振動測試分析感知主要是在實際幕墻工程的有效位置處安置加速度傳感器、位移傳感器等感應裝置，收集實際幕墻在環境、地震等作用下的反應數據，通過對數據進行分析處理最終可得到幕墻面板自振頻率等特征值。

2.1.3 圖像識別融合感知

圖像識別融合感知主要是對實際幕墻工程的圖像信息進行現場采集，采集的工具通常包括無人機、高清相機、手機、紅外熱成像儀等。對于外觀圖像，可以通過圖像處理的方式，提取更加精確的特征值描述玻璃幕墻的外觀特征，實現對玻璃幕墻外觀、結構和材質等方面的感知。

2.2 特征參數選取

玻璃幕墻面板的狀態受面板材質、結構膠質量、初始缺陷、自振頻率等參數影響，因參數較多且多數參數的特征值隨時間的改變而發生變化，故將特征參數分為3 個特征維度構造D1、造型D2、力學D3，結合相關規范標準條文及工程經驗[7-9]，提出玻璃面板特征參數如表1 所示。

表1 玻璃幕墻面板特征參數與多源感知方法

通過不同的多源感知方式可以獲得不同維度特征參數的特征值如表1 所示，其中部分特征參數可以通過不同的感知方式分別獲取特征值，如玻璃面板的第一自振頻率可以通過設計施工信息感知和振動測試分析感知分別獲取，將獲得的兩組或多組特征值進行比對，即可在一定程度上反映玻璃幕墻面板的安全狀態。同時由于信息獲取難度及特征自身特性原因，部分特征參數只能由單種感知方式獲得，如玻璃自爆、結構膠表面色澤度等特征值更傾向于使用圖像識別融合感知的方式獲取。

3 某高層建筑幕案例分析

3.1 設計施工信息感知

選取某實際工程，查閱該工程外墻裝飾工程送審圖紙可知該工程包含單元式幕墻、點玻式雙層玻璃幕墻、干掛式石材幕墻、框架幕墻等多種形式，本文主要針對該建筑雙層玻璃幕墻進行分析。包含雙層玻璃幕墻的典型平面幕墻分格、典型立面幕墻分格及典型立面實景圖見圖1。

圖1 雙層玻璃幕墻示意圖

查閱外墻裝飾工程施工總說明可得到構造D1維度的特征參數幕墻構件材料如表2 所示。

表2 玻璃幕墻構件材料表

查閱玻璃幕墻大樣圖得到造型D2維度的特征參數玻璃面板尺寸，部分玻璃面板尺寸如表3 所示。

表3 部分玻璃面板尺寸表 mm

通過已得到的特征參數的特征值可用計算公式計算力學D3的特征參數玻璃幕墻面板的一階自振頻率，幕墻面板一階自振頻率的計算公式[10]見式（1）和式（2）：

代入幕墻面板1、2 的參數，可得自振頻率計算值，均如表4 所示。

表4 玻璃幕墻面板一階自振頻率計算值

3.2 振動測試分析感知

在該建筑的22 層選取兩塊幕墻的玻璃面板作為振動數據長期監測對象，上述面板編號1、2 的面板尺寸即為監測面板1、2 的實際尺寸。每塊面板各布置3 個三向加速度傳感器，分別位于面板中心、面板角部以及支撐鋼框中部，如圖2a、圖2b所示。以傳感器3326F78D 為示例的傳感器詳圖如圖2c 所示，傳感器X軸為面板平面內水平方向，Y軸為面板平面內豎直方向，Z軸為面板平面外方向。

圖2 振動監測傳感器布置示意圖

幕墻玻璃面板的一階振型為平面外振動，因此,對兩塊面板中心的傳感器（編號350E6EFF、3326F78D）記錄的Z向加速度數據進行分析，以得到幕墻的自振頻率。選取自2023年1 月15 日起的振動數據，每間隔半月取下一次數據，具體參見表5。

表5 自振頻率計算分析表 Hz

取表5 中各個日期的12:00 ～12:10 以及23:00 ～23:10的數據進行分析，其中2023 年1 月31 日，幕墻面板1 的Z向加速度時程圖如圖3 所示

圖3 2023 年 1 月 31 日幕墻面板 1 的Z 向加速度時程圖

采用MATLAB 軟件的快速傅里葉變換（FFT）算法對上述加速度數據進行處理，可得振動數據表對應的幅頻曲線，其中2023 年1 月31 日幕墻面板1 的幅頻圖如圖4 所示。

圖4 2023 年 1 月 31 日幕墻面板 1 的幅頻圖

根據幅頻曲線的峰值分布，可確定所有振動數據段對應的玻璃幕墻面板一階自振頻率。

因此可知幕墻面板1 的自振頻率在6.297 ～6.772 Hz 范圍內波動，幕墻面板2 的自振頻率在6.34 ～6.73 Hz 范圍內波動。

3.3 圖像識別融合感知

3.3.1 玻璃幕墻面板尺寸提取

采取玻璃幕墻區域檢測+玻璃幕墻語義分割的兩階段方式進行圖像分割。其中，采取YOLOv8-obb 模型獲得玻璃幕墻旋轉檢測框，采取SAM 圖像分割大模型[11]，將前一階段旋轉檢測框作為prompt 輸入SAM 大模型，從而獲得玻璃幕墻塊的語義分割結果。兩模型的結構關系如圖5 所示。

圖5 YOLOv8+SAM 大模型的應用結構

根據幕墻塊的分割結果，可得到若干單張玻璃幕墻塊的圖像，測量其高度和寬度像素值可得到幕墻面板的尺寸參數如表6 所示，這里列舉第二排第3、4、5、6、7 列共5 塊幕墻面板，上述面板編號3 的尺寸即為此5 塊玻璃幕墻面板的實際尺寸。

表6 玻璃幕墻面板尺寸提取

3.3.2 玻璃幕墻面板亮度提取

因發生自爆的玻璃面板以及材料特性不同的玻璃面板在圖像中的顏色明顯區別于其他玻璃面板，故用HSV 顏色空間[12]來表示上述分割得到的單個玻璃面板圖片以提取其亮度。其中，V表示像素的亮度，它與H（色調），S（飽和度）相互獨立，因而可以更好地度量像素的明暗程度。

首先計算不同幕墻塊的平均V值，并對同一張照片內的所有幕墻塊進行歸一化，以減弱光照等因素的影響，歸一化方法為。選取在2022 年12月14日及2023年4月4日在相同位置處所拍攝的兩張照片，提取其色澤度并繪制折線圖如圖6 和圖7 所示。

圖6 2022 年12 月14 日面板亮度提取

圖7 2023 年4 月4 日面板亮度提取

面板編號方式為以左上角的幕墻面板為1 號，從左至右，從上至下依次編號。在2022 年12 月14 日，標號為13、41、43 的幕墻面板為已更換的幕墻面板，因更換的幕墻面板透光度等材料特性與原幕墻面板不同，故所提取的亮度值明顯高于其他幕墻面板，26 號面板已發生自爆，所提取的亮度值明顯低于其他幕墻面板；在2023 年4 月4 日，標號為20、26的幕墻面板已被更換，由計算結果可知13、20、26、41、43號幕墻面板均為峰值，其中20、41、43 號顯著高于其他幕墻面板。

13 號幕墻面板在兩次的特征值中，峰值坡度較小，分析其原因為在不同的更換批次中，更換的幕墻面板的部分材料特性區別于原面板的同時也區別于其他批次更換的幕墻面板。

綜上，以歸一化幕墻面板亮度平均值為特征值，可以在一張圖片中通過尋找特征值異常的面板定位發生問題的面板，一般亮度過低為面板發生自爆，亮度過高為面板材料特性不同，可能發生過更換。

3.3.3 結構膠色澤度提取

因結構膠的顏色較為單一，故采用灰度值或RGB 值來表征其色澤度；考慮到結構膠可能存在損傷，損傷部位顏色可能較深，故不能直接用圖像平均像素值來表征其色澤。

如圖8 所示，經簡單圖像分割之后得到的結構膠圖像內，像素點可以分為3 類：背景、無損傷結構膠和概率有損傷結構膠。其中背景為純黑色，其灰度值為0；無損傷結構膠的灰度值較為單一，顏色較淺；概率有損傷結構膠的灰度值普遍顏色更深，但是分布并不均勻。

圖8 結構膠示意圖

采取kmeans 聚類的方式[13]，將結構膠圖像的像素點分為以上3 類，定義結構膠的色澤特征值為“無損傷結構膠”像素點集合的聚類中心的灰度（或RGB）值，在無監督聚類時，為充分學習到不同類像素點的特征區別，采用RGB 三通道像素值作為聚類依據。偽代碼如下：

Plain Text

image = imread(image_path,mode = RGB) #讀入圖片

kmeans = KMeans(n_clusters=3) #聚類器

kmeans.fit(image) #聚類器無監督擬合

centers = kmeans.cluster_centers_.gray_value #獲取聚類中心的灰度值

print(centers.middle_value) #獲取第二類（即無損傷結構膠，灰度值大小第二）聚類中心灰度值

獲得的聚類結果如圖9 所示，黑色代表背景，藍色代表無損傷結構膠，紅色代表概率損傷結構膠 。

圖9 聚類效果圖

最終統計得該結構膠縫圖像的若干特征參數和灰度特征值如表7 所示。

表7 單個結構膠縫特征值提取

以20 個像素點為一個區間，統計沿結構膠長軸統計區間內損傷部位的像素點個數，繪制了概率損傷部位的像素密度折線圖如圖10 所示。折線圖顯著凸起的部位，即使結構膠大概率發生損傷的部位，在進一步的檢測及分析中應重點關注。

圖10 概率損傷部位像素密度折線圖

以此方法統計結構膠圖像，根據特征值可較好區分不同結構膠的色澤差異（注：樣本結構膠圖像可能不是截取自幕墻塊周圍的完整結構膠），參見表8。

表8 結構膠縫特征值提取

事實上，編號為1、3 結構膠樣本均為舊的幕墻塊周圍的結構膠，而2、4結構膠樣本為新更換的幕墻面板周圍的結構膠，從表8 中可以看出，新樣本的概率損傷區域極少，且顏色較淺，通過聚類中心灰度值或RGB 值可將新舊兩類樣本區分開來。

綜上，通過提取結構膠非損傷區域聚類中心灰度值，可表征結構膠縫整體色澤狀態，并可據此區分新舊結構膠縫，通過提取概率損傷區域面積并繪制像素密度折線圖可找到構膠大概率發生損傷的部位在進一步的檢測及分析中應重點關注。

3.4 多源感知特征分析

通過施工感知、振動測試分析感知、圖像識別融合感知3 種感知方法可以得到玻璃幕墻面板若干特征參數的特征值，其中部分特征參數可通過不同的多源感知方式分別獲得，具體如表9 所示。

表9 玻璃幕墻面板部分特征值提取

對于尺寸長寬比，圖像識別融合感知特征值為多個面板及結構膠縫取均值計算，其中玻璃面板長寬比特征值相差1.1%，吻合度較好，證明通過圖像感知玻璃面板尺寸信息具有可行性。結構膠縫長寬比特征值相差24.9%，吻合度較差，其原因一方面是結構膠寬度值較小，通過圖像提取具有一定的誤差，兩一方面膠縫寬度受實際施工工藝影響較大。

對于面板一階特征頻率，面板1 的計算值與實際觀測值相吻合，面板2 的計算值比實際觀測值略小，分析原因為玻璃幕墻面板的實際邊界條件與確定計算公式的玻璃面板的邊界條件有所不同，導致計算公式所得結果具有一定的誤差。兩塊玻璃幕墻的頻率特征值穩定，在一定程度上表明該幕墻板塊處于正常工作狀態。

4 結語

本文提出了玻璃幕墻面板的多源感知與特征值提取方法，并結合實際工程案例進行分析驗證，得到以下結論。

1）玻璃幕墻面板的特征參數可劃分至3 個維度構造D1、造型D2、力學D3，通過不同的多源感知方式可以獲得不同維度的特征參數值。

2）結合實際案例分析可知不同的多源感知方式既有區別又有聯系，部分提取的特征參數值之間可以相互驗證，同時通過提取的特征值可對玻璃幕墻面板安全功能狀態做出初步判斷。

3）提取的特征值可作為玻璃幕墻面板的風險評估以及韌性分析的數據基礎，通過持續感知可在時間和空間上不斷積累數據以獲得更準確、更全面的評價結果。