CNN網絡優化技術在建筑設計智能化中的應用

摘 要：本文以建筑設計的智能優化為研究對象，構建完整的技術流程，提出一種新的深度學習優化方法。本文以卷積神經網絡（Convolutional Neural Networks，CNN）深度網絡為框架，優化建筑結構BIM設計結果承載的數據流，得到更理想的優化結果。在整個方法的設計過程中，從空間金字塔池化處理、路徑聚合網絡引入、基于YOLOv4 的頭設計、標簽平滑處理和損失函數5個方面對CNN網絡進行詳細設計。試驗結果表明，CNN深度網絡不僅對BIM模型的優化精度高，而且使用優化后的模型指導施工可以大幅降低建筑成本。

關鍵詞：CNN網絡；建筑設計；智能建造；池化處理

中圖分類號：TU 20" " " " " " " " 文獻標志碼：A

智能建造的設計過程廣泛應用各種先進科技手段，包括互聯網技術、軟件設計技術、信息技術、數據挖掘技術、物聯網技術以及深度學習技術，是能夠改造建筑工程設計施工流程、提升建筑工程建造效率的一種全新領域[1]。智能建造的依托性技術是BIM技術，這是一種具體應用于建筑設計領域的信息技術。利用BIM技術可以對建筑結構進行三維仿真模型可視化設計，對建筑設計進行模塊化、后臺信息數據化管理[2]。在BIM技術的支持下，建筑結構的信息化模型可以在智能建造的各個環節中使用，在此期間，配合深度學習算法對設計結果進行局部優化和整體優化[3]。深度學習算法基于深度神經網絡，學習能力更全面、高效，輸入建筑設計的BIM信息后，利用迭代進行訓練和學習，深度神經網絡可以自動優化建筑設計結果，在該過程中，智能化特征突出。基于此，本文根據卷積神經網絡（Convolutional Neural Networks，CNN）深度網絡的變形結構設計建筑的智能化流程，并對優化效果進行性能測試。

1 基于CNN網絡的建筑智能化設計優化流程

采用BIM技術和深度學習技術優化建筑智能設計。根據BIM設計的建筑結構信息化模型可以生成基本的數據信息，并用于后續處理，CNN深度學習網絡將優化BIM模型，得到最佳的設計結果，具體流程如圖1所示。

從圖1可以看出，在確定智能化的建筑任務需求后，設計人員運用BIM技術完成建筑結構的模型設計，生成BIM模塊數據流。BIM模塊數據流將和建筑模塊庫中的數據流一起送入CNN深度學習網絡的輸入端，在CNN網絡中進行訓練和學習。CNN網絡穩定后，進一步優化BIM模型，得到結構更合理、施工成本更低的優化結果并輸出。BIM模型優化結果即建筑設計智能優化后的結果，將作為后續施工工作的指導性模型、圖紙和文件。從上述流程可以看出，CNN 深度學習網絡在整個智能化設計和優化的過程中具有重要的作用，因此需要對其進行詳細設計。

2 建筑智能設計優化中的CNN深度學習網絡設計

本文對CNN 深度學習網絡進行Faster改型設計，CNN深度學習網絡結構如圖2所示。

從圖2可以看出，在智能建造技術框架下，根據BIM軟件平臺生成的建筑物信息化設計模型將成為Faster-CNN深度學習網絡的輸入，不同的模塊單元形成多組輸入序列送入網絡。整個深度學習網絡不斷執行卷積和池化處理，完成對信息模型的學習、訓練和迭代過程，共有2次卷積處理和2次池化處理。卷積處理會根據輸入信息進一步生成特征信息，特征信息作為輸入參與池化處理，進一步生成池化特征。整個深度網絡采取多通道并行排布的結構，各個通道經過自己所屬的卷積層和池化層處理后，得到池化特征，再執行全連接處理，得到BIM模型的最終優化結果。最終優化結果是在非人工設計的情況下由深度學習網絡自動完成的，充分體現了智能建造的技術特點。以CNN深度學習網絡結構為依托，為了達到BIM模型最佳的優化效果，進一步在5個關鍵點進行詳細設計。

2.1 空間金字塔池化處理

在BIM建筑智能優化過程中，經常使用卷積與全連接網絡相互聯接的方法進行訓練。這2個部分之間的連接應具有恒定的維度，獲取相似大小的特征映射，并將其傳遞至全連接網絡以便于分類。傳統的解決方案是切割或者調整各建造單元的大小、形狀等參數來操作輸入案例，這樣的方式可能會破壞被測物體在建造單元上的相對位置和大小信息，降低對象特征的精確性。為解決這個問題，本文使用一種名為SPP的新架構，它能將各種規模的特征映射轉換為統一規格的特征映射，不需要修改原始建造單元。SPP模型在最后的一個卷積層后加入一個空間池化層，將特征映射分為多個小區域。在每個通道上執行最大的池化計算，最終得到一個確定長度的特征映射，再用全連接網絡進行分類。在這個過程中，采用5×5、9×9和13×13 3種不同的卷積核尺寸處理最大池化，在處理完畢后合并輸出，整個流程并不涉及特征映射的尺度變化。最大池化操作流程如圖3所示。

2.2 引入路徑聚合網絡

PANet網絡主要用于實例分割，在自頂向下的路徑后添加1個自底向上的路徑來聚合不同層級的特征圖，提升實例分割的效率。具體來說：PANet在FPN的基礎上添加了1個PANet模塊，該模塊由自頂向下的路徑和自底向上的路徑2個子模塊組成。自頂向下的路徑對高層特征進行向下采樣，以匹配低層特征的尺寸；自底向上的路徑對低層特征進行向上采樣，以匹配高層特征的尺寸。這2個路徑的輸出關聯在一起，形成1個新的特征金字塔，每個層級都包括來自不同層級的信息。利用這種方式，PANet可以有效地聚合不同層級的特征，從而提升建造單元實例分割的性能。在該結構中，FPN的輸出結構不再參與預測，利用PAN結構輸出的結果進行預測。使用FPN技術獲得76×76特征圖像，對通道特征76×76×C進行預測，C為通道數，使用PAN架構處理從底層獲取的76×76特征圖像，與其在FPN中提取的38×38特征圖像進行矩陣連接，生成用于預測的38×38×C。使用PAN架構處理來自底層的38×38特征圖像，與其在FPN中提取的19×19特征進行矩陣連接，以產生用于預測的19×19×C。

2.3 基于YOLOv4 的前端設計

YOLOv4頭部采用YOLOv3檢測頭，其本質上是1×1和3×3卷積，經過YOLOv4頸部的PAN結構最終得到輸出的3個維度特征，分別為76×76×C、38×38×C和19×19×C，計算方法如公式（1）所示。

C=N×（4+1+M） " " " " "（1）

式中：N為特征圖的先驗框，每個單元格須檢測N個目標；“4”為預測框在圖像中的4個位置坐標x、y、w和h；“1”為置信度，為在預測框中存在交通標志的可能概率；M為標簽類別的數目。這3種大小的特征所產生的預測框會分別產生3組新的預測邊界框以定位需要檢測的目標的位置。這種檢測方法基本流程如下：按照預測框的置信度進行排序，挑選每類分數超過閾值的框以及相應的置信度，利用非最大值抑制技術來獲得最終檢測結果。

2.4 標簽平滑處理

標簽平滑處理是一種正則化技術，其作用是減少神經網絡的過擬合并提高分類性能。在裝配式單元處理過程中，樣本所屬類別的置信度為1，其余都為0，模型訓練最終很可能出現過擬合。為了解決這個問題，在訓練過程中引入1個平滑因子。標簽的平滑分布等于在真實分布中添加了噪聲，防止模型過度信任準確標簽，因此預測結果的正負值差異不會太大。數據樣本標簽如公式（2）、公式（3）所示。

（2）

（3）

式中：i為標簽所在的行；y為標簽所在的列；k為類別數量；ε為引入的光滑因子，其是1個數值趨于0的常數。

2.5 損失函數設計

交并集處理（Intersection Over Union，IOU）用于評估2種任意案例的相似性。這個方法經常用于評估檢測算法性能并衡量預測結果的準確度，計算過程如公式（4）所示。

（4）

式中：A、B分別為分析框與真實框。IOU越高，2個框的重疊程度越高，邊界框的分析結果越精確。

在真實場景中，如果A、B 2個框之間沒有重疊部分，無論它們間隔是遠還是近，其結果都是相同的，說明無法根據這種方法來判斷IOU均為0，因此IOU并不能體現A、B 2個框之間的距離。在這個階段沒有梯度反饋，可能會導致訓練流程結束。如果3種重疊方式的IOU均為0.45，則可以看到3種方式的A、B 2個框的契合程度有所差異，因此IOU無法識別分析框和真實框各種不同的對準策略。

本節采用CIOU位置損失函數，與IOU相比，增加計算寬高比，CIOU計算過程如公式（5）所示。

（5）

式中：ρ為調整比例；b為場景寬度；bgt為場景寬度的全局最優解；c為場景高度；a為損失系數；v為損失速度。

3 建筑智能設計優化的試驗結果與分析

上文給出了建筑設計BIM模型的CNN智能優化方法，下面根據5個工程用料的分析試驗來驗證本文方法的性能。以住宅常規施工成本為參照，選擇一般設計方法作為對比方法，和本文提出的CNN智能優化方法進行對比，結果如圖4所示。

從圖4可以看出，與一般設計方法相比，基于CNN的智能優化設計可以節省15%的工程用料，證明了智能和設計優化方法的有效性。

在試驗過程中，分析了在建筑設計智能優化過程中CNN深度學習網絡的迭代過程，結果如圖5所示。

從圖5中的優化精度曲線變化和擬合結果可以看出，隨著迭代次數不斷增加，CNN深度學習網絡優化的效果越來越好，優化精度一直保持在90%以上。當迭代次數增至700次時，優化精度達到96%以上。

4 結論

信息技術、物聯網技術、數據挖掘技術以及深度學習技術改變了建筑工程領域。本文以BIM設計智能優化過程為研究對象，構建一種基于CNN深度學習網絡的智能優化方法。在智能設計的技術框架體系中，以BIM模型作為數據流，構建基于深度學習的優化框架，并在池化處理、路徑聚合、標簽平滑和損失函數等方面對深度網絡進行詳細設計。針對5個工程案例進行智能設計優化試驗對比，結果顯示基于CNN深度網絡的優化設計節約工程用料成本約15%。

參考文獻

[1]毛超，彭窯胭.智能建造的理論框架與核心邏輯構建[J].工程管理學報，2020，34（5）： 1-6.

[2]劉占省，劉子圣，孫佳佳，等.基于數字孿生的智能建造方法及模型試驗[J].建筑結構學報，2021，42（6）：26-36.

[3]李衛軍，蘇衍江，張磊，等.基于新農村建設的裝配式建筑結構體系研究與思考[J].結構工程師，2018，34（2）：173-179.