建筑幕墻檢測在圖像智能識別平臺中的適用性研究

安文卓，劉 凱

（1.北京市建筑工程研究院有限責任公司，北京 100039；2.北京市建設工程質量第一檢測所有限責任公司，北京 100039）

0 引言

隨著經濟的高速發展，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，已經成為商業區和市中心的主要建筑類型。但隨之而來的，便是高空墜物產生的安全隱患，因此高層建筑幕墻安全檢測是城市運行過程中必不可少的一項工作。在實施檢測過程中，常規的檢測方法是人員通過乘坐高層建筑擦窗機或者采用蜘蛛人的形式，對人員高空作業能力要求相當高，風險也是最高的。檢測過程中，技術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，判斷是否進行更深一步檢測。通常一棟高層建筑幕墻反饋的照片數量較多，數據處理耗時費力。針對建筑幕墻檢測過程中存在的難點，可以采用無人機設備進行航線規劃和圖像采集，采用圖像智能識別平臺對現場采集的照片進行訓練并建立識別模型。這樣不僅可以避免高空作業產生的安全風險，同時圖像處理速度也能得到提高，整體檢測效率得到提升。

1 圖像智能識別平臺介紹

對于高層建筑幕墻檢測過程中需要使用的無人機圖像采集技術，相關產品可以直接購買并開展圖像采集工作，根據現場實際情況合理進行航線規劃和圖像采集策略即可。而對于圖像智能識別平臺來說，雖然目前有較多的開放平臺可以供免費參考使用，但是由于建筑幕墻行業的特殊性，以及圖像采集顯示的幕墻問題類型的不確定性，需要對其在圖像智能識別平臺中的適用性進行研究。通過分析比對，本文選用了百度 AI 開放平臺。

百度 AI 開放平臺作為比較全面的智能開放平臺，平臺中包含了語音技術、圖像技術和文字識別技術等。其中，EasyDL 是百度大腦推出的零門檻 AI 開發平臺，面向各行各業有定制 AI 需求、零算法基礎或者追求高效率開發 AI 的企業用戶，支持包括數據管理與數據標注、模型訓練、模型部署的一站式 AI 開發流程［1］。

EasyDL 圖像可以定制基于圖像進行多樣化分析的 AI 模型，實現圖像內容理解分類、圖中物體檢測定位等，適用于圖片內容檢索、安防監控、工業質檢等場景。目前，EasyDL 圖像共支持訓練 3 種不同應用場景的模型［2］。

1）圖像分類：識別一張圖中是否是某類物體/狀態/場景，可以識別圖片中主體單一的場景。

2）物體檢測：在一張圖包含多個物體的情況下，定制識別出每個物體的位置、數量、名稱，可以識別圖片中有多個主體的場景。

3）圖像分割：對比物體檢測，支持用多邊形標注訓練數據，模型可像素級識別目標，適合圖中有多個主體、需識別其位置或輪廓的場景。

對于本文來說，主要采用 EasyDL 圖像中的物體檢測操作平臺，首先對采集到的存在問題的照片進行標注，通過增加圖像數據對模型加強訓練，不斷提升圖像識別率。本文重點研究不同幕墻問題類型在圖像智能識別平臺中的適用性，由于無人機受飛行區域的限制，文中的圖像數據均采用已完項目中人工現場采集的圖像替代，后期研究中可根據飛行設備實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工作，通過總結以往項目的檢測經驗，可以將建筑幕墻存在的問題及特點歸類如下。

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

2）對于石材幕墻來說，常見問題有：石材開裂、缺角，石材晃動，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，無密封膠相關問題。

3）對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別平臺中的應用研究

3.1 玻璃扣蓋缺失及松動問題

本次模型訓練僅針對采集到的扣蓋缺失照片，通過將圖片導入平臺并進行標注和訓練學習，就可以建立圖像智能識別模型；對于扣蓋松動的部位，僅根據采集到的圖像是無法準確判斷的，需要檢測人員現場觸碰，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別，本次參與模型識別訓練的圖片共 100 張，其中有標注的圖片數量為 40 張，平臺標注照片過程如圖 1 所示。

圖1 智能平臺對問題照片標注

通過訓練，模型 mAP 值為 98.2 %，精確率為83.3 %，召回率為 100.0 %，整體評估結果如圖 2 和圖 3所示。這里需要說明的是，mAP 代表物體檢測算法中衡量算法效果的指標，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測的物體數與預測物體總數之比；召回率代表建議閾值下正確預測的物體數與真實物體數之比。

圖2 模型整體評估結果

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

根據圖示結果分析，由于訓練模型時標注照片數量占總量較少，導致精確率未達到理想值。為了提高模型的識別率，課題小組對其余 60 張圖像全部進行標注，經調整后的模型評估結果如圖 4 和圖 5 所示。根據圖示結果可知，經調整后的訓練模型各項指標均有所提升，精確率達到了 93.5 %，閾值為 0.5 時的 F1-score 達到了 0.97。

圖4 模型調整后整體評估結果

圖5 模型調整后不同閾值下 F1-score 表現

為了校驗訓練后的模型對存在問題圖像的真實識別效果，通過將現場采集到的其他未使用過的問題照片導入該訓練模型，不僅能夠識別問題照片，同時也識別出了問題部位，當閾值為 0.5 時識別率高達 99.19 %（見圖 6）。

圖6 模型校驗結果顯示

3.2 密封膠老化、開裂、有孔洞問題

對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行連接密封，均有可能出現密封膠老化、開裂、有孔洞的問題。對于此類問題，可以分別進行標注，也可以對一種或幾種問題進行標注來進行模型訓練，鑒于上述已有對單一問題模型訓練的經驗，本次模型可以對所有問題全部進行標注和訓練。

本次訓練共導入圖片 124 張，全部進行標注，通過訓練，模型精確率僅為 46.9 %，整體評估結果如圖 7、圖 8 所示。

圖7 模型整體評估結果

圖8 不同閾值下 F1-score 表現

根據圖示結果可知，本次訓練模型的各項指標均較低，經分析其原因主要是訓練模型時包含了不同問題類型的照片，因此課題組僅保留照片數量較多的問題類型，最終剩余照片數量為 71 張，經調整后的模型評估結果如圖 9 和圖 10 所示。

圖9 模型調整后整體評估結果

圖10 模型調整后不同閾值下 F1-score 表現

根據圖示結果可知，經調整后的訓練模型精確率為 53.85 %，雖然有所提升，但仍然不高，主要受訓練模型數量、問題標注方式以及照片呈現效果多方面的影響。

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的光線等，而這些影響因素在智能識別平臺建立過程中并不能很好地識別和歸類。通過模型訓練，最終識別準確率僅為 0.3 %，可見智能識別平臺并不能很順利地識別已經污染的石材，對于此類問題仍需檢測人員現場判斷。石材污染現場照片及平臺標注圖片分別如圖 11 和圖 12 所示。

圖11 石材污染現場照片

圖12 石材污染問題標注

4 結論和建議

通過對建筑幕墻不同問題類型進行訓練，最終建立的圖像智能識別模型準確率可以達到 93.5 %，可以說采用智能識別平臺對現場采集回來的圖像進行訓練和識別，該方法不僅可以保證圖像識別的準確率，同時也可以提高檢測效率。

但是，采用百度 AI 開放平臺對問題照片進行識別，有一定的適用性要求。對于問題單一易分辨，且照片數量多的幕墻問題類型，通過大量的數據訓練，可以建立很高的識別率模型，為幕墻檢測提供了高效的智能識別工具；對于問題類型較多，或雖然是單一問題但表現形式較多的幕墻問題類型，以及通過肉眼無法準確識別的幕墻問題類型（如晃動、松動等），由于采集照片的拍攝角度或者問題嚴重程度不同，是無法通過建立識別模型來準確檢測識別的，對于此種情況仍需專業人員現場檢測。

5 結語

高層建筑幕墻安全檢測在城市運行過程中發揮著重要作用，傳統的檢測方法存在一定的安全風險，數據處理效率不高。通過采用無人機技術和圖像識別技術可以有效解決檢測難點，提升整體檢測效率。但是，現場采集的建筑幕墻問題圖像在智能識別平臺模型建立過程中，有一定的適用性和局限性。在今后的檢測工作中，需要增加各種問題采集數據，并對幕墻問題繼續細化歸類，不斷提升圖像智能識別平臺模型的準確率。Q