基于BIM和深度学习的建筑平面凹凸不规则识别

姜 柳，史健勇，付功义，潘泽宇，王朝宇

基于BIM和深度学习的建筑平面凹凸不规则识别

姜 柳1,2，史健勇1,2，付功义1，潘泽宇1,2，王朝宇1,2

(1. 上海交通大学船舶海洋与建筑工程学院，上海 200240；2.上海市公共建筑和基础设施数字化运维重点实验室，上海 200240)

建筑抗震超限审查是高层建筑、特别是超高层建筑审查的重要内容，建筑平面凹凸不规则是建筑抗震超限审查的项目之一。目前的建筑平面凹凸不规则识别主要由人工依据设计规范进行，然而日益复杂的建筑平面设计超出了规范的示例范围，也加重了人工审查的负担。建筑平面识别可以看成是图片分类问题，考虑到实际工程中规则样本和不规则样本之间的不均衡性，利用异常检测的思想，提出了一种基于建筑信息模型(BIM)和深度学习进行建筑平面凹凸不规则辅助识别的方法。首先，利用几何对象之间的布尔交运算得到BIM模型的建筑平面；然后，通过图片预处理，生成建筑平面外轮廓图；最后，将建筑平面外轮廓图输入已训练好的异常检测深度学习模型，反馈识别结果。实验结果表明，相比于传统的图片分类模型，采用异常检测的思路对不规则建筑平面图的识别率提高了15%，更符合实际工程的需要。

建筑信息模型；抗震审查；深度学习；异常检测；建筑平面；不规则识别

近年来，随着城镇化进程加速和建筑技术的发展，我国高层建筑的数量不断攀升，复杂、多样的建筑平面布置层出不穷。对于高层建筑而言，建筑平面布置极其重要。一方面，平面审查是高层建筑，特别是超高层建筑超限审查的最基本的要求；另一方面，不规则的平面会导致建筑结构整体的扭转效应增大，危及结构的抗震安全[1]。目前，关于建筑平面不规则的审查主要依据相关建筑规范进行。规范中规定了多种平面不规则的类型，其中建筑平面凹凸不规则由于涉及复杂的平面几何比例判别，无法直接根据计算软件的结果得到，还需要人工进行判断。虽然相应规范给出了评判指标，即认为凹凸不规则的建筑平面主要指“凹凸尺寸大于相应投影方向总尺寸的30%”的平面形式，但是如何选取“凹凸尺寸”和“投影方向总尺寸”需要有经验的专家根据实际的建筑平面图进行确定。而对于复杂的平面形式，相应尺寸的选定更加繁琐、更具有不确定性，且很难通过一些简化的量化指标进行不规则的判定。此外，虽然规范中给出了建筑平面凹凸不规则的示例，但是许多实际工程项目中建筑平面的凹凸性判断已经超出了这些示例范围[2]，这也加重了人工审查的负担，而人为判断的主观性也会影响审查的结果。

总之，建筑平面凹凸不规则的判断是依赖专家经验的过程，本文从图片识别的角度出发，用深度学习方法提取建筑平面图片特征，以学习专家进行不规则判断的经验。建筑平面凹凸不规则识别可以看成是图片0-1分类问题，规则的建筑图片可被分为正常样本类(标签为1)，存在凹凸不规则的建筑图片可被分为异常样本类(标签为0)。在计算机领域，深度学习模型已经在图片分类问题上得到了广泛地应用。其可从大量的数据中自动学习到相应的特征，不仅避免了繁琐耗时的特征工程设计，还可将特征表示和分类器联合优化。在实际的应用场景中，深度学习模型也展现出了良好的性能，例如利用卷积神经网络(convolutional neural networks，CNN)模型对建筑遥感图像的分类[3]和建筑风格分类[4]等。但是，经典的图片分类模型(如ResNET和VGG等)并不适用于建筑平面凹凸不规则识别，主要原因在于：①数据样本的不均衡，由于现有存档的建筑图纸均已通过超限审查，所以异常样本(即建筑平面凹凸不规则的样本)难以收集；②在实际工程中，从建筑设计安全的角度考虑，需要尽可能识别出所有凹凸不规则的建筑平面(即异常样本)。

因此，本文将建筑平面凹凸不规则识别定义为异常检测问题。异常检测问题特点就在于拥有大量的正常样本和小量的异常样本，旨在通过对大量正常样本的训练，得到可以识别出异常样本的模型，为各个领域中的一些实际场景提供了很好的解决方案。在异常检测的模型和方法上，生成对抗网络(generative adversarial networks，GAN)更受研究者的青睐。2016年，RADFORD等[5]将CNN与GAN结合，提出了第一个将GAN应用在图像领域的框架DCGAN。AnoGAN[6]在此基础上提出了异常图片检测的方法，成为第一个将GAN用于异常检测领域的实践。AnoGAN中的生成器和判别器均采用DCGAN的结构。在训练阶段，AnoGAN仅利用正常图片让生成器学习正常图片在潜在空间中的分布表示，使潜在空间中的随机采样均能表示正常图片的潜在空间特征；在测试阶段，通过对比输入图片的潜在空间特征与潜在空间中随机采样之间的差异来识别异常图片。为了减少输入图片与潜在空间映射的复杂性，不少学者基于AnoGAN进行了后续的研究，相继提出了利用GAN进行异常图片检测的模型框架。其中GANomaly[7]在多个图片数据集中均展示出了更好的分类性能。

针对建筑平面凹凸不规则判断而言，正确地提取建筑的外轮廓是极其重要的一步，其来源可以是二维图纸或建筑信息模型(building information modeling，BIM)。建筑外轮廓在二维图纸中需进行人工识别，而利用BIM中建筑实体的语义化信息可以进行自动化抽取。作为BIM的通用数据交换格式标准，工业基础类(industry foundation classes，IFC)可以作为BIM模型信息提取的来源。综上，本文在GANomaly模型的基础上，利用异常图片检测的思想，提出基于BIM和深度学习的快速、有效识别方法，以辅助人工进行建筑平面凹凸不规则的判断，提高建筑抗震超限审查的效率和准确性。

1 方 法

本文将建筑平面凹凸不规则识别问题定义为基于图片的异常检测问题，提出识别方法如图1所示。该方法主要包括3个部分，首先从BIM模型中获取建筑平面，接着通过图片预处理得到建筑平面外轮廓图，最后利用已训练好的深度学习模型对建筑平面外轮廓图进行计算，并反馈识别结果。

图1 基于BIM和深度学习的建筑平面凹凸不规则识别方法

1.1 基于IFC的BIM模型建筑平面获取

BIM模型建筑平面获取的第一步是获取每一层的标高。在IFC文件中，楼层以实体IFCBUILDINGSTOREY表示，通过实体定义与实例数据之间的对应关系，可以得到楼层实体的高度。如图2所示，IFC文件中的实例数据描述“#160= IFCBUILDINGSTOREY(‘169yy__4LDGwpM8wCMTLG0’,#41,’标高3’,$,’标高:上标头’,#159,$,’标高3’,.ELEMENT.,6000.);”表示名称(Name)为“标高3”的楼层标高高度(Elevation)为6 m。接着，根据所获取的标高高度，建立剖切平面，并通过BIM模型与该剖切平面之间的布尔交运算得到每一层的建筑平面。

图2 IFCBUILDINGSTOREY实体定义与实例数据的对应关系

借助IfcOpenShell库[8]和pythonocc库[9]，按 3个步骤提取BIM模型的建筑平面：①读入IFC文件，获取所有IFC实体(IfcProduct)的几何形状；②生成模型的包围盒，根据包围盒的大小以及截面高度，创建平面；③遍历所有的IFC实体，通过其几何形状与所创建的平面之间的布尔交运算，得到指定截面高度下的相交截面；将所有的相交截面组合在一起，即可得到BIM模型的建筑平面。具体算法流程如下：

Input:: IFC file;:Section height;

Output::Building plane;

1:=.by_type('IfcProduct')

2:= []

3: forindo

4:.add()

5: end for

6:=()

7:,,,=.Get()

8:=(,,,,)

9:= []

10: forindo

11:=(,)

12:.add()

13: end for

14:is the combination of

1.2 建筑平面外轮廓图片预处理

因为建筑平面凹凸不规则主要基于建筑平面外轮廓来判断，所以图片预处理的目的是突出待识别的建筑平面外轮廓区域，以提高建筑平面凹凸不规则识别的准确率，同时降低计算复杂度。首先，根据用户绘制的建筑平面外轮廓路径，生成实心多边形。由于建筑平面图大多不是规则的图形，为了方便后续的计算、编码和重构，将建筑平面外轮廓图以白色背景填充，生成方形图片，且要求边长均为16的倍数。接着，在输入深度学习模型之前，将建筑平面外轮廓图进行二值化处理，外轮廓区域内的像素灰度值设为0，外轮廓区域外像素灰度值设为1。

1.3 GANomaly模型

GANomaly是一种基于潜在特征空间的图片异常检测模型，通过对比输入图片与重构图片在潜在特征空间上的差异来判断其是否为异常图片。相比于直接比较输入图片与重构图片的差异，潜在特征空间这一更高维的图片特征更能反应图片实质内容的差异，不会受到图片微小变化的影响[10]。如图3所示，GANomaly模型使用2个编码器()和()以及一个解码器()交错相接构成模型的生成器(NetG)，用于生成输入图片的潜在特征向量=()、重构图片ʹ以及重构图片ʹ的潜在特征向量ʹ=(ʹ)。

图3 GANomaly模型结构

这里2个编码器的结构是一样的，但参数的取值不同，GANomaly模型结构的相关参数如图4所示。和DCGAN一样，编码器和解码器均通过调整stride参数，去除了池化层，并使用批量归一化(batch normalize)加速模型的收敛。GANomaly模型的判别器()首先将图片进行编码，得到一个判别特征，然后对其进行判别，最后输出图片标签。

模型的训练采用和GAN相同的训练策略，对于输入图片而言，判别器认为是正常样本；对于重构图片ʹ而言，判别器认为是异常样本。经过生成网络和判别网络之间的对抗训练之后，生成器生成的重构图片ʹ会越来越接近输入图片。但由于在训练过程中仅使用了正常图片作为输入，所以对于异常图片而言，模型的参数并不适用，异常图片进行编码、重构、再编码得到的2个潜在特征向量和ʹ之间的差异，由于误差的累积，会变得更大。这样一来，可通过设置差异的阈值进行异常图片的识别。为了实现这个目的，设置了4个损失函数(图片判别损失、潜在特征向量损失、重构图片损失、判别特征损失)以约束模型的训练过程。

图4 GANomaly模型编码器、解码器、判别器参数((a)编码器；(b)解码器；(c)判别器)

图片判别损失是判别器的损失，定义为真实图片标签和判别标签之间的交叉熵损失，即

其中，y为第张图片的真实标签，对于输入图片，y=1，对于重构图片，y=0；p为第张图片判别为正常样本的概率。那么，对于模型的判别器而言，其损失函数可以定义为对输入图片判别的交叉熵损失和对重构图片判别的交叉熵损失，即

其中，()和(ʹ)分别为输入图片和重构图片经过判别器后得到的被判别为正常样本的概率；1和2分别为2个交叉熵损失的计算权重，本文取1=2=0.5。

潜在特征向量损失L定义为潜在特征向量和ʹ之间的均方误差(mean squared error，MSE)，即

前文提到，在潜在特征空间中，只有正常样本能够被很好地表示和还原，而生成器NetG就是对输入图片进行特征空间的表示、还原和再表示的过程。所以，在训练过程中，潜在特征向量损失L应尽可能地小；同理，重构图片损失L也要尽可能地小。重构图片损失L定义为输入图片和重构图片ʹ之间的均绝对误差(mean absolute error，MAE)，即

相比于MSE，MAE更加稳定，收敛速度更快，但对离群值不敏感。在重构图片层面使用MAE可以使重建的图片更接近真实的图片，而在特征空间层面使用MSE可以更好地处理差异较大的异常值。

相应的，因为要求输入图片和重构图片ʹ更接近，所以也要求在判别器中2张图片生成的判别特征更接近。为此，定义判别特征损失为2张图片判别特征之间的MSE，即

其中，为输入图片的判别特征；ʹ为重构图片ʹ的判别特征。那么，对于生成网络而言，损失函数为潜在特征向量损失、重构图片损失和判别特征损失的加权组合，即

其中，，和为加权参数。为了使重构图片和输入图片更加接近，本文取=100，==1。

1.4 图片识别结果反馈

如前所述，图片识别的依据是输入图片的潜在特征向量和重构图片的潜在特征向量ʹ之间的差异。根据模型的假设，模型对正常图片的特征提取、图片重构和特征再提取的过程拟合较好，因此如果2个潜在特征向量之间的差异较小，则判断为正常图片，否则判断为异常图片。GANomaly的应用场景为安检X线图片中的异物检测，在一张X线图片中会有多个输入图片(即待识别的物体)，模型在得到这些输入图片的潜在特征向量之间的差异，并且通过归一化后得到的数值反应异常图片和正常图片的差别。然而，考虑到建筑平面凹凸不规则识别的具体应用场景，需要模型对每次输入的一张建筑平面外轮廓图即时做出判断，本文选择余弦相似度作为判断指标，即

同时，根据选取阈值，若大于选取阈值，则反馈结果为“建筑平面规则”，否则为“建筑平面凹凸不规则”。

2 模型训练与实验结果

2.1 数据集准备

目前，土木建筑行业还没有现成的有关建筑平面不规则识别的开放数据集。因此，本文基于公开的楼层平面数据集CubiCasa5k数据集[11]，通过数据生成与数据增强，建立建筑平面凹凸不规则识别数据集。CubiCasa5k数据集拥有超过5 000例平面样本，包含超过80种平面类型[12]。每个平面对象均为一个独立的svg文件。平面内的物理实体如空间、墙体、门、窗等在svg文件中以面向对象的方式进行存储，采用多边形(polygon)进行几何表达。

在数据生成方面，采用图5所示的处理思路。首先遍历并读取平面svg文件，识别其中的墙体和空间对象，并获取目标对象本身的polygon表达。接着，利用python第三方绘图工具包matplotlib将每个目标对象多边形进行重绘并填充，在保存后根据平面凹凸不规则的规范要求及专家论证对所生成的平面图进行标注。为了减轻数据样本不均衡可能造成的分类失准，同时也为了提升数据样本的数量等级，对不规则样本通过旋转、镜像等操作进行数据增强。

图5 数据集生成

最终得到的数据集共有3 645个建筑平面样本，见表1。样本类型可以分为简单和复杂2种建筑平面形式，简单建筑平面形式又可细分为完全规则、以凸为主和以凹为主的3种建筑平面。所建立的数据集中，凹凸不规则建筑平面样本360个，规则建筑平面样本3 285个。在模型训练时，随机选择80%的规则样本作为训练集，剩余20%的规则样本和全部不规则样本作为测试集。

表1 数据集样本分析

2.2 模型超参数设置和评价指标

模型训练采用GAN的训练策略，通过生成网络和判别网络之间相互约束进行模型优化。模型相关的超参数设置见表2。

表2 模型超参数设置

在建筑平面凹凸不规则识别的问题中，更需要关注的是能否将不规则的平面图识别出来。因此本文选用2个指标进行模型效果的评价，分别是准确率和异常样本的识别率。首先引入混淆矩阵见表3。

表3 建筑平面凹凸不规则识别混淆矩阵

定义准确率为正确识别平面图的数量与平面图总数量之比，即

定义异常样本的识别率为正确识别的不规则平面图数量与不规则平面图总数量之比，即

2.3 实验结果

对于输入的每一张建筑平面外轮廓图，模型首先计算其潜在特征向量和重构图片潜在特征向量ʹ之间的相似度，建筑平面越接近规则平面，计算得到的相似度值越大，见表4。

表4 不同建筑平面相似度计算结果

图6展示了部分规则建筑平面图和凹凸不规则建筑平面图经过模型生成器得到的重构图片的对比。可以看到，规则建筑平面图的重构图片效果较好，而对于凹凸不规则的建筑平面图而言，作为模型的异常样本，重建图片与输入图片有较大的差距，验证了模型的可行性。同时可以看到，凹凸不规则建筑平面图的重构图片会更接近规则的形状，这也导致了重编码之后的潜在特征向量与输入图片的潜在特征向量之间的差异。

然后，根据计算得到的相似度，通过选定的阈值对建筑平面进行识别。当计算得到的相似度小于选定阈值时，认为该建筑平面为凹凸不规则平面。在实验中，不同判别阈值对应的准确率和识别率如图7所示。可以看出，模型的准确率和识别率之间存在博弈关系，因此，实际工程应用中，可以通过调整阈值来控制模型的判别倾向。在安全性要求比较高的建筑工程中，可以选择较高的判别阈值，牺牲一部分准确率，以确保凹凸不规则的建筑平面能被识别出来。

图6 输入图片与重构图片对比

图7不同判别阈值对应的准确率和识别率

当阈值取0.95时，不同类型建筑平面形式的实验结果见表5。对于完全规则的建筑平面，模型表现出了良好的性能；在其他建筑平面形式的判别中，模型也能很好地识别出不规则的样本；总体而言，模型的准确率为80.8%，识别率为72.5%。表6同时给出了本文模型和图片分类模型(ResNET及VGG)的实验结果对比。可以看出，图片分类模型可以获得很好的准确率，几乎所有的规则图片都可以被正确地识别，但在不规则图片的识别上表现较差。而本文模型虽然在准确率上有所下降，但可以更好地识别出不规则的图片，识别率比ResNET和VGG增加了约15%，更满足实际工程中的需求。

表5 不同类型建筑平面形式的实验结果

表6 不同模型的准确率和识别率对比(%)

3 案例验证分析

基于提出的方法，形成建筑平面凹凸不规则识别模块，通过实例进行验证。

针对简单建筑平面，根据《建筑抗震设计规范》(以下简称《抗规》)[13]给出的3种建筑平面示例，对模型进行验证分析，见表7。验证数据集通过编写程序随机生成，每种建筑平面生成10 000张样本。从表7可以看出，模型的识别率平均为93.76%，在工程上具有较好的可靠性。

表7 3种示例建筑平面的模型应用结果(%)

针对复杂建筑平面，选取2幢高层建筑作为案例进行分析。BIM模型均使用Autodesk Revit建立，导出IFC文件后，自动提取建筑平面图，并通过预处理生成大小为64×64的建筑平面外轮廓图，如图8所示。将生成的建筑平面外轮廓图输入训练好的深度学习模型，可以得到识别结果如下：对于模型1，输入图片的潜在特征向量与生成图片的潜在特征向量之间的相似度为0.897 98，判别为“建筑平面凹凸不规则”；对于模型2，输入图片的潜在特征向量与生成图片的潜在特征向量之间的相似度为0.954 57，判别为“建筑平面规则”。识别结果与专家论证一致。

图8 BIM模型三维视图和标准层建筑平面图((a)模型1-三维视图和标准层建筑平面图；(b)模型2-三维视图和标准层建筑平面图)

4 结论与展望

本文从建筑抗震平面审查的问题出发，提出了基于BIM和深度学习的建筑平面凹凸不规则自动识别方法，以辅助人工完成审查和判断。该方法通过IFC实体之间的布尔交运算，可以获取不同楼层的建筑平面图，并通过深度学习模型对建筑平面图进行识别。实验表明，从实际工程项目需求出发，将建筑平面凹凸不规则识别定义为图片异常检测问题，可以更好地识别不规则的建筑平面，为基于BIM的建筑抗震审查提供了新思路。

由于目前土木建筑领域缺少相关的数据集，本文基于现有的公开数据集，通过有效处理和标注，形成建筑抗震平面凹凸不规则训练数据集。然而，该数据集中的建筑平面类型、复杂程度未能涵盖所有实际工程项目的建筑平面，例如《抗规》中的“Y”型建筑平面，也导致模型在检测复杂平面时未能得到准确的识别结果。因此，后续研究工作可以从2个方面展开：①完善训练数据集的样本类型，提高模型预测的准确率；②对于复杂平面，可以结合深度学习模型和领域知识图谱进行识别判断，并加入专家知识的引导，以获得更准确、更合理的判断结果。

[1] 林书佚. 高层建筑设计中平面规则性的重要性研究[J]. 山西建筑, 2010, 36(22): 75-77.

LIN S Y. The analysis of the importance of the plan regularity in the design of tall buildings[J]. Shanxi Architecture, 2010, 36(22): 75-77 (in Chinese).

[2] 李显杰, 阮兴群, 柳晓博, 等. 对复杂平面凹凸规则性判断的探讨[J]. 建筑结构, 2021, 51(15): 51-53, 87.

LI X J, RUAN X Q, LIU X B, et al. Discussion on judgment of regularity of complex plane concavity and convexity[J]. Building Structure, 2021, 51(15): 51-53, 87 (in Chinese).

[3] PENG C, LI Y Y, JIAO L C, et al. Efficient convolutional neural architecture search for remote sensing image scene classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(7): 6092-6105.

[4] DAUTOV E, ASTAFEVA N. Convolutional neural network in the classification of architectural styles of buildings[C]//2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering. New York: IEEE Press, 2021: 274-277.

[5] RADFORD A, METZ L, CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks[EB/OL]. [2021-09-07]. https://arxiv.org/ abs/1511.06434.

[6] SCHLEGL T, SEEBÖCK P, WALDSTEIN S M, et al. Unsupervised anomaly detection with generative adversarial networks to guide marker discovery[EB/OL]. [2021-08-19]. https://arxiv.org/abs/1703.05921.

[7] AKCAY S, ATAPOUR-ABARGHOUEI A, BRECKON T P. GANomaly: semi-supervised anomaly detection via adversarial training[EB/OL]. (2018-11-13) [2021-09-29]. https://arxiv.org/ abs/1805.06725v3.

[8] IfcOpenShell, The open source IFC toolkit and geometry engine [EB/OL]. (2020-08-12) [2021-10-11]. http://www. ifcopenshell.org/.

[9] Tpaviot. pythonocc-core [EB/OL]. (2021-03-01) [2021-10-11]. https://github.com/tpaviot/pythonocc-core.

[10] 葛文超, 魏超, 王玉涛, 等. 基于潜在空间矩阵的半监督异常检测[J]. 计算机应用研究, 2020, 37(S2): 318-320.

GE W C, WEI C, WANG Y T, et al. Semi-supervised anomaly detection based on latent space matrix[J]. Application Research of Computers, 2020, 37(S2): 318-320 (in Chinese).

[11] KALERVO A, YLIOINAS J, HÄIKIÖ M, et al. CubiCasa5K: a dataset and an improved multi-task model for floorplan image analysis[EB/OL]. (2019-04-03) [2021-12-30]. https:// arxiv.org/abs/1904.01920.

[12] KALERVO A, YLIOINAS J, HIKI M, et al. CubiCasa5k [EB/OL]. (2019-03-28) [2021-10-11]. https://zenodo.org/record/2613548#.YWPfbhpBw2w.

[13] 中华人民共和国住房和城乡建设部, 国家质量监督检验检疫总局. 建筑抗震设计规范: GB 50011—2010[S]. 北京: 中国建筑工业出版社, 2010.

Ministry of Housing and Urban-Rural Development of the People's Republic of China, General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China. Code for seismic design of buildings: GB 50011—2010[S]. Beijing: China Architecture & Building Press, 2010 (in Chinese).

Identification of the plane irregularity of structures based on BIM and deep learning

JIANG Liu1,2, SHI Jian-yong1,2, FU Gong-yi1, PAN Ze-yu1,2, WANG Chao-yu1,2

(1. School of Naval Architecture, Ocean and Civil Engineering, Shanghai Jiao Tong University, Shanghai 200240, China;2. Shanghai Key Laboratory for Digital Maintenance of Buildings and Infrastructure, Shanghai 200240, China)

Compliance checking on earthquake-resistance is essential for architectures, especially for high-rise buildings. Current checking methods rely heavily on human efforts. In particular, as one of the critical checking contents, the identification of the plane irregularity of structures is time-consuming and error pone, because the building plane designs are becoming increasingly complex. The identification of the plane irregularity of structures could be regarded as a plane classification problem where the regular planes are identified as normal samples and the irregular ones as abnormal samples. Considering the unbalanced distribution of regular and irregular planes in construction projects and adopting the idea of an anomaly detection model, a methodology for the identification of the plane irregularity was proposed based on Building Information Modeling (BIM) and deep learning. Firstly, the building plane of BIM model was obtained by Boolean intersection operation between geometric objects. After image processing, the building plane could be converted into a building plane contour map. Finally, the trained anomaly detection model was executed on the contour map to yield the identification results. The experimental results show that in comparison with the traditional image classification models, the new one following the idea of an anomaly detection model can increase the identification rate of irregular building planes by 15%, more readily meeting the needs of practical applications.

building information modeling; anti-seismic checking; deep learning; anomaly detection; building plane; irregularity identification

TP 399，TU 972

10.11996/JG.j.2095-302X.2022030522

A

2095-302X(2022)03-0522-08

2021-10-21；

2021-12-30

21 October，2021；

30 December，2021

上海市住房和城乡建设管理委员会科技专项(2020-009-005)；重庆市自然科学基金项目(CSTC2021JCYJ-MSXMX0986)

Shanghai Municipal Commission of Housing and Urban-rural Development Research Project (2020-009-005); Natural Science Foundation of Chongqing (CSTC2021JCYJ-MSXMX0986)

姜 柳(1995–)，女，博士研究生。主要研究方向为土木工程信息化。E-mail：oxazajl@sjtu.edu.cn

JIANG Liu (1995-), PhD candidate. Her main research interest covers building information modeling. E-mail：oxazajl@sjtu.edu.cn

史健勇(1975–)，男，副教授，博士。主要研究方向为建筑信息化、城市数字孪生等。E-mail：shijy@sjtu.edu.cn

SHI Jian-yong (1975-), associate professor, Ph.D. His main research interests cover building information modeling, digital twin city, etc. E-mail：shijy@sjtu.edu.cn