建筑幕墙检测在图像智能识别平台中的适用性研究

安文卓，刘 凯

（1.北京市建筑工程研究院有限责任公司，北京 100039；2.北京市建设工程质量第一检测所有限责任公司，北京 100039）

0 引言

随着经济的高速发展，高层和超高层建筑越来越多，建筑幕墙由于其种类多样、安装方便快捷，已经成为商业区和市中心的主要建筑类型。但随之而来的，便是高空坠物产生的安全隐患，因此高层建筑幕墙安全检测是城市运行过程中必不可少的一项工作。在实施检测过程中，常规的检测方法是人员通过乘坐高层建筑擦窗机或者采用蜘蛛人的形式，对人员高空作业能力要求相当高，风险也是最高的。检测过程中，技术人员需要检查幕墙损坏缺陷并拍照，地面人员配合高空人员定位损坏部位和分析损坏程度，判断是否进行更深一步检测。通常一栋高层建筑幕墙反馈的照片数量较多，数据处理耗时费力。针对建筑幕墙检测过程中存在的难点，可以采用无人机设备进行航线规划和图像采集，采用图像智能识别平台对现场采集的照片进行训练并建立识别模型。这样不仅可以避免高空作业产生的安全风险，同时图像处理速度也能得到提高，整体检测效率得到提升。

1 图像智能识别平台介绍

对于高层建筑幕墙检测过程中需要使用的无人机图像采集技术，相关产品可以直接购买并开展图像采集工作，根据现场实际情况合理进行航线规划和图像采集策略即可。而对于图像智能识别平台来说，虽然目前有较多的开放平台可以供免费参考使用，但是由于建筑幕墙行业的特殊性，以及图像采集显示的幕墙问题类型的不确定性，需要对其在图像智能识别平台中的适用性进行研究。通过分析比对，本文选用了百度 AI 开放平台。

百度 AI 开放平台作为比较全面的智能开放平台，平台中包含了语音技术、图像技术和文字识别技术等。其中，EasyDL 是百度大脑推出的零门槛 AI 开发平台，面向各行各业有定制 AI 需求、零算法基础或者追求高效率开发 AI 的企业用户，支持包括数据管理与数据标注、模型训练、模型部署的一站式 AI 开发流程［1］。

EasyDL 图像可以定制基于图像进行多样化分析的 AI 模型，实现图像内容理解分类、图中物体检测定位等，适用于图片内容检索、安防监控、工业质检等场景。目前，EasyDL 图像共支持训练 3 种不同应用场景的模型［2］。

1）图像分类：识别一张图中是否是某类物体/状态/场景，可以识别图片中主体单一的场景。

2）物体检测：在一张图包含多个物体的情况下，定制识别出每个物体的位置、数量、名称，可以识别图片中有多个主体的场景。

3）图像分割：对比物体检测，支持用多边形标注训练数据，模型可像素级识别目标，适合图中有多个主体、需识别其位置或轮廓的场景。

对于本文来说，主要采用 EasyDL 图像中的物体检测操作平台，首先对采集到的存在问题的照片进行标注，通过增加图像数据对模型加强训练，不断提升图像识别率。本文重点研究不同幕墙问题类型在图像智能识别平台中的适用性，由于无人机受飞行区域的限制，文中的图像数据均采用已完项目中人工现场采集的图像替代，后期研究中可根据飞行设备实际采集图像深入开展。

2 建筑幕墙问题归类

笔者单位长期从事建筑幕墙的安全检测工作，通过总结以往项目的检测经验，可以将建筑幕墙存在的问题及特点归类如下。

1）对于玻璃幕墙来说，常见问题有：玻璃碎裂，玻璃边框破损，扣盖松动、缺失，密封胶老化、开裂、有孔洞等。

2）对于石材幕墙来说，常见问题有：石材开裂、缺角，石材晃动，石材污染，密封胶老化、开裂、有孔洞等，有些石材幕墙建筑采用干挂安装方式，无密封胶相关问题。

3）对于铝板幕墙及其他幕墙，常见问题有：铝板或其他幕墙材料被密封胶污染，铝板或其他幕墙材料开裂，密封胶老化、开裂、有孔洞等。

3 建筑幕墙问题在智能识别平台中的应用研究

3.1 玻璃扣盖缺失及松动问题

本次模型训练仅针对采集到的扣盖缺失照片，通过将图片导入平台并进行标注和训练学习，就可以建立图像智能识别模型；对于扣盖松动的部位，仅根据采集到的图像是无法准确判断的，需要检测人员现场触碰，因此该部分模型建立是没有意义的。

由于扣盖缺失类型比较容易识别，本次参与模型识别训练的图片共 100 张，其中有标注的图片数量为 40 张，平台标注照片过程如图 1 所示。

图1 智能平台对问题照片标注

通过训练，模型 mAP 值为 98.2 %，精确率为83.3 %，召回率为 100.0 %，整体评估结果如图 2 和图 3所示。这里需要说明的是，mAP 代表物体检测算法中衡量算法效果的指标，mAP 值在（0，1）之间，越接近 1 越好；精确率代表建议阈值下正确预测的物体数与预测物体总数之比；召回率代表建议阈值下正确预测的物体数与真实物体数之比。

图2 模型整体评估结果

图3 不同阈值下 F1-score 表现（F1-score 越接近 1 越好，下同）

根据图示结果分析，由于训练模型时标注照片数量占总量较少，导致精确率未达到理想值。为了提高模型的识别率，课题小组对其余 60 张图像全部进行标注，经调整后的模型评估结果如图 4 和图 5 所示。根据图示结果可知，经调整后的训练模型各项指标均有所提升，精确率达到了 93.5 %，阈值为 0.5 时的 F1-score 达到了 0.97。

图4 模型调整后整体评估结果

图5 模型调整后不同阈值下 F1-score 表现

为了校验训练后的模型对存在问题图像的真实识别效果，通过将现场采集到的其他未使用过的问题照片导入该训练模型，不仅能够识别问题照片，同时也识别出了问题部位，当阈值为 0.5 时识别率高达 99.19 %（见图 6）。

图6 模型校验结果显示

3.2 密封胶老化、开裂、有孔洞问题

对于玻璃幕墙和其他各类幕墙来说，若幕墙板块间采用密封胶进行连接密封，均有可能出现密封胶老化、开裂、有孔洞的问题。对于此类问题，可以分别进行标注，也可以对一种或几种问题进行标注来进行模型训练，鉴于上述已有对单一问题模型训练的经验，本次模型可以对所有问题全部进行标注和训练。

本次训练共导入图片 124 张，全部进行标注，通过训练，模型精确率仅为 46.9 %，整体评估结果如图 7、图 8 所示。

图7 模型整体评估结果

图8 不同阈值下 F1-score 表现

根据图示结果可知，本次训练模型的各项指标均较低，经分析其原因主要是训练模型时包含了不同问题类型的照片，因此课题组仅保留照片数量较多的问题类型，最终剩余照片数量为 71 张，经调整后的模型评估结果如图 9 和图 10 所示。

图9 模型调整后整体评估结果

图10 模型调整后不同阈值下 F1-score 表现

根据图示结果可知，经调整后的训练模型精确率为 53.85 %，虽然有所提升，但仍然不高，主要受训练模型数量、问题标注方式以及照片呈现效果多方面的影响。

3.3 石材污染问题

石材污染作为比较特殊的幕墙问题类型，由于其主要是通过颜色分辨，影响因素包括石材污染程度、均匀度以及采集照片时的光线等，而这些影响因素在智能识别平台建立过程中并不能很好地识别和归类。通过模型训练，最终识别准确率仅为 0.3 %，可见智能识别平台并不能很顺利地识别已经污染的石材，对于此类问题仍需检测人员现场判断。石材污染现场照片及平台标注图片分别如图 11 和图 12 所示。

图11 石材污染现场照片

图12 石材污染问题标注

4 结论和建议

通过对建筑幕墙不同问题类型进行训练，最终建立的图像智能识别模型准确率可以达到 93.5 %，可以说采用智能识别平台对现场采集回来的图像进行训练和识别，该方法不仅可以保证图像识别的准确率，同时也可以提高检测效率。

但是，采用百度 AI 开放平台对问题照片进行识别，有一定的适用性要求。对于问题单一易分辨，且照片数量多的幕墙问题类型，通过大量的数据训练，可以建立很高的识别率模型，为幕墙检测提供了高效的智能识别工具；对于问题类型较多，或虽然是单一问题但表现形式较多的幕墙问题类型，以及通过肉眼无法准确识别的幕墙问题类型（如晃动、松动等），由于采集照片的拍摄角度或者问题严重程度不同，是无法通过建立识别模型来准确检测识别的，对于此种情况仍需专业人员现场检测。

5 结语

高层建筑幕墙安全检测在城市运行过程中发挥着重要作用，传统的检测方法存在一定的安全风险，数据处理效率不高。通过采用无人机技术和图像识别技术可以有效解决检测难点，提升整体检测效率。但是，现场采集的建筑幕墙问题图像在智能识别平台模型建立过程中，有一定的适用性和局限性。在今后的检测工作中，需要增加各种问题采集数据，并对幕墙问题继续细化归类，不断提升图像智能识别平台模型的准确率。Q