基于BIM和深度學(xué)習(xí)的建筑平面凹凸不規(guī)則識(shí)別

姜 柳，史健勇，付功義，潘澤宇，王朝宇

基于BIM和深度學(xué)習(xí)的建筑平面凹凸不規(guī)則識(shí)別

姜 柳1,2，史健勇1,2，付功義1，潘澤宇1,2，王朝宇1,2

(1. 上海交通大學(xué)船舶海洋與建筑工程學(xué)院，上海 200240；2.上海市公共建筑和基礎(chǔ)設(shè)施數(shù)字化運(yùn)維重點(diǎn)實(shí)驗(yàn)室，上海 200240)

建筑抗震超限審查是高層建筑、特別是超高層建筑審查的重要內(nèi)容，建筑平面凹凸不規(guī)則是建筑抗震超限審查的項(xiàng)目之一。目前的建筑平面凹凸不規(guī)則識(shí)別主要由人工依據(jù)設(shè)計(jì)規(guī)范進(jìn)行，然而日益復(fù)雜的建筑平面設(shè)計(jì)超出了規(guī)范的示例范圍，也加重了人工審查的負(fù)擔(dān)。建筑平面識(shí)別可以看成是圖片分類問題，考慮到實(shí)際工程中規(guī)則樣本和不規(guī)則樣本之間的不均衡性，利用異常檢測(cè)的思想，提出了一種基于建筑信息模型(BIM)和深度學(xué)習(xí)進(jìn)行建筑平面凹凸不規(guī)則輔助識(shí)別的方法。首先，利用幾何對(duì)象之間的布爾交運(yùn)算得到BIM模型的建筑平面；然后，通過圖片預(yù)處理，生成建筑平面外輪廓圖；最后，將建筑平面外輪廓圖輸入已訓(xùn)練好的異常檢測(cè)深度學(xué)習(xí)模型，反饋?zhàn)R別結(jié)果。實(shí)驗(yàn)結(jié)果表明，相比于傳統(tǒng)的圖片分類模型，采用異常檢測(cè)的思路對(duì)不規(guī)則建筑平面圖的識(shí)別率提高了15%，更符合實(shí)際工程的需要。

建筑信息模型；抗震審查；深度學(xué)習(xí)；異常檢測(cè)；建筑平面；不規(guī)則識(shí)別

近年來(lái)，隨著城鎮(zhèn)化進(jìn)程加速和建筑技術(shù)的發(fā)展，我國(guó)高層建筑的數(shù)量不斷攀升，復(fù)雜、多樣的建筑平面布置層出不窮。對(duì)于高層建筑而言，建筑平面布置極其重要。一方面，平面審查是高層建筑，特別是超高層建筑超限審查的最基本的要求；另一方面，不規(guī)則的平面會(huì)導(dǎo)致建筑結(jié)構(gòu)整體的扭轉(zhuǎn)效應(yīng)增大，危及結(jié)構(gòu)的抗震安全[1]。目前，關(guān)于建筑平面不規(guī)則的審查主要依據(jù)相關(guān)建筑規(guī)范進(jìn)行。規(guī)范中規(guī)定了多種平面不規(guī)則的類型，其中建筑平面凹凸不規(guī)則由于涉及復(fù)雜的平面幾何比例判別，無(wú)法直接根據(jù)計(jì)算軟件的結(jié)果得到，還需要人工進(jìn)行判斷。雖然相應(yīng)規(guī)范給出了評(píng)判指標(biāo)，即認(rèn)為凹凸不規(guī)則的建筑平面主要指“凹凸尺寸大于相應(yīng)投影方向總尺寸的30%”的平面形式，但是如何選取“凹凸尺寸”和“投影方向總尺寸”需要有經(jīng)驗(yàn)的專家根據(jù)實(shí)際的建筑平面圖進(jìn)行確定。而對(duì)于復(fù)雜的平面形式，相應(yīng)尺寸的選定更加繁瑣、更具有不確定性，且很難通過一些簡(jiǎn)化的量化指標(biāo)進(jìn)行不規(guī)則的判定。此外，雖然規(guī)范中給出了建筑平面凹凸不規(guī)則的示例，但是許多實(shí)際工程項(xiàng)目中建筑平面的凹凸性判斷已經(jīng)超出了這些示例范圍[2]，這也加重了人工審查的負(fù)擔(dān)，而人為判斷的主觀性也會(huì)影響審查的結(jié)果。

總之，建筑平面凹凸不規(guī)則的判斷是依賴專家經(jīng)驗(yàn)的過程，本文從圖片識(shí)別的角度出發(fā)，用深度學(xué)習(xí)方法提取建筑平面圖片特征，以學(xué)習(xí)專家進(jìn)行不規(guī)則判斷的經(jīng)驗(yàn)。建筑平面凹凸不規(guī)則識(shí)別可以看成是圖片0-1分類問題，規(guī)則的建筑圖片可被分為正常樣本類(標(biāo)簽為1)，存在凹凸不規(guī)則的建筑圖片可被分為異常樣本類(標(biāo)簽為0)。在計(jì)算機(jī)領(lǐng)域，深度學(xué)習(xí)模型已經(jīng)在圖片分類問題上得到了廣泛地應(yīng)用。其可從大量的數(shù)據(jù)中自動(dòng)學(xué)習(xí)到相應(yīng)的特征，不僅避免了繁瑣耗時(shí)的特征工程設(shè)計(jì)，還可將特征表示和分類器聯(lián)合優(yōu)化。在實(shí)際的應(yīng)用場(chǎng)景中，深度學(xué)習(xí)模型也展現(xiàn)出了良好的性能，例如利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)模型對(duì)建筑遙感圖像的分類[3]和建筑風(fēng)格分類[4]等。但是，經(jīng)典的圖片分類模型(如ResNET和VGG等)并不適用于建筑平面凹凸不規(guī)則識(shí)別，主要原因在于：①數(shù)據(jù)樣本的不均衡，由于現(xiàn)有存檔的建筑圖紙均已通過超限審查，所以異常樣本(即建筑平面凹凸不規(guī)則的樣本)難以收集；②在實(shí)際工程中，從建筑設(shè)計(jì)安全的角度考慮，需要盡可能識(shí)別出所有凹凸不規(guī)則的建筑平面(即異常樣本)。

因此，本文將建筑平面凹凸不規(guī)則識(shí)別定義為異常檢測(cè)問題。異常檢測(cè)問題特點(diǎn)就在于擁有大量的正常樣本和小量的異常樣本，旨在通過對(duì)大量正常樣本的訓(xùn)練，得到可以識(shí)別出異常樣本的模型，為各個(gè)領(lǐng)域中的一些實(shí)際場(chǎng)景提供了很好的解決方案。在異常檢測(cè)的模型和方法上，生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks，GAN)更受研究者的青睞。2016年，RADFORD等[5]將CNN與GAN結(jié)合，提出了第一個(gè)將GAN應(yīng)用在圖像領(lǐng)域的框架DCGAN。AnoGAN[6]在此基礎(chǔ)上提出了異常圖片檢測(cè)的方法，成為第一個(gè)將GAN用于異常檢測(cè)領(lǐng)域的實(shí)踐。AnoGAN中的生成器和判別器均采用DCGAN的結(jié)構(gòu)。在訓(xùn)練階段，AnoGAN僅利用正常圖片讓生成器學(xué)習(xí)正常圖片在潛在空間中的分布表示，使?jié)撛诳臻g中的隨機(jī)采樣均能表示正常圖片的潛在空間特征；在測(cè)試階段，通過對(duì)比輸入圖片的潛在空間特征與潛在空間中隨機(jī)采樣之間的差異來(lái)識(shí)別異常圖片。為了減少輸入圖片與潛在空間映射的復(fù)雜性，不少學(xué)者基于AnoGAN進(jìn)行了后續(xù)的研究，相繼提出了利用GAN進(jìn)行異常圖片檢測(cè)的模型框架。其中GANomaly[7]在多個(gè)圖片數(shù)據(jù)集中均展示出了更好的分類性能。

針對(duì)建筑平面凹凸不規(guī)則判斷而言，正確地提取建筑的外輪廓是極其重要的一步，其來(lái)源可以是二維圖紙或建筑信息模型(building information modeling，BIM)。建筑外輪廓在二維圖紙中需進(jìn)行人工識(shí)別，而利用BIM中建筑實(shí)體的語(yǔ)義化信息可以進(jìn)行自動(dòng)化抽取。作為BIM的通用數(shù)據(jù)交換格式標(biāo)準(zhǔn)，工業(yè)基礎(chǔ)類(industry foundation classes，IFC)可以作為BIM模型信息提取的來(lái)源。綜上，本文在GANomaly模型的基礎(chǔ)上，利用異常圖片檢測(cè)的思想，提出基于BIM和深度學(xué)習(xí)的快速、有效識(shí)別方法，以輔助人工進(jìn)行建筑平面凹凸不規(guī)則的判斷，提高建筑抗震超限審查的效率和準(zhǔn)確性。

1 方 法

本文將建筑平面凹凸不規(guī)則識(shí)別問題定義為基于圖片的異常檢測(cè)問題，提出識(shí)別方法如圖1所示。該方法主要包括3個(gè)部分，首先從BIM模型中獲取建筑平面，接著通過圖片預(yù)處理得到建筑平面外輪廓圖，最后利用已訓(xùn)練好的深度學(xué)習(xí)模型對(duì)建筑平面外輪廓圖進(jìn)行計(jì)算，并反饋?zhàn)R別結(jié)果。

圖1 基于BIM和深度學(xué)習(xí)的建筑平面凹凸不規(guī)則識(shí)別方法

1.1 基于IFC的BIM模型建筑平面獲取

BIM模型建筑平面獲取的第一步是獲取每一層的標(biāo)高。在IFC文件中，樓層以實(shí)體IFCBUILDINGSTOREY表示，通過實(shí)體定義與實(shí)例數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系，可以得到樓層實(shí)體的高度。如圖2所示，IFC文件中的實(shí)例數(shù)據(jù)描述“#160= IFCBUILDINGSTOREY(‘169yy__4LDGwpM8wCMTLG0’,#41,’標(biāo)高3’,$,’標(biāo)高:上標(biāo)頭’,#159,$,’標(biāo)高3’,.ELEMENT.,6000.);”表示名稱(Name)為“標(biāo)高3”的樓層標(biāo)高高度(Elevation)為6 m。接著，根據(jù)所獲取的標(biāo)高高度，建立剖切平面，并通過BIM模型與該剖切平面之間的布爾交運(yùn)算得到每一層的建筑平面。

圖2 IFCBUILDINGSTOREY實(shí)體定義與實(shí)例數(shù)據(jù)的對(duì)應(yīng)關(guān)系

借助IfcOpenShell庫(kù)[8]和pythonocc庫(kù)[9]，按 3個(gè)步驟提取BIM模型的建筑平面：①讀入IFC文件，獲取所有IFC實(shí)體(IfcProduct)的幾何形狀；②生成模型的包圍盒，根據(jù)包圍盒的大小以及截面高度，創(chuàng)建平面；③遍歷所有的IFC實(shí)體，通過其幾何形狀與所創(chuàng)建的平面之間的布爾交運(yùn)算，得到指定截面高度下的相交截面；將所有的相交截面組合在一起，即可得到BIM模型的建筑平面。具體算法流程如下：

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 建筑平面外輪廓圖片預(yù)處理

因?yàn)榻ㄖ矫姘纪共灰?guī)則主要基于建筑平面外輪廓來(lái)判斷，所以圖片預(yù)處理的目的是突出待識(shí)別的建筑平面外輪廓區(qū)域，以提高建筑平面凹凸不規(guī)則識(shí)別的準(zhǔn)確率，同時(shí)降低計(jì)算復(fù)雜度。首先，根據(jù)用戶繪制的建筑平面外輪廓路徑，生成實(shí)心多邊形。由于建筑平面圖大多不是規(guī)則的圖形，為了方便后續(xù)的計(jì)算、編碼和重構(gòu)，將建筑平面外輪廓圖以白色背景填充，生成方形圖片，且要求邊長(zhǎng)均為16的倍數(shù)。接著，在輸入深度學(xué)習(xí)模型之前，將建筑平面外輪廓圖進(jìn)行二值化處理，外輪廓區(qū)域內(nèi)的像素灰度值設(shè)為0，外輪廓區(qū)域外像素灰度值設(shè)為1。

1.3 GANomaly模型

GANomaly是一種基于潛在特征空間的圖片異常檢測(cè)模型，通過對(duì)比輸入圖片與重構(gòu)圖片在潛在特征空間上的差異來(lái)判斷其是否為異常圖片。相比于直接比較輸入圖片與重構(gòu)圖片的差異，潛在特征空間這一更高維的圖片特征更能反應(yīng)圖片實(shí)質(zhì)內(nèi)容的差異，不會(huì)受到圖片微小變化的影響[10]。如圖3所示，GANomaly模型使用2個(gè)編碼器()和()以及一個(gè)解碼器()交錯(cuò)相接構(gòu)成模型的生成器(NetG)，用于生成輸入圖片的潛在特征向量=()、重構(gòu)圖片?以及重構(gòu)圖片?的潛在特征向量?=(?)。

圖3 GANomaly模型結(jié)構(gòu)

這里2個(gè)編碼器的結(jié)構(gòu)是一樣的，但參數(shù)的取值不同，GANomaly模型結(jié)構(gòu)的相關(guān)參數(shù)如圖4所示。和DCGAN一樣，編碼器和解碼器均通過調(diào)整stride參數(shù)，去除了池化層，并使用批量歸一化(batch normalize)加速模型的收斂。GANomaly模型的判別器()首先將圖片進(jìn)行編碼，得到一個(gè)判別特征，然后對(duì)其進(jìn)行判別，最后輸出圖片標(biāo)簽。

模型的訓(xùn)練采用和GAN相同的訓(xùn)練策略，對(duì)于輸入圖片而言，判別器認(rèn)為是正常樣本；對(duì)于重構(gòu)圖片?而言，判別器認(rèn)為是異常樣本。經(jīng)過生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)之間的對(duì)抗訓(xùn)練之后，生成器生成的重構(gòu)圖片?會(huì)越來(lái)越接近輸入圖片。但由于在訓(xùn)練過程中僅使用了正常圖片作為輸入，所以對(duì)于異常圖片而言，模型的參數(shù)并不適用，異常圖片進(jìn)行編碼、重構(gòu)、再編碼得到的2個(gè)潛在特征向量和?之間的差異，由于誤差的累積，會(huì)變得更大。這樣一來(lái)，可通過設(shè)置差異的閾值進(jìn)行異常圖片的識(shí)別。為了實(shí)現(xiàn)這個(gè)目的，設(shè)置了4個(gè)損失函數(shù)(圖片判別損失、潛在特征向量損失、重構(gòu)圖片損失、判別特征損失)以約束模型的訓(xùn)練過程。

圖4 GANomaly模型編碼器、解碼器、判別器參數(shù)((a)編碼器；(b)解碼器；(c)判別器)

圖片判別損失是判別器的損失，定義為真實(shí)圖片標(biāo)簽和判別標(biāo)簽之間的交叉熵?fù)p失，即

其中，y為第張圖片的真實(shí)標(biāo)簽，對(duì)于輸入圖片，y=1，對(duì)于重構(gòu)圖片，y=0；p為第張圖片判別為正常樣本的概率。那么，對(duì)于模型的判別器而言，其損失函數(shù)可以定義為對(duì)輸入圖片判別的交叉熵?fù)p失和對(duì)重構(gòu)圖片判別的交叉熵?fù)p失，即

其中，()和(?)分別為輸入圖片和重構(gòu)圖片經(jīng)過判別器后得到的被判別為正常樣本的概率；1和2分別為2個(gè)交叉熵?fù)p失的計(jì)算權(quán)重，本文取1=2=0.5。

潛在特征向量損失L定義為潛在特征向量和?之間的均方誤差(mean squared error，MSE)，即

前文提到，在潛在特征空間中，只有正常樣本能夠被很好地表示和還原，而生成器NetG就是對(duì)輸入圖片進(jìn)行特征空間的表示、還原和再表示的過程。所以，在訓(xùn)練過程中，潛在特征向量損失L應(yīng)盡可能地??；同理，重構(gòu)圖片損失L也要盡可能地小。重構(gòu)圖片損失L定義為輸入圖片和重構(gòu)圖片?之間的均絕對(duì)誤差(mean absolute error，MAE)，即

相比于MSE，MAE更加穩(wěn)定，收斂速度更快，但對(duì)離群值不敏感。在重構(gòu)圖片層面使用MAE可以使重建的圖片更接近真實(shí)的圖片，而在特征空間層面使用MSE可以更好地處理差異較大的異常值。

相應(yīng)的，因?yàn)橐筝斎雸D片和重構(gòu)圖片?更接近，所以也要求在判別器中2張圖片生成的判別特征更接近。為此，定義判別特征損失為2張圖片判別特征之間的MSE，即

其中，為輸入圖片的判別特征；?為重構(gòu)圖片?的判別特征。那么，對(duì)于生成網(wǎng)絡(luò)而言，損失函數(shù)為潛在特征向量損失、重構(gòu)圖片損失和判別特征損失的加權(quán)組合，即

其中，，和為加權(quán)參數(shù)。為了使重構(gòu)圖片和輸入圖片更加接近，本文取=100，==1。

1.4 圖片識(shí)別結(jié)果反饋

如前所述，圖片識(shí)別的依據(jù)是輸入圖片的潛在特征向量和重構(gòu)圖片的潛在特征向量?之間的差異。根據(jù)模型的假設(shè)，模型對(duì)正常圖片的特征提取、圖片重構(gòu)和特征再提取的過程擬合較好，因此如果2個(gè)潛在特征向量之間的差異較小，則判斷為正常圖片，否則判斷為異常圖片。GANomaly的應(yīng)用場(chǎng)景為安檢X線圖片中的異物檢測(cè)，在一張X線圖片中會(huì)有多個(gè)輸入圖片(即待識(shí)別的物體)，模型在得到這些輸入圖片的潛在特征向量之間的差異，并且通過歸一化后得到的數(shù)值反應(yīng)異常圖片和正常圖片的差別。然而，考慮到建筑平面凹凸不規(guī)則識(shí)別的具體應(yīng)用場(chǎng)景，需要模型對(duì)每次輸入的一張建筑平面外輪廓圖即時(shí)做出判斷，本文選擇余弦相似度作為判斷指標(biāo)，即

同時(shí)，根據(jù)選取閾值，若大于選取閾值，則反饋結(jié)果為“建筑平面規(guī)則”，否則為“建筑平面凹凸不規(guī)則”。

2 模型訓(xùn)練與實(shí)驗(yàn)結(jié)果

2.1 數(shù)據(jù)集準(zhǔn)備

目前，土木建筑行業(yè)還沒有現(xiàn)成的有關(guān)建筑平面不規(guī)則識(shí)別的開放數(shù)據(jù)集。因此，本文基于公開的樓層平面數(shù)據(jù)集CubiCasa5k數(shù)據(jù)集[11]，通過數(shù)據(jù)生成與數(shù)據(jù)增強(qiáng)，建立建筑平面凹凸不規(guī)則識(shí)別數(shù)據(jù)集。CubiCasa5k數(shù)據(jù)集擁有超過5 000例平面樣本，包含超過80種平面類型[12]。每個(gè)平面對(duì)象均為一個(gè)獨(dú)立的svg文件。平面內(nèi)的物理實(shí)體如空間、墻體、門、窗等在svg文件中以面向?qū)ο蟮姆绞竭M(jìn)行存儲(chǔ)，采用多邊形(polygon)進(jìn)行幾何表達(dá)。

在數(shù)據(jù)生成方面，采用圖5所示的處理思路。首先遍歷并讀取平面svg文件，識(shí)別其中的墻體和空間對(duì)象，并獲取目標(biāo)對(duì)象本身的polygon表達(dá)。接著，利用python第三方繪圖工具包matplotlib將每個(gè)目標(biāo)對(duì)象多邊形進(jìn)行重繪并填充，在保存后根據(jù)平面凹凸不規(guī)則的規(guī)范要求及專家論證對(duì)所生成的平面圖進(jìn)行標(biāo)注。為了減輕數(shù)據(jù)樣本不均衡可能造成的分類失準(zhǔn)，同時(shí)也為了提升數(shù)據(jù)樣本的數(shù)量等級(jí)，對(duì)不規(guī)則樣本通過旋轉(zhuǎn)、鏡像等操作進(jìn)行數(shù)據(jù)增強(qiáng)。

圖5 數(shù)據(jù)集生成

最終得到的數(shù)據(jù)集共有3 645個(gè)建筑平面樣本，見表1。樣本類型可以分為簡(jiǎn)單和復(fù)雜2種建筑平面形式，簡(jiǎn)單建筑平面形式又可細(xì)分為完全規(guī)則、以凸為主和以凹為主的3種建筑平面。所建立的數(shù)據(jù)集中，凹凸不規(guī)則建筑平面樣本360個(gè)，規(guī)則建筑平面樣本3 285個(gè)。在模型訓(xùn)練時(shí)，隨機(jī)選擇80%的規(guī)則樣本作為訓(xùn)練集，剩余20%的規(guī)則樣本和全部不規(guī)則樣本作為測(cè)試集。

表1 數(shù)據(jù)集樣本分析

2.2 模型超參數(shù)設(shè)置和評(píng)價(jià)指標(biāo)

模型訓(xùn)練采用GAN的訓(xùn)練策略，通過生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)之間相互約束進(jìn)行模型優(yōu)化。模型相關(guān)的超參數(shù)設(shè)置見表2。

表2 模型超參數(shù)設(shè)置

在建筑平面凹凸不規(guī)則識(shí)別的問題中，更需要關(guān)注的是能否將不規(guī)則的平面圖識(shí)別出來(lái)。因此本文選用2個(gè)指標(biāo)進(jìn)行模型效果的評(píng)價(jià)，分別是準(zhǔn)確率和異常樣本的識(shí)別率。首先引入混淆矩陣見表3。

表3 建筑平面凹凸不規(guī)則識(shí)別混淆矩陣

定義準(zhǔn)確率為正確識(shí)別平面圖的數(shù)量與平面圖總數(shù)量之比，即

定義異常樣本的識(shí)別率為正確識(shí)別的不規(guī)則平面圖數(shù)量與不規(guī)則平面圖總數(shù)量之比，即

2.3 實(shí)驗(yàn)結(jié)果

對(duì)于輸入的每一張建筑平面外輪廓圖，模型首先計(jì)算其潛在特征向量和重構(gòu)圖片潛在特征向量?之間的相似度，建筑平面越接近規(guī)則平面，計(jì)算得到的相似度值越大，見表4。

表4 不同建筑平面相似度計(jì)算結(jié)果

圖6展示了部分規(guī)則建筑平面圖和凹凸不規(guī)則建筑平面圖經(jīng)過模型生成器得到的重構(gòu)圖片的對(duì)比?？梢钥吹剑?guī)則建筑平面圖的重構(gòu)圖片效果較好，而對(duì)于凹凸不規(guī)則的建筑平面圖而言，作為模型的異常樣本，重建圖片與輸入圖片有較大的差距，驗(yàn)證了模型的可行性。同時(shí)可以看到，凹凸不規(guī)則建筑平面圖的重構(gòu)圖片會(huì)更接近規(guī)則的形狀，這也導(dǎo)致了重編碼之后的潛在特征向量與輸入圖片的潛在特征向量之間的差異。

然后，根據(jù)計(jì)算得到的相似度，通過選定的閾值對(duì)建筑平面進(jìn)行識(shí)別。當(dāng)計(jì)算得到的相似度小于選定閾值時(shí)，認(rèn)為該建筑平面為凹凸不規(guī)則平面。在實(shí)驗(yàn)中，不同判別閾值對(duì)應(yīng)的準(zhǔn)確率和識(shí)別率如圖7所示。可以看出，模型的準(zhǔn)確率和識(shí)別率之間存在博弈關(guān)系，因此，實(shí)際工程應(yīng)用中，可以通過調(diào)整閾值來(lái)控制模型的判別傾向。在安全性要求比較高的建筑工程中，可以選擇較高的判別閾值，犧牲一部分準(zhǔn)確率，以確保凹凸不規(guī)則的建筑平面能被識(shí)別出來(lái)。

圖6 輸入圖片與重構(gòu)圖片對(duì)比

圖7不同判別閾值對(duì)應(yīng)的準(zhǔn)確率和識(shí)別率

當(dāng)閾值取0.95時(shí)，不同類型建筑平面形式的實(shí)驗(yàn)結(jié)果見表5。對(duì)于完全規(guī)則的建筑平面，模型表現(xiàn)出了良好的性能；在其他建筑平面形式的判別中，模型也能很好地識(shí)別出不規(guī)則的樣本；總體而言，模型的準(zhǔn)確率為80.8%，識(shí)別率為72.5%。表6同時(shí)給出了本文模型和圖片分類模型(ResNET及VGG)的實(shí)驗(yàn)結(jié)果對(duì)比。可以看出，圖片分類模型可以獲得很好的準(zhǔn)確率，幾乎所有的規(guī)則圖片都可以被正確地識(shí)別，但在不規(guī)則圖片的識(shí)別上表現(xiàn)較差。而本文模型雖然在準(zhǔn)確率上有所下降，但可以更好地識(shí)別出不規(guī)則的圖片，識(shí)別率比ResNET和VGG增加了約15%，更滿足實(shí)際工程中的需求。

表5 不同類型建筑平面形式的實(shí)驗(yàn)結(jié)果

表6 不同模型的準(zhǔn)確率和識(shí)別率對(duì)比(%)

3 案例驗(yàn)證分析

基于提出的方法，形成建筑平面凹凸不規(guī)則識(shí)別模塊，通過實(shí)例進(jìn)行驗(yàn)證。

針對(duì)簡(jiǎn)單建筑平面，根據(jù)《建筑抗震設(shè)計(jì)規(guī)范》(以下簡(jiǎn)稱《抗規(guī)》)[13]給出的3種建筑平面示例，對(duì)模型進(jìn)行驗(yàn)證分析，見表7。驗(yàn)證數(shù)據(jù)集通過編寫程序隨機(jī)生成，每種建筑平面生成10 000張樣本。從表7可以看出，模型的識(shí)別率平均為93.76%，在工程上具有較好的可靠性。

表7 3種示例建筑平面的模型應(yīng)用結(jié)果(%)

針對(duì)復(fù)雜建筑平面，選取2幢高層建筑作為案例進(jìn)行分析。BIM模型均使用Autodesk Revit建立，導(dǎo)出IFC文件后，自動(dòng)提取建筑平面圖，并通過預(yù)處理生成大小為64×64的建筑平面外輪廓圖，如圖8所示。將生成的建筑平面外輪廓圖輸入訓(xùn)練好的深度學(xué)習(xí)模型，可以得到識(shí)別結(jié)果如下：對(duì)于模型1，輸入圖片的潛在特征向量與生成圖片的潛在特征向量之間的相似度為0.897 98，判別為“建筑平面凹凸不規(guī)則”；對(duì)于模型2，輸入圖片的潛在特征向量與生成圖片的潛在特征向量之間的相似度為0.954 57，判別為“建筑平面規(guī)則”。識(shí)別結(jié)果與專家論證一致。

圖8 BIM模型三維視圖和標(biāo)準(zhǔn)層建筑平面圖((a)模型1-三維視圖和標(biāo)準(zhǔn)層建筑平面圖；(b)模型2-三維視圖和標(biāo)準(zhǔn)層建筑平面圖)

4 結(jié)論與展望

本文從建筑抗震平面審查的問題出發(fā)，提出了基于BIM和深度學(xué)習(xí)的建筑平面凹凸不規(guī)則自動(dòng)識(shí)別方法，以輔助人工完成審查和判斷。該方法通過IFC實(shí)體之間的布爾交運(yùn)算，可以獲取不同樓層的建筑平面圖，并通過深度學(xué)習(xí)模型對(duì)建筑平面圖進(jìn)行識(shí)別。實(shí)驗(yàn)表明，從實(shí)際工程項(xiàng)目需求出發(fā)，將建筑平面凹凸不規(guī)則識(shí)別定義為圖片異常檢測(cè)問題，可以更好地識(shí)別不規(guī)則的建筑平面，為基于BIM的建筑抗震審查提供了新思路。

由于目前土木建筑領(lǐng)域缺少相關(guān)的數(shù)據(jù)集，本文基于現(xiàn)有的公開數(shù)據(jù)集，通過有效處理和標(biāo)注，形成建筑抗震平面凹凸不規(guī)則訓(xùn)練數(shù)據(jù)集。然而，該數(shù)據(jù)集中的建筑平面類型、復(fù)雜程度未能涵蓋所有實(shí)際工程項(xiàng)目的建筑平面，例如《抗規(guī)》中的“Y”型建筑平面，也導(dǎo)致模型在檢測(cè)復(fù)雜平面時(shí)未能得到準(zhǔn)確的識(shí)別結(jié)果。因此，后續(xù)研究工作可以從2個(gè)方面展開：①完善訓(xùn)練數(shù)據(jù)集的樣本類型，提高模型預(yù)測(cè)的準(zhǔn)確率；②對(duì)于復(fù)雜平面，可以結(jié)合深度學(xué)習(xí)模型和領(lǐng)域知識(shí)圖譜進(jìn)行識(shí)別判斷，并加入專家知識(shí)的引導(dǎo)，以獲得更準(zhǔn)確、更合理的判斷結(jié)果。

[1] 林書佚. 高層建筑設(shè)計(jì)中平面規(guī)則性的重要性研究[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] 李顯杰, 阮興群, 柳曉博, 等. 對(duì)復(fù)雜平面凹凸規(guī)則性判斷的探討[J]. 建筑結(jié)構(gòu), 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, SEEB?CK 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, 王玉濤, 等. 基于潛在空間矩陣的半監(jiān)督異常檢測(cè)[J]. 計(jì)算機(jī)應(yīng)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, H?IKI? 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] 中華人民共和國(guó)住房和城鄉(xiāng)建設(shè)部, 國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局. 建筑抗震設(shè)計(jì)規(guī)范: GB 50011—2010[S]. 北京: 中國(guó)建筑工業(yè)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

上海市住房和城鄉(xiāng)建設(shè)管理委員會(huì)科技專項(xiàng)(2020-009-005)；重慶市自然科學(xué)基金項(xiàng)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?yàn)橥聊竟こ绦畔⒒-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?yàn)榻ㄖ畔⒒?、城市?shù)字孿生等。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