黃啟云，要東明

（廣東省有色工業(yè)建筑質(zhì)量檢測(cè)站有限公司 廣州 510725）

關(guān)鍵字：無(wú)人機(jī)；外墻檢測(cè)；卷積神經(jīng)網(wǎng)絡(luò)；玻璃幕墻

0 引言

玻璃幕墻具有重量輕、采光性好、便于更換維護(hù)等優(yōu)點(diǎn)，在現(xiàn)代建筑中被大量采用作為外觀裝飾，成為了現(xiàn)代建筑的美學(xué)代表［1-6］。玻璃在生產(chǎn)的過(guò)程中不可避免的存在一些內(nèi)部缺陷，在日后的使用中可能會(huì)發(fā)生碎裂，導(dǎo)致樓下行人受傷，發(fā)生安全事故。既有玻璃幕墻建筑的玻璃碎裂已經(jīng)成為玻璃幕墻最重要的安全問(wèn)題，是否能在發(fā)生危險(xiǎn)之前把存在危險(xiǎn)的玻璃替換，是判定一個(gè)大廈物業(yè)管理方是否合格的重要指標(biāo)。在2000～2020 年之間的我國(guó)既有玻璃幕墻建筑的安全性報(bào)道中，玻璃幕墻結(jié)構(gòu)出現(xiàn)最多的安全問(wèn)題是玻璃碎裂［7-9］。

根據(jù)《2000-2024 年中國(guó)建筑幕墻行業(yè)市場(chǎng)前瞻與投資戰(zhàn)略規(guī)劃分析報(bào)告》指出，在2001～2005這5年之間，我國(guó)的玻璃幕墻產(chǎn)量增長(zhǎng)速度處于歷史最高位。

在這之后的幾年中，我國(guó)的玻璃幕墻產(chǎn)量保持穩(wěn)定狀態(tài)，到2018年初，玻璃幕墻產(chǎn)量已經(jīng)達(dá)到15億m2。因?yàn)椴Ａ粔哂凶陨碇亓枯p的特點(diǎn)，在我國(guó)高度超過(guò)100 m 的建筑幾乎都使用玻璃幕墻作為外部結(jié)構(gòu)。根據(jù)《建筑結(jié)構(gòu)設(shè)計(jì)可靠性統(tǒng)一標(biāo)準(zhǔn)：GB 50068—2018》［10］中的規(guī)定，玻璃幕墻建筑外圍防護(hù)結(jié)構(gòu)的設(shè)計(jì)使用年限宜為25年。根據(jù)文獻(xiàn)［10］規(guī)定，我國(guó)的玻璃幕墻存量面積在1 000萬(wàn)m2以上，由此可以推斷，隨著時(shí)間的增長(zhǎng)，我國(guó)玻璃幕墻會(huì)陸續(xù)達(dá)到使用年限。當(dāng)今市場(chǎng)上，1 m2玻璃幕墻的人工檢測(cè)費(fèi)用在40元/人左右，一棟玻璃幕墻建筑中待檢的面積一般都在10 000 m2以上，按此價(jià)格推算，每棟建筑的檢測(cè)費(fèi)用都在40 萬(wàn)元以上［11］。依據(jù)《玻璃幕墻工程技術(shù)規(guī)范：JGJ 102—2019》［12］規(guī)定，在玻璃幕墻工程完成后，需要以5 年為一個(gè)檢查周期，對(duì)整棟建筑的玻璃幕墻進(jìn)行完整的安全檢測(cè)，這導(dǎo)致大廈的物業(yè)管理公司需要支付高額的檢測(cè)費(fèi)用［13］。此外我國(guó)沒(méi)有現(xiàn)行的標(biāo)準(zhǔn)去規(guī)定玻璃幕墻的維護(hù)主體，這就造成了業(yè)主、開(kāi)發(fā)商和物業(yè)互相推諉的局面，這種情況增加了玻璃幕墻的風(fēng)險(xiǎn)。依據(jù)文獻(xiàn)［12］規(guī)定，玻璃幕墻采用抽樣的安全檢測(cè)方式，例如一些省份的省標(biāo)規(guī)定取高層玻璃幕墻總量的5%進(jìn)行檢測(cè)，每層樓的檢測(cè)樣本數(shù)量不能低于1。以現(xiàn)在的這種抽樣檢查的方式，根本無(wú)法全面客觀地判斷整個(gè)玻璃幕墻的安全情況，并且以人工目視的方法去檢查也造成檢測(cè)效率低、精準(zhǔn)度不高的情況。如今隨著高層玻璃幕墻建筑數(shù)量逐年增多，如何快速并準(zhǔn)確地檢查建筑外觀玻璃幕墻的安全性成為了一個(gè)亟待解決的問(wèn)題。因?yàn)椴Ａ姘宓膿p壞不僅會(huì)降低建筑物的防風(fēng)保溫能力，更重要的是玻璃面板破碎后，碎片會(huì)威脅到建筑物下行人的生命安全。對(duì)于高層建筑，其建筑內(nèi)部結(jié)構(gòu)空間限制，位于一些特殊結(jié)構(gòu)區(qū)域的玻璃幕墻面板無(wú)法直接地觀察到，也無(wú)法及時(shí)地進(jìn)行檢測(cè)，成為非常嚴(yán)重的安全隱患。以現(xiàn)有的人工目測(cè)的檢測(cè)方式，幾乎無(wú)法對(duì)現(xiàn)階段玻璃幕墻進(jìn)行全面的安全檢測(cè)。隨著人們對(duì)建筑安全的要求提高，傳統(tǒng)的人工檢測(cè)方法已經(jīng)無(wú)法滿(mǎn)足安全需求。因此，探索一個(gè)智能化、自動(dòng)化的玻璃幕墻面板損傷檢測(cè)方法是“智慧樓宇”的必然要求。

最近人工智能技術(shù)、數(shù)字成像技術(shù)以及無(wú)人機(jī)技術(shù)的蓬勃發(fā)展，已逐漸應(yīng)用到玻璃幕墻檢測(cè)中。數(shù)字成像技術(shù)精度高、存儲(chǔ)性強(qiáng)，在橋隧的裂縫檢測(cè)中已經(jīng)得到了廣泛的使用。無(wú)人機(jī)技術(shù)以高機(jī)動(dòng)性的特點(diǎn)，可以快速到達(dá)高層建筑的指定檢測(cè)位置，并搭配相機(jī)以采集數(shù)字圖像信息，這種技術(shù)在施工現(xiàn)場(chǎng)檢測(cè)、建筑三維建模等領(lǐng)域得到了廣泛的應(yīng)用。目前使用最多的是旋翼式無(wú)人機(jī)，這種類(lèi)型的無(wú)人機(jī)可以穩(wěn)定地懸停在待檢目標(biāo)周?chē)＝陙?lái)，旋翼式無(wú)人機(jī)和數(shù)字成像融合檢測(cè)技術(shù)，在建筑領(lǐng)域得到了廣泛的應(yīng)用［14-15］。以旋翼式無(wú)人機(jī)為眼，數(shù)字成像技術(shù)為腦的集成式應(yīng)用是未來(lái)建筑檢測(cè)信息化變革的主要方法。與傳統(tǒng)的方法（如升降機(jī)、望遠(yuǎn)鏡）進(jìn)行目視相比，無(wú)人機(jī)可以顯著降低時(shí)間消耗、勞動(dòng)強(qiáng)度和安全風(fēng)險(xiǎn)，從而可以進(jìn)行更頻繁的檢查。隨之而來(lái)的另一個(gè)問(wèn)題出現(xiàn)了，有沒(méi)有一個(gè)方法可以快速地處理無(wú)人機(jī)拍攝的大量圖像呢？答案就是卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)可以將完整圖像作為輸入并以合理的方式約束神經(jīng)網(wǎng)絡(luò)架構(gòu)。與其他神經(jīng)網(wǎng)絡(luò)算法相比，卷積神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)是利用網(wǎng)絡(luò)連接的神經(jīng)元節(jié)點(diǎn)以非線(xiàn)性方法處理數(shù)據(jù)。這個(gè)特點(diǎn)非常適合于圖像處理，可以對(duì)圖像進(jìn)行像素級(jí)分割并對(duì)損傷區(qū)進(jìn)行量化［16］。

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)最具代表的算法，它與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)區(qū)別在于添加了卷積層和降維層模擬人腦對(duì)信號(hào)分級(jí)處理。卷積神經(jīng)網(wǎng)絡(luò)有輸入層、卷積層、池化層、全連接層和輸出層，包含了卷積計(jì)算和深度結(jié)構(gòu)。輸入層的功能和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)一樣，作為接收和傳遞信息。圖像預(yù)處理也是在輸入層完成的。卷積計(jì)算屬于隱藏層的操作，目的在于使用卷積核提取圖像特征。具體操作是使用一個(gè)卷積核按一定步長(zhǎng)規(guī)律在圖像上滑動(dòng)，每次滑動(dòng)時(shí)覆蓋的區(qū)域，卷積核與該區(qū)域元素對(duì)應(yīng)相乘再求和，全部區(qū)域都計(jì)算完得到的就是一個(gè)新的特征圖。不同的卷積核可以提取不同的特征。ReLu、tanh 和sigmoid 都是激活函數(shù)，目的是使輸出結(jié)果呈非線(xiàn)性。池化層也稱(chēng)為下采樣層，有最大池化和平均池化兩種操作。與卷積操作相似，但是池化沒(méi)有卷積核，而是在原圖上按一定規(guī)律劃分成多個(gè)小區(qū)域，每個(gè)小區(qū)域使用一個(gè)值替代，可以是該區(qū)域的平均值，或者最大值。目的是提取該區(qū)域特征，減少圖片維度，減少過(guò)擬合。全連接層是連接前面隱藏層和輸出層，將隱藏層的特征值映射到樣本空間，方便后續(xù)做分類(lèi)或者回歸。神經(jīng)網(wǎng)絡(luò)是通過(guò)一系列卷積池化等操作實(shí)現(xiàn)像素到像素的分割。

本文通過(guò)采集玻璃幕墻圖像數(shù)據(jù)，基于訓(xùn)練的幕墻破損識(shí)別模型對(duì)幕墻圖像數(shù)據(jù)進(jìn)行破損識(shí)別，利用無(wú)人機(jī)和卷積神經(jīng)網(wǎng)絡(luò)建立一種玻璃幕墻的快速檢測(cè)方法。

1 實(shí)驗(yàn)方案

1.1 系統(tǒng)組成

⑴視覺(jué)系統(tǒng)主要由無(wú)人機(jī)與搭載的相機(jī)組成。相機(jī)會(huì)捕捉圖像并傳輸至計(jì)算機(jī)圖像處理系統(tǒng)。

⑵電腦負(fù)責(zé)控制視覺(jué)系統(tǒng)，并結(jié)合通訊模組，對(duì)視覺(jué)系統(tǒng)所接收及反饋到的信號(hào)進(jìn)行處理。

1.2 檢測(cè)方式

⑴玻璃幕墻處于閉合狀態(tài)時(shí)：主要以自然光檢測(cè)為主，在自然光光強(qiáng)無(wú)法滿(mǎn)足對(duì)玻璃幕墻進(jìn)行破損檢測(cè)的情況下，再啟用激光照射進(jìn)行檢測(cè)。

⑵玻璃幕墻部分打開(kāi)時(shí)：由于自然光的強(qiáng)度在不同方位下的不確定性，故此將采用激光照射，偏振成像探測(cè)器獲取圖像并由電腦中的圖像處理系統(tǒng)進(jìn)行圖像處理。

玻璃幕墻檢測(cè)系統(tǒng)組成如圖1所示。

1.3 系統(tǒng)結(jié)構(gòu)

視覺(jué)系統(tǒng)由無(wú)人機(jī)和偏振光相機(jī)構(gòu)成，偏振光相機(jī)對(duì)幕墻面板進(jìn)行實(shí)時(shí)成像，將所得圖像數(shù)據(jù)傳遞至電腦，通訊負(fù)責(zé)傳遞外部檢測(cè)裝置的檢測(cè)信息與電腦發(fā)送至主控制器的命令，電腦負(fù)責(zé)對(duì)數(shù)據(jù)的分析及方便反饋操作人員的命令。玻璃幕墻檢測(cè)系統(tǒng)運(yùn)行方式如圖2所示。

2 實(shí)驗(yàn)設(shè)備和算法

2.1 無(wú)人機(jī)

本文中使用是一種商用輕型無(wú)人機(jī)，無(wú)人機(jī)的自主導(dǎo)航系統(tǒng)可以實(shí)現(xiàn)高水平的自動(dòng)化。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

近年來(lái)，公開(kāi)可用的開(kāi)源軟件庫(kù)不斷增加，用戶(hù)可以使用開(kāi)源的軟件庫(kù)構(gòu)建人工神經(jīng)網(wǎng)絡(luò)，Keras 是最受歡迎的開(kāi)源庫(kù)。本文利用Keras 建立了一個(gè)網(wǎng)絡(luò)，將收集到的玻璃幕墻圖像片段分類(lèi)為“含裂縫”或“無(wú)裂縫”。為了更好地使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行分類(lèi)，需要對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，圖像數(shù)據(jù)集可以由自己或使用公開(kāi)的數(shù)據(jù)集獲得。

卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)輸入圖像進(jìn)行特征提取，通過(guò)全連接層進(jìn)行分類(lèi)，輸出每個(gè)類(lèi)的分?jǐn)?shù)。每一層負(fù)責(zé)不同的函數(shù)，并使用來(lái)自上一層的結(jié)果作為輸入，前饋特征使用過(guò)濾器分配初始隨機(jī)權(quán)重和偏差預(yù)測(cè)類(lèi)，計(jì)算損失預(yù)測(cè)分?jǐn)?shù)和地面真相，應(yīng)用反向傳播不斷調(diào)整過(guò)濾器權(quán)重和偏差，最終獲得一個(gè)優(yōu)化的模型。本文中卷積神經(jīng)網(wǎng)絡(luò)算法圖像識(shí)別流程如圖3所示。

算法操作步驟如下：①獲取參考玻璃幕墻圖像數(shù)據(jù)序列；②依據(jù)所述參考玻璃幕墻圖像數(shù)據(jù)序列進(jìn)行模型訓(xùn)練；③在預(yù)設(shè)破損屬性網(wǎng)絡(luò)未搜索到該幕墻破損定位區(qū)域?qū)?yīng)的幕墻破損區(qū)域?qū)傩?，則依據(jù)刪除預(yù)設(shè)圖像特征向量的圖像數(shù)據(jù)以后的所述玻璃幕墻圖像數(shù)據(jù)，基于特征提取網(wǎng)絡(luò)生成所述玻璃幕墻圖像數(shù)據(jù)對(duì)應(yīng)的圖像數(shù)據(jù)特征集。

本文實(shí)驗(yàn)中選擇使用指數(shù)衰減學(xué)習(xí)率，即學(xué)習(xí)率會(huì)跟據(jù)訓(xùn)練下降的速度自行調(diào)節(jié)變化，防止產(chǎn)生震蕩。指數(shù)衰減學(xué)習(xí)率的方程為［17］：

式中：φ為當(dāng)前學(xué)習(xí)率；γ為初始學(xué)習(xí)率；η為學(xué)習(xí)率衰減系數(shù)；a為當(dāng)前迭代次數(shù)；b為衰減速度。實(shí)驗(yàn)初始學(xué)習(xí)率設(shè)置為2e-3，學(xué)習(xí)率衰減速度為0.5，當(dāng)前迭代次數(shù)為0，衰減速度為1 500，訓(xùn)練的總輪數(shù)為5 000輪。

3 實(shí)驗(yàn)過(guò)程

無(wú)人機(jī)按照爬行線(xiàn)的飛行模式自動(dòng)捕捉玻璃物的一面墻。自主飛行算法以起始坐標(biāo)、墻的長(zhǎng)度、距離墻的距離和最小/最大高度作為輸入?yún)?shù)。這些玻璃圖像每分鐘由無(wú)人機(jī)拍攝一次，并被轉(zhuǎn)移到計(jì)算機(jī)上進(jìn)行分析。使用攝影測(cè)量軟件對(duì)獲得的圖像進(jìn)行數(shù)字矩陣化處理。

在進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練之前，每個(gè)數(shù)字矩陣都會(huì)被標(biāo)記，以指示該區(qū)域中是否包含一個(gè)對(duì)象。池化層進(jìn)行向下采樣，以減小輸入數(shù)據(jù)的空間大小。本文的最大池輸出（X2×Y2×Z2）的尺寸計(jì)算如下［19］：

其中，X1、Y1和Z1表示圖形數(shù)據(jù)的寬度、高度和深度，而F和S分別表示池窗口大小和池步幅值。由于池化過(guò)程的不同參數(shù)導(dǎo)致不同的輸出，通過(guò)調(diào)整參數(shù)可以實(shí)現(xiàn)不同模型的性能。池化時(shí)的滑動(dòng)窗口為3×3，步幅為2。將局部鄰域像素歸一化后，值越大的像素越明顯，更容易檢測(cè)到高頻特征。局部響應(yīng)采用網(wǎng)絡(luò)歸一化，進(jìn)行一種側(cè)向抑制，增強(qiáng)更興奮的神經(jīng)元。卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別過(guò)程如圖4所示。

⑴制作數(shù)據(jù)：active_samples=2000，test_samples=800；train_samples=200；

⑵用val_samples初始化模型；

⑶分別對(duì)active_samples目錄下的數(shù)據(jù)進(jìn)行方差測(cè)定，方差比較小比較穩(wěn)定，也就說(shuō)明具有一致性，將所有的數(shù)據(jù)方差排序，選擇最大的200 張，將這200 張加入到train_samples里面；

⑷更新當(dāng)前的訓(xùn)練數(shù)據(jù)train_sample-s，模型進(jìn)行重新訓(xùn)練或者微調(diào)，得到新的模型；

⑸ 重復(fù)以上步驟，直到主動(dòng)選擇樣本active_samples 的數(shù)量為0或者模型已滿(mǎn)足需要，不需要再更新。卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別過(guò)程如圖4所示。

精度和反饋率是大多數(shù)機(jī)器學(xué)習(xí)模型的典型指標(biāo)，使用方程式進(jìn)行計(jì)算［20］：

式中：真陽(yáng)性TP 表示正確預(yù)測(cè)為缺陷的真缺陷數(shù)；FP假陽(yáng)性指預(yù)測(cè)為缺陷的非缺陷數(shù)；FN 假陰性為預(yù)測(cè)為非缺陷的真缺陷數(shù)，表示檢測(cè)模型中缺少缺陷。由于目標(biāo)檢測(cè)的特點(diǎn)，結(jié)果中不存在真陰性。對(duì)于每個(gè)檢測(cè)，都會(huì)生成一個(gè)具有置信水平和一組坐標(biāo)的邊界框。對(duì)于TP，預(yù)測(cè)的邊界框βp和真值框βg之間的重疊比必須超過(guò)一定的閾值α（在本研究中為0.5）?？捎梅匠淌接?jì)算［20］：

4 結(jié)果和討論

無(wú)人機(jī)收集到了像素范圍在1 440×720 到320×256之間的圖像。缺陷檢測(cè)模型可以使用不同大小的輸入圖像進(jìn)行訓(xùn)練，理論上可以使用更高分辨率的圖像提取更多的信息。卷積過(guò)程如圖5所示。

高分辨率的訓(xùn)練圖像同時(shí)會(huì)增加計(jì)算成本。本研究中所有的圖像都被縮小到相同大小的224×224像素。像素較低的圖像可能會(huì)影響模型的性能，需要進(jìn)行數(shù)據(jù)增強(qiáng)。用于數(shù)據(jù)增強(qiáng)的方法包括垂直和水平翻轉(zhuǎn)、旋轉(zhuǎn)和縮放、顏色調(diào)整，即調(diào)整亮度、對(duì)比度和飽和度。卷積神經(jīng)網(wǎng)絡(luò)計(jì)算樣品的準(zhǔn)確度實(shí)例如圖6所示。

實(shí)驗(yàn)結(jié)果表明，隨著訓(xùn)練數(shù)據(jù)的增加，卷積神經(jīng)網(wǎng)絡(luò)模型從輸入的圖像中獲得更準(zhǔn)確、更全面地學(xué)習(xí)目標(biāo)特征，從而獲得更高的檢測(cè)精度。更多的卷積層可以提取更重要的特征，但深層網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，參數(shù)更多，計(jì)算成本更高，檢測(cè)速度受到影響。本研究的結(jié)果表明，適當(dāng)數(shù)量的額外卷積層可以有利于模型的性能，最大池化層中濾波器的池化步幅較小，可以防止下采樣過(guò)程中的重要信息丟失。

5 結(jié)論與展望

本研究使用無(wú)人機(jī)、免費(fèi)和開(kāi)源的攝影測(cè)量軟件和深度學(xué)習(xí)庫(kù)來(lái)識(shí)別玻璃幕墻上的破損，該方法可以確定幕墻表面大多數(shù)破損的估計(jì)位置（即是否存在破損）。一旦確定了估計(jì)的位置，就可以在可疑區(qū)域重復(fù)這一過(guò)程，并使無(wú)人機(jī)更靠近玻璃幕墻，以便清楚地看到以進(jìn)一步調(diào)查，并提供更多的信息，以及向業(yè)主和設(shè)施經(jīng)理提供估計(jì)的維修范圍和成本。