摘要：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)則識別主要由人工依據(jù)設(shè)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)則輔助識別的方法。首先，利用幾何對象之間的布爾交運(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，采用異常檢測的思路對不規(guī)則建筑平面圖的識別率提高了，更符合實(shí)際工程的需要。
關(guān)鍵詞：建筑信息模型;抗震審查;深度學(xué)習(xí);異常檢測;建筑平面;不規(guī)則識別
近年來，隨著城鎮(zhèn)化進(jìn)程加速和建筑技術(shù)的發(fā)展，我國高層建筑的數(shù)量不斷攀升，復(fù)雜、多樣的建筑平面布置層出不窮。對于高層建筑來說，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，無法直接根據(jù)計(jì)算軟件的計(jì)算結(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影響審查的結(jié)果。
總的來說，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)則識別可以看成是圖片分類問題，規(guī)則的建筑圖片可被分為正常樣本類標(biāo)簽為，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。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的應(yīng)用。它可以從大量的數(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)，而且可以將特征表示和分類器聯(lián)合優(yōu)化。在實(shí)際的應(yīng)用場景中，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)模型對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、VGG等并不適用于建筑平面凹凸不規(guī)則識別這一場景，主要原因在于兩點(diǎn)：第一，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;第二，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)則識別定義為異常檢測問題。異常檢測問題特點(diǎn)就在于擁有大量的正常樣本和小量的異常樣本，旨在通過對大量正常樣本的訓(xùn)練，得到可以識別出異常樣本的模型，為各個(gè)領(lǐng)域中的一些實(shí)際場景提供了很好的解決方案。在異常檢測的模型和方法上，生成對抗網(wǎng)絡(luò)GenerativeAdversarialNetworks，簡稱GAN更受研究者的青睞。2016年，RADFORD等學(xué)者[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的方法，成為第一個(gè)將AN用于異常檢測領(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)正常圖片其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;在測試階段，通過對比輸入圖片的潛在空間特征與潛在空間中隨機(jī)采樣之間的差異來識別異常圖片。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)行異常圖片檢測的模型框架。
其中GANomaly[7]在多個(gè)圖片數(shù)據(jù)集上都展示出了更好的分類性能。對于建筑平面凹凸不規(guī)則判斷來說，正確地提取建筑的外輪廓是極其重要的一步，其來源可以是二維圖紙或建筑信息模型BuildingInformationModeling，簡稱BIM。建筑外輪廓在二維圖紙中需要人工進(jìn)行識別，而利用IM中建筑實(shí)體的語義化信息可以進(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 FoundationClass，簡稱IFC可以作為BIM模型信息提取的來源。
綜上所述，本文在GANomaly模型的基礎(chǔ)上，利用異常圖片檢測的思想，提出基于IM和深度學(xué)習(xí)的快速、有效識別方法，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。方法本文將建筑平面凹凸不規(guī)則識別問題定義為基于圖片的異常檢測問題。該方法主要包括三個(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)模型對建筑平面外輪廓圖進(jìn)行計(jì)算，并反饋?zhàn)R別結(jié)果。
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)之間的對應(yīng)關(guān)系，可以得到樓層實(shí)體的高度。IFC文件中的實(shí)例數(shù)據(jù)描述“#160=IFCBUILDINGSTOREY(‘169yy__4LDGwpM8wCMTLG0’,#41,’標(biāo)高’,$,’標(biāo)高上標(biāo)頭’,#159,$,’標(biāo)高’,.ELEMENT.,6000.);”表示名稱Name為“標(biāo)高”的樓層標(biāo)高高度Elevation為6m。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。
借助IfcOpenShell庫[8]和pythonocc庫[9]，本文按以下個(gè)步驟提取BIM模型的建筑平面，算法流程如圖所示：讀入IFC文件，獲取所有IFC實(shí)體IfcProduct的幾何形狀;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;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。
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判斷，所以圖片預(yù)處理的目的是突出待識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，且要求圖片的邊長均為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，外輪廓區(qū)域外像素灰度值設(shè)為。
1.3GANomaly模型
GANomaly是一種基于潛在特征空間的圖片異常檢測模型，通過對比輸入圖片與重構(gòu)圖片在潛在特征空間上的差異來判斷圖片是否為異常圖片。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，不會受到圖片微小變化的影響[10]。GANomaly模型使用兩個(gè)編碼器GE()和()以及一個(gè)解碼器GD()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GE、重構(gòu)圖片X'以及重構(gòu)圖片X'的潛在特征向量Z'X'。
這里兩個(gè)編碼器的結(jié)構(gòu)是一樣的，但是具體參數(shù)的取值并不一樣，GANomaly模型結(jié)構(gòu)的相關(guān)參數(shù)。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BatchNormalize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，然后對判別特征進(jìn)行判別，最后輸出圖片標(biāo)簽。模型的訓(xùn)練采用和生成對抗網(wǎng)絡(luò)一樣的訓(xùn)練策略，對于輸入圖片來說，判別器的認(rèn)為是正常樣本;對于重構(gòu)圖片X'來說，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)之間的對抗訓(xùn)練之后，生成器生成的重構(gòu)圖片X'會越來越接近輸入圖片。
但由于在訓(xùn)練過程中僅使用了正常圖片作為輸入，所以對于異常圖片來說，模型的參數(shù)并不適用，異常圖片進(jìn)行編碼、重構(gòu)、再編碼得到的兩個(gè)潛在特征向量和Z'之間的差異，由于誤差的累積，會變得更大。這樣一來，即可通過設(shè)置差異的閾值進(jìn)行異常圖片的識別。為了實(shí)現(xiàn)這個(gè)目的，設(shè)置了四個(gè)損失函數(shù)圖片判別損失、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。
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)則識別數(shù)據(jù)集。CubiCasa5k數(shù)據(jù)集擁有超過5000例平面樣本，包含超過80種平面類型[12]。每個(gè)平面對象都是一個(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，采用多邊形polygon進(jìn)行幾何表達(dá)。
在數(shù)據(jù)生成方面，采用圖所示的處理思路。首先遍歷并讀取平面svg文件，識別其中的墻體和空間對象，并獲取目標(biāo)對象本身的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)對象多邊形進(jìn)行重繪并填充，將該圖片保存后根據(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，對不規(guī)則樣本通過旋轉(zhuǎn)、鏡像等操作進(jìn)行數(shù)據(jù)增強(qiáng)。 最終得到的數(shù)據(jù)集共有64個(gè)建筑平面樣本。從樣本類型來看，可以分為簡單建筑平面形式和復(fù)雜建筑平面形式，簡單建筑平面形式又可細(xì)分為完全規(guī)則的建筑平面、以凸為主的建筑平面和以凹為主的建筑平面。所建立的數(shù)據(jù)集中，凹凸不規(guī)則建筑平面樣本60個(gè)，規(guī)則建筑平面樣本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)則樣本作為測試集。
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)則識別模塊，通過實(shí)例進(jìn)行驗(yàn)證。針對簡單建筑平面，根據(jù)《建筑抗震設(shè)計(jì)規(guī)范》以下簡稱《抗規(guī)》13給出的種建筑平面示例，對模型進(jìn)行驗(yàn)證分析。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0000張樣本。從表可以看出，模型的識別率平均為93.76，在工程上具有較好的可靠性。
針對復(fù)雜建筑平面，選取兩幢高層建筑作為案例應(yīng)用分析。建筑IM模型均使用AutodeskRevit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6464的建筑平面外輪。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，可以得到識別結(jié)果如下：對于模型來說，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0.89798，判別為“建筑平面凹凸不規(guī)則”;對于模型來說，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0.95457，判別為“建筑平面規(guī)則”。識別結(jié)果與專家論證一致。
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IM和深度學(xué)習(xí)的建筑平面凹凸不規(guī)則自動(dòng)識別方法，以輔助人工完成審查和判斷。該方法通過FC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)模型對建筑平面圖進(jìn)行識別。實(shí)驗(yàn)表明，從實(shí)際工程項(xiàng)目需求來看，將建筑平面凹凸不規(guī)則識別定義為圖片異常檢測問題，可以更好地識別不規(guī)則的建筑平面，為基于IM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“”型建筑平面，也導(dǎo)致模型在檢測復(fù)雜平面時(shí)未能得到準(zhǔn)確的識別結(jié)果。因此，本文進(jìn)一步研究工作可以從兩個(gè)方面展開：一方面，完善訓(xùn)練數(shù)據(jù)集的樣本類型，提高模型預(yù)測的準(zhǔn)確率;另一方面，對于復(fù)雜平面，可以結(jié)合深度學(xué)習(xí)模型和領(lǐng)域知識圖譜進(jìn)行識別判斷，在識別過程中加入專家知識的引導(dǎo)，以獲得更準(zhǔn)確、更合理的判斷結(jié)果。
參考文獻(xiàn)References
[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):7577.LINSY.Theanalysisoftheimportanceoftheplanregularityinthedesignoftallbuildings[J].ShanxiArchitecture,2010,36(22):7577(inChinese).
[2]李顯杰,阮興群,柳曉博,等.對復(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):5153.IXJRUANXQ,LIUXB,etal.Discussiononjudgmentofregularityofcomplexplaneconcavityandconvexity[J].BuildingStructure,2021,51(15):5153(inChinese).
[3]PENGCLIYY,JIAOLC,etal.EfficientConvolutionalNeuralArchitectureSearchforRemoteSensingImageSceneClassification[J].IEEETransactionsonGeoscienceandRemoteSensing,2021,59(7):60926105.
[4]DAUTOVE,ASTAFEVAN.ConvolutionalNeuralNetworkintheClassificationofArchitecturalStylesofBuildings[C]//2021IEEEConferenceofRussianYoungResearchersinElectricalandElectronicEngineering(ElConRus)Russia:IEEEPress2021:274277.
[5]RADFORDA,METZL,CHINTALAS.UnsupervisedRepresentationLearningwithDeepConvolutionalGenerativeAdversarialNetworks[EB/OL].20160107[20210928].https://arxiv.org/abs/1511.06434
作者：姜柳,2，史健勇1,2，付功義，潘澤宇,2，王朝宇,2
相關(guān)閱讀
