建筑技术丨基于深度神经网络的钢结构施工质量智能评估

近年来，钢结构建筑因其绿色节能、工期短、成本低等特点，成为建筑行业讨论的热点，但在钢结构建筑普及的过程中也暴露出了许多亟待解决的问题。钢结构建筑的建筑过程需要大量的预制构件在工厂进行加工以及现场组装，可加快施工进度，减少施工过程中受到的环境影响。但是多数工序需要现场拼接，施工质量受人员操作水平、材料质量、施工工艺影响较大，需要对施工过程进行全面的数据收集才能保障施工质量符合要求。另外，施工现场大量不同工种需要协同工作，造成了施工现场的环境复杂，管理人员需要在复杂环境中对施工质量进行正确的检查和评价，因此对于管理人员管理水平有更高要求。

随着工程体量和复杂性的增加，传统的数据收集方式难以在规定的时间内收集到可以反映整个建筑物的数据。不全面的数据导致频繁返工、成本超支和拖延、项目质量差^[1]和安全生产事故频发等诸多问题。李晓晨^[2]将基于物联网（IoT）的通信框架应用于精益施工管理以及整个建筑生命周期的管理。常飞等^[3]将传感器应用于构件吊装阶段，以此实时反映构件在空中的运行轨迹，保证了施工安全。上述学者虽然在多源数据方面进行了研究，但是缺少对整体数据收集技术的分析。

随着我国建筑行业管理质量要求的提高，日常管理过程中出现的质量管理效率低下、人员管理水平不均、管理过程信息化程度较差等问题，也越来越引起管理人员的重视。而智能先进技术的出现从很多方面为上述问题提供了解决办法。因此将人工智能技术与传统建筑业相结合，发展信息化建设是未来建造业的重要发展方向。

在施工过程管理方面，已有研究人员使用梯度直方图监测施工防护栅栏的布置缺陷^[4]。或使用图像识别技术与现场监测技术结合对建筑工人的不安全行为进行实时监测与纠正。在施工质量管理方面，已有研究利用图像识别技术结合无人机的航拍功能对建筑自身的施工缺陷进行实时监测。但是针对施工现场的复杂作业环境，在施工要素与先进技术相结合方面仍需进一步改进。

1 工程概况及技术要点

1.1 工程概况

激光小镇孵化器项目坐落于江苏省宿迁市宿城经济开发区，总建筑面积152 811.62 m²，总用地面积695 121 m²，1号楼地下1层，地上10层；2号、3号、6号、7号、8号、9号、10号楼地下1层，地上5层，其中2号、6号、9号、10号附属楼地下1层，地上2层；4、5号楼地下1层，地上12层；11号地下1层，地上3层；12号地下1层，地上2层。垃圾站地上1层。

1.2 技术重点和难点

（1）1号、4号、5号楼为高层钢结构，其中1号楼为双子楼中间10层–屋面层空中整体连接，跨度为26 m，高度40.5 m，钢结构高空整体连接施工安装、施工质量难度大。施工前编制专项施工方案、应急预案，按方案组织实施，及时发现并解决各类问题。

（2）本项目建筑施工体量大，建设整体建筑周期短，同时施工现场存在大型设备同时工作。人员协调和设备管理复杂繁多。因此需要集成上述多重要素管理的系统进行统筹管理。

（3）本项目参建单位众多，施工过程中涉及多方单位协同工作。传统的管理方式难以满足现场施工的要求，需要建立综合性的管控平台，实现多方人员的信息交流和信息共享。

2 数据采集与传输

2.1 智能化数据采集设备

建造业中的物理空间包含了一个复杂、动态的建造环境。建造过程中产生的多源异构数据可以划分为施工人员数据、设备数据、物料数据、工法数据、环境数据等5种类别，如图1所示。

图1 多源异构数据5种类别

为实现“虚实沟通”所建立的通信桥梁，应具备数据感知、数据处理和数据传输功能。数据感知是指通过安装在对象上的不同类型传感器进行状态感知，如构件姿态数据、人员定位、环境数据、温度、受力状态等。上述数据属于动态多源异构数据。独立的数据转化系统转化效率较低，因此在数据处理阶段利用Hadoop、Apache、Spark等数据处理软件将数据转化为机器可读形式。在数据传输阶段数据将按照基于OSI模型的通信协议中规定的标准进行编码。上述数据收集与传输方式实现多源异构数据的统一转换和传输，为虚拟空间提供了准确、实时的建造活动数据。施工现场使用的硬件如图2所示。

图2 施工现场中的通信传输硬件

2.2 质量数据的采集方式

在建筑物施工过程中的质量数据采集应根据建筑物类型以及需求数据类型的变化而变化。本研究的建筑物类型是钢结构建筑物。钢结构建筑具有构件生产批量大、建造周期短、构件制造安装工业化程度高等特点。上述特点表明钢结构建筑物在施工过程中可以按照进度逻辑关系划分施工单元和工序。

在确定了施工单元和工序之后，根据质量规范设置关键质量控制点。其中在每个关键质量控制点都有对应的工艺操作指南，提供施工引导操作以及质量数据收集工作。在采集过程中可通过智能设备、传感器等硬件进行数据采集，通过Wi-Fi、Bluetooth等传输方式构建传输网络。

在数据传输阶段数据将按照基于OSI模型的通信协议中规定的标准进行编码，形成通用数据。在数据处理阶段利用Hadoop、Apache、Spark等数据处理软件将数据转化为机器可读形式。在实际工程中，由于项目成本以及采集设备的局限性，部分质量数据采用人工采集的方式，主要依靠现场工人实施。在建筑施工过程中，用于质量管理的数据分为数值型数据以及标称型数据。数值型数据是指所采集数据结果为数量并进行数值运算的数据类型。

标称型数据是指所采集数据结果为“是”“否”两种形式的数据。对于数据采集的频率取决于质量管理的需求以及采集设备的能力，实现对施工过程中质量数据的精准、全面采集，从而为后续的质量数据分析提供足够的数据基础。施工过程中的数据采集方式如图3所示。

图3 数据采集方式

3 质量识别系统开发与应用

3.1 施工现场智能化质量识别的必要性分析

在施工过程中，质量管理是贯穿整个施工周期的重要任务，但是外部与内部因素的影响导致管理工作难以做到尽善尽美。质量问题的发生也是造成建筑物总体进度拖延和成本增加的重要因素之一。在钢结构建设项目中，由于多项任务同步进行、设备多数为场外租赁、构件材料质量不一等现状，加大了施工质量管理的复杂性。

通过对此项目中影响钢结构建筑的质量问题发生因素进行调研，发现对质量管理系统的主要需求及难点如下。

（1）钢结构施工周期较短，涉及施工设备较多，构件种类较反复，易发生施工技术操作资质不足、工人违规施工的情况，造成潜在质量隐患。

（2）施工现场环境情况复杂，施工人员流动性强，管理人员难以及时掌握施工作业队伍的准确位置信息，且施工过程的日常管理过度依赖纸质记录，难以对工人的操作和施工完成后的质量进行严格的规范。因此，施工作业需要全面、快速的质量检查功能。但在实际工程中管理人员精力有限，无法对施工质量进行持续有效地监管。

（3）材料进场时间不一，堆积材料易受环境影响，造成损伤，施工计划落实难。因此，需要通过优化算法指定更合理的施工场地布置和场地规划方案。管理人员难以及时有效地掌握质量缺陷发生的部位以及根据质量问题进行补救方案。

3.2 质量智能化识别

3.2.1 材料进场时的管理

（1）相比传统的建造形式，结构材料运输到现场就使用的情况，钢结构建筑中涉及的建筑原材多需要经过工厂加工后，在施工现场储存一段时间再进行施工。在整个过程中，材料质量已受到环境影响，造成材料腐蚀、变形等问题。管理人员需要对放置的材料进行定期质量检查，动态同步构件信息，对问题构件进行追踪溯源。另外，由于场地条件的限制，大型钢材需要根据施工进度进行合理安置。

（2）在钢结构建设过程中，除了需要大量加工合格后的完整钢材外，还需要许多细小的构件，如高强度螺栓、钢板、钢管等。但是受市场货源、送货成本以及加工数量的限制，零部件很难满足现场的需要及时到场。因此对于钢结构的零部件应当做到分批质量检测，同时应选定合适的储存地点对部件进行收纳。不同批次的零部件应有独立的出厂合格证明。

3.2.2 施工人员的操作培训

（1）制作施工动画。通过BIM模型的建立，获取相关构件的模型和信息。然后通过Navisworks制作施工动画。在施工动画制作过程中，除了要保证构件模型符合现场施工场景外，还应确保施工顺序的准确性。

（2）将虚拟现实设备分发给施工人员。工人通过虚拟现实设备拍摄记录节点施工图像。在施工过程中可实时记录，记录数据可以采用照片或视频的格式。通过对实验过程中工人操作行为的记录，可以针对不同的工人适配更加合理的指导方案。实验中形成的指导方案将收集于数据库中，为相同施工部分提供指导。

（3）管理人员对拼装结果进行评审。管理人员在施工现场对施工工人的操作进行质量检查，排除施工问题。在交流过程中专家将会保存施工缺陷部分作为质量检查结果的依据。

3.2.3 安装部位完成后的质量检查

在上述步骤中已对材料本身的属性进行了质量识别和控制，同时对工人进行了智能化的操作工艺指导，因此，此阶段的研究重点是对施工完成后的质量进行识别检查。

（1）图像数据采集。在钢结构节点安装完成后，施工人员将构造部分在指定角度下进行图像拍摄，通过手机对施工图像进行采集。

（2）图像预处理。在图像数据采集过程中由于工人以及施工部位的差异，所收集到的图像数据不完全相同，因此需要利用Radon等变换方法对图片的角度、位移等问题进行矫正。如果图片质量不符合要求，需要再次收集数据；如果图片质量符合要求，则将图片纳入质量管理数据库，同时开始对图片进行处理，进行质量检测。校正后的图片需要根据需求进行灰度变化或采用滤波法对图片进行处理，以获得更高质量的细部构造图像。

（3）数据库建立。识别系统的建立需要以大量现场图片为基础。以4∶1的比例构建质量合格数据与质量不合格数据。

（4）质量识别。首先通过现场存在的摄像头对所需检查部位进行数据收集，对检查部位应用边缘算法得到完善清晰的图像，然后从x轴和y轴方向对图像进行投影，实现定位。通过分割算法对细部质量控制部位进行分割，进一步的精细化处理。最后通过与质量合格图像进行匹配，计算相关系数，将系数与预定阈值进行比对判定质量是否合格。质量识别整体流程如图4所示。

图4 质量识别整体流程

3.3 质量识别系统的应用

3.3.1 使用环境

质量识别系统的建立需要依赖良好的硬件配置，见表1。同时建立质量识别系统的软件环境，见表2。

表1 硬件配置

表2 软件环境

3.3.2 使用流程

进入界面有3个按钮，分别是input、output、detect。点击input出现输入文件夹，将待测图片放入文件夹，点击detect进行检测，点击output查看检测结果。对于检测不合格的图片，标注不合格部位并显示unqualified字样，对于检测合格的图片无标注。

3.3.3 应用技术

本设计运用深度学习目标检测、计算机图像处理等技术，采用Python语言，使用Pytorch、Opencv等框架进行设计。其工作原理如下：首先读取输入文件夹中的图片或视频文件，进行图像预处理；然后导入深度学习神经网络进行特征提取、分类；最后根据分类结果及各指标设计算法，判断图片是否合格。

根据提供的75个不合格数据、125个合格数据进行精度测试。在不合格图片测试中68个检测为不合格、7个检测为合格，精度为90.7 %。在合格图片测试中23个检测为不合格，102个检测为合格，精度为81.6 %。算法的综合检测精度为85 %。

4 结束语

随着国家综合实力的增长与信息化技术的发展，越来越多的行业向高度无人化、智能化的方向转变。建筑业由于信息获取难度大、人工参与率高、信息化程度低等问题，难以直接应用成熟的先进技术对传统模式进行改造。传统建筑业由于管理方式与方法的落后，一直难以及时发现和处理质量缺陷问题。

为解决上述问题，提供了一套更加智能化的解决办法，建立了一套面向施工过程的质量数据收集体系和质量识别系统。此体系尚处于研究阶段，本研究虽然初步验证了该方法的可行性和有效性，但仍需要更多的研究与实践应用，完善此体系。对未来的研究方向展望如下。

（1）人机料法环交互。面向钢结构施工过程的质量管理体系是一个“人–机–料–法–环”融合的动态系统。随着新兴技术的发展，vr/ar/mr以及图像识别技术被应用于施工现场人行为的捕捉和感知。因此将更丰富的人工智能引入建筑行业中，创建更完善的质量管理体系是未来的重要研究方向。

（2）技术集成。从数据收集和现场需求出发建立了基于图像识别的质量自动化检查的系统，但由于是将新兴技术融合应用到传统建造业的初步尝试，系统仅开发了部分功能，系统的精确识别能力限于时间和技术水平还尚待调试。