基于BIM和深度学习的建筑平面凹凸不规则识别

　　摘要：建筑抗震超限审查是高层建筑、特别是超高层建筑审查的重要内容，建筑平面凹凸不规则是建筑抗震超限审查的项目之一。目前的建筑平面凹凸不规则识别主要由人工依据设规范进行，然而日益复杂的建筑平面设计超出了规范的示例范围，也加重了人工审查的负担。建筑平面识别可以看成是图片分类问题，考虑到实际工程中规则样本和不规则样本之间的不均衡性，利用异常检测的思想，提出了一种基于建筑信息模型BIM和深度学习进行建筑平面凹凸不规则辅助识别的方法。首先，利用几何对象之间的布尔交运算得到BIM模型的建筑平面;然后，通过图片预处理，生成建筑平面外轮廓图;最后，将建筑平面外轮廓图输入已训练好的异常检测深度学习模型，反馈识别结果。实验结果表明，相比于传统的图片分类模型，采用异常检测的思路对不规则建筑平面图的识别率提高了，更符合实际工程的需要。

　　关键词：建筑信息模型;抗震审查;深度学习;异常检测;建筑平面;不规则识别

　　近年来，随着城镇化进程加速和建筑技术的发展，我国高层建筑的数量不断攀升，复杂、多样的建筑平面布置层出不穷。对于高层建筑来说，建筑平面布置极其重要。一方面，平面审查是高层建筑，特别是超高层建筑超限审查的最基本的要求;另一方面，不规则的平面会导致建筑结构整体的扭转效应增大，危及结构的抗震安全[1]。目前，关于建筑平面不规则的审查主要依据相关建筑规范进行。规范中规定了多种平面不规则的类型，其中建筑平面凹凸不规则由于涉及复杂的平面几何比例判别，无法直接根据计算软件的计算结果得到，还需要人工进行判断。

　　虽然相应规范给出了评判指标，即认为凹凸不规则的建筑平面主要指“凹凸尺寸大于相应投影方向总尺寸的30%”的平面形式，但是如何选取“凹凸尺寸”和“投影方向总尺寸”需要有经验的专家根据实际的建筑平面图进行确定。而对于复杂的平面形式，相应尺寸的选定更加繁琐、更具有不确定性，且很难通过一些简化的量化指标进行不规则的判定。此外，虽然规范中给出了建筑平面凹凸不规则的示例，但是许多实际工程项目中建筑平面的凹凸性判断已经超出了这些示例范围[2]，这也加重了人工审查的负担，而人为判断的主观性也会影响审查的结果。

　　总的来说，建筑平面凹凸不规则的判断是依赖专家经验的过程，本文从图片识别的角度出发，用深度学习方法提取建筑平面图片特征，以学习专家进行不规则判断的经验。建筑平面凹凸不规则识别可以看成是图片分类问题，规则的建筑图片可被分为正常样本类标签为，存在凹凸不规则的建筑图片可被分为异常样本类标签为。在计算机领域，深度学习模型已经在图片分类问题上得到了广泛的应用。它可以从大量的数据中自动学习到相应的特征，不仅避免了繁琐耗时的特征工程设计，而且可以将特征表示和分类器联合优化。在实际的应用场景中，深度学习模型也展现出了良好的性能，例如利用卷积神经网络模型对建筑遥感图像的分类[3]和建筑风格分类[4]等。

　　但是，经典的图片分类模型如ResNET、VGG等并不适用于建筑平面凹凸不规则识别这一场景，主要原因在于两点：第一，数据样本的不均衡，由于现有存档的建筑图纸均已通过超限审查，所以异常样本即建筑平面凹凸不规则的样本难以收集;第二，在实际工程中，从建筑设计安全的角度考虑，需要尽可能识别出所有凹凸不规则的建筑平面即异常样本。

　　因此，本文将建筑平面凹凸不规则识别定义为异常检测问题。异常检测问题特点就在于拥有大量的正常样本和小量的异常样本，旨在通过对大量正常样本的训练，得到可以识别出异常样本的模型，为各个领域中的一些实际场景提供了很好的解决方案。在异常检测的模型和方法上，生成对抗网络GenerativeAdversarialNetworks，简称GAN更受研究者的青睐。2016年，RADFORD等学者[5]将CNN与GAN结合，提出了第一个将GAN应用在图像领域的框架DCGAN。AnoGAN[6]在此基础上提出了异常图片检测的方法，成为第一个将AN用于异常检测领域的实践。AnoGAN中的生成器和判别器均采用DCGAN的结构。

　　在训练阶段，AnoGAN仅利用正常图片让生成器学习正常图片其在潜在空间中的分布表示，使潜在空间中的随机采样均能表示正常图片的潜在空间特征;在测试阶段，通过对比输入图片的潜在空间特征与潜在空间中随机采样之间的差异来识别异常图片。为了减少输入图片与潜在空间映射的复杂性，不少学者基于AnoGAN进行了后续的研究，相继提出了利用GAN进行异常图片检测的模型框架。

　　其中GANomaly[7]在多个图片数据集上都展示出了更好的分类性能。对于建筑平面凹凸不规则判断来说，正确地提取建筑的外轮廓是极其重要的一步，其来源可以是二维图纸或建筑信息模型BuildingInformationModeling，简称BIM。建筑外轮廓在二维图纸中需要人工进行识别，而利用IM中建筑实体的语义化信息可以进行自动化抽取。作为BIM的通用数据交换格式标准，工业基础类Industry FoundationClass，简称IFC可以作为BIM模型信息提取的来源。

　　综上所述，本文在GANomaly模型的基础上，利用异常图片检测的思想，提出基于IM和深度学习的快速、有效识别方法，以辅助人工进行建筑平面凹凸不规则的判断，提高建筑抗震超限审查的效率和准确性。方法本文将建筑平面凹凸不规则识别问题定义为基于图片的异常检测问题。该方法主要包括三个部分，首先从BIM模型中获取建筑平面，接着通过图片预处理得到建筑平面外轮廓图，最后利用已训练好的深度学习模型对建筑平面外轮廓图进行计算，并反馈识别结果。

　　1.1基于IFC的BIM模型建筑平面获取

　　BIM模型建筑平面获取的第一步是获取每一层的标高。在IFC文件中，楼层以实体IFCBUILDINGSTOREY表示，通过实体定义与实例数据之间的对应关系，可以得到楼层实体的高度。IFC文件中的实例数据描述“#160=IFCBUILDINGSTOREY(‘169yy__4LDGwpM8wCMTLG0’,#41,’标高’,$,’标高上标头’,#159,$,’标高’,.ELEMENT.,6000.);”表示名称Name为“标高”的楼层标高高度Elevation为6m。接着，根据所获取的标高高度，建立剖切平面，并通过BIM模型与该剖切平面之间的布尔交运算得到每一层的建筑平面。

　　借助IfcOpenShell库[8]和pythonocc库[9]，本文按以下个步骤提取BIM模型的建筑平面，算法流程如图所示：读入IFC文件，获取所有IFC实体IfcProduct的几何形状;生成模型的包围盒，根据包围盒的大小以及截面高度，创建平面;遍历所有的IFC实体，通过其几何形状与所创建的平面之间的布尔交运算，得到指定截面高度下的相交截面;将所有的相交截面组合在一起，即可得到BIM模型的建筑平面。

　　1.2建筑平面外轮廓图片预处理

　　因为建筑平面凹凸不规则主要基于建筑平面外轮廓来判断，所以图片预处理的目的是突出待识别的建筑平面外轮廓区域，以提高建筑平面凹凸不规则识别的准确率，同时降低计算复杂度。首先，根据用户绘制的建筑平面外轮廓路径，生成实心多边形。由于建筑平面图大多不是规则的图形，为了方便后续的计算、编码和重构，将建筑平面外轮廓图以白色背景填充，生成方形图片，且要求图片的边长均为16的倍数。接着，在输入深度学习模型之前，将建筑平面外轮廓图进行二值化处理，外轮廓区域内的像素灰度值设为，外轮廓区域外像素灰度值设为。

　　1.3GANomaly模型

　　GANomaly是一种基于潜在特征空间的图片异常检测模型，通过对比输入图片与重构图片在潜在特征空间上的差异来判断图片是否为异常图片。相比于直接比较输入图片与重构图片的差异，潜在特征空间这一更高维的图片特征更能反应图片实质内容的差异，不会受到图片微小变化的影响[10]。GANomaly模型使用两个编码器GE()和()以及一个解码器GD()交错相接构成模型的生成器NetG。用于生成输入图片的潜在特征向量GE、重构图片X'以及重构图片X'的潜在特征向量Z'X'。

　　这里两个编码器的结构是一样的，但是具体参数的取值并不一样，GANomaly模型结构的相关参数。和DCGAN一样，编码器和解码器均通过调整stride参数，去除了池化层，并使用批量归一化BatchNormalize加速模型的收敛。GANomaly模型的判别器()首先将图片进行编码，得到一个判别特征，然后对判别特征进行判别，最后输出图片标签。模型的训练采用和生成对抗网络一样的训练策略，对于输入图片来说，判别器的认为是正常样本;对于重构图片X'来说，判别器认为是异常样本。经过生成网络和判别网络之间的对抗训练之后，生成器生成的重构图片X'会越来越接近输入图片。

　　但由于在训练过程中仅使用了正常图片作为输入，所以对于异常图片来说，模型的参数并不适用，异常图片进行编码、重构、再编码得到的两个潜在特征向量和Z'之间的差异，由于误差的累积，会变得更大。这样一来，即可通过设置差异的阈值进行异常图片的识别。为了实现这个目的，设置了四个损失函数图片判别损失、特征向量损失、重构图片损失、判别特征损失以约束模型的训练过程。

　　2模型训练与实验结果

　　2.1数据集准备

　　目前，土木建筑行业还没有现成的有关建筑平面不规则识别的开放数据集。因此，本文基于公开的楼层平面数据集CubiCasa5k数据集[11]，通过数据生成与数据增强，建立建筑平面凹凸不规则识别数据集。CubiCasa5k数据集拥有超过5000例平面样本，包含超过80种平面类型[12]。每个平面对象都是一个独立的svg文件。平面内的物理实体如空间、墙体、门、窗等在svg文件中以面向对象的方式进行存储，采用多边形polygon进行几何表达。

　　在数据生成方面，采用图所示的处理思路。首先遍历并读取平面svg文件，识别其中的墙体和空间对象，并获取目标对象本身的polygon表达。接着，利用python第三方绘图工具包matplotlib将每个目标对象多边形进行重绘并填充，将该图片保存后根据平面凹凸不规则的规范要求及专家论证对所生成的平面图进行标注。

　　为了减轻数据样本不均衡可能造成的分类失准，同时也为了提升数据样本的数量等级，对不规则样本通过旋转、镜像等操作进行数据增强。 最终得到的数据集共有64个建筑平面样本。从样本类型来看，可以分为简单建筑平面形式和复杂建筑平面形式，简单建筑平面形式又可细分为完全规则的建筑平面、以凸为主的建筑平面和以凹为主的建筑平面。所建立的数据集中，凹凸不规则建筑平面样本60个，规则建筑平面样本285个。在模型训练时，随机选择80%的规则样本作为训练集，剩余20%的规则样本和全部不规则样本作为测试集。

　　3案例验证分析

　　基于提出的方法，形成建筑平面凹凸不规则识别模块，通过实例进行验证。针对简单建筑平面，根据《建筑抗震设计规范》以下简称《抗规》13给出的种建筑平面示例，对模型进行验证分析。验证数据集通过编写程序随机生成，每种建筑平面生成0000张样本。从表可以看出，模型的识别率平均为93.76，在工程上具有较好的可靠性。

　　针对复杂建筑平面，选取两幢高层建筑作为案例应用分析。建筑IM模型均使用AutodeskRevit建立，导出IFC文件后，自动提取建筑平面图，并通过预处理生成大小为6464的建筑平面外轮。将生成的建筑平面外轮廓图输入训练好的深度学习模型，可以得到识别结果如下：对于模型来说，输入图片的潜在特征向量与生成图片的潜在特征向量之间的相似度为0.89798，判别为“建筑平面凹凸不规则”;对于模型来说，输入图片的潜在特征向量与生成图片的潜在特征向量之间的相似度为0.95457，判别为“建筑平面规则”。识别结果与专家论证一致。

　　4结论与展望

　　本文从建筑抗震平面审查的问题出发，提出了基于IM和深度学习的建筑平面凹凸不规则自动识别方法，以辅助人工完成审查和判断。该方法通过FC实体之间的布尔交运算，可以获取不同楼层的建筑平面图，并通过深度学习模型对建筑平面图进行识别。实验表明，从实际工程项目需求来看，将建筑平面凹凸不规则识别定义为图片异常检测问题，可以更好地识别不规则的建筑平面，为基于IM的建筑抗震审查提供了新思路。由于目前土木建筑领域缺少相关的数据集，本文基于现有的公开数据集，通过有效处理和标注，形成建筑抗震平面凹凸不规则训练数据集。

　　然而，该数据集中的建筑平面类型、复杂程度未能涵盖所有实际工程项目的建筑平面，例如《抗规》中的“”型建筑平面，也导致模型在检测复杂平面时未能得到准确的识别结果。因此，本文进一步研究工作可以从两个方面展开：一方面，完善训练数据集的样本类型，提高模型预测的准确率;另一方面，对于复杂平面，可以结合深度学习模型和领域知识图谱进行识别判断，在识别过程中加入专家知识的引导，以获得更准确、更合理的判断结果。

　　参考文献References

　　[1]林书佚.高层建筑设计中平面规则性的重要性研究[J].山西建筑,2010,36(22):7577.LINSY.Theanalysisoftheimportanceoftheplanregularityinthedesignoftallbuildings[J].ShanxiArchitecture,2010,36(22):7577(inChinese).

　　[2]李显杰,阮兴群,柳晓博,等.对复杂平面凹凸规则性判断的探讨[J].建筑结构,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，付功义，潘泽宇,2，王朝宇,2