Q1文章提出的工程問題是什么？有什么實際工程價值？
隨著社會的發(fā)展，高層住宅建筑和辦公建筑已成為現(xiàn)代建筑不可或缺的組成部分。然而，隨著部分建筑使用年限的增加，存在著開裂、外墻脫落等安全隱患，將嚴重危害公共安全，造成經(jīng)濟損失。如果不及早發(fā)現(xiàn)這些安全問題，建筑物的健康狀況將迅速惡化，導致災難性后果。
對外墻缺陷進行安全檢查和管理，以便及時采取有效的維護措施，對于消除安全隱患，防止人員傷亡和經(jīng)濟損失非常重要。
Q2文章提出的科學問題是什么？有什么新的學術貢獻？
傳統(tǒng)的高層建筑外墻檢測方法要求檢測人員在高空作業(yè)，人工識別缺陷，這既危險又低效。近年來，使用無人機（UAV）檢查建筑物外墻的趨勢越來越明顯。
本文提出了一種通過將UAV圖像中的缺陷數(shù)據(jù)映射到BIM模型并將缺陷建模為BIM對象來管理建筑外墻檢測結果的方法。
考慮到單體建筑規(guī)模較小，本文提出了一種簡化的坐標轉換方法，將實際缺陷位置轉換為BIM模型中的坐標。同時，提出了一種基于深度學習的實例分割模型，用于檢測捕獲圖像中的缺陷并提取其特征。最后，識別出的缺陷被建模為具有詳細信息的新對象，并映射到相關BIM組件的相應位置。
Q3文章提出的技術路線是什么？有什么改進創(chuàng)新之處？
本文主要提出了缺陷檢測和映射框架，圖1顯示了基于UAV攝影測量自動獲取圖像信息并與BIM集成的建筑物外墻缺陷檢查和管理的流程框架。建議的框架包括：1）準備工作和數(shù)據(jù)采集與處理，2）坐標轉換，3）缺陷檢測和定位，以及4）將已識別的缺陷映射到BIM模型。
圖1 缺陷檢測和映射框架
①準備工作和數(shù)據(jù)采集與處理
準備工作包括三個階段。第一階段是初步準備階段，包括：1）注冊UAV并獲得主管部門的飛行許可；2）確保被檢查建筑不在禁飛區(qū)；3）訪問和調(diào)查現(xiàn)場條件，以評估可能的風險因素。
第二階段是制定飛行計劃，包括：規(guī)劃UAV的飛行路徑、設置拍攝圖像的位置、起飛和著陸點、UAV與目標之間的垂直距離等。
需要計算UAV攝像頭的視野（FOV），它是覆蓋整個目標檢測墻的關鍵之一。FOV的示例如圖2（a）所示，而UA V攝像機的參數(shù)與FOV之間的關系分別如圖2（b）和圖2（c）所示。
準備工作的第三階段是根據(jù)攝像機的視場處理被檢測建筑的BIM模型。在BIM模型中，根據(jù)FOV對檢測到的外墻進行分割，并使用Dynamo提取每個分割區(qū)域的中心點，Dynamo是Revit的可視化編程應用程序，它集成了不同的功能模塊以訪問BIM數(shù)據(jù)。首先，使用Dynamo中的“選擇面”功能模塊選擇BIM模型的外墻（“曲面”），并通過“曲線起點”提取墻的四個角點。然后，作者通過編程創(chuàng)建了“選擇基點”功能模塊，選擇其中一個角點作為模型外墻的基點。然后，通過“Element.GetParameterValueByName”和“Geometry.Translate”獲得墻的大小。最后，通過“多邊形.中心”獲得分割區(qū)域的中心點。
圖2 （a）UAV攝像頭的FOV（b）、（c）UAV攝像頭參數(shù)與FOV之間的關系
準備工作完成后，使用UAV采集建筑外墻數(shù)據(jù)。在拍攝目標墻的過程中，UAV的飛行平面始終與墻平行，UAV攜帶的相機鏡頭直接朝向墻，以防止鏡頭的俯視圖或俯視圖以及相應中心點的偏移造成圖像偏差。必須安全地收集圖像，但相機和墻壁應盡可能靠近，因為較短的距離可以提高圖像分辨率。圖3中示出了UAV攝影點的位置和FOV中相應墻的中心點的示例。
圖3 UAV的位置和墻的中心
②坐標變化
本研究的坐標轉換過程如下：首先，將獲得的UA V圖像坐標轉換為分割墻區(qū)域中心點的相應坐標。上述轉換是在WGS84坐標系中進行的。然后，使用我們提出的方法，將WGS-84中分段墻區(qū)域中心點的坐標轉換為平面坐標，然后再轉換為BIM坐標，如圖4所示。
圖4 將UAV圖像中的坐標轉換為BIM模型中的坐標的擬議過程
③缺陷檢測和定位
要將缺陷映射到BIM模型，第一步是檢測并定位圖像中的缺陷，然后映射BIM模型中的相應位置。
本研究使用基于深度學習的缺陷檢測方法來檢測UA V圖像中的缺陷并提取其特征。具體而言，基于稱為Mask R-CNN的對象實例分割框架，開發(fā)了一個深度學習模型。基于Mask R-CNN開發(fā)我們的模型的原因是，它可以生成每個缺陷的像素級分割、輪廓和邊界框，這意味著可以獲得詳細信息，包括缺陷類型、位置、數(shù)量、特征（例如面積、寬度、長度等）。
如圖5所示，掩碼RCNN的工作流程類似于更快的R-CNN。它首先通過幾個CNN層提取圖像特征，然后訓練區(qū)域建議網(wǎng)絡（RPN）生成區(qū)域建議，然后生成感興趣區(qū)域（ROI）。主要區(qū)別在于，在Mask R-CNN中添加了一個分支來預測每個RoI的分割掩碼，其過程與現(xiàn)有的分類和包圍盒回歸平行。
圖6顯示了使用掩模R-CNN的缺陷檢測結果的一個示例。每個缺陷都用一個邊界框來標識，該邊界框指示其類型和一般位置，并用不同的顏色（代表像素值）進行分割，以反映詳細的特征。
圖5 R-CNN的工作流程
圖6 R-CNN識別缺陷的一個示例
然后，自動讀取每個圖像的尺寸。圖像的寬度用W表示，圖像的高度用H表示，圖像的左上角作為原點。然后，利用深度學習模型的檢測結果，提取缺陷輪廓的像素坐標和缺陷的特征（如長度、寬度和脫落面積），并導出到數(shù)據(jù)庫中。根據(jù)之前介紹的圖像和FOV的比例，計算缺陷的真實尺寸和位置。具體而言，計算缺陷輪廓的像素坐標與FOV中心20之間的實際水平和垂直距離。計算出的實際缺陷位置也會自動生成到數(shù)據(jù)庫中，用于后續(xù)映射。
④將缺陷數(shù)據(jù)映射到BIM模型
經(jīng)過計算和坐標轉換，在數(shù)據(jù)庫中生成每個缺陷的數(shù)據(jù)，包括實際尺寸和位置信息。開發(fā)了一種將已識別缺陷的數(shù)據(jù)集成到BIM模型中的方法。本研究使用自定義參數(shù)化族對BIM模型中的建筑外墻缺陷進行建模，然后通過調(diào)整族參數(shù)來表示不同的缺陷。
創(chuàng)建的族可以將每個缺陷建模為具有缺陷特征的BIM對象。在映射過程中，從數(shù)據(jù)庫中檢索每個缺陷的像素信息，并將其作為BIM中缺陷對象的族參數(shù)導入。這樣，缺陷的位置和尺寸參數(shù)都與BIM模型集成，便于可視化和管理缺陷，便于后續(xù)維護。
Q4文章是如何驗證和解決問題的？
本研究提出了一種將外墻缺陷數(shù)據(jù)與BIM模型集成的方法。為了驗證該方法檢測建筑物外墻的有效性，本研究選擇了深圳大學土木與交通工程學院實驗樓的兩堵外墻，面積為23.2 m×18.8 m。
①圖像數(shù)據(jù)提取
首先，根據(jù)預設的UA V路徑平面圖，依次拍攝實驗樓的外墻，并按順序存儲圖像。然后，基于Python的方法自動提取每幅圖像的GPS坐標、圖像序列號、像素大小信息。提取的數(shù)據(jù)存儲在數(shù)據(jù)庫中，部分數(shù)據(jù)如表所示。
②WGS-84坐標到平面坐標的轉換
獲取待測外墻GPS坐標信息后，進一步轉換為平面坐標。由于目標建筑面積較小，因此提出了一種簡化的坐標轉換方法。
為了驗證所提出的坐標變換方法的準確性，本研究選擇了兩條直線段的起點和終點。預先測量這四個點（P1、P2、P3和P4）的經(jīng)緯度坐標以及兩條直線段的長度。然后，將兩組點的經(jīng)緯度坐標轉換為平面坐標，并再次計算轉換后的距離。
如表所示，點P1和P2之間的實際測量距離為9.96 m，而轉換為平面坐標后計算的距離為9.95885 m。同樣，P3和P4之間的測量距離為4.56 m，而轉換后計算的距離為4.55735 m？梢钥闯，誤差以毫米為單位，可以忽略不計，表明所提出的簡化坐標變換方法是有效的。
③平面坐標到BIM坐標的轉換
經(jīng)過一系列的坐標變換，所有真實的外墻位置信息在BIM模型中都有對應的點。最后，使用本文的開發(fā)方法，將點的位置自動轉換為BIM模型坐標。生成的部分數(shù)據(jù)如表所示。
④將缺陷數(shù)據(jù)與BIM模型集成
坐標變換后，使用經(jīng)過良好訓練的深度學習模型自動檢測UAV捕獲的每個圖像中的缺陷。深度學習模型的訓練過程中的損失如圖7所示，最終實現(xiàn)了收斂。最后，將訓練后的模型應用于本案例研究的UAV圖像中的裂紋檢測和特征提取。
圖7 深度學習模式培訓過程中的缺失
圖8示出了實驗室建筑外墻圖像中確定的部分裂縫。使用邊界框和概率得分對每個裂紋進行檢測和分割。從檢測結果中提取裂紋的特征（即尺寸和位置信息）。
圖8 使用經(jīng)過良好訓練的深度學習模型識別裂紋
最后，Dynamo從數(shù)據(jù)庫中提取先前生成的缺陷信息。根據(jù)每個裂紋像素的位置信息，在BIM模型的相應位置將每個裂紋建模為一個族。
所有缺陷均在相應位置繪制并生成，BIM模型中包含詳細信息，這有助于評估狀況并規(guī)劃維護活動。我們案例研究中的一個結果示例如圖9所示。UAV圖像中檢測到的外墻裂縫在模型中建模為BIM對象，如圖9（a）所示。BIM模型中的裂紋與圖像中的裂紋之間的比較如圖9（b）所示。通過這種方式，設施經(jīng)理可以有效地檢查特定建筑構件的缺陷，并將其與相關建筑信息相結合，以支持維護決策。
圖9
（a） 在BIM模型中映射和建模的裂紋，（b）圖像中的裂紋與BIM模型中的裂紋之間的比較
Q5文章有什么可取和不足之處？
邏輯結構：本文的outline呈現(xiàn)在下文：
1. Introduction
隨著使用年限的增加，高層建筑的外墻往往會出現(xiàn)各種各樣的缺陷，給安全帶來極大的風險。因此，對外墻缺陷進行安全檢查和管理，以便及時采取有效的維護措施，對于消除安全隱患，防止人員傷亡和經(jīng)濟損失非常重要
2. Related works
UAV在更新包括土木工程在內(nèi)的各個行業(yè)的安全管理實踐方面具有巨大潛力。BIM可以提供各個組件的全面數(shù)據(jù)以及三維可視化，因此可以大大提高建筑管理效率。
3. The Proposed Defect Detection and Mapping Framework
3.1 Preparatory work and data acquisition
介紹了準備工作的三個階段和UAV攝影點的位置與FOV中相應墻的中心點的關系
3.2 Coordinate transformation
上述轉換是在WGS84坐標系中進行的。然后，使用本文提出的方法，將WGS-84中分段墻區(qū)域中心點的坐標轉換為平面坐標，然后再轉換為BIM坐標。
3.3 Detection and localization of defects
介紹了如何將缺陷映射到BIM模型
3.4 Mapping defect data to BIM model
經(jīng)過計算和坐標轉換，在數(shù)據(jù)庫中生成每個缺陷的數(shù)據(jù)，包括實際尺寸和位置信息。本文開發(fā)了一種將已識別缺陷的數(shù)據(jù)集成到BIM模型中的方法。
4. Case Study
4.1.Extraction of image dat
根據(jù)預設的UAV路徑平面圖，依次拍攝實驗樓的外墻，并按順序存儲圖像。然后，基于Python的方法自動提取每幅圖像的GPS坐標、圖像序列號、像素大小信息。
4.2.Transformation of WGS-84 coordinate to plane coordinate
為了驗證所提出的坐標變換方法的準確性，本研究選擇了兩條直線段的起點和終點。預先測量這四個點（P1、P2、P3和P4）的經(jīng)緯度坐標以及兩條直線段的長度。然后，將兩組點的經(jīng)緯度坐標轉換為平面坐標，并再次計算轉換后的距離。
4.3.Transformation from plane coordinate to BIM coordinate
經(jīng)過一系列的坐標變換，所有真實的外墻位置信息在BIM模型中都有對應的點。
4.4. Integrating defect data with the BIM model
坐標變換后，使用經(jīng)過良好訓練的深度學習模型自動檢測UAV捕獲的每個圖像中的缺陷。
5. Conclusions
本研究提出了一種智能方法來檢測建筑物外墻31層的缺陷，并將缺陷映射到BIM模型進行管理。UAV用于捕獲建筑物墻壁的現(xiàn)狀，并從捕獲的圖像中提取相關信息。然后，提出了一種簡化的坐標轉換方法，將缺陷位置轉換為BIM模型中的坐標。同時，開發(fā)了一種基于深度學習的檢測模型來自動識別和定位圖像中的缺陷。最后，使用Dynamo將缺陷自動建模為BIM族對象。建模缺陷附有特定信息，并在BIM模型的相應位置可視化，使檢查員能夠有效評估結構狀況并規(guī)劃維護工程。
本文章節(jié)設置完整、內(nèi)容表述邏輯性強，文獻綜述部分劃分小節(jié)，內(nèi)容更詳細。特別是在UAV攝像頭參數(shù)與FOV之間的關系描述部分，運用大量示意圖加以表述，使讀者易于理解。在文章最后也分析了本文研究優(yōu)勢與局限性，有利于以后相關研究的發(fā)展。
研究方法：本文在第三章詳細介紹了缺陷檢測和映射框架，從中可以了解到基于UAV攝影測量自動獲取圖像信息并與BIM集成的建筑物外墻缺陷檢查和管理的流程。為了驗證所提出的坐標變換方法的準確性，以實例進行坐標轉換，取得實驗結果。
圖表形式：本文圖表種類多樣，內(nèi)容表述充實，不僅在架構介紹部分有流程圖加以解釋，也有實驗結果圖像化展示，有利于直觀的展現(xiàn)實驗結果另外還包括模型輪廓展示。
Q6文章對自身的研究有什么啟發(fā)？
本文提出了一個基于UAV和BIM的建筑外墻缺陷檢測和管理的通用框架，該框架也適用于其他結構的評估；開發(fā)了一種坐標轉換方法，將真實數(shù)據(jù)映射到BIM模型，具有較高的精度。因此，建筑外墻的表面缺陷被映射到BIM模型。該方法不僅適用于單個建筑物，也適用于其他基礎設施。這種方法可以為bim結合隧道損傷檢驗提供思路。
承擔因您的行為而導致的法律責任，
本站有權保留或刪除有爭議評論。
參與本評論即表明您已經(jīng)閱讀并接受
上述條款。