熊 琛，陳立斌，李林澤，許 鎮(zhèn)，趙楊平

基于計算機視覺與BIM的裂縫可視化管理方法

熊 琛1,2，陳立斌1,2，李林澤1,2，許 鎮(zhèn)3，趙楊平2

(1. 深圳大學中澳BIM與智慧建造聯(lián)合研究中心，廣東 深圳 518060；2. 深圳大學土木與交通工程學院，廣東 深圳 518060；3. 北京科技大學土木與資源工程學院，北京 100083)

對結(jié)構(gòu)表面裂縫進行持續(xù)檢監(jiān)測與管理對保障結(jié)構(gòu)安全具有重要意義。為實現(xiàn)結(jié)構(gòu)裂縫自動識別與管理，提出了一種基于計算機視覺與建筑信息模型(BIM)的裂縫識別、矢量化處理與可視化管理方法。首先基于深度學習的圖像識別方法，從相機拍攝的結(jié)構(gòu)表面圖像中提取出裂縫形態(tài)的柵格圖像；其次，提出了一種裂縫形態(tài)柵格圖像的自動矢量化方法，獲取裂縫形態(tài)關(guān)鍵點坐標；最終，使用Dynamo程序?qū)崿F(xiàn)裂縫BIM模型的自動建模與可視化。該方法可以獲取裂縫的拓撲形態(tài)信息，并顯著降低裂縫信息的存儲數(shù)據(jù)量與可視化難度。通過開展BIM構(gòu)件的碰撞分析，還可準確識別裂縫屬于結(jié)構(gòu)中的哪個構(gòu)件，將裂縫所屬的構(gòu)件編號信息與裂縫寬度信息作為裂縫圖元參數(shù)寫入BIM模型，實現(xiàn)裂縫矢量化與裂縫BIM模型自動化建模與管理，為大范圍、大批量的裂縫自動化檢監(jiān)測與管理提供參考。

裂縫識別；建筑信息模型；裂縫可視化；矢量化；計算機視覺

裂縫作為一種常見的結(jié)構(gòu)病害，會對結(jié)構(gòu)的承載力、耐久性造成不利影響。對結(jié)構(gòu)中裂縫進行持續(xù)的檢監(jiān)測與管理，監(jiān)控裂縫隨結(jié)構(gòu)齡期的發(fā)展情況，對保障結(jié)構(gòu)安全具有重要意義[1-2]。過去對結(jié)構(gòu)的裂縫檢測依賴人工的重復操作，缺少對裂縫進行統(tǒng)一可視化管理的方法。近年來，隨著深度學習等人工智能(artificial intelligence，AI)技術(shù)在各個行業(yè)領(lǐng)域的高速發(fā)展，基于AI技術(shù)的裂縫檢測方法不斷被提出。如YANG等[3]提出了一種基于全卷積網(wǎng)絡(fully convolution network，)的裂縫識別方法，可從相機拍攝的裂縫照片中識別并提取裂縫像素骨架及寬度信息；KANG等[4]利用faster-R-CNN的圖像分割方法，對圖像中存在的裂縫區(qū)域進行裁切，以避免復雜背景的不利影響；DAIS等[5]針對深度學習模型對表面材料類型較敏感的特性，提出了一種基于卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)的砌體表面裂縫識別方法；HUYAN等[6]則提出了一種基于CNN的像素級路面裂縫檢測識別方法CrackU-net。從上述研究可以發(fā)現(xiàn)，基于計算機視覺與AI技術(shù)的裂縫識別方法已經(jīng)具備一定的成熟度，特別在需要大范圍檢測裂縫時可以有效地簡化人工操作，提高工作效率。在裂縫等病害的可視化方面，許多基于建筑信息模型(building information modeling，BIM)的可視化方法也陸續(xù)被提出。如BORIN和CAVAZZINI[7]提出了一種將機器學習方法識別出的裂縫作為貼圖投影到BIM構(gòu)件表面的可視化方法；RIBEIRO等[8]通過識別無人機拍攝圖片中的結(jié)構(gòu)病害，并將病害以蒙版形式投影到BIM模型表面；LIU等[9]提出了以無人機圖片作為載體的裂縫可視化方法；KIM等[10]通過圖像識別裁剪橋梁裂縫，并將其投影到BIM模型上；HüTHWOHL等[11]則將鋼筋混凝土病害通過IFC4標準以貼圖形式集成到BIM模型上；CUONG等[12]提出了一種基于BIM，Unity與混合現(xiàn)實技術(shù)并以圖片為載體的橋梁病害可視化方法。以上使用完整裂縫柵格圖像進行可視化的方法雖然具有很好地展示度，但提取的裂縫柵格圖像(圖1(a))由大量像素點組成，存儲和可視化工作量較大，并且裂縫的語義信息缺失。而結(jié)構(gòu)健康狀態(tài)評估更關(guān)注裂縫的拓撲結(jié)構(gòu)、每段裂縫的寬度以及裂縫所處結(jié)構(gòu)的位置。因此如何對裂縫柵格圖像進行矢量化(圖1(b))，獲得裂縫的拓撲結(jié)構(gòu)、每段裂縫寬度以及裂縫所處位置具有重要的研究意義。在裂縫的矢量化方面，LIU等[13]通過裂縫分組方法，將地面裂縫柵格圖像從交點處分解為多個裂縫組，但該方法僅對裂縫進行了分組，并未得到裂縫的拓撲結(jié)構(gòu)；WENG等[14]基于曲率變化的裂縫分組與矢量化方法，沿裂縫像素點小曲率方向?qū)⒘芽p分解為多個裂縫組，并通過判斷像素點距離裂縫組首尾連線的垂直距離提取出裂縫骨架上的關(guān)鍵像素點。上述方法可以較好地將裂縫骨架柵格圖像分解為多個無分叉的裂縫組，但輸出的矢量化數(shù)據(jù)較為復雜，不易直接應用于BIM可視化流程。

圖1 裂縫柵格圖像與矢量圖像((a)柵格圖像；(b)矢量圖像)

綜上所述，本文首先基于深度學習的裂縫識別方法，獲得裂縫柵格圖像；其次，提出一種裂縫柵格圖像的矢量化方法，獲取裂縫關(guān)鍵點、裂縫拓撲結(jié)構(gòu)與每段裂縫寬度；最后，基于BIM技術(shù)，提出包含裂縫寬度等屬性數(shù)據(jù)的裂縫BIM可視化方法，實現(xiàn)裂縫拓撲形態(tài)展示與裂縫寬度、裂縫位置等屬性信息的統(tǒng)計與管理。本文方法的實現(xiàn)流程如圖2所示。

圖2 裂縫圖像矢量化與可視化流程圖

1 裂縫柵格圖像矢量化

基于深度學習的裂縫識別方法可以得到裂縫骨架的柵格圖像。柵格圖像的數(shù)據(jù)量較大，不便于存儲和管理。且柵格圖像不包含裂縫的語義信息，在實際的裂縫檢監(jiān)測工作中，往往更加關(guān)注裂縫的拓撲結(jié)構(gòu)、每段裂縫的寬度以及裂縫所處結(jié)構(gòu)的位置。裂縫圖像矢量化的過程將裂縫圖像中的非必要信息進行簡化，僅保留描述裂縫形態(tài)的關(guān)鍵點坐標、裂縫拓撲關(guān)系、裂縫平均寬度與最大寬度等屬性數(shù)據(jù)。該過程顯著縮減了裂縫形態(tài)的存儲數(shù)據(jù)量與裂縫渲染可視化工作量，并得到了裂縫拓撲關(guān)系、裂縫寬度與裂縫位置等語義信息，方便裂縫統(tǒng)計與管理。

本研究提出的裂縫矢量化方法包含裂縫柵格圖像獲取、裂縫關(guān)鍵點識別、裂縫分組與裂縫語義信息輸出4個步驟。

1.1 裂縫柵格圖像獲取

國內(nèi)外研究者提出了大量方法用于實現(xiàn)裂縫圖像中裂縫區(qū)域的識別，并輸出裂縫骨架的柵格圖像。文獻[3]基于FCN方法識別圖像中的裂縫區(qū)域，并輸出裂縫單像素寬骨架柵格圖像，如圖3所示。由于裂縫柵格圖像的自動獲取不是本文的主要研究內(nèi)容，所以本文基于文獻[3]方法，獲取裂縫柵格圖像。

值得注意的是，識別獲得的裂縫尺度是裂縫圖像中的像素尺度，其受圖像分辨率、鏡頭視野角、拍攝角度以及拍攝距離等多種因素影響。當拍攝距離越遠或圖像分辨率越小時，單位像素對應的實際尺寸越大。當拍攝角度不垂直于拍攝平面時，將導致單位像素對應的尺寸不一致。為減少以上因素的影響，本文所有圖像皆垂直于結(jié)構(gòu)表面拍攝，裂縫的實際尺寸可以通過鏡頭視野角、拍攝距離以及相機分辨率等參數(shù)進行標定。本文采用ZHANG[15]提出的相機標定方法，通過棋盤格平面標定相機圖像尺寸參數(shù)，對照片進行畸變修正[15]，最終得到不同拍攝距離d下，單位像素對應的實際尺寸α。

圖3 裂縫原始圖片與輸出骨架圖片[3] ((a)、(b)原始圖片；(c)、(d)輸出骨架圖片)

1.2 裂縫關(guān)鍵點識別

裂縫柵格圖像中的裂縫可為僅含有2個端點的單條裂縫(圖3(c))，也可為含有多個端點且具有交點的情況(圖3(d))。因此需要提取裂縫柵格圖像中的關(guān)鍵點，即裂縫的端點和交點。

裂縫關(guān)鍵點的識別流程如下：①對裂縫柵格圖像采用細化算法處理[16]，得到裂縫骨架的柵格圖像。此時所有裂縫均轉(zhuǎn)化為寬度為1個像素的裂縫骨架；②將裂縫柵格圖像中的裂縫像素點設(shè)為1，其余像素點設(shè)為0，可將裂縫圖像轉(zhuǎn)化為一個二維二值矩陣；③使用大小為3×3且元素全為1的矩陣作為卷積核，對該矩陣進行卷積運算。保留原矩陣中裂縫骨架像素位置上的數(shù)值，將其他位置數(shù)值均置為0，如圖4所示。在新矩陣中，數(shù)值2代表裂縫的端點，數(shù)值3代表中間點，大于3的數(shù)值代表裂縫的交點。

1.3 裂縫分組

基于已知的裂縫端點和交點的情況進行裂縫分組，其目的在于匯聚同一條裂縫的所有像素點。可將各個裂縫段分為以下3種類型：①從端點到端點；②從交點到交點；③從端點到交點或從交點到端點。

圖4 裂縫關(guān)鍵點識別示意圖

裂縫分組的流程為：

(1) 依次對裂縫的端點和交點進行判斷，若該點周圍3×3的8格范圍內(nèi)存在至少一個值為3的點，則將該點作為裂縫組的起點。若該點周圍不存在值為3的點，則將該點刪去。

(2) 從裂縫組的起點開始，沿值為3且未被分組的點逐點歸為同一組裂縫，直到遇到另一個交點或端點為止。

(3) 對于其他未被分組的裂縫端點與交點，重復步驟(1)和步驟(2)的過程，直至所有的裂縫端點與交點均處理完畢，如圖5所示。

圖5 裂縫分組示意圖((a)分組方法；(b)分組結(jié)果)

上述方法可以很好地獲取復雜裂縫網(wǎng)絡中每條細分裂縫的拓撲形態(tài)。為了更加準確地描述一條細分裂縫組的形狀，除裂縫的起點與終點外，還需要在每組裂縫的中段選取一定數(shù)量的點作為中間點。本文對每組裂縫采用等距離取點的方式提取中間點，主要流程如下：

(1) 設(shè)置一個基礎(chǔ)取點步長1，單位為像素數(shù)。

(2) 對于各組裂縫，為避免單條裂縫長度比基礎(chǔ)步長1的倍數(shù)略長時，位于末尾處的中間點與裂縫終點相距過短的情況，采用下述方法對取點步長進行調(diào)整，即

其中，??為對值向下取整；mod為求余計算。當式(1)中分段數(shù)量=0時，說明裂縫總長度小于取點步長，不需要進行中間點提取操作；當>0時，由式(2)求得按段分段后剩余的像素點數(shù)，并由式(3)和式(4)得到實際取點步長2和2。

(3) 從各組裂縫的起點開始取中間點，當前取點次數(shù)不大于時，每間隔2個像素點取一個點作為中間點，取點次數(shù)大于時，每間隔2個像素點取一個點作為中間點，直到該組裂縫結(jié)束。

上述方法可針對不同的裂縫長度調(diào)整實際取點步長，使劃分出的各小段裂縫的長度相對一致。

對圖3(c)和(d)所示的裂縫骨架圖進行關(guān)鍵點識別與分組測試。識別出的關(guān)鍵點中，裂縫端點用紅點表示，裂縫交點用藍點表示，如圖6(a)和(b)所示。裂縫進行分組后，對不同組裂縫采用不同的顏色表示，如圖6(c)和(d)所示。沿各組裂縫中段等距取中間點后，所有的裂縫矢量點用藍點表示，如圖6(e)和(f)所示。

值得注意的是，圖3(c)和(d)的裂縫柵格圖像中像素點數(shù)分別為331與362。經(jīng)過矢量化后圖6(e)和(f)的矢量點數(shù)分別為12和13。由此可知，通過矢量化操作，裂縫需要保存的坐標數(shù)據(jù)大幅減少，存儲和可視化工作量顯著下降。此外，通過矢量化操作，獲得了裂縫的拓撲關(guān)系，可以單獨分析每段裂縫所在的位置及寬度等信息，方便裂縫管理與評估決策。

1.4 裂縫語義數(shù)據(jù)輸出

基于裂縫的分組情況，采用文獻[3]方法，獲取每組裂縫柵格圖像上所有個像素處的像素寬度值，每組裂縫的最大像素寬度與平均像素寬度分別為

(6)

在已知拍攝距離的條件下，通過1.1節(jié)中計算得到的單位像素對應的實際尺寸，將裂縫的最大像素寬度max與平均像素寬度ave由式(7)和式(8)轉(zhuǎn)換為實際最大寬度與實際平均寬度，即

裂縫矢量化得到的矢量點坐標是原圖像位置的相對坐標，可通過在圖像拍攝范圍內(nèi)放置定位標志的方式獲取圖像在BIM模型中的位置，從而將關(guān)鍵點坐標轉(zhuǎn)化為BIM模型中的全局坐標。裂縫圖像上所有的矢量點坐標按裂縫分組情況分別輸出，見表1。

表1 裂縫矢量點數(shù)據(jù)輸出示例(mm)

2 基于Revit的裂縫可視化

基于照片的裂縫可視化包含大量不必要的環(huán)境數(shù)據(jù)，不利于大范圍、長時間的裂縫監(jiān)測數(shù)據(jù)存儲與傳輸。本文基于裂縫矢量數(shù)據(jù)的可視化方法包含2部分：①根據(jù)裂縫矢量點坐標在Revit中進行裂縫的建模，并將寬度信息作為屬性信息賦予對應的裂縫圖元；②將裂縫與BIM結(jié)構(gòu)構(gòu)件進行碰撞檢測，判斷裂縫所屬的構(gòu)件編號并作為屬性信息賦予對應的裂縫圖元。

為實現(xiàn)裂縫位置、寬度等信息在BIM模型中的可視化處理，使用Dynamo可視化編程在Revit中對裂縫進行處理與建模。Dynamo作為Revit的一款插件，可以通過可視化編程的方式操作Revit，實現(xiàn)如數(shù)據(jù)處理、圖形建模、數(shù)據(jù)導出、導入等工作。裂縫可視化流程如圖7所示。

圖7 基于Dynamo的裂縫可視化流程圖

2.1 基于Dynamo的裂縫數(shù)據(jù)導入與建模

本文采用Dynamo編程實現(xiàn)裂縫可視化模型的自動建立。Dynamo的裂縫數(shù)據(jù)導入建模主要分為5步：

(1) 從Excel表格導入裂縫數(shù)據(jù)。在Dynamo中調(diào)用Data.ImportExcel節(jié)點，將裂縫數(shù)據(jù)所在的表格讀取為二維數(shù)組并進行處理。將矢量點坐標與寬度信息分離為2個單獨的數(shù)組。

(2) 由矢量點坐標在Dynamo中生成各組裂縫的點集?；赗evit的坐標系對矢量點坐標進行坐標系轉(zhuǎn)換后，將各列坐標分別輸入Point.ByCoordinates節(jié)點的，和接口中，將矢量點坐標轉(zhuǎn)化為三維空間中的點集。其中和對應矢量點的水平坐標和裂縫所在墻面平面的坐標，對應矢量點的豎直坐標，如圖8(a)所示。

(3) 將各組裂縫矢量點集逐點連接成線段。對于每一組點集，使用步長為1的List.Sublists節(jié)點將各組點集分離為2個一組的點，其中裂縫末尾的點組僅有1個點。調(diào)用Line.ByStartPointEndPoint節(jié)點，將組中的2個點連接為線段。

調(diào)用List.Chop節(jié)點將得到的線段集進行分組，每組元素的數(shù)量為步驟(2)中該組點的個數(shù)。去除組內(nèi)空值后結(jié)果如圖8(b)所示。

(4) 按線段在Revit中放置裂縫模型。在Revit中創(chuàng)建一個裂縫的族，新建需要賦值的參數(shù)并導入到模型中。調(diào)用StructuralFraming.BeamByCurve節(jié)點，按代表裂縫的線段方向與長度，自動放置指定的裂縫圖元，如圖8(c)所示。

(5) 寬度參數(shù)賦值。調(diào)用SetParameterByName節(jié)點，將裂縫的平均寬度與最大寬度數(shù)據(jù)按參數(shù)名稱賦值給對應組別的裂縫圖元。

圖8 Dynamo關(guān)鍵節(jié)點數(shù)據(jù)((a)裂縫矢量點坐標；(b)裂縫線段分組；(c)裂縫模型生成；(d)碰撞判斷)

以圖3(c)和(d)所示的裂縫骨架圖像為例，在Revit簡易二維框架模型中使用Dynamo程序進行數(shù)據(jù)導入與建模，效果如圖9(a)和(b)所示。

2.2 裂縫位置判斷

裂縫在結(jié)構(gòu)中所處的位置對評估結(jié)構(gòu)安全性具有重要影響。例如建筑物表面的裂縫可依據(jù)其所在位置分為結(jié)構(gòu)裂縫和非結(jié)構(gòu)裂縫。其中位于結(jié)構(gòu)構(gòu)件上的裂縫對結(jié)構(gòu)產(chǎn)生的影響往往大于非結(jié)構(gòu)構(gòu)件上的裂縫。本文在對結(jié)構(gòu)表面的裂縫進行矢量化與可視化的基礎(chǔ)上，通過已有BIM模型與Dynamo程序，對裂縫依據(jù)其是否位于結(jié)構(gòu)構(gòu)件上進行了自動化分類。

(b)

調(diào)用Dynamo中的Geometry.DoesIntersect節(jié)點進行裂縫的位置判斷。該節(jié)點可以判斷2個幾何圖形間是否發(fā)生碰撞，并返回相應的布爾值。

對于Revit模型中的主要結(jié)構(gòu)構(gòu)件，如梁、柱、墻等，調(diào)用Element.Geometry節(jié)點將模型轉(zhuǎn)化為對應的幾何圖形。將代表各類主要構(gòu)件的幾何圖形與代表裂縫的線段組進行碰撞檢測。其中Geometry. DoesIntersect節(jié)點的連綴屬性設(shè)置為叉積，使每段裂縫與所有的主要構(gòu)件均進行碰撞判斷，如圖8(d)所示。

碰撞判斷得到的布爾值見表2。其中當?shù)谛信c第列的值為Ture時，表示第條裂縫與第個構(gòu)件存在碰撞，即認為該裂縫屬于此構(gòu)件。之后調(diào)用List.FilterByBoolMask節(jié)點將所有裂縫的一維列表與上述布爾值列表做遮罩運算，可得到各構(gòu)件上存在哪些裂縫的二維列表，其中第列的所有元素即為位于第個構(gòu)件上的所有裂縫模型編號。最后調(diào)用SetParameterByName節(jié)點，將各列構(gòu)件的編號與類型編號作為屬性數(shù)據(jù)賦予該構(gòu)件對應的裂縫。裂縫位置判斷的流程如圖10所示。

表2 碰撞判斷輸出結(jié)果

圖10 裂縫位置判斷流程圖

2.3 裂縫參數(shù)篩選

本文基于Dynamo程序，可以實現(xiàn)結(jié)構(gòu)裂縫或?qū)挾却笥谝欢ㄖ档牧芽p篩選與展示。

調(diào)用Dynamo中的GetParameterValueByName節(jié)點獲取全部裂縫模型的寬度與位置參數(shù)。通過Number Slider節(jié)點創(chuàng)建一個滑條，用于輸入篩選的數(shù)值。當裂縫的寬度值大于輸入值，或位置參數(shù)等于輸入值時，通過OverrideColorInView節(jié)點將符合條件的圖元顏色設(shè)置為紅色。如高亮所有寬度大于0.3 mm的裂縫(圖11(a))，或高亮所有結(jié)構(gòu)裂縫(圖11(b))。

圖11 裂縫參數(shù)篩選效果((a)高亮大寬度裂縫；(b)高亮結(jié)構(gòu)裂縫)

3 實例測試

為測試本文提出的裂縫矢量化與可視化方法在實際環(huán)境下處理大量復雜裂縫的可行性，對深圳某一鋼筋混凝土框架結(jié)構(gòu)的白色外隔墻開展案例分析。該墻體由于缺少防護，受到風雨日曬與濱海環(huán)境的影響，表面具有大量裂縫，有較好的代表性。本文對該白色外墻進行了拍攝取材，案例墻面原圖如圖12(a)所示。

本文基于現(xiàn)有的裂縫識別方法對圖12(a)進行識別，提取出裂縫柵格圖像，如圖12(b)所示。值得注意的是，照片中部分微小裂縫受限于分辨率與識別方法的原因不能被完整識別，但由于柵格圖像的獲取不是本研究的主要內(nèi)容，因此忽略了未被識別出的微小裂縫。

圖12 裂縫案例圖片與裂縫骨架柵格圖片((a)案例原始圖片；(b)裂縫骨架柵格圖片)

使用矢量化方法，對圖12(b)的柵格圖像進行矢量化處理，識別出圖像中的裂縫關(guān)鍵點與矢量點，將矢量點以藍色繪制，如圖13(a)所示。該案例中裂縫骨架柵格圖像的像素數(shù)為7 808，矢量化后的矢量點數(shù)為423，減少了約95%的數(shù)據(jù)量。

圖13 裂縫矢量化與可視化效果((a)裂縫矢量化效果；(b)裂縫可視化效果)

使用可視化方法，通過Dynamo將裂縫矢量點坐標導入Revit 2018中，并對裂縫進行建模與參數(shù)寫入?？梢暬Ч鐖D13(b)所示，可見在Revit的可視化結(jié)果上基本還原了裂縫柵格圖像的形態(tài)。雖然該墻面的裂縫拓撲結(jié)構(gòu)較為復雜，但本文的方法仍可以較好地識別裂縫的關(guān)鍵點，并對每段裂縫進行分組。圖13(b)與圖11的可視化結(jié)果顯示，本文方法可以在建筑墻體BIM模型中清晰展示墻面裂縫，并能高亮裂縫寬度大于設(shè)定閾值的裂縫以及位于結(jié)構(gòu)構(gòu)件表面的裂縫。

4 結(jié)束語

本文提出了一種基于計算機視覺與BIM模型的裂縫矢量化與可視化管理方法。該方法主要實現(xiàn)了以下功能：

(1)提出了一種裂縫柵格圖像矢量化方法，使用描述裂縫形態(tài)的矢量點替代連貫的裂縫像素。提取出的矢量點數(shù)量可降至裂縫柵格圖像中的像素點數(shù)量的5%，顯著降低了數(shù)據(jù)存儲量與可視化工作量。

(2)提出的裂縫矢量化獲取了裂縫的拓撲信息，并可通過對應的圖片尺度與BIM碰撞分析提取出裂縫段的實際寬度與所屬構(gòu)件編號等語義信息。

(3)提出了一種在Revit中可視化裂縫的方法。通過Dynamo程序?qū)α芽p矢量點進行處理建模，可以在BIM模型中清晰地展示矢量裂縫形態(tài)。同時可對裂縫參數(shù)進行篩選，高亮顯示并導出所有寬度大于某一閾值的裂縫或所有位于結(jié)構(gòu)構(gòu)件上的裂縫，為裂縫的集中管理與評估提供便利。

本文方法也存在需要繼續(xù)優(yōu)化改進的地方。如相機定位依賴人工完成，并且對于面積較大的待測區(qū)域需實現(xiàn)多張拍攝圖片的自動拼接。以上問題期望在未來的研究中持續(xù)改進與完善。

[1] 國務院. 建設(shè)工程抗震管理條例[EB/OL]. (2021-08-04) [2022-02-20]. http://www.gov.cn/zhengce/content/2021-08/04/ content_5629341.htm.

State Council of the People’s Republic of China. Construction seismic management regulations[EB/OL]. (2021-08-04) [2022-02-20]. http://www.gov.cn/zhengce/content/2021-08/04/content_5629341.htm (in Chinese).

[2] 國務院. 城市安全風險綜合監(jiān)測預警平臺建設(shè)指南(試行) [EB/OL]. (2021-10-09) [2022-02-20]. https://www.mem.gov.cn/ gk/zfxxgkpt/fdzdgknr/202110/t20211009_399738.shtml.

State Council of the People’s Republic of China. City safety risks monitoring and early warning platform construction Guide(Trial)[EB/OL]. (2021-10-09) [2022-02-20]. https://www.mem.gov.cn/gk/zfxxgkpt/fdzdgknr/202110/t20211009_399738.shtml (in Chinese).

[3] YANG X C, LI H, YU Y T, et al. Automatic pixel-level crack detection and measurement using fully convolutional network[J]. Computer-Aided Civil and Infrastructure Engineering, 2018, 33(12): 1090-1109.

[4] KANG D, BENIPAL S S, GOPAL D L, et al. Hybrid pixel-level concrete crack segmentation and quantification across complex backgrounds using deep learning[J]. Automation in Construction, 2020, 118: 103291.

[5] DAIS D, BAL ? E, SMYROU E, et al. Automatic crack classification and segmentation on masonry surfaces using convolutional neural networks and transfer learning[J]. Automation in Construction, 2021, 125: 103606.

[6] HUYAN J, LI W, TIGHE S, et al. CrackU-net: a novel deep convolutional neural network for pixelwise pavement crack detection[J]. Structural Control and Health Monitoring, 2020, 27(8): e2551:1-e2551:19.

[7] BORIN P, CAVAZZINI F. Condition assessment of RC bridges. Integrating machine learning, photogrammetry and BIM[C]//The 27th CIPA International Symposium. ávila: Copernicus Publications, 2019: 201-208.

[8] RIBEIRO D, SANTOS R, SHIBASAKI A, et al. Remote inspection of RC structures using unmanned aerial vehicles and heuristic image processing[J]. Engineering Failure Analysis, 2020, 117: 104813.

[9] LIU Y F, NIE X, FAN J S, et al. Image-based crack assessment of bridge piers using unmanned aerial vehicles and three-dimensional scene reconstruction[J]. Computer-Aided Civil and Infrastructure Engineering, 2020, 35(5): 511-529.

[10] KIM I H, JEON H, BAEK S C, et al. Application of crack identification techniques for an aging concrete bridge inspection using an unmanned aerial vehicle[J]. Sensors: Basel, Switzerland, 2018, 18(6): 1881.

[11] HüTHWOHL P, BRILAKIS I, BORRMANN A, et al. Integrating RC bridge defect information into BIM models[J]. Journal of Computing in Civil Engineering, 2018, 32(3): 04018013:1-04018013:14.

[12] CUONG N D, SHIM C, NGUYEN Q, et al. Developing a mixed-reality based application for bridge inspection and maintenance[EB/OL]. [2021-12-17]. https://www.researchgate. net/publication/344712014_Developing_a_mixed-reality_based_application_for_bridge_inspection_and_maintenance.

[13] LIU C, TANG C S, SHI B, et al. Automatic quantification of crack patterns by image processing[J]. Computers & Geosciences, 2013, 57: 77-80.

[14] WENG X X, HUANG Y C, WANG W Z. Segment-based pavement crack quantification[J]. Automation in Construction, 2019, 105: 102819.

[15] ZHANG Z. A flexible new technique for camera calibration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(11): 1330-1334.

[16] ZHANG T Y, SUEN C Y. A fast parallel algorithm for thinning digital patterns[J]. Communications of the ACM, 1984, 27(3): 236-239.

Crack visualization management method based on computer vision and BIM

XIONG Chen1,2, CHEN Li-bin1,2, LI Lin-ze1,2, XU Zhen3, ZHAO Yang-ping2

(1. Sino-Australia Joint Research Center in BIM and Smart Construction, Shenzhen University, Shenzhen Guangdong 518060, China; 2. College of Civil and Transportation Engineering, Shenzhen University, Shenzhen Guangdong 518060, China; 3. School of Civil and Resource Engineering, University of Science and Technology Beijing, Beijing 100083, China)

Continuous monitoring and management of structural surface cracks is important to structural safety. To achieve automated structural crack identification and management, a series of crack identification, vectorization, and visualization methods were proposed based on computer vision and building information modeling (BIM). Firstly, the raster images of crack skeleton were extracted from structure surface images based on a deep learning method. Secondly, an automated vectorization method for the raster images of crack skeleton was proposed to obtain the coordinates of key points of cracks. Finally, the automated modeling and visualization of cracks were realized using Dynamo programming on BIM platform. The proposed crack vectorization method can obtain the topological information of cracks and significantly reduce the amount of stored data, thus facilitating crack visualization. In addition, through the collision analysis of BIM components, to which components the cracks belonged to can be easily identified. The component information and the crack width information can be stored as attribute data of each crack. The proposed method can attain an automated crack vectorization and visualization, providing a useful reference for large-scale crack identification and management.

crack identification; building information modeling; crack visualization; vectorization; computer vision

4 November，2021；

Guangdong University Student Science and Technology Innovation Cultivation Special Fund Project (pdjh2020b0505); National Key R&D Program of China (2021YFF0501002); Beijing Municipal Natural Science Foundation (8212011)

XIONG Chen (1990-), associate professor, Ph.D. His main research interests cover earthquake engineering and urban disaster reduction. E-mail：xiongchen@szu.edu.cn

TP 391

10.11996/JG.j.2095-302X.2022040721

A

2095-302X(2022)04-0721-08

2021-11-04；

2022-02-24

24 February，2022

廣東大學生科技創(chuàng)新培育專項資金項目(pdjh2020b0505)；國家重點研發(fā)計劃課題(2021YFF0501002)；北京市自然科學基金面上項目(8212011)

熊 琛(1990-)，男，副教授，博士。主要研究方向為地震工程與城市防災。E-mail：xiongchen@szu.edu.cn

許 鎮(zhèn)(1986-)，男，教授，博士。主要研究方向為城市數(shù)字防災。E-mail：xuzhen@ustb.edu.cn

XU Zhen (1986-), professor, Ph.D. His main research interest covers urban digital disaster prevention. E-mail：xuzhen@ustb.edu.cn