摘要：水利工程施工進度是工程建設方關注的重要事項。為實現(xiàn)水閘工程的智慧化建設，基于BIM技術和圖像識別技術提出了一種虛實結(jié)合的閘墩澆筑高度識別方法。通過BIM技術建模，生成了包含不同閘墩澆筑高度的虛擬圖像數(shù)據(jù)集；利用深度學習的目標檢測算法YOLOv5對虛擬數(shù)據(jù)集進行訓練，得到能準確識別不同澆筑高度閘墩的智能模型。在實驗室搭建具有不同澆筑高度的閘墩模型，通過攝像機拍攝獲取不同高度閘墩的實景圖像，再利用該智能識別模型對實景圖像進行驗證。研究結(jié)果表明，該模型能夠準確識別實際場景中閘墩的澆筑高度，可廣泛應用于水利工程主體建筑物的實際施工進度識別，為數(shù)字孿生水利工程建設提供有效的模型支持。

關 鍵 詞：水閘閘墩； BIM； YOLOv5； 計算機視覺技術； 深度學習

中圖法分類號： TV511

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.09.032

0 引 言

水閘閘墩是支撐閘門和上部結(jié)構的重要建筑物，為確保安全運行，需嚴格控制施工進度和質(zhì)量，尤其是澆筑高度的控制至關重要。對于大體積閘墩，多采用分層澆筑，以減少裂縫和加快施工進度［1］。在澆筑過程中，混凝土流動性差、熱脹冷縮、模具變形等導致閘墩高度不足或者超高問題。必須通過有效的管理措施，嚴格控制水閘閘墩的每次澆筑高度。除使用模板來控制分層澆筑高度，傳感器技術也被應用于此，例如方宏偉等人發(fā)明了基于壓力傳感的混凝土澆筑高度控制桿［2］，但采用有線方式采集數(shù)據(jù)，可能會引起施工不便和干擾。因此，探索采集非接觸方式的建筑信息模型（Building Information Modeling，BIM）和圖像識別技術來進行閘墩澆筑高度識別是有意義的，這種方法可以提供更高的準確性和可追溯性，同時也有提高施工效率的潛力。另外，它還可以減少人為操作帶來的誤差并且降低人工成本。

BIM技術可將施工計劃和進度表現(xiàn)為三維數(shù)字模型。王勝軍采用BIM技術將施工信息高效整合，通過不同階段的比對，實現(xiàn)施工進度的控制和管理［3］。李瑛等用循環(huán)網(wǎng)絡建立圍堰施工運輸仿真模型，結(jié)合BIM技術實現(xiàn)優(yōu)化方案施工可視化［4］。陳麗芳借助BIM技術促進設計與施工一體化，通過對上海市張涇河南延伸整治工程的研究，驗證了設計BIM模型在施工階段應用的可行性［5］。李成等通過BIM技術，在都勻市大河水庫工程施工中實現(xiàn)了施工布置、場地規(guī)劃、工藝模擬和4D仿真等應用［6］。因此，BIM技術的數(shù)字化建模能力可助力水利工程施工進度控制。

圖像識別技術涵蓋分類、目標檢測和圖像分割。水利行業(yè)中，此技術主要應用在三維預測、水位監(jiān)測、河道流速測量、遙感水體識別等［7］。趙薛強等研發(fā)無人機巡檢系統(tǒng)，利用圖像識別等技術提高水利工程監(jiān)管效率，實現(xiàn)巡檢數(shù)據(jù)實時可視化，為防汛和監(jiān)管提供強有力支持［8］。其中，目標檢測旨在識別并定位圖像或視頻中的特定物體。自2014年R.Girshick就R-CNN提出“兩階段檢測”后，出現(xiàn)了SPP、Fast R-CNN、Faster R-CNN、FPN等方法［9-13］。2015年后，基于深度學習的一階段目標檢測器如YOLO、RetinaNet相繼涌現(xiàn)［14］。常見算法見表1。

1 YOLO算法

YOLO是一種高效、快速、準確的實時目標檢測算法，已廣泛應用于多個領域。Zhang等采用YOLOv3算法，自制數(shù)據(jù)集，結(jié)合預訓練權重和Focal loss，優(yōu)化橋梁病害檢測效果［15］。向偉等使用YOLOv4模型訓練檢測含硫天然氣中的火焰和煙霧，平均精度達99.62%，為井站火災預警和救援偵察提供新方法［16］。張楠楠等在YOLOv7基礎上，引入CBAM注意力機制，顯著提高了對黃萎病、棉盲蝽、紅蜘蛛棉葉病蟲害圖像的檢測準確率［17］。其中，YOLOv5是一種輕量級網(wǎng)絡結(jié)構，采用自適應多尺度訓練和各種數(shù)據(jù)增強技術，以提高模型的魯棒性和泛化性［18-19］，整個網(wǎng)絡結(jié)構可以分為3個主要部分：Backbone主干層、Neck特征融合層和Head檢測層［20］。

YOLOv5使用多種算法和技術來提高模型性能。數(shù)據(jù)增強方面，采用Mosaic、CutMix和MixUp等技術來豐富訓練集；采用組合損失函數(shù)進行優(yōu)化，包括交叉熵損失和L1損失；超參數(shù)方面采用多尺度訓練、自適應步長調(diào)整等技術，同時使用小批量隨機梯度下降（mini-batch stochastic gradient descent）和動量優(yōu)化器（momentum optimizer）等訓練技巧。評價指標方面，使用PmA和F1-score來評估模型性能。相應的計算公式如下：

交叉熵損失函數(shù)：

LCE=－1NNi=1Cj=1yijlgy^ij+1－yijlg1－y^ij（1）

式中：N為訓練樣本數(shù)，C為類別數(shù)，yij表示第i個樣本的第j個類別是否存在，y^ij為網(wǎng)絡預測的該類別存在的概率。

L1損失函數(shù)：

L1=Ni=1j∈{xywh}yij－y^ij（2）

式中：j表示邊界框的4個坐標（中心點x，y和寬高w，h）。

PmA：

PA=∫10P（R）dR（3）

PmA=1nni=1PAi（4）

F1：

F1=2（P×R）/（P+R）（5）

式中：PA表示單個檢測類別的精度；P表示所有被預測為正的樣本中實際為正樣本的概率；R表示實際為正的樣本中被預測為正樣本的概率；PmA表示所有檢測類別的平均精度。

模型評價指標見表2。

2 水閘閘墩施工進度控制

準確及時了解閘墩的澆筑高度是水利工程施工中不可或缺的一項任務，它對工程的進度和質(zhì)量具有重要的影響。本文利用BIM技術創(chuàng)建閘墩的三維模型，并設置不同的高度參數(shù)，根據(jù)施工組織設計得到閘墩在不同高度下的虛擬圖像集合；然后，通過應用基于圖像識別技術的目標檢測算法YOLOv5分析學習虛擬圖像，得到能夠識別閘墩澆筑高度的智能識別模型；最后，在實驗室制作閘墩模型獲取閘墩實際澆筑高程圖片集合，再用訓練好的算法模型對閘墩實際澆筑高程圖像集進行檢測，從而預測閘墩在施工過程中的高度。

2.1 閘墩澆筑高程虛景圖像

使用Revit和Lumion軟件對水閘閘墩進行建模和渲染。在Revit中進行建模，并將其導入Lumion進行渲染。調(diào)整太陽高度、亮度和物體材質(zhì)等參數(shù)，以盡可能準確地還原實驗室場景，如圖1。然后在Lumion中調(diào)整攝像機的角度和高度，使其與實驗室場景一致，并錄制視頻，生成閘墩澆筑高度變化的虛景圖像集。

2.2 閘墩澆筑高程實景圖像

作為方法研究及模型驗證，本文采用在實驗室搭建實體模型的方法來獲取閘墩澆筑高度實景圖像集。根據(jù)某水閘閘墩實際尺寸按1∶5比例縮放，尺寸見圖2。采用XPS擠塑料板作為模型制作材料，按圖2尺寸進行切割，每2塊粘貼后作為一個閘墩模型單元，厚度10 cm，并在中間高度位置粘貼2 cm寬紅色膠帶作為識別標記，見圖3。通過疊加不同的閘墩模型單元，可以模擬閘墩澆筑到不同高程的狀態(tài)，同時通過攝像機記錄不同高程的視頻圖像，見圖4。

2.3 虛實結(jié)合對比中的關鍵問題

在利用虛景圖像集進行閘墩澆筑高度識別模型訓練時，可能會遇到類別數(shù)量分布不均勻和數(shù)據(jù)集多樣性不足的問題。為了解決這些問題，可以在制作標簽時每類取同等數(shù)量的照片，并且進行數(shù)據(jù)增強和遷移學習。同時，虛景和實景之間存在微小差異，如色彩、紋理和環(huán)境光照度等問題，這里選用YOLOv5算法，并優(yōu)化預處理算法，以便更好地觀察虛實物體的角度和距離微差，從而更好地處理虛實差異性問題。

3 基于YOLOv5算法的閘墩高度識別

考慮到施工現(xiàn)場的復雜環(huán)境和噪音干擾，采用基于深度學習的目標檢測算法YOLOv5。以下為基于此算法進行閘墩識別的流程，如圖5所示。

3.1 數(shù)據(jù)集準備

對于YOLOv5算法來說，所有虛景照片中的每一根紅色條帶都為相同目標，所以檢測類別為單類別。但是虛景照片因為紅色條帶的數(shù)量不同，共分為10類，即10個不同高度。通過Labelming軟件對不同類別同等數(shù)量的圖片作出標注便可解決數(shù)據(jù)集類別分布不均勻的問題。標注后生成僅包含一個類別“red”標注信息的xml文件。利用鏡像、模糊、亮度調(diào)整、旋轉(zhuǎn)等方式擴充數(shù)據(jù)集和模擬真實環(huán)境，并轉(zhuǎn)換成模型訓練所需的文件格式（txt格式）。將數(shù)據(jù)集劃分為訓練集（80%）和驗證集（20%）集，制作可供模型訓練的數(shù)據(jù)集coco.yaml。變換方式見表3。數(shù)據(jù)集照片見圖6。

3.2 模型選擇及訓練

采用官網(wǎng)預先訓練好的yoyo5s.pt輕量級模型，并使用處理過后的數(shù)據(jù)集進行遷移學習。模型訓練時，設置每批處理尺寸為16，模型訓練迭代次數(shù)為200，預設一組超參數(shù)并自動進行超參數(shù)調(diào)優(yōu)。訓練時，模型會通過Mosaic數(shù)據(jù)增強技術，將4張隨機選取的訓練圖像組合成一張新的訓練圖像，見圖7。圖上的檢測框為實際邊界框（真實框），0表示類別“red”。

3.3 模型評價

通過對不同超參數(shù)訓練的模型進行評價，可得到最優(yōu)模型。評價指標見圖8。

在本次研究中，考慮采用平均精度PmA對模型進行評價。由PmA曲線圖可以看出，模型在訓練初期很快收斂。說明模型在前幾輪訓練中學習到了大量的特征，使其能夠很快地準確地識別目標。隨著訓練次數(shù)的增加，模型在優(yōu)化參數(shù)和減小損失方面變得越來越困難，因此在訓練后期，PmA值的增長速度會變得緩慢。PmA_0.5和PmA_0.5：0.95為常用的兩種指標，分別表示置信度閾值為0.5和0.5～0.95的平均精度均值。兩個指標的變化趨勢類似，其中在閾值為0.5的時候，PmA曲線最終趨近于0.995，說明模型在不同的值下都能夠達到較高的檢測精度，即模型正確分類閘墩高度的能力和檢測出所有閘墩上紅色條帶的能力很強。同樣，模型的精度和召回率都很快收斂并且都趨近于1，表明訓練的模型在閘墩檢測任務表現(xiàn)出了很高的準確性和可靠性。在3類損失上，box_loss和obj_loss曲線快速下降并趨近于0，表明模型在訓練過程中能夠準確地識別和定位圖像中的目標對象，并且有效地減少了誤檢和漏檢的情況，模型表現(xiàn)出了較高的穩(wěn)定性和魯棒性，能夠適應不同的數(shù)據(jù)集和環(huán)境。而cls_loss恒為0是因為只有“Red”這一個類別。綜上，該模型是一個優(yōu)秀的模型，能夠準確識別出紅色條帶。

3.4 模型驗證

使用已訓練好的YOLOv5模型對實景照片進行檢測，并新增了紅色條數(shù)和高度信息的輸出。這些信息通過計算檢測框數(shù)量獲得，并在圖像左上角顯示，以便用戶查看?？梢园l(fā)現(xiàn)預測結(jié)果與實際情況相符，證明了模型的準確性和有效性，如圖9所示。

4 結(jié) 語

本文利用YOLOv5算法進行閘墩澆筑高度圖像識別，通過實驗表明該技術具有較高的識別精度。同時，本文還采用BIM技術模擬水工建筑物施工過程，獲取虛擬圖像集，并利用圖像識別技術對其進行訓練得到識別模型。此模型能夠?qū)嶋H施工過程中采集的圖像進行識別，從而實現(xiàn)對施工進度的監(jiān)測。這一研究思路具有廣泛的推廣應用價值，可為水利工程領域提供一種新的數(shù)字化施工管理方法，實現(xiàn)更高效、精準的施工進度監(jiān)測。

參考文獻：

［1］ 譚峰屹，何坦，郭留鋒，等.長江流域水閘工程安全運行專項監(jiān)督檢查分析［J］.人民長江，2023，54（增1）：25-28.

［2］ 方宏偉，王寬，李路平，等.一種基于壓力傳感的混凝土分層澆筑高度控制桿：CN215803295U［P］.2022-02-11.

［3］ 王勝軍.BIM4D虛擬建造在施工進度管理中的應用［J］.人民黃河，2019，41（3）：145-149.

［4］ 李瑛，林楚凌，惠建偉，等.邕寧水利樞紐一期臨時土石圍堰施工仿真及BIM可視化［J］.中國農(nóng)村水利水電，2020（5）：92-97，102.

［5］ 陳麗芳.主流BIM平臺在水利工程設計施工中的應用研究［J］.人民長江，2021，52 （2）：128-131，136.

［6］ 李成，王奮，江濤.BIM技術在大河水庫工程施工階段中的應用［J］.水電站機電技術，2021，44（3）：78-81.

［7］ 李濤，徐高，梁思涵，等.人工智能圖像識別在水利行業(yè)的應用進展［J］.人民黃河，2022，44（11）：163-168.

［8］ 趙薛強，凌峻.無人機自動巡檢智慧監(jiān)控系統(tǒng)研究與應用［J］.人民長江，2022，53 （6）：235-241.

［9］ GIRSHICK R，DONAHUE J，DARRELL T，et al.Region-based convolutional networks for accurate object detection and segmentation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，38 （1）：142-158.

［10］HE K，ZHANG X，REN S，et al.Spatial pyramid pooling in deep convolutional networks for visual recognition［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37 （9）：1904-1916.

［11］GIRSHICK R.Fast r-cnn［C］∥Proceedings of the IEEE international conference on computer vision，2015：1440-1448.

［12］REN S，HE K，GIRSHICK R，et al.Faster R-CNN：towards real-time object detection with region proposal networks［C］∥IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，39 （6）：1137-1149.

［13］LIN T-Y，DOLLR P，GIRSHICK R，et al.Feature pyramid networks for object detection［C］∥Proceedings of the IEEE conference on computer vision and pattern recognition，2017：2117-2125.

［14］REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：Unified，real-time object detection［C］∥Proceedings of the IEEE conference on computer vision and pattern recognition，2016：779-788.

［15］ZHANG C，CHANG C，JAMSHIDI M.Concrete bridge surface damage detection using a single4S4T1aUKUIJh3nX/fqK/3cu+5TbsCvN6LRqmZTSvFXw= stage detector［J］.Computer Aided Civil and Infrastructure Engineering，2020，35（4）：389-409.

［16］向偉，龔云洋，李華昌，等.YOLO V4模型在含硫井站火焰和煙霧檢測中的應用［J］.機械設計與制造，2024（1）：261-264.

［17］張楠楠，張曉，白鐵成，等.基于CBAM-YOLO v7的自然環(huán)境下棉葉病蟲害識別方法［J］.農(nóng)業(yè)機械學報，2023，54（增1）：239-244.

［18］楊鋒，丁之桐，邢蒙蒙，等.深度學習的目標檢測算法改進綜述［J］.計算機工程與應用，2023，59（11）：1-15.

［19］段升位，程欣宇，王浩舟，等.基于改進的YOLOv5的大壩表面病害檢測算法［J］.計算機應用，2023，43（8）：2619-2629.

［20］王洪義，孔梅梅，徐榮青.基于改進YOLOV5的火焰檢測算法［J］.計算機與現(xiàn)代化，2023（1）：103-107.

（編輯：鄭 毅）

Intelligent identification method of pouring height of sluice pier based on BIM and YOLOv5

LIU Yiwei1，CHEN Mingxuan1，NIU Zhiwei1，DING Yi2，CHEN Rong3

（1.College of Water Resources and Hydropower，Hohai University，Nanjing 210098，China； 2.Nanjing Hongyuan Information Technology Co.，Ltd.，Nanjing 210000，China； 3.Yizheng Municipal Water Conservancy Bureau，Yangzhou 225000，China）

Abstract：

The construction schedule of water conservancy projects is an important matter of great concern to the construction parties.Based on BIM technology and image recognition technology，this paper proposed a virtual and real combining method for pouring height recognition of sluice piers，so as to realize the intelligent construction of sluice projects.Through BIM technology modeling，virtual image data sets containing different pouring heights of gate piers were generated.The object detection algorithm YOLOv5 of deep learning was used to train the virtual data set，and an intelligent model of accurately identifying piers with different pouring heights was obtained.The real pier models with different pouring heights were built in the laboratory，and the real images of the piers with different heights were captured by the camera and verified by the established intelligent recognition model.The results showed that the model can accurately identified the pouring heights of piers in actual scenes.This method can be widely used to identify the actual construction progress of buildings in hydraulic engineering，and provide effective model support for the construction of digital twin hydraulic engineering.

Key words：

sluice pier； BIM； YOLOv5； computer vision technology； deep learning