2018/5/6

1

人工智能在工程建设领域的研究现状与展望

周向东复旦大学 2018/1

提纲

一、人工智能

二、在工程建设领域的现状

三、人工智能应用的新领域：BIM

四、总结与展望

2018/5/6

2

一、人工智能

•智能 （心理科学术语）是智力和能力的总称，中国古代思想家一般把智与能看做是两个相对独立的概念,也有不少思想家把二者结合起来作为一个整体看待。智能涵盖非常广泛的定义，与理解、推理、预见、解决问题的能力等相关。

•Artificial intelligence (AI) is intelligence exhibited by machines. In computer science, the field of AI research defines itself as the study of "intelligent agents”

•Artificial intelligence is technology that appears to emulate human performance typically by learning, coming to its own conclusions, appearing to understand complex content, engaging in natural dialogs with people.

维基百科

百度百科

Gartner

Intelligence单词源自

1.1 人工智能的发展历程

五十年代到七十年代初：“推理期”：赋予机器逻辑推理的能

力

五十年代到七十年代初：“推理期”：赋予机器逻辑推理的能

力

七十年代中期：

“知识期”：让机器拥有知识

七十年代中期：

“知识期”：让机器拥有知识

八十年代：

“学习期”：让机器去学习，基于逻辑的学习与神经网络。

八十年代：

“学习期”：让机器去学习，基于逻辑的学习与神经网络。

九十年代中期“统计学习”：支持向量机（Support Vector Machine）&“核方

法”

九十年代中期“统计学习”：支持向量机（Support Vector Machine）&“核方

法”

2010

深度学习

2010

深度学习

2018/5/6

3

人工智能

数据挖掘

模式发现

异常检测

图挖掘

机器学习

神经网络

深度学习

支持向量

现代统计学习

稀疏正则化

Boosting

Margin&Kernel

认知与知识工程

智能计算

机器人

类脑 …

1.2 AI 的谱系

2018/5/6

4

1.3 神经网络与深度模型

传统神经网络的局限

• 稠密连接计算代价高

• 神经网络中的每个神经元都可视为一个logistic回归

• 整个网络有成千上万个相互关联的logistic回归需要训练

• 隐含层数量的增加训练变得困难

• 反向传播中的梯度消失问题

• 陷入局部 优的问题

• 神经网络的目标函数通常是非凸的

• 随机初始化不能保证从全局 优附近开始

8

2018/5/6

5

LR、SVM 、ANN和深度模型

• 从模型的结构上看，相对于深度网络结构，以前的模型（ SVM, NB, KNN等）大多归为浅结构

• 与浅架构对比，深度网络的模型参数往往非常巨大

• 模型深浅的优劣需辩证看待• 参数过多、结构过深曾经是一个需要避

免的问题• 深度模型并不能完全代替浅结构模型

9

深度模型的优点与缺点

• 人的大脑是一种多层结构• 研究表明高等动物的视觉皮层神经是一种区域序列结构, 视网膜输入信号

的处理是一种多层传导过程

• 人的认知过程也是一个不断深化的层次结构• 人的按层次结构组织自己的思想和概念• 学习过程也是从简单的到复杂，逐层递进。

• 缺点？• 深度学习的理论完成于2006年，直至2012年在图像分类识别问题上的

重大突破震动了整个学术界

2018/5/6

6

深度模型 之 卷积网络CNN

• 卷积神经网络模拟了高等动物视觉过程• 视觉皮层的接受区包含复杂的细胞排列，

起到局部滤波器的作用，适合处理具有空间局部相关性的自然图像.

• 整个视神经系统是一个逐渐抽象的多层结构

11

深度学习崛起的技术因素

• 稀疏模型的研究• Pooling的思想• 随机梯度下降--21世纪交替的10年是这些理论研究的黄金期

• 稀疏模型的研究• Pooling的思想• 随机梯度下降--21世纪交替的10年是这些理论研究的黄金期

GPU大发展

Big DATA大发展

深度学习改变了什么？特征构造与模型训练相分离：

-HOG，SIFT特征

深度网络从训练数据中自动学习特征：-深度特征

深度学习改变了什么？特征构造与模型训练相分离：

-HOG，SIFT特征

深度网络从训练数据中自动学习特征：-深度特征

2018/5/6

7

工程建设中的AI

规划 / 决策 / 分析

项目策划/决策文本处理数据挖掘

数据驱动AI

施 工

施工安全/图像视频自动识别分析

检测/监测数据机器学习

自动驾驶设备/机器人

运 维

基于视觉的道路，桥梁、地铁的线路

检测

建筑节电，用能预测

基于运维传感器数据的学习与识别

设计 / BIM

BIM模型的分类/聚类分析

协同设计日志的挖掘

AI自动/智能设计

二、现状

2.1施工现场

• 主要包括施工现场安全检查，现场管理和态势感知等• 涉及AI技术

• 人脸识别 （人员管理）• 图像分类 （场景感知）• 视频识别与跟踪 （场景监控，生产监控）• 结合无人机/机器人的图像/视频识别、分类与跟踪 （综合感知）

• 以机器视觉（基于深度学习）为代表的AI技术，在施工现场监测感知方面已经进入成熟应用阶段

2018/5/6

8

基于机器视觉的施工现场识别与跟踪

建筑工地施工监控视频包含丰富的

人员和设备信息, 可供现场工程师和

项目经理分析施工效率, 监控施工进

度, 检查工地安全等。使用机器学习

算法对人员和设备自动识别与跟踪，

主要提高了recall 30-50%。Zhenhua Zhu et al. in Automation in 

Construction 81 (2017) 161–171

城市3D点云数据的地面物体自动识别

• 根据3D 点云几何和拓扑信息的组合实现层次分类。包括平面分割与合并，基于决策树的区域识别与分类。实际数据测试（五类 ：道路、人行道、踏板、竖管和道路边界)。点云分类成功率97%

• J. Baladoa, L. Díaz‐Vilariñoa,b, P. Ariasa, H. González‐Jorgea in Automation in Construction 86 (2018) 226–239

2018/5/6

9

施工现场识别的数据驱动场景分析方法

• 通过两级图像匹配和场景分割，采用迁移学习的思想，实行施工场景的识别与分析。建筑工地的图像分析识别率,达到81.48% 。

‐‐Hongjo Kim, Kinam Kim, Hyoungkwan Kim  inAutomation in Construction 71 (2016) 271–282

2.2 分析\策划\管理\运维

• 项目策划、桥梁/道路/施工检测报告、日志• 质量检查• 结构强度、材料检测评估• 建筑能耗，用电预测，分析

• 涉及广泛的AI技术，研究与应用并举, 技术较成熟• 机器学习、数据挖掘、图挖掘• 文本及自然语言处理• 本体论方法

2018/5/6

10

基于支持向量机的城市区域建筑类型识别

城市街区建筑分类 Bonn, Germany

Examples of building‐type prediction in five exemplary districts of Bonn, Germany; source of left column: MircosoftBing, of the aerial image in right column: Google Earth

事故报告挖掘：不安全属性识别

• 采用自然语言处理和数据挖掘技术改善建筑施工安全

• 采用自然语言处理和图数据挖掘技术, 从5千份事故报告中抽取基本属性，并挖掘导致事故伤害的属性组合

• ‐ Antoine J.‐P. Tixier a, Matthew R. Hallowell b, Balaji Rajagopalan b, Dean Bowmanc , Automation in Construction 74 (2017) 39–54

2018/5/6

11

桥梁检测报告信息的自动提取

• 基于本体论和半监督条件随机场 (CRF) 的信息抽取方法对桥梁检查报告进行信息抽取。从通用报告中挖掘桥梁缺陷的与维修措施描述间的对应关系。

• 算法实现了平均精度、召回率和 F-1 测量值分别为94.1%、87.7% 和90.7%

• Kaijian Liu, Nora El‐Gohary in  Automation in Construction 81 (2017) 313–327

建筑结构强度/材料特性检测与评估• 采用多种机器学习算法，从测量数

据和响应中学习训练评估模型问题 混凝土类型 算法

抗压强度

自密实 NN 

高性能 FL，SVM，GA混合

建筑和拆除废料NN 

FRP纤维增强聚合物

地质聚合物 SVM

弹性模量

正常和高强度ANFISNNSVM

高强度 FL

剪切强度

FRP纤维增强聚合物NN FIS

增强型

NN 预测干缩

多种

掺入硅粉和粉煤灰

问题类型 结构 算法

检测和识别结构损害

单跨钢制门架和铝制悬臂梁

GA

钢框架结构NN

简单的梁和多梁桥

铝制梁SVM

海洋平台上的梁

鉴定结构参数混凝土公路桥梁

NN混凝土桥混凝土大坝

地震灾害鉴定 钢框架结构的大厦

大坝行为评估 混凝土大坝

SVR

WNN

NF

2018/5/6

12

基于SVM和图核函数的建筑设计风格识别

将二维建筑设计转化为一种图结构，提出一种可以描述形态与拓扑关系的图表示方法

将SVM机器学习技术应用到特定建筑风格识别中

建筑/物品类型识别

• 数据集包含7类物品（建筑、家具、灯具、圆柱、咖啡具、餐具、盘子）共1017个， 由2500多人参与众包标注，共收到了5万余份答卷

• 基于结构匹配和相似度量的数字特征

• 通过 大似然估计与稀疏正则化机器学习方法实现建筑类类型识别

2018/5/6 24

2018/5/6

13

三、 人工智能应用的新领域展望：BIM建筑信息模型（Building Information Modeling, BIM）是建筑全生命周

期信息的集成，涉及规划、设计、施工、运维等各阶段的数据、过程和资源，

内容丰富而复杂、信息量大。

挑战：

1）数据驱动的AI需要处理聚集的BIM数据，其巨大的规模，

对机器学习和数据挖掘算法提出了挑战

BIM相关研究中的AI内容非常稀缺

2018/5/6

14

3.1 IFC与BIM人工智能应用• IFC是一种对象模型，可以用xml或其他紧凑格式

表达, 也可以看作一种图结构数据

• IFC 标准体系语义丰富，定义明晰，便于自动化处理, 同时也存在数据膨胀率高，专业软件支持度不均衡等问题

• IFC是一种对象模型，可以用xml或其他紧凑格式表达, 也可以看作一种图结构数据

• IFC 标准体系语义丰富，定义明晰，便于自动化处理, 同时也存在数据膨胀率高，专业软件支持度不均衡等问题

3.2 基于机器学习的IFC数据知识发现

采用神经网络技术对IFC数据标签和楼层规划模式进行聚类与分类

Thomas KrijnenMartin Tamke, Modelling Behaviour pp 397-406 11/2015

异常设计检测

BIM设计分类

2018/5/6

15

BIM模型建筑空间功能聚类/分类研究复旦大学 2017 从IFC数据提取建筑空间拓扑特征

• 相邻性（共享边界）

• 连通性（之间有门连通）

BIM模型建筑空间功能聚类/分类研究

基于IFC空间拓扑特征，采用Affinity Propagation算法，对IFC模型子空间的分布

进行探索,以获取建筑设计与空间功能之间的关联。

2018/5/6

16

聚类中心为3F29的聚类以较小的办公型场所为主 。这些空间多靠窗，采光

条件较好，与外界有一定的隔离，较为独立和安静。

2018/5/6

17

四、 总结与展望

• 人工智能是人类的终极梦想，人工智能技术随着科技的发展波浪式的上升与壮大。

• 近年来人工智能在计算机视觉与语言处理方面获得长足进步和突破，技术和产品已进入市场

• 人工智能的未来不可限量，工程建设领域应该高度关注，并大力支持AI基础应用研究，从而推动行业的快速发展

• BIM的人工智能应用，需要从数据标准，数据积累，大规模训练数据库的建设入手。

谢谢！