东方华星建设管理（江苏）有限公司 沈逸顺

摘要：随着人工智能技术的高速发展，越来越多的项目将深度学习与工程造价紧密结合，基于卷积神经网络算法的图像识别就是其中一个热门方向，高效准确的识别分部分项构件的数量对工程造价有着重要意义。

Abstract : With the rapid development of artificial intelligence technology, more and more practical projects closely combine deep learning with engineering costs. Image recognition based on convolutional neural network algorithms is one of the popular directions, efficient and accurate identification of the number of parts components in part of the components. It is of great significance for engineering cost audits.

关键字：工程造价 BIM  AI技术  计算机视觉 卷积神经网络

Key words : Construction costs  BIM AI  Computer graphics CNN

引 言

随着BIM技术在工程造价行业的全面推广，施工现场对BIM成果的审核统计工作又有了更高的要求。传统算量的部分子目，如：消防水系统沟槽管件、不锈钢管件通常按照施工经验估算计入，又如：镀锌配件、PVC配件、铸铁配件等是由定额含量计入。在BIM深化设计后，可实现以上子目的较为精确实物量统计。这对现场跟踪审计、竣工结算审计又有了更高的审核要求。传统靠估算，或者人工清点的审核方式已跟不上时代的步伐。特别是BIM机电构件的数量统计方面，在传统跟踪审计模式中，基本是依据图纸信息的估算。极少项目会配置人员去现场清点。这是目前审计工作的一大盲区。

应用AI构件识别技术后，造价工程师便可以图像为数据基础，借助手机、微单、无人机等新型设备，采集现场影像，通过卷积神经网络训练后，形成AI识别模型，自动识别并统计现场的专项构件数量，助力跟踪审计及竣工结算工作。

一、研究现状

计算机视觉识别技术在过去几年取得了长足进步，并且已经在许多实际项目中得到了推广应用。目前，计算机视觉识别技术的准确度已经超过了人类，并且可以在许多方面提供有价值的信息。例如，计算机视觉识别技术可以用于图像搜索、自动驾驶、安防监控等方面，为用户提供便捷、高效的服务。

目前，在建筑工程专业领域，人工智能技术可以用于多个方面。例如，可以利用计算机视觉识别技术来自动检测建筑物结构中的裂缝、损坏等问题，从而提高工程安全性。此外，人工智能技术还可以用于建筑工程施工管理，通过对施工过程进行监控和分析，帮助项目管理人员更好地掌控施工进度和质量。此外，人工智能技术还可以辅助工程造价咨询，通过分析工程造价数据，帮助造价审计人员更准确地完成审计工作。

东方华星BIM科技研发中心历时2年的开发融合多个全过程BIM咨询项目的成果。基于国产自主研发的中文编程语言开发了基于pyTorch框架的，AI智能训练及构件识别软件。为AI在跟踪审计领域的应用和发展提供了坚实可靠的技术基础设施工具。

二、前期准备

人工智能模型的训练通常需要进行一些前期准备工作，以确保训练过程顺利进行。常见的前期准备工作包括：

（一） 确定训练目标

首先，需要确定人工智能模型训练的目标，即模型最终要完成的任务。本研究以建筑机电管线配件识别为训练目标，以施工现场影像为基础数据进行训练。

（二） 采集现场影像

智能模型训练中，通常需要收集大量的影像数据作为训练数据。这些影像数据来源于项目施工现场，如消防泵房、走道管廊、复杂空间等。在采集影像数据时，需要注意以下几点：

l 数据质量：影像数据的质量直接影响模型的训练结果，因此在采集影像数据时，需要保证数据的清晰度和真实性。例如，可以使用高清摄像头采集影像数据，并确保数据没有被篡改或伪造。

l 数据量：人工智能模型的训练需要大量的数据，因此在采集影像数据时，需要尽量收集更多的数据。例如，要训练一个三通弯头模型，则可以采集数千张管综节点图像，以便提供更多的训练数据。

l 数据多样性：为了提高模型的泛化能力，在采集影像数据时，需要尽量增加数据的多样性。例如，尽可能训练不同项目不同专业不同型号的弯头，以保证在项目采用不同型号的配件时AI可以顺利识别。

现场跟踪审计人员可通过手机、微单、录像机、无人机等设备采集jpg或png格式的影像资料。最低分辨率为640×640。最高为8k。软件亦支持720P~4k分辨率的视频。

确定采集目标后，采集人员仅需打开手机拍照功能对目标进行任意角度的拍摄，即可完成影像区域内的数据采集，无需安装任何附带软件，无需使用特定的镜头焦段，对人员和设备要求不高。

以某复杂节点为例，项目以东方华星BIM工程师牵头，组织施工参建方一同采集了项目地库构配件影像3000余张，并定时定期在不同项目上进行了海量的影像数据采集，形成了多达1t的影像集。（如图1所示）

三、标定与训练

(一)标定

在人工智能模型训练中，标定是指对训练数据进行预处理和分析的过程。标定的目的是为了使训练数据更加统一和可靠，以便提高模型的训练效果。

通常情况下，标定过程包括以下几个步骤：

l 数据清洗：在标定之前，需要对训练数据进行清洗，去除脏数据、异常数据和重复数据等。

l 数据分析：在标定过程中，需要对训练数据进行分析，以便更好地理解数据的特点和分布。

l 数据标定：在标定过程中，需要对训练数据进行标定，例如统一数据的格式、尺寸和标签等。

l 数据增强：为了提高模型的泛化能力，在标定过程中，可以使用数据增强的方法，例如图像旋转、缩放和裁剪等。

通过东方华星自主研发整合的通用型Ai训练软件，实现了工程师及现场施工人员也能简单进行影像标定。（如图2所示）

(二)训练

标定完成后，需要对训练数据进行分割，将数据分为训练集和验证集两部分。

l 模型预训练：在模型训练过程中，需要调整模型的参数，以便提高模型的训练效果。调整模型参数的过程包括设置学习率、初始化权重、调整超参数等（如图3所示）。

l 模型验证：在模型训练过程中，需要通过验证集来评估模型的性能，并根据评估结果来决定是否继续调整模型参数。

l 模型保存：在模型训练过程中，需要定期保存模型的参数，以便在模型训练中断后能够恢复训练。保存模型参数的方法包括保存模型的权重和偏置、保存模型的架构和参数等。

l 模型评估：在模型训练完成后，需要对模型进行评估，以便确定模型的性能和准确性。评估模型的方法包括使用测试数据集、使用召回率和精确率等（如图4所示）。

以某项目地下室走道区域节点为例：将设置训练的分类集分为：生活给水系统镀锌管配件丝扣连接；生活给水系统不锈钢管配件卡压连接； PVC管配件承插连接或粘接；消防水系统铸铁配件沟槽连接。

四、探测与统计

（一） 探测构件

模型的适用范围：首先，应确保所选择的权重文件对应的模型能够用于探测照片。例如，如果需要探测人脸，则应选择人脸识别模型的权重文件；如果需要探测物体，则应选择物体检测模型的权重文件。

模型的准确性：确保所有权重文件准确性满足mAp0.5》0.8，并选择准确率较高的权重文件。

模型的泛化能力：最后，应确保所选择的权重文件对应的模型具有较好的泛化能力。泛化能力较好的模型可以更好地适用于新的照片，并在探测过程中取得更好的效果。同时，也可以尝试使用多个权重文件，并通过融合模型的结果来提高探测效果（如图5所示）。

（二） 统计构件

通过识别到的配件（弯头）数量及类型，生成表格数据，生成每个图片中的不同类型不同专业的弯头数量。

（三） 结合BIM核对

（如图6、7、8、9、10、11所示）

针对上图6个节点进行弯头数量的核对，revit总计弯头数量为80个（如表1所示）。

表1构件出量报告

由于其中3个不锈钢弯头采用焊接非卡压形式，故AI无法识别，剩余配件数量为77个。

基于2022年11月1日的AI模型（mAp0.5=0.87），在匹配率为0.2的模式参数下，统汇总结果为：72个与BIM模型偏差11.11%。

经过查证，由于桥架遮挡，上部喷淋弯头未采集到影像范围内，故未计入合计结果中。遗漏构件4个。扣除此部分构件计算整体偏差量为5.26%。

针对识别失败的构件，团队于一周内继续采集影像，完善遗漏配件的数据样本。处理3个不锈钢采用焊接非卡压形式的弯头采样，基于2022年11月18日的AI模型（mAp0.5=0.84），在匹配率（detect）为0.5的模式参数下，扣除无法采集的配件数4个，结果为：75个，与BIM模型偏差1.32%。

截至本文完成之时，2022年12月8号的AI模型（mAp0.5=0.89），在匹配率（detect）为0.5的模式参数下，结果为：76个，与BIM模型偏差0%。

上述结果，由于针对特定项目的特定区域进行了AI强化训练， detet0.5状态下，偏差率可控制为零。所有在其他项目中若构件型号、生产商、现场采样光线有较大偏差的情况下，也会放大偏差率，深度计算采样工作需要长期采集、定期标定、持续训练方可提升通用精度。

五、应用与扩展

（一） 结合BIM模型审核数量

近年来，BIM技术在苏州各类大型项目中全面推广使用，但在工程造价领域，依然无法替代传统造价软件，BIM技术的全面落地很多都停留在纸面或PPT上，大量的模型与现场实际情况不匹配，甚至于BIM仅仅停留在翻模和可视化层面。 AI构件识别的出现可以让参建各方依托这样的技术审核BIM模型量是否与现场一致，仅需在revit软件中统计节点构配件数量，并与现场AI识别数量进行多区域的比对即可验证BIM技术的实际落实情况。辅助审计方或业主方验证BIM的应用情况。

站在跟踪审计方的角度，部分依靠施工经验估算或者定额含量计入的分部分项清单子目，借助AI构件识别技术，可实现较为精确的实物量统计，大大提升了审计工作的准确性。虽然当前AI技术仅仅只能在少数专业分项目识别部分构件数量，但AI技术、AI训练模型将在大数据资料的累计过程中，不停增加分类，不断提升精度，终会在技术层面改变审计行业。

（二） 结合规范要求审核数量

通过将AI技术与工程设计规范相结合，可以更加精确、快速地审核工程设计是否满足标准。人工智能可以自动提取工程设计中的关键信息，并与规范要求进行比对，从而及时发现现场施工后的任何不符合要求的地方。

这样做可以更有效地保证工程施工质量。同时，这也有助于优化工程管理流程，让管理人员能够更专注于创新和提高管理质量。

六、结语

未来团队将在更多的实际项目中大量采集不同分部分项的影像资料，完善构件影像大数据库，也会与更多同行携手努力，推进AI技术在工程造价行业中的全面落地。（如图12所示）

AI技术实现构件的智能识别，目前在某些工作流程上大大提升了施工项目跟踪审计的准确性及便利性，提高专项审计精度的同时，降低了审计人员的工程难度，节约了人力成本，降低了由于主观视觉判断导致的误差，AI图形图像识别技术是新型大数据技术的前延领域，在人脸识别、自动驾驶等成熟技术全面落地的今天，工程审计集合AI识别也将随着时代的进步，科技的突破，大数据资料库的扩展，引发新一轮的技术革命。给传统工程行业带来未来可期的质变。

参考文献

[1] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You only look once: Unified, real-time object detection," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 779-788.

[2] J. Chen, J. Chen, L. Y. Chen, S. Wang, H. Zhao, H. Y. Zhao, and C. J. Wen. Image recognition of garden pests based on improved residual networks[J]. Journal of Agricultural Machinery,2019,50(05):p.187-195.

[3] Chen ququ. Research on SAR image target recognition method based on deep learning [D]. Hefei University of technology, 2020China National Standardization Management Committee. Specifications of Crane Design (China Standardization Press, China 2008), p. 16-19.

[4] Wu Qiushi Model driven interval estimation method for R & D cost of IT project [J] Science and technology communication, 2020,12 (11): 127-130 DOI:10.16607/j.cnki. 1674-6708.2020.11.058.

[5] Shupeng Ji, Qisheng Wang, Shiyu Wu, Jiachen Tian, Xiao Li, Wenjin Wang. Deep Learning Based User Grouping for FD-MIMO Systems Exploiting Statistical Channel State Information [J]. China Communications, 2021, 18(07): 183-196.