CNN網(wǎng)絡(luò)優(yōu)化技術(shù)在建筑設(shè)計智能化中的應(yīng)用

摘 要：本文以建筑設(shè)計的智能優(yōu)化為研究對象，構(gòu)建完整的技術(shù)流程，提出一種新的深度學(xué)習(xí)優(yōu)化方法。本文以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）深度網(wǎng)絡(luò)為框架，優(yōu)化建筑結(jié)構(gòu)BIM設(shè)計結(jié)果承載的數(shù)據(jù)流，得到更理想的優(yōu)化結(jié)果。在整個方法的設(shè)計過程中，從空間金字塔池化處理、路徑聚合網(wǎng)絡(luò)引入、基于YOLOv4 的頭設(shè)計、標(biāo)簽平滑處理和損失函數(shù)5個方面對CNN網(wǎng)絡(luò)進(jìn)行詳細(xì)設(shè)計。試驗結(jié)果表明，CNN深度網(wǎng)絡(luò)不僅對BIM模型的優(yōu)化精度高，而且使用優(yōu)化后的模型指導(dǎo)施工可以大幅降低建筑成本。

關(guān)鍵詞：CNN網(wǎng)絡(luò)；建筑設(shè)計；智能建造；池化處理

中圖分類號：TU 20" " " " " " " " 文獻(xiàn)標(biāo)志碼：A

智能建造的設(shè)計過程廣泛應(yīng)用各種先進(jìn)科技手段，包括互聯(lián)網(wǎng)技術(shù)、軟件設(shè)計技術(shù)、信息技術(shù)、數(shù)據(jù)挖掘技術(shù)、物聯(lián)網(wǎng)技術(shù)以及深度學(xué)習(xí)技術(shù)，是能夠改造建筑工程設(shè)計施工流程、提升建筑工程建造效率的一種全新領(lǐng)域[1]。智能建造的依托性技術(shù)是BIM技術(shù)，這是一種具體應(yīng)用于建筑設(shè)計領(lǐng)域的信息技術(shù)。利用BIM技術(shù)可以對建筑結(jié)構(gòu)進(jìn)行三維仿真模型可視化設(shè)計，對建筑設(shè)計進(jìn)行模塊化、后臺信息數(shù)據(jù)化管理[2]。在BIM技術(shù)的支持下，建筑結(jié)構(gòu)的信息化模型可以在智能建造的各個環(huán)節(jié)中使用，在此期間，配合深度學(xué)習(xí)算法對設(shè)計結(jié)果進(jìn)行局部優(yōu)化和整體優(yōu)化[3]。深度學(xué)習(xí)算法基于深度神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)能力更全面、高效，輸入建筑設(shè)計的BIM信息后，利用迭代進(jìn)行訓(xùn)練和學(xué)習(xí)，深度神經(jīng)網(wǎng)絡(luò)可以自動優(yōu)化建筑設(shè)計結(jié)果，在該過程中，智能化特征突出?；诖?，本文根據(jù)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）深度網(wǎng)絡(luò)的變形結(jié)構(gòu)設(shè)計建筑的智能化流程，并對優(yōu)化效果進(jìn)行性能測試。

1 基于CNN網(wǎng)絡(luò)的建筑智能化設(shè)計優(yōu)化流程

采用BIM技術(shù)和深度學(xué)習(xí)技術(shù)優(yōu)化建筑智能設(shè)計。根據(jù)BIM設(shè)計的建筑結(jié)構(gòu)信息化模型可以生成基本的數(shù)據(jù)信息，并用于后續(xù)處理，CNN深度學(xué)習(xí)網(wǎng)絡(luò)將優(yōu)化BIM模型，得到最佳的設(shè)計結(jié)果，具體流程如圖1所示。

從圖1可以看出，在確定智能化的建筑任務(wù)需求后，設(shè)計人員運用BIM技術(shù)完成建筑結(jié)構(gòu)的模型設(shè)計，生成BIM模塊數(shù)據(jù)流。BIM模塊數(shù)據(jù)流將和建筑模塊庫中的數(shù)據(jù)流一起送入CNN深度學(xué)習(xí)網(wǎng)絡(luò)的輸入端，在CNN網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和學(xué)習(xí)。CNN網(wǎng)絡(luò)穩(wěn)定后，進(jìn)一步優(yōu)化BIM模型，得到結(jié)構(gòu)更合理、施工成本更低的優(yōu)化結(jié)果并輸出。BIM模型優(yōu)化結(jié)果即建筑設(shè)計智能優(yōu)化后的結(jié)果，將作為后續(xù)施工工作的指導(dǎo)性模型、圖紙和文件。從上述流程可以看出，CNN 深度學(xué)習(xí)網(wǎng)絡(luò)在整個智能化設(shè)計和優(yōu)化的過程中具有重要的作用，因此需要對其進(jìn)行詳細(xì)設(shè)計。

2 建筑智能設(shè)計優(yōu)化中的CNN深度學(xué)習(xí)網(wǎng)絡(luò)設(shè)計

本文對CNN 深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行Faster改型設(shè)計，CNN深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

從圖2可以看出，在智能建造技術(shù)框架下，根據(jù)BIM軟件平臺生成的建筑物信息化設(shè)計模型將成為Faster-CNN深度學(xué)習(xí)網(wǎng)絡(luò)的輸入，不同的模塊單元形成多組輸入序列送入網(wǎng)絡(luò)。整個深度學(xué)習(xí)網(wǎng)絡(luò)不斷執(zhí)行卷積和池化處理，完成對信息模型的學(xué)習(xí)、訓(xùn)練和迭代過程，共有2次卷積處理和2次池化處理。卷積處理會根據(jù)輸入信息進(jìn)一步生成特征信息，特征信息作為輸入?yún)⑴c池化處理，進(jìn)一步生成池化特征。整個深度網(wǎng)絡(luò)采取多通道并行排布的結(jié)構(gòu)，各個通道經(jīng)過自己所屬的卷積層和池化層處理后，得到池化特征，再執(zhí)行全連接處理，得到BIM模型的最終優(yōu)化結(jié)果。最終優(yōu)化結(jié)果是在非人工設(shè)計的情況下由深度學(xué)習(xí)網(wǎng)絡(luò)自動完成的，充分體現(xiàn)了智能建造的技術(shù)特點。以CNN深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)為依托，為了達(dá)到BIM模型最佳的優(yōu)化效果，進(jìn)一步在5個關(guān)鍵點進(jìn)行詳細(xì)設(shè)計。

2.1 空間金字塔池化處理

在BIM建筑智能優(yōu)化過程中，經(jīng)常使用卷積與全連接網(wǎng)絡(luò)相互聯(lián)接的方法進(jìn)行訓(xùn)練。這2個部分之間的連接應(yīng)具有恒定的維度，獲取相似大小的特征映射，并將其傳遞至全連接網(wǎng)絡(luò)以便于分類。傳統(tǒng)的解決方案是切割或者調(diào)整各建造單元的大小、形狀等參數(shù)來操作輸入案例，這樣的方式可能會破壞被測物體在建造單元上的相對位置和大小信息，降低對象特征的精確性。為解決這個問題，本文使用一種名為SPP的新架構(gòu)，它能將各種規(guī)模的特征映射轉(zhuǎn)換為統(tǒng)一規(guī)格的特征映射，不需要修改原始建造單元。SPP模型在最后的一個卷積層后加入一個空間池化層，將特征映射分為多個小區(qū)域。在每個通道上執(zhí)行最大的池化計算，最終得到一個確定長度的特征映射，再用全連接網(wǎng)絡(luò)進(jìn)行分類。在這個過程中，采用5×5、9×9和13×13 3種不同的卷積核尺寸處理最大池化，在處理完畢后合并輸出，整個流程并不涉及特征映射的尺度變化。最大池化操作流程如圖3所示。

2.2 引入路徑聚合網(wǎng)絡(luò)

PANet網(wǎng)絡(luò)主要用于實例分割，在自頂向下的路徑后添加1個自底向上的路徑來聚合不同層級的特征圖，提升實例分割的效率。具體來說：PANet在FPN的基礎(chǔ)上添加了1個PANet模塊，該模塊由自頂向下的路徑和自底向上的路徑2個子模塊組成。自頂向下的路徑對高層特征進(jìn)行向下采樣，以匹配低層特征的尺寸；自底向上的路徑對低層特征進(jìn)行向上采樣，以匹配高層特征的尺寸。這2個路徑的輸出關(guān)聯(lián)在一起，形成1個新的特征金字塔，每個層級都包括來自不同層級的信息。利用這種方式，PANet可以有效地聚合不同層級的特征，從而提升建造單元實例分割的性能。在該結(jié)構(gòu)中，F(xiàn)PN的輸出結(jié)構(gòu)不再參與預(yù)測，利用PAN結(jié)構(gòu)輸出的結(jié)果進(jìn)行預(yù)測。使用FPN技術(shù)獲得76×76特征圖像，對通道特征76×76×C進(jìn)行預(yù)測，C為通道數(shù)，使用PAN架構(gòu)處理從底層獲取的76×76特征圖像，與其在FPN中提取的38×38特征圖像進(jìn)行矩陣連接，生成用于預(yù)測的38×38×C。使用PAN架構(gòu)處理來自底層的38×38特征圖像，與其在FPN中提取的19×19特征進(jìn)行矩陣連接，以產(chǎn)生用于預(yù)測的19×19×C。

2.3 基于YOLOv4 的前端設(shè)計

YOLOv4頭部采用YOLOv3檢測頭，其本質(zhì)上是1×1和3×3卷積，經(jīng)過YOLOv4頸部的PAN結(jié)構(gòu)最終得到輸出的3個維度特征，分別為76×76×C、38×38×C和19×19×C，計算方法如公式（1）所示。

C=N×（4+1+M） " " " " "（1）

式中：N為特征圖的先驗框，每個單元格須檢測N個目標(biāo)；“4”為預(yù)測框在圖像中的4個位置坐標(biāo)x、y、w和h；“1”為置信度，為在預(yù)測框中存在交通標(biāo)志的可能概率；M為標(biāo)簽類別的數(shù)目。這3種大小的特征所產(chǎn)生的預(yù)測框會分別產(chǎn)生3組新的預(yù)測邊界框以定位需要檢測的目標(biāo)的位置。這種檢測方法基本流程如下：按照預(yù)測框的置信度進(jìn)行排序，挑選每類分?jǐn)?shù)超過閾值的框以及相應(yīng)的置信度，利用非最大值抑制技術(shù)來獲得最終檢測結(jié)果。

2.4 標(biāo)簽平滑處理

標(biāo)簽平滑處理是一種正則化技術(shù)，其作用是減少神經(jīng)網(wǎng)絡(luò)的過擬合并提高分類性能。在裝配式單元處理過程中，樣本所屬類別的置信度為1，其余都為0，模型訓(xùn)練最終很可能出現(xiàn)過擬合。為了解決這個問題，在訓(xùn)練過程中引入1個平滑因子。標(biāo)簽的平滑分布等于在真實分布中添加了噪聲，防止模型過度信任準(zhǔn)確標(biāo)簽，因此預(yù)測結(jié)果的正負(fù)值差異不會太大。數(shù)據(jù)樣本標(biāo)簽如公式（2）、公式（3）所示。

（2）

（3）

式中：i為標(biāo)簽所在的行；y為標(biāo)簽所在的列；k為類別數(shù)量；ε為引入的光滑因子，其是1個數(shù)值趨于0的常數(shù)。

2.5 損失函數(shù)設(shè)計

交并集處理（Intersection Over Union，IOU）用于評估2種任意案例的相似性。這個方法經(jīng)常用于評估檢測算法性能并衡量預(yù)測結(jié)果的準(zhǔn)確度，計算過程如公式（4）所示。

（4）

式中：A、B分別為分析框與真實框。IOU越高，2個框的重疊程度越高，邊界框的分析結(jié)果越精確。

在真實場景中，如果A、B 2個框之間沒有重疊部分，無論它們間隔是遠(yuǎn)還是近，其結(jié)果都是相同的，說明無法根據(jù)這種方法來判斷IOU均為0，因此IOU并不能體現(xiàn)A、B 2個框之間的距離。在這個階段沒有梯度反饋，可能會導(dǎo)致訓(xùn)練流程結(jié)束。如果3種重疊方式的IOU均為0.45，則可以看到3種方式的A、B 2個框的契合程度有所差異，因此IOU無法識別分析框和真實框各種不同的對準(zhǔn)策略。

本節(jié)采用CIOU位置損失函數(shù)，與IOU相比，增加計算寬高比，CIOU計算過程如公式（5）所示。

（5）

式中：ρ為調(diào)整比例；b為場景寬度；bgt為場景寬度的全局最優(yōu)解；c為場景高度；a為損失系數(shù)；v為損失速度。

3 建筑智能設(shè)計優(yōu)化的試驗結(jié)果與分析

上文給出了建筑設(shè)計BIM模型的CNN智能優(yōu)化方法，下面根據(jù)5個工程用料的分析試驗來驗證本文方法的性能。以住宅常規(guī)施工成本為參照，選擇一般設(shè)計方法作為對比方法，和本文提出的CNN智能優(yōu)化方法進(jìn)行對比，結(jié)果如圖4所示。

從圖4可以看出，與一般設(shè)計方法相比，基于CNN的智能優(yōu)化設(shè)計可以節(jié)省15%的工程用料，證明了智能和設(shè)計優(yōu)化方法的有效性。

在試驗過程中，分析了在建筑設(shè)計智能優(yōu)化過程中CNN深度學(xué)習(xí)網(wǎng)絡(luò)的迭代過程，結(jié)果如圖5所示。

從圖5中的優(yōu)化精度曲線變化和擬合結(jié)果可以看出，隨著迭代次數(shù)不斷增加，CNN深度學(xué)習(xí)網(wǎng)絡(luò)優(yōu)化的效果越來越好，優(yōu)化精度一直保持在90%以上。當(dāng)?shù)螖?shù)增至700次時，優(yōu)化精度達(dá)到96%以上。

4 結(jié)論

信息技術(shù)、物聯(lián)網(wǎng)技術(shù)、數(shù)據(jù)挖掘技術(shù)以及深度學(xué)習(xí)技術(shù)改變了建筑工程領(lǐng)域。本文以BIM設(shè)計智能優(yōu)化過程為研究對象，構(gòu)建一種基于CNN深度學(xué)習(xí)網(wǎng)絡(luò)的智能優(yōu)化方法。在智能設(shè)計的技術(shù)框架體系中，以BIM模型作為數(shù)據(jù)流，構(gòu)建基于深度學(xué)習(xí)的優(yōu)化框架，并在池化處理、路徑聚合、標(biāo)簽平滑和損失函數(shù)等方面對深度網(wǎng)絡(luò)進(jìn)行詳細(xì)設(shè)計。針對5個工程案例進(jìn)行智能設(shè)計優(yōu)化試驗對比，結(jié)果顯示基于CNN深度網(wǎng)絡(luò)的優(yōu)化設(shè)計節(jié)約工程用料成本約15%。

參考文獻(xiàn)

[1]毛超，彭窯胭.智能建造的理論框架與核心邏輯構(gòu)建[J].工程管理學(xué)報，2020，34（5）： 1-6.

[2]劉占省，劉子圣，孫佳佳，等.基于數(shù)字孿生的智能建造方法及模型試驗[J].建筑結(jié)構(gòu)學(xué)報，2021，42（6）：26-36.

[3]李衛(wèi)軍，蘇衍江，張磊，等.基于新農(nóng)村建設(shè)的裝配式建筑結(jié)構(gòu)體系研究與思考[J].結(jié)構(gòu)工程師，2018，34（2）：173-179.