基于视觉识别的建筑外墙表观病害检测方法及应用

靳永强; 赵泽明; 杨原; 高长玲; 郑晓伟

doi:10.3724/j.gyjzG26030304

基于视觉识别的建筑外墙表观病害检测方法及应用

doi: 10.3724/j.gyjzG26030304

1. 中国五冶集团有限公司科技中心, 成都 610063;
2. 中国矿业大学力学与土木工程学院, 江苏徐州 221116

基金项目:

国家自然科学基金项目（52208511）。

详细信息

作者简介:
靳永强,博士,工程师,主要从事人工智能及城市更新等研究。电子信箱:jinyqlut@163.com

计量
- 文章访问数: 16
- HTML全文浏览量: 1
- PDF下载量: 0
- 被引次数: 0
出版历程
- 收稿日期: 2026-03-03
- 网络出版日期: 2026-06-06

Detection Method and Application of Apparent Diseases on Building External Walls Using Visual Recognition

1. Technology Center of China MCC5 Group Corp., Ltd., Chengdu 610063, China;
2. School of Mechanics and Civil Engineering, China University of Mining and Technology, Xuzhou 221116, China

摘要

摘要: 针对建筑外墙病害传统检测方式效率低、人工依赖性强、高空作业风险大及接触式检测易造成二次损伤等问题，提出了基于机器视觉和深度学习的建筑外墙病害智能无损检测方法，实现了外墙脱落、空鼓及裂缝三种表观病害的快速识别。利用无人机搭载高精度采集设备对瓷砖、涂料及水泥砂浆等典型外墙类型进行病害图像采集，构建了包含脱落、空鼓及裂缝三种病害的1018张建筑外墙病害图像数据库，并通过labelMe软件进行病害标注，形成脱落病害标签1168个，空鼓病害标签1619个，裂缝病害标签1515个。基于深度学习的YOLO11n模型，对训练集开展多方案对比训练。研究发现：在300轮训练周期内，图像尺寸为1280像素，且开启数据增强可实现mAP50=0.753的检测性能，该模型能较好地实现建筑外墙脱落、空鼓及裂缝三种表观病害的精确识别。对成都地区多个小区进行的工程实例应用，进一步证明了该模型有较好的泛化能力，可为建筑外墙病害无损快速检测提供新技术。
- 建筑外墙 /
- 表观病害 /
- 深度学习 /
- 无损检测 /
- YOLO模型
Abstract: Aiming at the problems of low efficiency， strong reliance on manual labor， high risk of high-altitude work， and secondary damage that is easily caused by contact detection in traditional methods for building exterior wall disease detection， this paper proposes an intelligent non-destructive detection method based on machine vision and deep learning. This method enables rapid identification of three types of apparent diseases： spalling， hollowing， and cracking. Using UAV high-precision collection equipment， disease images were collected from typical exterior wall types such as tiles， paint， and cement mortar. A building exterior wall disease image database containing 1018 images of three types of diseases was constructed. Through LabelMe software， disease annotation was performed， forming 1168 spalling labels， 1619 hollowing labels， and 1515 cracking labels. Based on the deep learning YOLO11n model， multiple training schemes were implemented on the training set. This study found that， with 300 training epochs， an image size of 1280 pixels， and data augmentation enabled， a detection performance of mAP50 = 0.753 was achieved. This model relatively accurately identified the three types of apparent diseases： spalling， hollowing， and cracking. Finally， engineering instance applications were carried out in multiple residential communities in the Chengdu area， further proving that the model has good generalization ability and can provide a new technology for non-destructive rapid detection of building exterior wall diseases.
- building exterior walls /
- apparent diseases /
- deep learning /
- non-destructive detection /
- YOLO model

HTML全文

参考文献(27)

[1]	TAN Y，LI G，CAI R，et al. Mapping and modelling defect data from UAV captured images to BIM for building external wall inspection［J］. Automation in Construction，2022，139：104284.
[2]	张华，王伶，王亚军. 既有居住建筑外墙外保温系统质量检测评估案例分析［J］. 建筑节能（中英文），2022，50（8）：42- 47.
[3]	赵泽明，靳永强，孙宇，等. 老旧建筑外立面病害检测与拆除施工技术［J］. 建筑技术，2024，55（16）：1997- 2000.
[4]	张淑仪. 超声红外热像技术及其在无损评价中的应用［J］. 应用声学，2004（5）：1- 6.
[5]	LOURENCO T，MATIAS L，FARIA P. Anomalies detection in adhesive wall tiling systems by infrared thermography［J］. Construction and Building Materials，2017，148：419- 428.
[6]	陈宁，王娟，董庆光. 无人机搭载红外热像仪检测外墙外保温系统缺陷影响因素及案例分析［J］. 施工技术，2020，49（9）：12- 15.
[7]	彭雄，钟新谷，赵超，等. 基于无人机热成像的建筑饰面层脱粘缺陷识别［J］. 红外技术，2022，44（2）：189- 197.
[8]	焦晨琳. 基于红外图像的建筑外墙外保温层缺陷检测与识别研究［D］. 西安：西安建筑科技大学，2022.
[9]	张东波. 探地雷达技术在无机保温砂浆外墙外保温系统无损检测中的应用［J］. 施工技术，2020，49（9）：16- 19.
[10]	王卓琳，张东波，李向民，等. 既有建筑外墙外保温系统康普顿背散射检测技术研究［J］. 施工技术，2020，49（9）：9- 11.
[11]	SPENCER B F，HOSKERE V，NARAZAKI Y. Advances in computer vision-based civil infrastructure inspection and monitoring［J］. Engineering，2019，5（2）：199- 222.
[12]	陈瑶，梅涛，王晓杰，等. 基于爬壁机器人的桥梁裂缝图像检测与分类方法［J］. 中国科学技术大学学报，2016，46（9）：788- 796.
[13]	JANG K，AN Y K，KIM B，et al. Automated crack evaluation of a high-rise bridge pier using a ring-type climbing robot［J］. Computer-Aided Civil and Infrastructure Engineering，2021，36（1）：14- 29.
[14]	李耿. 基于BIM和无人机视觉的建筑外墙病害定位和可视化方法研究［D］. 深圳：深圳大学，2022.
[15]	刘昳嵘. 基于机器学习的智能建筑外墙饰面砖脱空识别研究［D］. 湘潭：湘潭大学，2024.
[16]	李发喜，赖建安，刘彦瑞，等. 基于YOLOv5的建筑外墙裂缝检测方法［J］. 电子制作，2024（23）：64- 67.
[17]	王玮，朱庆仁，肖云，等. 基于可见光和红外图像融合的建筑外墙空鼓与脱落识别方法研究［J］. 工业建筑，2024，54（5）：51- 59.
[18]	林汨圣，王扬，许可. 基于深度学习的居住建筑外墙面损伤检测研究［J］. 建筑技术，2021，52（7）：892- 895.
[19]	夏子祺，马临原，单伽锃，等. 基于计算机视觉的建筑外墙剥落和裂缝两阶段检测方法［J］. 建筑结构学报，2023，44（2）：207- 216.
[20]	LIU Z，CAO Y，WANG Y，et al. Computer vision-based concrete crack detection using U-net fully convolutional networks［J］. Automation in Construction，2019，104：129- 139.
[21]	虞建. 复杂背景下工程结构表面裂缝的快速识别方法与模型化技术研究［D］. 南昌：南昌大学，2023.
[22]	陈逵，赵亚伟，王光明，等. 基于SSG-YOLOv8n模型的砖砌墙体裂缝形态识别方法［J］. 工业建筑，2025，55（7）：152- 161.
[23]	刘少华，任宜春，郑智雄，等. 基于航拍图像与改进U-Net的建筑外墙裂缝检测方法［J］. 土木与环境工程学报（中英文），2024，46（1）：223- 231.
[24]	迪力夏提·多力昆，张太红，冯向萍. LabelMe标注核对系统的设计与实现［J］. 计算机技术与发展，2022，32（3）：214- 220.
[25]	李想，熊进刚. 基于深度学习的低光照条件的混凝土裂缝检测［J］. 建筑结构，2021，51（增刊2）：1046- 1050.
[26]	郝天轩，封会彦，李旭，等. 基于YOLO11与时空图卷积网络的煤矿钻杆操作行为识别与计数方法研究［J/OL］. 煤炭科学技术，2025［2025-10-11］. https://link.cnki.net/urlid/11.2402.TD.20251010.1657.001.
[27]	EVERINGHAM M，van GOOL L，WILLIAMS C K I，et al. The Pascal visual object classes（VOC）challenge［J］. International Journal of Computer Vision，2010，88（2）：303- 338.