基于改进U-Net的历史建筑
水刷石饰面配比智能分析技术
水刷石是一项随着水泥传入中国后而出现的传统工艺，是用石屑、小石子等骨料与水泥等胶凝材料加水拌和后抹在建筑物表面，半凝固后，用硬毛刷蘸水刷去表面水泥浆而使石屑或小石子半露的一种工艺，在上海的历史建筑中得到广泛应用。在修缮时，水刷石的原始材料及配比遗失现象比较严重，获取其信息是历史建筑风貌修缮与复原的前提。
以解决目前传统方式试配材料配比面临的问题为导向，基于人工智能手段，构建了水刷石骨料分割深度学习神经网络模型，提出了水刷石智能配比分析方法，实现了典型饰面材料配比的快速智能获取，促进了传统工艺与现代技术的融合。
水刷石饰面基础调研
水刷石饰面在1906—1919年逐渐兴起，并在1920—1939年达到了应用的鼎盛时期。目前上海现存的水刷石饰面中骨料多采用方解石、花岗岩和汉白玉。
表1 典型建筑水刷石饰面胶凝材料与骨料种类的关系
方解石以珍珠色、灰白色、透明色为主，花岗岩石子以浅肉红色、浅灰色、灰白色为主，汉白玉以白色或灰白色为主，水泥以白水泥、灰水泥和黑水泥为主，饰面的石子粒径以8、6、4mm,以及2～6 mm的米粒石为主，如下表所示：
表2 不同骨料粒径下水刷石饰面的常规配比信息
饰面配比智能分析方法建立
水刷石配比分析包括骨料分割和配比计算2部分内容，其中，骨料分割包括骨料的检测与分割，符合人工智能领域中语义分割算法的应用场景。考虑到目前水刷石的配比样本较少，可用于训练深度学习模型的数据集规模不大，采用经典的U-Net模型5来实现骨料分割。
1.基于不同视觉特征的图像数据集构建技术
深度学习神经网络模型建立的前提是建立可用于优化模型的标准数据集。白色石子、黑色石子和透明石子，具有各自视觉特征。从上海多个历史建筑项目上利用数码相机完成了原始图像的高质量采集。采集图像中包含白色石子、黑色石子、透明石子3种典型损伤，损伤区域采用Labelme进行多边形人工标注，如图所示。
labelme人工预标注界面
2.运行环境的搭建
深度学习神经网络模型的训练与运行对硬件的环境要求较高，需要大量的图形处理算力进行支撑，因此，在构建深度学习神经网络模型前，应搭建深度学习神经网络模型训练与运行环境。
3.深度学习神经网络模型的构建技术
(3.1) U-Net模型架构
水刷石图像输入U-Net模型，先经过编码路径，包含4个编码单元，每单元有卷积、激活、批量归一化和dropout层。每2单元间设最大池化层进行下采样。之后，特征传递到解码路径，每2单元间上采样一次，同时下采样特征直接传递至上采样层降维。最后，Softmax函数归一化特征图。训练前，图像按8:1:1分为训练集、验证集和测试集。
U-Net神经网络模型
(3.2) 损失函数设定
水刷石骨料分割任务中，因数据不平衡（黑白骨料少，透明骨料多），普通损失函数不适用。故采用Sudre等提出的广义骰子损失(GDL)。在此训练环境下，三种骨料分割精度分别为：白色91.2%、黑色92.6%、透明94.1%，结果见图。
U-Net分割结果
(3.3) 基于OpenCV的粒径计算
OpenCV作为一个开源许可的跨平台计算机视觉库，提供图像处理与计算机视觉算法工具集，支持实时应用。粒径计算流程包括图像预处理、分割、特征提取，最后通过公式计算粒径。
水刷石饰面是上海近现代历史建筑的典型饰面之一，存在传统配比遗失严重、常规配比分析技术多面临试配时间长、精确待提升等问题。通过调研采集饰面类型建立了水刷石饰面的数据集，通过骨料分割深度学习模型分割出的各类骨料图像，基于OpenCV计算机视觉库，计算出骨料的粒径尺寸、像素面积，得到各类骨料之间及骨料与胶凝材料之间的比例关系，实现了水刷石配比的快速化、智能化分析，通过人工智能技术赋能历史建筑饰面的精准复原。
*本文内容由上海建工四建集团有限公司撰写
如需转载或使用图片，请注明来源
素材：上海建工四建集团有限公司
编辑：上海市历史建筑保护事务中心
来稿请投：SHlbzx@163.com
