摘要：人工智能框架越发成熟的发展，为人工智能技术在各个领域得到广泛应用创造了基础。其中，建筑与城市规划领域也开展了关于人工智能如何可以带来的革新性影响的讨论。本文主要探讨了将深度学习框架下的影像识别技术应用于评估城市抗灾害韧性能力的分析，尝试采用深度学习神经网络，对于建筑图像数据集进行分类。同时本文也探讨了该次试验性探索在未来应用在规划设计领域的可能性。
关键词：人工智能，深度学习，城市设计，城市脆弱性评估，建筑分类
1.研究背景
近些年来，人工智能技术飞速发展并在各个领域都引发了关注，众多学科领域也都开始了对于应用人工智能技术的试验。而在建筑与城市规划领域，格哈德•施密特［1］提出，早在20世纪80年代初期人们就已经开始对于人工智能在建筑和规划领域的应用抱有期待，并且进行了初步尝试，然而由于技术的限制，初期的尝试并没有产生显著的效果，之后人们在该领域的探索进入了一个相对冷却的时期。随着如今技术的飞跃发展，人工智能又迎来了新的发展高峰期，正如施密特所言，这也为该技术在建筑和城市规划领域的探索提供了第二次重要的发展机会。在此发展机遇下，我国国务院于2017年发布了《新一代人工智能发展规划》[2]，其中特别指出了在城市规划建设方面的发展思路。吴志强[3]院士也提出了“坚持推进人工智能应用与城市规划领域，是中国城市规划在世界规划界的前沿跟跑、并跑和领跑的重要技术手段”。虽然人工智能在城市规划领域的应用研究已经引起了普遍关注，然而目前将人工智能模型应用于韧性城市的研究，特别是城市防灾减灾方面的研究还并未广泛地展开。
2.分析方法
人工智能领域中，深度学习（Deep Learning）与卷积神经网络（Convolutional Neuron Network）的框架已经发展得相对成熟，并且很多模型在图像分类等领域的应用都取得了突出的效果。因此，笔者尝试将该智能学习框架应用于城市建筑材料类型分类上，用以推导城市脆弱性分析。Emily So［4］在2012年提出了用于评估地震带来的损失的预测模型，其中指出了可根据建筑结构材质对于建筑在面临地震灾害时的脆弱性进行不同级别的评估，而建筑材质可大致分为四类，分别是：砖砌建筑、木质建筑、混凝土建筑、以及钢结构建筑。由于在建筑基础数据不齐全的地区，统计建筑结构材质的工作是非常耗时耗力的，而快速对建筑结构材质进行分类统计，对于应对地震灾害、制定地震灾害应急方案等具有非常重要的价值。
本次试验，笔者将深度学习框架应用于智能识别并分类以上四种建筑材质。首先，笔者通过网络爬虫的方式，收集了大量建筑外立面图片作为深度学习模型的训练数据。其中，砖砌建筑图片676张、木质建筑824张、混凝土建筑1023张、以及钢结构建筑997张。这些图片被分成了两个集合，分别为训练数据集合与验证数据集合，其分配比例为8比2。笔者分别搭建了一个三层的CNN（卷积神经网络）模型与一个六层的CNN模型，调整具体的模型参数以训练模型得到最好的分类效果。
3.实证研究
3.1 三层CNN模型
在第一轮试验中，笔者搭建了一个三层的卷积神经网络，第一层为16个神经元构建，第二层为32个神经元构建，第三层为64个神经元构建。将第一层到第三层的神经元信息可视化（见图1、图2），可以看出随着层数的加深，每个单元处理的信息内容更加抽象，与原图片的可识别度进一步降低，并进一步转化为计算机可以理解的信息。
图1.CNN模型第一层信息可视化（图片来源：作者） 图2.CNN模型第三层信息可视化效果（图片来源：作者）
在完成初步模型训练以后，笔者将训练集与验证集的数据分类情况可视化（见图3）。经观察可以发现，该模型参数在训练集的表现较好，四类建筑类型分类分布较为明显，而验证集数据的分类效果还有待提高，说明该模型参数还需要经过进一步训练以提高更广泛的应用能力。
3.2六层CNN模型
随着深度学习的模型层数的增加，也会出现增强数据处理能力的可能性。为了更高效地提升上文中模型的建筑类型分类能力，笔者将该模型的层数由三层加深到了六层。如图所示，第四、五、六层的神经元数量分别达到了64、128、256。
同样，通过可视化各层的神经元信息可以看出，随着层数的加深，每层神经元所处理的信息又更加抽象了，到了第六层人眼已经几乎无法分辨出与原图片之间的关联，而这种转化也提升了计算机处理数据的效果（见图4）。
通过增加CNN模型的层数，训练集的数据分类函数表现对于之前的三层CNN模型，得到了明显的优化，四类数据在三维象限中已经被非常明确地分成了四簇。同时，验证集的数据分类函数表现也得到了小幅度提升（见图5），分类分布更加清晰。
4.应用可能性探讨
由上文中的CNN模型测试可以看出，该框架可以应用于将大量建筑图像按照其外立面主要材质进行分类。值得讨论的是，虽然建筑外立面的材质并不一定能反映出建筑结构的材质，但是我国很多频繁遭受地震灾害侵袭的城乡地区，其建筑并没有过多的外立面修饰，从建筑外观既可以看出建筑的结构材质，特别是一些经济发展相对落后的地区，例如我国云南或四川等地的乡镇地区。笔者认为在这些地区，通过街景地图、或者无人机取景等技术，可以搜集到特定地区的建筑外立面图像及其定位信息，将这些信息导入上文分析的建筑材质类型智能分类模型中，即可估算出该地区的建筑脆弱度水平，并且进一步推导出该地区的建筑防震水平，了解城市的防震薄弱点并加以修复。
5.结束语
本文提供了将CNN模型图像分类技术应用于评估城乡地区建筑防震等级的有一种思路，而该技术的应用面并不仅仅局限为建筑材质识别与分类，其他在该领域的应用也包含通过识别建筑物的老旧、损坏程度来分类建筑物的脆弱等级。此外，图像识别技术只是深度学习模型的一种常见应用方向，伦敦大学学院（UCL）CASA研究中心麦克•巴迪教授[5]提出，人工智能模型也可应用于综合分析多重要素并生成最优化解决方案。笔者认为，人工智能模型也可以结合考虑城乡区域中与防震减灾相关的各种因素，特别是整合地理条件、生命线工程、次生灾害风险、交通流线等因素，并最终通过人工智能模型模拟与分析，推导并生成具有实践指导意义的优化解决方案。
参考文献：
[1].格哈德•施密特.人工智能在建筑与城市设计中的第二次机会，.时代建筑，2018（1）：32-37
[2].国务院． 新一代人工智能发展规划［ｒ］.北京：人民出版社，2017.
[3].吴志强.人工智能辅助城市规划.时代建筑，2018（1）：6-11.
[4].So，E.，Spence，R.Estimating shaking-induced casualties and building damage for global earthquake events：a proposed modelling approach，2012.
[5].麦克•巴迪.城市规划与设计中的人工智能，.时代建筑，2018（1）：24-31
[6].Batty，M.，The New Science of Cities[M].Cambridge MA：the MIT Press，2013.
论文作者:朱玥
论文发表刊物:《基层建设》2018年第33期
论文发表时间:2018/12/17
标签：建筑论文; 人工智能论文; 模型论文; 领域论文; 神经元论文; 材质论文; 应用于论文; 《基层建设》2018年第33期论文;