《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：AI-Driven Post-Earthquake Rapid Structural Damage Assessment: A Scoping Review of Component-Level and Holistic Approaches
震后快速结构损伤评估（Rapid Structural Damage Assessment, RSDA)仍是保障安全与有效灾害响应的关键领域。尽管标准化的手工巡查方法已较为成熟，但其往往耗时费力、资源密集，且因人工判断差异而存在结果变异性。因此，利用人工智能(Artificial Intelligence, AI)的创新方法作为解决上述局限性的可行方案已受到广泛关注。然而，多样方法论与各类应用尺度的快速 proliferatio n使得追踪现有前沿技术与发展实践变得困难。尽管已有综述研究覆盖了该领域的多个方面，但系统性地分类和比较聚焦构件级损伤的方法与采用新兴整体方法的研究的综合分析仍然缺乏。本范围综述通过考察AI驱动的RSDA文献来填补这一空白，将分析结构化为两个主要类别：关注孤立结构构件的研究，以及通过整合构件级数据来评估整个结构系统的研究。研究人员分析了通过Scopus、Web of Science(WoS)和EBSCO获取的近10年(2015–2025)发表的所有相关研究，以提供对这些技术贡献与局限性的洞察。该方法包括对现有文献的综合分析，包括用于绘制出版趋势的文献计量分析，以及对研究进行深度主题分类。这些类别定义为：(1)结构与损伤类型，(2)数据集特征，(3)模型开发，(4)学习与标注技术，以及(5)验证方法。本综述揭示了从基础分类任务向细粒度定量损伤分割的清晰研究轨迹，但发现了快速视觉检测与定量结构性能评估之间持续存在的关键鸿沟。该研究强调了自动化震后损伤评估的进展，并讨论了该领域当前的空白。此外，研究人员概述了未来研究方向，重点关注提高模型鲁棒性、增强与全球标准的互操作性，以及提升对各种震后场景的适应性。
**1 引言**
地震源于地壳板块的突然运动，是全球最具破坏性的自然灾害之一。其威胁具有全球性，各大洲均有广阔区域暴露于高地震风险之下。地震占所有灾害经济损失的四分之一以上(25.6%)，1970年至2023年间累计经济损失估计超过1.59万亿美元。尽管工程技术取得重大进展，人员伤亡仍居高不下。地震的直接影响表现为建筑物、桥梁、道路和公用设施等关键基础设施的严重结构损伤，常导致生命悲剧性损失。除初始的物理破坏外，地震还会深刻扰乱地方经济、引发大规模人口流离失所，并对环境造成长期影响。因此，开发有效评估这些灾难性自然事件所致结构损伤的机制，对于建设韧性社会至关重要而非仅属有益。
震后快速结构损伤评估(RSDA)在灾害响应中发挥关键作用，使当局能够确定破坏程度并优先安排急需干预的区域。准确及时的损伤评估对于有效调配资源、启动搜救行动以及保障受灾民众安全不可或缺。然而，传统的损伤评估方法往往依赖专家工程师的现场目视检查，存在缓慢、资源密集、易有人为差错等缺陷，且在大型或结构不稳定区域构成重大生命安全风险。这一方法论瓶颈凸显了采用创新技术提升震后评估效率、安全性和可靠性的紧迫需求。
RSDA是评估震后结构状况的重要过程，旨在快速判定建筑物和基础设施是否安全可用、需要立即拆除或适合修复。通过该过程，识别严重受损或倒塌结构对于优先安排搜救行动并确保关键区域得到及时处理至关重要。加速结构损伤识别对于尽快恢复正常生活意义重大。传统检查方法往往依赖主观目视评估和人工估算，未必总能提供准确或全面的结果。
基于计算机视觉的检查技术，特别是利用人工智能(AI)及其子领域如机器学习(Machine Learning, ML)和深度学习(Deep Learning, DL)的技术，已成为克服上述挑战的突出替代方案。此类算法能够快速处理 probor 大量视觉数据、分析复杂模式并检测可能被人工检查员忽略或难以察觉的细微损伤特征。近期综述研究强调了计算机视觉模型在多种材料和损伤类型中检测结构损伤的增强能力，突出其在特定情境下补充甚至替代人工检查的潜力。事实上，近期DL框架在分割复杂微裂缝方面展现出高精度，而微裂缝被特别指出是人工检查员难以手动识别的。将这些先进技术整合入RSDA流程，使损伤检测自动化、提升评估准确性并显著缩短关键决策时间成为可能。这些技术还可用于近实时应用，为急救人员提供即时情报并支持资源的动态调配。随着对更快速更可靠评估需求的增加，将这些技术整合入RSDA代表了地震响应和恢复工作的重要进步。
尽管该领域研究的快速扩展催生了若干有价值的综述研究，但系统地区分和比较聚焦构件级损伤的方法与采用新兴整体方法的综合综述仍然缺乏。本研究旨在通过系统综述基于AI的震后RSDA研究来满足这一需求。主要目标是分类和分析当前前沿技术，考察两组主要研究：(1)在结构构件层面进行损伤评估的研究，以及(2)通过聚合构件级数据来推导整体建筑状况评估的研究。本综述通过提供该领域 prevalent 模型、数据集和评估指标的结构性概述——这一分析框架在现有综述中明显有限——试图识别关键研究趋势并建立该领域从学术探索到实际应用的清晰发展路线图。该议程将强调超越简单损伤检测迈向整体性能预测的必要性，通过合成数据生成解决持续存在的数据瓶颈，并将视觉-语言模型(Vision-Language Models, VLMs)和可解释AI(Explainable AI, XAI)等下一代架构与可现场部署的机器人系统相整合。
**2 研究背景**
近期综述尤其在过去几年发表的研究，凸显了利用AI进行震后RSDA的日益增长的兴趣。这些综述的重要部分综合了遥感技术的进展，强调卫星影像、航空测量和地理信息系统的整合。例如，Al Shafian和Hu等近期综合综述利用深度学习从遥感图像进行建筑损伤评估的前沿技术。这些研究在先前工作基础上，聚焦机器学习与多源数据的整合，识别数据融合、实时处理和利用无人机克服图像分辨率和数据质量等挑战的关键趋势。
另一批综述文献更广泛地集中于结构工程中先进计算工具的应用。近期前沿综述全面调查了深度学习在结构损伤检测中的应用，确认卷积神经网络(Convolutional Neural Networks, CNNs)为主导架构。类似地，其他研究聚焦利用ML创建计算高效的地震响应预测替代模型，替代传统时程分析。另有综述梳理了机器学习在建筑地震易损性分析中的应用，突出从传统方法向数据驱动脆弱性评估的演变。基于视觉的深度学习在更广泛结构健康监测中的应用增长也得到系统分析，确认其从裂缝检测到构件级状况评估等任务的有效性。在Gou等的近期综合综述中，文献记载了这些进展，特别注意到AI驱动的基于视觉的方法识别各类表面级损伤的整合增加；具体而言，CNN等架构在从图像和传感器数据中分割裂缝、剥落和腐蚀等损伤方面展现出高精度。
尽管这些综述提供了有价值的洞察，关键空白仍然存在：没有任何研究系统地弥合了局部损伤与系统级安全推断之间的方法学鸿沟。文献中的当前方法可大致分为两股不同的研究流；主要焦点在于识别构件级的颗粒损伤(如分类或分割特定裂缝、剥落和钢筋暴露)，而另一股平行研究追求对整个结构的 holistic 评估，常从外部视角评估建筑整体状况(如分类全局安全状态)或通过聚合多源数据。系统性地弥合这两个尺度并分析其各自挑战、共享方法论以及整合路径的综合分析尚属缺乏。
本范围综述认为，构件分析与整体分析之间的区分不仅仅是分类学选择，而是塑造RSDA领域模型发展轨迹和实际应用的基本方面。通过围绕这一对比独特地构建分析，本研究旨在提供清晰的比较综合，绘制当前前沿技术图景，识别快速视觉检测与定量结构性能之间的关键脱节，并为未来真正集成评估系统的研究规划路线。
**3 研究方法**
**3.1 综述方法**
本范围综述的方法论围绕五个主要研究问题(RQ1–RQ5)构建，并遵循系统综述和荟萃分析首选报告项目扩展范围综述(Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews, PRISMA-ScR)框架以确保透明度。文献收集和筛选过程遵循自上而下的方法，始于使用预定义关键词的广泛搜索，并通过应用纳入和排除标准逐步细化选择。
研究人员采用PICO框架[33]来组织文献搜索、透明记录策略并让读者理解方法论。在本范围综述中，人群(Population, P)包括将AI技术(ML、DL和CNN)应用于地震损伤评估的研究，聚焦混凝土结构以允许对应用于具有明显视觉损伤模式的重要结构材料类型的AI方法进行一致比较。干预(Intervention, I)聚焦于使用这些AI模型分析各种数据集，如捕捉震损建筑结构元件损伤的图像。比较(Comparison, C)涉及对不同研究中使用的AI模型、数据集和性能指标(如准确率、精确率、召回率、F1分数)的比较。结果(Outcome, O)旨在评估这些AI驱动方法在准确检测、分类和量化地震诱发损伤方面的有效性，并通过识别优势和不足为损伤评估方法学的演进做出贡献。
方法论包括以下步骤：(1)定义研究问题并建立纳入和排除标准；(2)在选定数据库(如Scopus、Web of Science)中系统搜索相关文献，随后进行文章筛选和过滤；(3)从纳入研究中提取相关信息并进行文献计量分析以提供出版趋势的定量概述；以及(4)分类和分析文献以识别关键研究方向、重要发现、现有空白和未来研究机会。该方法确保了对AI驱动地震RSDA前沿技术的全面结构化综述。
**3.2 检索策略与研究选择**
本AI地震损伤评估范围综述遵循结构化研究方案，以确保纳入高质量和相关文献。方案包括以下关键阶段：(1)选择适当数据库，(2)设计综合检索式，(3)定义明确的纳入和排除标准以确保文章适格性，(4)对检索出版物进行多阶段筛选，以及(5)对选定论文的最终审查和分析。
**3.2.1 数据库选择**
文献检索使用三个主要学术数据库进行：Scopus、Web of Science(WoS)和EBSCO。这些数据库的选择基于其对同行评审期刊文章的全面覆盖，特别是在AI、结构工程和地震工程领域。这些数据库被优先考虑是因为它们最全面地涵盖了结构工程与人工智能交叉的多学科研究。通过利用这些来源，本综述确保了广泛高质量相关研究的选取。研究人员承认将检索限制于索引期刊可能排除一些常在主要计算机科学会议(如CVPR、ICCV)中提出的前沿算法发展。然而，这一标准被明确选择是因为结构工程领域主要作为这些技术的采纳者。AI模型针对RSDA协议的基准测试及其在结构数据集上的严格验证主要记录在索引期刊中，而非会议论文。最终检索于2025年9月完成，确保了最新研究的纳入。所有检索结果导出至Zotero，并在筛选过程前去除重复。
**3.2.2 检索式设计**
检索策略使用主要关键词、同义词和通配符的系统组合来检索最相关的研究同时最小化无关结果。关键词分为两个主要概念，随后使用通配符扩展检索。为确保全面检索地震损伤评估相关研究，为概念#1 ("Earthquake Damage Assessment") 使用了广泛的变体。为确保AI方法论的全面覆盖，为概念#2 ("Artificial Intelligence & Deep Learning") 使用了多样化的检索词。包含每个概念子类别的检索式被系统应用于每个选定数据库。具体检索逻辑和每个检索ID(S1-S8)使用的具体字符串在附录A3中呈现。概念1定义的检索词最初分别作为检索S1、S2和S3执行。这些随后使用OR布尔算子组合，产生检索S4。随后实施了三个关键过滤程序：(i)纳入近10年发表的研究，(ii)选择同行评审文章，以及(iii)限制为英文撰写的文章。
过滤结果随后与概念2使用AND布尔算子组合。如表3所示，概念1获得的检索结果与概念2组合，产生检索S5、S6和S7。这些检索也使用OR布尔算符组合，在所有数据库中共产生10,658条初始记录。通过研究人员间的广泛讨论对这些检索结果的相关性进行了细致评估。作为这一系统过程的结果，从数据库检索的所有数据被导入Zotero，在消除5,255条重复后，共识别出5,403篇独特文章进入筛选阶段。
**3.2.3 纳入标准**
为确保最终研究选择的相关性和高质量，在筛选过程中应用了一组预定义的纳入标准。
纳入标准：i1-同行评审期刊文章；i2-近10年(2015–2025)的出版物以捕捉最新研究进展；i3-聚焦结构构件层面(如柱、梁、墙)或整体建筑层面基于视觉的地震损伤评估的研究；i4-利用AI技术(如ML、DL、CNN)进行损伤检测和分类的研究；i5-纳入真实或实验损伤数据集以确保实际相关性的研究。
排除标准：e1-灰色文献(如预印本、学位论文、报告)和掠夺性期刊发表的文章，以确保聚焦于严格同行评审的文献；e2-非英文撰写的出版物；e3-未应用AI技术进行损伤评估的研究；e4-缺乏充分方法学细节或实证验证以允许批判性评价的论文；e5-聚焦非地震灾害(如洪水、火灾、飓风)相关损伤评估的研究。
**3.2.4 过滤与筛选**
去除重复后识别的5,403篇独特文章进入多阶段筛选和适格性评估过程。该过程始于基于标题和摘要中关键词的初始过滤阶段，以快速排除明显无关的研究(如使用"flood"或"wildfire"等术语移除聚焦非地震灾害的文章)。随后，剩余文章的标题和摘要由两名评审员根据预定义纳入标准独立筛选。被视为可能相关的研究被提取进行全文评估。
对103篇潜在相关研究进行了全文评估，由两名独立评审员完成。为确保透明，应用了严格的操作定义，导致58篇文章被排除。具体排除映射如下："超出范围"(n=18)指聚焦非地震灾害或非结构问题的研究(标准e5)；"错误焦点"(n=16)识别缺乏AI驱动方法论的研究(标准e3)；"方法薄弱"(n=11)和"数据不足"(n=8)表示实验设计或报告不充分的论文(标准e4)；以及"高偏倚风险"(n=5)标记具有基本有效性关注的研究(如在训练数据集上测试，或损伤定义模糊)。任何分歧通过讨论或咨询第三名评审员解决。这一严格过程导致最终选定45项研究，随后被分类为构件级(n=35)和整体(n=10)方法。
**3.2.5 数据提取与综合**
为确保文献的系统性和无偏综合，设计了使用预定义电子表格模板的结构化数据提取流程。对于45篇选定的研究，提取了关键洞察和趋势，聚焦于：(1)评估的结构和损伤类型，(2)所用数据集的特征和多样性，(3)AI和DL模型的开发和应用，(4)采用的学习和标注技术，以及(5)使用的验证方法和性能指标。提取的数据随后为两个层次的分析提供信息：定量文献计量概述和深入的主题内容分析。该主题分析围绕本综述识别的两个主要研究类别(构件级和整体评估框架)构建，并进一步考察性能指标、方法趋势和局限性以识别研究空白和未来方向。
**4 文献计量分析与出版趋势**
在深入选定文章的主题综合之前，对最终45项研究进行了文献计量分析以提供研究图景的定量概述。该分析旨在识别AI驱动震后损伤评估领域的一般出版趋势、研究地理分布和核心知识主题。分析结果为后续详细综述提供了广泛背景。
**4.1 年度出版分布**
对45篇选定文章的分析揭示了出版频率的显著上升趋势，突显了AI驱动震后损伤评估中学术和实践兴趣的日益增长。与数量增长并行，引用数据揭示了成熟研究领域的一个特征：虽然产出从2022年起显著加速，2024年达到顶峰(11篇文章)，但早期奠基性研究继续积累显著影响。包含2025年的若干研究(6篇文章)确认了这一研究势头正在持续。
**4.2 地理与机构贡献**
出版物的地理分布揭示了研究在少数关键国家的高度集中。中国是最重要的贡献者，有21篇文章(~46%)，其次是美国(9篇)，以及土耳其、印度和台湾(各3篇)。这种集中于高地震风险国家和强大技术基础设施的现象，突显了该领域的问题驱动特性。
国家层面的集中也 evident于合作网络和机构产出。共同作者分析揭示了一个由中国和美国主导的国际网络，这两个国家作为全球知识共享的中心枢纽。机构层面，这一领导地位由哈尔滨工业大学(8篇出版物) spearhe aded ，随后包括台湾科技大学、普渡大学和加州大学系统(各3篇)等专业中心。高质量语料库得到确认：绝大多数文章(45篇中的34篇，~76%)发表在Q1期刊，其余发表在声誉良好的Q2期刊。研究集中在少数领先期刊。 "Computer-Aided Civil and Infrastructure Engineering"最为突出(7篇)，其次是"Engineering Structures"和"Journal of Building Engineering"(各5篇)，以及包括"Engineering Applications of Artificial Intelligence"、"Sensors"和"Structural Control and Health Monitoring"(各3篇)在内的后续层级。这些特定高影响期刊的突出地位凸显了该领域的跨学科性质，处于结构工程、建造技术和计算机科学的交叉点。
**4.4 引用影响与最具影响力文章**
引用数据分析(总计2,442次引用)揭示，该领域的知识轨迹由一小批奠基性论文塑造。这一影响高度集中，前10篇被引最多的文章占1,763次引用(~72%)。2018年Gao和Mosallam的论文单独占561次引用(~23%)，突显了其深度迁移学习应用在该特定研究领域定义中的关键作用。虽然早期工作建立了这一基础，但按年份累积影响分析显示，2022年发表的文章产生了最高的集体影响，表明近期方法学影响的峰值。
为可视化这一知识谱系，研究人员进行了引文网络分析。网络中较大的节点确认了被引最多文章作为奠基性枢纽的作用。箭头绘制了知识流动，而不同的颜色聚类暗示了主题子流。具体而言，聚类揭示了深度学习方法论的中心密集核心向不同应用领域分支，直观确认了该领域的快速多元化。
最后，作为第5节主题分析的前奏，45篇选定文章根据其主要方法论取向进行了分类。绝大多数研究(35篇，~78%)聚焦构件级损伤评估(如梁、柱、墙)。相比之下，一个较小但重要且新兴的群体(10篇，~22%)采用整体方法，旨在整合构件级信息以推断整体建筑状况。这一根本区分构成了后续深入综述的核心结构。
**4.5 资助格局分析**
资助格局分析揭示了该领域严重依赖国家资助，且资金支持明显集中于中国的现象。45篇文章中，29篇披露了114项不同资助，其中98项(~86%)源自中国机构。这一主导在中国国家自然科学基金(NSFC)作为单一最大贡献者(32项资助)和中国国家重点研发计划(13项资助)中得到详细体现。顶级国家支持突显了该领域与中国战略研究重点的一致性。
除这一集中外，其他值得注意的贡献者包括美国NSF、韩国国家研究基金会和加拿大NSERC(各2项资助)，表明了全球但失衡的兴趣。
**4.6 标题和关键词的主题分析**
文章标题的主题分析以词云形式可视化，确认了该领域的核心焦点。"damage"、"detection"、"structural"、"learning"、"assessment"和"earthquake"等术语的突出性明确了清晰使命：应用基于学习的方法进行地震结构损伤检测，主要用于"building"和"concrete"应用。
与此互补，作者提供关键词的共现网络展示了该领域的知识结构，揭示了概念关系和主导研究聚类。例如，"damage detection"与"convolutional neural networks"之间的强关联确认了方法-问题的一致性，而"unmanned aerial vehicles"等术语的边缘位置指示了一个新兴但整合较少的子领域。
**4.7 文献计量发现总结**
文献计量分析提供了定量快照，收敛于一个清晰的叙事：一个自2018年以来出版量指数增长、同时伴随奠基性论文影响力成熟的领域。这一知识图景高度集中，中美机构主导研究产出和国际合作网络。这一地理重点 mirrored于资助结构中，国家科学基金会尤其是国家自然科学基金(NSFC)作为主要财政引擎，突显了该领域与国家战略重点的一致性。研究产出主要通过高影响Q1期刊发表，确认了工作的高质量。主题分析进一步勾勒出清晰焦点：将"基于图像"的"深度学习"模型应用于"地震"背景下"结构"构件的"损伤检测"。最终，这一定量概述突出了45项研究的基本分类。区分多数构件级研究与新兴整体框架聚类的分类，为后续第5节的深入主题综合提供了核心结构。
**5 选定研究的主题综合**
本节按照PRISMA方法论原则，对45篇选定研究进行系统性和主题性综合。主要目标是批判性分析和整合基于视觉的结构损伤评估现有知识体系。文献分析揭示了两个主要但互补的研究流：构件级评估和整体评估。
构件级研究通过聚焦特定结构元件(如柱、梁或墩)或个别损伤实例(如单条裂缝或剥落区域)的详细局部分析，提供颗粒度分析。这一方法对详细工程评估和针对性修复策略至关重要。相比之下，整体研究采用更广泛的系统级视角，快速分类整个结构的损伤状态，这是大规模灾后侦察和应急响应的关键能力。这一根本二分法构成了本综述的组织基础。
**5.1 目标结构与损伤(RQ1)**
基于视觉的评估范围和焦点 fundamentally由其目标结构类型、材料和损伤所定义。这一初始研究问题(RQ1)探讨了这些基础选择。分析揭示了构件级与整体方法之间的清晰方法学分歧，主要由其操作粒度区分。
构件级研究绝大多数聚焦颗粒分析，绝大多数研究在目标级(n=33)和像素级(n=27)操作。这一自下而上策略对详细工程评估至关重要。与之形成鲜明对比的是，整体研究一律采用自上而下的视角；所有综述的整体研究(n=10)在目标级操作以识别宏观指标，且几乎所有(n=9)利用这些信息综合最终的结构级分类，这是快速大规模应急响应的关键能力。
**5.2 数据集特征(RQ2)**
任何深度学习模型的性能和可推广性与其训练数据特征密不可分。本节(RQ2)考察文献中使用的数据集，分析其来源、规模和用于模型训练的预处理技术。对45项研究的分析揭示了关于数据图景的三个关键趋势。
首先，数据获取挑战主要通过"混合"方法解决。近半数研究(49%，n=22)通过结合公共数据库与自定义收集或实验图像来编译数据集以增强鲁棒性。其次是显著依赖纯"公共"数据库(29%，n=13)和较小的作者策划"自定义"数据集(18%，n=8)。
第二，这些数据集的规模差异显著，揭示了两种不同策略。大量研究在较小、高度聚焦的数据集上操作，14项研究使用少于1,000张图像，16项研究使用1,000至5,000张图像。相反，大规模基准的趋势明显，15项研究使用超过5,000张图像(n=7为>10,000；n=8为5,001–10,000)。
第三，预处理以标准化为常见输入尺寸以利用迁移学习(TL)为主导。最普及的分辨率为"224×224"像素(n=13项研究)，这是继承自ImageNet预训练的标准。512×512(n=2)和1024×1024(n=4)的分辨率也用于像素级分割任务的更精细细节或提高分类准确性，尽管这伴随着更高的计算成本。大的"其他"类别(n=14)突显了针对特定模型架构定制的专业输入尺寸的显著多样性。
尽管数据集数量增长，关键定性评估揭示了威胁当前模型可推广性的重大局限。第一，关于数据在特定区域集中的问题：必须根据评估尺度区分这一局限的影响。对于构件级评估，损伤表现(如开裂、剥落)由材料力学控制，在不同地理区域视觉上一致。然而，对于整体评估，对特定区域数据的依赖引入了显著的"域偏倚"，因为结构类型和建造习惯(如砌体填充特征、立面覆盖层)在不同地震带间差异巨大。因此，在区域特定数据集上训练的整体模型可能遭受较差的跨区域可迁移性。这一局限强化了整体评估基于通用构件级损伤先验检测提供比直接端到端分类更鲁推广路径的前提。
第二，图像采集协议缺乏标准化。大多数数据集依赖"互联网来源"或众包图像，这些图像常缺乏系统检查所需的受控视角，而是以高度变化的视角、光照和比例为特征。这种不一致性可能阻碍鲁棒的、可部署算法的发展。
**5.3 模型开发与架构(RQ3)**
模型架构的选择是系统准确解读视觉数据能力的关键决定因素。本节(RQ3)深入探讨文献中使用的深度学习模型和建筑设计。对45项研究的分析揭示，架构选择并非任意，而是由研究流的主要目标战略性地决定：颗粒构件分析 versus 快速整体分类。
这一战略分歧在分析中清晰体现。分析突出显示这些模型家族并非互斥；许多研究尤其在构件级同时采用多种架构(如分类和检测)。数据显示分类(n=32)作为构件研究的基础方法，是所有整体研究的主要驱动因素。主要分歧在于专业精细任务的采用。目标检测和分割在构件级研究中被大量利用。相反，整体评估(n=10)显示检测或分割模型的应用显著较少，反映了其为整个场景分配单一状态的自顶向下目标。
**5.4 学习与标注技术(RQ4)**
模型训练过程由所选学习范式和计算机视觉任务决定，后者进而决定数据注释的性质和复杂性。本节(RQ4)分析了这些相互关联的选择。研究探索了主导学习策略、从分类到分割的计算机视觉任务谱系，以及生成必要地面真实数据的相应标注细节演变。
对45项研究的分析揭示了两个主导范式和一个关键瓶颈。首先，该领域被监督学习框架压倒性主导(n=43项研究)，绝大多数(n=33)明确将其与TL结合以利用预训练模型。其次，标注工作量直接与任务粒度成比例，从分类的低工作量类别标签发展到分割的像素级掩膜。最后一个重大发现是数据生成过程几乎完全依赖耗时的手动标注(n=41项研究)，这对可扩展性和自动化构成重大障碍。
**5.5 验证方法与性能(RQ5)**
深度学习模型的可靠性和真实世界适用性取决于严格的验证和谨慎的超参数优化，尤其对于预期用于地震后评估等高风险场景的工具，其准确性直接影响公共安全。这一最终研究问题(RQ5)考察了用于调整和验证所提出模型性能的方法论。研究综合了超参数调优的常见实践，并探索了用于确保模型鲁棒、可推广且无过拟合的验证策略。
对45项研究的方法学分析揭示了两个明显趋势。首先，关于超参数调优，存在对特定优化器的强收敛性。"Adam"优化器(n=19)是最主导选择，其次是"SGD"(n=10)和"RMSprop"(n=3)，突出了训练的共同基线。
第二，对于评估鲁棒性更为关键的验证策略则更为多样。虽然大多数研究(n=23)依赖数据的"简单分割"(如训练/测试)，这代表了容易过拟合的方法论弱点，因为模型在与训练分布相同的数据上测试。但显著且增长的数量(n=18)正在采用最严格的方法：针对"外部测试集"的验证。这一实践，连同较少数使用"K折交叉验证"(n=4)的研究，为模型的泛化能力提供了最强证据。
**6 讨论**
本系统综述综合了45项研究，旨在不仅记录前沿状态，而且明确揭示基于视觉的钢筋混凝土结构地震损伤评估当前轨迹中的方法学局限。分析揭示了一个以深度学习进步和对更准确、高效、颗粒损伤信息日益增长需求驱动的快速方法演进的领域。文献明显分叉为两种互补方法：提供工程评估所需详细数据的构件级评估，以及为大规模应急侦察提供所需速度的整体评估。本讨论批判性审视这些研究中的关键发现、方法学优势和持久局限，以识别关键研究空白并规划未来创新路线。
**6.1 关键发现与主流趋势综合**
综述文献的集体发现展示了一个清晰且渐进的趋势：从粗粒度图像级分类向细粒度、定量损伤表征的转变。早期工作成功确立了使用CNN进行基本损伤分类的可行性，但该领域已快速发展到更复杂的任务。一个显著的主流趋势是实例和语义分割模型的采用，这些模型超越了简单检测，提供损伤的像素级描绘，实现裂缝和剥落区域的精确几何量化。这一颗粒输出是关键发现，因其在原始视觉数据与结构分析所需定量输入之间架起了桥梁。
另一主要趋势是将检测结果整合到更广泛的评估框架中。若干研究现在不仅旨在识别损伤，而且利用这些信息自动估算修复成本、评估构件破坏模式，或推导整体建筑安全指数。或许最具前瞻性的发现是直接将视觉损伤与力学性能退化(如刚度和强度)相联系的开拓性努力，从而创建从图像到性能评估的直接路径。这代表了从损伤检测到真正基于视觉的结构评估的范式转变。
最后，大规模公共基准数据集(如PEER Hub ImageNet)的建立是 pivotal 发现，促进了标准化评估并加速了整个研究界的进展。
**6.2 实际意义与AI作为决策支持工具**
AI从研究到实践的过渡需要清晰定义其操作角色。综述文献表明，这些技术最适合定位为辅助决策支持工具，通过模拟标准检查流程来增强专家判断。人工RSDA中，专家首先检查个别元件(如柱、梁)以识别特定缺陷，然后综合这些观察确定建筑的整体安全标签(如安全/不安全)。本综述的AI方法直接对齐这两个操作阶段。
构件级模型在检查阶段充当"数字助手"。其实际效值在于减少手工观察固有的主观性和变异性。例如，检查员视觉估计裂缝严重度时，构件级模型可提供裂缝宽度和长度的客观量化，或特定柱的损伤等级分类。这一颗粒数据作为证据基础。
整体评估模型随后支持综合阶段。通过处理聚合的构件级数据或分析全局结构特征，这些模型提出整个建筑的初步安全分类。在决策支持情境中，这一输出作为专家的"第二意见"。因此，性能指标(如准确率)应被实践者解释为置信度。高置信度预测促进快速筛选，使当局能够优先处理被标记为关键或不确定的检查。这一能力确保稀缺专家资源不被耗尽在明显安全的结构上，而是被引导至最需要人工判断的地方。
虽然高置信度预测可简化报告流程，但低置信度预测或AI整体建议与专家直觉之间的差异则作为需要进一步详细调查的操作信号。最终，AI系统处理视觉证据，但关于占用安全的最终责任和决策仍由人类专家承担。
**6.3 共同优势与方法学进展**
文献中 evident 的一个主要优势是迁移学习(TL)的成功和近乎普遍应用。这一技术已证明是该领域的基石，使研究人员即使在使用结构工程中典型的小而专业数据集时也能实现高模型性能。通过利用从ImageNet等庞大数据集学习到的特征，研究持续展示更快的收敛和更好的泛化，使有效模型的开发变得易于实现且高效。
其次，模型输出的粒度和丰富性有显著进步。从简单分类到实例分割的演进代表了重大优势。Mask R-CNN和YOLOv8-seg等模型不仅识别多种损伤类型，而且用像素级掩膜描绘每个实例，提供关于损伤确切大小、形状和位置的宝贵信息。这一细节水平比粗边界框有实质性改进，对准确工程分析至关重要。
此外，轻量但强大的架构(如MobileNet和优化YOLO变体)的发展标志着朝向实际现场部署的重大进步，能够在智能手机和无人机等资源受限设备上进行实时分析。
最后，日益增长的优势是对真实世界适用性和鲁棒性的日益关注。研究人员正超越受控实验室图像来应对震后场景的复杂性。这 evident于创新数据增强策略的创建以模拟现场条件，以及在不同地震事件的外部测试集上验证模型的实践——这是提供模型在不可预测现场条件下可靠执行严格证据的另一方法论优势。
**6.4 识别局限与研究空白**
尽管取得显著进展，本系统综述识别了若干构成关键研究空白的持久局限。最显著且最常引用的弱点是数据瓶颈：对有限、不平衡且往往范围狭窄的数据集的持续依赖。许多研究承认，尽管精心策划，其数据集缺乏训练真正鲁棒模型所需的规模和多样性，导致过拟合风险和向未见结构类型或环境条件泛化的能力差。这一不足在"严重损伤"或"倒塌"等关键损伤条件下尤为明显，可能造成显著的类别不平衡。在缺乏严格数据平衡策略的情况下，这种不平衡创造了度量偏倚风险：模型可能通过正确分类大量"未受损"或"轻度受损"样例实现高总体准确率，但在可靠识别罕见但灾难性案例方面可能存在不足。由于假阴性(遗漏严重受损建筑)的操作成本极高，这一局限严重限制了真实世界RSDA应用。
为缓解这一局限，未来研究必须转向标准化开源基准而非临时私有数据集。该领域已在此方面看到有希望的步伐，DAD和Crisis Benchmark等已建立了基于社交媒体的评估基线。更近期，EID和EIDSeg等倡议正提供专为结构损伤定制的高保真、像素级标注，提供了走向可复现和可比结果的严格路径。
第二主要局限在于细粒度损伤检测的挑战。虽然模型在识别剥落或倒塌等明显损伤方面表现出色，许多模型在细微或几何复杂案例中挣扎。可靠检测细微发丝裂缝、区分多交叉裂缝模式、以及区分轻度和中度损伤水平仍是开放挑战，限制了这些工具在早期损伤检测或详细状况评估中的应用——在这些场景中细微指标至关重要。
当前文献中的一个根本性局限是视觉损伤检测与定量结构性能评估之间的脱节。虽然绝大多数综述研究成功展示了AI检测、分类和分割表层损伤的能力，这些视觉输出很少转化为可操作的工程指标如刚度退化、残余漂移能力或屈服强度。当前前沿技术仍主要聚焦于损伤状态识别而非结构性能评估。已开始弥合这一鸿沟的先驱研究强调，建立计算机视觉输出与定量工程参数之间的 robust 联系是提供结构工程师完全可操作洞察所需的下一步进化。
最后，模型的可解释性、"黑箱"问题仍是采用的一个持久障碍。虽然模型可能实现高准确率，其预测的基本依据往往不透明。这种缺乏透明度可能 erode 信任并阻碍实际应用，因为工程师和利益相关者需要理解并验证自动化评估的基础——早期关于可解释性的研究已开始探索这一局限。
**6.5 未来研究方向**
基于识别的局限和研究空白，本综述概述了将领域从学术探索推进到 robust 实际应用所需的关键方法学标准。
首先，研究界必须通过协作和创新的数据生成努力解决数据瓶颈。这包括开发大规模、标准化和多模态基准数据集，涵盖更广泛的结构类型、地理区域和损伤严重度。超越收集真实图像，未来工作应扩展高保真合成和半合成数据的生成，利用基于物理的模拟和生成对抗网络(GANs)按需创建逼真且结构一致的培训数据，尤其对于罕见但关键的破坏模式。
第二，未来研究应聚焦于弥合视觉与结构力学之间的鸿沟。下一代模型必须超越损伤检测迈向直接性能预测。这涉及创建能够从视觉数据推断工程需求参数(如层间位移角、残余能力、刚度退化和易损性参数)的框架。Miao等的工作为这一方向提供了基础蓝图。这可能需要多模态学习，融合视觉数据与BIM信息、传感器网络或LiDAR点云数据，以提供全面且基于物理的评估。
第三，为克服细粒度检测挑战并增强真实世界鲁棒性，研究应探索先进模型架构和学习范式。这包括进一步调查结合CNN局部特征提取优势与Vision Transformer全局上下文理解的混合模型。此外，探索视觉-语言模型(VLMs)在将评估输出从简单分类或掩膜转化为观察损伤的丰富描述性文本报告方面具有重要潜力，从而增强实践者的可解释性。此外，向自监督、弱监督或少样本学习的转变可能大幅减少当前所需的繁重手工标注工作，使模型能够从大量未标注或稀疏标注数据中学习。同时，可解释AI(XAI)的协调努力需要开发决策过程透明且可解释的模型，建立信任并促进工程实践对这些技术的采纳。
最后，必须更加重视将这些AI能力转化为可靠、可现场部署的决策支持系统，为工程师、急救人员以及可能涉及震后建筑安全管理的其他利益相关者量身定制。未来研究应聚焦开发将经过验证的轻量高效模型整合到实用工具中的完整工作流。这一整合可能利用无人机和爬行器机器人等平台进行安全快速的数据采集，尤其在危险环境中，并可纳入直观界面，潜在使用增强现实(AR)进行现场可视化增强。 crucially，这涉及解决确保多样现场条件下鲁棒性、实现高效处理(可能通过边缘计算)以及创建将自动化评估无缝整合入检查员和灾害管理团队既定操作流程和决策过程的用户界面等实际挑战。
