《Sensors》：Intelligent Recognition of Building Facade Defects: A Multilevel Review from Visual Perception to Engineering Operations and Maintenance
编辑推荐：
建筑外墙长期暴露于风化、材料老化、湿热循环及服役相关扰动之下。裂缝、分层、剥落和渗漏会危及建筑的耐久性与安全性，而相关的热异常则提供了劣化的间接证据。深度学习、无人机（UAV）巡检、红外热像技术（IRT）、激光雷达（LiDAR）、建筑信息模型（BIM）以及数字
建筑外墙长期暴露于风化、材料老化、湿热循环及服役相关扰动之下。裂缝、分层、剥落和渗漏会危及建筑的耐久性与安全性，而相关的热异常则提供了劣化的间接证据。深度学习、无人机（UAV）巡检、红外热像技术（IRT）、激光雷达（LiDAR）、建筑信息模型（BIM）以及数字孪生等技术已将外墙检测推向自动化感知和空间参考评估。然而，大多数研究仍聚焦于孤立的模型精度指标，而对从检测、量化到构件定位、状态评级和修复的完整路径关注有限。本综述沿五个维度组织证据：标注粒度（A0–A2/A2*）、视觉任务层级（T1–T5）、融合层级（F0–F3）、空间映射层级（S0–S3）以及工程成熟度（M1–M3）。综合结果表明，采集条件、材料异质性、负样本构成和标注规则制约了模型的泛化能力。单模态方法涵盖了分类、检测、分割和部分几何量化，但针对外墙的特定外部验证仍然有限。多模态的增益取决于配准质量、热物理条件、缺陷机理和传感器可靠性。将二维输出映射到点云、BIM和数字孪生体在技术上可行，但误差传播、构件匹配和状态评定协议仍不一致。可解释性工具和视觉基础模型可能支持验证、标注和报告，但无法替代具有已验证误差界限的专用系统。未来的工作应优先考虑跨数据集基准测试、面向外墙的轻量级模型、可复现的多模态评估、标准化的二三维精度协议、考虑不确定性的人工复核以及工程状态评定框架。
1. 引言
本文首先阐述了建筑外墙作为既有建筑外部围护结构，在其整个服役期内持续承受结构荷载、气候作用、材料老化和服役相关扰动。裂缝、分层、饰面脱落、渗水、热异常和钢筋锈蚀等缺陷会降低耐久性和安全性，并直接影响修复、加固和运维（O&M）决策。论文引用了中国第一次全国自然灾害综合风险普查数据以及相关政策背景，指出大量既有建筑正进入围护结构集中维护期。传统的外墙检测方法如目视检查、锤击法及脚手架或吊篮近距检测存在劳动密集、依赖人员经验、难以规模化且存在安全隐患等问题。相比之下，基于无人机（UAV）的可见光成像、红外热像技术（IRT）、激光雷达（LiDAR）、建筑信息模型（BIM）和数字孪生等技术扩展了数据采集和空间建档的手段，而深度学习则减少了对人工设计视觉特征的依赖。论文强调了从“缺陷是否可见”到“能否被一致地检测、可靠地测量、与建筑构件关联并转化为维护决策证据”这一核心问题的转变。此外，引言明确了本综述的边界，聚焦于可见或近表面的外墙缺陷，而将道路、桥梁等领域的可迁移方法作为邻近证据，并区分了计算机视觉、无损检测（NDT）和结构健康监测（SHM）的不同功能。最后，论文提出了三项关联贡献：建立五维分析框架、提供语料库证据分层、并形成面向工程的综合性分析。
2. 综述方法与证据组织
本节详细描述了遵循PRISMA 2020及其扩展PRISMA-S的文献检索、筛选和纳入流程。检索策略涵盖了2015年1月至2026年4月间的多个主要数据库，并通过三个概念组的组合进行查询。经过筛选，最终纳入203篇文献进行定性综合。本节核心是提出统一编码方案，即五维分析框架：标注粒度（A0图像级标签、A1边界框、A2像素掩码、A2*三维点级标签）、视觉任务层级（T1分类、T2检测、T3分割、T4几何量化、T5三维定位/重建）、融合层级（F0无融合、F1图像级融合、F2特征级融合、F3决策级融合）、空间映射层级（S0无、S1图像坐标、S2点云/网格、S3建筑信息模型（BIM）/数字孪生）和工程成熟度（M1概念验证、M2受控现场评估、M3集成运维工作流）。作者强调编码基于实验验证的最高输出而非作者声明。通过语料库分析，将203篇来源分类为四个证据层：E1直接外墙来源、E2可迁移研究、E3使能算法、E4政策/综述来源。对106项可编码的视觉技术研究的定量分析显示，任务层级集中于T3分割（42.5%），空间输出主要停留在S1图像坐标（66.0%），工程成熟度大多为M1（55.7%）或M2（43.4%），仅有一项研究（0.9%）满足M3标准。八个研究达到T5/S3组合，但只有一项同时达到M3，表明三维或建筑信息模型（BIM）关联在技术上可行，但集成至闭环运维仍很罕见。
3. 数据采集、标注方案与基准数据集挑战
本节将外墙缺陷识别视为一个信息通路而非孤立任务，从采集条件、标注方案、负样本构成和数据集模态四个方面展开。在采集平台与成像条件上，论文指出无人机姿态偏差、拍摄距离和光照变化相互耦合，影响缺陷的清晰度和几何精度。红外热像技术（IRT）能提供弱可见缺陷的补充通道，但其解释依赖于热传导过程、材料发射率、环境温差等热物理条件。建筑外立面具有规则构件和重复纹理（如阳台、窗框、砖缝），这些都成为干扰缺陷解释的因素。缺陷标签无法仅从局部图像纹理确定，数据集构建应同时记录材料类型、构造层次、接缝位置、暴露环境和维护历史。在标注粒度与任务定义上，主要挑战在于缺陷边界、构件语义和修复含义之间的不稳定对应关系。图像级标签适合低成本筛查，边界框定位粗糙，而像素级掩码最接近修复量化需求。热成像和双模态数据更依赖于任务定义和专家解释。在负样本构成与跨场景泛化上，真实检测中的“负样本”并非简单的正常墙面，而是包含正常立面、非缺陷纹理、非立面背景和非目标缺陷四类易混淆源。跨域泛化是负样本复杂性在模型评估中的外在表现，单一的随机划分高精度不足以证明工程可部署性，最低限度的泛化评估应包括跨建筑、跨材料、跨距离、跨传感器和跨城市测试。在数据集模态、标注偏差与评估差异上，现有数据集可按可见光数据、红外热像数据、配准的可见光-红外热像（RGB-IRT）数据、街景或倾斜影像、三维几何映射数据和聚合的一般裂缝数据分类。核心数据问题不仅是样本数量不足，更是模态、材料、构件语义和空间定位联合标注的缺乏。
4. 多层级视觉分析框架与工程适用性
本节是论文主体，依次评估了单模态视觉方法、多模态融合策略、三维工程定位以及支撑可信赖使用的工具。
4.1 图像分类与目标检测（T1–T2层级）：粗筛与预定位 这一层级的方法适用于大规模初步筛查。图像级分类（T1）主要回答是否需要进一步检测，无法指示位置、构件归属或量化尺寸。目标检测（T2）通过边界框提供粗略的图像坐标定位，但对细长裂缝等缺陷，边界框内背景像素可能远超缺陷像素，模型易利用共现纹理（如砖缝、阴影）产生误报。因此，T1–T2方法最适合筛查和预定位，仍需像素级分割以支撑后续量化。
4.2 像素级分割与缺陷量化（T3–T4层级）：几何表征 语义分割（T3）提供像素级轮廓，是缺陷量化和三维映射的基础。裂缝分割因裂缝的细长、像素占比少且易与阴影、砖缝混淆而更具挑战。论文从静态缺陷几何扩展到基于视频的结构测量，指出缺陷量化与动态测量虽都需标定和不确定性控制，但涉及的物理量不同，后者对构件变形和振动监测更有意义。静态分割需结合连通域分析等方法进阶到T4几何量化，以提取长度、宽度、面积等参数用于损伤评级。
4.3 先进视觉架构与边缘部署 本节讨论了Transformer、混合架构、视觉基础模型（如分割一切模型（SAM））和Mamba/状态空间模型（SSM）等先进架构在外墙缺陷识别中的应用与局限。全球依赖建模有助于长裂缝的连续性，但微观裂缝尖端和重复纹理仍依赖局部细节。边缘部署不是单纯的模型压缩，而是任务的重定义，需权衡识别精度、推理延迟（FPS）、参数量（FLOPs）、处理单元面积等指标。
4.4 多模态数据对齐与融合策略 多模态检测的首要问题是空间对齐。本节阐述了不同融合层级（F1图像级、F2特征级、F3决策级）对配准误差的敏感度差异。F1对像素错位最敏感，要求高精度配准；F2在特征空间建立关联，能容忍弱对齐误差，在消费级无人机采集条件下更具工程实用性；F3在决策层面合并结果，灵活但需报告模态分歧率和人工复核比例。论文强调多模态的价值取决于不同传感器对于特定缺陷物理响应的互补性，融合策略应遵循“物理条件-模态选择-融合层级-评估证据”链条，而非单纯追求模态数量。
4.5 二维识别结果的三维工程定位 本节阐述了将二维结果映射至三维空间的流程。首先介绍了点云、线框、表面模型和实体模型四种数据模型的几何基础。2D到3D映射的关键在于统一坐标系，涉及相机标定、位姿估计、点云/建筑信息模型（BIM）配准和结果反投影，任何环节的误差都会传播至最终的构件定位和面积计算。论文提出了从二维识别到三维工程定位的误差传播链，并推荐了重投影误差、配准误差、三维均方根误差（RMSE）、构件匹配精度等报告指标。最终，缺陷结果需转化为长度、宽度、面积、位置及构件ID等工程量化信息，并支持数字孪生体的状态更新。
4.6 可解释性、物理约束与基础模型的边界 本节讨论了可解释性与可信赖性。梯度加权类激活映射（Grad-CAM）、局部可解释模型-agnostic解释（LIME）和沙普利加性解释（SHAP）等事后解释方法可用于检查模型是否关注真实缺陷区域，但无法证明其因果依赖，且易受重复纹理干扰。物理信息机器学习（PIML）试图引入力学或热传导规律以提升小样本和跨域条件下的稳定性。视觉基础模型（如分割一切模型（SAM））和视觉-语言模型（如对比语言-图像预训练（CLIP））可辅助标注、检索和报告生成，但参数规模大且跨材料泛化不确定，不能替代具有已验证误差界限的专用系统。论文强调，所有上述工具均需结合材料背景、环境数据、空间定位和工程规则，才能为修复决策提供支持。
