基于深度学习的建筑图像信息提取与设计相似性预审查框架研究

《Sustainability》：Deep Learning-Based Building Image Information Extraction and Design Similarity Pre-Review Framework for Sustainable Architectural Design Decision Support

　　建筑领域的设计相似性纠纷可能导致禁令、损害赔偿、重新设计，在极端情况下甚至导致已完工建筑的拆除与重建，浪费资源、成本、时间及隐含碳排放。因此，在设计早期审查设计相似性是可持续设计决策的前提，然而传统审查依赖专家定性判断，客观性与可重复性有限。本研究提出了一种基于深度学习的建筑图像信息提取与设计相似性预审查框架，该框架从图像中提取建筑信息并检索视觉上相似的现有建筑作为参考案例，而非判定法律层面的抄袭。所实现的框架由数据模块、建筑模块和原型审查界面组成；外部材料、结构和框架模块被定义为概念扩展。数据模块使用基于规则的过滤、DINOv2特征提取和K-Means聚类，对通过网络爬取和直接拍摄收集的建筑图像进行筛选。建筑模块结合SAM、ResNet-50和DeepLabV3+来识别建筑对象并提取建筑区域与轮廓。从42,172张收集的图像中保留了10,026张。ResNet-50达到约92%的峰值Top-1准确率，DeepLabV3+实现约89%的aACC与mACC以及81%的mIoU。结果表明，基于图像的相似性预审查作为减少设计返工、支持可持续设计决策的数字基础是可行的。