AI 与数据管理：把成千上万张照片变成可据以行动的记录

检查中的图像 AI 主要是深度学习：它从大量带标注的照片中学习裂缝、锈蚀等的外观。按细致程度，任务可分为三类。

实际中它们是串联使用的：分类先缩小到看起来可疑的图像，检测或分割再提取位置和形状，结果叠加到摄影测量成果上，把每处缺陷定位到具体构件。图像质量差，任何模型都无能为力；AI 精度的一半取决于拍摄规划。

性能与其说取决于模型的名字，不如说取决于它从什么数据中学习。公开的研究数据集是有的，例如混凝土裂缝图像集（如 SDNET2018，包含桥面板、墙体和路面的 56,000 余张图像），以及含五类相互重叠缺陷的多缺陷桥梁数据集（如 CODEBRIM）。但只用公开数据训练的模型，到了现场几乎总会栽跟头。

• 领域偏移：材料、污垢、光线、相机和拍摄距离与训练数据不同，都会降低性能。
• 相似物：模板痕迹、接缝、修补块、阴影、雨痕、电缆、涂鸦。这些必须被学习为“非缺陷”。
• 样本不平衡：无缺陷图像占绝大多数。缺陷越罕见，样本越少，漏检越多。
• 标注噪声：不同的人描绘同一条裂缝的方式不同。请编写与检查标准一致的标注指南。
• 预留评估数据：只有来自未参与训练的场地的图像，才能揭示真实性能。

裂缝宽度决定修复决策。AI 的处理流程是：① 分割出裂缝像素，② 提取中心线（骨架），③ 沿垂直方向计数像素，④ 乘以 GSD（每像素毫米数）。GSD 请参阅可见光成像一章。

经验上，宽度误差至少要留出约 ±1 像素。在 0.5 mm 的 GSD 下，这大约是 ±0.5 mm。如果修复决策取决于 0.2 mm 还是 0.3 mm，那张图像就无法定夺宽度。报告 AI 测得的宽度时，务必附上 GSD 和预期误差。

检查的真正价值在于变化：裂缝是否扩展了，锈蚀是否蔓延了，是否出现了新的问题？然而把去年的照片和今年的照片直接相减几乎没有意义——位置、光线、季节和污渍都不同，差异的大部分其实是拍摄方式的差异。

• 先配准：将两年的图像对齐到 3D 模型或构件坐标。
• 比较缺陷而非像素：每年建立缺陷图，然后比较缺陷图。
• 匹配条件：相同路线、相同拍摄距离、相近光照。每年复用采集计划。
• 为变化附上误差：如果“加宽了 0.1 mm”小于测量误差，就不算变化。

AI 会犯两类错误：误报（标出并不存在的东西）和漏检（遗漏确实存在的东西）。在检查中，漏检才是危险的那一类。因此系统通常会把阈值调低，以减少漏检，再由人工复核剔除误报。

同样重要的是AI 从未好好看过的图像：模糊的、过暗的，或者根本没有拍到的。那里的缺陷只会产生沉默。一份显示哪些地方未被拍到的覆盖率检查，与检测本身同等重要。

AI 加快了搜索、测量和比较。评级、处置和说明仍由负责的检查人员承担——在任何国家的检查制度下，这一点都不太可能改变。要把人与 AI 的分工落实到工作流程中。

• 复核界面：将每个 AI 候选项与原始图像、位置和去年的图像并排显示，以便人工接受、拒绝或编辑。
• 反馈修正：人工编辑成为下一轮训练数据（人在回路学习）。
• 记录模型版本：记录每个结果由哪个模型版本和阈值产生。
• 防止过度依赖：人工抽查部分 AI 未标记的图像。
• 由人签字：状态评级和处置措施需署上责任工程师的姓名。

AI 的发现如何变成工程师可以签字的报告，请参阅把无人机与 AI 的发现写入外墙检查报告（Airffic Flight Institute）。

AI 标记什么、人决定什么，这一分工也从委托方的角度在AI 与人如何分担建筑检查（Airffic World）中有所讨论。

跨年度比较要求每张图像都以机器可读的形式带有哪座结构物、哪个构件、哪个位置、如何拍摄的信息。没有这些，无论 AI 还是数字孪生都无法积累。

一开始就要固定构件命名，并与检查标准和图纸保持一致。通用格式是有的，例如日本的 BIM/CIM 和 buildingSMART 的 IFC（2024 年的 IFC 4.3 已扩展到桥梁、道路、铁路和港口）。格式会变，因此绝不丢失内容——ID、位姿、条件——比格式本身更重要。

到 2035 年，检查图像在拍摄的那一刻就会获得构件 ID 和条件信息；AI 提出候选，只有与上次相比的变化才会出现在工程师的屏幕上。人解读这些变化，到现场核实，并为自己的判断签字。AI 不断从人的修正中学习，其按结构类型和地区划分的性能会公开发布以供比较。这是编辑部的看法。

其中最重要的不是炫目的 AI，而是不起眼的数据规范：命名、记录条件、记录错误。每年都坚持这样做的结构物，才是检查真正变得轻松的结构物。