建筑物外立面损伤检测智能化发展趋势

王璞瑾，肖建庄，段珍华，李春来

(1.同济大学 土木工程学院，上海 200092；2.中国科学院上海技术物理研究所，上海 200083)

0 引 言

建筑物外立面与外界环境发生直接交互关系，为建筑物提供声、光、热、气、水等多种环境管理功能。建筑物外立面体系较为多样，包括外墙外保温体系、饰面砖、外墙材料挂板(石材、金属、玻璃等)、幕墙体系等。中国一般房屋结构设计使用年限为50～70年，而绝大多数建筑物外立面保温层的使用年限仅为25年，不少外保温层在竣工后3～5年即发生开裂、脱落等破坏，易发生人身财物损伤事件[1-4]。据统计，从2020年1月至2021年8月，中国范围内公开报道外墙脱落事故累计30起，伤亡人数8人(表1)。作为现代建筑功能多样化标志的幕墙体系，其质量问题也不容忽视，近十几年来有20多起因幕墙质量问题引发伤亡的事故[5]，且因幕墙体系常用于高层与超高层建筑，其损伤检测与预判更加困难。目前，中国总建筑面积已超600亿m2，以竣工10年以上的建筑每年需检测一次的频率计算，则每年约有200亿m2的建筑外立面需进行安全性检测(依据中国统计局发布的房屋竣工面积进行统计)。

表1 2020年1月至2021年8月外墙脱落事故统计

常见的建筑物外立面损伤包括：外墙保温体系发生开裂、空鼓、渗漏、面砖脱落等[2,6]；幕墙体系中幕墙玻璃破碎与脱落、围护构件破坏脱落等[7-9]。引起以上损伤的原因主要包括：材料特性、施工误差、构件的自然老化和台风、地震等自然灾害。损伤具有多样性、隐蔽性、随机性的特点。现行的主要建筑物外立面损伤检测方式仍为目测法、锤击法等传统检测方法[2,5,10-11]，检测效率低，成本高，已难以适应中国建筑业发展趋势的新需求。红外热成像技术、无人机技术、三维激光扫描技术、探地雷达技术等经过前期探索，已经在部分实际工程中有所应用，且相对于传统检测方式效率更高[6,12-26]。虽然以上方法可以观测到更多的位置，并实现了一定程度的数字化，但最终的损伤检测结果仍需专业人士的判断，难以实现快速检测。

近年来，人工智能在视觉识别任务中取得了超越人类的成绩[27-28]，并能快速进行目标分类、检测和语义分割任务，在自动驾驶、人体姿态识别、医疗影像等领域已取得长足进展。在建筑行业，人工智能视觉识别算法的应用也逐渐增多[29]。在建筑物损伤识别领域，对于建筑结构、基础设施等存在的裂缝、缺陷、损伤的识别与定位的研究也已取得一定进展[30-33]。然而，在形式更为多样、工作环境更为复杂的建筑物外立面损伤检测领域，使用新型人工智能方法所进行的研究还较少，开展使用人工智能方法进行建筑物外立面损伤检测的研究迫在眉睫。

1 建筑物外立面现状调研分析

建筑物外立面因与外界环境直接接触，在复杂的雨水、风力、光照与温度作用下，会对其耐久性与安全性带来各种不利影响。外墙外保温体系作为常见的维护节能构件，按照《外墙外保温工程技术标准》(JGJ 144—2019)，对外保温系统拉伸黏结强度、耐冻融性、抗冲击性、吸水量、热阻、抹面层不透水性和防护层水蒸气渗透阻等均进行了规定。建筑物外立面材料的脱落与开裂对人身生命财产威胁很大(图1)，导致外保温层、饰面砖、外墙材料挂板等脱落的原因与材料自身性质、水、外力、温度、施工等均有关[2,34-35]；在公共建筑和高层、超高层建筑中应用较多的幕墙体系，因施工、材料和设计不足经常导致幕墙存在安全隐患，如渗水、玻璃自爆、脱落、节点紧固件破坏等[5]。随着时间发展，各损伤会从空鼓、渗水等初期损伤阶段发展为开裂、脱落等中后期损伤阶段，损伤发展时间与设计、材料、施工和当地气候等因素均具有较大相关性，一般整个损伤发展时间从几年至十几年不等(图2、表2)。

表2 建筑物外立面典型破坏形式、原因与出现阶段

图1 建筑物外立面破坏

图2 典型建筑物外立面构造与破坏原因

1.1 水致损伤破坏

在外墙保温体系中，渗水是导致其脱落的重要原因。由于保温材料内部存在空腔，空腔中的水在虹吸、渗透、动能和气压共同作用下，在保温材料中扩散、上升，使保温材料剥落、黏结强度降低。对于北方寒冷天气，墙体内的水结冰膨胀后会进一步对保温材料造成破坏。在幕墙体系中，渗水会导致密封胶开裂，密封胶开裂会进一步加剧渗水，同时水汽会对节点紧固件和幕墙金属框架造成腐蚀，不仅影响外观，也埋下了玻璃自爆和脱落的隐患。

1.2 振动致损伤破坏

建筑外墙外保温系统是经黏结剂和连接件将多层复合材料组合形成的，对风和振动等动力荷载较为敏感[36]。动力荷载会对保温层和将其连接的砂浆等黏结层进行长时间频繁的往复作用，如正风压和负风压会分别产生压力和拉力。当拉力导致保温层材料间或者保温系统和墙体间产生空腔时，压力会使空腔间的空气或者积水进一步扩散，导致空腔扩大并引起脱落[37]。对于幕墙体系，常用的幕墙面板为玻璃和金属面板，面板在风的动力荷载下承受弯矩。当面板的强度或者节点紧固件强度不足时，会发生玻璃面板爆裂或脱落、金属板脱落事故。

1.3 温度致损伤破坏

2 建筑物外立面损伤常用检测方法

现行主要的建筑物外立面损伤检测方法都极度依赖有经验的专业人士进行判断，如目测法、锤击法、红外热成像法等。目测法即通过检测人员现场观察判断损伤位置、种类、严重程度；锤击法通过被敲击后的饰面所反射的超声波特征来判断空鼓、开裂、脱落等缺陷；红外热成像法是检测人员依据红外探测器接收到的建筑物外立面反射的红外信号所形成的表面温度热力图，结合现场实际情况进行损伤判断。除以上几种检测方法外，尚有拉拔法[38]、探地雷达法[24]、回弹法[39]、三维扫描法[18]等。现对各种方法的原理、适应环境和优缺点等进行分析。

2.1 传统方法

传统方法指成本低、实施简易、在过去应用较多的检测方法，包括目测法、锤击法和拉拔法。

目测法是现行建筑物外立面损伤检测中最为基本和应用最多的方法。目测法基于检测人员的经验进行损伤判断和定位，可分为直接目测法和间接目测法。直接目测法依赖检测人员所处的观测位置，如小区内外部街道、建筑物内观测点等，对视野局限性较大；间接目测法借助望远镜、反光镜、摄像机等装置，对难以直接观测到的部位和区域进行检测。目测法检测速度快，成本中等，但具有随机性大，易错漏的缺点。

锤击法也称作超声脉冲法、冲击回波法，主要利用反射波在固体中传播的时间、频率、振幅等特征进行损伤判断，可判断是否存在缺陷和缺陷的大小[40]。锤击法具有快速、直观的特点，且可发现肉眼难以发现的缺陷，但此方法仅能识别最外面的饰面层和保温层之间的缺陷，且在检测的过程中容易造成破损。此外，因锤击法为人工现场检测法，检测范围小，在实际应用时需要搭设吊篮，增加了成本，降低了测试效率[23]。

拉拔法是依据中国建筑节能工程施工质量验收规范，通过现场拉拔试验，对外保温材料的黏结强度进行测试的方法，其检测结论可作为外墙保温的竣工验收依据。此方法可通过量化手段对建筑物外保温材料黏结强度进行评估，但因其为破坏性检测方法，在几百平米的面上一般只选取几个点进行随机测试，难以对整体进行评估。

2.2 红外热成像法

红外热成像法的原理是依据任何温度高于绝对零度的物体都会放出红外射线，此红外线可被高清红外热成像仪识别并转换为电信号，经过放大、整形、数模转换后成为数字信号，数字信号形成代表温度的像素点，所有的像素点再组成红外热成像图[41](图3)。因其热力信号接收方式为被动接收，故无辐射、无接触、速度快、精度高，已在军事领域、准军事领域和民用领域(如农业、电力、医学等)得到广泛应用[42]。

图3 红外热成像法原理

将红外热成像法应用于建筑工程领域始于20世纪80年代，ISO6781：1983中指出红外热成像法可应用于建筑中的围护结构、混凝土渗漏和温度整体性检测[43]。在美国新泽西州，对于新建的5幢应用不同材料的建筑进行热力图检测，在定位热力不正常点方面取得了进展[44]。中国自20世纪90年代以来将红外热成像法应用于建筑工程领域。饶悦[45]进行了红外热成像技术在房屋渗漏检测中的应用研究。在建筑外保温、结构和电力监测方面也进行了红外热成像法的应用研究[46]。红外热成像法在检测与建筑渗水相关的应用中，相比传统方法精度更高且可以检测隐蔽的渗水位置[47](图4)。在高层、超高层建筑的玻璃幕墙安全检测中，红外热成像法也有所应用[9]：利用红外光谱法进行玻璃幕墙结构胶种类与性能的检测，以判断结构胶失效的部位和尺寸；对玻璃幕墙中金属构件的传热性能进行观测以定位存在问题的位置。

在步骤3中，如果标签符合标签选择条件，并且标签状态标志与清点状态标志不同，则标签被选中。在步骤4中，将被成功清点的标签状态标志改变为与清点状态标志相同的中间态。

图4 红外热成像法识别渗漏

相对于传统方法，红外热成像检测技术具有很多优点，目前已经在建筑无损检测领域得到了广泛应用并取得了一定的进展。然而，在实际应用中，红外热成像检测法仍有以下缺点[6,13,20,48]：①受拍摄时间影响较大，当太阳热辐射在外表面积聚的时间过长或过短时均难以被识别；②受拍摄角度影响较大，当观测仰角增大时热成像仪接收到的能量会减小，使检测精度下降；③易受房屋朝向和绿化遮挡影响而导致无法进行检测；④因红外热成像图的表现形式与人类日常接触的图像具有较大区别，需专业人士结合拍摄时的各种条件进行综合判定，效率较低。

2.3 其他方法

在建筑物外立面损伤检测中，除上述方法外，尚有回弹法、探地雷达法等。它们或利用材料自身的特性，或通过更精确的扫描建模，在一定程度上克服了仅通过视觉信息进行判断的缺陷。

回弹法原理为利用预设冲击力的重锤弹击试件表面，不同强度的试件对重锤的回弹值影响不同，以此来判定材料强度。回弹法检测外保温系统的内部缺陷结果准确率与缺陷尺寸、位置和类型有关，实际工程中尚需对最少基准测点数确定、判断准则优化等进行研究。

探地雷达法是利用高频电磁脉冲波在材料中反射的电磁波时频特征和振幅特征的不同来判断缺陷是否存在，具有检测速度快、分辨率高、探测范围广和操作灵活方便的特点，属于无损检测的一种[24,38]。探地雷达技术能够区分不同介质的界面、厚度和性质，但在饰面层和保温层间空鼓和开裂检测方面，其检测精度和灵敏度还不能很好地满足使用需求，尚需进一步研究。

3 基于数字化的新型检测方法

2010年前后，以大数据、物联网、人工智能等为代表的新技术逐渐步入大众视野，作为传统行业代表的建筑行业，新兴的智慧建筑、智能建造技术逐步在设计、施工、管理、运维阶段有所应用[49-51](图5)。建筑物外立面损伤检测属于建筑的运营与维护阶段，因外立面造型形式多、破坏方式类型多、面积大，目前的主要检测方法仍需要有经验的检测人员进行判断，效率和准确率都难以适应新增的检测需求，亟需开发基于数字化的新型检测方法。近年来，基于无人机搭载的高清摄像机、红外热成像仪、三维激光扫描仪等的新型检测方法克服了传统方法检测范围窄的缺点，扩大了检测范围，提高了检测效率。

图5 智慧建造在建筑全寿命期中的应用

3.1 无人机搭载高清摄像机、红外热成像仪法

无人机技术具有轻量化、快速化、多种类数据采集化的优点，能够迅速真实提供现场信息。在建筑行业，已经大量应用于前期场地评估与设计、中期施工现场管理、后期交付与使用等场景中[52]。在建筑物外立面损伤检测中，搭载了高清摄像机或红外热成像仪的无人机克服了传统方法难以全盘整体检测的缺点，使原本受场地影响拍摄仰角过大、局部易误判漏判的缺点得到较好解决，提高了检测精度。

刘少亮[20]利用搭载红外成像仪的无人机进行外墙缺陷检测，发现15：00观测得到的温差值最大，检测灵敏度最高。陈宁等[14]根据实践经验，发现拍摄距离宜控制在10～50 m之间，需严格控制镜头与被测墙面间的仰角，且当外墙装饰材质和颜色不同时不宜选用红外热成像法进行检测。在玻璃幕墙面板损伤检测上，李雷[16]通过四旋翼航拍无人机仰摄和斜面拍摄相结合的方式采集图像，构建了基于无人机和图像处理技术的玻璃幕墙面板损伤检测系统。徐勤等[53]通过飞行路径的设计、摄影测量和热成像实现数据采集，结合数据智能算法自动检测异常点的方法进行幕墙和外墙安全隐患检测。

尽管无人机法比传统方法的检测效率高，但仍受到拍摄角度、距离、周边场景的约束，最终的判断结果仍需有经验的检测人员对数据进行判断，延长了检测报告出具时间。

3.2 三维激光扫描仪法

随着建筑信息模型(BIM)技术的快速发展，在建筑行业中利用此方法进行三维建模的速度、精度、自动化程度越来越高。依据此逆向建模技术所建立的三维建筑模型，可应用在结构的变形检测、安全评价和安装误差测量中[54-56]。三维激光扫描技术的可视化与可量化性都显著高于其他方法，可应用于建筑物外立面损伤检测中[21,25]。通过获取外立面点云数据以及点云数据去噪后生成的模型，计算各点z轴坐标是否超过设定的阈值以判断其是否异常，可进行空鼓和脱落缺陷的检测与判断，其结果与同时采用红外热成像法得到的结果类似。三维建模法可以规避红外热成像法对天气和周边条件要求高的弊端，适应性更广泛。同时，红外热成像法结合三维扫描仪法在实际中也有所应用，弥补了红外热成像法对于天气要求高的缺点[18]。孙保燕等[21]通过三维激光扫描和红外检测技术，将2种方法采集的数据模型进行融合，获得了含有缺陷信息的建筑物三维模型，得到了拼接误差。三维激光扫描仪法对仪器精度要求高，仅对空鼓和脱落破坏具有较好的识别效果，对其他种类破坏难以识别。

3.3 机器学习与数字化方法

陈琳[13]提出了利用机器学习算法对外墙热阻进行系统辨识的方法，建立了外墙红外图像温度数据的校准模型，对校准后红外数据和有效区域进行可视化分析，研究成果对建筑外墙传热系数现场检测具有重要价值。陈崇一[57]在建筑外墙保温热工缺陷检测中，利用机器学习算法，提出了一种基于红外图像分割和识别的热工缺陷检测系统，可进行主体墙体平均温度的计算和缺陷面积提取，实现了一定程度的自动化检测。

建筑幕墙的工业化程度更高，在材料生产、施工以及后期运营维护中，利用数字化技术对其品质和安全性控制的应用也更多[58]。在幕墙的损伤检测中，郝文峰等[59]进行了基于经验模态分解-支持向量机算法的隐框玻璃幕墙开胶损伤预测研究，通过不同损伤程度下玻璃幕墙的动力响应数据构建SVM模型，并对新输入的数据进行预测，其精度优于神经网络方法。黄腾腾[7]基于多指标的层次分析法和模糊评估理论，建立了隐框玻璃幕墙五层次综合评估体系，可更精细地对幕墙整体工作状态进行评价。苏键等[60]通过无线智能检测综合系统和有线位移传感器对幕墙试件抗风压性能检测结果的比较得出，无线智能检测综合系统工作寿命长，免布线，且能满足工程使用要求。

目前的机器学习与数字化方法可通过计算机对检测数据进行部分分析从而判断缺陷，但其算法较为单一，难以适应复杂的外立面损伤检测任务。

3.4 多种检测方法的集成和协同

以上的传统方法和基于数字化的新型检测方法具有各自的优缺点，如目测法仅能够识别外部破坏，且难以适应高层建筑的检测需求，但目测法的限制较少，可快速定位损伤严重处。因此，将多种检测方法进行集成和协同，可以规避单一方法的缺点，提高检测水平。在某改造工程实践中，林志航[61]通过动荷载激振法(锤击法的一种)和有限单元法相集成的相对比较法和安全频率区间法，定位出脱落概率更大的饰面砖，进行饰面贴砖脱黏失效现场检测及脱落风险评估。在上海市某高层建筑外立面检测中，张翊等[62]结合了目测法、超声波测厚仪和涡流测厚仪等方法和设备，对玻璃幕墙中的玻璃面板、密封材料和幕墙及外窗结构构造进行检测，检测内容较为全面。李亚玲等[63]首先利用红外热成像法对建筑湿作业法的石材空鼓进行检测，然后采用敲击法对检测结果进行验证，提出了提高空鼓检测正确率的初步改善意见。

多种检测方法的集成和协同可以从多个物理角度对检测目标进行检测，克服了仅使用单一检测方法的弊端，尽管增加了成本，但可以获得更准确和科学的结果。其缺点为多种检测方法集成时，方法的选择、检测结果的判断需要依赖经验丰富的检测人员，降低了检测效率。

4 建筑物外立面损伤检测方法发展趋势探讨

中国每年新增建筑面积约20亿m2，而其外立面保修期仅为2年，不少建筑外立面在竣工后3～5年即产生开裂等破坏[1-4]。因此，探讨建筑物外立面损伤检测方法的发展趋势对于逐步进入存量市场的中国建筑业具有现实紧迫性。

4.1 人工智能算法辅助检测的趋势探讨

以人工智能算法为主的智能算法在近10年来呈井喷式爆发，在图像处理、自然语言分析、科学实验分析、工程开发等几乎所有领域都有所应用，成为未来科技发展的重要方向之一。因视觉数据最容易被人类获取，最容易被人类感官理解，而且是人类日常生活中最主要的信息获取来源，近年来基于人工智能的数据处理得到了极大发展[28]。尤其在目标检测领域，以深度学习为代表的一系列算法取得了精度和速度上的双重丰硕成果[64-65]。目标检测的定义是：在给定的图像数据中，根据任务要求，准确识别并定位任务要求的物体，如识别一张图片中人所处的位置和姿势。目标检测功能的基石是分类算法(Classification)，即由计算机在给定的图片中准确判断图片中的物体。目前主要的分类算法基本都是基于卷积神经网络(CNN)开发的，如LeNet、AlexNet、VGG、GoogLeNet、ResNet、DenseNet等，其主要思路为通过卷积层(Convolutional Layer)对图片实现降维和特征提取，最终判断图片内容并进行分类(图6)。图6中的LeNet架构为分类架构，从输入层的图片最终计算至输出层，可对6种物体进行分类。经过3(像素)×3(像素)的过滤器对32(像素)×32(像素)×3(通道数)的输入层进行卷积计算，形成30(像素)×30(像素)×24(通道数)的三维特征矩阵，实现特征提取，再经过2(像素)×2(像素)的过滤器对30(像素)×30(像素)×24(通道数)的三维矩阵进行卷积运算，输入池化层进行降维，再输入全连接层将三维矩阵展开至一维矩阵，最终通过输出层输出分类计算结果。目前目标检测主要有2种方法，一种是锚框回归法[66]，一种是语义分割法[67](图7)。锚框法的目标检测功能主要分两步进行实现：①在给定的图像中划分出可能有目标存在的区域并对相应区域分配锚框；②对锚框内的图像进行分类判断是否存在目标物体。语义分割法的主要思想为对整张图片进行像素级别的分类，即对归属不同种类物体的像素打标签后进行深度学习网络训练。最新的应用YOLOv5框架进行目标检测算法的检测速度已超过400FPS，可满足实时目标检测需求。

图6 经典LeNet架构

图7 锚框回归法和语义分割法

在建筑领域，视觉识别、LSTM算法等在建筑能耗预测、灾害救援、建筑表面裂缝缺陷识别中均有所应用[68-70](图8)。笔者曾在吊顶损伤检测中利用SaliencyMap法和Grad-CAM法，通过高亮对最终预测结果贡献度最高的像素点，实现了吊顶损伤检测功能[71-73](图9)，从输入图片至输出检测结果仅需0.1 s的时间。在建筑物外立面损伤检测领域，目前更多的是用相对传统的机器学习算法对采集的数据进行分析，而基于深度学习的视觉识别算法尚局限于对裂缝等较为简单的损伤进行识别，难以满足复杂工况的需求。新型人工智能算法可完成分类、定位等任务，可将现在7 d才能出具的检测报告缩短至几小时甚至即时出具，大大提高检测效率。因此建筑物外立面损伤检测未来必将大量引入能够面对复杂工况的人工智能算法，以辅助人类对破坏位置进行定位和判断。

图8 基于人工智能算法的裂缝识别与定位

图9 基于深度学习网络的吊顶损伤检测架构

4.2 检测硬件发展趋势探讨

随着检测要求的提高，外立面损伤检测的硬件从传统方法中使用的敲击锤、拉拔仪等发展为红外热成像仪、无人机等更为机械化和数字化的硬件，提高了检测范围和效率。在建筑物外立面损伤检测硬件上，有两大发展趋势：一是开发利用可以从物理特性上更全面地进行检测的硬件设备，二是开发建筑外立面检测相关专用机器人。徐龙涛[74]利用合成孔径雷达(SAR)的遥感数据搭建幕墙及外墙安全预警信息平台，因其不受光照和气候等外部条件限制，能实现全天候、全天时、大范围获取目标区域的高分辨率雷达影像，能够实现实时动态监测，对一些建筑物及地表具有一定的穿透能力。根据杜明芳[75]对中国智能建造新技术新业态的发展研究，高智能型建筑机器人需要具有以下4个核心模块：①环境智能感知模块；②运动自动控制模块；③自学习思考决策模块；④远程通信模块。在建筑外立面检测相关专用机器人的实际开发中，孙金风等[76]开发的瓷砖墙壁攀爬机器人，具有检测即将脱落的瓷砖并自动做标记的功能和跨越各种墙角的能力。马延飞等[77]开发了一种敲打式空心检测墙壁攀爬机器人，可360°无死角地在墙面攀爬，自动对每一块瓷砖进行检测，判断瓷砖是否安装完成并对不合格瓷砖作标记。

4.3 检测方法发展趋势探讨

通过介绍现行常用外立面损伤检测方法及其适用条件，引入了数字化和智能化算法的新型检测方法，讨论了各方法的适用情形和特点(表3)。目前的主流检测方法均依赖专业检测人员依据经验进行判断，降低了检测效率，而人工智能方法通过预训练模型进行判断，不需要专家即可进行决策，在适用性、速度和准确率上均有巨大优势，可以大大提高检测效率。

表3 建筑物外立面损伤检测方法及评价

在软件层面，损伤检测的重要趋势是开发专用的人工智能算法。尽管现在已经有部分应用了机器学习的算法，但其准确度、效率、泛用性仍难以适应未来的需求，尚未发挥出人工智能算法在辅助人类进行分类、定位等工作中所具有的优势。在面对复杂环境、多种破坏形式、异类数据等条件时，人工智能算法可以快速判断与识别，减少人为判断所消耗的大量时间。另外，在硬件层面，建筑物外立面损伤检测的趋势是检测工具的专业化和轻量化。为确保实现高效率、高质量的新目标和新要求，传统方法中的目测法和敲击法所使用的工具需要被适应性更强、检测效率更高的工具所取代。损伤检测专用无人机、损伤检测爬墙机器人等可适应大多数的检测需求。同时，可针对无人机等开发相应的外立面损伤检测硬件模块，如无人机搭载的锤击声波反射系统等，解决专项特殊问题，节省搭设吊篮和人工等成本。经过软件和硬件相结合开发，可适应复杂的检测环境并满足多种检测需求，提高效率，节省成本。

5 结 语

(1)导致建筑外立面损伤的原因主要有水、振动、温度等。随着破坏的发展，建筑外立面会逐步开裂、渗水直至脱落。

(2)目前中国每年约有200亿m2的建筑外立面的安全性需进行检测，而目前外立面损伤检测采取的手段主要是目测法等传统方法，检测效率低，成本高，难以适应快速检测与判断的需要。尽管近年来通过数字化和智能化手段开发出的检测方法在一定程度上提高了检测效率，但仍需有经验的专业人员进行判断，难以实现快速检测与判断。

(3)人工智能算法可以对建筑物外立面损伤检测进行快速检测与判断，将检测报告出具时间缩短至几个小时甚至即时出具，是未来软件发展的趋势与时代的要求；同时在硬件上需开发适用于特定检测目标的机器人和检测模块。