AI 审图技术在核电工业消防审查中的应用

张轩铭 彭科夫 张荷花,3

（1.清华大学 软件学院，北京 100084；2.中核国电漳州能源有限公司，漳州 363300；3.北京信息科学与技术国家研究中心，北京 100084）

引言

消防安全是核电安全保障体系中不可忽视的重要一环[1]。通过对核电建筑进行施工图消防审查，能够帮助提前发现消防问题、隐患和风险，提高核电厂防火安全水平。目前核电工业建筑施工图的审查主要依赖人工审核。然而，人工审核依赖于审图人员的专业水平和经验，存在审核要点、尺度以及深度不一等问题。此外，过往图纸审查发现的消防问题、经验知识等难以被固化和重用，不利于核电消防安全的高质量发展。

近年来，AI 审图技术成为学术界和工业界关注的热点。然而，AI 审图在实现上存在若干难点，一是如何将自然语言描述的规范条文变为机器可以理解的表示；二是如何将业内主流的PDF 形式的图纸，转换为机器可以识别、理解的内容；三是如何将规范条文与图纸内容有效融合，给出可靠的消防审查结论。

针对上述问题，清华大学软件学院规范审查课题组研发了“图智”——PDF工程图AI识别与审查系统（以下简称AI 审查系统）。该系统基于深度学习技术和工程领域业务知识，结合规范数字化规则库构建、智能审查引擎[2,3]等成果，形成了面向工业建筑PDF 工程图纸和消防规范机器智能审查的解决方案，并在中核国电漳州能源有限公司若干典型工业厂房、仓库等施工图的防火规范审查中得到了初步应用和验证。本文将介绍“图智”AI 审查系统及其在核电工业消防审查中的应用实践，以供读者参考借鉴。

1 “图智”AI 审查系统介绍

1.1 AI 审查系统功能架构

AI 审查系统是融合了深度学习技术、规范数字化表示和规范智能审查引擎等[2]的PDF 工程图AI 识别与智能审查系统。该系统的核心思想是利用深度学习技术对PDF 工程图中的核心内容进行识别和理解，并基于识别结果进行基于领域知识的智能检查。AI 审查系统面向现实PDF 工程图特点，解决了工程图AI 审查的若干挑战，其功能架构设计如图1 所示。系统由图纸AI 识别模块、语义模型生成模块、规则库构建工具、规范智能检查引擎和输出展示模块等构成。其中，图纸AI识别模块和语义模型生成模块是本系统的核心，解决了机器对PDF 图纸核心内容的认知和对图纸内涵的理解问题，将在1.2 节和1.3 节详细介绍。规则库构建工具和规范智能检查引擎重用了BIM 模型智能审查工具[2]中的核心模块，展现了本文所述AI 审图技术体系的完备性和延续性。输出展示模块将规范条款的审查结果以易于用户查阅和应用的方式进行展示。

图1 “图智”AI 审查系统的功能架构图

1.2 图纸AI 识别模块

PDF 工程图由像素点构成，没有任何结构化数据信息，难以直接被机器提取其承载的内容和知识。PDF建筑平面图是一类重要的图纸对象，也是本文介绍的重点。

对于门、窗、柱、楼梯和电梯等构件，本系统利用Faster R-CNN[4]和ReDet[5]模型进行信息提取，获取位置及类别。相较于现有模型，本系统结合建筑工程领域知识，对模型的识别结果进行精细化后处理运算，可以在兼顾时间效率和识别精度的情况下，识别多角度构件，图2（a）是某核电网控楼建筑平面图局部，图2（c）展示了针对图2（a）进行构件识别的结果。

图2 样例图纸各要素的AI 识别效果展示

对于墙体对象，本系统利用PoseNet[6]模型实现墙体像素划分。相较于现有模型，本系统将识别目标转换为墙体中心线，在PAFPD[7]数据集上进行训练和调优，对于构件、轴网、尺寸标注以及文本标签等干扰信息具有更强的抗干扰能力，识别得到的墙体对象边界更平滑。图2（b）展示了图2（a）与其墙体识别结果逐像素叠加得到的可视化结果，灰色阴影区域标识了模型的墙体识别结果。

对于文本标签，本系统利用PP-OCR[8]模型，提取位置及文本内容。相较于现有模型，本系统在建筑工程领域特殊字体的文本数据集上进行训练和调优，并融合领域知识对模型的结果进行筛选、纠错等后处理运算。该模型对于建筑工程领域特殊字体的文本标签和领域词汇具有更高的识别精度，图2（d）展示了对图2（a）中与门、窗、空间相关的文本标签识别结果。

1.3 语义模型生成模块

在1.2 节介绍的机器识别结果基础上，语义模型生成模块首先根据墙、门、窗、柱的识别结果进行空间围合计算，然后根据空间对墙体进行结构化分段并修整平滑墙体的识别结果[7]。在语义关系计算方面，通过融合领域知识及位置关系的算法实现文本标签与空间、门、窗的匹配，空间与门、窗、墙的几何关系计算以及封闭楼梯间、疏散门等消防概念的推理。最后将所有数据转换为适用于规范智能检查引擎自动审核的JSON 语义模型。

图3展示了对图2（a）的AI 识别结果应用空间围合算法后的可视化结果。其中不同背景颜色渲染了不同功能空间。精准的空间围合算法和语义关系计算是语义模型生成模块的优势和特点。图纸AI 识别模块和语义模型生成模块体现了AI 审查系统对于多图元信息的语义理解能力。

图3 空间围合结果可视化

1.4 评价指标及识别效果分析

本文判定识别结果的类别标签与人工标注的标签相同并且包围盒与人工标注的包围盒IoU 高于90%，认为对应构件识别正确。通过计算墙体围合空间的结果来评估墙体识别算法，判定空间识别结果的形状正确并且与人工标注的空间多边形IoU 高于90%，认为对应空间识别正确。本文判定门、窗编号和房间名文本标签的识别结果与人工标注的结果各个字符及字符间顺序均相同，认为对应文本标签识别正确。表1 展示了三种识别算法的评估结果。

表1 识别算法的评估结果汇总表

公式（1）是本文使用的IoU 计算方法。其中A 是识别得到的包围盒，B 是人工标注的包围盒，area()是包围盒面积计算函数。本文采用准确率（precision）与召回率（recall），来评估三个识别模型的效果，计算公式分别是公式（2）和公式（3）。其中，P 为识别得到的对象数量，G 为对应图纸人工标注的对象数量，TP 为识别结果中识别正确的对象数量。

2 “图智”AI 审查系统在核电消防审查中的应用实践

本节将分别介绍面向核电工业建筑消防审查的规范条文选择和规则库构建以及在仓库、厂房等具体工业建筑上的应用实践。

2.1 核电工业建筑防火审查条文规则库构建

《建筑设计防火规范》（GB50016－2014，2018年版，以下简称防火规范）[9]是现行的施工图消防设计审查的一个重要内容。规范条文中约束了关于不同类型的功能建筑、同一建筑内不同功能空间以及在配备不同消防设施的情况下对于防火设计的具体要求。通过对核电工业建筑进行综合分析，本文从防火规范中第3 章、第6 章、第7 章和第8 章，结合目前AI 审图技术条件，初步选取了27 条与仓库、厂房相关的防火条文。基于工程领域规范描述语言SNL (Structural Natural Language)[10]对上述27 条规范条文进行拆解，形成了包含269 条SNL 规则的防火审查条文规则库。图4 展示了对防火规范3.2.2 进行拆解得到的一条SNL规则，该规则描述了对于建筑面积不大于300m²的独立甲、乙类单层厂房可采用三级耐火等级建筑的要求。

图4 防火规范条款3.2.2 对应的一条SNL 规则示例

建筑设计说明包含的设计依据、建筑定性等内容均是图纸审查所关注的重点。本文根据核电漳州能源公司提供的审图经验反馈，初步选取了3 条与建筑设计说明相关的审查点，主要包含对引用规范的有无、正确性、完整性等类别的审查，自定义8 条审查条文，编制了对应SNL 规则并加入到防火审查规则库中。图5 展示了本文针对“建筑设计说明中需要正确引用《建筑设计防火规范》GB50016－2014（2018 年版）”审查要点所编制的两条SNL 规则。根据核电工业建筑本身的性质，可选用、定制不同的规则条文进行审查。

图5 自定义审查规范对应的两条SNL 规则

2.2 仓库的防火AI 审图应用案例

仓库是核电工业建筑群的一类重要功能建筑。仓库建筑内通常分为多个相邻的大尺寸储物空间，经常存放多种可燃气体、易燃液体、化学试剂等危险品。据了解，核电站在消防系统与设备的安全稳定运行方面关注较多，而对于防火门等附属被动防火措施关注不足。因此，在应用实践中，审图工具重点考虑并实现了针对此类问题的全面、客观和严格审查。

例如，防火规范6.2.3 规定了“甲、乙、丙类仓库内布置有不同火灾危险性类别的房间，或建筑内使用丙类液体的部位在与其他部位分隔时，隔墙上的门窗应采用乙级防火门窗”。应用AI 审查系统可对任意给定的仓库建筑平面图进行6.2.3 条款全自动机器审查。图6（a）展示了某核电仓库平面图的局部以及违反条文6.2.3 的部分。红色框标记的双扇门附近未明确标注该双扇门的防火类别，也不含有可推理出防火门类别的特定编码（如FM1 等），因此审查系统报出该图纸不满足6.2.3 条文要求的结论。根据审查结论，图纸需要对隔墙上的门的防火类别进行确认，如确实未设置乙级防火门则需要更改；如设置了乙级防火门但并未标注，则需要进行图纸上的信息补充，确保用于施工阶段的图纸消防信息完备性。图6（b）展示了对于图6（a）进行AI 识别与空间围合计算后得到的可视化结果；图6（c）展示了针对于图6（a）进行防火规范6.2.3条审查的结果界面，从右侧“检查报告结果”的错误构件ID 列表中可以发现，系统检测出“仓库（乙类）”左侧墙上的双扇门不满足该条文的要求，并进行了高亮显示；图6（c）右侧展示了条文6.2.3 不满足的原因。

图6 仓库防火条文审查样例

2.3 厂房的防火AI 审图应用案例

在核电工业建筑群中，厂房建筑的内部结构更加复杂。在对厂房进行审查时，除重点关注防火分区设置、防火门设置、消防救援窗设置等要点外，还需要特别关注厂房内人员活动区域的防火设置、防火隔离以及人员逃生路径、距离等要素，确保人员生命安全至上。下面介绍一个相关的条文审查案例。

例如，防火规范3.3.5 规定“办公室、休息室设置在丙类厂房内时，如隔墙上需开设相互连通的门时，应采用乙级防火门”，图7（a）展示了某核电网控楼建筑平面图局部。其中，红色矩形框线标记的“办公室”与“网控室”之间的墙上开设的门未标注为乙级防火门，经系统审查，报出了该平面图违反条文3.3.5 所规定内容的结论，图7（b）展示了AI 审查系统针对条文3.3.5的审查结果界面。在“错误构件ID 列表”中可以发现，“办公室”墙上的“M2 门”不满足该条文的要求。

图7 厂房防火条文审查样例

厂房建筑图纸的信息丰富度更高，涉及的审查要点更多、要求更细致，对AI 审查系统提出了更高要求。首先，本系统的图纸AI 识别模块需要具备抗干扰能力；其次，因审查要点多、审查内容细致，对于建筑平面图中识别的内容、空间围合准确性、信息匹配完整性等也有更高要求；最后，还要求AI 审查系统能够基于对如 “封闭楼梯间”、“防烟楼梯间”等消防概念的理解，实现相关推理，像人类一样去基于领域知识“读懂”图纸。AI 审查系统在厂房建筑图纸上的应用实践，展现了该系统在AI 识别、空间围合、语义计算等方面的技术优势。

2.4 AI 审图技术的工业建筑防火应用分析

针对用户提交的待审查图纸文件，AI 审查系统首先基于AI 图纸识别技术进行“读图”，然后基于规范智能检查引擎进行“审图”。整个过程经封装整合后实现了全自动的一键式审查，无需用户干预。未经专业审图训练的用户，也能够使用本系统进行图纸防火设计方面的自查、审核和优化。

AI 审查系统不对图纸中的区域、元素进行重要性区分，更容易发现常被人们忽略的细节问题。例如在网控楼图纸中，本系统会对每一个办公室或休息室都进行一遍审查，将所有违背条文的空间、构件全部报出来。AI 审图技术有助于避免图纸经审查后修改不完善，导致仍存在其它违反条文场景的情况，从而提高整个审查流程的效率。

在AI 审查系统的应用方面，一方面，可供核电企业消防相关技术部门及人员使用，普适性地提高核电企业在“技防”方面的能力；另一方面，也可与审图专家结合，辅助审图专家进行人机结合的审查。人类专家在针对特殊情况、疑难杂症等方面的经验知识，是当前AI 审查系统欠缺的，需要不断进行学习和演进。在应用过程中，用户可通过规则库构建工具对防火条文进行完善、补充及扩展，将核电领域审图过程中积累和形成的知识通过规则库固化下来，让审查系统活起来，实现越用越好用、越用越智能的提升效果。

3 总结与展望

本文介绍了清华大学自主研发的“图智”AI 审查系统及其关键技术，以及该系统在核电工业消防审查中的应用实践。实践表明，本系统及内置的AI 审图技术能够有效应用于工业仓库、厂房等现实PDF 施工图，帮助发现违反国家防火规范强条的消防安全问题。基于应用实践，本文也提出了AI 审图技术与人类专家审图特点的分析，并提出未来的发展方向，能够为后续更多智能产业应用提供参考借鉴。

本文提出的AI 审查系统在审查全面性、客观性、一致性和行业知识固化重用等方面具有显著优势。在实际应用过程中，由于神经网络模型识别精度限制，以及生成的语义模型尚不包含“外墙”等概念，这在一定程度上限制了AI 审查系统的应用。未来，本系统将考虑提供支持用户交互以补齐图纸AI 识别结果的功能；通过收集用户修改的数据，扩充和丰富训练集，提高神经网络模型的识别精度；融合领域知识，增加“外墙”等概念的计算逻辑和推理，进一步丰富语义模型中的信息。本文将不断完善AI 审图技术及系统的可用性和易用性，为行业赋能，促进行业提质增效。