专业文章
自动缺陷识别：每一张影像都同样仔细
在交钥匙工程中，外观缺陷最常见——也最枯燥。正因为如此，赶时间的人会漏看，而机器不会。
Open Experience GmbH 专业文章 · 截至：2026 年 9 月
建筑业的人工智能缺陷识别是怎样工作的？
一套目标检测算法会在工地影像中搜索划痕、裂缝、污渍、破损等外观异常，并把相关的影像区域标出来。通过与 BIM 模型比对，确定这处发现所在的位置；随后系统会核对该位置上是否已经记录过缺陷。如果确属新发现，就自动建立并归类，识别出的影像局部作为佐证。该方法是在德国联邦教研部资助的 ESKIMO 项目中试验的。
适用法域：德国（《民法典》BGB、建设工程合同条款 VOB/B、《建筑师与工程师收费条例》HOAI）。其他国家适用不同规则；合同中的另行约定优先于此处列出的法定期限。
五个步骤构成的流程
真正的识别只是五步中的一步。另外四步，决定了一块被标出的影像区域能不能变成一条可用的工作流。
- 1——采集对工地作定期的、带位置的影像采集，例如用头盔相机系统做 360° 巡检。
- 2——识别目标检测把影像中的异常区域标出来，并为其归入某一缺陷类别。
- 3——定位通过与模型比对，把影像上的一处位置变成建筑物中的一个位置。
- 4——比对该位置上如果已经存在缺陷，就不会再产生第二条。少了这一步，自动化产出的是重复条目，而不是价值。
- 5——建立新缺陷带着类别、影像局部和位置被记录下来——此后走的路，与其他任何缺陷完全一样。
机器更擅长什么——又不擅长什么
这个对照不是在评高下，而是在分工。
| 任务 | 人 | 自动识别 |
|---|---|---|
| *把每张影像都同样仔细看一遍* | 在时间压力下几乎坚持不住 | 真正的优势所在 |
| *找出最细微的偏差* | 取决于光线、熟练度和当天状态 | 系统化，精确到像素 |
| *判断成因* | 靠经验和上下文 | 做不到 |
| *估计重要程度* | 了解合同、细部和施工流程 | 做不到 |
| *与各方沟通厘清* | 施工管理的核心工作 | 做不到 |
机器给出的是候选，不是决定。价值出现在这里：一个人筛查这些候选，比翻原始影像快得多。
训练数据从哪里来
识别方法的好坏，取决于用来训练它的素材。在 ESKIMO 项目中，十余万张外观缺陷影像——划痕、裂缝、破损——被分析并由人工逐一归类。这项手工活是每个人工智能项目里看不见的部分；它也解释了，为什么其他行业的方法无法直接照搬到建筑业。
需要说明的是：ESKIMO 是一个有十一家伙伴、预算 240 万欧元的研究项目。它的成果是原型，不是量产功能。
已经显现出来的五种作用
一致
第三十套住宅，和第一套一样被认真检查。
重复更少
与已有条目的比对避免了重复记录——这在清单式管理里是个老毛病。
有据可看，而非只有描述
被标出的影像局部直接呈现所指的东西，来回追问因此省掉。
早，而不是晚
在巡检当下发现的问题还是施工上的事，而不是一桩质保纠纷。
可以做分析
同一类缺陷在同一处细部反复出现，那就是在提示设计有问题。
而且
施工管理筛查的是候选，而不必一张一张打开影像。
前提不是人工智能
自动识别在项目里没能带来价值，最常见的原因出在算法之前：影像根本不存在。没有定期的、拍法可比的、带位置的巡检，就没有东西可分析。今天开始做的人，先从采集本身获益——自动化是后来才叠加上去的。
从一处发现到一条工作流
缺陷是人找到的还是算法找到的，并不改变此后必须发生的事：它需要位置、影像、描述、责任人和期限，并且要一直跟到整改完成报验。Construction Defects（缺陷管理应用）正是为此而建——识别把候选送进同一条流程，而不是另造一份清单。
常见问题
自动缺陷识别现在可以购买吗？
不能。它来自 ESKIMO 研究项目，并在该项目中作了演示。已可实际使用的是打码、物件识别和影像自动分类。
究竟哪些缺陷可以自动识别？
可见表面上的外观现象：划痕、裂缝、污渍、变色、破损。凡是需要量测、开挖或触摸的，仍然要靠人来检查。
识别的可靠性如何？
它给出的候选带有不同的置信度。对实务而言，关键与其说是命中率，不如说是如何处理误报——一份错得太频繁的清单，很快就没人再看。
这会取代巡检吗？
不会。它改变的是巡检过程中做什么：采集，而不是当场记录。判断放到之后，在屏幕前完成。
识别错的缺陷怎么办？
予以驳回。要紧的是这次驳回被记录下来——否则同一处发现在下次巡检时又会冒出来。
识别需要 BIM 模型吗？
要做精确定位需要，识别本身不需要。没有模型时，可以通过平面图上的拍摄点位为发现指定位置。
来源与法律依据
本文中的法律表述依据以下原始出处。本文不能替代针对个案的法律咨询。