夜雨聆风AI来“体检”：让预制叠合板质量隐患无处藏身
在装配式建筑生产中，预制混凝土叠合板是常见的重要构件。它看似是一块普通的混凝土板，但在浇筑前，内部已经布置了桁架钢筋、加强筋、接线盒、预留孔洞等关键部件。
问题在于：这些构件一旦被混凝土覆盖，就很难再直接检查。
如果接线盒位置偏了、预留孔洞漏了、加强筋放错了，浇筑后再发现问题，不仅整改困难，还可能带来返工、安装冲突甚至质量安全隐患。因此，如何在混凝土浇筑前，把这些“看得见但容易漏检”的构件准确识别出来，成为预制构件质量控制中的一个关键问题。
近期，相关研究提出了一种面向预制混凝土叠合板内部构件检测的智能模型——GARM图注意力推理模型。通俗地说，它就像一个安装在生产线上的“AI质检员”，能够在浇筑前对叠合板内部关键构件进行自动识别、定位和分析，为装配式建筑质量控制提供新的技术路径。
一 、为什么要把质量检测提前到浇筑前？
传统预制构件质量检查，很大程度上依赖人工经验。工人或质检人员需要在构件浇筑前，对钢筋、接线盒、预留孔洞等进行逐项核查。
但实际生产现场往往存在几个难点：
第一，构件种类多，布置关系复杂，人工检查容易漏项。
第二，接线盒、孔洞、钢筋等目标尺寸差异较大，有些目标较小，现场背景又比较复杂，识别难度较高。
第三，浇筑完成后，很多内部构件被混凝土覆盖，后期再检查和整改的成本明显增加。
因此，预制构件质量控制不能只依赖“浇筑后检查”，更需要向“浇筑前预防”转变。也就是说，在问题被混凝土盖住之前，就尽可能把它识别出来、定位出来、处理掉。
二 、AI到底能识别什么？
这项研究主要针对预制混凝土叠合板浇筑前的内部构件进行检测，识别对象包括：
AI识别对象 | 主要关注问题 | 通俗理解 |
金属接线盒 | 是否漏放、位置是否准确 | 电气接口有没有放对 |
塑料接线盒 | 数量、位置和布置是否合理 | 后续管线安装是否受影响 |
预留孔洞 | 孔洞位置、尺寸和偏移情况 | 管线、连接件能不能顺利通过 |
加强筋 | 是否缺失、位置是否正确 | 局部受力部位是否加强到位 |
桁架钢筋 | 位置、形态和分布情况 | 叠合板受力骨架是否清楚 |
三、AI识别的基础，是高质量数据
AI模型并不是凭空学会识别构件的。要让模型知道什么是接线盒、什么是预留孔洞、什么是桁架钢筋，首先要有大量真实、清晰、稳定的现场图像数据。
在本研究中，团队围绕预制混凝土叠合板浇筑前的典型场景，采集了1535张高清图像，并完成19625个实例标注。数据对象涵盖金属接线盒、塑料接线盒、预留孔洞、加强筋和桁架钢筋等关键构件。
可以这样理解：图像采集设备为AI提供了“眼睛”，数据标注为AI提供了“答案”，模型训练则让AI逐步学会从复杂图像中识别不同构件。
为了提高模型对现场环境的适应能力，研究还采用了翻转、曝光调整、变暗、加噪声等数据增强方法，让模型能够适应不同拍摄条件、光照变化和复杂背景。
这一部分也说明，智能检测并不只是算法问题。稳定的图像采集、规范的数据标注和可靠的计算平台，共同构成了科研成果落地的基础。
四、GARM模型做了什么
GARM模型的核心目标，是让AI在复杂的预制构件图像中，更准确、更快速地识别不同类型的内部构件。从技术路线看，该模型以YOLOv8为基础框架，并引入了三类关键模块：
技术模块 | 主要作用 | 通俗理解 |
自适应特征金字塔网络 AFPN | 提升不同尺度目标的 识别能力 | 既能看大构件，也能看小目标 |
偏移动态卷积 OffsetDC | 增强复杂边界和形状 特征提取 | 对形状不规则的目标更敏感 |
图注意力网络 GAT | 捕捉构件之间的空间关联 | 不只看单个目标，还看它们之间的关系 |
这三个模块结合后，模型不仅能识别目标，还能更好地理解构件之间的空间关系。例如，某个接线盒和孔洞的位置关系是否清楚，桁架钢筋与加强筋的分布是否能被准确分割。
这也是“图注意力推理”的价值所在：它不是单纯地在图像中框出目标，而是进一步利用目标之间的关联关系，提高复杂场景下的检测效果。
五、研究是怎么开展的？
研究团队首先构建了预制混凝土叠合板图像数据集。数据集中包含1535张高清图像和19625个实例标注，检测对象涵盖金属接线盒、塑料接线盒、预留孔洞、加强筋和桁架钢筋等。研究还通过翻转、曝光调整、变暗、加噪声等方式进行数据增强，以提高模型对不同拍摄条件和复杂现场环境的适应能力。
可以把整个实验过程理解为四个步骤：
六、检测效果怎么样？
实验结果看，GARM模型在检测精度、推理速度和轻量化方面均表现较好。
几个关键数字值得关注：
指标 | 结果 |
图像数量 | 1535张高清图像 |
标注实例 | 19625个 |
Precision | 88.9% |
F1 score | 85.5% |
mAP50 | 88.7% |
单张图像推理时间 | 约1.8 ms |
GARM模型的优势在于，它在保持较高检测精度的同时，也兼顾了模型轻量化和快速推理，这为后续工程部署提供了基础。
七、这项成果有什么工程价值？
这项研究的价值，不只是提出了一个新的AI模型，更重要的是提供了一种预制构件质量控制的新思路。
过去，预制构件检测更多依赖人工巡检和经验判断。未来，随着图像采集设备、深度学习模型、BIM模型和生产管理系统的结合，预制构件质量检测有望形成这样的闭环：
图像采集 → 智能识别 → 坐标定位 → 质量判断 → 问题整改 → 结果追溯
也就是说，AI不仅可以帮助“看见”构件，还可以进一步服务于质量验收和生产管理。
对于装配式建筑生产企业而言，这类技术未来可用于：
应用场景 | 可能发挥的作用 |
生产线自动巡检 | 减少人工检查压力，提高检测效率 |
浇筑前质量核查 | 在混凝土覆盖前发现问题 |
构件出厂质量控制 | 提高产品一致性和可追溯性 |
隐蔽工程数字化验收 | 为质量验收提供图像和数据依据 |
与BIM模型联动 | 实现检测结果与设计图纸自动比对 |
八、 从“人工检查”走向“智能验收”
装配式建筑的优势在于工厂化生产、标准化制造和现场快速装配。但也正因为构件生产流程更长、参与环节更多，质量控制不能只依赖最后一道检查。
特别是预制叠合板这类构件，很多质量问题都发生在浇筑前的内部布置阶段。一旦浇筑完成，问题就从“显性问题”变成了“隐蔽风险”。
因此，智能检测技术的意义在于，把质量控制关口前移：
不是等构件出了问题再返工，而是在浇筑前就发现问题；不是只靠人工经验判断，而是让图像、模型和数据共同参与质量验收。
从这个角度看，GARM模型代表的不只是一次算法改进，更是装配式建筑质量检测方式的一次转变：从人工检查走向智能识别，从经验判断走向数据驱动，从事后检测走向事前预防。
九、文章主要图表
图2 改进模型的整体示意图
图3 多维注意力机制
图4AFPN结构运作示意图
图5 数据集中各类构件的外观示意图
图6 不同位置添加OffsetDC模块后的损失函数
图7 各模型的综合性能图8 预制混凝土叠合板五类构件对比mAP50结果
结语
预制构件质量检测的关键，不只是“看得见”，更是“看得准、看得快、看得有依据”。
GARM模型的研究表明，AI视觉检测可以在混凝土浇筑前，对预制叠合板内部关键构件进行自动识别和定位，为隐蔽工程质量控制提供新的技术路径。随着这类技术与BIM、机器人巡检、生产管理系统进一步融合，装配式建筑质量管理将有望从传统人工检查，逐步走向智能化、自动化和全过程可追溯。
让隐蔽工程不再“隐蔽”，让质量风险在浇筑前被发现，这正是AI赋能装配式建筑质量控制的重要价值。
论文小档案
英文题目：Graph Attention Reasoning Model For Prefabricated Component Detection
期刊：Computer-Aided Civil and Infrastructure Engineering
作者：周满旭（博士），叶冠廷（博士），阮家荣教授，于文豪（博士），晋强教授
发表时间：2025年
研究团队：新疆农业大学水利与土木工程学院、新疆水利工程安全与水灾害防治重点实验室、澳门大学智慧城市物联网国家重点实验室&土木与环境工程系、澳门大学粤港澳智慧城市联合实验室、中国科学技术大学先进技术研究院
研究亮点：本文提出了一种融合自适应特征金字塔、偏移动态卷积和图注意力推理机制的轻量化实例分割模型GARM，实现了预制混凝土叠合板浇筑前内部多尺度构件的高精度、快速检测与坐标定位。