第 五 届 全囯 ＢＩＭ 学 术 会议 论 文 集 长 沙 ？

２ ０ １ ９



基于 深 度 学 习 的 结构构 件识 别 方法研究



赵 云 凡Ｓ 邓 雪 原 Ｓ 赖 华 辉


２

（１ ．
上 海 交 通大 学 ， 上海 ２０ ００ ００
；
２ ．

深 圳 爭 爭政 设 计 研 究 院 有 限 公 司 ， 厂 东 深圳 ５ １ ８０ ００ 

）

【 摘 要】 近年 来 ，
Ｂ ＩＭ 技 术被 广 泛 应 用 于 既 有 建 筑 的 ＢＩ Ｍ 模型 重 建 。 但传 统的 Ｂ ＩＭ 模型 重建 方 法 

，

如激 光 扫描 、 倾 斜 摄影 以 及 手 工 翻 模 等 ， 存在 着效率 低下 的 问 题 ，
需 要花 费 大量 的 人力 、 物 力和财 力 

。

因 此 ， 本研 究 提 出 了 一

种基 于 深度 学 习 的 构 件 识 别 方 法 ， 可 从 二 维 Ｃ ＡＤ 图 纸 中 自 动识 别 建 筑 、 结 构 或机


电构 件 。 以 二 维结 构 图 纸 为 例 ，
本研 究 所 提 出 方 法 可 快 速 有 效 地 识 别 图 纸 中 的 柱 和 梁 等 结 构 构 件 ，
为 既



有建筑 Ｂ ＩＭ 模型 的 自 动化 重建 打下 坚 实 基础 

。

【 关 键词 】 既 有建 筑 ；
ＢＩ Ｍ 模型 重 建 ； 深度 学 习 ；
Ｙ ＯＬ Ｏ



１
背景


近些 年来 越 来 越 多 的 实 际 案例 验证 了 ＢＩ Ｍ 技 术对 建 筑 项 目 运 维 的 促 进 作 用 在建 筑 运 维 管 理过


１
［ ］
，
 。

程中 引入 ＢＩ Ｍ 技术 可 实 现 设 计 、 施工 、 运 维 的 信息共享 ，
使 得 运 维 管 理 人员 能 够 根 据更 准 确 、 全面 的 信


息 进 行运 维 活 动 决 策 。 但 Ｂ ＩＭ 技 术在 既 有 建 筑 的 应 用 程 度 并 不 高 ，
其 主要 原 因 是 大部 分 既 有 建 筑 因 年 代


久 远 缺乏 准 确 的 、 语义 丰 富的 建筑 信息 模 型 。 因此 ，
如 何快速 、 准确 、 经 济 地建 立 既 有 建 筑 三 维信 息 模


型 是 该领 域 研 究 的 重 点 

。

目前 国 内 外 研 究 人员 提 出 了 不 同 的 既 有 建 筑 自 动 化 建模 方法 例如 摄 影 测 量 技术 通 过 处 理 光学


２
［ ］
， 。 ，

摄 影 机 获 取 的 建筑 图 像 ，
获 取被 摄建 筑 物或 构 件 的 形 状 、 大小 、 位 置 及相 互 关 系 等 信 息 ，
但建立 的 模 型



仅包 含 外 部 几 何 形 状 及 纹 理材 质 信息 内 部 场 景 无法 获 取 激 光扫 描技 术 可 通 过 点 云 高 效 准 确 地还 原 呈


３
［ ］
， 。

现既 有 建 筑 的 几 何 形 状 ，
但 其无法扫 描隐 蔽工程 ，
而 且 使 用 激 光 扫 描 设 备 的 成本 相 对 较 高 。 基于 二维


Ｃ ＡＤ 矢 量 图 纸 的 模 型 重 建 方法 能 够 从 ＤＸ Ｆ 等矢 量文 件 中 从 提取 拓 扑 信 息 及 语 义 信 息 但 Ｃ ＡＤ 矢量图
４ ］



［
，

纸 存 在着 大 量 的 草 稿 错 误 ，
严 重 影 响 了 识 别 的 精度 ， 且 许 多 既 有 建 筑存 在 因 为 年 代 的 久 远 而 丢失 、 缺乏



电子 版 Ｃ ＡＤ 文件 ， 保 留 的 只 有 打 印 版甚 至 手绘 竣 工 图 纸 

。

因此 本 文基 于 Ｙ ｏ ｕ Ｏ ｎ Ｌ
ｙ  ｏ ｏ ｋ Ｏ ｎ ｃ ｅ （
Ｙ Ｏ ＬＯ ） 的 卷 积神 经 网 络 提出 了 种 新 颖 的 从 结 构工 程 图


一

， ｌ ，

纸 图 像上 识 别 结 构 构 件 的 方 法 为 实现 既 有建 筑 ＢＩ Ｍ 模型 的准确 快 速 且 低 成本 地 动 化 重建 提 供 

条
一

。
、 自

新路 径 

。

２ 研究 现状


研 究 人 员 从很 早 时 间 之 前 就 开 始 了 建 筑平 面 图 中 识 别 建 筑 构 件 的 研 究 ，
Ｍ ａｃ ｅ？ 等 人提 出 了 粗 细 线 分


离 的 算 法来 从 平 面 图 纸 图 像 中 区 分 墙 和 其 他 符 号 。
在 此 方法 的 基 础 上 ， Ａ ｈｍ ｅ ｄ 等人 进行 了 算法改进 

，

将线 进 行 了 粗 中 细 三 个 等级 的 划 分 以 此来进 步 区分外 墙和 内 墙 Ｇ ｎｍ ｅ ｎｅ ｚ 等人 运 用 模式 识 别


一

， 。
、 、

的 方 法 从 扫 描 的 二 维建 筑平 面 图 纸 中 识 别 内 外 墙 、 开 洞 及 空 间 等 构 件 用 以 生 成 三 维 建 筑信 息 模 型 。
与此


同时 ，
其他的 一

些 研究 人员 则 关 注 于 结 构 图 纸 的 构 件识 别 。
Ｌｕ 等人 提出 了 一

种识 别 轴 网 标 头 来 进 行 区


域划 分 ，
进 而识 别 结 构构 件 的 方 法 。 此外 ， 还有 一

些 研 究 人 员 花 费 更 多 的 精 力 投 入 到 机 电 图 纸 的 构 件识



基金项 十三 五 国家 重 点 研发 计划 项 的 预制 装 配 建 筑 体 系 应 用 技 术 编号 十 三五
“ “ “

国家 重 点


”
Ｂ ＩＭ
” ”
【 目 】 目 基于 （ ：
２０ １ ６ ＹＦ Ｃ０ ７ ０ ２ ０ ０ ０ ） ； 
“

研 发计 划 课题 预制 装 配 建 筑 产 业 化 全 过 程 ＢＩ Ｍ 平 台 关键 技 术 的研 究 开 发 编号
”
自 主 （ ：
２０ １ ６ Ｙ Ｆ Ｃ ０ ７ ０ ２ ０ ０ ０ ）

【 作 者 简 介 】 赵 云凡 （ １ ９９ １ ） ， 男 ，
博 士 研究 生 。 主要 研 究 方 向 为 基 于 深 度 学 习 的 ＢＩ Ｍ 模 型 重建 。 Ｅ ｍ ａｄ ：  ２７ ６ ８ ６ ２ ９ ５ ４ ＠ ｑ ｑ ．
ｃｏ ｍ



１４ ２


 鐘全 Ｓ ＢＩ Ｗ 学 术会镟 长參 ＊ ：

顯１ ３

等人 提 出 了 运 用最小 回 路 搜 索 法 来 识别 风管 水管 三 通等 机 电 构 件 ， 有着 较 高 的识


ｓ

别上 ＾ Ｃｈ ｅ ：
［ ］
． 、 ｗ
弯头 、

别率 

。

３ 基于 Ｙ ＯＬ Ｏ 的 结构 构 件 识 别 方 法


３ ．
１ Ｙ ＯＬＯ 神 经 网 络结 构


如图 狎示 在本 项 研究 中 所采 用 的 Ｙ Ｏ Ｌ Ｏ 神 经 网 络具有 鉍 个 不 同 梭 心 大 小 的 卷 积层 以 及
１ ，
２ 个 全连


接雇 ，
弁 用 最 大池 化 操作 来减 少 结 构菌 纸 图 像 的像 素 信息 

ｓ

Ｃ ｏｎ ｖ ． １ Ｃ ｏ ｎｖ ２ Ｃ ｏ ｎ ｖ ３ Ｃ ｏ ｎ ｖ ．
．

． ７
－

１ ０  Ｃ ｏｎ ｖ ． １
７ －

１ ８  Ｃ ｏ ｎｖ ． ２３ Ｃ ｏ ｎ ｎ Ｃ ｏ ｎｎ ． １ ． 

２

Ｍ ａｘ ｐ  Ｍ ａ ｘｐ
．

 １
．

 Ｃ ｏｎ ｖ ４  Ｃ ｏｎ ｖ
２ ． ．  １ １
－

１ ４  Ｃ ｏｎ ｖ ．

１ ９ ２０
－

 Ｃ ｏｎ ｖ ２ ４

 ．

图 １ Ｙ ＯＬ Ｏ 神 经 网 络结 构



卷积 层 （ Ｃｏ ｎｖ ．
） ， 其 实质是对 输人 的 结 构 图 像 数 据 迸 行特 征 提 取 ，
主 要秦 趙 固 定 大 小 的 卷 积核 对 输


人 图 像进 行 卷 积 操 作 ，
并 将籍到 的 卷 积 图像作 为 输 出 。 由图 １ 可知 ， 本 文 所 便用 的 Ｙ Ｏ ＬＯ 网 络 楔型 中 卷


积 ｔ包含 ３ Ｘ ３ 和
Ｊ
１ Ｘ １
两 种 卷积孩 ， 其中 ３ Ｘ３ 的 卷 积 层用 来进 行 卷积 ，
１ Ｘ １
的 卷 积 层用 来 降低 输 人 的 逋


道数 ，
减 少 网 络 中 产 生 的 参数 ，
减 轻运 箕 复杂 度 

ａ

就是 根 据特 征矩 阵 所 处 的 空 ＿ 位望 按 块 分 割 特 怔 弁在 小 块 中求得最 太 值
最大 池 化 层 （
Ｍ ａ ｘｐ 
 ．
） ， ， ，

怍 为 新 的 特征值 由 恩 可 知 在 本 文 中最 大 池 化 操 作都是 ２ Ｘ ２ 大 小 的 即 依次 取 输 人图 像 含 Ｘ ５ 大 小 像
， 
 １
，
，

素 区 域 中 的 最 太值 作 为 输 出 结果 的 像 素 值 通过 最 大 池 化 操作 后 输 出 圈 像 缩 小 到 四 分 之 同 时保

一

＊ ， ， ，

留 了 原 图 像 中 的遽聲 信 息 ，
同 时 图 像 被 抽 象到 更 高 的 层 级 ．
之 后 的 卷 积 层 可 以 在不 同 的 Ｒ 度 对 图 像 进 行


特征 提取 

。

全连 接 层 （ Ｃ ｏｎ ｎ 其作用 是将 输 人 的 二 维特 征 矩 阵 降 维 为 维脊征 向 量 便 于 输 出 层进 行 构 件 分
．
） ， 
 一

类预 测 。 在 Ｙ Ｏ ＬＯ 网络 模型 中 经 过卷 积 和 最大 池 化 处連 的 特征 图 连接 个全 连接長
， ２ 

。

此外 ， 为 了 谓加 每
一

层 神经 网 络 的 非 线性 ？
对 最后 一
＜
、
全连 接 层 采 用 线 性 激 活 函 数 ？

．
而对于 其他 全


连 接 层 和卷 积层釆 用 如 下 所 示 的 ｅ ａｋ ｙ
ｌ

Ｒ ｅＵＪ ？ 敦 活 函数 

：

Ｘ
ｆ ， Ｘ ＾＞ ０



ｊ
＞ｉ ｘ ）
＝

（ １ ）



ｌ Ｑ ＊ ｌ ｘ 

，

３ ．
 ２ 基于 ＹＯ ＬＯ 的 构 件 识别 原 理



运 用 Ｙ Ｏ Ｌ 。 神 经 网 赞来 进 行 结 构 图 纸 图 像 的 甘标 构 件 检 测 时首 先 将 待检 测 图 像 调 整 成 固 定像 素大 小


作为 神 经 网 络 的 输 入 紧 接着将 整 帳 图 像 划 分 成 ＶＸ Ｖ 个 网格 每 个 网 格 负 责 预 测 中 心 藩 在 拔 网 格 的结


＇

， Ｉ Ｊ ，

构构 件 ＾ 当 进 行 结 构 构 件识 别 时 ，
每＾网 格 预 测 Ｂ 个边 界 框 ，
＿ 个 边 界権 包 含 Ｉ ｙ 取 Ａ 及 置 信度 ５ 、 、

个预 测 歡 其 中 ，
ｘ 和 ｙ 分 别 代 表边 界框 相 于 网 格 来说 的 中 心 点 横 挫 标 和 纵坐 标 ，
？ 和 ／ｚ
代 表 边 界框 相 对


于 整 腥 图 像 的 宽度 和 离度 ＾ 置 信度 包 脅 了 两 重 信息 ，
分 别 为 所 预测 的 边界 框 中 含 有 构 件 的 置 信 度 和 这个


边界 框领 测 的 准 确 度 如公式 所示
９
［ ］

，
Ｃ２） 

：

Ｃｂ ｒ
ｆ ｔ ｅ職 Ｐｒｏ ｂ Ｃ Ｏ） ＊ Ｉ Ｑ ｌ Ｊｔ £ ２ ）
＇

＝
 Ｉ ：




其中 ＊  Ｐｒ
ｏ Ｈ 〇 表示 当 前 边 界 框 内 存在结 构 构 件 的 可 能 性
＞
，
若边 界框 内 存 在 物体 ，
则 该 値为 １ ，
反之


该值 为 ０ 。
Ｉ ＯＵ 鏢 表 承预 测 的 边 界 框 与 对 象真 实 边界 框 的 交并 比 ，
如图 ２ 所示 ， 可 Ｍ蓄 扭 ０Ｕ ＾ 体 现 了

 Ｉ

１４３


 ａａ減 条 ｍ ｂ ｉ ｗ  ？术会 长參 ＊ ：

潍？



预 测 的 边 界 框与 真 实 边 界 ＿ 的 接 近 程 度 ，
崎预


测边 界框 与翼 实 边 界 框 完 全 重 合时 ｉ 〇ｕ ＝
ｉ ，
．



反
之 当 两 个边 界 框 完 全 不 相 交 时 〇ｕ
＝

ｌ ０。



．
酉像 中 的 网 格 除 了 预 测 Ｂ 个 边 界框 外 ， 

还
预 测 存 在 物 体 的 情 况 下 该 物 体羼于 某 一

类 的条


件概率 设 本 文 中 霄費御 的 构 件总＿有 瓦 秦
 ￥ １

故 傳 个Ｍ 格 中寒 类 对 象 的 条件條 率 

为 ＃ ：

Ｐ ｏｂ Ｑ 〇ｒ 每个 网 格 预 测 的 类 别 信息 和 边 界
｛ 
 
） ，

框预 测 的 置 儈 度 食息 相 乘 ．

， 就 得 到 每个 边 界 框


的雜 分 数 ，
具体 计算 如 公式 （３ Ｊ 所示 

：

Ｃ ｏ ｎｆ ｉ ｄｅ ｎ ｃ ｅ Ｓ ｏ ｃ ｒ ｅ ＝ Ｐｒ ｏ ｂ （ 

Ｑ ０ ） ＊ Ｃ ｏ ｎ ｆ ＇


ｉ ｄ ｅｎｃｅ



０ ）Ｉ ０ ｌ￥Ｓ


ｈ
＝
Ｐｒ ｏ ｂ （ 

Ｑ ０ ） 传 Ｐ ｒｏ ｂ （

Ｑ ） ？ Ｉ ０ Ｕ ｉ 
？
Ｐ ｒｏ ｂ （
＝

（３）



雾 ２ ， ３ ”
ｖ 

Ｋ

３ ．
３ 训练


在对 ＹＯ ＬＯ 神 经 网 络 进 行 正式 训 练 之前 ， 可 对 ＹＯ Ｌ Ｏ 神 经 网 络模 型 进 行 预训 练操 作 ６ 预 训 练 运 用迁


移 学 习 的 思葱 从类 似 问 題 中 训 练 过 的 模 谨 人 手 不 用 从 零 开 始再 训 练 个新 的 模 型 从 而 可 以 节 省 大 量


一

， ，
．

时间 。
在本文 中 ，
我 们梗Ｈ 
Ｉ ｍ ａ ｇｅ Ｎ ｅｔ 上 １ ０ ００
个 种 类 的 数搪 集来对 ＯＬ ０
Ｔ 神 － 网 络 的 前 ２ ０ 个卷积 层 进行


预训 练 ，
随后 ＾ 使 用 本 文 的 数 据 集对预 训 练 模 型 进 行 置新 训 练 ，
即 对预 训 练 模 型 的 极 重进 行 微 调 ， 从而


得到 针 对 结构 图 紙 图 像 的 Ｙ ＯＬ Ｏ 神 经 网 络模 型 及 对 应权重 

，

３ ． ４ 测试


将测 试集 图 像输 人 到训 练完 成 的 Ｙ０ Ｌ０ 神经 网 络中 ，
会输 出 个 张量来 表示 图 像 中 所 有 阿 格 包 含对
一



象 的 概率以 及 该对 寒 可 能 的 位置和可 信程 度＾ 将 图像 分 成 ＮＸ Ｊ Ｖ 个网格 每个 网 格 预测 Ｋ 个类 别 概 率 及
 ，

Ｂ 个边 界 框 ， 每 个边 界框 中 含 有 Ｓ 个 预测 值 ，
故 最 后 将 输 出 的 张 量长 度 为 

；

ＷＸ＾ Ｘ ＣＢ Ｘ ｉ
＋
 
Ｋ ）

为 了 从 网 格 ＿ 提 取 出 巔 ＿ 可 能 的 对 象及 对 逾前 边 界 框
：

， ，
本 文藥ｆ
ｌ 偶＿ ｍ ａｘ ｍａ ｌ ｓ ｕ ｐ
ｉ
ｐ辩 ｓ
ｉ ｏｎ 

，

Ｄｎ
非 极 大 值抑 制 ） 算法 ］

来进 行数 琨 处理 ，
非 极 大值抑 制 箅法 就 是 抑 制 不是 极 大 值 的 元 素 ，
可 以 理解 为 局


部最太搜 索 ，
在 文 本 中 主 要用 来 提 取 某 类 构件 襞 信分 数最高 的 边 界 框 

。

４ 实验 及 结果


４ ．
１
数 据集


本文 收 集并 整 理 出 一

个统 一

Ｒ 寸 的 结构 图 纸 图 像 数 据 集 。
数据 集 中 的 图 像 包 括 梁 图 和 柱 图 两 种 类 型 

。

其 中 将 每张 面 像 中 待讽别 的元 素 分 为 轴 网 标头 ，
柱 和梁 等结 构 构 件 

。

４ ． ２ 实 验环 境


本文 实 蠢梁 甩 Ｉｎ ｔ ｅ  ＣＴＭ ，７０ ０ 处塵 器 Ｇ  内 ＃ 以 及 ＧｅＦ ｏ ｒｗ ｆ
ｅ Ｇ Ｔ Ｘ  １ ０ ，


．

）
ｌ ｆ
￥ 、 １ ６
：

硬 件 配置 ：

整个 实 验 过 程 在 Ｕｂ ｍ ｕ ４ 操 作 系 统上 进 行
，
使 用 Ｐ ｙ ｈｏｎ  作 为 编 程 语盲 使用 
 ｉ ｔ ｌＳ ． ０
，
ｔ ２ ，
７ ， １ ５ ，

０ 作为 深
Ｔｅｍ ｏ ｏ ｗ ｇｐ ｕ
度 学 习 樞 架 来 迸 行结 构 构 件 的 识 别 此 外 本 文 还来 用 Ｃ ｕ ｄ ａ  ０ 来 进 行
ｒ ｆｌ １  １ ．
．

 ， ，
８ 
．

ＧＰ Ｕ 加 速 使 用 Ｏ ｐｅｎＣ Ｖ 进行测 试 操作 时 图像 可视 化 显 示
？

， ＞
》 

．

４ ． ３ 实 验结 果


在 本实 验 中 ，
基于 ＹＯ Ｌ Ｏ ．

＿ 结 构 构 件识 别 方法 在 粱 國 及 柱 團 上 的 识 别结 果 如 表 １ 所 示 。
霜中 苽 以 看


出 ，
轴 网 标 头 的 识 别 效果 最 好 ， 其平 均 识别 准 确 率达 到 ８６ ． ４１ ％ 。
柱 子 的 竿 均识 别 准 确 率为 ８４ ． ０３ ％ ，


而
梁 的 平 均识 别摔 为 純 Ｈ ％ 。
造 成 轴 网 标 头 的 平 均 识 别 率 较 露 的 原 西 是 该类 构 件在 二 维 ＣＡ Ｄ 结 构 屈 纸 图


像 中 出 现 次数 最 多 ， 且 与 其 他 构 件 相 比 特 征更 为 明 显 。
柱 子 平 均识 别 准 确 率较 低 的 原 因 可 能 暴单 个 柱ｆ


１ ４４


 第 五 届 全国 ＢＩＭ 学 术 会议 论 文 集 长 沙 ？
２ ０ １ ９



占 整 个 图 纸 图 像 的 比 例 较小 ，
造成 Ｙ ＯＬ Ｏ 神 经 网 络对 该类 构 件 识 别 不 准 确 

。

梁 图 及 柱 图 识别 结 果 表 

１

轴 网标头

 

柱 

梁
度 量值



平 均 识别 准 确 率

 ８６ ．
４１ 

％ ８４ ． ０ ３ 

％ ８４ ．
 ７４ 

％

单 幅 图像平 均 识别 速 度

 ０ ．
１ ５ ｓ



５ 结论


近些 年来 ，
Ｂ ＩＭ 持续 地 被 认为 是 建 筑 运 营 维 护 管 理 的 核 心 工 具 。
但 既有 建 筑 Ｂ ＩＭ 的 匮 乏及 现 有建 模


重 建 手 段 的 低 效促 使 我 们寻 找 一

种 高 效 且 低 成本 的 既 有 建 筑 模 型 重 建 方 法 。
作 为 模 型 重建 的 第
一

步 ，


如
何快 速 准 确 快 速 地 识 别 建 筑 中 的 构 件是 目 前 研究 人 员 面 临 的 个 重 大挑 战 因此 本文提 出 了 种 基于


一 一

， ，

Ｙ Ｏ ＬＯ 的构件 自 动 识别 方 法 来识 别 二 维 结 构 图 纸 中 的 构件 。
实 验 结 果 显 示 所 有 类 别 构 件 的 识 别 精 准 率都


在 ８０
％ 以上 。 此外 ，
该方 法 进 行 构 件识 别 时 所耗 费 时 间 也 较 短 ，
识别 每 张 图 像 的 平 均 耗 时 仅 为 ０ ．
１ ５ ｓ 。


上
述结 果表 明 所 提 出 的 基 于 Ｙ ＯＬ Ｏ 的 既 有 建筑 结 构构 件 识 别 方 法 具 有 良 好 的 可 行 性 ，
与 传 统 的 既 有 建 筑模


型 重 建方 法 相 比 ，
该方 法不 仅在 构 件 识 别 准 确 率 上 有 所保 证 ，
在 识 别 速 度 以 及 投 入 成 本 方 面 更 具有 较 大


的优 势 ，
而 准确 、 快捷 且 低 成本 的 构 件 识别 为 后 续 Ｂ ＩＭ 模 型 的 生 成打 下 了 坚 实 的 基础 

。

参 考 文 献



［
１
］  Ｖｏ ｌ ｋ  Ｒ  Ｓ ｔ ｅｎ ｇ ｅ
，
ｌ
Ｊ ，
 Ｓ ｃｈ ｕ ｌｔ
ｍ ａ ｎ ｎ  Ｆ Ｂ ｕ ｉ ｌ ｄｉ ｎ
ｇ
ｉｎ
ｆｏ ｒｍ ａｔ ｉ ｏｎ  ｍｏ ｄ ｅ ｌ ｉ ｎ ｇ （
．
Ｂ Ｉ Ｍ ）  ｆ ｏ ｒ ｅ ｘ ｉ ｓ ｔｉｎ
ｇ ｂ
ｕ ｉ
ｌ ｄ ｎ ｇ ｓ
ｉ
ｌ ｉ
ｔｅｒ ａ ｔ ｕｒ ｅ ｒｅ ｖ ｉ ｅ ｗ  ａ ｎ ｄ



ｆ ｕｔ ｕ ｒｅ  ｎ ｅ ｅ ｄ ｓ［ Ｊ ］ ．
 Ａ ｕ ｔ ｏｍ ａ ｔ ｉ ｏ ｎ  ｍ Ｃ ｏ ｎｓ ｔ ｒ ｕ ｃｔ ｉ ｏ ｎ ， ２ ０１ ４ ， ３ ８ （ ５） ：
１ ０９ １２ ７ 

．

［
２
］ Ｌ ｉ
Ｊ ， Ｈ ｕａ ｎ ｇ Ｗ  ， Ｓ ｈ ａ ｏＬ ，
ｅ ｔ ａ ｌ ．
 Ｂｕ ｉ ｌ ｄ ｎ
ｉ
ｇ
ｒ ｅ ｃｏ
ｇ
ｎ ｉ ｔ ｉ ｏｎ  ｍ ｕ ｒｂ ａ ｎ  ｅｎ ｖ ｉ ｒｏ ｎｍｅ ｎ ｔ ｓ ：  ａ  ｓ ｕ ｒｖ ｅｙ  ｏ ｆ  ｓ ｔ ａ ｔ ｅ ｏ ｆ ｔ ｈｅ ａ ｒ ｔ ａ ｎｄ  ｆ ｕｔ ｕｒｅ  ｃ ｈ ａ ｌ

ｌ ｅｎ
ｇ
ｅｓ
［ Ｊ ］
．
Ｉ ｎ ｆ ｏｒ ｍ ａ ｔ ｉ ｏｎ  Ｓ ｃ ｉ ｅ ｎ ｃｅ ｓ ， ２ ０ １４ ，
２７ ７ ： ４ ０ ６ ４２ ０ 

．

［ ３］  Ｔ ａ ｎｇ  Ｐ Ｈ ， ｕ ｂ ｅ ｒ Ｄ Ａ ｋ ｍ ｃ Ｂ
， ｉ ，
ｅ ｔ ａ ｌ ．
 Ａ ｕｔ ｏｍ ａ ｔ ｉ ｃ  ｒｅ ｃ ｏｎ ｓ ｔ ｒ ｕｃ ｔ ｉ ｏ ｎ ｏ ｆ ａ ｓ ｂｕ ｉｌ ｔ ｂｕ ｉｌ ｄ ｎ ｉ
ｇ
ｉ ｎｆ ｏ ｒｍ ａ ｔ ｉ ｏ ｎ ｍｏ ｄｅ ｌ ｓ ｆ ｒ ｏｍ  ｌ ａ ｓｅ ｒ ｓ ｃａ ｎ ｎｅ 

ｄ

ｐ
ｏ ｉ ｎ ｔ ｃｌ ｏｕ ｄ ｓ ：
 Ａ ｒｅ ｖ ｉ ｅｗ  ｏ ｆ  ｒｅ ｌ ａ ｔｅ ｄ ｔ ｅ ｃ ｈｎ ｉ
ｑ
ｕ ｅｓ
［
Ｊ
］
．
 Ａ ｕ ｔ ｏｍ ａ ｔ ｉ ｏｎ  ｍ Ｃ ｏ ｎ ｓｔ ｒ ｕｃ ｔ ｉ ｏｎ ， ２ ０１ ０ ， 
１ ９ （ ７ ） ：
８ ２ ９ ８４３


．

［
４
］  Ｇ ｍ ｅ ｎ ｅ ｚ Ｌ
ｉ
， Ｒ ｏ ｂ ｅ ｒｔ  Ｓ ， Ｓ ｕ ａ ｒｄ ， Ｆ ，
ｅｔ ａｌ ．  Ａ ｕｔ ｏｍ ａ ｔ ｉ ｃ ｒ ｅ ｃｏ ｎ ｓｔ ｒｕ ｃ ｔ ｉ ｏｎ ｏ ｆ ３ ｄ ｂ ｕ ｉｌ ｄ ｎ ｉ
ｇ
ｍｏ ｄ ｅ ｌ ｓ  ｆ ｒｏｍ ｓ ｃ ａ ｎｎ ｅ ｄ ２ Ｄ ｆ ｌ ｏｏ ｒ
 ｐ
ｌ ａｎｓ
［ Ｊ ］


．

Ａ ｕｔ ｏｍ ａ ｔ ｉ ｏｎ  ｍ  Ｃｏ ｎ ｓｔ ｒｕ ｃｔ ｉ ｏｎ ， ２ ０ １ ６ ， 
６３ ： ４ ８ ５ ６ 

．

［ ５］  Ｍ ａ ｃｅ  Ｓ ，
Ｌｏ ｃ ｔ ｅａ ｕ Ｈ ，
Ｖａ ｌ ｖ ｅｎ
ｙ  Ｅ ，
ｅ ｔ ａ ｌ ．
 Ａ  ｓｙ ｓ ｔ ｅｍ  ｔｏ  ｄｅ ｔ ｅ ｃ ｔ  ｒｏ ｏｍ ｓ  ｍ  ａｒ ｃ ｈ ｉ ｔ ｅ ｃ ｔ ｕｒ ａ ｌ  ｆ ｌ ｏｏ ｒ
ｐ
ｌ ａ ｎ ｉ ｍ ａ
ｇ
ｅ ｓ ［ Ｃ ］ ／ ／ Ｔ ｈｅ  Ｎ ｉ ｎ ｔ ｈ Ｉ Ａ

Ｐ Ｒ  Ｉ ｎ ｔ ｅ ｒｎ ａ ｔ ｉ ｏｎａ ｌ  Ｗｏ ｒｋ ｓ ｈ ｏ ｐ ｏｎ Ｄｏ ｃ ｕ ｍ ｅｎ  ｔ Ａｎａ ｌ
ｙ
ｓ ｉ ｓ Ｓｙ ｓ ｔ ｅ ｍ ｓ  Ｂｏ ｓ ｔ ｏｎ  Ｍ Ａ Ｕ Ｓ Ａ  ２ ０
， ， ， ，
１０ 

．

］ Ａｈ
６ ｍ ｅ ｄ Ｌ ｗ ｃ ｋ Ｍ Ｗｅｂ ｅｒ Ｍ ｅｔａｌ  Ｉ ｍ ｐｒ ｏ ｖ ｅ ｄ ａ ｕ ｔｏ ｍ ａ ｔ ｃ  ａ ｎａ ｌ ｓｉ ｓ ｏ ｆ  ａ ｒ ｃｈ ｉ ｔｅ ｃｔ ｕ ｒａ ｌ  ｆ ｌ ｏ ｏｒ ｌ ａｎｓ Ｃ ］ ／ ／ Ｉ ｎ ｔ ｅ ｒｎ ａ ｔ ｏ ｎ ａｌ  Ｃｏ ｎ
ｙ ｐ
ｉ ｉ ｉ ｉ ｉ
［  ，  ，
．

［

ｆ ｅ ｒｅ ｎｃ ｅ  ｏｎ  Ｄｏ ｃ ｕｍ ｅ ｎ ｔ Ａｎ ａ ｌ
ｙ
ｓ ｉ ｓ ａ ｎ ｄ  Ｒ ｅ ｃｏ ｇ ｎ ｉ ｔｉｏ ｎ 
，
Ｗ ａ ｓｈ ｉ ｎ
ｇ
ｔ ｏｎ
，
 ＤＣ ，
Ｕ ＳＡ ，
２０ １ １ 

．

［ ７］ Ｌ ｕ Ｑ ，
Ｌ ｅ ｅ  Ｓ Ａ  ｓ ｅｍ ．
ｉ ａ ｕ ｔ ｏｍ ａ ｔ ｉ ｃ ａ
ｐｐ
ｒ ｏ ａ ｃ ｈ ｔ ｏ  ｄ ｅ ｔ ｅ ｃ ｔ ｓ ｔ ｒ ｕｃ ｔ ｕ ｒａ ｌ  ｃ ｏｍ
ｐ
ｏ ｎｅ ｎ ｔ ｓ ｆ ｒ ｏｍ  Ｃ ＡＤ  ｄ ｒａ ｗ ｎ ｉ
ｇ
ｓ  ｆ ｏ ｒ ｃ ｏｎ ｓ ｔ ｒｕ ｃ ｔ ｉ ｎ
ｇ
ａｓ Ｉ ｓ ＢＩＭ



ｏ ｂ ｅｃ ｔｓ
ｊ ［ Ｃ ］ ／ ／ 八 ＳＣＥ  Ｉ ｎ ｔ ｅ ｒｎ ａ ｔ ｉ ｏｎ ａ ｌ  Ｗｏ ｒｋ ｓ ｈ ｏ ｐ  ｏｎ Ｃ ｏｍ ｐ ｕ  ｔ ｎ
ｉ
ｇ
ｍ  Ｃ ｉ ｖ ｉ ｌ Ｅ ｎ
ｇ
ｉ ｎｅｅｒ ｉｎ
ｇ ， Ｓｅａｔ ｌ ｅ ， ＷＡ ， ＵＳ Ａ ，
２ ０１ ７ 

．

［８ ］  Ｃ ｈ ｏＣ Ｙ ， Ｌ ｕ  Ｘ Ａ ｎ  ａ ｕ ｔｏ ｍ ａ ｔ ｅ ｄ ｒｅ ｃ ｏｎ ｓ ｔ ｒｕ ｃ ｔ
ｉ ． ｉ ｏｎ  ａ
ｐｐ
ｒ ｏ ａ ｃ ｈ  ｏ ｆ  ｍ ｅ ｃ ｈａ ｎ ｉ ｃａ ｌ ｓ
ｙ
ｓ ｔ ｅ ｍ ｓ ｍ  ｂ ｕ ｉ ｌ ｄ ｎ ｉ
ｇ
ｉ ｎｆ ｏ ｒｍ ａ ｔ ｏ ｎ  ｍｏ ｄ ｅ ｌ ｉ ｎ
ｉ
ｇ （ ＢＩ Ｍ ）

ｕｓ ｉ ｎ
ｇ
２ ｄ  ｄ ｒａ ｗ ｉ ｎ ｓ
ｇ  ［
Ｃ ］ ／／ 八 Ｓ ＣＥ  Ｉ ｎ ｔ ｅ ｒｎ ａ ｔ ｉ ｏ ｎａ ｌ Ｗ ｏ ｒ ｋ ｓｈ ｏ ｐ ｏｎ Ｃｏ ｍ ｐ ｕｔ ｉ ｎ
ｇ
ｍＣ ｉ ｖ ｉ ｌ  Ｅ ｎ
ｇ
ｉ ｎｅｅｒ ｉｎ
ｇ
２０ １ ７ ，  Ｓｅａｔ ｌ ｅ ， ＷＡ 

，

Ｕ ＳＡ ， ２０ １７ 

．

［
９
］ Ｒ
ｅ ｄｍｏ ｎ  Ｊ ， Ｄ ｉ ｖｖ ａ ｌ ａ  Ｓ ， Ｇ ｉ ｒｓ ｈ ｉ ｃ ｋ Ｒ ，
ｅｔ ａｌ ．
Ｙ ｏｕ Ｏ ｎ ｌ
ｙ Ｌ
ｏｏ ｋ  Ｏｎ ｃ ｅ ： Ｕ ｎ ｉ ｆｉｅ ｄ  Ｒｅ ａ ｌ
， Ｔ ｉ ｍｅ  Ｏｂ ｊ
ｅ ｃｔ  Ｄｅ ｔ ｅ ｃ ｔ ｉ ｏｎ
 ［ Ｃ ］ ／ ／ Ｉ ＥＥＥ Ｃ ｏｎ ｆ ｅ ｒ 

ｅｎ ｃ ｅ  ｏｎ  Ｃｏ ｍ
ｐ
ｕｔ ｅ ｒ  Ｖ ｉ ｓ ｉ ｏｎ  ａ ｎ ｄ Ｐ ａ ｔ ｔ ｅ ｒｎ  Ｒ ｅ ｃ ｏ ｇｎ ｉ ｔ ｉ ｏｎ ，  Ｌａ ｓ Ｖ ｅ ｇａ ｓ  ＮＶ  Ｕ ＳＡ  ２ ０ ， ， ，
１６ ： ７ ７９ ７８ ８ 

．

［
１０
］  Ｎ ｅ ｕ ｂ ｅ ｃｋ  八 ，
Ｇｏ ｏ ｌ Ｌ  Ｖ Ｅ ．
ｆｆｉｃ ｉ ｅ ｎ ｔ ｎ ｏｎ ｍ ａ ｘ ｉ ｍｕ ｍ  ｓｕ ｐ ｐｒ ｅ ｓ ｓｉ ｏ ｎ ［ Ｃ］ ／／
１ ８ ｔｈ  Ｉ ｎ ｔ ｅ ｒｎ ａ ｔ ｉ ｏ ｎａ ｌ  Ｃｏ ｎｆ ｅ ｒ ｅ ｎｃ ｅ  ｏｎ Ｐ ａ ｔ ｔ ｅ ｒｎ  Ｒｅ ｃｏ ｇｎ ｉ

ｔｉｏ ｎ ，
Ｈ ｏｎ
ｇ
Ｋ ｏｎ ｇ  ＣＨＮ ２０ ０６
， ，


．

１４ ５

