陳 雋，李 洋，臧 笛

（1.同濟(jì)大學(xué)土木工程學(xué)院，上海200092；2.同濟(jì)大學(xué)土木工程防災(zāi)國家重點(diǎn)實(shí)驗(yàn)室，上海200092；3.同濟(jì)大學(xué)電子與信息工程學(xué)院，上海201804）

荷載指施加在建筑物上使其產(chǎn)生效應(yīng)的各種直接作用，包括恒荷載、樓面活荷載、屋面活荷載、屋面積灰荷載、車輛荷載、吊車荷載以及地震、風(fēng)、雪、波浪荷載等［1］。荷載取值的可靠性既是擬建結(jié)構(gòu)安全設(shè)計(jì)的關(guān)鍵，也是已建結(jié)構(gòu)性能評(píng)估的依據(jù)。以建筑物樓面活荷載為例，若將其標(biāo)準(zhǔn)值推斷過大，勢必增大建造工作量，造成人力、物力的浪費(fèi)；若將其標(biāo)準(zhǔn)值推斷過小，則會(huì)降低結(jié)構(gòu)的可靠度，導(dǎo)致結(jié)構(gòu)安全性能不足。因此，活荷載的統(tǒng)計(jì)與建模是保證建筑結(jié)構(gòu)可靠度的基礎(chǔ)性工作。

大量實(shí)測數(shù)據(jù)是建筑物活荷載建模的基礎(chǔ)。我國建國后至今6次荷載規(guī)范修訂均采用人工現(xiàn)場抽樣稱重的調(diào)查方式。受人力、時(shí)間成本的限制以及大件物品現(xiàn)場稱重的困難，實(shí)測樣本的數(shù)量有限，因此數(shù)據(jù)統(tǒng)計(jì)的顯著性與荷載模型的質(zhì)量嚴(yán)重受制于樣本的代表性。同時(shí)，由于入戶實(shí)測采樣工作只能階段性開展，難以及時(shí)反映社會(huì)經(jīng)濟(jì)高速發(fā)展所帶來的室內(nèi)物品（活荷載）的動(dòng)態(tài)變化。因此，結(jié)構(gòu)可靠度分析的3個(gè)重要基礎(chǔ)（荷載統(tǒng)計(jì)、結(jié)構(gòu)力學(xué)分析與結(jié)構(gòu)抗力分析）中，荷載統(tǒng)計(jì)仍是最薄弱的［2］。建筑物活荷載的研究急待通過范式的轉(zhuǎn)變，突破樣本數(shù)量、人力成本、現(xiàn)場稱重、時(shí)效性差等關(guān)鍵難題。

20世紀(jì)后期，隨著具有采集和存儲(chǔ)功能的電子設(shè)備的全方位普及，各類電子數(shù)據(jù)資源正在以超出想象的速度累積。2011年，《Science》雜志文章指出［3］，“整個(gè)人類文明迄今所獲得的全部數(shù)據(jù)中，有90%是在過去2年內(nèi)產(chǎn)生”，同時(shí)預(yù)測，到2020年全世界所產(chǎn)生的數(shù)據(jù)規(guī)模將達(dá)到當(dāng)時(shí)的44倍。這一看似大膽的預(yù)測仍然低估了數(shù)據(jù)累積的速度：僅2015年一年人類就創(chuàng)造了4.4ZB的數(shù)據(jù)［4］。在當(dāng)下萬物互聯(lián)的大數(shù)據(jù)時(shí)代背景下，物理世界的真實(shí)物體（如建筑物內(nèi)的家具、電器設(shè)備等）會(huì)以各種數(shù)字化形式（如照片、視頻、商品名、物流單據(jù)、商品二維碼等）映射存在不同的數(shù)據(jù)網(wǎng)絡(luò)中。通過對(duì)全面數(shù)據(jù)資源的深度挖掘來獲得各類物體的重量信息，有望實(shí)現(xiàn)在不抽樣稱重的前提下獲得建筑內(nèi)的實(shí)際活荷載分布，建立可反映物品動(dòng)態(tài)變化的活荷載模型。

為此，在對(duì)我國荷載規(guī)范及其研究方法簡要回顧的基礎(chǔ)上，提出基于大數(shù)據(jù)技術(shù)的建筑物持久活荷載研究的新方式，詳述實(shí)施步驟和涉及到的分析技術(shù)，并進(jìn)行實(shí)例應(yīng)用。

1 我國荷載規(guī)范的發(fā)展概述

自建國以來，我國的建筑結(jié)構(gòu)荷載規(guī)范共經(jīng)歷了9次修改和完善（圖1），包括2次大規(guī)模全國性的荷載調(diào)查統(tǒng)計(jì)工作，研究手段以抽樣調(diào)查、統(tǒng)計(jì)回歸為主，相關(guān)成果主要體現(xiàn)在各版荷載規(guī)范中［5］。

圖1 荷載規(guī)范的演變Fig.1 Evolution of design load codes

我國荷載規(guī)范最初2個(gè)版本均參考前蘇聯(lián)荷載規(guī)范制訂。1954年的《荷載暫行規(guī)范》（結(jié)規(guī)1—1954），主要內(nèi)容包括四部分：基本規(guī)定、使用荷載、雪荷載以及風(fēng)荷載［1］。4年后，結(jié)合我國實(shí)際國情頒布了修訂版《荷載暫行規(guī)范》（結(jié)規(guī)1—1958），增加了荷載組合、超載系數(shù)等內(nèi)容，同時(shí)修改了最大雪深和最大風(fēng)壓分布圖。

20世紀(jì)60年代末到70年代初，我國開展了第一次全國荷載調(diào)查，調(diào)查內(nèi)容包括樓面荷載、吊車荷載、風(fēng)荷載和雪荷載。以樓面荷載為例，當(dāng)時(shí)曾對(duì)北京、蘭州、成都和廣州的606間住宅以及北京、蘭州和廣州的258間辦公室內(nèi)的實(shí)際荷載進(jìn)行了現(xiàn)場實(shí)測［6］。盡管受條件限制，當(dāng)時(shí)調(diào)查的城市和樣本數(shù)量有限，但該次調(diào)查建立了我國荷載研究的早期數(shù)據(jù)基礎(chǔ)，使得荷載規(guī)范的整體水平向前邁進(jìn)了一大步，具有重要的歷史意義。結(jié)合第一次荷載調(diào)查的結(jié)果，修訂編制了1974版《工業(yè)與民用建筑結(jié)構(gòu)荷載規(guī)范》（TJ 9—1974）。該規(guī)范統(tǒng)一了荷載取值標(biāo)準(zhǔn)，調(diào)整了荷載組合方法，其中樓面活荷載則未作太大修訂，基本保持原有荷載取值標(biāo)準(zhǔn)。

20世紀(jì)70年代末到80年代初，結(jié)合建筑可靠度和荷載組合課題的研究任務(wù)，在全國六大區(qū)開展了第二次荷載調(diào)查，重點(diǎn)調(diào)查住宅和辦公樓的樓面活荷載。共調(diào)查了10個(gè)城市的566間住宅，總面積為7 014m2，以及25個(gè)城市的2 201間辦公室，總面積為63 700m2。為了簡化調(diào)查工作，直接采用房間面積平均荷載來代替等效均布荷載。在此基礎(chǔ)上，隨后頒布了1987版《建筑結(jié)構(gòu)荷載規(guī)范》（GB5J1—1987），改進(jìn)了荷載效應(yīng)組合方法，增列了荷載分項(xiàng)系數(shù)，在活荷載統(tǒng)計(jì)、可靠度設(shè)計(jì)方法等方面有很大的進(jìn)步，但是對(duì)住宅辦公樓樓面活荷載取值標(biāo)準(zhǔn)沒有系統(tǒng)性提高。

21世紀(jì)初，結(jié)合建筑工程界對(duì)結(jié)構(gòu)可靠度標(biāo)準(zhǔn)的深入討論，面向適當(dāng)提高結(jié)構(gòu)可靠度的需求，修訂并頒布了《建筑結(jié)構(gòu)荷載規(guī)范》（GB50009—2001）。該版本整體提升了荷載取值水準(zhǔn)和建筑結(jié)構(gòu)可靠度，將基本風(fēng)壓和雪壓的重現(xiàn)期由30年調(diào)整到50年；增加了以永久荷載為主的荷載效應(yīng)組合；對(duì)樓面活荷載作部分的調(diào)整和增項(xiàng)，將住宅辦公類建筑樓面活荷載最小標(biāo)準(zhǔn)值由1.5kN·m-2提高到2.0kN·m-2。2009年住房和城鄉(xiāng)建設(shè)部啟動(dòng)了新規(guī)范的修訂計(jì)劃，并于2012年頒布了《建筑結(jié)構(gòu)荷載規(guī)范》（GB50009—2012）。現(xiàn)行規(guī)范擴(kuò)充了荷載規(guī)范的范圍，在作用中增加了間接作用；填補(bǔ)了建筑結(jié)構(gòu)設(shè)計(jì)全國基本氣溫?cái)?shù)據(jù)的空白。在樓面活荷載方面，只是對(duì)個(gè)別活荷載做了提高，如將教室、浴室、衛(wèi)生間由2.0kN·m-2增加到2.5kN·m-2。

荷載規(guī)范的每次調(diào)整都與當(dāng)時(shí)的經(jīng)濟(jì)發(fā)展和認(rèn)識(shí)水平的提高相適應(yīng)。各版規(guī)范的主要變化、數(shù)據(jù)基礎(chǔ)和調(diào)查方法如表1所示。從荷載規(guī)范的演變歷程可見，住宅、辦公樓樓面活荷載取值只在2001年調(diào)整過，最小標(biāo)準(zhǔn)值在1.5 kN·m-2的基礎(chǔ)上直接提升了33%?，F(xiàn)行《建筑結(jié)構(gòu)荷載規(guī)范》（GB50009—2012）所依據(jù)的核心數(shù)據(jù)基礎(chǔ)仍然是1977—1981年的調(diào)查結(jié)果。伴隨社會(huì)經(jīng)濟(jì)持續(xù)高速發(fā)展，當(dāng)前住宅和辦公樓的設(shè)計(jì)理念、功能設(shè)置與室內(nèi)用品等，與二三十年前相比都有了巨大的變化（圖2）。顯然，荷載的調(diào)查方法也需要不斷更新、提升。

表1 荷載規(guī)范變化Tab.1 Changes of load codes

圖2 住宅室內(nèi)物品對(duì)比Fig.2 Comparison of residential interior items

2 建筑物活荷載大數(shù)據(jù)調(diào)查方法

2.1 基本思想與實(shí)施步驟

大數(shù)據(jù)方法是當(dāng)前科學(xué)和技術(shù)領(lǐng)域的前沿，其應(yīng)用和推廣已上升到了國家戰(zhàn)略的高度，為各學(xué)科的研究帶來了新的發(fā)展機(jī)遇［7］。建筑物活荷載大數(shù)據(jù)調(diào)查方法基本思想是：建筑物室內(nèi)的物體會(huì)以多種數(shù)字形態(tài)（特征）映射于互聯(lián)網(wǎng)中，可分為直接特征與間接特征，前者指唯一標(biāo)識(shí)信息如條形碼、二維碼、射頻碼、產(chǎn)品標(biāo)識(shí)等，后者指非唯一標(biāo)識(shí)信息，如照片、視頻等；利用物體特征對(duì)海量網(wǎng)絡(luò)數(shù)據(jù)資源進(jìn)行挖掘，可獲得物體的重量信息，完成荷載調(diào)查。

具體實(shí)施步驟如下：①針對(duì)采集對(duì)象的特點(diǎn)，利用智能攜帶設(shè)備，綜合收集室內(nèi)物體的照片、音頻、視頻、文本等多類型信息，信息內(nèi)容需覆蓋建筑類別、房間類型、用途、面積、物品形式及數(shù)量等。②對(duì)采集到的多源、異構(gòu)信息進(jìn)行分類處理，采用不同的分析工具，獲取各類物體的直接特征或者間接特征。③對(duì)含有直接特征的物體，利用基于深度學(xué)習(xí)的光學(xué)字符識(shí)別（OCR）等算法進(jìn)行批量識(shí)別，隨后利用網(wǎng)絡(luò)爬蟲技術(shù)自動(dòng)檢索重量信息，乘以其對(duì)應(yīng)的數(shù)量后得到總重量。④含有間接特征的物體，可采用深度學(xué)習(xí)中的目標(biāo)檢測技術(shù)來識(shí)別，在去除背景和不相關(guān)物體影響后，在網(wǎng)絡(luò)數(shù)據(jù)庫中進(jìn)行圖像檢索，結(jié)合網(wǎng)絡(luò)爬蟲技術(shù)，得到目標(biāo)物體的重量信息，最后乘以相應(yīng)數(shù)量得到總重量。

按照上述方案，一般場景下，一位調(diào)查者攜帶一部智能手機(jī)或一部調(diào)查專用便攜設(shè)備，即可完成持久活荷載調(diào)查工作，大大節(jié)省了成本和提高了效率。

2.2 大數(shù)據(jù)分類處理技術(shù)

由于大數(shù)據(jù)固有的多源異構(gòu)特點(diǎn)，以上調(diào)查過程所采集到的信息類型豐富，需要綜合采用多種數(shù)據(jù)處理技術(shù)進(jìn)行特征提取，主要包括：語音識(shí)別、文本識(shí)別、圖像識(shí)別、圖像檢索等。

2.2.1 直接特征物體的重量獲取

辦公室內(nèi)常見的電腦、飲水機(jī)、打印機(jī)和顯示器等物品一般都具有二維碼、產(chǎn)品標(biāo)識(shí)、條形碼等唯一識(shí)別碼（圖3）。拍攝物體的直接特征圖片后，利用智能手機(jī)及各類電商網(wǎng)站的數(shù)據(jù)支持，可迅速便捷地獲得各物體的重量。

圖3 物品關(guān)鍵特征Fig.3 Key features of objects

由此方法獲得的某一辦公室各類常見物品的重量和實(shí)際稱重的對(duì)比見表2。由表2可見，基于直接特征獲得的總重量（560.0N）比實(shí)際稱量的總重量（549.0N）略高約2%。

2.2.2 間接特征物體的重量獲取

對(duì)于不包含直接特征的物體，如室內(nèi)家具書桌、椅子等，采用基于深度學(xué)習(xí)的YOLOv3算法［8］來檢測圖片中的物體 。 YOLOv3 是 在 YOLO［9］和YOLO9000［10］目標(biāo)檢測算法基礎(chǔ)上改進(jìn)的深度模型，共包括252層神經(jīng)網(wǎng)絡(luò)層。

表2 重量（直接特征）對(duì)比Tab.2 Weight comparison(direct feature)

與2階段目標(biāo)檢測算法R-CNN系列［11-13］相比，YOLO系列將目標(biāo)檢測問題整體視為回歸問題，同時(shí)得出目標(biāo)位置和物體分類，實(shí)現(xiàn)端到端訓(xùn)練和檢測，極大地提高了檢測速度。并且，YOLOv3采用多尺度預(yù)測和Darknet-53特征提取器［8］以及適用于多標(biāo)簽分類的Logistic回歸，在保證實(shí)時(shí)檢測速度的情況下，進(jìn)一步提高了檢測精度。YOLOv3檢測過程如圖4所示，分為訓(xùn)練和預(yù)測2個(gè)部分，依據(jù)損失函數(shù)對(duì)各層網(wǎng)絡(luò)權(quán)重參數(shù)進(jìn)行優(yōu)化，訓(xùn)練結(jié)束后即可利用最優(yōu)權(quán)重參數(shù)進(jìn)行端到端預(yù)測。

以某會(huì)議室內(nèi)3個(gè)物體（即黑色椅子、藍(lán)色椅子、小桌子）為例，利用智能手機(jī)拍攝3個(gè)物體共2 457張照片并進(jìn)行標(biāo)注處理，標(biāo)注示例如圖5。將標(biāo)注數(shù)據(jù)集按照4：1的比例分為訓(xùn)練集和驗(yàn)證集。

圖4 YOLOv3檢測過程Fig.4 Detecting process of YOLOv3

圖5 數(shù)據(jù)集標(biāo)注示例Fig.5 Example of object annotation in dataset

以TensorFlow［14］作為深度學(xué)習(xí)框架的后端，利用預(yù)處理后的數(shù)據(jù)集對(duì)YOLOv3進(jìn)行訓(xùn)練。基于COCO數(shù)據(jù)集［15］預(yù)訓(xùn)練權(quán)重的訓(xùn)練可分為2個(gè)階段，第1階段凍結(jié)前185層網(wǎng)絡(luò)，只訓(xùn)練底層權(quán)重參數(shù)；第2階段解凍所有層，在第1階段權(quán)重參數(shù)的基礎(chǔ)上對(duì)252層權(quán)重參數(shù)進(jìn)行微調(diào)。訓(xùn)練時(shí)，每批次輸入16張圖片，隨機(jī)且不重復(fù)地從訓(xùn)練集中抽取，訓(xùn)練集被取完時(shí)記為一輪，2個(gè)階段共循環(huán)訓(xùn)練100輪。第1階段學(xué)習(xí)率設(shè)置為0.001 0，學(xué)習(xí)率調(diào)整方法選擇自適應(yīng)動(dòng)量估計(jì)（Adam）算法［16］；第2階段學(xué)習(xí)率設(shè)置為0.000 1，學(xué)習(xí)率調(diào)整方法同樣使用Adam算法，當(dāng)驗(yàn)證集損失值連續(xù)三次不下降時(shí)減少學(xué)習(xí)率，每次減少至10%，當(dāng)驗(yàn)證損失連續(xù)10次未下降時(shí)，則終止訓(xùn)練。

訓(xùn)練過程中訓(xùn)練集與驗(yàn)證集損失如圖6所示，虛線為模型在訓(xùn)練集上的損失，實(shí)線為在驗(yàn)證集上的損失?？梢园l(fā)現(xiàn)，在開始訓(xùn)練時(shí)，訓(xùn)練集和驗(yàn)證集損失迅速下降，在10輪之后，損失下降平緩；到第2階段，即50輪之后，損失繼續(xù)下降，最終趨向平穩(wěn)，說明目標(biāo)檢測模型可根據(jù)數(shù)據(jù)集進(jìn)行有效學(xué)習(xí)，并對(duì)各層網(wǎng)絡(luò)的權(quán)重參數(shù)進(jìn)行了優(yōu)化。

圖6 訓(xùn)練集與驗(yàn)證集損失Fig.6 Loss of training set and verification set

利用最終的模型權(quán)重參數(shù)，將物體置信度閾值設(shè)為0.3，交并比（IoU）閾值設(shè)置為0.45，即可對(duì)3個(gè)物體進(jìn)行識(shí)別。目標(biāo)檢測模型的識(shí)別效果如圖7。輸入一張新圖片，模型對(duì)圖片中目標(biāo)物進(jìn)行分類，同時(shí)標(biāo)注出物體在圖片中位置，識(shí)別精度令人滿意。

圖7 目標(biāo)檢測結(jié)果Fig.7 Result of object detection

在目標(biāo)檢測的基礎(chǔ)上，編寫了網(wǎng)絡(luò)爬蟲腳本程序?qū)⒔厝〉哪繕?biāo)物體圖片自動(dòng)上傳到某電商數(shù)據(jù)庫，與其中的商品進(jìn)行圖像匹配，并抓取檢索出的物品詳情。以黑色椅子為例，匹配的結(jié)果圖像與相應(yīng)的產(chǎn)品參數(shù)如圖8所示，可發(fā)現(xiàn)匹配圖像中的椅子與原黑色椅子相似度很高，匹配效果較好。

圖8 黑色椅子匹配結(jié)果Fig.8 Matching result of black chair

結(jié)合目標(biāo)檢測與網(wǎng)絡(luò)爬蟲技術(shù)，最終獲得3個(gè)目標(biāo)物體的重量信息。表3列出物體基于目標(biāo)檢測方法獲得的重量和直接稱量獲得的重量，由此可見，3個(gè)物品的重量相差不大。

表3 重量（間接特征）對(duì)比Tab.3 Weight comparison(indirect feature)

3 實(shí)例應(yīng)用

綜合利用前述方法進(jìn)行了某辦公樓內(nèi)一間會(huì)議室的荷載調(diào)查，會(huì)議室標(biāo)稱使用面積為41.0m2，室內(nèi)包含多個(gè)物體，整體情況如圖9所示。

現(xiàn)場調(diào)查由一位測試者攜帶一部智能手機(jī)（iPhone XS Max）完成。首先利用手機(jī)中“測距儀”（內(nèi)置App）測量出室內(nèi)長為6.3m、寬為6.2m，從而得到實(shí)測面積為39.1m2。

對(duì)具有直接特征的飲水機(jī)，直接拍取其產(chǎn)品標(biāo)識(shí)；對(duì)于不包含直接特征的椅子（2種）、桌子和講臺(tái)，拍取若干張圖片進(jìn)行目標(biāo)檢測；對(duì)于各物體的數(shù)量，采用語音的方式記錄。至此，信息采集工作完畢。

圖9 會(huì)議室場景Fig.9 Indoor scene of meeting room

對(duì)于采集到的信息，采用不同技術(shù)進(jìn)行特征提取。對(duì)于飲水機(jī)產(chǎn)品標(biāo)識(shí)，得到品牌和型號(hào)后，結(jié)合爬蟲和官方網(wǎng)站自動(dòng)獲取重量信息。對(duì)于椅子、桌子和講臺(tái)，由于無直接特征，先用YOLOv3算法進(jìn)行目標(biāo)檢測，識(shí)別結(jié)果如圖10。截取目標(biāo)物體，去除背景和其他物體影響，利用網(wǎng)絡(luò)爬蟲，在電商網(wǎng)站數(shù)據(jù)支持下，得到各物體重量。對(duì)于記錄各物體數(shù)量信息的語音，幅值歸一化后，音頻波形如圖11所示，語音識(shí)別結(jié)果為“調(diào)查開始！房間中有桌子6張，講臺(tái)1個(gè)，小椅子14把，椅子13把，飲水機(jī)1個(gè)”。

圖10 會(huì)議室檢測結(jié)果Fig.10 Detecting result of meeting room

會(huì)議室活荷載信息以及獲取方式如表4所示。對(duì)于室內(nèi)物品總重量，數(shù)據(jù)檢索結(jié)果為5400.0N，實(shí)測結(jié)果為5 213.0N；室內(nèi)單位面積持久性活荷載數(shù)據(jù)檢索結(jié)果為138.1 N·m-2，實(shí)測結(jié)果為127.1 N·m-2?；诖髷?shù)據(jù)獲得的單位面積上的持久活荷載比實(shí)際稱重結(jié)果偏高8.7%，綜合考慮時(shí)間與人力成本的顯著差異，新方法的調(diào)查結(jié)果可以接受。

圖11 調(diào)查語音波形Fig.11 Waveform of speech

4 結(jié)語與討論

4.1 結(jié)語

荷載取值是結(jié)構(gòu)設(shè)計(jì)的基石，也是當(dāng)前研究的薄弱環(huán)節(jié)，關(guān)鍵的難題是現(xiàn)場稱重的傳統(tǒng)調(diào)查方式所帶來的成本高、時(shí)效性差、樣本少、代表性弱等問題。互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、大數(shù)據(jù)和深度學(xué)習(xí)方法的迅猛發(fā)展形成了荷載調(diào)查研究方法創(chuàng)新的數(shù)據(jù)基礎(chǔ)和計(jì)算分析手段，鑒于此，本文嘗試提出了大數(shù)據(jù)支撐下的建筑物活荷載調(diào)查的新方法，綜合利用照片、語音、文本、手機(jī)測量、人機(jī)結(jié)合等各種前端信息獲取方式，得到各類物品的直接或間接特征，再結(jié)合網(wǎng)絡(luò)大數(shù)據(jù)和網(wǎng)絡(luò)爬蟲技術(shù)，最終得到各種物品的重量。以典型小型會(huì)議室的實(shí)例分析表明，所建議的方法具有可行性，可以在不進(jìn)行現(xiàn)場稱重的前提下獲得具有較好精度的重量結(jié)果，成本低而效率高。

4.2 局限性討論

通過單個(gè)物品及布置較簡單的會(huì)議室為例說明大數(shù)據(jù)荷載調(diào)查方法的可行性，過程存如下問題。

（1）建筑物室內(nèi)物品種類繁多。無論采用直接特征（需要對(duì)應(yīng)于不同類型的直接特征處理器）還是間接特征（需要對(duì)應(yīng)于每一類物品的深度神經(jīng)網(wǎng)絡(luò)），都需前端信息采集手段進(jìn)一步豐富。對(duì)此，搭載了具有AI芯片的前端智能硬件設(shè)備，因已集成了圖像分析、物品分類、語音識(shí)別、文字識(shí)別等功能，有望用來解決此問題。

（2）視覺不可見物品的重量信息推測技術(shù)。建筑物室內(nèi)存在大量視覺不可見的隱藏物品（比如柜子內(nèi)部各種物品），需結(jié)合非圖像處理技術(shù)來預(yù)測實(shí)際重量。通過大量樣本深度學(xué)習(xí)，建立物體特征量（如長、寬等）與其重量的相關(guān)關(guān)系有望解決此問題，類似工作已經(jīng)在橋梁車輛荷載預(yù)測中取得進(jìn)展［17］。

（3）由于大數(shù)據(jù)固有的低價(jià)值特征，網(wǎng)絡(luò)數(shù)據(jù)資源雖然數(shù)量巨大，但是信息紛雜。文中的例子主要依賴于各類網(wǎng)絡(luò)電商的開放數(shù)據(jù)庫資源，難以包含所有室內(nèi)常見物體的重量信息。因此，物品重量數(shù)據(jù)源的確定亦需繼續(xù)探索，必要時(shí)甚至需要構(gòu)建專用的建筑物物品重量數(shù)據(jù)庫。

表4 會(huì)議室活荷載調(diào)查方法與結(jié)果對(duì)比Tab.4 Comparison of live load survey methods and results in meeting room

盡管存在諸多的限制，可以預(yù)見的是，伴隨互聯(lián)網(wǎng)與物聯(lián)網(wǎng)的深度融合，各類前端智能硬件的大量涌現(xiàn)、海量數(shù)據(jù)的高速累積及網(wǎng)絡(luò)計(jì)算力的快速提升，建筑物活荷載的大數(shù)據(jù)調(diào)查技術(shù)將迅速實(shí)用化。