Classification of building defects using ensemble machine learning models: a case study

doi:10.1108/jfm-04-2025-0046

Classification of building defects using ensemble machine learning models: a case study

2026-05-01

1

PRE

AI

A

AbdulLateef Olanrewaju *

S

Shobowale, Kafayat

DOI：10.1108/jfm-04-2025-0046

原文链接

原文求助

摘要

En 中文

建筑缺陷影响设施的美观性、可持续性、功能性、状况、性能、用户满意度及安全性。尽管已有大量建筑缺陷目录，缺陷数量仍持续增长。管理这些缺陷往往繁琐、昂贵、存在问题和耗时，需要维护组织、客户及相关方投入大量资源。本研究旨在利用机器学习对建筑缺陷进行分类和预测。研究方法：采用包含300张图像的数据集，覆盖四种建筑构件的缺陷，通过机器学习训练模型进行缺陷分类，并训练四种集成算法构建预测模型。研究发现：堆叠模型在多样化数据集的缺陷预测中表现优于其他学习器。梯度提升算法的准确率为76%，AUC为92%，精确率为0.78，召回率为0.76，F1得分为0.75。堆叠模型的准确率达83%，AUC为94%，精确率为0.83，召回率为0.83，马修斯相关系数为0.75，F1得分为0.83，尤其在墙体和柱体缺陷分类中表现突出。创新价值：这些发现对房地产管理研究具有理论和实践意义。本研究通过引入新颖的集成学习框架，为建筑维护管理知识体系贡献了稳健的缺陷预测方法。

Keyword:

Computer vision

Building maintenance

Defect management

Place management

Building pathology

Malaysia

Classification of building defects using ensemble machine learning models: a case study

摘要

期刊

机构

引用论文