港大eCheckGo重塑建築檢測效率大模型驅動巡查系統為高密度城市建立新驗樓標準

在高密度城市如香港，樓宇老化問題一直是城市管理中不可忽視的課題。然而，現行建築檢測仍以人手巡查為主，檢測人員需逐層拍攝、記錄缺陷，再進行後期分析與報告整理。整個流程不僅耗時費力，亦涉及相當高的人力、設備及計算成本，令大規模、常態化巡查難以實行。

為應付該問題，香港大學建築學院房地產與建設系的iLab研究團隊研發出人工智能建築檢測系統 eCheckGo，嘗試以大模型等AI技術重新定義樓宇巡查方式，將傳統高度依賴人力的「驗樓」流程，轉化為高速、可拓展且可視化的智慧系統。

人手巡查的限制

由陳俊傑助理教授、呂偉生講座教授領導的研究團隊指出，傳統樓宇巡查面對三大痛點：流程週期長、對專業人力依賴高，以及整體成本昂貴。在香港這類樓宇密度極高的城市，單靠人手進行外牆、結構或窗戶巡查，往往難以頻密進行，亦限制了城市層面建立長期、系統化監測機制的可能。

隨着樓宇逐年老化，如何在維持安全標準的同時，提高檢測頻率與覆蓋範圍，逐漸成為城市管理與工程界共同面對的挑戰。

大模型驅動的建築檢測新思路

除了傳統AI演算法，eCheckGo 融入團隊開發的「缺陷檢測大模型」（LdM, Large Defect Model），建基於預訓練多模態大模型，具備高度泛化能力，能理解不同建築場景的視覺語義與結構特徵。

與一般 AI 系統需大量標註數據及反覆訓練不同，LdM 只需配合文字提示（如裂縫、剝落）及少量影像作為視覺提示，便能快速掌握目標缺陷的外觀特徵，適用於不同類型樓宇。這種「以提示取代訓練」的模式，大幅降低了 AI 技術在建築檢測領域的應用門檻。

大規模實證測試　驗證分析準確度

在實際運作中，eCheckGo 將巡查流程拆解為資料收集、分析及管理三個環節。前線人員只需拍攝少量影像，系統便可透過 AI 驅動的 2D 圖像分析，批次處理並識別缺陷，同時自動進行 3D 環境重建，在直觀的三維環境內對缺陷資訊進行集中管理。

研究團隊先後在香港大學陳蕉琴樓及九龍的寶石戲院大廈進行試點測試，驗證系統在實際老化樓宇中的檢測表現。利用現存的次級資料（secondary data），eCheckGo尤其可發揮其處理速度方面的優勢。比如，團隊用Google Street View 影像展開大規模測試，分析九龍區 9,172 幢建築，系統僅用約4小時，便完成缺陷評分，並生成顏色標示的城市級風險地圖。相關結果亦與約 200 幢由專業測量師進行的實地巡查作比對，確認其分析準確性。

成本與效率優勢顯著

團隊亦諮詢業界專業人士，比較 eCheckGo 與其他自動化系統及傳統人手巡查在培訓、評估時間及成本方面的差異。結果顯示，eCheckGo 的整體成本至少較其他自動化系統低8倍，運算及評估時間節省約100倍，與主流人手巡查相比，其優勢更為明顯。由於操作流程簡單、成本相對低廉，其近乎實時的檢測能力意味著，未來無論是大型屋苑、公共設施，甚至城市級基礎建設，都有機會實現高頻次、常態化的安全檢測，迎合高密度城市的大規模巡查需求。

推動城市級應用　提升市民建築安全風險意識

隨着系統表現獲驗證，eCheckGo 已引起多個政府部門，以及業界和專業團體的關注，相關應用於社區及法定檢測的討論亦正在進行中。展望未來，團隊計劃進一步擴展系統可偵測的缺陷類型，包括滲水及潮濕等問題，並加入自動生成文字報告功能，以配合建築檢測人員慣用的專業格式。陳教授亦期望，長遠可實現「市民成為感測器」（Citizens as Sensors），讓公眾透過手機初步了解所居住樓宇的狀況，在兼顧私隱與數據安全的前提下，提升城市整體對建築風險的感知能力。

在人工智能逐步融入城市管理的趨勢下，eCheckGo 所提出的，不僅是一項技術工具，更反映了建築安全管理模式的轉變。當樓宇巡查從被動、人手主導，走向由大模型支援的高速、可視化與可拓展系統時，其對高密度城市的長遠安全與可持續發展，或將帶來深遠影響。值得一提的是，eCheckGo亦被納入國家的智慧城市健康檢查相關研究框架，並於2026年第51屆日內瓦國際發明展上榮獲了評審團嘉許金獎，其創新性與應用潛力獲得國際肯定。