传统的管理建设项目依赖于人类的知识和经验，这是有效的，但是在效率和一致性方面存在一些严重的差距。
因此，劳动力短缺、政府投资增加和削减成本的需求等现代问题，促使人们借助人工智能来提供帮助。
计算机视觉和机器学习可以为项目经理提供非常有价值的数据和施工分析，从而使项目更加节省时间、人力和成本效益，好处不仅仅是理论上的。
关键的深度学习任务及其在建筑行业中的应用
在本文中，我们将研究AI在建筑中的7个当前最重要的应用。特别是，我们将看到深度学习架构如何应用于解决图像分类、对象检测、对象跟踪和活动识别挑战。
01个人防护装备(PPE)检测
一个残酷的事实：PPE可以挽救生命，前提是人们真正使用它。根据NIOSH的数据，美国每天有2,起工伤事故可以通过正确使用PPE来预防。
施工经理只有两只眼睛和有限的时间，因此很难确保每个人都使用适当的防护设备。但这正是目标检测等计算机视觉技术可以发挥重要作用的地方。
深度学习使可靠检测各种防护设备成为可能，从安全帽到护目镜、手套、高能见度夹克和护耳器。随着更多的训练，人工智能识别安全设备的能力，或识别安全设备缺失的能力只会增加。
这意味着工地摄像机可以充当额外的眼睛，帮助施工管理人员确保员工的安全。本研究是施工安全软件的一个很好的例子，其中开发了一种新的计算机视觉系统来实时检测建筑工人的姿势和PPE。
该系统使用来自建筑工地摄像机的95个视频数据集进行训练，并学会检测8种不同类型的PPE和9种不同类型的姿势。在对新的视频数据进行测试时，该模型显示出很大的潜力，在识别率和召回率方面分别取得了超过83%和95%的高性能结果。
02工作场所危险检测
虽然监控PPE合规性可以显着改善建筑工地的工作场所安全，但它不能始终确保工人的安全。寻找工作场所的危险本身是另一个可以从建筑行业的支持中受益的领域。
据英国健康与安全执行官称，/年共有名工人在工作中丧生，,人在工作中受伤。据劳动力调查估计，/年建筑工地工作条件造成的伤害和健康不良成本为亿英镑。
显然，保证建筑工人的安全是一项重大的工作。但人工智能来帮忙了！已经开发出基于人工智能的计算机视觉解决方案，可以跟踪、预测和预防工作场所事故的发生。是的，这似乎是一项艰巨的任务，但它是这样工作的：
物体跟踪等技术可用于识别建筑工作场所的危险，如易燃材料或监控危险区域的员工。然后，人工智能模型可以向现场管理人员和工人提供实时警告。
诸如IRIS之类的平台就是一个很好的例子，说明了它在实践中是如何工作的。他们已经在利用人工智能集成来完成“工作场所零事故”的使命。
IRIS的人工智能创建了一张虚拟地图，并使用闭路电视摄像机源分析整个工作区域。然后，只要工作场所的危险对工人构成威胁，它就能够识别危险并在WhatsApp、SMS、蜂鸣器或PA系统上配置实时通知和警报。
例如，使用对象检测模型，使用边界框对对象进行注释，IRIS可以识别叉车并观察它们在给定区域的移动。然后，如果叉车移动速度过快、方向错误或停在错误的地方，模型就会发出警报。
人工智能模型还可以比传统检测系统更早地识别火灾，甚至可以确定有多少人处于危险之中以及他们的位置。但是计算机视觉可以做的不仅仅是检测外部危害。
建筑工人很容易因不正确的吊装或其他手动处理程序而受伤。人工智能模型可以使用人体姿势估计等技术来监控工人的姿势和姿势，如果工人有受伤的风险，就会发出警告。
不过，IRIS并不是唯一的建筑安全AI。
Everguard通过可穿戴技术和传感器融合补充计算机视觉，通过PPE检测、跌倒检测、叉车安全、防撞、起重机检测和姿势检测来提高工人的安全。
如果所有这些AI监督听起来相当侵入，请考虑V7的用户之一，IntenseEye。他们的人工智能模型还监控工作场所并检测员工的健康和安全事件，但他们优先考虑隐私和安全。
IntenseEye的视觉数据经过处理然后被删除，因此它们不会存储任何个人信息。他们的算法使用身体特征来识别人类“物体”，而不是面部识别。
事实上，他们的AI模型甚至被设计为通过在输出数据中模糊工人的面孔来确保匿名。所以，不用担心老大哥在看管职场，安全是这个AI的第一要务。
03腐蚀检测
通过PPE和工作场所危险监测确保建筑工人的安全只是AI使工作场所更安全、更高效的方式之一。图像分类和物体检测等人工智能技术也可用于检测腐蚀，腐蚀对施工作业和人身安全构成严重威胁。未能识别腐蚀可能导致机器和结构发生故障，从而导致更高的维护成本、环境破坏、伤害，甚至丧生。
目前，经过认证的检查员会巡视建筑工地以寻找腐蚀情况。但由于这种方法依赖于人的判断，结果往往不一致、主观，且容易出错。由于事关重大，一致、客观的腐蚀检测可能会改变工作现场管理人员的规则。
正如您对涉及视觉检查的任务所期望的那样，AI和ML可以提供一些解决方案。为此，Infosys等公司已经在开发基于神经网络的AI解决方案，以可靠、一致地发现和分类腐蚀。但人工智能真的能检测到如此小的、渐进的过程吗？——是的！
首先，该算法使用二进制分类来识别不同种类的腐蚀。涂层损失（当钢铁等金属上的保护涂层开始分解时）和实际生锈之间有两个重要区别。
接下来，它执行多级严重性分类以确定腐蚀的严重性。
Infosys在他们标记为创建3,个注释的数据集上使用70%的测试训练拆分训练其算法。然后，他们使用四个注释类别来区分涂层损失严重程度：P1、P2、P3和正常。
即使使用这个相对较小的数据集，Infosys也能够训练他们的模型以70%的准确率识别和分类涂层损失！Infosys还指出，随着对更多视觉数据的训练，算法的准确性只会提高。
这表明收集大量相关数据的重要性，幸运的是，这是一项简单的任务。在这种情况下，只需使用数码相机或无人机拍摄腐蚀照片即可捕获训练图像。
04基础设施资产检查
从安全出发，人工智能计算机视觉也正在开发中，用于检查建筑工地的基础设施资产。与腐蚀检测一样，这种检测传统上依赖于人的观察和判断。虽然主观的人工评估当然可以工作，但它也有不一致和不可靠的趋势，这会浪费时间和资源。
另一方面，计算机视觉系统可以支持人类检查员进行更客观的评估。作业现场的远程监控允许对基础设施资产进行实时的施工跟踪数据，并帮助施工经理按照建筑信息模型(BIM)进度保持目标。
这些人工智能系统不仅可以跟踪整个建设项目的进度，还可以识别单个资产并跟踪用户信息、维护要求和物理位置。
这是一个强大的功能，因为如果建筑项目的任何特定部分出现裂缝、混凝土剥落、泄漏或其他类型的损坏，物体检测算法将发现问题并立即通知资产检查员和施工经理。
那么这在工作中是什么样的呢？
管道检查
本研究中的研究人员使用深度神经网络来自动检测和分类管道外部损伤。遥控车辆(ROV)和无人机捕获管道的调查视频后，研究人员将其分解为带有光学字符识别(OCR)提取的时间/位置标记的帧。
然后，管道检查员帮助对这些图像进行注释，以精确标记和分类受损区域及其边界。一旦对所有这些数据进行了深度卷积神经网络架构的训练，它就会被部署来进行自己的测试检查。
结果并没有让人失望。AI模型的平均精度为86%。虽然并不完美，但这与人工检查员的表现相当，只是要快得多。
混凝土缺陷检测
如果不及时处理，混凝土结构中非常小的裂缝、泄漏和凹痕可能会在以后造成大问题。想想冰冻的水如何将街道上的小裂缝变成巨大的坑洼。
计算机视觉系统与相机和无人机技术相结合，非常适合识别和报告这些类型的缺陷。在建筑物、桥梁、道路、管道或隧道的图像上使用这些技术可以帮助施工经理通过预测未来状况、支持投资规划以及分配有针对性的维护和维修资源来提高建设和维护效率。
例如，在这项研究中，研究人员调查了无人驾驶飞行器(UAV)和深度学习如何检查混凝土结构。他们使用来自公开可用图像的海量数据集中的3张图像，并将其分为“破解”和“无破解”两类。
提出的“AlexNet”CNN算法随后在1,张图像上进行了训练，并在张图像上进行了测试。令人惊讶的是，即使图像包含嘈杂的背景，例如带有阴影和污渍的裂缝或生锈和粗糙表面上的裂缝，该算法在裂缝检测中的准确率也达到了98.4%！
更多需要检查的基础设施
类似的技术和技术也被用于建筑工地以外的基础设施检查。例如，EyeForInfrastructure公司使用其AI模型来分析道路的质量和恶化情况。这些类型的系统还可用于通过检测损坏的结构、树木过度生长、排水问题和倒塌的电力线来监控基础设施。
目前，人工智能计算机视觉模型正在帮助检查从隧道到桥梁、太阳能发电场、电池塔和水电大坝的各种基础设施。
如果没有这些处于良好工作状态的公用事业，我们都会处于一个受伤的世界。因此，让检查和维护更高效的AI帮助对我们所有人都有帮助！
05预测性维护
施工项目中的人类健康和安全至关重要，但维护现场设备的“健康”是施工管理人员的另一项关键任务。更换建筑设备的成本很高，而且无法运行的机器会进一步花费项目时间和金钱。预测性维护旨在通过评估设备状况来避免这两个问题，这允许在可能中断工作的问题发生之前进行维护。
越早发现缺陷或问题，在引起更大问题之前解决它的机会就越大。与建筑中的其他问题一样，人类能够执行检查和发现问题，但他们无法可靠地完成这一任务。
幸运的是，人工智能和机器学习可以。当机器学习系统在大量历史数据上进行训练时，它们可以开始预测给定设备何时以及需要何种维护。
将其与物联网(IoT)传感器配对，不仅有助于AI模型更准确地检测缺陷，而且还提供额外的训练以实现更好的预测。
不过，这不仅仅是观察设备的问题。机器学习模型使用分类和回归模型进行预测。分类模型可以帮助预测机器在经过一定数量的步骤（动作或使用）后发生故障的可能性。回归模型可以预测在需要进行设备维护之前还剩多少时间。
由于功能正常的设备是建设项目取得进展的核心，因此能够预测何时需要维护有助于解决业务问题并简化决策制定。当然，施工经理仍然是检查这些数据并做出决定的人，但一致的、数据驱动的预测只会帮助他们做得更好。
06劳动效率监测
衡量劳动效率是一个复杂的过程。目前的方法成本高、耗时长，并且本身需要大量劳动力。最终的结果也并不是那么可靠。
例如，跟踪和衡量一个工人的生产力已经很困难了，但是当团队合作完成一项任务时，对生产力的评估就变得更加复杂。因此，施工经理倾向于仅在出现明显问题时才评估劳动效率。所以总的来说，有很多很多提高效率的机会都被完全忽略了。
然而，人工智能驱动的计算机视觉可以让这项工作变得容易得多。建筑工地通常安装多个摄像头来监控该区域。当这些相机与计算机视觉系统结合使用时，它们能够使用对象检测和人体姿势估计等技术监控工人的活动。
不过，这不是一项简单的任务。背景杂乱、遮挡和看起来彼此相似的穿制服的工人会使跟踪变得困难。尽管如此，本案例研究中的研究人员还是决定试一试。他们提出了一个框架，在该框架中，建筑工人的劳动生产率可以通过使用现场摄像机跟踪他们的轨迹来测量。
然后计算机视觉算法处理这些数据，随着时间的推移跟踪工人的位置并生成可以转换为生产力数据的4D轨迹。虽然在4D环境下工作可能听起来有点科幻，但在对真实数据进行测试时，该框架非常成功。在观察和评估工作中的单个和多个工人时，该框架设法以95%的准确率确定工人的工作时间！
同样，另一篇论文描述了计算机视觉模型如何从视觉数据中提取3D工人轨迹，并使用基于聚类的方法生成代表劳动投入的工作周期。
经测试，该方法能够以84%的准确率确定建筑项目中的任务时间。当然，可以进行改进，但考虑到人类在整个工作现场为多名工人跟踪任务时间的能力有限，这些数字看起来相当不错。
07土地测绘
到目前为止，我们已经研究了人工智能如何帮助跟踪、测量和检查建筑工地内的人和物。但是调查工作现场本身呢？
获得准确的土地布局对于成功的建设项目至关重要——不仅可以更好地进行施工前规划，还可以确保施工按计划进行。为了解决这个问题，像Datumate这样的公司使用人工智能驱动的无人机和相机技术进行土地测量和测绘。
他们的产品DatuFly就是一个很好的例子。
DatuFly捕获土地、建筑工地和基础设施的图像，然后将它们上传到安全服务器。接下来，计算机视觉和摄影测量算法将图像转换为精确的、地理参考的2D和3D地图和模型。
当然，土地测量是人类几个世纪以来一直在做的事情，并且可以做得很好。但是无人机和计算机视觉技术的现代可访问性可以通过减少所需时间和提高准确性使这一过程变得更加容易。
施工规划中的人工智能对项目经理和工人来说是一项重大利益，因为更快、更准确的地图绘制意味着更高效的施工流程。
08用人工智能构建未来
在监督建筑项目时，建筑经理有一个完整的板块。从提高工作现场的安全性、到资产检查，和生产力测量，人工智能/机器学习驱动的计算机视觉可以“监督”这项如此复杂的任务变得更加容易、更快和更准确。
当可以利用在建筑中使用人工智能来支持规划和决策、降低项目成本并挽救工人生命时，效果都会不错。随着更多的数据和训练，智能计算机视觉技术将继续改变整个建筑行业的效率和安全性。
图片来源于网络
投稿、申请转载、合作、AI课程推广，请联系我们
转载请注明：http://www.0431gb208.com/sjszyzl/3328.html
