Automatiseret byggepladsproduktivitet og kvalitetsovervågning

Hvis du ønsker at forbedre produktiviteten og kvaliteten af ​​byggearbejdet, du har brug for en effektiv måde at overvåge fremskridt og opdage kvalitetsproblemer på daglig basis. Aalto Universitets Reality Capture-projekt (RECAP) undersøgte, hvordan fotogrammetri og maskinlæringsapplikationer kunne bruges til det formål.

Aaltos Intelligent Construction Site-projekt (iCONS) havde demonstreret, hvordan procesineffektivitet bliver synlig, når IoT-sensorer bruges til at spore arbejdernes og materialernes positioner og bevægelser. Imidlertid, forskere skulle stadig fortolke fotos og videoer for at bestemme, hvordan dataene korrelerede med byggeplanen, planer, og designmodeller. Det følgende projekt - Reality Capture - blev tænkt som et forsøg på at undersøge, om, og hvor, indsamling og fortolkning af visuelle data kunne automatiseres.

RECAP-projektet blev finansieret af Business Finland, Aalto Universitet, og et konsortium af fem virksomheder, herunder byggefirmaer Fira og YIT og præfabrikeret og færdigblandet betonproducent Rudus. De to it-udbydere var Vionice, et computersynsfirma, og Umbra, en grafisk softwareudvikler.

Projektet udgav sin endelige rapport den 30. januar, 2020, med nogle interessante resultater om gennemførligheden af ​​nuværende teknologier til at automatisere visuel byggepladsovervågning.

Udfordringerne ved produktion og kvalitetskontrol i byggeriet

RECAP-forskerholdet startede med en runde af interviews med konsortievirksomhederne og et udvalg af entreprenører fra Californien, Brasilien, og Kina.

Alle interviewpersonerne var enige om de vanskeligheder, der ligger i at få realtidsdata fra en byggeplads. Følgelig, ledere kæmper for at holde medarbejderne engageret i de rigtige opgaver, på det rigtige tidspunkt. Som resultat, arbejdere kan skynde sig at påtage sig uplanlagte opgaver, hvilket ofte resulterer i ufuldstændigt arbejde, der skal afsluttes senere i hast.

Det ser ud til at være almindelig praksis, at både produktion og kvalitetskontrol udføres manuelt. I Brasilien, specifikt, kvalitetskontrol er dyrt, og uddannede inspektører er en mangelvare. At, sammen med tilbageholdenhed med at rapportere kvalitetsproblemer, fører til for stor variation i kvaliteten.

De interviewede fagfolk er enige om, at overvågning af fremskridt og produktivitet kræver bedre løsninger, især til MEP-installationer. Desuden, sammenligningen mellem det planlagte og det, der er bygget, er stadig vanskelig. Nogle virksomheder afprøver software, der automatisk kan sammenligne punktskyer og bygge informationsmodeller, men teknologien er stadig i sin vorden.

Automatisk registrering af arbejdsfremskridt

Projektkonsortiet valgte fem specifikke use cases. Tre undersøgelser undersøgte mulighederne for automatiseret fremskridtsovervågning og to fokuserede på kvalitetsinspektioner.

Firas to projekter brugte billeder, som arbejdere optog under VVS-renoveringen af ​​et sæt med syv badeværelser og seks køkkener. Formålet med forsøget var at afgøre, om automatiseret analyse af arbejdets fremskridt ville være mulig ved hjælp af billederne. I et sådant tilfælde, site manageren kunne bruge dataene til at fjernovervåge fremskridtene og træffe nødvendige planlægnings- og ledelsesbeslutninger i overensstemmelse hermed.

Forskerholdet udviklede et fremskridtsinspektionssystem, der behandlede partier af fotos forbundet med lokalitets- og tidsdata. Kernen i systemet var en maskinlæringsløsning, der brugte billeder optaget ved hjælp af en skræddersyet Android-app. Systemet blev designet til at bruge par af på hinanden følgende billeder fra byggepladsen. Forskerne var glade for at erfare, at systemet var i stand til at opnå et godt niveau af nøjagtighed ved at bestemme forløbet af byggearbejdet.

I det tredje projekt, YIT brugte et krankamerasystem udviklet af Pix4D. Systemet genererer både 2-D billeder og 3-D punktskyer af byggepladsen. Forskerne brugte to alternative algoritmer til at generere modeller til automatiseret genkendelse af fremskridt inden for betonpladekonstruktion. Resultaterne af den AI-baserede analyse var, forbavsende, 100% præcis.

Automatiserede kvalitetsinspektioner

Et andet YIT-projekt undersøgte muligheden for automatiske kvalitetsinspektioner af dørlister i et boligprojekt. Arbejdere lavede videooptagelser af hver færdige lejlighed, og en automatiseret proces afgjorde - ud fra billederne - om kvaliteten af ​​lister var acceptabel. Dette viste sig at være en vanskelig opgave, da der ikke var nok eksempler af dårlig kvalitet til at træne systemet ordentligt. Med mere materiale, inspektionen ville være ganske brugbar i virkelige situationer.

Det femte projekt fandt sted i en præfabrikeret trappefabrik i Rudus. Hensigten var at afgøre, om der var monteret trappearmeringer som specificeret i bygningsinformationsmodellen. Forskerne brugte en mini-pc og et kamera fastgjort til en brokran. Billeddataene indsamlet af denne opsætning blev sendt til en Aalto-server og lagt over en forbehandlet BIM-model af trappen. En inspektør kunne granske modellen og forstærkningsfremskridtsdata via en webbrowser på Umbras cloud-platform.

Forskerne fandt ud af, at det faktisk var muligt at påvise armeringsjern, men på grund af det relativt lille antal mærkede billeder af høj kvalitet, den nåede ikke tilstrækkelig nøjagtighed i dette projekt.

Fremtiden for AR og AI inden for konstruktionsovervågning og -kontrol

Ud over tidligere beskrevne pilotcasestudier, RECAP skabte en eksperimentel augmented reality-applikation til brug på stedet. Appen tilbyder en visuel grænseflade til cloud-baseret AI-drevet behandling af billeddata. Det tjener de tre behov, som entreprenører havde fastslået som mest kritiske, da de blev spurgt under projektet:1) at rapportere om renoveringsfremskridt og produktivitetsovervågning, 2) at markere eventuelle mangler, og 3) at dele information med kolleger. Appen varsler den slags værktøjer, vi vil se mere af i fremtiden på byggepladser.

Forskerne involveret i Reality Capture-projektet konkluderede, at det er teknisk muligt at bruge AI, punktskyer, og billeder i byggeriets fremdriftsovervågning og -kontrol. Stadig, de betragtede dataindsamling som flaskehalsen i processen. Uden tilstrækkelige data, læringsalgoritmer vil ikke være tilstrækkelig nøjagtige til brug i stor skala.

360-graders hjelmmonterede kameraer vil muligvis komme til undsætning, men selv de kræver meget manuelt mærkningsarbejde. Kommercielle implementeringer er nemmest i gentagne interiører – f.eks. på hotelværelser, badeværelser, og køkkener.

Brugen af ​​krankameraer tilbyder i øjeblikket den mest lovende teknologi til at registrere arbejdsfremskridt på en byggeplads. I øvrigt, hvis BIM-modeller er tilgængelige, teknikken bliver endnu mere præcis.

Sammenfattende, maskinsyn og deep learning-metoder kræver data, der endnu ikke er let tilgængelige. Hvis dataindsamling og efterbehandling heraf kan automatiseres, byggebranchen vil tage et stort skridt mod et mere industrialiseret produktionssystem.