Искусственный интеллект в строительстве: 7 готовых к работе ИИ-приложений в строительстве

Как умные строительные компании используют возможности ИИ? Узнайте о наиболее известных примерах использования компьютерного зрения и машинного обучения и узнайте, как ведущие компании используют платформу V7 для создания решений на основе ИИ, преобразующих строительную отрасль.

Традиционно управление строительным проектом зависело от человеческих знаний и опыта. И это работает, но... Это оставляет некоторые серьезные пробелы в эффективности и согласованности. В результате современные проблемы, такие как нехватка рабочей силы, увеличение государственных инвестиций и требования по сокращению расходов, побудили принять ИИ, чтобы помочь. Компьютерное зрение и машинное обучение могут предоставить менеджерам проектов невероятно ценные данные и строительную аналитику, чтобы сделать проекты более эффективными, трудоемкими и экономически эффективными. И преимущества не только теоретические.

В этой статье мы рассмотрим семь наиболее значимых на данный момент приложений ИИ в строительстве. В частности, мы увидим, как архитектуры глубокого обучения применяются для решения задач классификации изображений, обнаружения объектов, отслеживания объектов и распознавания действий. Вот что мы рассмотрим: Обнаружение средств индивидуальной защиты (СИЗ) Обнаружение опасностей на рабочем месте Обнаружение коррозии Инспекция объектов инфраструктуры Профилактическое обслуживание Мониторинг эффективности труда Землеустроительная съемка и картографирование Создавая будущее с помощью ИИ Взгляните на этот рисунок, чтобы получить представление о ключевых задачах глубокого обучения и их применении в контексте строительной отрасли.

Если вам интересно узнать, как V7 может помочь вам создавать решения ИИ для ваших строительных проектов, ознакомьтесь с аннотациями к изображениям V7 и обучением моделям V7.

Искусственный интеллект для обнаружения средств индивидуальной защиты (СИЗ)

Вот суровая правда - СИЗ могут спасти жизни... но только если люди действительно их используют. По данным NIOSH, каждый день в США происходит 2000 производственных травм, которые можно предотвратить с помощью надлежащего использования СИЗ. У менеджеров по строительству есть только два глаза и ограниченное количество времени, поэтому может быть сложно убедиться, что все используют соответствующие средства защиты. Но именно здесь методы компьютерного зрения, такие как обнаружение объектов, могут иметь большое значение.

Глубокое обучение позволило надежно обнаруживать широкий спектр защитного снаряжения, от каски до защитных очков, перчаток, светоотражающих курток и наушников. А по мере обучения способность ИИ определять оборудование для обеспечения безопасности или его отсутствие будет только расти.

Это означает, что камеры на строительной площадке могут выступать в качестве дополнительных глаз, помогая руководству строительства обеспечивать безопасность своих сотрудников. Хорошим примером программного обеспечения безопасности строительства в действии является это исследование, в котором была разработана новая система компьютерного зрения для определения позы строителей и средств индивидуальной защиты в режиме реального времени. Система была обучена набору данных из 95 видео с камер строительной площадки и научилась обнаруживать восемь различных видов средств индивидуальной защиты и девять различных типов позы. При тестировании на новых видеоданных модель показала многообещающие результаты, достигнув высокопроизводительных результатов как в коэффициентах идентификации, так и в коэффициентах отзыва более 83 и 95% соответственно.

Искусственный интеллект для обнаружения опасностей на рабочем месте

Хотя контроль за соблюдением требований СИЗ может значительно повысить безопасность на рабочем месте на строительной площадке, он не может постоянно обеспечивать безопасность рабочих. Выявление опасностей на рабочем месте — еще одна область, которая может получить поддержку в строительной отрасли.

По данным Управления по охране труда и технике безопасности Великобритании, в 2019/2020 году на производстве погибло 142 человека, а 693 000 человек получили производственные травмы. Кроме того, по оценкам Обзора рабочей силы, стоимость травм и ухудшения здоровья из-за условий труда на стройплощадке в 2018/2019 годах составила 16,2 миллиарда фунтов стерлингов. Очевидно, что обеспечение безопасности строителей — это большая работа с серьезными ставками.

Но еще раз — ИИ здесь, чтобы помочь! Были разработаны решения для компьютерного зрения на основе искусственного интеллекта, которые могут отслеживать, прогнозировать и предотвращать несчастные случаи на рабочем месте. Да, это кажется сложной задачей, но вот как это работает: Такие методы, как отслеживание объектов, можно использовать для выявления опасностей на рабочем месте, таких как легковоспламеняющиеся материалы, или для наблюдения за сотрудниками в опасных зонах. Затем модели ИИ могут предоставлять предупреждения в режиме реального времени менеджерам и рабочим на месте.

Такие платформы, как IRIS, являются отличным примером того, как это работает на практике. Они уже используют интеграцию с искусственным интеллектом для выполнения своей миссии по «ноль несчастных случаев на рабочих местах». ИИ IRIS создает виртуальную карту и анализирует всю рабочую зону, используя изображения с камер видеонаблюдения.

Затем он может выявлять опасности и настраивать уведомления и сигналы тревоги в режиме реального времени в WhatsApp, SMS, зуммерах или системах громкой связи каждый раз, когда опасность на рабочем месте представляет угрозу для работника. Например, используя модели обнаружения объектов, в которых объекты аннотируются с помощью ограничивающих прямоугольников, IRIS может идентифицировать вилочные погрузчики и наблюдать за их движением в заданной области. Затем модели поднимают тревогу, если вилочный погрузчик движется слишком быстро, движется в неправильном направлении или припаркован в неправильном месте.

Модели искусственного интеллекта также могут выявлять пожары раньше, чем традиционные системы обнаружения, и даже определять количество людей, находящихся в опасности, и их местонахождение. Но компьютерное зрение может не только обнаруживать внешние опасности. Строители могут легко пораниться при неправильном подъеме или других ручных операциях. Модели искусственного интеллекта могут использовать такие методы, как оценка позы человека, для отслеживания осанки и позы рабочего, выдавая предупреждения, если работники рискуют получить травму. Однако IRIS — не единственный ИИ для обеспечения безопасности строительства в городе.

Everguard дополняет компьютерное зрение носимыми технологиями и совмещением датчиков для повышения безопасности работников с помощью обнаружения средств индивидуальной защиты, обнаружения падений, безопасности вилочного погрузчика, предотвращения столкновений, обнаружения крана и определения положения.

Если весь этот контроль ИИ звучит довольно навязчиво, подумайте об одном из пользователей V7, IntenseEye.

Их модели искусственного интеллекта также контролируют рабочее место и обнаруживают инциденты, связанные со здоровьем и безопасностью сотрудников, но они отдают приоритет конфиденциальности, а также безопасности.

Визуальные данные IntenseEye обрабатываются, а затем удаляются, чтобы в них не сохранялась личная информация. И их алгоритм использует особенности тела для идентификации человеческих «объектов» вместо распознавания лиц. На самом деле, их модели ИИ даже предназначены для обеспечения анонимности за счет размытия лиц работников в выходных данных. Так что не нужно бояться, что Большой Брат наблюдает за рабочим местом. Безопасность — это работа №1 для этого ИИ.

Обнаружение коррозии

Обеспечение безопасности строителей с помощью средств индивидуальной защиты и мониторинга опасностей на рабочем месте — это лишь один из способов, с помощью которого ИИ может сделать рабочие места более безопасными и эффективными. Методы искусственного интеллекта, такие как классификация изображений и обнаружение объектов, также могут использоваться для обнаружения коррозии, которая представляет серьезную угрозу для строительных работ и безопасности человека. Если не выявить коррозию, это может привести к поломке машин и конструкций, что приведет к увеличению затрат на техническое обслуживание, ущербу для окружающей среды, травмам и даже гибели людей.

В настоящее время сертифицированные инспекторы посещают строительные площадки в поисках следов коррозии. Но поскольку этот метод основан на человеческом суждении, результаты часто непоследовательны, субъективны и склонны к ошибкам. Когда на карту поставлено так много, последовательное и объективное обнаружение коррозии может изменить правила игры для руководителей стройплощадок. Как и следовало ожидать, с задачами, связанными с визуальным контролем, AI и ML могут предложить некоторые решения. С этой целью такие компании, как Infosys, уже разрабатывают решения искусственного интеллекта на основе нейронных сетей для надежного и последовательного обнаружения и классификации коррозии.

Но может ли ИИ действительно обнаруживать такие небольшие постепенные процессы? Да! Во-первых, алгоритм использует бинарную классификацию для идентификации различных видов коррозии. Есть два важных различия между потерей покрытия (когда защитное покрытие на металле, таком как сталь, начинает разрушаться) и фактической ржавчиной. Затем он выполняет мультиклассовую классификацию серьезности для определения серьезности коррозии.

Infosys обучила свой алгоритм с 70-процентным разделением тестовых поездов на наборе данных, который они пометили для создания 3000 аннотаций. Затем они использовали четыре класса аннотаций для дифференциации уровней серьезности потери покрытия: P1, P2, P3 и нормальный. Даже с этим относительно небольшим набором данных компания Infosys смогла обучить свою модель идентифицировать и классифицировать потери покрытия с точностью 70 %!

Infosys также отмечает, что при обучении на большем количестве визуальных данных точность алгоритма будет только улучшаться. Это указывает на важность сбора больших наборов релевантных данных, что, к счастью, является простой задачей. В этом случае обучающие изображения можно получить, просто сфотографировав коррозию с помощью цифровой камеры или дрона.

Инспекция объектов инфраструктуры

Помимо безопасности, компьютерное зрение с искусственным интеллектом также разрабатывается для проверки объектов инфраструктуры на строительных площадках. Как и в случае обнаружения коррозии, этот вид проверки традиционно зависит от человеческого наблюдения и суждения. Хотя субъективная оценка человека, безусловно, может работать, она также имеет тенденцию быть непоследовательной и ненадежной, что приводит к пустой трате времени и ресурсов. С другой стороны, системы компьютерного зрения могут помочь инспекторам-людям в проведении более объективных оценок.

Удаленный мониторинг строительных площадок позволяет получать более актуальные данные отслеживания строительства объектов инфраструктуры в режиме реального времени и помогает руководителям строительных работ соблюдать график информационной модели здания (BIM). Эти системы искусственного интеллекта не только отслеживают ход строительного проекта в целом, но также могут идентифицировать отдельные активы и отслеживать информацию о пользователях, требованиях к техническому обслуживанию и физическому местоположению.

Это мощная функция, потому что, если в какой-либо конкретной части строительного проекта возникают трещины, отслоение бетона, протечки или другие виды повреждений, алгоритмы обнаружения объектов обнаружат проблему и немедленно сообщат об этом инспекторам активов и руководителям строительных работ.

Так как это выглядит на работе? - Осмотр трубопровода

Исследователи в этом исследовании использовали глубокие нейронные сети для автоматизации обнаружения и классификации внешних повреждений трубопровода. Дистанционно управляемые транспортные средства (ROV) и дроны снимали видеозаписи обзора трубопровода, которые исследователи затем разбивали на кадры с извлеченными с помощью оптического распознавания символов (OCR) отметками времени и местоположения. Затем инспекторы трубопроводов помогли аннотировать эти изображения, чтобы точно отметить и классифицировать поврежденные участки и их границы.

Как только архитектура глубокой сверточной нейронной сети была обучена на всех этих данных, она была развернута для проведения собственных тестовых проверок. И результаты не разочаровали. Модель ИИ показала среднюю точность 86%. Хотя это и не идеально, это соответствует производительности инспекторов-людей, только намного быстрее.

Обнаружение дефектов в бетоне

Очень маленькие трещины, протечки и вмятины в бетонных конструкциях могут впоследствии вызвать большие проблемы, если их не лечить. Подумайте о том, как ледяная вода может превратить маленькие трещины на улице в огромные выбоины. Системы компьютерного зрения в сочетании с камерами и технологиями беспилотных летательных аппаратов удивительно хорошо подходят для выявления и сообщения об этих типах дефектов. Такие методы, как обнаружение объектов, классификация изображений и сегментация изображений, могут использоваться для обнаружения и измерения дефектов всего в 0,01% изображения. Использование этих методов на изображениях зданий, мостов, дорог, труб или туннелей может помочь менеджерам по строительству повысить эффективность строительства и обслуживания за счет прогнозирования будущих условий, поддержки планирования инвестиций и выделения целевых ресурсов для обслуживания и ремонта.

Например, в этом исследовании - https://ieeexplore.ieee.org/document/9200107 исследователи изучали, насколько хорошо беспилотные летательные аппараты (БПЛА) и глубокое обучение могут проверять бетонные конструкции. Они использовали 3000 изображений из огромного набора данных общедоступных изображений и разделили их на две категории: «трещины» и «без трещин».

Затем предложенный алгоритм CNN «AlexNet» был обучен на 1050 изображениях и протестирован на 450 изображениях. Удивительно, но даже на изображениях с фоновыми шумами, такими как трещины с тенями и пятнами или трещины на ржавых и шероховатых поверхностях, алгоритм обнаружил точность обнаружения трещин 98,4 %!

Еще больше инфраструктуры для проверки

Аналогичные технологии и методы также используются для проверки инфраструктуры за пределами строительных площадок. Например, компания Eye For Infrastructure использует свои ИИ-модели для анализа качества и износа дорог. Такие системы также можно использовать для наблюдения за инфраструктурой, обнаруживая поврежденные конструкции, разрастание деревьев, проблемы с дренажем и обрывы линий электропередач.

В настоящее время модели компьютерного зрения ИИ помогают проверять широкий спектр инфраструктуры, от туннелей до мостов, солнечных ферм, вышек сотовой связи и плотин гидроэлектростанций. Без такого рода утилит в хорошем рабочем состоянии нам всем было бы очень больно. Таким образом, помощь ИИ в повышении эффективности осмотра и обслуживания помогает всем нам!

Профилактическое (предиктивное) обслуживание

Здоровье и безопасность человека на строительном объекте имеют первостепенное значение, но поддержание «здоровья» оборудования на площадке является еще одной важной задачей для руководителей строительства. Согласно исследованию McKinsey: Профилактическое обслуживание может сократить время простоя машины на 30-50% и увеличить срок ее службы на 20-40%.

Замена строительного оборудования стоит дорого, а машины, которые не работают, требуют времени и денег для проекта. Профилактическое техническое обслуживание направлено на то, чтобы избежать этих двух проблем путем оценки состояния оборудования, что позволяет проводить техническое обслуживание до того, как возникнет проблема, которая может прервать работу. Чем раньше будет обнаружен дефект или проблема, тем больше шансов, что ее удастся устранить до того, как возникнут более серьезные проблемы.

Как и в случае с другими проблемами в строительстве, люди могут проводить проверки и выявлять проблемы, но они не могут делать это надежно 24 часа в сутки 7 дней в неделю. К счастью, ИИ и машинное обучение могут. Когда системы машинного обучения обучаются на больших объемах исторических данных, они могут начать прогнозировать, когда и какое обслуживание потребуется для данного набора оборудования.

Сочетание этого с датчиками Интернета вещей (IoT) не только помогает модели ИИ более точно обнаруживать дефекты, но и обеспечивает дополнительное обучение для более точных прогнозов. Однако дело не только в наблюдении за оборудованием. Модели машинного обучения делают свои прогнозы, используя модели классификации и регрессии. Модели классификации могут помочь предсказать вероятность того, что машина сломается после определенного количества шагов (действий или использования). Регрессионные модели могут генерировать прогнозы того, сколько времени осталось до того, как потребуется техническое обслуживание оборудования. Поскольку правильно функционирующее оборудование имеет решающее значение для достижения прогресса в строительном проекте, возможность предсказать, когда ему потребуется техническое обслуживание, помогает решить бизнес-проблемы и упростить процесс принятия решений.

Конечно, менеджеры по строительству по-прежнему проверяют эти данные и принимают решения, но последовательные прогнозы, основанные на данных, только помогут им сделать это лучше.

Мониторинг эффективности труда

Измерение эффективности труда – сложный процесс. Существующие методы являются дорогостоящими, трудоемкими и сами по себе требуют значительного труда. И, в конце концов, результаты не так уж надежны. Например, достаточно сложно отследить и измерить производительность одного работника, но когда команды сотрудничают для выполнения задачи, оценка производительности становится еще более запутанной. В результате руководители строительства склонны оценивать эффективность труда только тогда, когда возникает заметная проблема.

Так что в целом существует очень много возможностей для повышения эффективности, которыми полностью пренебрегают. Однако компьютерное зрение на основе искусственного интеллекта может значительно упростить эту работу. На строительных площадках обычно установлено несколько камер для наблюдения за территорией. Когда эти камеры соединены с системами компьютерного зрения, они способны отслеживать деятельность работников, используя такие методы, как обнаружение объектов и оценка позы человека.

Тем не менее, это не простая задача. Беспорядок на заднем плане, окклюзии и работники в униформе, которые выглядят похожими друг на друга, могут затруднить отслеживание. Тем не менее, исследователи этого тематического исследования решили попробовать. Они предложили структуру, в которой производительность труда строителей можно было бы измерить, отслеживая их траекторию с помощью камер на месте. Затем алгоритмы компьютерного зрения обрабатывают эти данные, отслеживая местоположение работника с течением времени и создавая четырехмерную траекторию, которую можно преобразовать в данные о производительности. Хотя работа в 4D может показаться немного научной фантастикой, фреймворк оказался весьма успешным при тестировании на реальных данных. При наблюдении и оценке работы одного или нескольких работников система смогла определить время выполнения задачи с точностью 95%!

💡 Совет: ищете качественные данные? Ознакомьтесь с более чем 20 наборами данных компьютерного зрения с открытым исходным кодом: https://www.v7labs.com/blog/computer-vision-datasets

Точно так же в другом документе описывается, как модели компьютерного зрения могут извлекать трехмерные траектории рабочих из визуальных данных и использовать метод на основе кластеризации для создания рабочих циклов, представляющих трудозатраты.

При тестировании этот метод смог определить время выполнения задачи в строительном проекте с точностью 84%. Конечно, можно внести улучшения, но, учитывая ограниченные возможности людей отслеживать время выполнения задачи на всей рабочей площадке для нескольких работников, цифры выглядят довольно неплохо!

Землеустроительная съемка и картографирование

Итак, мы рассмотрели, как ИИ может помочь отслеживать, измерять и проверять людей и вещи на строительной площадке. А как насчет осмотра самой рабочей площадки? Получение точной планировки земли имеет решающее значение для успешного строительного проекта — не только для лучшего планирования перед началом строительства, но и для обеспечения того, чтобы строительство шло по плану.

Чтобы помочь в этом, такие компании, как Datumate, проводят наземную съемку и картографирование с использованием беспилотных летательных аппаратов и камер с искусственным интеллектом. Хорошим примером этого является их продукт DatuFly. DatuFly делает снимки земли, строительных площадок и инфраструктуры, а затем загружает их на защищенный сервер. Затем алгоритмы компьютерного зрения и фотограмметрии преобразуют изображения в точные двухмерные и трехмерные карты и модели с географической привязкой. Конечно, топографическая съемка — это то, чем люди занимались веками, и могут делать это очень хорошо.

Но современная доступность БПЛА и методов компьютерного зрения может значительно упростить этот процесс, сократив необходимое время и повысив точность. ИИ в планировании строительства представляет собой большое преимущество для руководителей проектов и рабочих, поскольку более быстрое и точное картирование означает более эффективные процессы строительства.

Создавая будущее с помощью ИИ

Менеджеры по строительству имеют полную тарелку, когда дело доходит до надзора за строительным проектом. Но от повышения безопасности на рабочем месте до проверки активов и измерения производительности, компьютерное зрение на базе AI/ML может сделать контроль над такой сложной задачей намного проще, быстрее и точнее. Когда использование ИИ в строительстве можно использовать для поддержки планирования и принятия решений, снижения стоимости проекта и спасения жизней рабочих, выигрывают все.

А благодаря большему количеству данных и обучению интеллектуальные технологии компьютерного зрения будут продолжать повышать эффективность и безопасность всей строительной отрасли.

Оригинальная версия этой статьи:
7 Job-ready AI Applications in Construction
https://www.v7labs.com/blog/ai-in-construction

автор: Alberto Rizzoli из V7

8 практических применений ИИ в сельском хозяйстве

От автоматизированного обнаружения вредителей и болезней растений до интеллектуального опрыскивания и сортировки продукции — вот как Computer Vision меняет пищевой и сельскохозяйственный сектор:
https://www.v7labs.com/blog/ai-in-agriculture

Еще один пример прои использование ИИ на основе нейросетей от российской компании:

Нейросети контролируют территории и стройплощадки, искусственный интеллект принимает решения

Подробнее - здесь