Om du vill förbättra produktiviteten och kvaliteten på byggarbete, du behöver ett effektivt sätt att övervaka framsteg och upptäcka kvalitetsproblem på daglig basis. Aalto-universitetets Reality Capture-projekt (RECAP) undersökte hur fotogrammetri och maskininlärningstillämpningar kunde användas för detta ändamål.

Aaltos projekt Intelligent Construction Site (iCONS) hade visat hur processineffektivitet blir synlig när IoT-sensorer används för att spåra positioner och rörelser för arbetare och material. Dock, forskare var fortfarande tvungna att tolka foton och videor för att avgöra hur data korrelerade med byggschemat, planer, och designmodeller. Följande projekt – Reality Capture – var tänkt som ett försök att undersöka om, och hur, insamling och tolkning av visuella data skulle kunna automatiseras.

RECAP-projektet finansierades av Business Finland, Aalto-universitetet, och ett konsortium av fem företag, inklusive byggföretagen Fira och YIT och prefabricerade och färdigblandade betongtillverkaren Rudus. De två IT-leverantörerna var Vionice, ett datorseendeföretag, och Umbra, en grafisk mjukvaruutvecklare.

Projektet släppte sin slutrapport den 30 januari, 2020, med några intressanta rön om genomförbarheten av nuvarande teknologier för att automatisera visuell byggplatsövervakning.

Utmaningarna med produktion och kvalitetskontroll inom konstruktion

RECAP -forskargruppen började med en omgång intervjuer med konsortieföretagen och ett urval av entreprenörer från Kalifornien, Brasilien, och Kina.

Alla intervjupersoner var eniga om svårigheterna med att erhålla korrekta och realtidsdata från en byggarbetsplats. Följaktligen, chefer kämpar för att hålla arbetarna engagerade i rätt uppgifter, vid rätt tillfälle. Som ett resultat, arbetare kan skynda sig att ta på sig oplanerade uppgifter, vilket ofta resulterar i ofullständigt arbete som måste slutföras senare i all hast.

Det verkar vara vanligt att både produktion och kvalitetskontroll utförs manuellt. I Brasilien, specifikt, kvalitetskontroll är kostsamt och utbildade inspektörer är en bristvara. Den där, tillsammans med oviljan att rapportera kvalitetsproblem, leder till alltför stor variation i kvalitet.

De intervjuade proffsen är överens om att övervakning av framsteg och produktivitet kräver bättre lösningar, speciellt för MEP-installationer. Vidare, jämförelsen mellan det planerade och det som byggts är fortfarande mödosam. Vissa företag testar programvara som automatiskt kan jämföra punktmoln och bygga informationsmodeller, men tekniken är fortfarande i sin linda.

Automatisk upptäckt av arbetsförlopp

Projektkonsortiet valde ut fem specifika användningsfall. Tre studier undersökte möjligheterna till automatiserad framstegsövervakning och två fokuserade på kvalitetsinspektioner.

Firas två projekt använde foton som arbetare spelade in under VVS-renoveringen av en uppsättning med sju badrum och sex kök. Syftet med försöket var att avgöra om automatiserad analys av arbetets framsteg skulle vara möjlig med hjälp av bilderna. I så fall, platschefen kunde använda data för att fjärrövervaka framstegen och fatta nödvändiga planering och förvaltningsbeslut i enlighet därmed.

Forskargruppen utvecklade ett framstegskontrollsystem som bearbetade bildserier i samband med plats- och tidsdata. Kärnan i systemet var en maskininlärningslösning som använde foton som spelats in med en skräddarsydd Android-app. Systemet utformades för att använda par av på varandra följande bilder från byggarbetsplatsen. Forskarna var glada över att få veta att systemet kunde uppnå en god noggrannhet när det gäller att fastställa framstegen i byggnadsarbetet.

I det tredje projektet, YIT använde ett krankamerasystem utvecklat av Pix4D. Systemet genererar både 2-D-bilder och 3D-punktmoln på byggarbetsplatsen. Forskarna använde två alternativa algoritmer för att generera modeller för automatiserad igenkänning av framsteg inom betongplattakonstruktion. Resultaten av den AI-baserade analysen var, häpnadsväckande, 100% korrekt.

Automatiserade kvalitetsinspektioner

Ett annat YIT-projekt undersökte genomförbarheten av automatiserade kvalitetsinspektioner av dörrlister i ett bostadsprojekt. Arbetare gjorde videoinspelningar av varje färdig lägenhet, och en automatiserad process bestämde – utifrån bilderna – om kvaliteten på listerna var acceptabel. Detta visade sig vara en svår uppgift eftersom det inte fanns tillräckligt med exempel av dålig kvalitet för att träna systemet ordentligt. Med mer material, inspektionen skulle vara ganska användbar i verkliga situationer.

Det femte projektet ägde rum i en prefabricerad trapptillverkningsanläggning i Rudus. Avsikten var att avgöra om trapparmeringsjärn hade monterats enligt byggnadsinformationsmodellen. Forskarna använde en minidator och en kamera fäst vid en brokran. Bilddata som samlats in av denna installation skickades till en Aalto-server och lades över en förbehandlad BIM-modell av trappan. En inspektör kan granska modellen och förstärka framstegsdata via en webbläsare på Umbras molnplattform.

Forskarna fann att det verkligen var möjligt att upptäcka armeringsjärn, men på grund av det relativt lilla antalet märkta bilder av hög kvalitet, den nådde inte tillräcklig noggrannhet i detta projekt.

Framtiden för AR och AI inom konstruktionsövervakning och kontroll

Förutom tidigare beskrivna pilotfallstudier, RECAP skapade en experimentell applikation för förstärkt verklighet för användning på plats. Appen erbjuder ett visuellt gränssnitt för molnbaserad AI-driven bearbetning av bilddata. Det tjänar de tre behov som entreprenörer hade bestämt som mest kritiska när de tillfrågades under projektet:1) att rapportera om renoveringsframsteg och produktivitetsövervakning, 2) att markera eventuella defekter, och 3) att dela information med kollegor. Appen förebådar den typ av verktyg vi kommer att se mer av i framtiden på byggarbetsplatser.

Forskarna som var involverade i Reality Capture-projektet drog slutsatsen att det är tekniskt möjligt att använda AI, punktmoln, och bilder i övervakning och kontroll av byggframsteg. Fortfarande, de ansåg datainsamling som flaskhalsen i processen. Utan tillräckliga uppgifter, inlärningsalgoritmer kommer inte att vara tillräckligt exakta för storskalig användning.

360-graders hjälmmonterade kameror kommer möjligen att komma till undsättning, men även de kräver mycket manuellt märkningsarbete. Kommersiella implementeringar är enklast i repetitiva interiörer – till exempel, på hotellrum, badrum, och kök.

Användningen av krankameror erbjuder för närvarande den mest lovande tekniken för att upptäcka arbetets framsteg på en byggarbetsplats. Dessutom, om BIM-modeller är tillgängliga, tekniken blir ännu mer exakt.

Sammanfattningsvis, maskinseende och metoder för djupinlärning kräver data som ännu inte är lättillgänglig. Om datainsamling och efterbearbetning kan automatiseras, Byggbranschen kommer att ta ett stort steg mot ett mer industrialiserat produktionssystem.