通过基于人工智能的图像识别技术和建筑信息模型(BIM)的集成,实现自动化施工进度监测与控制

《AUTOMATION IN CONSTRUCTION》:Automated construction progress monitoring and control through AI-based image recognition and BIM integration

【字体: 大 中 小 】 时间:2026年01月21日 来源:AUTOMATION IN CONSTRUCTION 11.5

编辑推荐:

  AI图像识别与BIM技术结合开发原型系统,实现施工进度自动化监控与可视化。通过多摄像头部署和对象检测技术识别施工阶段,实时数据与BIM模型对比并颜色标注差异,提升管理效率。

  
谢长成|陈宏明|陈婉瑜|吴婷瑜
台湾国立科技大学土木与建筑工程系,台北,台湾

摘要

本文结合了人工智能图像识别和BIM技术,开发了一个原型系统,实现了施工进度控制的自动化和可视化。该系统支持使用BIM模型来规划部署多个监控摄像头,以覆盖整个施工现场。这些摄像头捕捉的实时图像通过对象检测技术进行处理,以定位图像中所有正在施工的物体并识别它们各自的施工阶段。通过将这些摄像头的视角整合到BIM模型中,每个摄像头图像中的AI检测结果会自动输入到BIM模型的相应组件中。随后,存储在BIM模型中的实时现场进度信息与计划进度进行比较,并以不同的颜色在BIM模型组件上直观地展示对比结果。通过可视化,这种方法使管理人员能够实时、具体且直观地控制施工进度。

引言

在传统的建设项目管理中,监控项目进度一直是一项重要任务[1]。现场工程师除了需要对施工环境有深刻的理解外,还必须能够解读蓝图。进度数据必须在现场收集并转换为文本或数值报告,通常每天提交给项目经理。然而,经验较少的现场工程师可能对不同的施工阶段有不同的理解[2]、[3]、[4]。手动收集数据非常耗时,报告过程往往需要几周时间,导致信息延迟频繁发生[5]、[6]、[7]。
近年来,技术的进步显著影响了建筑行业,将进度监控从传统的人工检查转向了自动化解决方案。这些技术不仅简化了检查工作流程,还提供了实时数据,以促进主动决策[8]。自动化建设项目进度监控(ACPPM)[9]旨在改进传统上劳动密集型的数据流程。研究探讨了整合各种现场数据捕获技术(FDCT)[10]来获取施工数据。然而,实际应用仍存在限制——例如,UWB和RFID技术无法验证组件的详细完成状态[11]、[12]、[13]。点云应用需要大量的数据处理才能进行对象级分割以实现有效管理[14],并且通常需要大量人力和处理时间来跟踪工作项[15]、[16]。此外,高昂的设备成本和操作不便也阻碍了进度评估及相关研究[17]。另外,使用摄像头捕捉现场图像会遇到静态和动态挑战,包括遮挡、视野限制以及由于施工进度变化而需要频繁调整摄像头位置的问题[9]。
随着深度学习技术的快速发展[18]、[19],计算机视觉在建筑领域的应用得到了扩展,特别是在监控设备、人员、材料质量和安全方面[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]、[29]。作为自动化施工监控的一项变革性技术,计算机视觉在提高运营效率和测量精度方面展现了潜力[30]、[31]、[32]、[33]。
现有的关于使用计算机视觉进行自动化监控的研究[34]、[35]、[36]主要依赖于单摄像头设置进行定点监控,这受到其视野范围的限制。有效的现场覆盖需要多摄像头配置[37]、[38]、[39]、[40]。同时,建筑信息模型(BIM)已成为建筑领域的主流数字工具[41]、[42]。将基于时间的数据整合到BIM模型(4D BIM)中,相比传统的文本和图形表示方式,增强了了对施工顺序的理解和可视化[43]、[44]、[45]、[46]、[47]。将对象检测结果与BIM模型结合,通过提供及时准确的集成数据,促进了施工现场的数字孪生管理[48]。
然而,计算机视觉在进度监控中的实际应用仍面临重大挑战,包括与BIM模型的自动集成难度、遮挡问题、可见性限制、非标准化的施工流程,以及缺乏整合成本和进度控制的系统[29]。通过应用基于计算机视觉的对象检测来识别现场活动,可以实现进度监控的自动化,减少人工干预,并支持关键路径法(CPM)的自动化[50]、[51]。将这种方法与BIM模型作为数据管理框架结合[52]、[53]、[54],可以简化工作流程并提高实时检查效率,成为改进施工管理的关键手段。
本文提出了一个基于多摄像头集成的自动化施工进度监控的AI驱动框架。首先在现场和虚拟环境中建立了摄像头部署程序,以实现多摄像头监控系统的快速集成。多角度图像采集有效缓解了光照变化、环境干扰和组件遮挡带来的挑战。组件选择过程采用了通用的对象检测模型,无需依赖高性能计算资源或精确的实例分割即可识别和选择可见的结构元素。基于检测结果,提出了一种在虚拟环境中输入施工阶段的机制,其中BIM模型作为整合各个组件进度数据的中心枢纽。所提出的框架实现了施工项目的自动化和可视化进度监控。研究范围包括数据收集和分类、对象检测模型开发、摄像头部署策略,以及基于AI的检测结果在虚拟环境中的整合。该系统的性能和实用性通过在活跃施工现场进行的室内模拟和现场实验得到了验证。

部分摘录

相关研究

本节回顾了现有的施工进度监控文献,旨在全面了解当前的研究现状。首先总结了常用的现场数据捕获技术及其局限性。接下来,回顾了使用计算机视觉进行进度和质量监控的研究,特别强调了将基于计算机视觉的识别与BIM结合的研究。

方法论

基于以往的研究背景,本文旨在建立一个适用于施工阶段的施工进度检测模型,为项目经理提供一种通过图像对象检测来评估施工进度阶段的方法。通过利用BIM模型整合组件的施工阶段,相应的组件进度阶段会自动输入到BIM模型中。这不仅避免了施工进度中的差异

应用场景

本文开发的原型系统界面如图16所示。本节通过各种场景进行测试,以展示为实现研究目标而开发的功能。系统的操作进行了分类,并为每种应用模式提供了详细的演示和解释。

结论

在之前的BIM–CV研究中,施工进度监控主要关注基于对象检测或分割的方法来识别或量化施工组件的进度。这些方法通常需要大量的图像数据和高性能计算资源才能实现精确检测和像素级分割。
本文提出的系统引入了一个集成框架,结合了对象检测和多角度摄像头集成

CRediT作者贡献声明

谢长成:撰写——原始草稿,验证,项目管理,方法论,数据整理,概念化。陈宏明:撰写——审阅与编辑,监督,概念化。陈婉瑜:方法论,数据整理。吴婷瑜:撰写——原始草稿,可视化,软件。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了台湾国家科学技术委员会的支持,项目编号为NSTC 112-2221-E-011-072-。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号