《Results in Engineering》:Vision-Based Proxy Estimation of Construction Equipment CO
2e Emissions Using Visual Soft Sensing
编辑推荐:
视觉软感测使基于监控视频的CO2e代理筛查成为可能。研究人员将设备的视觉存在时间用作运行时长的代理指标。YOLOv8x在Dataset B验证集上取得0.893的mAP@0.5。案例1达到88.64%的匹配视觉存在一致性。案例2达到人工代
视觉软感测使基于监控视频的CO2e代理筛查成为可能。研究人员将设备的视觉存在时间用作运行时长的代理指标。YOLOv8x在Dataset B验证集上取得0.893的mAP@0.5。案例1达到88.64%的匹配视觉存在一致性。案例2达到人工代理CO2e估算值的95.94%。
该研究由Li-Wei Lung和Yu-Ren Wang完成,聚焦施工设备碳排放的场地级估算问题。研究背景方面,建筑业面临减排压力,柴油动力施工设备是现场直接碳排放的重要来源,但设备级直接排放测量在常规施工中难以实施。燃料记录、远程信息处理(telematics)、发动机负荷或尾气测量往往缺失、成本高或难以在动态施工现场部署。监控视频可非侵入式提供设备存在信息,却无法直接测定燃油流量、发动机负荷、怠速状态或尾气浓度。已有视觉研究多关注检测精度或安全与进度监测,较少分析检测误差如何传播到设备存在时长与碳排放结果。因此,本研究不意图替代燃料清单或法规排放测量,而是检验常规监控视频导出的视觉存在记录能否为场地级碳筛查提供透明、可扩展的基础。
研究人员提出并测试了一个视觉软感测(Visual Soft Sensing)框架:使用YOLOv8识别监控视频中的设备,以固定时间间隔聚合设备存在记录,再结合代表性燃油消耗率和柴油排放因子,将可见时长转换为代理CO
2e估算值。该框架将检测器性能与下游碳排放解释分离,明确将视觉存在定义为运行时长的操作代理,而非燃油使用或尾气排放的直接证据。两个独立现场案例在模型开发完成后作为留出(held-out)应用场景进行分析,评估了漏检、偶然检测、类别混淆、遮挡、代表性燃油率假设和负载因子假设对代理结果的影响。
在关键技术方法方面,研究人员使用单一固定摄像机以1 Hz采样现场视频,采用YOLOv8x作为最终检测器。Dataset A包含2,758张图像、5个粗分类,用于初步模型筛选;Dataset B包含4,797张图像、9个细分类,由COCO、ACID、网络图像和另行采集的工地照片组成,并按训练:验证=2:1划分。Case 1和Case 2在同一现场不同时间录制,完全从Dataset B开发中分离。检测结果按秒聚合成视觉存在时长,代入公式CE
proxy,j=T
vis,j×α
j×FC
j×EF计算代理CO
2e;EF取台湾柴油排放因子2.65 kg CO
2e L
-1,α取1。工作人员检测仅参与训练与评估,不纳入时长聚合和碳排放计算。研究人员通过逐帧人工复核建立视觉存在参考,并比较自动化与人工代理估算结果。
研究结果部分如下。4.1 Faster-RCNN:在Dataset A上训练,mAP为0.870,F1为0.704,精度较高但训练时间长达80小时36分钟,推理较慢且存在背景误分类问题。4.2 Single Shot MultiBox Detector(SSD):mAP为0.867,训练时间仅4小时35分钟,对机械检测稳定,但小目标和低分辨率图像检测较差,工人检测精度偏低。4.3 YOLOv8:在相同数据条件下mAP为0.897,F1为0.869,速度和稳定性均优于Faster-RCNN与SSD。4.4 Evaluation of Model Accuracy:综合训练时间、推理速度和检测性能后,研究人员选择YOLOv8作为下游碳排放估算的检测器。随后,最终YOLOv8x模型在Dataset B验证集上取得0.893的mAP@0.5、0.902的精确率和0.867的召回率;混凝土泵车和起重机AP较高,dump_truck A最低。5.1 Carbon Emission Application Case:Case 1为起重相关作业,时长1小时56分46秒,匹配主起重机人工可见时长为6,804秒,YOLOv8为6,031秒,视觉存在一致性为88.64%;Case 2为装卸作业,时长50分1秒,主自卸车B人工时长为2,534秒,YOLOv8为2,423秒,匹配时长比为95.62%,完整YOLOv8输出对应的低端代理CO
2e为34.48 kg,人工参考为35.94 kg,完整输出与人工参考的代理比值达95.94%。5.2 Uncertainty and Sensitivity Analysis:代理估算对视觉存在时长、负载因子、代表性燃油消耗率和排放因子线性敏感;漏检降低估算值,误检或重复检测提高估算值;α=1将所有可见时间视为耗油时间,提供透明上界代理,但可能高估怠速或等待状态的实际油耗,而设备在视野外运行时又可能造成低估。
讨论部分指出,检测连续性、类别混淆、遮挡、代表性燃油率和负载因子假设都会传播到最终代理结果。该框架适用于场地级相对筛查、设备存在模式比较和潜在排放热点识别,不适用于法规报告或合约碳核算。研究结论翻译如下:本研究开发了一个视觉软感测框架,用于从常规监控视频中代理估算施工设备CO
2e排放。该框架整合YOLOv8设备检测、视觉存在时长记录、设备类别代表性燃油消耗率和柴油排放因子,支持场地级初步筛查。两个现场案例作为独立单摄像机场景分析,因此评估的是自动化与人工视觉存在记录的一致性,而非多视角融合性能的定量验证。结果表明,该工作流生成的代理估算与人工复核参考基本一致:案例1匹配主起重机一致率为88.64%,案例2完整YOLOv8输出达到人工视觉存在代理估算的95.94%。这些发现说明,现有监控摄像机可作为实用软传感器,用于设备存在模式相对监测和潜在CO
2e热点识别。报告值最适合用于相对比较与初步筛查,未来需要利用燃油日志、远程信息处理、发动机负荷或尾气监测数据进一步验证,并通过设备跟踪、活动识别和标定的负载因子减少不确定性。