Als u de productiviteit en kwaliteit van bouwwerkzaamheden wilt verbeteren, u hebt een efficiënte manier nodig om de voortgang te bewaken en dagelijks kwaliteitsproblemen op te sporen. Het Reality Capture (RECAP)-project van Aalto University onderzocht hoe fotogrammetrie en machine learning-toepassingen voor dat doel kunnen worden gebruikt.

Aalto's Intelligent Construction Site (iCONS)-project had aangetoond hoe procesinefficiënties zichtbaar worden wanneer IoT-sensoren worden gebruikt om de posities en bewegingen van werknemers en materialen te volgen. Echter, onderzoekers moesten nog foto's en video's interpreteren om te bepalen hoe de gegevens correleerden met het bouwschema, plannen, en ontwerpmodellen. Het volgende project - Reality Capture - werd opgevat als een poging om te onderzoeken of, en hoe, het verzamelen en interpreteren van visuele gegevens zou geautomatiseerd kunnen worden.

Het RECAP-project werd gefinancierd door Business Finland, Aalto-universiteit, en een consortium van vijf bedrijven, waaronder bouwbedrijven Fira en YIT en prefab- en stortklaar betonfabrikant Rudus. De twee IT-providers waren Vionice, een computervisiebedrijf, en Umbra, een grafische softwareontwikkelaar.

Het project bracht zijn eindrapport op 30 januari uit, 2020, met enkele interessante bevindingen over de haalbaarheid van huidige technologieën bij het automatiseren van visuele bouwplaatsbewaking.

De uitdagingen van productie en kwaliteitscontrole in de bouw

Het RECAP-onderzoeksteam begon met een ronde van interviews met de consortiumbedrijven en een selectie van aannemers uit Californië, Brazilië, en China.

Alle geïnterviewden waren unaniem over de moeilijkheden die inherent zijn aan het verkrijgen van realtime en nauwkeurige gegevens van een bouwplaats. Bijgevolg, managers worstelen om werknemers betrokken te houden bij de juiste taken, op het juiste moment. Als resultaat, werknemers kunnen zich haasten om ongeplande taken op zich te nemen, wat vaak resulteert in onvolledig werk dat later in haast moet worden afgerond.

Het lijkt gebruikelijk te zijn dat zowel de productie als de kwaliteitscontrole handmatig worden uitgevoerd. In Brazilië, specifiek, kwaliteitsinspectie is kostbaar en goed opgeleide inspecteurs zijn schaars. Dat, samen met de onwil om kwaliteitsproblemen te melden, leidt tot te grote variatie in kwaliteit.

De geïnterviewde professionals zijn het erover eens dat het monitoren van voortgang en productiviteit betere oplossingen vergen, speciaal voor MEP-installaties. Verder, de vergelijking tussen wat is gepland en wat is gebouwd is nog steeds moeilijk. Sommige bedrijven proberen software uit die automatisch puntenwolken en bouwinformatiemodellen kan vergelijken, maar de technologie staat nog in de kinderschoenen.

Automatische detectie van werkvoortgang

Het projectconsortium koos vijf specifieke use cases. Drie onderzoeken verkenden de mogelijkheden voor geautomatiseerde voortgangsbewaking en twee waren gericht op kwaliteitsinspecties.

Fira's twee projecten maakten gebruik van foto's die arbeiders opnamen tijdens de renovatie van sanitair van een set van zeven badkamers en zes keukens. Het doel van de proef was om te bepalen of geautomatiseerde analyse van de voortgang van het werk mogelijk zou zijn met behulp van de foto's. In zo'n geval, de locatiemanager zou de gegevens kunnen gebruiken om de voortgang op afstand te bewaken en dienovereenkomstig de nodige plannings- en managementbeslissingen te nemen.

Het onderzoeksteam ontwikkelde een voortgangsinspectiesysteem dat batches foto's verwerkte die waren gekoppeld aan locatie- en tijdgegevens. De kern van het systeem was een machine learning-oplossing die gebruikmaakte van foto's die werden gemaakt met een op maat gemaakte Android-app. Het systeem is ontworpen om twee opeenvolgende foto's van de bouwplaats te gebruiken. De onderzoekers waren verheugd te vernemen dat het systeem een ​​goed niveau van nauwkeurigheid kon bereiken bij het bepalen van de voortgang van de bouwwerkzaamheden.

Bij het derde project YIT gebruikte een kraancamerasysteem ontwikkeld door Pix4D. Het systeem genereert zowel 2D-beelden als 3D-puntenwolken van de bouwplaats. De onderzoekers gebruikten twee alternatieve algoritmen om modellen te genereren voor geautomatiseerde herkenning van de voortgang in de constructie van betonplaten. De resultaten van de op AI gebaseerde analyse waren:verbazingwekkend, 100% nauwkeurig.

Geautomatiseerde kwaliteitscontroles

Een ander YIT-project onderzocht de haalbaarheid van geautomatiseerde kwaliteitsinspecties van deurlijsten in een huisvestingsproject. Werknemers maakten video-opnamen van elk voltooid appartement, en een geautomatiseerd proces bepaalde - op basis van de afbeeldingen - of de kwaliteit van de lijsten acceptabel was. Dit bleek een moeilijke taak omdat er niet genoeg voorbeelden van slechte kwaliteit waren om het systeem goed te trainen. Met meer materiaal, de inspectie zou heel bruikbaar zijn in real-life situaties.

Het vijfde project vond plaats in een prefab trappenfabriek van Rudus. Het was de bedoeling om vast te stellen of trapwapening was gemonteerd zoals gespecificeerd in het bouwinformatiemodel. De onderzoekers gebruikten een mini-pc en een camera bevestigd aan een brugkraan. De beeldgegevens die door deze opstelling werden verzameld, werden naar een Aalto-server gestuurd en over een voorbewerkt BIM-model van de trap gelegd. Een inspecteur kan het model en de voortgangsgegevens van de versterking onderzoeken via een webbrowser op het cloudplatform van Umbra.

De onderzoekers ontdekten dat wapeningdetectie inderdaad mogelijk was, maar vanwege het relatief kleine aantal gelabelde afbeeldingen van hoge kwaliteit, het bereikte niet voldoende nauwkeurigheid in dit project.

De toekomst van AR en AI in bouwmonitoring en -besturing

Naast de eerder beschreven pilot-casestudy's, RECAP creëerde een experimentele augmented reality-toepassing voor gebruik op locatie. De app biedt een visuele interface voor cloudgebaseerde AI-aangedreven verwerking van beeldgegevens. Het voorziet in de drie behoeften die aannemers als het meest kritisch hadden aangemerkt toen ze tijdens het project werden gevraagd:1) verslag uitbrengen over de voortgang van de renovatie en het monitoren van de productiviteit, 2) om eventuele gebreken te signaleren, en 3) om informatie te delen met collega's. De app kondigt het soort gereedschappen aan dat we in de toekomst meer zullen zien op bouwplaatsen.

De onderzoekers die betrokken waren bij het Reality Capture-project concludeerden dat het technisch mogelijk is om AI, puntenwolken, en beelden in voortgangsbewaking en controle van de bouw. Nog altijd, zij beschouwden dataverzameling als de bottleneck in het proces. Zonder voldoende gegevens, leeralgoritmen zullen niet voldoende nauwkeurig zijn voor grootschalig gebruik.

Op de helm gemonteerde 360-graden camera's komen mogelijk te hulp, maar zelfs die vereisen veel handmatig etiketteerwerk. Commerciële implementaties zijn het gemakkelijkst in repetitieve interieurs, bijvoorbeeld op hotelkamers, badkamers, en keukens.

Het gebruik van kraancamera's biedt momenteel de meest veelbelovende technologie voor het detecteren van de voortgang van het werk op een bouwplaats. Bovendien, als BIM-modellen beschikbaar zijn, de techniek wordt nog nauwkeuriger.

Samengevat, machine vision en deep learning-methoden vereisen gegevens die nog niet direct beschikbaar zijn. Als het verzamelen van gegevens en de nabewerking ervan kunnen worden geautomatiseerd, de bouwsector zal een grote stap zetten in de richting van een meer geïndustrialiseerd productiesysteem.