طريقة التعرف على الأشياء في الوقت المناسب للبناء باستخدام بنية Mask R-CNN

خلاصة

تتطلب مراقبة التقدم الفعال وإعداد التقارير تقارير مفصلة ودقيقة من مواقع البناء في الوقت المناسب. تتضمن هذه التقارير معلومات مهمة للمساعدة في اتخاذ القرار من خلال مقارنة المعلومات المضمنة بالحالة المخطط لها. يعد إعداد التقارير اليدوية مستهلكًا للوقت وعرضة للخطأ ومكلفًا ويعتمد بشكل كبير على خبرة موظفي الموقع. مهدت التطورات التي تم إحرازها مؤخرًا في مجال الذكاء الاصطناعي ومعالجة البيانات والكاميرات الرقمية الطريق لإدخال طرق قائمة على الصور للمراقبة الآلية وتقارير التقدم في صناعة البناء. حقق التعرف على الكائنات تطورات كبيرة ونموًا كبيرًا من خلال إدخال خوارزميات التعلم العميق مثل الشبكات العصبية التلافيفية (CNN). يقترح هذا البحث طريقة للتعرف الآلي على قنوات HVAC وتقسيمها باستخدام الصور الرقمية عن طريق تطوير بنيات الشبكة العصبية التلافيفية القائمة على المنطقة (Mask R-CNN). تُستخدم نماذج BIM ثلاثية الأبعاد لتوليد 1143 صورة اصطناعية لتدريب نموذج R-CNN للقناع المطور. لتعزيز قدرة مجموعة البيانات التدريبية والتغلب على مشاكل التجهيز الزائد ، يتم النظر في تقنيات مضاعفة البيانات المختلفة. تعمل طريقة التعرف على الكائنات المستندة إلى التعلم العميق المطورة على أتمتة مراقبة تركيب مجاري HVAC ، والاستفادة من الصور الاصطناعية المتولدة لتدريب الخوارزمية للتغلب على الحاجة إلى مجموعات بيانات كبيرة من الصور الفعلية.