Geri Dön

Automated earthwork progress monitoring for construction projects

İnşaat projeleri için otomatik hafriyat ilerleme takibi

PDF İndir

  1. Tez No: 826525
  2. Yazar: AHMET BAHADDİN ERSÖZ
  3. Danışmanlar: DOÇ. DR. ONUR PEKCAN
  4. Tez Türü: Doktora
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez, İnsansız Hava Araçları (İHA), makine öğrenimi ve bilgisayar görüşü kullanarak inşaat sahalarındaki hafriyat ilerlemesini izlemek için yeni bir yaklaşım sunmaktadır. Genellikle zaman alıcı ve hataya açık olan geleneksel yöntemler, geliştirilen metodoloji ile ele alınarak verimlilik ve doğruluk artırılmaktadır. Görüntü alımından hacim hesaplamasına kadar tamamen otonom bir veri akışı oluşturulmuştur. Çalışma saatlerinde görüntüleme için İHA'ların kullanılması, manuel yöntemlerle ilişkili riskleri ortadan kaldırarak güvenlik önlemlerini iyileştirir. Çok çeşitli inşaat sahalarından piksel düzeyinde etiket içeren havadan çekilmiş görüntü kümesi sunulmuştur. Bu veri kümesi kullanılarak, inşaat makinelerini görüntülerden izole eden ve tipik makine kategorileri için %90'ı aşan ortalama bir hassasiyet puanı elde eden bir makine öğrenimi modeli eğitilmiştir. Bu inşaat makinelerini görüntülerden kaldırmak ve hacim hesaplaması için inşaat arazilerinin görsel temsilini geliştirmek için bir görüntü boyama algoritması sunulmuştur. Ayrıca, hafriyat hacimlerini tahmin etmek için doğru ve verimli bir yöntem sağlayan yeni bir hacim hesaplama algoritması önerilmiştir. Bu çalışma, İHA'lar ve yersel lazer tarama tarafından üretilen nokta bulutlarının karşılaştırmalı bir testini gerçekleştirerek, İHA tabanlı yaklaşımın güvenilir ve uygun maliyetli bir alternatif olarak uygulanabilirliğini göstermektedir. Bu gelişmelere rağmen araştırma, hava koşullarındaki değişimler, çeşitli inşaat makinelerini tespit etmedeki zorluklar ve birbirine yakın konumdaki makinelerin ayrıştırılmasının karmaşıklığı nedeniyle İHA performansındaki zorlukları kabul etmektedir. Sonuç olarak, bu araştırma daha verimli inşaat yönetimi uygulamalarının önünü açmaktadır. Gelecekteki araştırmalar, süreci daha da iyileştirmek için makine öğrenimi eğitim veri setlerini genişletmeye ve 4 Boyutlu Yapı Bilgi Modellemesi (BIM) ile entegrasyona odaklanabilir.

Özet (Çeviri)

This thesis presents a novel approach to earthwork progress monitoring on construction sites using Unmanned Aerial Vehicles (UAVs), machine learning, and computer vision. Traditional methods, often time-consuming and prone to error, are addressed through the developed methodology, enhancing efficiency and accuracy. A fully autonomous pipeline is established, from image acquisition to volume calculation. The utilization of UAVs for imaging during operational hours improves safety measures by eliminating the risks associated with manual inspections. A real-world aerial image dataset with pixel-level annotation from a wide variety of construction environments annotation is presented. A machine learning model is trained using this dataset that isolates construction machinery from images, achieving an average precision score exceeding 90% for typical machinery categories. An image inpainting algorithm is presented to remove these machines from images, enhancing the visual representation of construction terrains for volume calculation. Furthermore, a novel volume calculation algorithm is proposed, providing an accurate and efficient method for estimating earthwork volumes. This study performs a comparative experiment of point clouds generated by UAVs and Terrestrial Laser Scanning, demonstrating the UAV-based approach's viability as a reliable and cost-effective alternative. Despite these advancements, the research acknowledges challenges in UAV performance due to weather variations, difficulties detecting diverse construction machinery, and the complexity of dealing with closely positioned machines. In conclusion, this research paves the way for more efficient construction management practices. Future research can focus on expanding the machine learning training datasets to improve the process further and integration with 4D Building Information Modeling (BIM).

Geri Dön