Si vous souhaitez améliorer la productivité et la qualité des travaux de construction, vous avez besoin d'un moyen efficace de suivre les progrès et de détecter les problèmes de qualité au quotidien. Le projet Reality Capture (RECAP) de l'université Aalto a examiné comment les applications de photogrammétrie et d'apprentissage automatique pourraient être utilisées à cette fin.

Le projet de chantier de construction intelligent (iCONS) d'Aalto a démontré comment les inefficacités des processus deviennent visibles lorsque des capteurs IoT sont utilisés pour suivre les positions et les mouvements des travailleurs et des matériaux. Cependant, les chercheurs devaient encore interpréter des photos et des vidéos pour déterminer comment les données étaient corrélées avec le calendrier de construction, des plans, et des modèles de conception. Le projet suivant—Reality Capture—a été conçu comme un effort pour enquêter si, et comment, la collecte et l'interprétation des données visuelles pourraient être automatisées.

Le projet RECAP a été financé par Business Finland, Université Aalto, et un consortium de cinq entreprises, y compris les entreprises de construction Fira et YIT et le fabricant de béton préfabriqué et prêt à l'emploi Rudus. Les deux fournisseurs informatiques étaient Vionice, une entreprise de vision par ordinateur, et Umbra, un développeur de logiciels graphiques.

Le projet a publié son rapport final le 30 janvier 2020, avec quelques découvertes intéressantes sur la faisabilité des technologies actuelles dans l'automatisation de la surveillance visuelle des chantiers de construction.

Les défis de la production et du contrôle qualité dans la construction

L'équipe de recherche RECAP a commencé par une série d'entretiens avec les entreprises du consortium et une sélection d'entrepreneurs de Californie, Brésil, et la Chine.

Toutes les personnes interrogées sont unanimes sur les difficultés inhérentes à l'obtention de données précises et en temps réel d'un chantier de construction. Par conséquent, les managers ont du mal à garder les travailleurs engagés dans les bonnes tâches, au bon moment. Par conséquent, les travailleurs peuvent se précipiter pour entreprendre des tâches imprévues, ce qui se traduit souvent par un travail incomplet qui doit être finalisé plus tard dans la précipitation.

Il semble être une pratique courante que la production et le contrôle de qualité soient effectués manuellement. Au Brésil, Plus précisément, l'inspection de la qualité est coûteuse et les inspecteurs formés sont rares. Cette, ainsi que la réticence à signaler des problèmes de qualité, conduit à une variation excessive de la qualité.

Les professionnels interrogés s'accordent à dire que le suivi des progrès et de la productivité nécessitent de meilleures solutions, en particulier pour les installations MEP. Par ailleurs, la comparaison entre ce qui est prévu et ce qui a été construit est encore ardue. Certaines entreprises testent des logiciels capables de comparer automatiquement les nuages ​​de points et les modèles d'informations de construction, mais la technologie en est encore à ses balbutiements.

Détection automatique de l'avancement des travaux

Le consortium du projet a choisi cinq cas d'utilisation spécifiques. Trois études ont exploré les possibilités d'un suivi automatisé des progrès et deux se sont concentrées sur les inspections de qualité.

Les deux projets de Fira ont utilisé des photos que les travailleurs ont enregistrées lors de la rénovation de la plomberie d'un ensemble de sept salles de bains et six cuisines. Le but de l'essai était de déterminer si une analyse automatisée de l'avancement des travaux serait possible à l'aide des photos. Dans ce cas, le responsable du site pourrait utiliser les données pour surveiller à distance les progrès et prendre les décisions de planification et de gestion nécessaires en conséquence.

L'équipe de recherche a développé un système d'inspection des progrès qui traitait des lots de photos associées aux données de localisation et de temps. Le cœur du système était une solution d'apprentissage automatique qui utilisait des photos enregistrées à l'aide d'une application Android sur mesure. Le système a été conçu pour utiliser des paires de photos consécutives du chantier. Les chercheurs ont été ravis d'apprendre que le système était capable d'atteindre un bon niveau de précision dans la détermination de l'avancement des travaux de construction.

Dans le troisième projet, YIT a utilisé un système de caméra de grue développé par Pix4D. Le système génère à la fois des images 2D et des nuages ​​de points 3D du chantier de construction. Les chercheurs ont utilisé deux algorithmes alternatifs pour générer des modèles de reconnaissance automatisée des progrès dans la construction de dalles en béton. Les résultats de l'analyse basée sur l'IA étaient, étonnamment, 100% précis.

Inspections de qualité automatisées

Un autre projet YIT a exploré la faisabilité d'inspections automatisées de la qualité des moulures de porte dans un projet de logement. Les travailleurs ont fait des enregistrements vidéo de chaque appartement terminé, et un processus automatisé déterminé - à partir des images - si la qualité des moulages était acceptable. Cela s'est avéré être une tâche difficile car il n'y avait pas assez d'exemples de mauvaise qualité pour former correctement le système. Avec plus de matériel, l'inspection serait tout à fait utilisable dans des situations réelles.

Le cinquième projet a eu lieu dans une usine de fabrication d'escaliers préfabriqués de Rudus. L'intention était de déterminer si les barres d'armature d'escalier avaient été montées comme spécifié dans le modèle d'information du bâtiment. Les chercheurs ont utilisé un mini-PC et une caméra attachés à un pont roulant. Les données d'image collectées par cette configuration ont été envoyées à un serveur Aalto et déposées sur un modèle BIM prétraité de l'escalier. Un inspecteur pourrait examiner le modèle et les données de progression du renforcement via un navigateur Web sur la plate-forme cloud d'Umbra.

Les chercheurs ont découvert que la détection des barres d'armature était effectivement faisable, mais en raison du nombre relativement faible d'images étiquetées de haute qualité, il n'a pas atteint une précision suffisante dans ce projet.

L'avenir de la RA et de l'IA dans la surveillance et le contrôle de la construction

En plus des études de cas pilotes décrites précédemment, RECAP a créé une application expérimentale de réalité augmentée pour une utilisation sur site. L'application offre une interface visuelle pour le traitement des données d'image basé sur l'IA basé sur le cloud. Il répond aux trois besoins que les entrepreneurs ont déterminés comme les plus critiques lorsqu'on leur a demandé pendant le projet :1) rendre compte de l'avancement des rénovations et du suivi de la productivité, 2) signaler tout défaut, et 3) partager des informations avec des collègues. L'application annonce le type d'outils que nous verrons davantage à l'avenir sur les chantiers de construction.

Les chercheurs impliqués dans le projet Reality Capture ont conclu qu'il est techniquement possible d'utiliser l'IA, nuages ​​de points, et des images dans le suivi et le contrôle de l'avancement de la construction. Toujours, ils considéraient la collecte de données comme le goulot d'étranglement du processus. Sans données suffisantes, les algorithmes d'apprentissage ne seront pas suffisamment précis pour une utilisation à grande échelle.

Des caméras à 360 degrés montées sur casque viendront peut-être à la rescousse, mais même ils nécessitent beaucoup de travail d'étiquetage manuel. Les implémentations commerciales sont plus faciles dans les intérieurs répétitifs, par exemple, dans les chambres d'hôtel, salles de bains, et cuisines.

L'utilisation de caméras de grue offre actuellement la technologie la plus prometteuse pour détecter l'avancement des travaux sur un chantier de construction. De plus, si des modèles BIM sont disponibles, la technique devient encore plus précise.

En résumé, Les méthodes de vision artificielle et d'apprentissage en profondeur nécessitent des données qui ne sont pas encore facilement disponibles. Si la collecte des données et leur post-traitement peuvent être automatisés, l'industrie de la construction fera un grand pas vers un système de production plus industrialisé.