AI i byggebranchen: Forbedre anvendelsen af punktskydata, ved segmentering og klassificering med Deep Learning
Oversat titel
AI in the AEC industry: Improving the utilization of point cloud data, by segmenting and classifying the data by applying Deep Learning
Forfattere
Kristensen, Lasse Otte ; Wittchen, Nikolaj Muf ; Selvarajah, Dilakshan
Semester
4. semester
Uddannelse
Udgivelsesår
2023
Afleveret
2023-01-11
Antal sider
92
Resumé
Denne afhandling undersøger, hvordan punktskydata – 3D-data bestående af mange enkeltpunkter, der tilsammen beskriver en byggeplads – kan udnyttes bedre i udførelsesfasen ved hjælp af Deep Learning (en type kunstig intelligens). Målet var at segmentere (opdele i meningsfulde dele) og klassificere (mærke med kategorier) punktskydata for at gøre informationen mere anvendelig i den daglige styring af byggeriet. Undersøgelsen omfattede et litteraturstudie om AI og punktskydata samt et casestudie på en byggeplads, hvor data blev segmenteret og analyseret. Den analyserede data dannede grundlag for en tidlig prototype på et styringsværktøj, designet til automatisk registrering af fejl i udførelsen, forsinkelser i tidsplanen og sikkerhedsudfordringer. Resultaterne viste, at prototypen var brugbar og gav brugeren et bedre overblik. Samtidig er der væsentlige udfordringer, fordi punktskydata er irregulære og ustrukturerede, hvilket gør automatisering vanskelig. Deep Learning rummer potentiale, men der er behov for mere forskning, især på store datasæt.
This thesis investigates how point cloud data—3D data made up of many points that together describe a construction site—can be used more effectively during the execution phase by applying deep learning (a type of artificial intelligence). The aim was to segment (split into meaningful parts) and classify (assign categories to) point cloud data to make it more useful for day-to-day project control. The study included a literature review on AI and point clouds and a case study on a construction site, where data were segmented and analyzed. The analyzed data informed an early prototype of a management tool designed for the automatic detection of construction errors, schedule delays, and safety issues. The results showed that the prototype was useful and gave users a better overview. At the same time, there are significant challenges because point cloud data are irregular and unstructured, which makes automation difficult. Deep learning has promise, but further research is needed, especially on large datasets.
[Dette resumé er omskrevet med hjælp fra AI baseret på projektets originale resumé]
Emneord
AI ; Deep Learning ; Punktsky ; LiDAR ; 3D-scanner ; Kunstig intelligens ; Klassificering ; Fotogrammetri ; Segmentering ; TLS ; MLS ; Prototype ; Contextual Design