AI i byggebranchen: Forbedre anvendelsen af punktskydata, ved segmentering og klassificering med Deep Learning

Abstract

Denne undersøgelse havde til formål at undersøge, hvordan anvendelsen af punktskydata i byggebranchen kunne forbedres ved behandling med Deep Learning. Undersøgelserne blev baseret på problemformuleringen: Hvordan kan anvendelsen af punktskydata forbedres i udførelsesfasen af et byggeri ved at anvende Deep Learning til at segmentere og klassificere punktskydata? For at besvare spørgsmålet blev et litteraturstudie udført med fokus på at få en forståelse for AI og punktskydata. Indsamling af empiri blev udført ved hjælp af et casestudie på en byggeplads, hvor data blev segmenteret og analyseret. Den analyserede data blev anvendt til udvikling af en tidlig prototype til et styringsværktøj, som skal anvendes til automatisk registrering af fejl i byggeriet, forsinkelser i tidsplanen eller udfordringer med sikkerhed på byggepladsen ved at anvende punktskydata og Deep Learning. Det blev konkluderet i undersøgelserne, at prototypen var brugbar, og kunne give et bedre overblik for brugeren. Behandlingen af punktskydata med Deep Learning har dog udfordringer, da denne data er irregulær og ustruktureret. Deep Learning har potentialet til at automatisere denne data, men der er behov for yderligere forskning, specielt i store datasæt.

The research done in this study, aimed to examine how management of point cloud data in the Danish AEC industry, could be improved by applying artificial intelligence (AI), during the construction phase. The research was based on the problem statement: “How can the utilization of point cloud data in the construction phase in the AEC industry, be improved by applying Deep Learning, to segment and classify the point cloud data?” To answer this question and gain an understanding about point cloud data and artificial intelligence (AI), a literature review was conducted. In addition, an interview was carried out with appropriate participants in the construction industry, to gain empiric data. The collected data was analyzed using work models based on the method Contextual Design (Holtzblatt and Beyer, 2017) and segmented using interview method by (Brinkmann and Tanggaard, 2020). The analyzed empiric data was used, to discuss the data found in the literature study. In addition to this, an early prototype was constructed based on the Contextual Design method (Holtzblatt and Beyer, 2017). Afterwards this prototype was tested and evaluated. The research concluded that compiling and processing point cloud data can be challenging. To simplify the process, Deep Learning can be applied to automate some of the processes. To understand if this could be useful in the AEC, a prototype for controlling the schedule, improving the workers safety and automatic quality control, was developed, and tested. The test results showed that an automation of these processes would be useful to the supervisors, but only if it could be automated. By utilizing Deep Learning, this should be possible, but more research is needed, especially in larger datasets.

Kolofon: Denne side er en del af AAU Studenterprojekter — Aalborg Universitets studenterprojektportal. Her kan du finde og downloade offentligt tilgængelige kandidatspecialer og masterprojekter fra hele universitetet fra 2008 og frem. Studenterprojekter fra før 2008 kan findes i trykt form på Aalborg Universitetsbibliotek.

Har du spørgsmål til AAU Studenterprojekter eller Aalborg Universitets forskningsregistrering, formidling og analyse, er du altid velkommen til at kontakte VBN-teamet. Du kan også læse mere i AAU Studenterprojekter FAQ.

A master thesis from Aalborg University

AI i byggebranchen: Forbedre anvendelsen af punktskydata, ved segmentering og klassificering med Deep Learning

[AI in the AEC industry: Improving the utilization of point cloud data, by segmenting and classifying the data by applying Deep Learning]