英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
通过静态图像进行施工性能监测，延时照片和视频流：现在，明天和未来
及时准确地监控现场施工作业可立即意识到项目的具体问题。它为从业者提供了他们需要的信息，方便快捷做出项目控制决定。尽管它们重要性很高，但目前的做法仍然是耗时的，费用高昂，容易出错。为了方便收集和分析绩效数据的过程，研究人员专注于设计半自动和自动评估在项目层面和运营层面上进行操作。一个重要的工作重点是开发可以利用静态图像、延时照片和视频的计算机视觉技术用于记录正在进行的工作流。为此，本文对这些国家最先进的视觉绩效监测方法进行回顾。根据信息水平感知和产出类型，这些方法主要分为两类级别：对民用基础设施或建筑元素进行视觉监控与操作层面、视觉监控的施工设备和工人。这些中使用的基本配方和假设详细讨论方法，最后，知识的差距今后需要解决确定研究。
1.介绍
现场施工作业的系统监测可以立即意识到项目具体问题。它为业主、承包商、分包商和商人需要的信息简单快速地做出项目控制决定。现场项目监控通常包括跟踪项目级信息，以及直接观察、调查和访谈级别信息。虽然这些方法是互补的，他们每个都是设计和设计来测量一定的方面的施工生产。实施这些方法在不同的构造公司。监测项目级信息涉及到特征在何种程度上遵循施工计划。更多具体来说，当性能偏差发生时，它会突出显示是指跟踪民间基础设施建设进度情况，结构或建筑元素，并监督执行工作质量这些评估的结果，包括单位那些与性能指标有关的利率，如Schedule绩效指数（SPI）挣值分析或计划最后计划系统中的完成（PPC）。就这样方法只显示与全球成果有关的问题生产不涉及测量的性能利用施工设备和工人。为了在业务层面测量施工生产，现场观察和调查或面试方法使用。这些方法的特点在于程度工人和设备得到充分利用和运行在安全的工作环境（一个正式称为活动监测）。通过跟踪设备和工艺工人的运动和活动，并将其与性能指标相关联作为船员平衡图形式的生产力调查和访谈操作层面的监控重点为什么性能偏差发生在的根本原因操作水平。虽然是监控项目级和操作级信息提供了一个合理的解决方案现场操作，但主要的局限性之一是，指出当前的方法是耗时，昂贵和容易的到错误。更具体地说，目前的做法正在进行中监控缺乏人机交互性。目前最多现场查询情况由（1）之间进行网站和拖车可以访问纸质图纸和特定的图纸，以生成更新的评估基础或（2）最多通过平板电脑手动访问和搜索计划这需要具体的3D渲染视图为每个检查任务预先手动生成。由于成千上万的元素，这个过程非常耗时和一个网站上的数百个施工活动。还分析了构造计划和建设绩效主要依靠实验，现场检查员，使其成为主观和经常容易出错。此外，需要额外的信息在后处理阶段的配合可能需要联系场外工程师或现场视察员返回现场并在其后的阶段进行额外的数据收集实际进展的状况可能已经改变了。情况与目前的活动做法相同监测和分析。现场活动涉及多方例如可能需要的承包商，分包商和行业设备完成任务。管理这些活动从所需的操作效率达到最大化资源困难，国家研究部门报告理事会通常做得不好。手动工具直接观察也是耗时，劳动密集型的，并可能容易出错。大量信息这需要从各个地方手动收集在施工现场可能会不利地影响“裂解，并根据国国家标准研究所和技术，最大限度地减少连续工作台的机会，标记和监测是执行绩效的必要步骤改进。另外，这些型号只能提供施工活动后期评估，这样的电子邮件，估值模式仅适用于其中的企业制造过程经常重复。如果是建设项目一次性运行状态实时数据收集，这样的技术将有有限的利益。对于项目级和操作级监控，选择数据并将其转换为信息将从中消失识别机会的更重要的任务是，改进措施，审查替代方案。如果分析考虑到这些挑战，需要“自动化”在所有这些方面变得更加清晰，其实也是高科技，由美国国家工程院照明。在此期间十年来，先进的信息通信技术（ICT）已经越来越多地应用于建筑项目以解决当前的局限性并提供自动数据收集分析和分析。作为一种容易捕获和广为传播的类型媒体，图像和视频已经普遍存在于共同的施工现场。应用计算机视觉技术进行分析录制的图像和视频自动绘制得很多土木工程师和计算机科学家都注意到这些年份。计算机视觉与土木工程师之间的合作，研究人员也有几个跨学科的努力实现民用基础设施的测量，检测和跟踪，所有这些都是在施工绩效监测应用中的关键角色，以作为进度监测，质量控制，作业分析，安全监测和职业健康评估。以下是对现状的综合文献综述，基于视觉的施工绩效监测技术，这将根据每个信息的级别进行结构化，与相应的产出一致。民用基础设施视觉监控或建筑元素涉及承认国家随着时间的推移，将建成后的国家与“计划的模式和时间表。这种类型的应用程序的输入经常是静止图像或延时照片。视觉监控设备和工人需要检测，跟踪他们的位置在2D或3D中，最终分析他们的活动，基于现场捕获的视频流。各种种类对这些文献中的每一组的方面进行了讨论详情，特别是在文献综述的基础上，在这个领域寻求挑战，并提出新的方向未来研究。
2.视野监测民用基础设施或建筑构件
今天，廉价的点对点、智能手机相机已经在一天的周期中大大增加了在施工现场捕获的照片数量。许多摄影文献服务都有近年来也出现了提供“视觉”记录的“建设项目参与者”。新型空中机器人公司也正在出现，可以提供大量的航空，定期拍照。研究界利用这些静态图像以及来自计算机的多视图几何方法视觉社区用于项目级监控目的。图2显示了如何使用静态图像的整体概念和质量监控的目的。延时图像是从固定摄像机角度来看，这些进度图像或者反对4D BIM施工进度状况。突出显示偏差施工进度，几种可视化方法，提出了基于元代码的颜色代码构建元素，交通灯色彩。图3说明了一个例子，其中4D BIM叠加在延时照片上用于进度监测目的。基于交通的比喻浅色，背后的元素或提前的元素是颜色，用红色和绿色分别编码。另一线工作自动生成3D内置点云模型正在进行的建筑使用结构运动技术，然后比较记录的建立了基础4D BIM的模型。 Golparvar Fard 和Brilakis et al对以结构运动技术为基础先驱研究3D构建文档。 Golparvar Fard等改进通过采用管道，这些3D立体点云的密度的多视图立体声和体素着色算法，并呈现一种通过BIM叠加点云模型的方法一组相应的特征点之间的内置点云和BIM。在最近的一项研究中，Karsch等杠杆BIM作为先例，提出了基于约束的程序改进基于图像的3D重建。他们的结果显示基于图像的3D重建的准确性和密度以及在无序和未校准的站点上3D BIM的反投影与现有技术相比可以改善图像，更智能的数据采集方式也提出利用空中机器人收集进度图像。这些的基本原则大致分析施工进度偏差的方法分为两类：（1）对物理原理的方法从建筑模型中占据一个场景（2）方法推测场景中的变化主要是通过观察外观二维图像中的BIM元素。
2.1 以入住为基础的评估方法
博世等介绍一种使用点云的方法BIM监测项目建筑构件的建设情况现场。基于这种方法，[1]使用点云用于跟踪二次和临时混凝土施工对象，例如通过区分时间对象，如模具和钢筋混凝土柱。最近，博世等介绍一种使用点云和BIM的方法用于监测机械/电气/管道（MEP）安装称，Kim等人介绍的一种方法扫描建筑物，将结果与BIM匹配，并修改建立状态。虽然这些方法使用激光扫描来产生点云，它们仍然适用于使用的点云模型基于图像或视频的重建程序。Golparvar-Fard等人的方法是利用综合sce密集的基于图像的3D点云和BIM，以及关于从计划和建成的占用和可见的观点，通过这些评估和监督机器学习方法，推测建筑元素的进展二元方式即对于元素观察到物理进展与否。图5说明了创建4D内置点的步骤云，用BIM叠加点云，并自动化从生成的4维进度监测增强现实中引入的模型。尽管它们重要性很高，但是基于占用方式并不是这样能够区分不同的操作阶段参与构建元素。例如，当前基于入住率评估的在形成、放置和回填混凝土的过程中的准确性，并且推测当前的进展状况。韩和Golparvar Fard 将这些挑战归因于缺乏BIM中的细节通常用作进展的基础监测和缺乏正式的施工顺序允许操作细节，如成型，加固，放置，并剥离自动推断。他们的工作强调需要进一步研究基于外观的方法，直接从2D的内容直接推断这些细节图片。在以下，以最先进的外观为主在上下文中引入了基于图像点云的自动进度监控的方法及其应用并讨论了BIM。
2.2 外观方法
在过去十年中，一些手动、半自动化和使用外观进行监控的自动化方法提出一组工作侧重于应用程序，时间失真的图像和3D模型的信息。时间失效的图像是在固定位置拍摄并在BIM注册。该对已注册的图像进行分析，然后与as规划模型。类似的方法是观察在不同时间点拍摄的图像之间的视觉变化，然后将这些更改与3D模型进行比较用于计算“计划百分比完成”。另一条工作重点是检测施工对象从网站图片。 朱和Brilakis 提出使用边缘检测和霍夫变换技术，用于检测混凝土柱。同样地，吴等人提出了图像分割混凝土柱检测方法Kim等人使用安装云台变焦摄像头并执行图像处理诸如基于3D CAD的图像掩模滤波器和颜色，用于更新4D CAD模型。 Kropp等使用在不同状态下发现的不同特征监督进度。主要的研究重点是将更广泛的问题从现场图像的材料分类。 Brilakis et al，朱和Brilakis 基于图像的材料分类阳离子技术。，Son et al基于机器学习的算法，利用颜色具体检测信息。在Dimitrov和Golparvar Fard介绍了一种建筑材料图书馆包含3000个图像样本的20种不同的材料类别材料的分类方法，介绍了模板图像的结构材料。在更多最近的工作线，Han和Golparvar Fard出席几个方面的新型外观材料分类监测作业层次施工进度的方法。他们的方法利用4D BIM和3D点云，从使用结构从运动技术的现场图像。通过关于闭塞的推理，每个BIM元素都是反向被放在看到该元素的所有图像上。从这些倒退中注意，每个元素采样几个2D图像补丁被分为不同的材料类型。通过推理观察到的不同材料类型的频率，其方法能够跟踪在操作级别以外的进展通常在承包商的时间表中代表什么。虽然研究方面取得了重大进展占用和外观为主的方法，但还有几个关键领域保持开放供未来研究。这些开放的研究挑战一起在第4节中讨论。在下面的方法中介绍了检测，跟踪和识别活动施工设备和工人及其应用详细讨论。
3.对施工设备和工人的视觉监控
建设单位的检测、跟踪和分析，他们的行为遵循视频分析的基本方案，这也是将视觉信息转化为管道运行中施工监测的适用知识水平。图7显示了基于视觉的检测，跟踪，并分析施工设备和工人的活动情况以及其在安全监控，职业健康方面的应用评估和碳足迹基准。 此外定期检测跟踪分析管道，施工活动也可以通过学习特征点的运动流来分析它没有明确跟踪任何实体。
3.1 检测或认可施工单位
如上所述，在国家级水平中，检测或识别施工实体是基于视觉监控的第一步。它主要涉及检测移动物体建筑工地或承认某些类型的建筑工程（例如工人或挖掘机）。背景减法是最广泛使用的方法移动物体检测。假设背景图像，代表静态或相对静态的场景，可以选择从视频流编辑或生成，然后给出一个输入框，可以通过对差异进行阈值来检测在背景和输入图像之间的移动物体。各种方法已经呈现并测试了背景的建模形象在地面像素背后强加不同的统计假设。龚和卡尔达斯评估了三种方法并得出结论，基于Codebook的方法和基于贝叶斯模型方法优于高斯混合。志和卡尔达斯采用背景减法分割移动物体通过几个维度特征来确定工人，背部和装载机和他们的平均灰度色。请注意，牵引力仅适用于静态安装的摄像机需要适当的更新策略来反映变化背景场景。由于运动是关键因素，牵引力不适用于检测卡车等物体挖掘机处于闲置状态，而且它往往会合并多个对象当它们彼此相邻时变成单个斑点。建筑实体检测或识别是利用对象形状特征。这个方法涉及机器学习过程。它生成一个分类器通过训练形状特征。在各种条件的图像样本方面开始收集，然后计算特征描述符收集的图像样本。两个广泛使用的特征描述符是类似Haar的特征和定向梯度直方图。对于机器学习过程，哈尔式的功能通常与级联架构相结合 这也被称为哈尔级联。而支持向量机常用HOG。一旦分类器被成功地训练，一个多尺度的滑动窗口扫过输入图像以找到感兴趣的对象。在这个流水线中，特征描述符是关键组件影响检测性能。研究人员进行了调整最前沿的视觉描述符为其特定目的。阿扎尔提出了两种自卸车的级联方式识别Haar-HOG和Blob-HOG。两种方法都是包括两个步骤。第一步，前者采用与Adaboost的Haar一样的功能，而后者则使用背景减法。第二步，两种方法都采用基于HOG的分类器。第一步起到缩小基于HOG分类器搜索区域的作用。 Park和Brilakis 提出了三个步骤用于施工设备检测。在他们的方法中，图像是用背景减法处理，Haar Cascade和a特征图像分类器分别用于处理运动、形状和颜色信息。类似地，运动、形状和颜色特征用于检测施工人员的安全背心。该方法首先使用背景定位普通人减法和基于HOG的分类器，然后区分构造。因此，该方法可用于识别安全背心穿着便于现场安全监控，而不是单独检测施工实体不同的功能。更近期的一系列研究将HOG和HOC组合在一起的描述符同时检测挖掘机，卡车和工人。 HOG和HOC形成，连接并馈入多个二进制SVM分类器分别检测每种类型的资源。他们的方法是对滑动窗口候选的非最大抑制算法进行平均，以便根据从分类器检索的最高分数来精确地定位检测到的资源。该方法能够检测非移动物体，因为它不是基于运动特征。他们还提出了分类器训练的工人，挖掘机和自卸车的综合数据集工作。还有其他一些尝试，如Weerasinghe和Ruwanpura利用视频和音频数据
跟踪工作人员和工具。
3.2 跟踪2D和3D中的构建实体
计算机视觉中的跟踪是指定位移动物体2D或3D跨越时间。与其他跟踪技术相比，例如GPS（全球定位系统），RFID（Radio Frequencyency识别）和UWB（超宽带）（后者
两个都需要标记每个实体），基于视觉的跟踪有一个优点是其简单的部署。与检测这种跟踪
全文共5994字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[143075]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
