لحل مشكلة عدم قدرة الطرق الذكية الحالية القائمة على تصنيف الصور، واكتشاف الأهداف، وغيرها من الخوارزميات على تحديد العدد الدقيق والحدود الدقيقة لأهداف مثل العمال والآلات الإنشائية في صور مواقع الإنشاء، تم إدخال خوارزمية التقسيم الدلالي. وباستخدام موقع حفر ضخم جدًا كمشهد تطبيقي، تم بناء مجموعة بيانات صور للتقسيم الدلالي معززة بنموذج معلومات البناء (BIM)، وتطوير خوارزمية تقسيم دلالي تعتمد على DeepLabv3+، وتم اقتراح طريقة للتعرف على الأهداف بناءً على نتائج التقسيم الدلالي. أولاً، تم جمع صور حقيقية لموقع بناء ضخم في مدينة نينغبو، وتمت تعزيز مجموعة البيانات عن طريق توليد العديد من الصور المحاكاة المشابهة للواقع باستخدام تقنية BIM. تم اختيار 10 فئات من الأهداف الشائعة في مواقع الحفر مثل العمال، الحفارات، الشاحنات، خلاطات الخرسانة، مضخات الخرسانة، الرافعات، السياجات، الرافعات البرجية، الدعامات الخرسانية والخلفية كأهداف للتقسيم الدلالي، وتم عمل وسم دقيق على مستوى البكسل لكل الصور. بناءً على مجموعة البيانات التي تم إنشاؤها، تم تطوير خوارزمية التقسيم الدلالي باستخدام شبكة DeepLabv3+، وتم دراسة تأثير مجموعات مختلفة من الشبكات التي تستخرج الخصائص الأساسية ودوال الخسارة على أداء الخوارزمية، وكذلك تأثير الصور المحاكاة على تحسين الأداء. أظهرت النتائج أن نموذج DeepLabv3+ باستخدام Xception كشبكة لاستخلاص الخصائص الأساسية ودوال خسارة Dice loss + CE loss قد حقق أفضل أداء في التقسيم، حيث بلغ متوسط معدل التقاطع عبر الاتحاد (IoU) 68.24%، وتمكنت من تحقيق تقسيم دقيق على مستوى البكسل للعمال، الآلات، والهياكل في المشاهد القريبة والبعيدة وتحت ظروف الطقس والإضاءة المختلفة. إن تدريب النموذج على الصور المحاكاة المنتجة بواسطة BIM له تأثير ملحوظ على تحسين أداء التقسيم مقارنة بالاستخدام فقط للصور الحقيقية، حيث ارتفع معدل IoU بمقدار 26.27%. تمكنت طريقة التعرف على الأهداف المبنية على نتائج التقسيم الدلالي من إخراج دقيق لأنواع وعدد الدعامات، الآلات وغيرها من الأهداف في صور موقع الحفر.

موقع حفر ضخم جدًا;التقسيم الدلالي;التعلم العميق;نموذج معلومات البناء;DeepLabv3+