Um das Problem zu lösen, dass bestehende intelligente Methoden zur Bildklassifikation, Objekterkennung und ähnlichen Algorithmen die genaue Anzahl und die präzisen Grenzen von Zielobjekten wie Arbeitern und Baumaschinen auf Baustellenbildern nicht erkennen können, wurde ein semantisches Segmentierungsverfahren eingeführt. Als Anwendungsszenario wurde eine sehr große Baugrube gewählt, ein semantisch segmentierter Bilddatensatz mit Unterstützung des Bauinformationsmodells (BIM) erstellt, ein semantischer Segmentierungsalgorithmus auf Basis von DeepLabv3+ entwickelt und eine Methode zur Objekterkennung basierend auf den Segmentierungsergebnissen vorgeschlagen. Zunächst wurden reale Bilder einer sehr großen Baugrube in der Stadt Ningbo aufgenommen und durch BIM-Technologie zahlreiche realitätsnahe Rendering-Bilder zur Erweiterung des Datensatzes generiert. Es wurden 10 häufige Objekttypen der Baugrubenbaustelle ausgewählt: Arbeiter, Bagger, Lastwagen, Betonmischer, Betonpumpen, Kräne, Zäune, Turmdrehkräne, Betonsstützen und Hintergrund, die als Zielobjekte für die semantische Segmentierung dienen und alle Bilder pixelgenau annotiert. Basierend auf dem erstellten Bilddatensatz wurde ein semantischer Segmentierungsalgorithmus auf Grundlage des DeepLabv3+-Netzwerks entwickelt. Durch Vergleichsexperimente wurde der Einfluss verschiedener Backbone-Netzwerke und Verlustfunktionen auf die Leistungsfähigkeit des Algorithmus sowie die Wirkung der gerenderten Bilder auf die Verbesserung der Leistung untersucht. Die Ergebnisse zeigen, dass das DeepLabv3+-Modell mit Xception als Backbone und der Verlustfunktion Dice loss+CE loss die beste Segmentierungsleistung erzielt, mit einer durchschnittlichen Intersection over Union (IoU) von 68,24%, welche eine pixelgenaue Segmentierung von Arbeitern, Maschinen und Strukturen in Nah- und Fernsicht sowie unter verschiedenen Wetter- und Lichtbedingungen ermöglicht. Das Training des Modells mit durch BIM generierten gerenderten Bildern verbessert die Segmentierungsergebnisse deutlich im Vergleich zu rein realen Bildern, mit einer Steigerung des IoU-Werts um 26,27%. Die Methode zur Objekterkennung basierend auf den semantischen Segmentierungsergebnissen kann die Typen und Mengen von Stützen, Maschinen und anderen Objekten in Bildern der Baugrube genau ausgeben.

sehr große Baugrube;semantische Segmentierung;deep learning;Bauinformationsmodell;DeepLabv3+