Pour résoudre le problème des méthodes intelligentes actuelles basées sur la classification d’images et la détection d’objets, qui ne peuvent pas identifier avec précision le nombre exact et les contours précis des cibles telles que les ouvriers et les engins de chantier dans les images des sites de construction, un algorithme de segmentation sémantique a été introduit. En prenant comme scénario d’application un très grand chantier de fouille, un ensemble de données d’images pour la segmentation sémantique amélioré par un modèle d’information du bâtiment (BIM) a été construit, un algorithme de segmentation sémantique basé sur DeepLabv3+ a été développé, et une méthode de reconnaissance des objets basée sur les résultats de segmentation sémantique a été proposée. Tout d’abord, des images réelles du chantier d’un très grand chantier de fouille à Ningbo ont été collectées, et un grand nombre d’images simulées similaires aux scènes réelles de construction ont été générées par la technologie BIM pour améliorer l’ensemble de données. Dix catégories d’objets fréquents sur le chantier – ouvriers, pelleteuses, camions, camions malaxeurs à béton, pompes à béton, grues, barrières, grues à tour, supports en béton et arrière-plan – ont été sélectionnées comme objets cibles pour la segmentation sémantique, avec un marquage précis des pixels sur toutes les images. Sur l’ensemble de données construit, un algorithme de segmentation sémantique basé sur le réseau DeepLabv3+ a été développé, et des études expérimentales comparatives ont été menées pour étudier les effets des différentes combinaisons de réseaux extracteurs de caractéristiques et de fonctions de perte sur les performances de l’algorithme, ainsi que l’impact des images simulées sur l’amélioration des performances. Les résultats montrent que le modèle DeepLabv3+ utilisant Xception comme réseau extracteur de caractéristiques et combinant Dice loss + CE loss comme fonction de perte donne les meilleurs résultats de segmentation, avec une moyenne d’intersection sur union (IoU) atteignant 68,24%, permettant une segmentation précise au niveau pixel des ouvriers, machines et structures dans des plans rapprochés et éloignés, sous différentes conditions météorologiques et d’éclairage. L’utilisation d’images simulées générées via BIM pour entraîner le modèle améliore significativement les performances de segmentation par rapport à l’utilisation uniquement d’images réelles, avec une augmentation de 26,27% de la valeur IoU. La méthode de reconnaissance des objets basée sur les résultats de segmentation sémantique est capable de fournir avec précision le type et le nombre d’objets tels que les supports et les machines dans les images du chantier de fouille.

très grand chantier de fouille;segmentation sémantique;apprentissage profond;modèle d’information du bâtiment;DeepLabv3+