既存の画像分類や物体検出などのアルゴリズムに基づく施工現場画像の知的認識手法が、作業員や建設機械などの対象物の正確な数量と精密な境界を認識できない問題を解決するために、セマンティックセグメンテーションアルゴリズムを導入した。超大型の基礎掘削を応用シナリオとし、建築情報モデル（BIM）で強化されたセマンティックセグメンテーション画像データセットを構築し、DeepLabv3+に基づくセマンティックセグメンテーションアルゴリズムを開発し、セマンティックセグメンテーション結果に基づく対象物認識手法を提案した。まず、寧波市の超大型基礎掘削工事の施工現場で実際に撮影した画像を基に、BIM技術により実際の施工シーンに似た多数の効果画像を生成してデータセットを拡充した。作業員、油圧ショベル、トラック、コンクリートミキサー車、コンクリートポンプ車、クレーン、フェンス、タワークレーン、コンクリート支保工および背景の計10種類の基礎掘削現場で一般的に見られる対象物をセマンティックセグメンテーションの対象とし、全ての画像に対してピクセルレベルの精密なラベル付けを行った。構築した画像データセットを用いてDeepLabv3+ネットワークを基にセマンティックセグメンテーションアルゴリズムを開発し、異なるバックボーン特徴抽出ネットワークや損失関数の組み合わせがアルゴリズムの性能に及ぼす影響、及び効果画像が性能向上に与える影響を比較実験により調査した。結果は、Xceptionをバックボーンとして使用し、Dice loss＋CE lossの損失関数を採用したDeepLabv3+モデルが最も優れたセグメンテーション効果を示し、平均交差比率（IoU）は68.24％に達し、近景・遠景、異なる天候や環境光条件下において作業員、機械設備、構造物などの対象物のピクセルレベルの区分が可能であることを示した。BIMで生成した効果画像を用いて学習したモデルは、実撮画像のみを使用した場合と比較してモデルのセグメンテーション効果を有意に向上させ、IoU値は26.27％向上した。セマンティックセグメンテーション結果に基づく対象物認識手法は、基礎掘削施工現場画像中の支保工や機械設備などの対象物の種類と数量を正確に出力できる。

超大型基礎掘削;セマンティックセグメンテーション;深層学習;建築情報モデル;DeepLabv3+