Para resolver o problema de que os métodos inteligentes existentes baseados em classificação de imagens, detecção de objetos e outros algoritmos não conseguem reconhecer a quantidade exata e os limites precisos de alvos como trabalhadores e máquinas de construção em imagens de canteiros de obras, foi introduzido um algoritmo de segmentação semântica. Tomando um grande poço de fundação como cenário de aplicação, foi construído um conjunto de dados de imagens de segmentação semântica aprimorado por modelo de informação da construção (BIM), desenvolvido um algoritmo de segmentação semântica baseado no DeepLabv3+, e proposto um método de reconhecimento de objetos baseado nos resultados da segmentação semântica. Primeiramente, foram coletadas imagens reais do canteiro de obras de um grande poço em Ningbo, e diversas imagens de efeito semelhantes a cenas reais de construção foram geradas por meio da tecnologia BIM para reforçar o conjunto de dados. Foram selecionadas 10 categorias comuns de objetos no canteiro de obras do poço: trabalhadores, escavadeiras, caminhões, caminhões betoneira, bombas de concreto, guindastes, cercas, guindastes torre, suportes de concreto e fundo, como alvos da segmentação semântica, realizando anotações precisas a nível de pixel em todas as imagens. Com base no conjunto de dados construído, foi desenvolvido um algoritmo de segmentação semântica baseado na rede DeepLabv3+, e por meio de experimentos comparativos foi estudado o efeito de diferentes combinações de redes extratoras de características e funções de perda no desempenho do algoritmo, assim como o impacto das imagens simuladas na melhoria do desempenho. Os resultados mostram que o modelo DeepLabv3+ que utiliza Xception como extrator de características e Dice loss+CE loss como função de perda apresenta o melhor efeito de segmentação, com um valor médio da interseção sobre união (IoU) de 68,24%, conseguindo segmentar com precisão em nível de pixel trabalhadores, máquinas e estruturas em planos próximos, planos distantes e sob diferentes condições climáticas e de iluminação. O treinamento do modelo com imagens simuladas geradas por BIM tem um efeito significativo na melhoria do desempenho da segmentação em comparação com o uso apenas de imagens reais, com um aumento do valor IoU de 26,27%. O método de reconhecimento de objetos baseado nos resultados da segmentação semântica pode identificar com precisão os tipos e quantidades de suportes, máquinas e outros objetos nas imagens do canteiro de obras do poço.

grandes poços fundacionais;segmentação semântica;aprendizagem profunda;modelo de informação da construção;DeepLabv3+