Для решения проблемы неточности существующих интеллектуальных методов распознавания изображений строительных площадок, основанных на классификации изображений, обнаружении объектов и других алгоритмах, которые не могут точно определить количество и точные границы таких объектов, как рабочие и строительная техника, был введён алгоритм семантической сегментации. В качестве сцены применения использовался сверхкрупный котлован, была построена набор данных сегментированных изображений с использованием модели информационного моделирования зданий (BIM), разработан алгоритм семантической сегментации на базе DeepLabv3+, а также предложен метод распознавания объектов на основе результатов семантической сегментации. В первую очередь были собраны реальные фотографии строительной площадки сверхкрупного котлована в Нинбо и с помощью BIM-технологии сгенерировано большое количество изображений, схожих с реальными, для увеличения датасета. В качестве целей семантической сегментации выбраны 10 распространённых объектов строительной площадки котлована: рабочие, экскаваторы, грузовики, бетонные миксеры, бетононасосы, краны, ограждения, башенные краны, бетонные подпорки и фон. Все изображения были тщательно размечены на пиксельном уровне. На основе созданного набора данных был разработан алгоритм семантической сегментации с использованием сети DeepLabv3+, проведено сравнительное исследование влияния различных сетей-экстракторов признаков и функций потерь на производительность алгоритма, а также влияние использования сгенерированных изображений на улучшение результатов. Результаты показали, что модель DeepLabv3+ с Xception в качестве экстрактора признаков и функцией потери Dice loss+CE loss показала наилучший результат сегментации, среднее значение коэффициента пересечения и объединения (IoU) достигло 68,24%, что позволяет достигать точной сегментации на пиксельном уровне рабочих, техники и конструкций в условиях близких и дальних планов, а также при различной погоде и уровне освещения. Обучение модели на сгенерированных BIM-изображениях значительно улучшает качество сегментации по сравнению с использованием только реальных снимков — значение IoU увеличилось на 26,27%. Метод распознавания объектов на основе семантической сегментации способен точно определять типы и количество опор, техники и других объектов на изображениях строительной площадки котлована.

сверхкрупный котлован;семантическая сегментация;глубокое обучение;информационное моделирование зданий;DeepLabv3+