Para resolver el problema de que los métodos inteligentes existentes basados en clasificación de imágenes, detección de objetos y otros algoritmos no pueden reconocer con precisión la cantidad exacta y los límites precisos de objetivos como trabajadores y maquinaria de construcción en imágenes de sitios de obra, se introdujo un algoritmo de segmentación semántica. Tomando un gran pozo como escenario de aplicación, se construyó un conjunto de datos de imágenes de segmentación semántica mejorado con un modelo de información de construcción (BIM), se desarrolló un algoritmo de segmentación semántica basado en DeepLabv3+, y se propuso un método de reconocimiento de objetos basado en los resultados de segmentación semántica. Primero, se recolectaron imágenes reales del sitio de obra de un gran pozo en la ciudad de Ningbo, y mediante la tecnología BIM se generaron muchas imágenes similares a las escenas reales de construcción para ampliar el conjunto de datos. Se seleccionaron 10 categorías comunes de objetos en el sitio del pozo: trabajadores, excavadoras, camiones, camiones mezcladores de concreto, bombas de concreto, grúas, cercas, grúas torre, soportes de concreto y fondo, como objetivos de segmentación semántica, realizando una anotación precisa a nivel de píxel para todas las imágenes. Sobre el conjunto de datos construido, se desarrolló un algoritmo de segmentación semántica basado en la red DeepLabv3+, y a través de experimentos comparativos se estudió el efecto de diferentes combinaciones de redes extractoras de características y funciones de pérdida sobre el rendimiento del algoritmo, así como el impacto de las imágenes simuladas en la mejora del rendimiento. Los resultados muestran que el modelo DeepLabv3+ que utiliza Xception como red extractora de características y Dice loss+CE loss como función de pérdida tiene el mejor efecto de segmentación, con un valor promedio de la intersección sobre la unión (IoU) de 68.24%, logrando una segmentación precisa a nivel de píxel de trabajadores, maquinaria y estructuras en primeros planos, planos lejanos y bajo diferentes condiciones climáticas y de iluminación. El entrenamiento del modelo con imágenes simuladas generadas por BIM tiene un efecto significativo en la mejora del rendimiento de la segmentación en comparación con usar solo imágenes reales, aumentando el valor IoU en un 26.27%. El método de reconocimiento de objetivos basado en los resultados de segmentación semántica puede identificar con precisión los tipos y cantidades de soportes, maquinaria y otros objetos en las imágenes del sitio del pozo.

pozo grande;segmentación semántica;aprendizaje profundo;modelo de información de construcción;DeepLabv3+