Russian Federation
Russian Federation
UDK 004.051 Эффективность
The paper explores the application of artificial intelligence (AI) to identify construction equipment using CCTV cameras on construction sites. The main goal is to increase safety levels, optimize construction processes and increase productivity. The research covers the analysis of world and Russian experience in creating neural networks, collecting data on construction equipment and developing an AI model for recognizing and classifying machines based on their visual characteristics. The system was also tested to evaluate its accuracy and efficiency. The article discusses various approaches to training neural networks, including supervised and unsupervised learning, reinforcement learning, transfer learning, generative adversarial networks, convolutional and recurrent neural networks, autoencoders, and hybrid models. Particular attention is paid to integrating AI with other aspects of construction site safety, including alarm systems, emergency response and personnel training. This research proposes a multi-layered approach to construction site safety, ensuring not only accident prevention but also improved work processes. Ultimately, the application of AI on construction sites helps create a safer, more organized and controlled work environment, which is critical for large construction projects.
artificial intelligence, construction site safety, pattern recognition, neural networks, supervised learning, generative adversarial networks, gan, convolutional neural networks, cnn, recurrent neural networks, rnn, process analysis and optimization, integration of safety technologies
Введение
Применение искусственного интеллекта для идентификации строительной техники с использованием камер видеонаблюдения имеет важное значение в контексте обеспечения безопасности на строительных объектах. Эта технология позволяет операторам быстро определять типы машин и их предполагаемое назначение, что способствует правильному использованию и снижению риска происшествий. Кроме того, она способствует оптимизации строительных процессов, сокращению времени простоя и повышению производительности.
Для достижения этой цели были реализованы следующие исследования:
- Изучение мирового и российского опыта в области создания нейронных сетей для разработки систем искусственного интеллекта.
- Сбор данных о типах строительной техники и их функциональном назначении.
- Разработка модели искусственного интеллекта, способной распознавать и классифицировать машины на основе их визуальных характеристик.
- Тестирование системы с целью оценки ее точности и эффективности в определении типов строительной техники.
- Анализ результатов исследования с целью улучшения и корректировки модели искусственного интеллекта.
Объекты и методы исследования
Основной целью исследования является разработка эффективной системы, способной автоматически идентифицировать типы строительной машины и определять их предполагаемое назначение с целью повышения уровня безопасности на строительных объектах.
Изучение и анализ мирового и российского опыта [1,2,7] позволил выделить следующие подходы к созданию нейронных сетей для разработки систем искусственного интеллекта:
- Контролируемое обучение: - метод включает в себя обучение нейронных сетей на размеченных наборах данных, что позволяет сети изучать взаимосвязи между входными и выходными данными и делать прогнозы на новых данных.
- Неконтролируемое обучение: - нейронные сети используются для обнаружения закономерностей и взаимосвязей в данных без предварительных меток, что полезно для задач, таких как кластеризация и сокращение размерности.
- Обучение с подкреплением: - метод обучения сетей через серии проб и ошибок, где сеть получает обратную связь о своих действиях и корректирует свое поведение, чтобы максимизировать награду.
- Передача обучения: - используется предварительно обученная нейронная сеть как отправная точка для новой задачи, и сеть настраивается на более небольших данных, чтобы адаптироваться к новой задаче.
- Генеративно-состязательные сети (GAN): - метод включает в себя обучение двух сетей, генератора и дискриминатора, которые сотрудничают для создания новых данных, похожих на обучающий набор.
- Сверточные нейронные сети (CNN): - используются сверточные слои для анализа изображений и извлечения признаков, которые могут быть использованы для задач, таких как классификация изображений и обнаружение объектов.
- Рекуррентные нейронные сети (RNN): - метод включает использование рекуррентных соединений, что позволяет сетям обрабатывать последовательные данные, такие как временные ряды или текст на естественном языке.
- Автоэнкодеры: - нейронные сети обучаются сжимать входные данные в меньший размер и затем восстанавливать их из сжатого представления.
- Гибридные модели: - метод включает в себя объединение различных типов нейронных сетей и методов для создания индивидуальных решений для конкретных задач и проблем.
Существует также несколько популярных библиотек на языке Python для разработки и создания нейронных сетей, таких, как TensorFlow, PyTorch, Keras, Theano, Caffe, MATLAB Deep Learning Toolbox, MXNet. Chainer и другие.
Модель нейронной сети распознавания образов реализуется с использованием сверточных слоев, которые позволяют анализировать данные изображений. Сверточный слой работает путем перемещения небольшой матрицы, известной как фильтр или ядро, по входному изображению и вычисления поэлементных умножений между элементами фильтра и входными данными. Это позволяет создавать новые карты признаков и помогает сети выявлять локальные особенности изображения, такие как края, формы и текстуры.
Практический опыт показывает, что результаты обучения нейронной сети зависят от различных факторов, включая качество обучающих данных, архитектуру сети, выбранный алгоритм оптимизации, количество доступных обучающих данных, настройку гиперпараметров и вычислительные ресурсы. Целью является обучение сети минимизировать разницу между ее прогнозами и фактическим
Задачей исследования было обучить нейронную сеть уменьшать разницу между ее прогнозами и реальными выходными данными, которая известна как функция потерь (рис.1). В процессе обучения веса и смещения сети пересматриваются с целью снижения потерь на обучающих данных. Если сеть переобучается, что означает, что она хорошо справляется с обучающими данными, но плохо работает с новыми данными, можно применить методы, такие как отсев или уменьшение веса, чтобы улучшить ее производительность.
Рис. 1. Графическое представление результатов обучения созданной модели
В конечном итоге, эффективность обученной нейронной сети можно количественно оценить, используя такие метрики, как точность, воспроизводимость и полнота. Лучшие результаты зависят от конкретной задачи, которую необходимо решить, и желаемого баланса между производительностью и другими параметрами.
С целью оптимизации безопасности на строительных площадках, особое внимание уделялось интеграции различных технологий и методов. Система ИИ, используемая для распознавания и мониторинга строительной техники, может является ключевым элементом в управлении рисками и предотвращении несчастных случаев.
Эта система включает в себя сеть датчиков и камер, которые собирают данные в реальном времени о движении и состоянии строительной техники на площадке. Данные, полученные от этих устройств, обрабатываются с помощью алгоритмов глубокого обучения, способных выявлять аномалии, потенциально опасные ситуации и нестандартные модели поведения.
Один из ключевых аспектов — это прогностический анализ, который позволяет предсказывать возможные сбои в работе техники, а также идентифицировать усталость или ошибки операторов. Система может автоматически оповещать руководство строительной площадки и операторов о выявленных рисках, позволяя своевременно принимать меры по предотвращению аварийных ситуаций.
Дополнительно включается компонент машинного зрения, который помогает в распознавании и классификации различных типов строительной техники и оборудования. Это обеспечивает дополнительный уровень контроля, позволяя точно определить, какие машины находятся в зоне потенциального риска.
Важным элементом является также взаимодействие системы ИИ с другими аспектами безопасности на строительной площадке, включая системы сигнализации, аварийного реагирования и обучения персонала. Интеграция этих систем обеспечивает многоуровневый подход к безопасности, снижая вероятность человеческих ошибок и повышая эффективность реагирования на чрезвычайные ситуации.
Таким образом, применение ИИ на строительных площадках открывает новые возможности для повышения безопасности, эффективности и надежности строительных операций. Эта интегрированная система способствует не только предотвращению несчастных случаев, но и оптимизации рабочих процессов, что в конечном итоге ведет к более безопасной и продуктивной рабочей среде.
Выводы
Оптимизация безопасности на стройплощадках с использованием искусственного интеллекта (ИИ) для распознавания строительной техники — это многоаспектный процесс, который может значительно повысить эффективность и безопасность работ. Вот как это предлагается реализовать:
- Автоматизированный мониторинг строительной техники: - для постоянного наблюдения за состоянием и движением строительной техники на площадке. Это поможет предотвратить столкновения и несчастные случаи, вызванные человеческими ошибками или недосмотром.
- Анализ поведения операторов: - анализ поведения операторов техники, выявляя потенциально опасные действия или усталость оператора. Это позволяет предпринять меры до того, как возникнут проблемы.
- Прогностическое обслуживание: - анализа данных о работе машин может помочь в выявлении признаков износа или неисправности оборудования до того, как это приведет к сбоям или авариям.
- Обучение и инструктаж персонала: - ИИ может анализировать данные о несчастных случаях и ошибках, чтобы разрабатывать более эффективные программы обучения и инструктажа для работников.
- Улучшенное планирование рабочего пространства: - ИИ может помочь в оптимизации размещения техники и материалов на строительной площадке, минимизируя риск столкновений и обеспечивая более безопасные пути перемещения для работников.
- Аварийное реагирование: - в случае обнаружения опасной ситуации, системы ИИ могут автоматически активировать процедуры аварийного реагирования, например, остановку машины или оповещение руководства и спасательных служб.
Применение ИИ на строительных площадках не только повышает безопасность, но и способствует повышению эффективности работы, снижению затрат на обслуживание оборудования и уменьшению времени простоя. Это также способствует созданию более организованной и контролируемой рабочей среды, что важно для крупных строительных проектов.
1. Akinin, M.V. Neural network systems of artificial intelligence in image processing tasks / M.V. Akinin, M.B. Nikiforov, A.I. Taganov. - M.: RiS, 2016. - 152 p.
2. Barrett, D. The last invention of mankind: artificial intelligence and the end of the era of Homo sapiens / D. Barrett. - M.: Alpina non-fiction, 2015. - 304 p.
3. Borovskaya, E. V. Fundamentals of artificial intelligence: textbook, manual / E. V. Borovskaya, N. A. Davydova. - M.: BINOM. Knowledge Laboratories, 2014. - 127 p.
4. Demkin V.I. History and prospects for the development of neural networks / V.I. Demkin, D.K. Lukov // Bulletin of modern research. - 2018. - No. 6.1 (21). - Pp. 366-368.
5. Jones, M. T. Programming artificial intelligence in applications / M. T. Jones; lane from English A. I. Osipov. - M.: DMK Press, 2018. - 311 p.
6. Zagorulko Yu.A. Artificial intelligence. Knowledge engineering: textbook. manual for universities / Yu.A. Zagorulko, G.B. Zagorulko; Novosib. state unt. - M.: Yurayt, 2018. - 93 p. : table - (Universities of Russia). - Bibliography: p. 88-91. - ISBN 978-5-534-07198-6.
7. Isakov, Yu.A.Artificial intelligence / Yu.A. Isakov // ModernScience. - 2018. - No. 6-1. - Pp. 25-27.
8. Andrei Garyaev and Nikolay Garyaev, Integration of artificial intelligence and video surveillance technology to monitor construction equipment. E3S Web of Conf. Volume 410, 2023 XXVI International Scientific Conference “Construction of the Formation of Living Environment” (FORM-2023) DOI https://doi.org/10.1051/e3sconf/202341004002
