Efficient Vertical Object Detection in Large High-Quality Point Clouds of Construction Sites = Detección eficiente de objetos verticales en grandes nubes de puntos de alta calidad de sitios de construcción
Abstract:
Nowadays, even when adherence to project schedule and budget are the most critical performance metrics among project owners, still 53% and 66% of typical construction projects exhibit schedule delays and cost overruns, respectively. Intending to contribute to a more efficient construction progress monitoring, this thesis proposes a method to detect some of the most common temporary objects classes in a laser scanner point cloud of a construction site. These objects can provide a precise estimate of the current construction progress. For this purpose, this thesis focuses on the detection of cranes, scaffolds, and formwork.
The method involves computer vision and machine learning techniques to detect vertical instances of the selected object classes. The proposed workflow begins with the automatic downsampling and rotation of the point cloud. Subsequently, the target objects are detected using a combination of several techniques: image processing over vertical projections, finding patterns in 3D detected contours and performing checks over specifically generated vertical cross-sections. A deep learning algorithm was leveraged to classify these cross-sections for the purpose of formwork detection.
The method was applied on three real point clouds of construction sites to assess its accuracy.
The results reveal that the method achieves average rates above 88% for precision and recall. Moreover, the technique also achieved outstanding computational time performance. This demonstrates the capability of the method to support the automatic segmentation of point clouds of construction sites. Further development can be done to increase the precision and automation of the technique.
Resumen:
Hoy en día, incluso cuando el cumplimiento del cronograma y el presupuesto del proyecto son las métricas de rendimiento más críticas entre los propietarios de proyectos, aún el 53% y el 66% de los proyectos de construcción típicos presentan retrasos en el cronograma y sobrecostos, respectivamente. Con la intención de contribuir a un seguimiento más eficiente del progreso de la construcción, esta tesis propone un método para detectar algunas de las clases de objetos temporales más comunes en una nube de puntos con escáner láser de un sitio de construcción. Estos objetos pueden proporcionar una estimación precisa del progreso actual de la construcción. Para ello, esta tesis se centra en la detección de grúas, andamios y encofrados.
El método involucra técnicas de visión por computadora y aprendizaje automático para detectar instancias verticales de las clases de objetos seleccionadas. El flujo de trabajo propuesto comienza con la reducción de resolución automática y la rotación de la nube de puntos. Posteriormente, los objetos de interés se detectan utilizando una combinación de varias técnicas: procesamiento de imágenes sobre proyecciones verticales, búsqueda de patrones en contornos detectados en 3D y realización de comprobaciones sobre secciones transversales verticales generadas específicamente. Se aprovechó un algoritmo de aprendizaje profundo para clasificar estas secciones transversales con el fin de detectar el encofrado.
El método se aplicó en tres nubes de puntos reales de sitios de construcción para evaluar su precisión. Los resultados revelan que el método alcanza tasas promedio superiores al 88% en cuanto a precisión y recuperación. Además, la técnica también logró un rendimiento de tiempo computacional sobresaliente. Esto demuestra la capacidad del método para soportar la segmentación automática de nubes de puntos de sitios de construcción. Se pueden realizar más desarrollos para aumentar la precisión y automatización de la técnica.
Fuente:
Biblioteca Virtual Banco de la República
Formatos de contenido:
Tesis
