Si desea mejorar la productividad y la calidad de los trabajos de construcción, necesita una forma eficiente de monitorear el progreso y detectar problemas de calidad a diario. El proyecto Reality Capture (RECAP) de la Universidad de Aalto examinó cómo las aplicaciones de fotogrametría y aprendizaje automático podrían usarse para ese propósito.

El proyecto Intelligent Construction Site (iCONS) de Aalto había demostrado cómo las ineficiencias del proceso se vuelven visibles cuando se utilizan sensores de IoT para rastrear las posiciones y los movimientos de los trabajadores y los materiales. Sin embargo, los investigadores todavía tenían que interpretar fotos y videos para determinar cómo los datos se correlacionaban con el cronograma de construcción, planes y modelos de diseño. El siguiente proyecto, Reality Capture, se concibió como un esfuerzo para investigar si, y cómo, la recopilación e interpretación de datos visuales podría automatizarse.

El proyecto RECAP fue financiado por Business Finland, Universidad Aalto, y un consorcio de cinco empresas, incluidas las empresas de construcción Fira e YIT y el fabricante de hormigón prefabricado y premezclado Rudus. Los dos proveedores de TI fueron Vionice, una empresa de visión por computadora, y Umbra, un desarrollador de software de gráficos.

El proyecto publicó su informe final el 30 de enero, 2020, con algunos hallazgos interesantes sobre la viabilidad de las tecnologías actuales en la automatización del monitoreo visual del sitio de construcción.

Los desafíos de la producción y el control de calidad en la construcción

El equipo de investigación de RECAP comenzó con una ronda de entrevistas con las empresas del consorcio y una selección de contratistas de California, Brasil, y China.

Todos los entrevistados fueron unánimes sobre las dificultades inherentes a la obtención de datos precisos y en tiempo real de una obra. Como consecuencia, los gerentes luchan por mantener a los trabajadores comprometidos en las tareas correctas, en el momento adecuado. Como resultado, los trabajadores pueden apresurarse a asumir tareas no planificadas, lo que a menudo da como resultado un trabajo incompleto que debe finalizarse más tarde a toda prisa.

Parece ser una práctica común que tanto la producción como el control de calidad se realicen manualmente. En Brasil, específicamente, la inspección de la calidad es costosa y hay escasez de inspectores capacitados. Ese, junto con la renuencia a informar problemas de calidad, conduce a una variación excesiva en la calidad.

Los profesionales entrevistados coinciden en que el seguimiento del progreso y la productividad requieren mejores soluciones, especialmente para instalaciones MEP. Es más, la comparación entre lo proyectado y lo construido sigue siendo ardua. Algunas empresas están probando software que puede comparar automáticamente nubes de puntos y modelos de información de construcción. pero la tecnología aún está en pañales.

Detección automática del progreso del trabajo

El consorcio del proyecto eligió cinco casos de uso específicos. Tres estudios exploraron las posibilidades de un seguimiento automatizado del progreso y dos se centraron en las inspecciones de calidad.

Los dos proyectos de Fira utilizaron fotos que los trabajadores grabaron durante la renovación de la plomería de un conjunto de siete baños y seis cocinas. El propósito de la prueba fue determinar si el análisis automatizado del progreso del trabajo sería posible usando las fotos. En cuyo caso, el administrador del sitio podría usar los datos para monitorear remotamente el progreso y tomar las decisiones de planificación y administración necesarias en consecuencia.

El equipo de investigación desarrolló un sistema de inspección de progreso que procesaba lotes de fotos asociadas con datos de ubicación y tiempo. El núcleo del sistema era una solución de aprendizaje automático que utilizaba fotos grabadas con una aplicación de Android hecha a medida. El sistema fue diseñado para usar pares de fotos consecutivas del sitio de construcción. Los investigadores se complacieron al saber que el sistema pudo lograr un buen nivel de precisión para determinar el progreso de los trabajos de construcción.

En el tercer proyecto, YIT utilizó un sistema de cámara de grúa desarrollado por Pix4D. El sistema genera imágenes 2-D y nubes de puntos 3-D del sitio de construcción. Los investigadores utilizaron dos algoritmos alternativos para generar modelos para el reconocimiento automático del progreso en la construcción de losas de hormigón. Los resultados del análisis basado en IA fueron, asombrosamente, 100% exacto.

Inspecciones de calidad automatizadas

Otro proyecto de YIT exploró la viabilidad de las inspecciones de calidad automatizadas de las molduras de las puertas en un proyecto de vivienda. Los trabajadores hicieron grabaciones de video de cada apartamento terminado, y un proceso automatizado determinaba, a partir de las imágenes, si la calidad de las molduras era aceptable. Esto resultó ser una tarea difícil ya que no había suficientes ejemplos de mala calidad para entrenar el sistema adecuadamente. Con más material, la inspección sería bastante útil en situaciones de la vida real.

El quinto proyecto se llevó a cabo en una planta de fabricación de escaleras prefabricadas de Rudus. La intención era determinar si se habían montado barras de refuerzo de escalera como se especifica en el modelo de información del edificio. Los investigadores utilizaron una mini-PC y una cámara conectada a un puente grúa. Los datos de imagen recopilados por esta configuración se enviaron a un servidor Aalto y se colocaron sobre un modelo BIM preprocesado de la escalera. Un inspector podría examinar el modelo y los datos de progreso del refuerzo a través de un navegador web en la plataforma en la nube de Umbra.

Los investigadores encontraron que la detección de barras de refuerzo era realmente factible, pero debido al número relativamente pequeño de imágenes etiquetadas de alta calidad, no alcanzó la precisión suficiente en este proyecto.

El futuro de la RA y la IA en el seguimiento y control de la construcción

Además de los estudios de casos piloto descritos anteriormente, RECAP creó una aplicación experimental de realidad aumentada para uso in situ. La aplicación ofrece una interfaz visual para el procesamiento de datos de imágenes basado en inteligencia artificial basado en la nube. Responde a las tres necesidades que los contratistas habían determinado como más críticas cuando se les pidió durante el proyecto:1) informar sobre el progreso de la renovación y el monitoreo de la productividad, 2) señalar cualquier defecto, y 3) compartir información con colegas. La aplicación presagia el tipo de herramientas que veremos más en el futuro en las obras de construcción.

Los investigadores involucrados en el proyecto Reality Capture concluyeron que es técnicamente factible usar IA, nubes de puntos, e imágenes en seguimiento y control de avance de obra. Todavía, consideraron la recopilación de datos como el cuello de botella del proceso. Sin datos suficientes, Los algoritmos de aprendizaje no serán lo suficientemente precisos para un uso a gran escala.

Las cámaras de 360 ​​grados montadas en el casco posiblemente vendrán al rescate, pero incluso requieren mucho trabajo de etiquetado manual. Las implementaciones comerciales son más fáciles en interiores repetitivos, por ejemplo, en habitaciones de hotel, baños, y cocinas.

El uso de cámaras de grúa ofrece actualmente la tecnología más prometedora para detectar el progreso del trabajo en un sitio de construcción. Es más, si hay modelos BIM disponibles, la técnica se vuelve aún más precisa.

En resumen, Los métodos de visión artificial y aprendizaje profundo requieren datos que aún no están disponibles. Si la recopilación de datos y su posprocesamiento se pueden automatizar, la industria de la construcción dará un gran paso hacia un sistema de producción más industrializado.