Светлана Евгеньевна Манжилевская — кандидат технических наук, доцент, доцент кафедры технологий и организации строительства
344001, г. Ростов-на-Дону, пл. Гагарина, д. 1
Scopus: 57194619278, ResearcherID: АAB-6899-2021
Svetlana E. Manzhilevskaya — Candidate of Technical Sciences, Associate Professor, Associate Professor of the Department of Construction Technologies and Organization
1 Gagarin square, Rostov-on-Don, 344001
Scopus: 57194619278, ResearcherID: АAB-6899-2021
Введение. Современная строительная индустрия активно использует сквозные технологии для оценки производительности труда рабочих-строителей, снижая показатели брака готовой продукции. Инновационные подходы повышают эффективность контроля действий рабочих. Применение технологий компьютерного зрения, видеоаналитики и алгоритмов машинного обучения может повысить объективность оценки производительности труда на строительных площадках.
Материалы и методы. Разработанная автоматизированная система анализа действий рабочих для контроля производительности труда на строительных объектах включает модуль распознавания действий и поз строителей, блок классификации действий и компонент для выделения ключевых точек. Платформа MediaPipe с моделью BlazePose идентифицирует 33 анатомические точки на теле для оценки позы строителя. Система компьютерного зрения обеспечивает непрерывный мониторинг и точное распознавание движений. Технология обеспечивает непрерывное распознавание рабочего даже при временной потере визуального контакта, создается база данных с характеристиками работников для аналитических целей. Применение автоматизированной системы исключает необходимость учитывать временной фактор при анализе сведений, что повышает эффективность процесса и позволяет сосредоточиться на элементах сцены. Разбивая запись на логические отрезки, исследуется каждый элемент рабочего процесса. Рекуррентные нейросети LSTM оптимизируют анализ действий рабочих.
Результаты. Оценка эффективности автоматизированной системы произведена на тестовом видео реализации строительного процесса каменной кладки для определения точности и способности к обобщению. Точность идентификации действий строителя достигла 80,1%. В течение 46,5 с при общем хронометраже видео 58 с модель правильно распознает действия.
Выводы. Результаты проведенной работы доказывают эффективность передовой системы мониторинга производительности труда в строительстве на основе технологий визуального распознавания. Система проводит комплексный мониторинг рабочих операций, оборудования и внешних условий на объекте. Алгоритмы и информационная база обеспечивают надежные измерения и возможности внедрения методики в строительное производство.
Introduction. The modern construction industry actively uses end-to-end technologies to assess the productivity of construction workers, reducing the number of defective products. Innovative approaches increase the effectiveness of monitoring workers’ actions on construction sites. The use of modern computer vision technologies, video analytics, and machine learning algorithms can improve the objectivity of assessing productivity on construction sites.
Materials and methods. The developed automated system for analyzing workers’ actions to control labour productivity at construction sites includes a module for recognizing workers’ actions and poses, an action classification unit, and a component for highlighting key points. The MediaPipe platform with the BlazePose model identifies 33 anatomical points on the body to assess the worker’s posture. The computer vision system provides continuous monitoring and accurate recognition of movements. The technology ensures continuous recognition of the worker, even when there is a temporary loss of visual contact, and creates a database with worker characteristics for analytical purposes. The use of an automated system eliminates the need to consider the time factor when analyzing data, which increases the efficiency of the process and allows you to focus on the elements of the scene. By dividing the recording into logical segments, each element of the workflow is examined. LSTM recurrent neural networks optimize the analysis of workers’ actions.
Results. The effectiveness of the automated system was evaluated using a test video of the masonry construction process to determine its accuracy and generalization capabilities. The accuracy of identifying the builder’s actions reached 80.1%. During a total of 46.5 seconds out of the 58-second video, the model correctly recognized the builder’s actions.
Conclusions. The results of the work carried out prove the effectiveness of an advanced system for monitoring labour productivity in construction based on visual recognition technologies. The system provides comprehensive monitoring of work operations, equipment, and external conditions at the facility. The algorithms and information base ensure reliable measurements and the possibility of implementing the methodology in construction production.
The authors declare that there are no conflicts of interest present.