• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  • Produtividade automatizada do canteiro de obras e monitoramento de qualidade

    Crédito:Aalto University

    Se você deseja melhorar a produtividade e a qualidade das obras, você precisa de uma maneira eficiente de monitorar o progresso e detectar problemas de qualidade diariamente. O projeto Reality Capture (RECAP) da Aalto University examinou como os aplicativos de fotogrametria e aprendizado de máquina poderiam ser usados ​​para esse fim.

    O projeto Intelligent Construction Site (iCONS) da Aalto demonstrou como as ineficiências do processo se tornam visíveis quando os sensores IoT são usados ​​para rastrear as posições e movimentos de trabalhadores e materiais. Contudo, os pesquisadores ainda tinham que interpretar fotos e vídeos para determinar como os dados se correlacionavam com o cronograma de construção, planos, e modelos de design. O seguinte projeto - Reality Capture - foi concebido como um esforço para investigar se, e como, a coleta e interpretação de dados visuais podem ser automatizadas.

    O projeto RECAP foi financiado pela Business Finland, Aalto University, e um consórcio de cinco empresas, incluindo as empresas de construção Fira e YIT e o fabricante de concreto pré-moldado e pré-fabricado Rudus. Os dois fornecedores de TI eram a Vionice, uma empresa de visão computacional, e Umbra, um desenvolvedor de software gráfico.

    O projeto divulgou seu relatório final em 30 de janeiro, 2020, com algumas descobertas interessantes sobre a viabilidade das tecnologias atuais na automação do monitoramento visual do canteiro de obras.

    Os desafios da produção e do controle de qualidade na construção

    A equipe de pesquisa RECAP começou com uma rodada de entrevistas com as empresas do consórcio e uma seleção de empreiteiros da Califórnia, Brasil, e China.

    Todos os entrevistados foram unânimes quanto às dificuldades inerentes à obtenção de dados precisos e em tempo real de um canteiro de obras. Consequentemente, os gerentes lutam para manter os trabalhadores engajados nas tarefas certas, no tempo certo. Como resultado, os trabalhadores podem se apressar em assumir tarefas não planejadas, o que muitas vezes resulta em um trabalho incompleto que deve ser finalizado mais tarde às pressas.

    Parece ser uma prática comum que tanto a produção quanto o controle de qualidade sejam executados manualmente. No Brasil, especificamente, a inspeção de qualidade é cara e os inspetores treinados são escassos. Este, junto com a relutância em relatar problemas de qualidade, leva a uma variação excessiva na qualidade.

    Os profissionais entrevistados concordam que o monitoramento do progresso e da produtividade requerem melhores soluções, especialmente para instalações MEP. Além disso, a comparação entre o que está planejado e o que foi construído ainda é árdua. Algumas empresas estão testando um software que pode comparar automaticamente nuvens de pontos e construir modelos de informação, mas a tecnologia ainda está em sua infância.

    Detecção Automática de Progresso do Trabalho

    O consórcio do projeto escolheu cinco casos de uso específicos. Três estudos exploraram as possibilidades de monitoramento automatizado do progresso e dois focaram nas inspeções de qualidade.

    Os dois projetos de Fira usaram fotos que os trabalhadores registraram durante a reforma do encanamento de um conjunto de sete banheiros e seis cozinhas. O objetivo do teste era determinar se a análise automatizada do andamento do trabalho seria possível usando as fotos. Nesse caso, o gerente do local pode usar os dados para monitorar remotamente o progresso e tomar as decisões de planejamento e gerenciamento necessárias.

    A equipe de pesquisa desenvolveu um sistema de inspeção de progresso que processou lotes de fotos associadas a dados de localização e hora. O núcleo do sistema era uma solução de aprendizado de máquina que usava fotos gravadas em um aplicativo Android feito sob medida. O sistema foi projetado para utilizar pares de fotos consecutivas do canteiro de obras. Os pesquisadores ficaram satisfeitos em saber que o sistema foi capaz de atingir um bom nível de precisão na determinação do andamento dos trabalhos de construção.

    No terceiro projeto, YIT usou um sistema de câmera de guindaste desenvolvido pela Pix4D. O sistema gera imagens 2-D e nuvens de pontos 3-D do canteiro de obras. Os pesquisadores usaram dois algoritmos alternativos para gerar modelos de reconhecimento automatizado do progresso na construção de lajes de concreto. Os resultados da análise baseada em IA foram, surpreendentemente, 100% preciso.

    Inspeções de qualidade automatizadas

    Outro projeto YIT explorou a viabilidade de inspeções automatizadas de qualidade de molduras de portas em um projeto habitacional. Os trabalhadores fizeram gravações de vídeo de cada apartamento concluído, e um processo automatizado determinou - a partir das imagens - se a qualidade das molduras era aceitável. Isso provou ser uma tarefa difícil, pois não havia exemplos de baixa qualidade suficientes para treinar o sistema adequadamente. Com mais material, a inspeção seria bastante utilizável em situações da vida real.

    O quinto projeto ocorreu em uma planta de fabricação de escadas pré-fabricadas de Rudus. A intenção era determinar se os vergalhões da escada foram montados conforme especificado no modelo de informações de construção. Os pesquisadores usaram um mini-PC e uma câmera acoplada a uma ponte rolante. Os dados de imagem coletados por esta configuração foram enviados a um servidor Aalto e colocados sobre um modelo BIM pré-processado da escada. Um inspetor pode examinar o modelo e os dados de progresso de reforço por meio de um navegador da web na plataforma de nuvem da Umbra.

    Os pesquisadores descobriram que a detecção do vergalhão era realmente viável, mas devido ao número relativamente pequeno de imagens rotuladas de alta qualidade, não atingiu precisão suficiente neste projeto.

    O futuro da AR e IA no monitoramento e controle de construção

    Além dos estudos de caso piloto descritos anteriormente, A RECAP criou um aplicativo experimental de realidade aumentada para uso no local. O aplicativo oferece uma interface visual para processamento de dados de imagem baseado em nuvem baseado em IA. Ele atende às três necessidades que os empreiteiros determinaram como as mais críticas quando solicitadas durante o projeto:1) relatar sobre o progresso da renovação e monitoramento da produtividade, 2) para sinalizar quaisquer defeitos, e 3) compartilhar informações com colegas. O aplicativo anuncia o tipo de ferramenta que veremos mais no futuro em canteiros de obras.

    Os pesquisadores envolvidos no projeto Reality Capture concluíram que é tecnicamente viável o uso de IA, nuvens de pontos, e imagens no monitoramento e controle do andamento das obras. Ainda, eles consideraram a coleta de dados como o gargalo do processo. Sem dados suficientes, algoritmos de aprendizagem não serão suficientemente precisos para uso em larga escala.

    Câmeras montadas em capacetes de 360 ​​graus possivelmente virão em seu socorro, mas mesmo eles exigem muito trabalho de etiquetagem manual. Implementações comerciais são mais fáceis em interiores repetitivos, por exemplo, em quartos de hotel, banheiros, e cozinhas.

    O uso de câmeras de guindaste oferece atualmente a tecnologia mais promissora para detectar o andamento da obra em um canteiro de obras. Além disso, se os modelos BIM estiverem disponíveis, a técnica se torna ainda mais precisa.

    Resumindo, a visão de máquina e os métodos de aprendizado profundo requerem dados que ainda não estão prontamente disponíveis. Se a coleta de dados e seu pós-processamento podem ser automatizados, a indústria da construção dará um grande passo em direção a um sistema de produção mais industrializado.


    © Ciência https://pt.scienceaq.com