基于深度學(xué)習(xí)三維重建技術(shù)的建筑施工進度管理自動化系統(tǒng)構(gòu)建

蘇陽　毛超　郭鵬飛

摘要：隨著建筑工程項目管理復(fù)雜程度的不斷提升，越來越多自動化、智能化的施工進度方法受到傳統(tǒng)管理領(lǐng)域的關(guān)注。然而受到成本高昂且使用復(fù)雜等限制，現(xiàn)有的主流方法難以適用于復(fù)雜的建筑施工進度管理場景。通過對比各類三維重建技術(shù)特點，搭建了基于深度學(xué)習(xí)三維重建技術(shù)的建筑施工進度協(xié)同管理自動化系統(tǒng)（DLR-P），利用高速攝像頭采集施工現(xiàn)場實時圖像信息，完成由二維信息到三維信息的重建，并結(jié)合BIM動態(tài)模型技術(shù)實現(xiàn)對建筑施工進度的自動化管控。以重慶市巴南區(qū)某項目施工現(xiàn)場為例對系統(tǒng)進行實證研究，并對系統(tǒng)運行過程中的各項數(shù)據(jù)進行驗證分析。結(jié)果表明：DLR-P系統(tǒng)平均三維重建時間為61 s，滿足基本進度管理需求，能夠?qū)崿F(xiàn)建筑施工進度自動化管理，有效提升建筑施工進度管理效率。相較于目前已有的管理方式，其在運行成本及使用便捷性方面均表現(xiàn)出較大優(yōu)勢。

關(guān)鍵詞：深度學(xué)習(xí)；三維重建；施工進度管理；智能建造

中圖分類號：TU712? ? ?文獻標(biāo)志碼：A? ? ?文章編號：2096-6717（2024）01-0173-09

Collaborative management of construction schedule based on deep learning 3D reconstruction technology

SU Yang， MAO Chao， GUO Pengfei

（School of Management Science and Real Estate， Chongqing University， Chongqing 400045， P. R. China）

Abstract： With the increasing complexity of construction project management， more and more automatic and intelligent construction schedule management methods are concerned by the traditional management. However， the existing mainstream methods are limited by high cost and complex use， which are difficult to apply to intricate construction schedule management scenarios. By comparing the characteristics of various kinds of 3D reconstruction technology， this study built a collaborative management system of construction schedule based on deep learning 3D Reconstruction Technology （DLR-P）. By collecting the real-time image information of the construction site， the system completes the reconstruction from 2D information to 3D， and realizes the automatic control of the construction progress combined with BIM dynamic model technology. In view of the system， this study conducted a case study in the construction site of a project in Banan District of Chongqing， and analyzed the data in the process of system operation. The results show that the average 3D reconstruction time of construction schedule collaborative management system （DLR-P） based on deep learning is 61 seconds， which can meet the basic schedule management requirements， realize the automatic management of construction schedule， and effectively improve the efficiency. Compared with the existing mode， it has great advantages in the operation cost and convenience.

Keywords： deep learning； 3D reconstruction； construction schedule management； intelligent construction

建筑工程施工進度管理貫穿施工的全生命周期，是保證施工項目中人工、材料和機械設(shè)備有序運轉(zhuǎn)的基礎(chǔ)[1]。然而，建筑項目的日益復(fù)雜化、巨大化，以及當(dāng)前建筑施工進度管理的實際操作仍主要依賴傳統(tǒng)的人工管理方式等原因，導(dǎo)致施工進度管理效率低，造成工期延誤，產(chǎn)生成本超支及法律糾紛問題[2]。這一問題在發(fā)展中國家尤為嚴重，如2017年沙特市政和農(nóng)村事務(wù)部（MOMRA）公布的數(shù)據(jù)，約75%的公共建設(shè)項目超過了計劃時間[3]，而在尼日利亞、埃及、馬來西亞等國家，有約70%的建設(shè)項目工期延誤[4-6]。在中國，盡管建設(shè)工程進度很快，但卻并不是完全建立在對建筑施工進度的高效管理基礎(chǔ)上，而是主要通過增加勞動強度來實現(xiàn)[7-8]。因此，在智能建造時代背景下，如何高效實現(xiàn)建筑施工進度自動化監(jiān)控，提高施工進度，管理效率是一個亟待解決的問題。

1 研究背景

針對建筑施工進度自動化管理，已有學(xué)者結(jié)合各類技術(shù)進行了大量研究，然而已有研究難以滿足復(fù)雜的建筑施工管理實踐需求。已有研究主要集中在3個方面：基于BIM（Building Information Modeling）技術(shù)的管理方式[9-10]、基于RFID技術(shù)與BIM相結(jié)合的管理方式[11-12]以及結(jié)合三維重建技術(shù)的Scan to BIM管理方式[13-15]。如在進度管理方面，基于無人機搭載LiDAR技術(shù)并結(jié)合BIM技術(shù)，劉莎莎[16]進行了建筑施工進度的研究，實現(xiàn)了建筑施工現(xiàn)場室外進度自動監(jiān)控。Pu?ko等[17]提出了一種通過移動激光雷達重建技術(shù)和BIM-4D技術(shù)獲得的點云數(shù)據(jù)來識別已執(zhí)行的施工現(xiàn)場工作與計劃工作之間的偏差?，F(xiàn)有建筑施工進度自動化管理方式存在兩個方面的缺陷：其一，過高的設(shè)備依賴性造成管理成本高昂，如LiDAR造價普遍上萬美金，傾斜攝影法所需的無人機造價高昂且在使用期間還需支付較高的維護成本，導(dǎo)致難以在實際管理過程中應(yīng)用[18-20]。其二，自動化可操作性較差導(dǎo)致自動化水平較低，如LiDAR的使用對現(xiàn)場環(huán)境有較高要求[21]，而傾斜攝影法需要經(jīng)過訓(xùn)練的無人機專業(yè)人員操作、需要在特定航道工作且在實際操作中要考慮避障等復(fù)雜問題[22-23]，需要較高程度的人工參與。近年來，深度學(xué)習(xí)等人工智能技術(shù)在建筑工程領(lǐng)域逐漸體現(xiàn)出強大的生產(chǎn)力[24-25]，而結(jié)合人工智能技術(shù)的低成本、自動化、智能化的能夠適用于建筑施工現(xiàn)場環(huán)境的建筑施工進度管理方式尚待研究。

因此，筆者提出基于深度學(xué)習(xí)三維重建技術(shù)的建筑施工進度協(xié)同管理系統(tǒng)，并對該系統(tǒng)的有效性及實用性進行了案例研究。

2 基于深度學(xué)習(xí)三維重建技術(shù)的建筑施工進度協(xié)同管理系統(tǒng)搭建

為實現(xiàn)具備實時性、便捷性及經(jīng)濟性的建筑施工進度自動化管理，基于智能建造領(lǐng)域已有的建筑施工進度自動化管理框架提出了基于深度學(xué)習(xí)三維重建技術(shù)的建筑施工進度協(xié)同管理系統(tǒng)框架，如圖1所示，并對系統(tǒng)核心部分三維重建深度學(xué)習(xí)模型搭建以及系統(tǒng)運行流程進行了描述。

2.1 系統(tǒng)框架

基于深度學(xué)習(xí)三維重建技術(shù)的建筑施工進度協(xié)同管理系統(tǒng)框架由以下4個部分組成管理閉環(huán)。

1）施工現(xiàn)場信息。建筑施工現(xiàn)場信息作為框架的基礎(chǔ)數(shù)據(jù)，為管理閉環(huán)提供管理數(shù)據(jù)依據(jù)，系統(tǒng)采用高速攝像機傳感器對建筑施工現(xiàn)場進度三維信息進行采集，隨后再通過三維重建深度學(xué)習(xí)模型實現(xiàn)施工現(xiàn)場進度的數(shù)字化模型構(gòu)建。

2）施工進度三維重建模型。以施工現(xiàn)場實時采集到的多視圖圖片、相機內(nèi)參、相機外參及數(shù)據(jù)匹配信息為基礎(chǔ)，通過特征提取、構(gòu)造代價匹配、深度估計優(yōu)化及點云模型融合等技術(shù)流程獲得建筑施工現(xiàn)場的實際三維點云模型。

3）理想BIM施工進度模型。即建筑項目施工進行前由設(shè)計單位、施工單位及業(yè)主共同制定的預(yù)期BIM施工進度模型（既4D BIM模型），其中既包括施工過程中的三維信息，也包含施工過程中施工進度隨時間進程展開的進度信息。這一部分信息在施工開始前已經(jīng)制定完備，在施工進程中，通過該模型與2）中所獲得的點云模型進行交叉對比，獲得施工進度差異信息，進而生成相應(yīng)的施工現(xiàn)場資源調(diào)整意見。

4）施工現(xiàn)場資源信息。建筑施工進程中，現(xiàn)場管理人員基于3）過程中生成的施工現(xiàn)場資源調(diào)整意見，組織現(xiàn)場人工、材料、機械等資源進行響應(yīng)，以實現(xiàn)對于現(xiàn)場進度的調(diào)節(jié)目的，并在調(diào)節(jié)后動態(tài)調(diào)整理想BIM施工進度模型，以滿足總體進度需求。

2.2 三維重建深度學(xué)習(xí)模型

三維重建深度學(xué)習(xí)模型是系統(tǒng)的核心部分。DLR-P系統(tǒng)所使用的深度學(xué)習(xí)模型為Yaoyao等[26]提出的MVSNet。該方法為近年來提出的經(jīng)典三維重建方法，在取得良好重建效果的同時，也被作為基礎(chǔ)模型，延伸發(fā)展出了一系列深度學(xué)習(xí)模型[27-30]。

模型原理：MVSNet是一種監(jiān)督學(xué)習(xí)的方法，以一個參考影像和多張原始影像為輸入，從而得到參考影像深度圖的一種端到端的深度學(xué)習(xí)框架。網(wǎng)絡(luò)首先提取圖像的深度特征，然后通過可微分投影變換構(gòu)造3D的代價體，再通過正則化輸出一個3D的概率體，再沿深度方向求取深度期望，獲得參考影像的深度圖。最終將不同空間位置的深度信息相融合，從而構(gòu)造出物體的表面三維模型信息。

模型結(jié)構(gòu)：如圖2所示，按照其功能，MVSNet主要包括特征提取、構(gòu)造匹配代價、深度估計與優(yōu)化3個部分。其中，1）特征提?。褐竿ㄟ^神經(jīng)網(wǎng)絡(luò)提取的影像特征。經(jīng)過視角選擇之后，將已經(jīng)配對的若干張圖像即參考圖像和候選集輸入網(wǎng)絡(luò)模型，利用一個8層的二維卷積神經(jīng)網(wǎng)絡(luò)提取立體像對的深度特征，輸出32通道的特征圖。為防止輸入的圖像被降采樣后語義信息的丟失，臨近像素之間的語義信息已經(jīng)被編碼到此32通道的特征中，并且各個圖像提取過程的網(wǎng)絡(luò)權(quán)值共享。2）構(gòu)造匹配代價：該模型利用平面掃描算法[30]構(gòu)造參考圖像的匹配代價。在特征提取過程后，每張圖像可獲得一個對應(yīng)的特征圖，根據(jù)先驗的經(jīng)驗深度范圍，對于參考圖像以其主光軸方向進行掃描，將參考圖像按照某一深度間隔從最小深度至最大深度進行映射，可得到一個處于不同深度間隔的相機錐體，如圖2所示。將候選集中的特征圖映射到該相機錐體中，通過投影變換，若干張圖像可形成對應(yīng)個數(shù)的特征體，這個特征體就是匹配代價的表示。最后，通過構(gòu)造一個由長、寬與參考影圖像長、寬一樣的代價圖在深度方向連接而成的三維結(jié)構(gòu)作為代價體，實現(xiàn)MVSNet的代價累積。3）深度估計與優(yōu)化：MVSNet的深度估計是通過深度神經(jīng)網(wǎng)絡(luò)直接學(xué)習(xí)得到的。網(wǎng)絡(luò)訓(xùn)練方法為輸入代價體和對應(yīng)的深度圖真值，利用SoftMax函數(shù)回歸每一個像素在深度θ處的概率值，以此完成從代價到深度值的學(xué)習(xí)過程。最終模型生成的深度圖與RGB圖像即可融合為點云模型。

模型訓(xùn)練：為使該模型適用于建筑施工現(xiàn)場場景，通過遷移學(xué)習(xí)方式對原始模型進行針對建筑施工各類場景重建的訓(xùn)練。模型訓(xùn)練過程中除采用包含圖像數(shù)據(jù)、相機參數(shù)、匹配數(shù)據(jù)共計10 000余項數(shù)據(jù)在內(nèi)的主流三維重建數(shù)據(jù)集DTU[31]數(shù)據(jù)集外，還針對選取部分建筑施工現(xiàn)場場景進行訓(xùn)練，最終獲得適用于建筑施工現(xiàn)場場景的三維重建模型。

2.3 DLR-P系統(tǒng)運行流程

基于深度學(xué)習(xí)三維重建技術(shù)的建筑施工進度協(xié)同管理系統(tǒng)的主要運行步驟如下：

1）理想BIM模型搭建。在運行DLR-P系統(tǒng)前，應(yīng)就工程項目任務(wù)目標(biāo)、工程特點及項目環(huán)境等條件搭建施工項目的BIM模型。模型應(yīng)包含項目的三維信息、預(yù)期進度信息、預(yù)期成本信息、人工需求信息、材料出入場信息、機械設(shè)備需求信息等。

2）協(xié)同系統(tǒng)搭建。系統(tǒng)搭建主要包括信息采集模塊和后臺處理模塊兩部分。信息采集模塊指需根據(jù)不同項目要求，將相機傳感器安置在施工現(xiàn)場所需位置，若干傳感器組成陣列，對各類施工現(xiàn)場進度管控目標(biāo)進行實時外觀數(shù)據(jù)采集。后臺處理模塊包括由高性能計算機組構(gòu)成的數(shù)據(jù)處理部分和由高清顯示器組成的進度管理圖形化部分。上述兩個模塊間由無線局域網(wǎng)絡(luò)連接，實現(xiàn)通信。

3）系統(tǒng)運行。確保系統(tǒng)各部分搭建完成后，將系統(tǒng)各部分鏈接在同一局域網(wǎng)環(huán)境下，設(shè)置圖像傳感器抓取角度和抓取周期。隨著施工進度發(fā)展，確保系統(tǒng)實時運行及傳感器組能夠抓取到不同適宜角度的目標(biāo)圖像。

施工現(xiàn)場采集到的圖像數(shù)據(jù)由無線網(wǎng)絡(luò)傳入后臺，首先利用Colmap軟件進行稀疏重建計算相機位姿匹配信息等數(shù)據(jù)，隨后通過MVSNet三維重建深度學(xué)習(xí)模型，生成對應(yīng)場景的點云模型。系統(tǒng)后臺將點云模型導(dǎo)入Revit軟件，與BIM理想模型進行尺寸對比，根據(jù)施工進度點云模型與理想BIM模型進度計劃對比計算，最終系統(tǒng)在圖形化顯示器中輸出當(dāng)前進度進展情況及相應(yīng)的施工現(xiàn)場調(diào)控意見。

4）施工進度調(diào)整。根據(jù)DLR-P系統(tǒng)輸出的調(diào)控意見，現(xiàn)場管理人員對施工現(xiàn)場各相關(guān)工序的人員安排、材料進出及機械設(shè)備使用等進行統(tǒng)一調(diào)配，優(yōu)化施工進度管理。

5）模型調(diào)整。將現(xiàn)場進行的人員安排、材料進出及機械設(shè)備使用等主動調(diào)節(jié)信息輸入到理想BIM模型中，根據(jù)工期、成本等項目要求，對后續(xù)項目施工工作進行調(diào)整優(yōu)化，形成系統(tǒng)內(nèi)信息的及時反饋閉環(huán)。

3 案例分析

3.1 案例背景

為驗證提出的DLR-P系統(tǒng)的可行性，在重慶市巴南區(qū)某建筑施工項目現(xiàn)場進行實地驗證。該項目為民用住宅類項目，建設(shè)面積50 000 m2，建設(shè)周期2.5 a，總投資21億元人民幣。

3.2 案例研究設(shè)計

為便于研究與試驗實施，選取外墻腳手架施工、外墻防護網(wǎng)施工、外墻涂料施工3項常見施工工序進行研究。具體案例試驗流程如圖3所示。

系統(tǒng)布置：首先按照工程與其建設(shè)目標(biāo)搭建理想BIM模型，隨后將圖像傳感器布置在目標(biāo)位置并搭建DLR-P系統(tǒng)處理后臺及系統(tǒng)總控制臺。

模型對比：將理想BIM模型轉(zhuǎn)換為點云形式，并利用點云配準(zhǔn)技術(shù)與系統(tǒng)生成的施工現(xiàn)場實際點云模型進行工序交叉比對。通過面積、體積等指標(biāo)確定項目施工現(xiàn)場進度是否與預(yù)期進度相同，隨后輸出工序比對結(jié)果到總控制臺進行處理。

施工計劃調(diào)整：根據(jù)工序?qū)Ρ冉Y(jié)果，以項目流水施工為原則對施工人員、施工材料以及施工機械進行重新配置，形成新的施工計劃，并將計劃信息傳回系統(tǒng)總控制臺。

現(xiàn)場資源響應(yīng)：根據(jù)系統(tǒng)總控制臺的調(diào)度意見，現(xiàn)場施工人員、材料和施工機械進行響應(yīng)，實現(xiàn)建筑施工現(xiàn)場進度與理想進度的協(xié)同管理，并將調(diào)整后的理想BIM模型信息反饋至系統(tǒng)總控制臺，形成管理閉環(huán)。

3.3 運行結(jié)果

基于系統(tǒng)高速攝像頭對建筑工程施工現(xiàn)場實時場景各角度圖像數(shù)據(jù)的采集（如圖4所示），DLR-P系統(tǒng)對項目施工現(xiàn)場的實時場景進行自動分析，并分別全自動獲得3項施工工序的以點云模型為展現(xiàn)形式的實際進度情況，如圖5所示。通過點云模型與BIM理想模型點云進行數(shù)據(jù)交叉對比，自動算得實際施工進度與預(yù)期理想進度的直接差異。

進度對比。通過將轉(zhuǎn)化為點云格式的理想BIM模型（含三維信息、施工進度及成本計劃信息）與基于深度學(xué)習(xí)的三維重建技術(shù)自動識別的工程現(xiàn)場實際三維點云模型進行對比，得出施工現(xiàn)場進度相對各項計劃的差異，如表1所示。在此基礎(chǔ)上，DLR-P系統(tǒng)對施工現(xiàn)場計劃自動進行調(diào)整，以適應(yīng)總工期進度需求，并根據(jù)工程量與工期自動提供現(xiàn)場人工、材料及機械資源響應(yīng)意見。

運行速度。為實現(xiàn)建筑工程DLR-P系統(tǒng)的實時自動化管理，對各類場景的三維重建過程所消耗的時間進行記錄，如表2所示。運行速度是指從高速相機獲取圖像的時刻開始，直至系統(tǒng)輸出最終點云模型時刻為止所需的時間。然而，由于三維重建過程主要涉及稀疏重建和稠密重建兩部分，其各自消耗的時間與重建相關(guān)圖像數(shù)量、圖像分辨率、系統(tǒng)后臺算力及圖像的復(fù)雜程度等眾多因素相關(guān)，因此，案例研究中所記錄的系統(tǒng)運行速度僅代表相關(guān)場景三維重建所需的平均速度。運行成本。如表3所示，DLR-P系統(tǒng)實現(xiàn)了無需人工的全自動施工進度管控，主要運行成本由系統(tǒng)后臺和系統(tǒng)傳感器兩部分硬件成本組成，其硬件設(shè)備成本僅33 000元。而以無人機方法為基礎(chǔ)的管理方式實現(xiàn)硬件成本約為370 000元，基于手持LiDAR設(shè)備的實現(xiàn)方式則成本更高，約為820 000元。案例研究過程中，僅對項目的部分施工內(nèi)容進行了研究，因此，若對項目整體進行管控，則DLR-P系統(tǒng)的布設(shè)成本較以上數(shù)據(jù)更高，原因主要是由于攝像頭傳感器數(shù)量的增加。然而，相對其他兩種進度管理實現(xiàn)方式，本文所提出的DLR-P系統(tǒng)仍具有顯著成本優(yōu)勢。

3.4 討論

在對DLR-P系統(tǒng)的案例研究過程中，基于深度學(xué)習(xí)三維重建技術(shù)的建筑施工進度協(xié)同管理方式展現(xiàn)出三點顯著優(yōu)勢。

1）自動高效。相較于傳統(tǒng)建筑施工現(xiàn)場依賴人工巡場的施工進度管理方式，本文提出的管理方式極大地提升了管理效率，實現(xiàn)了全過程無人化運行，從而在降低現(xiàn)場管理人員勞動強度的同時，實現(xiàn)了更加客觀的現(xiàn)場進度監(jiān)控，摒除了人工管理過程中的各類影響因素。

2）成本經(jīng)濟。相較于目前已有的“無人機+BIM”和“LiDAR+BIM”的自動化管理方式，本文提出的管理方式極大地壓縮了系統(tǒng)布置所需的成本，具有更高的推廣價值和實用價值。此外，在低廉的系統(tǒng)自身成本控制的同時，該方法還能夠從節(jié)約人工成本、降低施工進度因素導(dǎo)致的返工浪費及優(yōu)化人員、材料、機械進場配置等角度提升建筑施工項目的經(jīng)濟效益。

3）應(yīng)用便捷。建筑施工項目的進度管理是一項貫穿于項目施工全階段的工作，具有長期性和動態(tài)性兩個重要特征，因此，實現(xiàn)進度管理的自動化、智能化方式必須能夠適用于在各類變化的施工場景中展開工作。相較于基于無人機或LiDAR設(shè)備的方式，以高速攝像頭為數(shù)據(jù)采集方式的自動化進度管控系統(tǒng)更加便于使用。在項目進度管控過程中，無需訓(xùn)練無人機操作人員以及為避免碰撞而設(shè)置復(fù)雜的循行路線，也無需考慮現(xiàn)場特殊位置無法架設(shè)掃描儀器的限制，極大解放系統(tǒng)信息采集能力的同時，最大程度降低了進度管理工作對于各項施工工序的影響。

然而，在處理復(fù)雜多變的建筑施工現(xiàn)場環(huán)境場景過程中，基于深度學(xué)習(xí)三維重建技術(shù)的建筑施工進度協(xié)同管理方式也暴露出兩處不足。

1）精度不足。提出的施工進度管理方式其技術(shù)基礎(chǔ)是通過深度學(xué)習(xí)模型對自然光線條件下同一物體在不同視角中的視覺深度推測構(gòu)建三維模型實現(xiàn)的。因此，相對于LiDAR等激光掃描設(shè)備，受光照條件等影響，該方法的數(shù)據(jù)基礎(chǔ)具有較大的不確定性。在案例研究過程中，以該方法獲得的點云模型能夠?qū)崿F(xiàn)對于較大尺寸場景的重建工作，但對于細節(jié)眾多而復(fù)雜且特征區(qū)別對比不強的場景（如鋼筋綁扎場景）重建效果較差，因而限制了其在更加復(fù)雜場景中的應(yīng)用潛力。如圖6所示，相對較大尺寸的外立面防護網(wǎng)及尺寸適中的門洞模板重建工作，鋼筋綁扎工作的重建效果明顯不足。

2）重建速度較慢。建筑施工現(xiàn)場時刻處于動態(tài)變化過程中，為合理高效地對項目施工進度進行控制與優(yōu)化，管理方式應(yīng)具備快速重建的能力。然而，限制于算力條件等因素，在案例研究過程中，該方法平均重建用時61 s，未能符合實時重建效果的需求。在實際應(yīng)用過程中，系統(tǒng)所實現(xiàn)的重建已能夠滿足基礎(chǔ)施工進度管理需求，但面對規(guī)模更大、更加精細化、更加復(fù)雜化的施工進度管理任務(wù)時，重建速度仍需進一步提升。針對這一限制點，解決的路徑主要有兩個方向：其一，從硬件角度考慮，發(fā)展具有更加強大算力的方式；其二，優(yōu)化重建模型，降低權(quán)重參數(shù)數(shù)量，以獲得更好的輕量化模型。

4 結(jié)論

基于深度學(xué)習(xí)框架建立了基于深度學(xué)習(xí)三維重建技術(shù)的建筑施工進度協(xié)同管理系統(tǒng)，且通過工程案例分析，驗證了DLR-P系統(tǒng)的可行性，通過對比不同環(huán)境條件，得到以下主要結(jié)論：

1）基于深度學(xué)習(xí)的三維重建技術(shù)能夠適用于建筑施工現(xiàn)場的實時進度管理工作，結(jié)合BIM技術(shù)能夠?qū)崿F(xiàn)對于建筑施工項目現(xiàn)場進度的自動化、智能化管理。相較基于LiDAR激光掃描技術(shù)或無人機傾斜攝影等技術(shù)實現(xiàn)的建筑施工進度自動化管理，該方法更加適合工程實際應(yīng)用，具有更強的現(xiàn)場施工條件適用性，且能夠與目前施工現(xiàn)場實踐中已有的智能化傳感器有效融合，具有較好的工程實踐前景。

2）在建筑施工進度管理工作中，基于深度學(xué)習(xí)的三維重建技術(shù)體現(xiàn)出良好的經(jīng)濟性。相對目前主流研究中的無人機方法或激光雷達方法等，由于僅需高速攝像頭作為傳感器采集數(shù)據(jù)，在設(shè)備成本、操作人工成本及現(xiàn)場配合成本等方面具有顯著優(yōu)勢。建筑施工進度的自動化、智能化管理貫穿施工全周期，該方法的經(jīng)濟性特征能夠較好地滿足施工管理單位成本敏感的特征。

3）雖然基于深度學(xué)習(xí)的三維重建技術(shù)在建筑施工進度管理工作中表現(xiàn)出良好的使用前景，但重建精度問題對其使用潛力造成了較大影響。尤其在對于精細尺寸場景的重建過程中，該方法表現(xiàn)出明顯偏高的重建損失，且耗時較長。若無相應(yīng)場景的技術(shù)改進，在建筑施工現(xiàn)場進度管理工作中則無法實現(xiàn)對于細致小尺寸場景的有效管理，同時也無法在該場景下擴展到其他管理實踐領(lǐng)域中。

參考文獻

[1]? 張建平， 王洪鈞. 建筑施工4D++模型與4D項目管理系統(tǒng)的研究[J]. 土木工程學(xué)報， 2003， 36（3）： 70-78.

ZHANG J P， WANG H J. A 4D++ site model and 4D management system for construction projects [J]. China Civil Engineering Journal， 2003， 36（3）： 70-78. （in Chinese）

[2]? HAMZAH N， KHOIRY M A， ARSHAD I， et al. Cause of construction delay - theoretical framework [J]. Procedia Engineering， 2011， 20： 490-495.

[3]? ALSULIMAN J A. Causes of delay in Saudi public construction projects [J]. Alexandria Engineering Journal， 2019， 58（2）： 801-808.

[4]? MOBBS G N. Speeding up construction [J]. The Quantity Surveyor， 1982， 38（1）： 2-3.

[5]? AZIZ R F， ABDEL-HAKAM A A. Exploring delay causes of road construction projects in Egypt [J]. Alexandria Engineering Journal， 2016， 55（2）： 1515-1539.

[6]? YAP J B H， GOAY P L， WOON Y B， et al. Revisiting critical delay factors for construction： Analysing projects in Malaysia [J]. Alexandria Engineering Journal， 2021， 60（1）： 1717-1729.

[7]? LI X D， FEI Y F， RIZZUTO T E， et al. What are the occupational hazards of construction project managers： A data mining analysis in China [J]. Safety Science， 2021， 134： 105088.

[8]? 加快推進新型建筑工業(yè)化 推動城鄉(xiāng)建設(shè)綠色高質(zhì)量發(fā)展——《關(guān)于加快新型建筑工業(yè)化發(fā)展的若干意見》解讀[EB/OL]. http：//www.mohurd.gov.cn/zxydt/202009/t20200907_247109.html.

[9]? 張建平， 范喆， 王陽利， 等. 基于4D-BIM的施工資源動態(tài)管理與成本實時監(jiān)控[J]. 施工技術(shù)， 2011， 40（4）： 37-40.

ZHANG J P， FAN Z， WANG Y L， et al. Resource dynamic management and cost real-time monitoring in building construction based on 4D-BIM [J]. Construction Technology， 2011， 40（4）： 37-40. （in Chinese）

[10]? CHEN J J， WU J， QU Y. Monitoring construction progress based on 4D BIM technology [J]. IOP Conference Series： Earth and Environmental Science， 2020， 455： 012034.

[11]? SHI W. Framework for integration of and RFID in steel construction [D]. Florida： The University of Florida， 2009.

[12]? SATTINENI A. A decision support framework for site safety monitoring using RFID and BIM [D]. Manchester： University of Salford， 2014

[13]? BOSCHé F， GUILLEMET A， TURKAN Y， et al. Tracking the built status of MEP works： Assessing the value of a scan-vs.- system [J]. Journal of Computing in Civil Engineering， 2013， 28（4）： 5014004.1-5014004.13.

[14]? KIM T H， WOO W， CHUNG K. 3D scanning data coordination and as-built- construction process optimization - utilization of point cloud data for structural analysis [J]. Architectural Research， 2019， 21： 111-116.

[15]? PARK J， CHEN J D， CHO Y K. Point cloud information modeling （PCIM）： An innovative framework for as-is information modeling of construction sites [C]//Construction Research Congress 2020. Tempe， Arizona. Reston， VA： American Society of Civil Engineers， 2020.

[16]? 劉莎莎. 點云數(shù)據(jù)與BIM集成的建筑物施工進度監(jiān)測技術(shù)方法[D]. 成都： 西南交通大學(xué)， 2019.

LIU S S. Building construction progress monitoring method based on the integration of 3D point cloud and BIM [D]. Chengdu： Southwest Jiaotong University， 2019. （in Chinese）

[17]? PU?KO Z， ?UMAN N， REBOLJ D. Automated continuous construction progress monitoring using multiple workplace real time 3D scans [J]. Advanced Engineering Informatics， 2018， 38： 27-40.

[18]? 鄭太雄， 黃帥， 李永福， 等. 基于視覺的三維重建關(guān)鍵技術(shù)研究綜述[J]. 自動化學(xué)報， 2020， 46（4）： 631-652.

ZHENG T X， HUANG S， LI Y F， et al. Key techniques for vision based 3D reconstruction： a review [J]. Acta Automatica Sinica， 2020， 46（4）： 631-652. （in Chinese）

[19]? YANG L， CHENG J C P， WANG Q. Semi-automated generation of parametric BIM for steel structures based on terrestrial laser scanning data [J]. Automation in Construction， 2020， 112： 103037.

[20]? ZHOU K， LINDENBERGH R， GORTE B， et al. LiDAR-guided dense matching for detecting changes and updating of buildings in Airborne LiDAR data [J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 162： 200-213.

[21]? PAN Y， HAN Y， WANG L， et al. 3D reconstruction of ground crops based on airborne LiDAR technology [J]. IFAC-PapersOnLine， 2019， 52（24）： 35-40.

[22]? FREIMUTH H， K?NIG M. Planning and executing construction inspections with unmanned aerial vehicles [J]. Automation in Construction， 2018， 96： 540-553.

[23]? GHEISARI M， ESMAEILI B. Applications and requirements of unmanned aerial systems （UASs） for construction safety [J]. Safety Science， 2019， 118： 230-240.

[24]? 馬彥彬， 李紅蕊， 王林， 等. 機器學(xué)習(xí)方法在滑坡易發(fā)性評價中的應(yīng)用（英文）[J]. 土木與環(huán)境工程學(xué)報（中英文）， 2022， 44 （1）：53-67.

MA Y B， LI H R， WANG L， Machine learning algorithms and techniques for landslide susceptibility investigation： Literature review [J]. Journal of Civil and Environmental Engineering， 2022， 44 （1）：53-67.（in Chinese）

[25]? DUNG C V， ANH L D. Autonomous concrete crack detection using deep fully convolutional neural network [J]. Automation in Construction， 2019， 99： 52-58.

[26]? YAO Y， LUO Z X， LI S W， et al. MVSNet： Depth inference for unstructured multi-view stereo [C]//Computer Vision - ECCV 2018， 2018.

[27]? LUO K Y， GUAN T， JU L L， et al. P-MVSNet： Learning patch-wise matching confidence aggregation for multi-view stereo [C]//2019 IEEE/CVF International Conference on Computer Vision （ICCV）. October 27 - November 2， 2019， Seoul， Korea （South）. IEEE， 2019： 10451-10460.

[28]? GU X D， FAN Z W， ZHU S Y， et al. Cascade cost volume for high-resolution multi-view stereo and stereo matching [C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. June 13-19， 2020， Seattle， WA， USA. IEEE， 2020： 2492-2501.

[29]? WEILHARTER R， FRAUNDORFER F. HighRes-MVSNet： A fast multi-view stereo network for dense 3D reconstruction from high-resolution images [J]. IEEE Access， 2021， 9： 11306-11315.

[30]? YU Z H， GAO S H. Fast-MVSNet： Sparse-to-dense multi-view stereo with learned propagation and gauss-Newton refinement [C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. June 13-19， 2020， Seattle， WA， USA. IEEE， 2020： 1946-1955.

[31]? Technical University of Denmark. DTU Robot Image Data Sets [DB/OL]. （2014） [2021-06-20]. http：//roboimagedata.compute.dtu.dk/？page_id=36

（編輯? 王秀玲）

收稿日期：2021?07?01

基金項目：中央高?；究蒲袠I(yè)務(wù)費社科專項交叉與應(yīng)用提升項目（2021CDJSKJC22）

作者簡介：蘇陽（1993- ），男，主要從事智能建造及智能城市領(lǐng)域研究，E-mail：suyang0627@163.com。

通信作者：毛超（通信作者），女，教授，博士生導(dǎo)師，E-mail：maochao1201@cqu.edu.cn。

Received： 2021?07?01

Foundation item： Special Cross and Application Improvement Project of Social Sciences for Basic Scientific Research Business Expenses of Central Universities （No.2021CDJSKJC22）

Author brief： SU Yang （1993- ）， main research interest： intelligent construction， E-mail： suyang0627@163.com.

corresponding author：MAO Chao （corresponding author）， professor， doctorial supervisor， E-mail： maochao1201@cqu.edu.cn.