Auf IT gebaut - Bauberufe mit Zukunft

Der Nachwuchspreis für innovative, digitale Lösungen in der Bauwirtschaft

Die Preisträger im </br>Bereich Baubetriebswirtschaft2020Die Preisträger im
Bereich Baubetriebswirtschaft

Die Preisträger im Bereich Baubetriebswirtschaft

1. Platz: Dennis Pawlowski | Ruhr-Universität Bochum
     Tracking von Bauarbeitern auf Baustellen

Auf Baustellen teilen sich Baufachkräfte und der Baukran einen Arbeitsbereich. Sie verrichten gemeinsam einen Arbeitsauftrag. Beim Manövrieren der Kranlast kann die kranführende Person aufgrund existierender toter Winkel unaufmerksame Bauarbeiterinnen und Bauarbeiter übersehen und mit der Ladung zusammen treffen. Dabei verläuft zumeist der entstandene Unfall schwerwiegend. Eine Reduzierung des Unfallrisikos wäre möglich, in die Kranführerin oder der Kranführer Informationen über den Aufenthaltsort von jeder Bauarbeiterin und von jedem Bauarbeiter erhält, der sich in Krannähe befindet.

Dadurch können bestimmte Gefahren im Voraus erkannt werden. Die Masterarbeit beschreibt eine Implementierung eines Tracking-Algorithmus, welches für stationär befestigte Kameras auf einem Kran vorgesehen ist. Für das System werden Algorithmen aus dem Bereich Computer Vision und maschinelles Lernen eingesetzt, um eine Baufachkraftaus der Vogelperspektive zu detektieren. Zusätzlich wird die Laufrichtung einer Arbeitskraftgeschätzt und mit einem Pfeil gekennzeichnet, womit eine vorausschauende Gefahrenerkennung erfolgen kann. Ein Datensatz, der aus der Vogelperspektive aufgenommene Kolleginnen und Kollegen auf der Baustelle beinhaltet, wird herangezogen, um in mehreren Experimenten diverse Trainings- und Tracking-Parameter zu variieren und zu testen.

Das Ziel ist ein robustes und genaues Tracking zu erreichen. Ermöglicht wird dies, in dem eine Auswertung des Klassifikators mithilfe von Receiver Operating Characteristics (ROC)-Kurven stattfindet. Anschließend werden bereits im Video manuell markierte Baufachkräfte mit automatisch generierten Markierungen, die der Tracking-Algorithmus anlegt, verglichen und bewertet.

      Mehr Infos als PDF-Download >> hier.


2. Platz: Lars Hühnken | Technische Universität München
     „MindWall“

Auf Baustellen teilen sich Baufachkräfte und der Baukran einen Arbeitsbereich. Sie verrichten gemeinsam einen Arbeitsauftrag. Beim Manövrieren der Kranlast kann die kranführende Person aufgrund existierender toter Winkel unaufmerksame Bauarbeiterinnen und Bauarbeiter übersehen und mit der Ladung zusammen treffen. Dabei verläuft zumeist der entstandene Unfall schwerwiegend. Eine Reduzierung des Unfallrisikos wäre möglich, in die Kranführerin oder der Kranführer Informationen über den Aufenthaltsort von jeder Bauarbeiterin und von jedem Bauarbeiter erhält, der sich in Krannähe befindet. Dadurch können bestimmte Gefahren im Voraus erkannt werden.

Die Masterarbeit beschreibt eine Implementierung eines Tracking-Algorithmus, welches für stationär befestigte Kameras auf einem Kran vorgesehen ist. Für das System werden Algorithmen aus dem Bereich Computer Vision und maschinelles Lernen eingesetzt, um eine Baufachkraftaus der Vogelperspektive zu detektieren. Zusätzlich wird die Laufrichtung einer Arbeitskraftgeschätzt und mit einem Pfeil gekennzeichnet, womit eine vorausschauende Gefahrenerkennung erfolgen kann. Ein Datensatz, der aus der Vogelperspektive aufgenommene Kolleginnen und Kollegen auf der Baustelle beinhaltet, wird herangezogen, um in mehreren Experimenten diverse Trainings- und Tracking-Parameter zu variieren und zu testen.

Das Ziel ist ein robustes und genaues Tracking zu erreichen. Ermöglicht wird dies, in dem eine Auswertung des Klassifikators mithilfe von Receiver Operating Characteristics (ROC)-Kurven stattfindet. Anschließend werden bereits im Video manuell markierte Baufachkräfte mit automatisch generierten Markierungen, die der Tracking-Algorithmus anlegt, verglichen und bewertet.

      Mehr Infos als PDF-Download >> hier.


3. Platz: Xia Zhongxin | Karlsruher Institut für Technologie (KIT)
     Untersuchungen von „Machine Learning“ in der Bauwirtschaft

Machine Learning gilt als Schlüsseltechnologie zur Automatisierung und Digitalisierung des Bauens. Diese Arbeit untersucht die Anwendungsfälle von Machine Learning in der Bauprojektierung und -ausführung und zeigt diese an zwei Fallbeispielen. Das erste Fallbeispiel betrachtet die Bauprojektierung: Hier sollen mit Machine Learning Projektkosten und die Projektdauer anhand von Bestandsdaten prognostiziert werden. Im zweiten Fallbeispiel wird innerhalb der Bauausführung eine Baufortschrittsanalyse durch Bilderkennung aufgenommen.

Die Prognose von Projektkosten oder Projektdauer ist eigentlich eine Aufgabe über multiple lineare Regression (MLR): Die Projektkosten oder Projektdauer ist die Zielvariable, die Einflussfaktoren sind unabhängige Variablen. Algorithmen müssen die Regressionskoeffizienten schätzen. Um Bias zu minimieren, werden Ensemblemethoden angewandt. Sie nutzen verschiedenen Lernalgorithmen, um bessere Ergebnisse zu erhalten. EinneuronalesNetzwerk wurde ebenfalls erprobt. In der Bauausführung können Anzahl und Fläche von Objekten als Indikatoren betrachtet werden. Durch Vergleich der Anzahl oder Fläche in Ist-Zustand und Soll-Zustand, können Baufortschritte analysieren werden.

Um bekannte Objekte innerhalb eines Drohnenbildes zu detektieren und zählen, wurde der Algorithmus Mask R-CNN trainiert und modifiziert. Darüber hinaus kann Mask R-CNN Objekte farbigen Masken zuordnen. Die Pixel von Masken und digitalem Bild werden durch MATLAB gezählt. Die Fläche des Gebiets kann sich durch Google Earth bemessen lassen. Schließlich ist die Fläche von Objekten nach folgender Formel bestimmbar.

      Mehr Infos als PDF-Download >> hier.