Machine learning impact on the construction industry: A review of application possibilities

• Autorzy: Niemiro-Maźniak Judyta

Warianty tytułu

PL

Wpływ uczenia maszynowego na branżę budowlaną

• Języki publikacji: EN

Abstrakty

EN

The development of Artificial Intelligence (AI) technology has had a huge impact on technological progress in various industries. The complex construction industry is also a very important application area for AI, which is slowly but steadily developing. One of the main artificial intelligence tools that plays a key role in the technological development of construction is machine learning. The use of machine learning in the construction industry gives a number of possibilities, such as automatic detection of objects, defects or anomalies, construction supervision, as well as intelligent protection of structures. The paper explains the issue of machine learning, including deep learning and presents its division. Based on the literature review, examples are given of the use of deep learning in the construction industry in terms of safety on the construction site and defect detection in construction objects. KEYWORDS: artificial intelligence; machine learning; deep learnin

PL

Rozwój technologii sztucznej inteligencji (AI) wywarł ogromny wpływ na postęp technologiczny w różnych gałęziach przemysłu. Złożona branża budowlana jest również bardzo istotnym obszarem zastosowania AI, która powoli, ale w sposób ciągły rozwija się. Jednym z głównych narzędzi sztucznej inteligencji odgrywający kluczową rolę w technologicznym rozwoju budownictwa jest uczenie maszynowe. Wykorzystanie uczenia maszynowego w branży budowlanej daje szereg możliwości, takich jak automatyczne wykrywanie obiektów, defektów czy anomalii, nadzór budowy, a także inteligentnego zabezpieczania konstrukcji. W pracy wyjaśniono zagadnienie uczenia maszynowego, w tym głębokiego uczenia się, oraz przedstawiono jego podział. Na podstawie przeglądu literatury wskazano przykłady zastosowania głębokiego uczenia się w branży budowlanej w aspekcie bezpieczeństwa na placu budowy oraz wykrywania defektów w obiektach budowlanych.

Słowa kluczowe

EN

artificial intelligence; machine learning; deep learning

PL

sztuczna inteligencja; uczenie maszynowe; głębokie uczenie

• Wydawca: Wydawnictwo Politechniki Częstochowskiej
• Czasopismo: Zeszyty Naukowe Politechniki Częstochowskiej. Budownictwo
• Rocznik: 2023
• Tom: Z. 29 (179)
• Strony: 98--103
• Opis fizyczny: Bibliogr. 16 poz., rys.

Twórcy

autor

Niemiro-Maźniak Judyta

• Czestochowa University of Technology, Faculty of Civil Engineering, ul. Akademicka 3, 42-218 Częstochowa, Poland

• https://orcid.org/0000-0001-6808-7067

Bibliografia

• 1. Sharafi P., Teodosio B., Shringi A., Mendis P., Artificial intelligence and smart vision for building and construction 4.0: Machine and deep learning methods and applications, Automation in Construction 2022, 141, 104440.
• 2. McCarthy J., Review of the question of artificial intelligence, Ann. Hist. Comput. 1988 (10), 224-229.
• 3. Brooks R.A., Intelligence without representation, Artificial Intelligence 1991, 47, 1-3, 139-159.
• 4. Xu Y., Zhou Y., Sekula P., Ding L., Machine learning in construction: From shallow to deep learning, Developments in the Built Environment 2021, 6, 100045.
• 5. Poh C.Q., Ubeynarayana C.U., Goh Y.M., Safety leading indicators for construction sites: A machine learning approach, Automation in Construction 2018, 93, 375-386.
• 6. Fang Q., Li H., Luo X., Ding L., Rose T.M., An W., Yu Y., A deep learning-based method for detecting non-certified work on construction sites, Advanced Engineering Informatics 2018, 35, 56-68.
• 7. Fang W., Zhong B., Zhao N., Love P.E., Luo H., Xue J., Xu S., A deep learning-based approach for mitigating falls from height with computer vision: Convolutional neural network, Advanced Engineering Informatics 2019, 39, 170-177.
• 8. Guo Y., Xu Y., Li S., Dense construction vehicle detection based on orientation-aware feature fusion convolutional neural network, Automation in Construction 2020, 112, 103124.
• 9. Deng W., Mou Y., Kashiwa T., Escalera S., Nagai K., Nakayama K., Matsuo Y., Prendinger H., Vision based pixel- -level bridge structural damage detection using a link ASPP network, Automation in Construction 2020, 110, 102973.
• 10. Dorafshan S., Azari H., Evaluation of bridge decks with overlays using impact echo, a deep learning approach, Automation in Construction 2020, 113, 103133.
• 11. Abioye S.O., Oyedele L.O., Akanbi L., Ajayi A., Davila Delgado J.M., Bilal M., Akinade O.O., Ahmed A., Artificial intelligence in the construction industry: A review of present status, opportunities and future challenges, Journal of Building Engineering 2021, 44, 103299.
• 12. Fang Q., Li H., Luo X., Ding L., Luo H., Rose T.M., An W., Detecting non-hardhat-use by a deep learning method from far-field surveillance videos, Automation in Construction 2018, 85, 1-9.
• 13. Nath N.D., Behzadan A.H., Paal S.G., Deep learning for site safety: Real-time detection of personal protective equipment, Automation in Construction 2020, 112, 103085.
• 14. Kouzehgar M., Krishnasamy Tamilselvam Y., Vega Heredia M., Rajesh Elara M., Self-reconfigurable façade-cleaning robot equipped with deep-learning-based crack detection based on convolutional neural networks, Automation in Construction 2019, 108, 102959.
• 15. Zhang J., Yang X., Li W., Zhang S., Jia Y., Automatic detection of moisture damages in asphalt pavements from GPR data with deep CNN and IRS method, Automation in Construction 2020, 113, 103119.
• 16. Hangbin W., Lianbi Y., Zeran X., Yayun L., Xinran A., Qichao C., Zhengning L., Bin M., Road pothole extraction and safety evaluation by integration of point cloud and images derived from mobile mapping sensors, Advanced Engineering Informatics 2019, 42.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).