Критический анализ использования технологии анализа цифровых изображений при мониторинге строительных конструкций и материалов

Введение. В связи с недавним широким внедрением передовых технологий в строительном секторе и неотложной необходимостью завершать проекты в кратчайшие сроки и с минимальными затратами принцип достижения высокого уровня качества при реализации проектов представляет собой сложную задачу для тех, кто работает в области строительства. В этих условиях технология цифрового анализа изображений стала перспективным решением для обеспечения требований по повышению эффективности управления проектами на различных этапах их жизненного цикла. В данном обзоре литературы анализируется роль технологий цифровой обработки изображений в мониторинге строительных материалов и конструкций на протяжении всего жизненного цикла проекта с целью повышения качества и эффективности. Исследование направлено на оценку эффективности этой технологии по сравнению с традиционными методами, обзор последних разработок в области применения цифровой обработки изображений для мониторинга строительных конструкций и определение показателей эффективности, таких как время и стоимость, а также упоминание препятствий, мешающих ее широкому внедрению в инженерной практике.

Материалы и методы. Проведён системный обзор более 30 публикаций (2015–2024 гг.), охватывающих алгоритмы ИИ (CNN, YOLOv4), 3D-моделирование (LiDAR, Structure from Motion) и интеграцию BIM. Оценены их применимость, масштабируемость и влияние на мониторинг состояния конструкций.

Результаты исследования. Полученные результаты показали, что использование технологии цифрового анализа изображений как инструмента для мониторинга конструкций и контроля качества строительных материалов на разных этапах жизненного цикла проекта привело к повышению качества проектов, сокращению времени и затрат, а также улучшению процесса принятия решений на разных стадиях проектного цикла. Интеграция обработки изображений с искусственным интеллектом и системами информационного моделирования зданий обеспечила точность в обнаружении дефектов в зданиях и строительных материалах, повысив эффективность управления проектами на 25 %.

Обсуждение и заключение. ЦОИ демонстрирует трансформационный потенциал, но сталкивается с барьерами: влияние внешней среды, гетерогенность данных и отсутствие стандартизации. Предложены интеграция LiDAR, разработка устойчивых моделей машинного обучения для анализа мультимодальных данных и усиление междисциплинарного взаимодействия. Для преодоления ограничений требуются дальнейшие исследования, направленные на оптимизацию технологий под реальные условия эксплуатации. ЦОИ революционизирует мониторинг конструкций, однако массовое внедрение возможно лишь через устойчивые инновации, партнёрство между отраслями и адаптацию к внешним факторам.

1. Sankarasrinivasan S, Balasubramanian E, Karthik K, Chandrasekar U, Gupta R Health Monitoring of Civil Structures with Integrated UAV and Image Processing System. Procedia Computer Science. 2015;54:508–515. https://doi.org/10.1016/j.procs.2015.06.058

2. Del Savio AA, Luna Torres A, Cárdenas Salas D, Vergara Olivera MA, Urday Ibarra GT Detection and Evaluation of Construction Cracks through Image Analysis Using Computer Vision. Applied Science. 2023;13:16. https://doi.org/10.3390/app13179662

3. Ribeiro D, Santos R, Shibasaki A, Montenegro P, Carvalho H, Calçada R Remote Inspection of RC Structures Using Unmanned Aerial Vehicles and Heuristic Image Processing. Engineering Failure Analysis. 2020;117:104813. https://doi.org/10.1016/j.engfailanal.2020.104813

4. Malesa M, Szczepanek D, Kujawińska M, Świercz A, Kołakowski P Monitoring of Civil Engineering Structures Using Digital Image Correlation Technique. The European Physical Journal Conferences. 2010;6. https://doi.org/10.1051/epjconf/20100631014

5. Galantucci RA, Fatiguso F Advanced Damage Detection Techniques in Historical Buildings Using Digital Photogrammetry and 3D Surface Analysis. Journal of Cultural Heritage. 2019;36:51–62. https://doi.org/10.1016/j.culher.2018.09.014

6. Kim M, Cheng CP, Sohn H, Chang CC A Framework for Dimensional and Surface Quality Assessment of Precast Concrete Elements Using BIM and 3D Laser Scanning. Automation in Construction. 2015;49(B):225–238. http://doi.org/10.1016/j.autcon.2014.07.010

7. Spencer BF Jr, Vedhus H, Narazaki Y Advances in Computer Vision-Based Civil Infrastructure Inspection and Monitoring. Engineering. 2019;5(2):199–222. https://doi.org/10.1016/j.eng.2018.11.030

8. Tworzewski P, Raczkiewicz W, Czapik P, Tworzewska J Diagnostics of Concrete and Steel in Elements of an Historic Reinforced Concrete Structure. Materials. 2021;14(2):306. https://doi.org/10.3390/ma14020306

9. Nasrollahi M, Bolourian N, Hammad A Concrete Surface Defect Detection Using Deep Neural Network Based on Lidar Scanning. 7th International Construction Conference Jointly With The Construction Research Congress. Canada; 2019. URL: https://www.researchgate.net/publication/335276365_Concrete_Surface_Defect_Detection_Using_Deep_Neural_Network_Based_on_LiDAR_Scanning (accessed: 29.09.2025).

10. McLaughlin E A Deep Learning Approach for Automating Concrete Bridge Defect Assessment Using Computer Vision. Ontario: University of Waterloo; 2020. 112 p. URL: https://scholar.google.com/citations?view_op=view_citation&hl=en&user=qX4dW5sAAAAJ&citation_for_view=qX4dW5sAAAAJ:qjMakFHDy7sC (accessed: 29.09.2025).

11. Talab AMA, Huang Z, Xi Fan, HaiMing L Detection Crack in Image Using Otsu Method and Multiple Filtering in Image Processing Techniques. Optik. 2016;127(3):1030–1033. http://dx.doi.org/10.1016/j.ijleo.2015.09.147

12. Yang J, Park MW, Vela PA, Golparvar-Fard M Construction Performance Monitoring via Still Images, Time-Lapse Photos, and Video Streams: Now, Tomorrow, and the Future. Advanced Engineering Informatics. 2015;29(2):211–224. http://dx.doi.org/10.1016/j.aei.2015.01.011

13. Wijaya U, Yulianto Y, Haryanto E Current Literature Review on Image Processing Analysis for Concrete Damage Assesment. Jurnal Pensil: Pendidikan Teknik Sipil. 2024;13(3):255–274. https://doi.org/10.21009/jpensil.v13i3.45042

14. Meroño JE, Perea AJ, Aguilera MJ, Laguna AM Recognition of Materials and Damage on Historical Buildings Using Digital Image Classification. South African Journal of Science. 2015;111(2):10. https://doi.org/10.17159/sajs.2015/20140001

15. Kim C, Kim B, Kim H 4D CAD Model Updating Using Image Processing-Based Construction Progress Monitoring. Automation in Construction. 2018;35(2):44–52. https://doi.org/10.1016/j.autcon.2013.03.005

16. Moon KH, Falchetto AC, Wistuba MP, Jeong JH Analyzing Aggregate Size Distribution of Asphalt Mixtures Using Simple 2D Digital Image Processing Techniques. Arabian Journal for Science and Engineering. 2015;40:1309–1326. https://doi.org/10.1007/S13369-015-1594-0

17. Alvarez AE, Mora JC, Espinosa LV Quantification of Stone-on-Stone Contact in Permeable Friction Course Mixtures Based on Image Analysis. Construction and Building Materials. 2018;4:462–471. https://doi.org/10.1016/j.conbuildmat.2017.12.189

18. Barbosa FS, Beaucour AL, Farage MCR, Ortola S Image Processing Applied to the Analysis of Segregation in Lightweight Aggregate Concretes. Construction and Building Materials. 2018;25:3375–3381. https://doi.org/10.1016/j.conbuildmat.2011.03.028

19. Breul P, Geoffary JM, Haddani Y On-Site Concrete Segregation Estimation Using Image Analysis. Journal of Advanced Concrete Technology. 2018;6:171–180. https://doi.org/10.3151/jact.6.171