Year: 2025
Type: dissertation
Abstract: Rakennusprojektin onnistumisen kannalta on tärkeää, että työnjohdolla on läpi projektin selkeä ja ajantasainen tilannekuva työmaan eri työvaiheista. Tilannekuva saavutetaan havainnoimalla työvaiheita, erityisesti seuraamalla etenemää sekä valvomalla laatua. Tähän asti työvaiheiden havainnointi on toteutettu pääosin perinteisin menetelmin: keräämällä tietoa manuaalisesti työmaakierroksilla sekä suorittamalla silmämääräisiä tarkasteluita. Perinteisiä havainnointimenetelmiä on kritisoitu hitaiksi sekä virhealttiiksi, ja niiden automatisointia on yritetty jo pitkään. Koneoppimisen avulla kuvia tulkitsevan konenäköteknologian on arvioitu olevan mahdollinen ratkaisu ongelmaan, mutta konenäköön liittyy omia haasteita kuten rakennusalalle ominaisen koulutusdatan puute sekä haastavissa olosuhteissa otettujen kuvien tulkitsemisen epätarkkuus. Viime vuosina nopeasti kehittyneiden sisältöä luovien ja näköominaisuudella varustettujen generatiivisten tekoälyjärjestelmien potentiaali rakennustyömaan havainnoinnissa on tunnistettu, mutta käytännön kokeet aiheesta ovat vähäisiä. Tässä työssä kokeiltiin Googlen generatiivisen tekoälyjärjestelmän, Gemini 2.5 Pron, kykyä havainnoida työvaiheita työmaakuvista. Työ koostuu kirjallisuuskatsauksesta, jossa käsitellään perinteisiä havainnointimenetelmiä, konenäköä sekä generatiivista tekoälyä, sekä kokeiluosiosta. Kokeilun tulokset antavat mielenkiintoisia viitteitä siitä, että generatiivisesta tekoälystä voi olla hyötyä useissa työvaiheen havainnoinnin tehtävissä. Tekoäly tunnisti käsitellyt työvaiheet sekä osoitti lupaavaa tarkkuutta laaduntarkastusten tekemisessä. Tehdyistä havainnoista voidaan myös päätellä, että tekoälyjen koulutusdatassa on jossain määrin rakennusalalle ominaista dataa, ja että tekoäly kykeni yhdistämään rakennusalasta opittua tietoa kuvien tulkinnan tueksi, mihin mikään aiempi teknologia ei ole pystynyt.
Source: Aaltodoc (Aalto University)
Author: Miettinen, Jussi
Language: Finnish
Subfield: Building and Construction
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W6991301592