Artificiell intelligens på byggarbetsplatser: Funktioner, begränsningar och praktisk tillämpning
10 oktober 2026 · 3 min läsning
Företaget Edge tillämpar modeller för datorseende på byggarbetsplatser för att övervaka säkerhet, spåra framsteg och automatisera redovisning av personal och maskiner. Systemet identifierar personer i kamerabilder och avgör om synliga tecken på användning eller icke-användning av personlig skyddsutrustning finns, varefter en händelse skapas som en specialist kan verifiera. Företaget använder modeller för datorseende, inklusive familjerna YOLO och DETR, som har eftertränats på verkliga byggdata.
Antalet kameror som krävs beror på de zoner som behöver övervakas. En översiktskamera kan visa hela platsen, men en person blir så liten att en hjälm inte går att urskilja. Därför måste uppgift, vinkel och bild detaljeringsgrad analyseras först. Standarden för en byggplats är femton kameror per bostadskomplex. Noggrannheten vid detektering varierar mellan dag, natt, damm och regn eftersom dessa utgör olika förhållanden som måste testas separat. Om en kamera fysiskt inte ser något på natten kan ett neuronnät inte korrigera situationen.
Bearbetning kan ske i företagets moln, på kundens server eller direkt på platsen via en kant-enhet. Fördröjningen för aviseringar beror på hela kedjan bestående av kameror, anslutning, bearbetning och sändning av händelsen. Denna fördröjning testas vid implementering och inget universellt antal sekunder anges för alla byggarbetsplatser. Jämförelse av faktisk byggprogress med en byggnadsinformationsmodell kräver först en definition av vad som ska jämföras. Att se att en byggnad växer och att kontrollera geometrin hos en utförd konstruktion med centimeterprecision är olika uppgifter.
Arbetet sker oftast med bilder från befintliga kameror för att spåra visuell dynamik, kontur, våningsantal, närvaro av personer och maskinaktivitet. Detta hjälper till att observera den faktiska byggprogressen. Vissa uppgifter kräver jämförelse av segmentering av en byggnad med dess tredimensionella byggnadsinformationsmodell eller jämförelse av segmentering från vecka till vecka, vilket är genomförbart. Segmentering innebär här att byggnadens bild markeras separat från omgivande bakgrund för att bedöma hur den synliga delen av objektet förändras. Om uppgiften är att hitta avvikelser hos en vägg eller pelare från projekterat läge krävs mätdata.
Laserskanning skapar ett punktmoln, vilket är en uppsättning rumsliga koordinater för ytor. Insamlingar från olika positioner sammanfogas, varefter punktmolnet och projekteringsmodellen förs till ett gemensamt koordinatsystem. Specialiserad programvara kan därefter identifiera avvikelser inom en given tolerans. Detta är en separat process och inte standardbehandling av video. Drönare och kameror med trehundrasextiograders synfält kan också användas för bildinsamling, men själva förekomsten av sådan insamling garanterar inte en exakt rumslig modell. Metod för datainsamling och bearbetning måste väljas separat. En enda felmarginal i centimeter anges inte eftersom den beror på utrustning, insamlingsförhållanden och kvalitet vid sammanfogning. En i programmet angiven tolerans är inte lika med uppnådd mätnoggrannhet. Företaget talar om visuell övervakning av progress, medan exakt geometri måste kontrolleras med lämpliga verktyg.
Artificiell intelligens kan hjälpa till att tidigare upptäcka tecken på risk, exempelvis minskad aktivitet på platsen, stillastående maskiner eller att synlig byggdynamik inte motsvarar förväntningar. En enda video kan dock inte visa alla orsaker till försening. En kamera visar inte att en leverantör har flyttat en leverans eller att en projektlösning ännu inte är godkänd. För en fullständig prognos krävs tidplan, information om leveranser, resurser och faktisk arbetsutförande. Den praktiska nyttan är att en ledare tidigare ser ett problem och börjar utreda dess orsaker. Automatiserad redovisning av arbetare och maskiner på platsen omfattar igenkänning vid passerkontroll, räkning av personer i arbetszoner och bedömning av maskinaktivitet. Video används för att fastställa närvaro av personer och maskiner samt spåra aktivitet, arbete och stillestånd i synliga zoner utan att varje medarbetare behöver en egen enhet. Närvaro i bild innebär dock inte specifik produktivitet, och maskinstillestånd förklarar inte i sig orsaken eftersom maskinen kan vänta på material eller befinna sig i ett tekniskt uppehåll. Dessa omständigheter måste en specialist beakta.
Den tydligaste nyttan inom byggkontroll och godkännande av arbeten är att utöka observationstäckningen och samla visuellt material för kontroll. En specialist får lättare att utreda en situation när händelse, tidpunkt, kamera och motsvarande bild finns tillgängliga. Godkännande av arbeten kräver dock mer information än vad översiktsvideo ger. Inte varje spricka syns från befintliga kameror, och dolda arbeten efter stängning av en konstruktion kan vara helt otillgängliga för observation. Företaget hjälper specialisten att få information, medan bedömning av arbetskvalitet och beslut om godkännande ligger kvar hos specialisten.