人工智能在基础设施建设中的应用：批判性综述

作者：陈珂1,2，周晓洁1,2，包智康3，Mirosław Jan SKIBNIEWSKI4，方伟立1,2(*)

单位：

1 华中科技大学 国家数字建造技术创新中心，中国 武汉
2 华中科技大学 土木与水利工程学院，中国 武汉
3 赫瑞-瓦特大学 能源、地球科学、基础设施与社会学院，英国
4 马里兰大学 卓越项目管理中心，美国

引用：

Ke CHEN, Xiaojie ZHOU, Zhikang BAO, Mirosław Jan SKIBNIEWSKI, Weili FANG. Artificial intelligence in infrastructure construction: A critical review. Frontiers of Engineering Management, 2025, 12(1): 24‒38 https://doi.org/10.1007/s42524-024-3128-5

文章链接：

https://journal.hep.com.cn/fem/EN/10.1007/s42524-024-3128-5

https://link.springer.com/article/10.1007/s42524-024-3128-5

导语：

人工智能(AI)已成为一种前景广阔的技术解决方案，可用于解决基础设施建设面临的重大挑战，如安全事故率高、生产率低下和劳动力持续短缺等。本综述旨在分析AI在基础设施建设中的应用现状。基于对594 篇和 91 篇学术论文进行的定量和定性分析，结果显示，当前研究主要集中在安全监控和流程管理等方面。机器学习、计算机视觉和自然语言处理等AI技术非常突出，智能工地的开发也备受关注。本综述还强调了未来研究的几个方向，包括拓宽AI的应用范围，探索更多AI技术的潜力，以及通过标准化数据集和生成式AI模型改进技术应用。这些方向有望进一步推动基础设施建设的发展，为解决其面临的重大挑战提供潜在的解决方案。

关键词：基础设施建设；人工智能；文献综述；定量分析；定性分析

1.

引言

基础设施建设是国民经济的重要组成部分，但它面临着高事故率、低生产率和熟练劳动力短缺等重大挑战。为了解决这些问题，行业越来越多地转向先进的数据分析、算法和计算技术。在这些技术进步中，人工智能（AI）已成为一个关键前沿领域。AI的核心是创建能够像人类一样学习和解决问题的智能机器和程序。AI算法，如人工神经网络、遗传算法和模糊逻辑，能够解决复杂问题、映射复杂关系并预测结果（Cheng等，2009），因此在行业中得到了广泛应用。

这一趋势导致了对AI如何提高安全评估、进度监控、设备监督和基础设施开发其他方面效率的研究激增。例如，Ajayi等（2020）开发了深度学习模型来预测电力基础设施项目中的潜在健康和安全风险。Lei等（2019）提出了一种基于数据驱动的卷积神经网络（CNN）算法，利用多扫描点云来准确监控施工进度。Zhou等（2019）开发了一种集成的深度学习模型，专门用于预测盾构机的定位。这些研究共同表明，AI在解决复杂工程问题方面超越了传统的分析方法（Zhang和Lu，2021）。

随着AI在建筑领域应用的兴趣和进展不断增加，彻底审视当前状况并指出进一步研究的领域至关重要。许多综述研究探讨了AI在建筑行业中的应用。例如，Darko等（2020）进行了科学计量分析，以可视化主要研究趋势，而Pan和Zhang（2021）探讨了与建筑AI研究相关的关键词、期刊和集群的特征。此外，Abioye等（2021）批判性地回顾了AI在活动监控、风险管理和资源优化等领域的应用文献。最近的学术研究包括Chen和Ying（2022）的定量分析，他们审查了587篇文章以辨别AI技术在建筑中的主要发展轨迹，以及Dumrak和Zarghami（2023）对AI在精益建筑管理中作用的调查。然而，这些研究要么专注于特定用例，要么提供了研究进展的总体概述，而没有提供深入的分析。因此，在基础设施建设领域，关于AI应用的最新进展和新兴趋势的上下文分析存在显著差距。

因此，本研究的目的是填补这一空白，并从定量和定性角度全面回顾AI在基础设施建设中的应用。本综述将实现三个主要目标。首先，我们调查AI在基础设施建设中的研究现状。其次，建立AI应用与基础设施建设的运营和管理需求之间的联系，重点关注最新的技术成就。最后，确定进一步发展的部分研究机会。因此，本研究将有助于更深入地分析AI如何革新基础设施建设实践。

在引言之后，第2节概述了整体综述方法。第3节通过定量分析描述了研究的发展模式。第4节通过定性分析强调了关键研究成果。第5节讨论了未来研究的几个主题。最后一节进行总结。

2.

研究方法

如图1所示，本综述分为三个步骤进行。

第一步是从Web of Science（WoS）数据库中检索相关文献，该数据库支持跨多个学术领域的重要研究（Rodriguez-López等，2020）。搜索关键词应包括与AI和基础设施相关的术语。AI包括机器学习、基于知识的系统、计算机视觉和机器人等。基础设施建设通常包括交通系统（如道路、桥梁、铁路和机场）、公用事业（如污水系统和电网）、通信网络（如电信和互联网基础设施）以及其他公共设施。因此，关键词定义如下：

• “人工智能”或“机器学习”或“深度学习”或“计算机视觉”或“机器人”或“自然语言处理”；

• “基础设施建设”或“土木工程”或“基础设施项目”。

本综述仅关注过去十年的文献，特别是2013年至2023年，以突出最近的研究进展。此外，本综述的范围仅限于研究论文，排除了会议论文和教科书等其他类型。仅包括英文论文以确保分析的一致性。初步搜索结果为1200篇论文。本研究的一位作者根据两个标准筛选了所有检索到的论文的标题和摘要，以去除不相关的论文：（1）研究应关注基础设施项目的施工阶段；（2）研究应提供足够的技术细节，说明如何使用AI改进基础设施建设。筛选结果由第二位作者进行双重检查以避免偏差。通过这一选择过程，最终选择了594篇论文用于后续的文献分析。值得注意的是，大多数综述研究旨在为基础设施建设提供通用的基于AI的解决方案，而不是专注于特定类型的基础设施项目。

在第二步中，使用VOSviewer这一广泛使用的文献计量分析工具，定量评估该研究领域的知识结构及其演变模式。除了可视化文献耦合和合著关系外，VOSviewer还利用594篇论文的标题、摘要和关键词中出现的术语生成关键词共现网络。在此过程中，省略了“土木工程”、“建筑工地”和“AI”等对详细知识结构分析贡献最小的通用术语。

在第三步中，利用关键词共现网络将检索到的研究分类为不同的类别，每个类别代表基础设施建设中的特定AI应用。在每个类别中，根据引用次数选择论文，并在选择过程中注意避免任何潜在的冗余。结果，收集了关键文献的综合汇编，为广泛的分析工作奠定了基础。

图1. 研究流程

3.

定量分析

3.1 出版物分布

图2展示了2013年至2023年间检索到的594篇论文的分布情况。2013年至2017年间，年度出版物数量逐渐增加，但每年的文章总数始终低于20篇。然而，从2018年到2023年，研究文章的数量经历了显著且快速的增长，2021年超过了每年100篇。这一上升趋势表明，基础设施建设中的AI研究数量显著增加，凸显了探索AI如何革新该领域实践的重要性。

本研究中检索到的论文来自155种不同的期刊。排名前10的期刊共贡献了334篇论文，占所调查文献总数的55%以上。在这些知名期刊中，《自动化建设》贡献了122篇索引论文，占总索引论文的20%以上。此外，本研究中的594篇论文共获得了12,614次引用，其中11,215次为非自引。每篇文章平均被引用21.24次，突显了这些研究的显著影响。

图2. 2013-2023年的文献分布情况

3.2 合著分析

来自不同国家和学术机构的学者之间的合作对于推动研究学科的发展至关重要。我们使用VOSviewer软件中的“合著”功能，以“国家”为基础进行分析。为了确保构建网络的质量和可读性，通过一系列试错迭代将“源的最小文档数”参数设置为13（Wuni等，2019）。图3清楚地表明，中国、美国和澳大利亚处于基础设施建设AI研究的前沿。

然而，来自韩国、加拿大和印度的研究人员的论文引用次数和总链接强度相对较低，表明这些国家的研究人员之间的合作水平较低。

图3. 国家间的合著网络

为了使用VOSviewer构建研究人员合著网络，我们将“最小发表文章数”参数设置为6。在分析的1733名研究人员中，只有22人达到了这一阈值。图4提供了最活跃研究人员之间的联系以及前11个研究集群的见解。蓝色、黄色、红色和绿色集群的相互连接表明这些研究人员之间存在强大而活跃的合作网络。值得注意的是，11个集群中有6个由单一研究人员组成，表明这些研究人员与网络中的其他有影响力人物之间缺乏直接合作。此外，有5个集群由2到4名研究人员组成，表明合作水平适中。

图4. 研究者间的合著网络

3.3 关键词共现网络分析

关键词共现网络用于揭示特定研究领域内的主要主题和焦点。这是通过对整个相关文献中提取的关键词进行共现分析，并探索研究主题和方法之间的关联来实现的（Hussein和Zayed，2021）。将“关键词的最小出现次数”参数设置为5，并排除“AI”、“建设”和“土木工程”等通用关键词。此过滤过程生成了一个包含43个关键词的网络。在图5中，每个节点代表一个关键词，其大小反映了该关键词在所选论文的标题、摘要和关键词中出现的频率。连接两个关键词的曲线粗细表示它们共现的频率。

这43个关键词可以分为两个不同的组：“应用”和“方法论”。本综述主要分析“应用”类别中的关键词。对这些关键词的检查表明，它们主要围绕四个中心主题：安全、进度、成本和质量。值得注意的是，与安全、进度、成本和质量相关的关键词的总链接强度分别为672、470、191和154。因此，在基础设施建设中的AI领域，学术关注主要集中在施工安全上，其次是施工进度。相比之下，成本和质量主题受到的关注相对较少。

图5. 关键词共现分析

4.

定性分析

除了通过定量分析提供AI在基础设施建设中研究进展的全面概述外，本综述还对所选文献进行了定性审查，提供了对最新进展的深刻见解。每个主题类别中的论文根据其引用次数按降序排列，共选择了91篇论文进行详细分析。在这些论文中，42篇专注于安全监控与控制，37篇涉及过程管理，7篇集中于成本估算与预测，5篇关注质量评估（图6）。

图6. 91篇详细分析文献的研究主题

4.1 安全监控与控制

安全监控与控制的研究主要集中在目标检测与跟踪、活动识别、姿势识别、合规性检查和安全风险评估与预测等方面。图7展示了该领域常用的机器学习或计算机视觉技术的工作流程。在当前解决方案中，除了来自文本或BIM的数据外，通常使用两类传感器进行数据采集。第一类涉及使用加速度计、陀螺仪和惯性测量单元（IMU）等传感器来捕捉物理或运动相关特征。第二类使用摄像机记录视频，通常利用图像处理和计算机视觉技术来分析视频数据。然而，与单模态感知和推理相比，多模态感知和推理的应用相对有限。

图7. 基于AI的安全监控通用工作流程

4.1.1 目标检测与跟踪

目标检测与跟踪在识别工人、机械和危险区域之间的不安全互动中起着至关重要的作用。在目标检测之前，必须进行图像处理，包括降噪、图像增强、调整大小和图像分割（Ding等，2018）。随后，使用YOLO（Cheng等，2022）、CNN（Ding等，2018）、Faster R-CNN（Kim和Chi，2019）、HOG特征（Azar，2016）和定制算法（Fang等）等算法进行目标检测。在这些算法中，YOLO确保了更快的处理速度，适合实时应用，而Faster R-CNN允许更精确的目标检测。

机器学习算法的进步使得工人和机械检测的准确性得以提高（Memarzadeh等，2013；Fang等）。目标检测算法通常具有较大的尺寸和简单的形状，特别适用于建筑机械。然而，工人检测面临着不同背景、遮挡和姿势变化等挑战。Fang等（2019）使用Mask R-CNN检测工人在施工期间穿越结构支撑，实现了90%的召回率和75%的重叠精度。Son等（2019）使用Fast R-CNN和ResNet-152检测复杂背景下的各种姿势的工人，达到了94.3%的准确率。此外，检测和跟踪通常结合使用。例如，Angah和Chen（2020）应用了基于梯度的方法与基于特征的比较，并结合Mask R-CNN来跟踪连续图像帧中的工人。他们的方法实现了81.8%的MOTA。在另一项研究中，Xiao和Kang（2021）使用YOLOv3进行检测，将连续帧的检测结果关联起来以得出跟踪结果。该方法实现了20.8帧/秒的处理速度，同时MOTA为93.2%，MOTP为86.5%。

此外，个人防护装备（PPE）的检测和跟踪研究对于提高建筑工地的安全性至关重要。已经进行了多项研究，包括安全带（Fang等）、安全帽（Huang等，2021）、安全钩（Choo等，2023）、安全围栏（Kolar等，2018）和安全背心（Delhi等，2020）的检测。这些PPE检测方法的准确率通常超过90%。Wang等（2023）研究了将电极和微处理器集成到安全帽中以捕捉脑电图（EEG）信号。然后使用连续小波变换（CWT）和CNN模型处理这些信号，以识别工人的精神疲劳状态。然而，现有研究主要集中在容易注意到的PPE物品上，对较小尺寸的PPE关注较少。在最近的一项研究中，Guo等（2023）结合Kinect 2.0和长短期记忆（LSTM）模型评估救生绳的紧固情况，总体准确率为76.67%。这强调了开发专门针对较小PPE物品的检测方法的必要性。

4.1.2 姿势识别

工人的职业健康可能因存在尴尬的工作姿势和相关的人体工程学风险而受到损害。识别这些姿势通常涉及两种主要方法。一些研究通过集成传感器和机器学习技术来检测工人的姿势。例如，Zhao和Obonyo（2020）在工人的五个不同身体部位使用IMU收集运动数据。基于这些数据，他们使用集成的CNN和LSTM模型来识别建筑工人的姿势。虽然这种方法具有较高的准确性，但由于传感器附着在身体上，可能会影响工人的操作。

或者，其他研究使用深度学习从视频中提取建筑工人的骨骼数据。例如，Yu等（2019）使用堆叠沙漏网络提取骨骼数据，并使用快速全身评估（REBA）方法评估人体的工效学状态。该方法在姿势提取中的准确率在70%到96%之间。尽管这种方法很方便，因为它不需要额外的设备或传感器，但其准确性可能受到视频质量和光照条件等因素的影响。

建筑设备的重量和操作复杂性在运输材料或与建筑工地上的物体互动时常常导致重大安全问题。因此，建筑设备的姿势识别对于安全管理至关重要。挖掘机经常被研究用于姿势识别，重点是定位和识别各种部件，如动臂（Soltani等，2017）、臂和铲斗（Soltani等，2018），以及估计它们的姿势。然而，仅依赖部分姿势识别无法全面了解建筑设备的动态工作区域。这一限制显著削弱了互动区域内的安全准确性。其他研究直接估计建筑设备的全身姿势，通常使用k均值聚类技术进行背景减除和骨骼提取。例如，Luo等（2020）使用各种网络（如堆叠沙漏网络（HG）、级联金字塔网络（CPN）以及这些网络的集成模型）直接估计设备的全身姿势。集成模型在正确关键点上的准确率达到93.43%。

4.1.3 合规性检查

为了减轻基础设施建设中的不合规风险，采用多模态感知和推理方法进行自动合规性检查，如图8所示。该过程从基于自然语言处理（NLP）的文本信息提取开始，然后整合现场数据以确保施工无错误和偏差。Zhang和El-Gohary（2015）提出了一种基于规则的语义NLP方法，用于从代码文本文件中提取信息，然后应用逻辑推理以确保合规性。Ren和Zhang（2021）开发了一种基于语义规则的信息提取方法，自动从程序文档中提取施工执行步骤，准确率达到97.08%，召回率为93.23%。本体和现场数据采集与传感技术的结合使得施工执行的自动合规性检查成为可能。

组合信息提取方法有助于对BIM数据进行有效的合规性检查。Zhang和El-Gohary（2017）使用基于EXPRESS的技术从BIM中提取设计信息，而Guo等（2021）将提取的规则术语与BIM中的关键词相关联，基于逻辑关系自动生成SPARQL查询。同样，Shen等（2022）使用本体和NLP建立了一个全面的安全规则库，实现了常规施工活动中的实时风险评估。此外，Li等（2016）使用NLP将空间结构的文本描述转换为可计算的空间规则，在空间规则提取任务中实现了87.88%的平均精度。然后，他们使用地理信息系统（GIS）进行空间推理，以识别不合规的情况，从而减轻公用事业与其周围环境之间的空间配置风险。

图 8 基于AI的合规性检查通用工作流程

4.1.4 安全风险评估与预测

负责监督建筑工地的管理人员需要实时控制安全风险，以主动实施干预措施。一些研究直接解决了坠落风险，例如Piao等（2021）使用计算机视觉和动态贝叶斯网络将坠落概率分为三个级别。间接评估安全风险涉及预测事故因素的影响，如Zermane等（2023）使用随机森林（RF）预测与现场条件、管理和其他影响因素相关的风险。此外，建筑工人经常面临建筑工地上的噪音风险。Mostafavi和Cha（2023）提出了一种基于深度学习的主动噪音管理前馈模型。

在评估人机碰撞风险时，重要的考虑指标包括接近度和拥挤度。为了促进风险评估，使用了知识表示和推理方法，以便利用专家知识和规则。Kim等（2016）使用计算机视觉估计接近度，并应用模糊推理推断安全水平。Poh等（2018）使用RF预测建筑工地上安全指标的严重性。他们的方法结合了6个与项目相关的因素（如项目类型、人力）和7个来自承包商安全检查表的项目（如起重操作、脚手架条件），从而实现了更有效的干预措施。

4.2 过程管理

基础设施过程管理领域的研究可以分为两个主要研究方向：进度管理和监控以及进度预测与优化。

4.2.1 进度跟踪与监控

有效监控基础设施建设进度需要准确识别建筑工地上进行的各项活动，如挖掘、混凝土找平、砌砖（Bhokare等，2022）、木工和组件组装（Wang等）。Dimitrov和Golparvar-Fard（2014）使用三个支持向量机（SVM）模型训练外观码本以识别表面材料。Yuan等（2020）使用监督学习分类器处理激光扫描数据以进行材料分类。这两种方法通过识别主要表面材料来监控施工进度。Golparvar-Fard等（2015）扩展了这些努力，开发了一个四维点云模型用于现有结构，并使用动态阈值比较来评估进度并自动检测进度偏差。这种方法能够及时检测特定施工任务中的潜在延迟，尽管需要大量投资才能应用于整个项目开发过程。

与直接跟踪和监控施工进度相比，劳动生产率是一种间接衡量标准。Momade等（2022）使用SVM和RF基于收集的影响劳动生产率的因素数据开发了预测模型，检测概率超过90%。评估劳动生产率的一个关键方面是识别工人和设备活动。通常，考虑的活动类别范围越广，识别率越高。

一些研究使用传感器收集数据，然后使用传统的机器学习分类器或深度学习模型来分析活动。常见的机器学习分类器包括决策树、逻辑回归、SVM、k近邻和其他监督学习分类器，这些分类器需要高质量的数据集。例如，Ryu等（2019）使用带有加速度计的手腕带收集工人手部活动的数据，并使用多类SVM对砌体施工中的子任务进行分类，准确率达到88.1%。LSTM在捕捉连续时间序列数据中的长期时间依赖性方面非常有效，例如工人动作的变化（Rashid和Louis，2019）。Kim和Cho（2020）使用IMU收集预定义的目标运动数据，并成功识别了各种建筑活动，准确率达到94.73%。另一方面，一些研究直接使用计算机视觉通过视频进行活动识别。常用的算法包括LSTM（Chen和Demachi，2021）、光流（Bügler等，2017）和CNN。例如，Luo等（2018a，2018b）使用双流CNN和深度三流CNN捕捉视频序列中的工人活动，平均准确率超过80%。此外，Kim等（2019）使用基于区域的完全卷积网络（R-FCN）进行车牌检测和生成现场访问日志，这也可以用于生产力评估。

此外，Cheng等（2017）将音频处理与SVM分类相结合以识别设备活动。在使用音频振幅特征训练SVM模型后，Sabillon等（2020）使用贝叶斯统计模型估计了施工活动的周期时间，从而以低错误率（9.50%和12.81%）预测了机械生产力。与深度学习网络相比，这种基于音频的方法不需要大规模数据库，并展示了识别各种机械设备活动的扩展能力。

4.2.2 进度预测与优化

一些研究使用机器学习预测施工项目的进度、完成时间和潜在延迟。该领域的主要方法包括RF和DT，较少强调深度学习。例如，Ezzeddine等（2022）通过监控所有项目任务的计划和已完成工作量直接预测施工进度，实际值与预测值之间的显著相关性超过93%。此外，研究人员还从各种影响因素中扩展了预测延迟风险的努力。Awada等（2021）在预测项目主管响应混凝土浇筑的影响时，将其视为单一影响因素，达到了91%的显著准确率。Gondia等（2020）确定了59个延迟风险因素，并使用DT和朴素贝叶斯分类器预测项目延迟风险。Cheng等（2019）开发了一个NN-LSTM模型来估计完成时间，并证明了其相对于传统挣值管理公式的优越可靠性。此外，Prieto等（2023）使用ChatGPT生成施工进度表，在简单用例中显示出良好的性能。

为了减轻项目延迟风险，某些研究通过智能优化算法优化了建筑工地布局规划并提高了资源调度效率。在资源调度优化方面，Podolski（2016）成功地通过使用禁忌搜索算法优化资源调度缩短了施工执行时间。在布局优化方面，Lien和Cheng（2014）使用粒子群优化算法优化了塔式起重机的放置。同样，Cheng和Chang（2019）使用共生生物搜索算法优化了建筑材料的布局，减少了材料运输的总距离并加快了项目进度。此外，及时监测公众舆论对于重大基础设施项目的成功交付往往至关重要。Jiang等（2016）使用网络爬虫收集相关的在线评论，并利用两种NLP技术——情感分析和主题建模——评估公众对项目的情感。

4.3 成本估算与预测

建筑项目的主要目标是在预算限制内成功完成每项任务，这使得成本管理成为一个关键方面（Juszczyk等，2019）。七篇文章专注于基础设施建设的成本，特别是体育设施和高速公路建设。通过调查成本相关问题的复杂性，研究人员探索了在有限财务资源下确保质量和安全的方法。

Cheng和Hoang（2014）使用最小二乘支持向量机对基础设施建设中的成本估算进行了点估计和区间估计的研究。通过微调差分进化算法，他们在点估计中实现了3.5%的平均绝对百分比误差（MAPE）。近年来，成本估算方法中融入了自然语言处理和神经网络。Akambi和Zhang（2021）提出了一种算法，提取设计信息并将其与数据库中存储的单价信息匹配，从而增强了成本估算。同样，Juszczyk等（2019）使用多个神经网络的集成进行成本估算，MAPE误差范围在2.73%到3.91%之间。鉴于基础设施建设成本受到人力、材料和设备等多种因素的影响，仅依赖点成本估算可能不足以支持成本管理。因此，结合方法对于提供成本区间的全面估算至关重要。例如，Mir等（2021）通过采用最优上下界估计方法解决了材料价格波动对成本偏差的影响。这使得可以直接训练人工神经网络生成材料价格区间并间接预测建设成本。

除了成本估算，Alshboul等（2022）使用多元线性回归预测基础设施建设项目中的违约赔偿。Karakas等（2013）使用群体智能模拟模拟了承包商和客户在各种场景下的成本分担过程。这些研究旨在使决策者能够更好地管理财务风险，并在基础设施建设中实现利益平衡。

4.4 质量评估

有五篇研究论文专注于基础设施建设中的质量问题。这些论文特别强调了混凝土质量的评估，涵盖了混凝土裂缝检测、混凝土腐蚀识别和混凝土力学性能预测等主题。提出了各种深度学习方法以辅助民用基础设施中混凝土的质量检查。

Dung和Anh（2019）使用深度全卷积网络（FCN）检测混凝土裂缝，实现了约90%的平均精确率。Cui等（2021）使用改进的YOLOv3模型识别混凝土腐蚀和剥落，准确率和精确率均超过95%，尽管平均精确率（mAP）为75%。与其他主流目标检测算法（如Fast R-CNN、SSD和YOLOv3）相比，他们的方法在识别混凝土腐蚀损伤方面表现出更高的准确性。Yao等（2021）通过使用增强的YOLOv4简化了整体网络结构的深度和复杂性，从而提高了裂缝检测速度，实时混凝土裂缝检测的mAP达到94.09%。此外，Ashrafian等（2020）使用随机森林（RF）、M5规则模型树、M5 prime模型树和CHAID等回归模型预测碾压混凝土路面的力学性能。他们的研究结果表明，RF在预测抗压强度、抗拉强度和抗弯强度方面表现最佳。这些研究共同表明，混凝土质量检查正朝着更快、更精确的方向迅速发展。

除了混凝土，一些学者还对钢筋进行了研究。结构中钢筋的不当放置会显著降低其承载能力，导致严重后果。然而，钢筋的手动质量检查是一个耗时且容易出错的过程。Kardovskyi和Moon（2021）使用常用的目标检测算法（如Mask R-CNN和立体视觉）测量钢筋的数量、间距和长度。他们的结果表明，该模型可以准确估计数量，间距和长度的最大相对误差分别为3%和8%。

5.

未来研究的开放性问题

5.1 扩展AI应用领域

目前，基础设施建设中的AI应用研究主要集中在安全和进度方面。然而，将研究扩展到成本、质量和其他关键因素至关重要。传统的成本管理方法通常依赖于点估计，不足以解决现实建设项目中的不确定性和风险。因此，有必要深入探索区间估计，以提高成本估算的精确性和可靠性。

此外，现有研究在设计阶段倾向于优先考虑材料性能，而在施工阶段对其相关性的考虑有限。重要的是认识到AI在监控材料性能（包括抗拉和抗压强度）方面的潜在重要作用，以便在施工活动中出现意外问题时进行实时调整。

与已确定的四个应用领域相比，关于提升基础设施建设环境性能的研究明显不足。使用AI技术评估和调节施工阶段的噪音水平、污染和废物处理等环境因素，代表了一个重要的进一步研究方向。这些基于AI的措施不仅解决了环境问题，还有效管理了工人暴露于粉尘、有毒物质和高噪音水平所导致的健康问题。

5.2 探索不同AI技术的应用

本综述揭示了机器学习和计算机视觉在基础设施建设中的广泛应用。然而，其他AI技术，尤其是机器人技术，仍有待进一步探索的潜力。

建筑行业已进入由建筑机器人技术进步驱动的新时代，包括砌筑机器人、钢筋绑扎机器人、3D打印、外骨骼和无人机（Cai等，2019）。在此背景下，重点应放在增强机器人的能力上，使其能够在复杂的建筑环境中实现精确控制和路径规划。这需要开发主动探索和学习策略以提高机器人行为的稳定性。此外，人机协作在推进AI应用方面具有巨大潜力。目前，以工人为中心的人机协作研究主要集中在使用可穿戴脑电图设备的脑活动数据来预测工人对危险情况的反应并相应调整警报阈值（Zhou和Liao，2023）。展望未来，需要进一步整合人机协作方法，特别是在高风险场景（如起重操作和高空作业）中。这种整合将利用人类和机器的共同见解，促进最优群体决策过程，从而提高整体效率并降低安全风险。

然而，必须认识到实施AI可能会带来独特的挑战，尤其是在数据安全方面。研究人员必须优先考虑数据安全，并采取措施解决与工程数据相关的安全问题。应探索解决方案以确保敏感数据的保护，并考虑此类数据对模型应用有效性的潜在影响。随着隐私保护技术的不断发展，应用越来越需要隐藏敏感的面部信息。Wang等（2021b）进行了一项关于面部模糊条件下安全帽识别的研究，突显了AI在建筑项目中管理敏感数据的重要性以及主动措施有效解决这些问题的必要性。

5.3 通过标准化数据集、领域知识整合和生成式AI模型增强应用

在基础设施建设领域，AI算法目前是针对特定工程任务定制的。然而，它们的有效性在很大程度上依赖于高质量的训练数据。这些数据包括项目相关信息、监测数据、施工图纸和各种文档，这些对于常用的AI算法至关重要。不幸的是，与数据保密性和商业敏感性相关的挑战常常使得在基础设施建设领域获取特定领域数据集变得困难。因此，许多研究人员被迫创建自己的数据集，这涉及数据收集、清理、标注和评估的耗时过程。因此，通过结合来自不同项目和来源的数据集来增强数据集合成和数据共享至关重要。

除了标准化数据集外，将领域知识整合到AI算法中为解决有限或低质量数据引起的问题提供了可行的解决方案。这些集成知识可以分为三类：关系知识、逻辑知识和科学知识（Zhou和Liao，2023）。主要挑战在于编码知识并高效执行（Gupta和Sheng，2020）。可以采用特定方法（如基于语义的正则化）将先验知识整合到底层深度学习框架中（Diligenti等，2017）。物理定律可以作为约束嵌入到神经网络中，使得传统的卷积神经网络能够有效地训练以预测未标记的对象数据（Stewart和Ermon，2017）。这种整合有望开发出优化资源利用和评估建筑工地风险的预测模型。

尽管专用模型很有价值，但它们也有固有的局限性，如高复杂性、有限的泛化能力和显著的维护成本。相比之下，生成式AI模型因其无需针对特定任务进行优化或调整即可训练的能力而受到关注。这些模型通过接触大规模数据集和广泛学习来获取知识。它们促进了从提供的训练数据中吸收概率分布，并根据获取的知识生成新的数据样本。在基础设施建设领域，ChatGPT作为一种生成式AI模型，可以为资源规划和优化提供创新解决方案。除了Prieto等（2023）的工作外，You等（2023）利用ChatGPT进行施工顺序规划，旨在最小化人工干预并简化规划过程。生成式AI还可以在合规性检查、施工设备故障诊断、进度监控和其他领域中发挥作用。

6.

结论

近年来，AI的出现对建筑行业产生了重大影响。AI在处理复杂数据集和应对高度不确定性的动态挑战方面具有显著优势，与传统的手动方法形成鲜明对比。本研究利用定量和定性分析方法对基础设施建设中的AI应用进行了全面调查。

本研究采用定量方法审查了594篇学术论文，为基础设施建设中AI应用的演变趋势提供了宝贵见解。基于此分析，确定了几个总体主题，系统地将AI应用分为四个子领域：安全监控与控制、过程管理、成本估算与预测以及质量评估。研究还详细解释了每个子领域中的复杂AI应用。

本综述的意义在于综合和讨论了该领域的最新研究成果。此外，它还确定了未来研究的相关问题，如扩展AI应用领域、探索多样化AI应用以及通过整合标准化数据集和生成式AI模型增强AI应用。通过解决这些问题，旨在为未来的研究努力提供灵感和方向，从而促进AI在基础设施建设中的持续发展。

参考文献可向上滑动阅览

Abioye S O, Oyedele L O, Akanbi L, Ajayi A, Delgado J M D, Bilal M, Akinade O O, Ahmed A (2021). Artificial intelligence in the construction industry: A review of present status, opportunities and future challenges. Journal of Building Engineering, 44: 103299

Akanbi T, Zhang J (2021). Design information extraction from construction specifications to support cost estimation. Automation in Construction, 131: 103835

Alshboul O, Alzubaidi M A, Mamlook R E A, Almasabha G, Almuflih A S, Shehadeh A (2022). Forecasting liquidated damages via machine learning-based modified regression models for highway construction projects. Sustainability, 14(10): 5835

Angah O, Chen A Y (2020). Tracking multiple construction workers through deep learning and the gradient based method with re-matching based on multi-object tracking accuracy. Automation in Construction, 119: 103308

Ashrafian A, Taheri Amiri M J, Masoumi P, Asadi-shiadeh M, Yaghoubi-chenari M, Mosavi A, Nabipour N (2020). Classification-based regression models for prediction of the mechanical properties of roller-compacted concrete pavement. Applied Sciences, 10(11): 3707

Awada M, Srour F J, Srour I M (2021). Data-driven machine learning approach to integrate field submittals in project scheduling. Journal of Management in Engineering, 37(1): 04020104

Azar E R (2016). Construction equipment identification using marker-based recognition and an active zoom camera. Journal of Computing in Civil Engineering, 30(3): 04015033

Bhokare S, Goyal L, Ren R, Zhang J (2022). Smart construction scheduling monitoring using yolov3-based activity detection and classification. Journal of Information Technology in Construction, 27

Bügler M, Borrmann A, Ogunmakin G, Vela P A, Teizer J (2017). Fusion of photogrammetry and video analysis for productivity assessment of earthwork processes. Computer‐Aided Civil and Infrastructure Engineering, 32(2): 107-123

Cai S, Ma Z, Skibniewski M J, Bao S (2019). Construction automation and robotics for high-rise buildings over the past decades: A comprehensive review. Advanced Engineering Informatics, 42: 100989

Chen H P, Ying K C (2022). Artificial intelligence in the construction industry: Main development trajectories and future outlook. Applied Sciences, 12(12): 5832

Chen S, Demachi K (2021). Towards on-site hazards identification of improper use of personal protective equipment using deep learning-based geometric relationships and hierarchical scene graph. Automation in Construction, 125: 103619

Cheng C F, Rashidi A, Davenport M A, Anderson D V (2017). Activity analysis of construction equipment using audio signals and support vector machines. Automation in Construction, 81: 240-253

Cheng J P, Wong P K Y, Luo H, Wang M, Leung P H (2022). Vision-based monitoring of site safety compliance based on worker re-identification and personal protective equipment classification. Automation in Construction, 139: 104312

Cheng M Y, Chang N W (2019). Dynamic construction material layout planning optimization model by integrating 4D BIM. Engineering with Computers, 35: 703-720

Cheng M Y, Chang Y H, Korir D (2019). Novel approach to estimating schedule to completion in construction projects using sequence and nonsequence learning. Journal of Construction Engineering and Management, 145(11): 04019072

Cheng M Y, Hoang N D (2014). Interval estimation of construction cost at completion using least squares support vector machine. Journal of Civil Engineering and Management, 20(2): 223-236

Cui X, Wang Q, Dai J, Zhang R, Li S (2021). Intelligent recognition of erosion damage to concrete based on improved YOLO-v3. Materials Letters, 302: 130363

Delhi V S K, Sankarlal R, Thomas A (2020). Detection of personal protective equipment (PPE) compliance on construction site using computer vision based deep learning techniques. Frontiers in Built Environment, 6: 136

Diligenti M, Roychowdhury S, Gori M (2017). Integrating prior knowledge into deep learning. In: Proceedings of the 16th IEEE international conference on machine learning and applications (ICMLA). Cancun: IEEE, 920-923

Dimitrov A, Golparvar-Fard M (2014). Vision-based material recognition for automated monitoring of construction progress and generating building information modeling from unordered site image collections. Advanced Engineering Informatics, 28(1): 37-49

Ding L, Fang W, Luo H, Love P E, Zhong B, Ouyang X (2018). A deep hybrid learning model to detect unsafe behavior: Integrating convolution neural networks and long short-term memory. Automation in construction, 86: 118-124

Dumrak J, Zarghami S A (2023). The role of artificial intelligence in lean construction management. Engineering, Construction and Architectural Management

Dung C V (2019). Autonomous concrete crack detection using deep fully convolutional neural network. Automation in Construction, 99: 52-58

Ezzeddine A, Shehab L, Lucko G, Hamzeh F (2022). Forecasting construction project performance with momentum using singularity functions in LPS. Journal of Construction Engineering and Management, 148(8): 04022063

Fang W, Ding L, Luo H, Love P E (2018a). Falls from heights: A computer vision-based approach for safety harness detection. Automation in Construction, 91: 53-61

Fang W, Ding L, Zhong B, Love P E, Luo H (2018b). Automated detection of workers and heavy equipment on construction sites: A convolutional neural network approach. Advanced Engineering Informatics, 37: 139-149

Fang W, Zhong B, Zhao N, Love P E, Luo H, Xue J, Xu S (2019). A deep learning-based approach for mitigating falls from height with computer vision: Convolutional neural network. Advanced Engineering Informatics, 39: 170-177

Golparvar-Fard M, Pena-Mora F, Savarese S (2015). Automated progress monitoring using unordered daily construction photographs and IFC-based building information models. Journal of Computing in Civil Engineering, 29(1): 04014025

Gondia A, Siam A, El-Dakhakhni W, Nassar A H (2020). Machine learning algorithms for construction projects delay risk prediction. Journal of Construction Engineering and Management, 146(1): 04019085

Guo D, Onstein E, La Rosa A D (2021). A semantic approach for automated rule compliance checking in construction industry. IEEE Access, 9: 129648-129660

Gupta H D, Sheng V S (2020). A roadmap to domain knowledge integration in machine learning. In: Proceedings of the 2020 IEEE International Conference on Knowledge Graph(ICKG). Nanjing: IEEE, 145-151

Hussein M, Zayed T (2021). Crane operations and planning in modular integrated construction: Mixed review of literature. Automation in Construction, 122: 103466

Jiang H, Qiang M, Lin P (2016). Assessment of online public opinions on large infrastructure projects: A case study of the Three Gorges Project in China. Environmental Impact Assessment Review, 61: 38-51

Juszczyk M, Zima K, Lelek W (2019). Forecasting of sports fields construction costs aided by ensembles of neural networks. Journal of Civil Engineering and Management, 25(7): 715-729

Karakas K, Dikmen I, Birgonul M T (2013). Multiagent system to simulate risk-allocation and cost-sharing processes in construction projects. Journal of Computing in Civil engineering, 27(3): 307-319

Kardovskyi Y, Moon S (2021). AI quality inspection of steel bars installation by integrating mask R-CNN and stereo vision. Automation in Construction, 130: 103850

Kim H, Ham Y, Kim W, Park S, Kim H (2019). Vision-based nonintrusive context documentation for earthmoving productivity simulation. Automation in Construction, 102: 135-147

Kim H, Kim K, Kim H (2016). Vision-based object-centric safety assessment using fuzzy inference: Monitoring struck-by accidents with moving objects. Journal of Computing in Civil Engineering, 30(4): 04015075

Kim J, Chi S (2019). Action recognition of earthmoving excavators based on sequential pattern analysis of visual features and operation cycles. Automation in Construction, 104: 255-264

Kim K, Cho Y K (2020). Effective inertial sensor quantity and locations on a body for deep learning-based worker's motion recognition. Automation in Construction, 113: 103126

Kober J, Bagnell J A, Peters J (2013). Reinforcement learning in robotics: A survey. The International Journal of Robotics Research, 32(11): 1238-1274

Kolar Z, Chen H, Luo X (2018). Transfer learning and deep convolutional neural networks for safety guardrail detection in 2D images. Automation in Construction, 89: 58-70

Li S, Cai H, Kamat V R (2016). Integrating natural language processing and spatial reasoning for utility compliance checking. Journal of Construction Engineering and Management, 142(12): 04016074

Lien L C, Cheng M Y (2014). Particle bee algorithm for tower crane layout with material quantity supply and demand optimization. Automation in Construction, 45: 25-32

Luo H, Wang M, Wong P K Y, Cheng J C (2020). Full body pose estimation of construction equipment using computer vision and deep learning techniques. Automation in Construction, 110: 103016

Luo H, Xiong C, Fang W, Love P E, Zhang B, Ouyang X (2018a). Convolutional neural networks: Computer vision-based workforce activity assessment in construction. Automation in Construction, 94: 282-289

Luo X, Li H, Cao D, Yu Y, Yang X, Huang T (2018b). Towards efficient and objective work sampling: Recognizing workers' activities in site surveillance videos with two-stream convolutional networks. Automation in Construction, 94: 360-370

Memarzadeh M, Golparvar-Fard M, Niebles J C (2013). Automated 2D detection of construction equipment and workers from site video streams using histograms of oriented gradients and colors. Automation in Construction, 32: 24-37

Mir M, Kabir H D, Nasirzadeh F, Khosravi A (2021). Neural network-based interval forecasting of construction material prices. Journal of Building Engineering, 39: 102288

Momade M H, Shahid S, Hainin M R B, Nashwan M S, Tahir Umar A (2022). Modelling labour productivity using SVM and RF: a comparative study on classifiers performance. International Journal of Construction Management, 22(10): 1924-1934

Moon S, Shin Y, Hwang B G, Chi S (2018). Document management system using text mining for information acquisition of international construction. KSCE Journal of Civil Engineering, 22: 4791-4798

Mostafavi A, Cha Y J (2023). Deep learning-based active noise control on construction sites. Automation in Construction, 151: 104885

Pan Y, Zhang L (2021). Roles of AI in construction engineering and management: A critical review and future trends. Automation in Construction, 122: 103517

Piao Y, Xu W, Wang T K, Chen J H (2021). Dynamic fall risk assessment framework for construction workers based on dynamic Bayesian network and computer vision. Journal of Construction Engineering and Management, 147(12): 04021171

Podolski M (2017). Management of resources in multiunit construction projects with the use of a tabu search algorithm. Journal of Civil Engineering and Management, 23(2): 263-272

Poh C Q, Ubeynarayana C U, Goh Y M (2018). Safety leading indicators for construction sites: A machine learning approach. Automation in Construction, 93: 375-386

Prieto S A, Mengiste E T, García de Soto B (2023). Investigating the use of ChatGPT for the scheduling of construction projects. Buildings, 13(4): 857

Rashid K M, Louis J (2019). Times-series data augmentation and deep learning for construction equipment activity recognition. Advanced Engineering Informatics, 42: 100944

Ren R, Zhang J (2021). Semantic rule-based construction procedural information extraction to guide jobsite sensing and monitoring. Journal of Computing in Civil Engineering, 35(6): 04021026

Rodríguez-López M E, Alcántara-Pilar J M, Del Barrio-García S, Muñoz-Leiva F (2020). A review of restaurant research in the last two decades: A bibliometric analysis. International Journal of Hospitality Management, 87: 102387

Ryu J, Seo J, Jebelli H, Lee S (2019). Automated action recognition using an accelerometer-embedded wristband-type activity tracker. Journal of Construction Engineering and Management, 145(1): 04018114

Sabillon C, Rashidi A, Samanta B, Davenport M A, Anderson D V (2020). Audio-based Bayesian model for productivity estimation of cyclic construction activities. Journal of Computing in Civil Engineering, 34(1): 04019048

Shen Q, Wu S, Deng Y, Deng H, Cheng J C (2022). BIM-based dynamic construction safety rule checking using ontology and natural language processing. Buildings, 12(5): 564

Soltani M M, Zhu Z, Hammad A (2017). Skeleton estimation of excavator by detecting its parts. Automation in Construction, 82: 1-15

Soltani M M, Zhu Z, Hammad A (2018). Framework for location data fusion and pose estimation of excavators using stereo vision. Journal of Computing in Civil Engineering, 32(6): 04018045

Son H, Choi H, Seong H, Kim C (2019). Detection of construction workers under varying poses and changing background in image sequences via very deep residual networks. Automation in Construction, 99: 27-38

Stewart R, Ermon S (2017). Label-free supervision of neural networks with physics and domain knowledge. In: Proceedings of the 31th AAAI Conference on Artificial Intelligence. San Francisco: AAAI , 31(1)

Wang Y, Huang Y, Gu B, Cao S, Fang D (2023). Identifying mental fatigue of construction workers using EEG and deep learning. Automation in Construction, 151: 104887

Wang Z, Zhang Q, Yang B, Wu T, Lei K, Zhang B, Fang T (2021). Vision-based framework for automatic progress monitoring of precast walls by using surveillance videos during the construction phase. Journal of Computing in Civil Engineering, 35(1): 04020056

Wuni I Y, Shen G Q, Osei-Kyei R (2019). Scientometric review of global research trends on green buildings in construction journals from 1992 to 2018. Energy and Buildings, 190: 69-85

Xiao B, Kang S C (2021). Vision-based method integrating deep learning detection for tracking multiple construction machines. Journal of Computing in Civil Engineering, 35(2): 04020071

Yao G, Sun Y, Wong M, Lu X (2021). A real-time detection method for concrete surface cracks based on improved YOLOv4. Symmetry, 13(9): 1716

You H, Ye Y, Zhou T, Zhu Q, Du J (2023). Robot-enabled construction assembly with automated sequence planning based on ChatGPT: RoboGPT. Buildings, 13(7): 1772

Yu Y, Yang X, Li H, Luo X, Guo H, Fang Q (2019). Joint-level vision-based ergonomic assessment tool for construction workers. Journal of Construction Engineering and Management, 145(5): 04019025

Yuan L, Guo J, Wang Q (2020). Automatic classification of common building materials from 3D terrestrial laser scan data. Automation in Construction, 110: 103017

Zermane A, Tohir M Z M, Zermane H, Baharudin M R, Yusoff H M (2023). Predicting fatal fall from heights accidents using random forest classification machine learning model. Safety science, 159: 106023

Zhang J, El-Gohary N M (2015). Automated information transformation for automated regulatory compliance checking in construction. Journal of Computing in Civil Engineering, 29(4): B4015001

Zhang J, El-Gohary N M (2017). Integrating semantic NLP and logic reasoning into a unified system for fully-automated code checking. Automation in Construction, 73: 45-57

Zhao J, Obonyo E (2020). Convolutional long short-term memory model for recognizing construction workers’ postures from wearable inertial measurement units. Advanced Engineering Informatics, 46: 101177

Zhou X, Liao P C (2023). Weighing votes in human–machine collaboration for hazard recognition: inferring a hazard-based perceptual threshold and decision confidence from electroencephalogram wavelets. Journal of Construction Engineering and Management, 149(9): 04023084

来源：工程管理前沿

江苏东合南岩土科技股份有限公司

创立于 2012 年，2016 年成功登陆北交所新三板，

是以岩土技术为核心竞争力的

科技型国家高新技术企业，

秉承“绿色岩土技术、创造美好生活”的理念，

以“科技赋能岩土工程，提供优质解决方案”为使命，

致力于打造行业领先的“智慧岩土专家”，

深度参与房建工程、高速公路、轨道交通、市政基建

及新能源领域国家级、省级重点项目，

提供岩土工程优化与咨询、基坑工程、桩基工程、

地基处理、地质灾害防治、环境岩土工程、

智慧岩土解决方案等多种工程服务。

百度搜索东合南（www.geoseu.cn）看更多案例。

欢迎拨打技术咨询免费热线：4008786641