Kan een bewakingscamera die er toch al staat ook laten zien wanneer een graafmachine stilstaat? Xander Küpers ontwikkelde voor zijn bachelorscriptie aan de Universiteit Twente een lichtgewicht AI-algoritme dat stilstand van bouwmachines herkent, rechtstreeks in het camerasysteem en zonder dure hardware.
Bouwmachines zoals graafmachines, kiepwagens en betonmixers behoren tot de grootste kostenposten van een aannemer. Een machine die stationair draait, verbruikt brandstof zonder iets op te leveren. Eerder onderzoek laat zien dat zes minuten minder stilstand per uur bij een kiepwagen het brandstofverbruik en de COâ‚‚-uitstoot met ongeveer 10 procent verlaagt. Handmatig bijhouden hoe machines worden benut is duur, tijdrovend en foutgevoelig. Tegelijk staan op veel bouwplaatsen al mobiele camerasystemen tegen diefstal en vandalisme. Die infrastructuur is het vertrekpunt van dit onderzoek.
Doelstelling en aanpak
Het doel was een algoritme dat de benutting van bouwmachines in beeld brengt en draait op de hardware van bestaande bewakingscamera’s: een gewone processor (zoals een Intel i3 met 8 tot 16 GB geheugen) zonder grafische kaart. Omdat de berekening op de camera zelf gebeurt (edge computing), hoeven er geen beelden naar een server. Dat scheelt dataverkeer en vertraging.
Het algoritme werkt in drie stappen:
- Herkennen. Een objectdetectiemodel (YOLOv8) herkent graafmachines, kiepwagens en betonmixers in het camerabeeld. Het model is getraind op beelden uit twee openbare datasets met bouwmachines in verschillende weersomstandigheden, lichtcondities en standpunten.
- Volgen. Een volgalgoritme (ByteTrack) geeft elke machine een eigen nummer en houdt die vast, ook als machines elkaar tijdelijk overlappen.
- Stilstand bepalen. Per machine wordt gekeken hoeveel de positie en de grootte van het kader rond de machine veranderen over een korte reeks beelden (1,5 seconde). Een eenvoudig statistisch model (logistische regressie) beslist op basis daarvan of de machine stilstaat of actief is.
De onderdelen zijn getest op een gewone computer en op beelden van een bedrijf in bouwplaatsbewaking.
Belangrijkste resultaten
Het detectiemodel herkent bouwmachines betrouwbaar: 80 procent van de herkende objecten is ook echt een machine, en de gecombineerde score van precisie en volledigheid (F1-score) komt uit op bijna 72 procent. Door het model om te zetten naar een voor Intel-processoren geoptimaliseerd formaat (OpenVINO) steeg de verwerkingssnelheid van 4 naar 33 beelden per seconde, zonder verlies aan nauwkeurigheid.
De stilstandherkenning gaf in 79 procent van de gevallen het juiste oordeel. Omdat deze stap alleen op een eenvoudige formule rust, kost hij nauwelijks rekenkracht.
In de praktijktest werden graafmachines en kiepwagens herkend en kiepwagens soepel gevolgd. Bij graafmachines ging het volgen minder goed: ze kregen soms een nieuw nummer, vooral als ze langer dan ongeveer tien seconden achter een zandhoop of wuivende bladeren verdwenen. Ook werd beweging af en toe gemist, waardoor een actieve machine enkele seconden als stilstaand werd aangemerkt. Het volgalgoritme zelf kon niet formeel worden getoetst, omdat er geen gelabelde videobeelden beschikbaar waren.
Conclusie en bijdrage
Het onderzoek laat zien dat stilstand van bouwmachines in realtime te herkennen is met alleen de processor van een bestaand camerasysteem. Projectleiders en aannemers krijgen zo zicht op de benuttingsgraad van hun materieel. Dat helpt bij het verbeteren van de Overall Equipment Effectiveness (OEE): onverwachte stilstand kan direct worden gesignaleerd, inefficiënties in werkprocessen worden zichtbaar en over- of verkeerd gebruik van machines kan worden voorkomen. Minder stilstand betekent lagere brandstof- en loonkosten en minder CO₂-uitstoot.
Er zijn ook beperkingen. Camera’s die draaien, kantelen of zoomen verstoren het volgen, en een machine die van de ene camera naar de andere rijdt, wordt niet herkend als dezelfde machine. Daarnaast is alleen het kleinste YOLOv8-model gebruikt en is het algoritme nog niet getest in de softwareomgeving (Docker) waarin bewakingssystemen meestal draaien. Als vervolgstappen noemt de auteur het herkennen van specifieke activiteiten, het volgen met bewegende camera’s en vuistregels zoals ‘langer dan vijf minuten stil is inactief’.
Volledige publicatie
De volledige scriptie (Engelstalig) lees je in de repository van de Universiteit Twente: Idle Identification of Construction Machinery through a Deep Learning-Based Algorithm Embedded in Surveillance Camera Systems.
Mede mogelijk gemaakt door
Dit onderzoek is onderdeel van het ECOLOGIC-project over het optimaliseren van bouwlogistiek, gefinancierd door het Ministerie van Infrastructuur en Waterstaat en TKI Dinalog. Partners in ECOLOGIC zijn onder meer Dura Vermeer, BauWatch, Datacadabra, CAPE Groep, Aannemingsmaatschappij Hegeman-Nijverdal en Pioneering.
