ВведениеМониторинг строительства протяженных инфраструктурных объектов (автомобильные дороги, железнодорожные пути, трубопроводы, линии электропередач и др.) — сложная техническая задача, в особенности в труднодоступных и малонаселенных районах, таких как Сибирь, Дальний Восток, северные территории России. Традиционные технические средства и технологии мониторинга, включающие наземные геодезические измерения и ручной сбор данных, не позволяет оперативно получать и обрабатывать информацию, тем самым отрицательно влияя на сроки строительства и возможные лишние затраты. Применение беспилотных летательных аппаратов (БПЛА) значительно расширили возможности оперативного мониторинга и позволили оперативно получать цифровую информацию дистанционного зондирования непосредственно со строительных площадок. При этом технологии БПЛА до настоящего времени существенно зависели от человеческого фактора – операторов БПЛА и персонала, занимающегося автоматизированной обработкой данных, получаемых средствами дистанционного зондирования БПЛА.  Развивающиеся в настоящее время технологии искусственного интеллекта (ИИ) позволяют существенно снижать роль человеческого фактора в управлении и обработке данных БПЛА.Основой исследования стали публикации в международной базе Scopus, отобранные по ключевым словам «искусственный интеллект, здания и сооружения, БПЛА».  Количество таких публикаций стремительно растет с 2020 года, что отражается на Рис. 1.Рис. 1. Динамика изменения количества публикаций в Scopusпо ключевым словам «искусственный интеллект, здания и сооружения, БПЛА»В Таблице 1 представлено краткое содержание наиболее цитируемых публикаций.Таблица 1.Краткое содержание наиболее цитируемых публикаций в Scopuпо ключевым словам «искусственный интеллект, здания и сооружения, БПЛА» Авторы, год, ссылкаКол-во цитированийКраткое содержание публикацииDilshad, N. et al.,2020 [1]101БПЛА предлагают гибкое и масштабируемое решение для проведения видеонаблюдения в сравнении с традиционными системами мониторинга, но в то же время имеют свои ограничения. В публикации рассматривается применение БПЛА в обнаружении объектов, мониторинге, поисково-спасательных операциях, выделяются ключевые пробелы в существующих исследованиях. Данный обзор является базой для возможных разработок в области компьютерного зрения на основе БПЛА.Cheng, C.-S. et al., 2021 [2]86В публикации предложена архитектура свёрточной нейронной сети для оценки повреждений зданий после стихийных бедствий на основе изображений БПЛА и ИИ. Модель обучена на данных урагана «Дориан», использует функцию потерь EMD2 для  учета класса повреждений, достигая точности порядка 61%.Munawar, H.S. et al.,2022 [3]68Для автоматизации оценки повреждений инфраструктуры предложена гибридная архитектура CNN (16 сверточных слоев + CycleGAN), дополненная фильтрацией Габора (GF) и условными случайными полями (CRF) для повышения точности обнаружения трещин. Модель, обученная на аэрофотоснимках БПЛА и открытых данных зданий Сиднея, превзошла существующие методы по ключевым метрикам (точность до 99%, F1-score 0.858), демонстрируя устойчивость к шуму и эффективность при многоуровневом анализе. Результаты подтверждают потенциал глубокого обучения для объективной и экономичной диагностики повреждений в гражданском строительстве.Wang, C. et al., 2021 [4]50В исследовании предложен систематический метод создания 3D-моделей зданий для энергетического моделирования, объединяющий данные карт Baidu и OpenStreetMap, оценку высоты по этажности и AI-анализ соотношения окон к стенам (WWR). Метод показал высокую точность, с ошибками менее 10% для 85% зданий, и успешно применен в новом районе Нанкина.Mishra, M. et al., 2024 [5]48В данном исследовании рассматривается применение искусственного интеллекта (ИИ), глубокого обучения (DL) и компьютерного зрения (CV) для мониторинга и сохранения объектов культурного наследия (CH). Авторы отмечают, что такие дефекты, как трещины, выветривание, эрозия и вандализм, негативно влияют на структурную целостность исторических зданий, однако количественный анализ этих повреждений с помощью ИИ остается малоизученной областью.Chakravarthy, A.S. et al., 2022 [6]36Исследование предлагает энергоэффективную систему семантической сегментации аэрофотоснимков, где БПЛА выполняют только сбор данных, а сложные вычисления переносятся в облако. Трехуровневая архитектура с полуконтролируемым обучением демонстрирует хорошие результаты, анализируя совместно снимки и карты высот.Singh, D. et al., 2022 [7]34Исследование анализирует применение IoT, ИИ, БПЛА и edge computing для решения ключевых проблем BIPV-систем: перегрев модулей, дефекты и загрязнение поверхностей. Предложена архитектура интеграции этих технологий, включая ML-анализ изображений в реальном времени и edge-обработку данных. Pu, S. et al., 2019 [8]29Исследование предлагает автоматизированную систему инспекции ЛЭП с использованием БПЛА, лидара и ИИ (3D CNN), которая классифицирует элементы энергосетей, анализирует риски по отраслевым стандартам и передаёт отчёты через 4G. Тестирование на линиях 1000 кВ подтвердило эффективность метода для оперативного выявления дефектовTo, A. et al., 2021 [9]26Исследование предлагает цифровую платформу для интеграции Digital Twin в строительство, объединяющую ИИ, 3D-реконструкцию с БПЛА и BIM для мониторинга и выявления дефектов. Разработанная модульная архитектура с настраиваемыми компонентами прошла валидацию, демонстрируя эффективность для задач строительной диагностикиJing, Y. et al., 2023 [10]26Исследование предлагает инновационную систему AGIFL, объединяющую БПЛА и федеративное обучение для 6G-сетей, где дроны оптимизируют позиционирование и распределение ресурсов между edge-узлами. Алгоритмы на основе SCA демонстрируют на 30% более высокую энергоэффективность по сравнению с традиционными методами при сохранении точности обучения, что подтверждено полевыми испытаниями. Lemos, R. et al., 2023 [11]25Исследование предлагает ИИ-метод для автоматического выявления коррозии на крышах промзданий с использованием БПЛА и нейросети Mask R-CNN, обученной на 8 тыс. аэрофотоснимков с 18 тыс. размеченных аномалий. Система демонстрирует точность 85,8% даже в сложных условиях, помогая специалистам принимать обоснованные решения по обслуживанию объектов.Chodorek, A. et al., 2021 [12]22Исследование представляет открытую модульную платформу для БПЛА-мониторинга, объединяющую IoT-датчики, WebRTC-трансляцию и бортовые ИИ-ускорители для задач в умных городах и промышленности. Система демонстрирует эффективность при работе в сложных условиях, обеспечивая высокое пространственно-временное разрешение и обработку данных в режиме near real-timeHoang, M.L. et al., 2023 [13]20Разработана интеллектуальная система безопасности на базе БПЛА с ИИ, объединяющая датчики IoT (PIR, датчик пламени) и компьютерное зрение (YOLOv8) для автоматического обнаружения пожаров, злоумышленников и опасных объектов. Система с алгоритмами сопровождения и контроллером PID обеспечивает автономный мониторинг и оперативную передачу данных службам безопасности. При этом анализ публикаций всей выборки позволил выявить основные направления исследования, к которым относятся:комплексное использование ИИ и глубокого обучения,применение нейросетевых архитектур,применение БПЛА для мониторинга протяженных объектов,фокус на автоматизацию и open-sourse решения,внедрение полученных результатов в цифровые двойники и пр.Авторы из России также пишут на тему применения БПЛА в строительстве [14-19 и др.].Далее рассмотрим наиболее перспективные направления в рамках проведенного исследования.Применение технологий ИИ для распознавания структур при съемке строительных объектовВ настоящее время в мире активно развивается направление исследований в области создания алгоритмов автоматического ориентирования и построения траектории БПЛА при съемке строительных объектов. Для ориентирования на местности в условиях невозможности  использования глобальных навигационных систем для определения точного местоположения БПЛА относительно строительного объекта (глушения сигнала) возможно использование быстрых алгоритмов на основе свёрточных нейронных сетей (CNN), способных проводить оперативный анализ получаемых изображений и выявлять простые легко распознаваемые элементы: в первую очередь границы и текстуры. Такие методы могут применяться, в том числе, и для создания цифровых карт (схем) строительных площадок для задач автоматического ориентирования БПЛА при мониторинге. Примером такого программного решения является AI-mapping от компании DJI.В зависимости от задач распознавания можно реализовывать различные алгоритмы распознавания форм объектов или структур. В рамках написания статьи был разработан пример листинга программного кода на языке Python для распознавания эллипсоидальных структур на изображении:# Установка зависимостей!pip install opencv-python-headless matplotlib ipywidgets # Подключаем библиотекиfrom IPython.display import display, clear_outputimport ipywidgets as widgetsimport cv2import numpy as npimport matplotlib.pyplot as pltfrom google.colab import files plt.rcParams[&#39;font.family&#39;] = &#39;DejaVu Sans&#39; # Глобальная переменная для хранения изображения_img = None def upload_image():    """Запрашивает загрузку нового файла и сохраняет его в _img."""    global _img    clear_output(wait=True)    print("Пожалуйста, загрузите снимок строительной площадки (JPG, PNG и т.п.):")    uploaded = files.upload()    if not uploaded:        print("Файл не загружен.")        return False    fname = next(iter(uploaded))    data = np.frombuffer(uploaded[fname], np.uint8)    _img = cv2.imdecode(data, cv2.IMREAD_COLOR)    print(f"Файл «{fname}» загружен.")    build_interface()    return True def remove_image():    """Удаляет текущее изображение и очищает интерфейс."""    global _img    _img = None    clear_output(wait=True)    print("Изображение удалено.")    # Предложим сразу загрузить новое    upload_button.description = "Загрузить изображение"    display(upload_button) def detect_ellipses(lower_canny:int,                    upper_canny:int,                    min_points:int,                    min_area:int,                    min_axis_ratio:float):    """Выполняет распознавание эллипсоидальных структур на _img."""    gray = cv2.cvtColor(_img, cv2.COLOR_BGR2GRAY)    blur = cv2.GaussianBlur(gray, (5, 5), 0)    edges = cv2.Canny(blur, lower_canny, upper_canny)    contours, _ = cv2.findContours(edges, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)     out = _img.copy()    count = 0    for cnt in contours:        if len(cnt) < min_points:            continue        try:            ellipse = cv2.fitEllipse(cnt)        except cv2.error:            continue        (_, _), (MA, ma), _ = ellipse        area = MA * ma        axis_ratio = min(MA, ma) / max(MA, ma)        if axis_ratio >= min_axis_ratio and area >= min_area:            cv2.ellipse(out, ellipse, (0, 255, 0), 2)            count += 1     print(f"Найдено эллипсоидальных объектов: {count}")    fig, ax = plt.subplots(1, 2, figsize=(12, 6))    ax[0].imshow(cv2.cvtColor(_img, cv2.COLOR_BGR2RGB))    ax[0].set_title("Исходное изображение")    ax[0].axis(&#39;off&#39;)    ax[1].imshow(cv2.cvtColor(out, cv2.COLOR_BGR2RGB))    ax[1].set_title("Результат распознавания")    ax[1].axis(&#39;off&#39;)    plt.show() def build_interface():    """Создаёт и отображает ползунки, подсказки и кнопки управления."""    clear_output(wait=True)     # Виджеты для параметров    lower_canny_slider = widgets.IntSlider(        value=50, min=0, max=200, step=5,        description="Низкий порог Canny",        tooltip="Минимальный градиент яркости для кандидатов в границы"    )    upper_canny_slider = widgets.IntSlider(        value=150, min=0, max=300, step=5,        description="Высокий порог Canny",        tooltip="Градиент, выше которого пиксель считается границей"    )    min_points_slider = widgets.IntSlider(        value=50, min=10, max=200, step=5,        description="Мин. точек",        tooltip="Минимальное число точек в контуре для аппроксимации эллипсом"    )    min_area_slider = widgets.IntSlider(        value=500, min=100, max=10000, step=100,        description="Мин. площадь",        tooltip="Произведение полуосей (MA·ma) в пикселях"    )    axis_ratio_slider = widgets.FloatSlider(        value=0.5, min=0.1, max=1.0, step=0.05,        description="Мин. отношение осей",        tooltip="Отношение меньшей полуоси к большей (1.0 — идеально круглый)"    )Алгоритм работы кода представлен на Рис. 2.Рис. 2. Блок-схема работы программного кодаНа Рис. 3 и 4 приводится интерфейс тестового программного обеспечения, показывающий возможность решения подобных задач мониторинга при строительстве.Рис. 3. Пример интерфейса ПО распознавания эллипсоидальных структурРис. 4. Пример распознавания эллипсоидальных структур на изображении строительной площадкиПрименение технологий ИИ для автономного управления движением БПЛА при съемке строительных объектовОтдельным направлением исследований является развитие методов автономной навигации при сьемке сложных строительных объектов. Примером является система Skydio X10, позволяющая проводить автономную съемку сложного строительного объекта, в которой применяемые технологии ИИ позволяют обходить препятствия.Для построения маршрутов облета протяженных строительных объектов целесообразно использовать гибридные алгоритмы с использованием машинного обучения, когда новые маршруты строятся автоматически на основе ранее проведенных полетов и съемок. Примером является гибридный алгоритм Whale-inspired Deep Q-Network (WDQN).Еще одним примером является многофункциональное программное обеспечение UgCS, позволяющее планировать и оптимизировать траектории движения БПЛА при проведении съемки строительных объектов. Данный программный продукт интересен в первую очередь возможностью импорта цифровых информационных моделей поверхности относительно которой ведется съемка. Применение цифровых моделей в алгоритмах расчета траектории полета позволяет оптимизировать маршруты (сгладить траекторию), а также максимизировать сбор полезной информации.Применение технологий ИИ при комплексной камеральной обработке информации с БПЛАПерспективным направлением исследований является разработка автономных систем анализа данных, получаемых при съемке строительных объектов с использованием БПЛА. Современные методы ИИ позволяют не только обнаруживать дефекты строительных конструкций, но и классифицировать их. Применение методов машинного обучения для обнаружения и классификации трещин в строительных конструкциях позволяет достигать до 90 % точности распознавания и определения класса дефекта. При этом необходимо отметить, что ключевую роль в данном случае играет набор тестовых данных для обучения алгоритмов распознавания. Именно отсутствие необходимых наборов тестовых данных дефектов разного вида для обучения алгоритмов распознавания на основе ИИ является ключевым тормозящим фактором тиражирования и массового внедрения данных технологий.Автоматизация процессов формирования отчетов по результатам проведенного мониторинга также является перспективной задачей для применения искусственного интеллекта. Современные аппаратно-программные средства позволяют комплексировать данные мониторинга БПЛА с данными других цифровых устройств (в том числе наземных камер и IoT-датчиков). Таким образом, современные программные средства позволяют проводить комплексный анализ данных как для оптимизации планирования и оптимизации ресурсов, так и для обеспечения безопасности и оценки качества проводимых работ. Но в тоже самое время увеличение каналов передачи данных существенно влияет на киберзащищенность таких информационных систем.ВыводыВ заключение необходимо отметить, что применение технологий ИИ для целей мониторинга строительных объектов с использованием БПЛА в настоящее время находится в стадии становления и открывает новые горизонты для применения технологий автоматического контроля строительства. Особую актуальность в данном случае приобретают задачи мониторинга протяженных строительных объектов.Приведенные примеры успешной реализации задач мониторинга строительства на основе применения БПЛА и обработки данных с использованием ИИ показывают большой потенциал их применения для оптимизации процессов строительного производства, снижение затрат и обеспечение безопасности при строительстве. В то же самое время выявлены существенные ограничения их тиражирования и внедрения, такие как отсутствие наборов тестовых данных для обучения и решение вопросов кибербезопасности.