Fackartikel
Automatisk feligenkänning: varje bild lika noga
Optiska fel är de vanligaste i totalentreprenad — och de tråkigaste. Just därför missar en människa under tidspress dem, och en maskin inte.
Fackartikel från Open Experience GmbH. Status: september 2026
Hur fungerar AI-feligenkänning i byggandet?
En algoritm för objektigenkänning genomsöker byggplatsupptagningar efter optiska avvikelser som repor, sprickor, fläckar eller skador och markerar de berörda bildpartierna. Genom jämförelse med BIM-modellen bestäms fyndets position; därefter kontrolleras om ett fel redan är registrerat på den platsen. Är det nytt läggs det upp och klassificeras automatiskt, och ett utsnitt av igenkänningen tjänar som underlag. Metoden prövades i det tyska forskningsprojektet ESKIMO.
Rättsläge: Tyskland (civillagen BGB, entreprenadvillkoren VOB/B, arvodesförordningen HOAI). I andra länder gäller andra regler, och vad som avtalats i byggkontraktet går före de standardfrister som nämns här.
Förloppet i fem steg
Själva igenkänningen är bara ett steg av fem. De andra fyra avgör om ett markerat bildparti blir ett användbart ärende.
- 1 — RegistreraRegelbundna, positionerade upptagningar av byggarbetsplatsen, till exempel som 360°-rond med hjälmkamerasystemet.
- 2 — Känna igenObjektigenkänningen markerar avvikande partier i bilden och tilldelar dem en feltyp.
- 3 — PositioneraGenom jämförelse med modellen blir en plats i bilden en position i byggnadsverket.
- 4 — JämföraFinns redan ett fel på den platsen uppstår inget andra. Utan det steget skapar automatiken dubbletter i stället för nytta.
- 5 — Lägga uppDet nya felet registreras med klassificering, bildutsnitt och position — och går samma väg som varje annat fel.
Vad maskinen kan bättre — och vad den inte kan
Jämförelsen är ingen värdering utan en arbetsfördelning.
| Uppgift | Människa | Automatisk igenkänning |
|---|---|---|
| *Se varje bild lika noga* | Knappast möjligt att hålla under tidspress | Den egentliga fördelen |
| *Hitta de minsta avvikelserna* | Beror på ljus, rutin och dagsform | Systematiskt, pixelnoggrant |
| *Bedöma orsaken* | Erfarenhet och sammanhang | Inte möjligt |
| *Uppskatta relevansen* | Känner avtal, detalj och byggförlopp | Inte möjligt |
| *Reda ut saken med de inblandade* | Byggledningens kärnuppgift | Inte möjligt |
Maskinen levererar kandidater, inte beslut. Nyttan uppstår där en person kan gå igenom kandidaterna snabbare än råbilderna.
Varifrån träningsdata kom
Igenkänningsmetoder är bara så bra som materialet de tränats på. I projektet ESKIMO analyserades över hundratusen upptagningar av optiska fel — repor, sprickor, skador — och kategoriserades för hand. Det handarbetet är den osynliga delen av varje AI-projekt; det förklarar också varför metoder från andra branscher inte utan vidare går att överföra till byggandet.
Att placera in det rätt: ESKIMO var ett forskningsprojekt med elva partner och en budget på 2,4 miljoner euro. Resultaten är prototyper, inga seriefunktioner.
Fem verkningar som visar sig
Jämnhet
Den trettionde lägenheten granskas lika noga som den första.
Färre dubbletter
Jämförelsen med befintliga ärenden hindrar dubbel registrering — i listor ett ständigt problem.
Styrkt i stället för beskrivet
Det markerade bildutsnittet visar vad som menas. Återfrågorna bortfaller.
Tidigare i stället för senare
Det som faller i ögonen under pågående rond är fortfarande hantverk och inget garantifall.
Analyserbart
Upprepas samma feltyp vid samma detalj är det en signal om projekteringen.
Och
Byggledningen går igenom kandidater i stället för att öppna varje bild för sig.
Förutsättningen är inte själva AI-tekniken
Den vanligaste orsaken till att automatisk igenkänning inte ger något i projekt ligger före algoritmen: bilderna saknas. Utan regelbundna, jämförbart upptagna och positionerade ronder finns inget att analysera. Den som börjar i dag vinner först genom själva registreringen — automatiseringen kommer ovanpå senare.
Vägen från fynd till ärende
Om ett fel hittas av en person eller av en algoritm ändrar ingenting i vad som måste hända därefter: det behöver plats, bild, beskrivning, ansvarig och frist, och det måste följas fram till friskrivningen. Just för det är Construction Defects byggt — igenkänningen levererar kandidater in i samma process i stället för att skapa en andra lista.
Vanliga frågor
Går den automatiska feligenkänningen att beställa i dag?
Nej. Den kommer ur forskningsprojektet ESKIMO och har demonstrerats där. Produktivt tillgängliga är pixling, föremålsigenkänning och den automatiska bildklassificeringen.
Vilka fel går över huvud taget att känna igen automatiskt?
Optiska företeelser på synliga ytor: repor, sprickor, fläckar, missfärgningar, skador. Allt som kräver mätning, öppning eller beröring förblir mänsklig granskning.
Hur tillförlitlig är igenkänningen?
Den levererar kandidater med olika säkerhet. För praktiken är träffkvoten mindre avgörande än hanteringen av falsklarm — en lista som har fel för ofta granskas inte längre.
Ersätter det ronden?
Nej. Det ändrar vad som sker under ronden: att ta upp i stället för att protokollföra. Bedömningen sker efteråt, vid skärmen.
Vad händer med felaktigt igenkända fel?
De förkastas. Viktigt är att förkastandet dokumenteras — annars dyker samma fynd upp igen vid nästa rond.
Behöver igenkänningen en BIM-modell?
För den exakta positioneringen ja, för själva igenkänningen nej. Utan modell går fyndet att koppla via upptagningspunkten på planritningen.
Källor och rättslig grund
De rättsliga uppgifterna i denna artikel bygger på primärkällorna nedan. Artikeln ersätter inte juridisk rådgivning i det enskilda fallet.
Först bilderna, sedan automatiken.
45 minuter i ditt projekt: hur en rond blir till som över huvud taget gör analysen möjlig.