К основному содержанию
скилл CX Codex

progress-photo-analyzer — скилл для Claude Code: обзор и установка

Скилл progress-photo-analyzer оценивает ход работ на стройплощадке по фотографиям, находит нарушения безопасности и сопоставляет факты со стройгенпланом или BIM-моделью.

MIT 119 установок ★ 434 обновлён 2026-10-19

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add datadrivenconstruction/DDC_Skills_for_AI_Agents_in_Construction --skill progress-photo-analyzer -a claude-code
Открыть на GitHub

Что делает progress-photo-analyzer

Разбор фотографий со стройки часто делают вручную. Из-за этого оценки прогресса субъективны, а риски на объекте регулярно пропускают. Скилл структурирует фотоматериалы и готовит метаданные для анализа через Python-скрипты.

В коде заложена классификация типов съёмки (PhotoType), видов работ (WorkActivity — от фундамента до отделки) и нарушений безопасности (SafetyIssue, включая отсутствие СИЗ или риски падения). Анализатор собирает результаты в объект PhotoAnalysisResult: фиксирует процент завершения, число рабочих, видимую технику и погоду.

Для запуска скриптов нужен интерпретатор python3. Без точных метаданных о локации или зоне объекта определение этапов опирается на эвристики.

Какие задачи решает

  • структурировать фотографии со строительной площадки по зонам и типам
  • фиксировать нарушения техники безопасности вроде отсутствия СИЗ
  • оценивать процент готовности конструкций по фотофиксации
  • подсчитывать количество рабочих и спецтехники в кадре

Примеры запросов агенту

  • Зарегистрируй снимок site_042.jpg для зоны фундамента и запусти анализ прогресса
  • Проверь фотографию фасада на нарушения техники безопасности и отсутствие касок
  • Подготовь отчёт по объекту с оценкой процента выполнения монтажных работ

Как установить progress-photo-analyzer

1Через Skills CLI (Vercel)

npx skills add datadrivenconstruction/DDC_Skills_for_AI_Agents_in_Construction --skill progress-photo-analyzer -a claude-code

2Вручную: положить файлы

~/.claude/skills/progress-photo-analyzer/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/progress-photo-analyzer/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о progress-photo-analyzer

Как установить progress-photo-analyzer в Claude Code?

Выполните команду npx skills add datadrivenconstruction/DDC_Skills_for_AI_Agents_in_Construction --skill progress-photo-analyzer -a claude-code.

Что делает progress-photo-analyzer?

Он каталогизирует снимки строительной площадки, оценивает стадии строительства, выявляет угрозы безопасности и считает рабочих в кадре.

Какие системные требования нужны для работы скилла?

Для выполнения анализа требуется python3 в командной строке, поддерживаются операционные системы macOS, Linux и Windows.

Исходный текст

SKILL.md · MIT
---
name: "progress-photo-analyzer"
description: "Analyze construction site photos to track progress, detect safety issues, and compare against BIM models using computer vision."
homepage: "https://datadrivenconstruction.io"
metadata: {"openclaw": {"emoji": "🔍", "os": ["darwin", "linux", "win32"], "homepage": "https://datadrivenconstruction.io", "requires": {"bins": ["python3"]}}}
---
# Progress Photo Analyzer

## Business Case

### Problem Statement
Site photos are underutilized for progress tracking:
- Manual review is time-consuming
- Subjective progress assessment
- No systematic comparison to plans
- Safety issues may be missed

### Solution
AI-powered photo analysis system that extracts progress information, detects safety concerns, and compares site conditions to BIM models.

### Business Value
- **Automation** - Reduce manual photo review
- **Accuracy** - Objective progress measurement
- **Safety** - Automatic hazard detection
- **Documentation** - Structured photo records

## Technical Implementation

```python
import pandas as pd
from datetime import datetime, date
from typing import Dict, Any, List, Optional, Tuple
from dataclasses import dataclass, field
from enum import Enum
from pathlib import Path
import base64


class PhotoType(Enum):
    """Types of construction photos."""
    PROGRESS = "progress"
    SAFETY = "safety"
    QUALITY = "quality"
    GENERAL = "general"
    DELIVERY = "delivery"


class AnalysisStatus(Enum):
    """Analysis status."""
    PENDING = "pending"
    ANALYZING = "analyzing"
    COMPLETED = "completed"
    FAILED = "failed"


class SafetyIssue(Enum):
    """Detected safety issues."""
    MISSING_PPE = "missing_ppe"
    FALL_HAZARD = "fall_hazard"
    HOUSEKEEPING = "housekeeping"
    SCAFFOLDING = "scaffolding"
    ELECTRICAL = "electrical"
    EXCAVATION = "excavation"
    NONE = "none"


class WorkActivity(Enum):
    """Detected work activities."""
    EXCAVATION = "excavation"
    FOUNDATION = "foundation"
    CONCRETE_POUR = "concrete_pour"
    STEEL_ERECTION = "steel_erection"
    FRAMING = "framing"
    ROOFING = "roofing"
    MEP_ROUGH = "mep_rough"
    DRYWALL = "drywall"
    FINISHES = "finishes"
    EXTERIOR = "exterior"
    UNKNOWN = "unknown"


@dataclass
class PhotoMetadata:
    """Photo metadata."""
    photo_id: str
    filename: str
    capture_date: datetime
    location: str
    level: str
    zone: str
    photo_type: PhotoType
    photographer: str = ""
    gps_coordinates: Optional[Tuple[float, float]] = None
    file_path: str = ""


@dataclass
class ProgressDetection:
    """Detected progress information."""
    work_activity: WorkActivity
    confidence: float
    description: str
    completion_estimate: float  # 0-100%
    elements_visible: List[str] = field(default_factory=list)


@dataclass
class SafetyDetection:
    """Detected safety information."""
    issue_type: SafetyIssue
    confidence: float
    description: str
    severity: str  # low, medium, high
    location_in_image: Optional[Tuple[int, int, int, int]] = None  # bounding box


@dataclass
class PhotoAnalysisResult:
    """Complete photo analysis result."""
    photo_id: str
    metadata: PhotoMetadata
    analysis_date: datetime
    status: AnalysisStatus
    progress_detections: List[ProgressDetection]
    safety_detections: List[SafetyDetection]
    weather_conditions: str
    worker_count: int
    equipment_visible: List[str]
    quality_issues: List[str]
    notes: str = ""
    bim_comparison: Optional[Dict[str, Any]] = None


class ProgressPhotoAnalyzer:
    """Analyze construction site photos."""

    def __init__(self, project_name: str):
        self.project_name = project_name
        self.photos: Dict[str, PhotoMetadata] = {}
        self.results: Dict[str, PhotoAnalysisResult] = {}
        self._photo_counter = 0

    def register_photo(self,
                      filename: str,
                      capture_date: datetime,
                      location: str,
                      level: str = "",
                      zone: str = "",
                      photo_type: PhotoType = PhotoType.PROGRESS,
                      photographer: str = "",
                      file_path: str = "") -> PhotoMetadata:
        """Register a photo for analysis."""
        self._photo_counter += 1
        photo_id = f"PH-{self._photo_counter:05d}"

        metadata = PhotoMetadata(
            photo_id=photo_id,
            filename=filename,
            capture_date=capture_date,
            location=location,
            level=level,
            zone=zone,
            photo_type=photo_type,
            photographer=photographer,
            file_path=file_path
        )

        self.photos[photo_id] = metadata
        return metadata

    def analyze_photo(self, photo_id: str,
                     image_data: bytes = None) -> PhotoAnalysisResult:
        """Analyze a registered photo."""
        if photo_id not in self.photos:
            raise ValueError(f"Photo {photo_id} not registered")

        metadata = self.photos[photo_id]

        # Perform analysis (simulated - would use CV/AI models)
        progress_detections = self._detect_progress(metadata, image_data)
        safety_detections = self._detect_safety(metadata, image_data)
        weather = self._detect_weather(metadata, image_data)
        worker_count = self._count_workers(image_data)
        equipment = self._detect_equipment(image_data)

        result = PhotoAnalysisResult(
            photo_id=photo_id,
            metadata=metadata,
            analysis_date=datetime.now(),
            status=AnalysisStatus.COMPLETED,
            progress_detections=progress_detections,
            safety_detections=safety_detections,
            weather_conditions=weather,
            worker_count=worker_count,
            equipment_visible=equipment,
            quality_issues=[]
        )

        self.results[photo_id] = result
        return result

    def _detect_progress(self, metadata: PhotoMetadata,
                        image_data: bytes = None) -> List[ProgressDetection]:
        """Detect work progress in photo."""
        # Simulated detection based on metadata
        detections = []

        # In real implementation, this would use computer vision
        location_lower = metadata.location.lower()

        if 'foundation' in location_lower or 'basement' in location_lower:
            detections.append(ProgressDetection(
                work_activity=WorkActivity.FOUNDATION,
                confidence=0.85,
                description="Foundation work visible",
                completion_estimate=60.0
            ))
        elif 'steel' in location_lower or 'structure' in location_lower:
            detections.append(ProgressDetection(
                work_activity=WorkActivity.STEEL_ERECTION,
                confidence=0.90,
                description="Structural steel installation",
                completion_estimate=45.0
            ))
        elif 'roof' in location_lower:
            detections.append(ProgressDetection(
                work_activity=WorkActivity.ROOFING,
                confidence=0.80,
                description="Roofing work in progress",
                completion_estimate=30.0
            ))
        else:
            detections.append(ProgressDetection(
                work_activity=WorkActivity.UNKNOWN,
                confidence=0.50,
                description="General construction activity",
                completion_estimate=0.0
            ))

        return detections

    def _detect_safety(self, metadata: PhotoMetadata,
                      image_data: bytes = None) -> List[SafetyDetection]:
        """Detect safety issues in photo."""
        # Simulated detection - real implementation would use AI models
        detections = []

        # In production, this would analyze the actual image
        if metadata.photo_type == PhotoType.SAFETY:
            # Return empty for demonstration
            pass

        return detections

    def _detect_weather(self, metadata: PhotoMetadata,
                       image_data: bytes = None) -> str:
        """Detect weather conditions from photo."""
        # Simulated - would use image analysis
        return "clear"

    def _count_workers(self, image_data: bytes = None) -> int:
        """Count workers visible in photo."""
        # Simulated - would use person detection
        return 0

    def _detect_equipment(self, image_data: bytes = None) -> List[str]:
        """Detect equipment visible in photo."""
        # Simulated - would use object detection
        return []

    def compare_to_bim(self, photo_id: str,
                      bim_render: bytes = None) -> Dict[str, Any]:
        """Compare photo to BIM model render."""
        if photo_id not in self.results:
            return {'error': 'Photo not analyzed'}

        # Simulated comparison
        comparison = {
            'similarity_score': 0.75,
            'alignment_quality': 'good',
            'discrepancies': [],
            'notes': 'Photo roughly matches BIM model'
        }

        self.results[photo_id].bim_comparison = comparison
        return comparison

    def get_progress_summary(self,
                            from_date: date = None,
                            to_date: date = None) -> Dict[str, Any]:
        """Generate progress summary from analyzed photos."""
        filtered_results = list(self.results.values())

        if from_date:
            filtered_results = [r for r in filtered_results
                              if r.metadata.capture_date.date() >= from_date]
        if to_date:
            filtered_results = [r for r in filtered_results
                              if r.metadata.capture_date.date() <= to_date]

        # Aggregate by activity
        by_activity = {}
        for result in filtered_results:
            for detection in result.progress_detections:
                activity = detection.work_activity.value
                if activity not in by_activity:
                    by_activity[activity] = {
                        'count': 0,
                        'avg_completion': 0,
                        'photos': []
                    }
                by_activity[activity]['count'] += 1
                by_activity[activity]['avg_completion'] += detection.completion_estimate
                by_activity[activity]['photos'].append(result.photo_id)

        # Calculate averages
        for activity in by_activity:
            count = by_activity[activity]['count']
            if count > 0:
                by_activity[activity]['avg_completion'] /= count

        # Safety summary
        total_safety_issues = sum(len(r.safety_detections) for r in filtered_results)

        return {
            'total_photos': len(filtered_results),
            'date_range': {
                'from': from_date.isoformat() if from_date else None,
                'to': to_date.isoformat() if to_date else None
            },
            'by_activity': by_activity,
            'safety_issues_detected': total_safety_issues,
            'average_worker_count': sum(r.worker_count for r in filtered_results) / len(filtered_results) if filtered_results else 0
        }

    def export_report(self, output_path: str):
        """Export analysis results to Excel."""
        with pd.ExcelWriter(output_path, engine='openpyxl') as writer:
            # Photos list
            photos_data = []
            for result in self.results.values():
                photos_data.append({
                    'Photo ID': result.photo_id,
                    'Filename': result.metadata.filename,
                    'Date': result.metadata.capture_date,
                    'Location': result.metadata.location,
                    'Level': result.metadata.level,
                    'Type': result.metadata.photo_type.value,
                    'Status': result.status.value,
                    'Worker Count': result.worker_count,
                    'Weather': result.weather_conditions
                })

            pd.DataFrame(photos_data).to_excel(writer, sheet_name='Photos', index=False)

            # Progress detections
            progress_data = []
            for result in self.results.values():
                for detection in result.progress_detections:
                    progress_data.append({
                        'Photo ID': result.photo_id,
                        'Activity': detection.work_activity.value,
                        'Confidence': detection.confidence,
                        'Completion %': detection.completion_estimate,
                        'Description': detection.description
                    })

            if progress_data:
                pd.DataFrame(progress_data).to_excel(writer, sheet_name='Progress', index=False)

            # Safety detections
            safety_data = []
            for result in self.results.values():
                for detection in result.safety_detections:
                    safety_data.append({
                        'Photo ID': result.photo_id,
                        'Issue': detection.issue_type.value,
                        'Severity': detection.severity,
                        'Confidence': detection.confidence,
                        'Description': detection.description
                    })

            if safety_data:
                pd.DataFrame(safety_data).to_excel(writer, sheet_name='Safety', index=False)

        return output_path


def analyze_site_photos(photo_files: List[str],
                       project_name: str,
                       output_path: str = None) -> Dict[str, Any]:
    """Quick function to analyze multiple photos."""
    analyzer = ProgressPhotoAnalyzer(project_name)

    for file_path in photo_files:
        path = Path(file_path)
        metadata = analyzer.register_photo(
            filename=path.name,
            capture_date=datetime.now(),
            location="Site",
            photo_type=PhotoType.PROGRESS,
            file_path=file_path
        )
        analyzer.analyze_photo(metadata.photo_id)

    summary = analyzer.get_progress_summary()

    if output_path:
        analyzer.export_report(output_path)

    return summary
```

## Quick Start

```python
# Initialize analyzer
analyzer = ProgressPhotoAnalyzer("Office Tower Project")

# Register and analyze photos
metadata = analyzer.register_photo(
    filename="site_photo_001.jpg",
    capture_date=datetime.now(),
    location="Level 3 - Core",
    level="Level 3",
    zone="Zone A",
    photo_type=PhotoType.PROGRESS,
    photographer="John Smith"
)

result = analyzer.analyze_photo(metadata.photo_id)
print(f"Detected activity: {result.progress_detections[0].work_activity.value}")
print(f"Completion estimate: {result.progress_detections[0].completion_estimate}%")
```

## Common Use Cases

### 1. Daily Progress Report
```python
from datetime import date

summary = analyzer.get_progress_summary(
    from_date=date.today(),
    to_date=date.today()
)
print(f"Photos analyzed today: {summary['total_photos']}")
```

### 2. Safety Monitoring
```python
safety_photos = [r for r in analyzer.results.values() if r.safety_detections]
for result in safety_photos:
    for issue in result.safety_detections:
        print(f"Safety issue: {issue.issue_type.value} - {issue.severity}")
```

### 3. Export Analysis
```python
analyzer.export_report("photo_analysis_report.xlsx")
```

## Resources
- **DDC Book**: Chapter 4.1 - Site Data Collection
- **Reference**: Computer Vision for Construction

© datadrivenconstruction · MIT · datadrivenconstruction/DDC_Skills_for_AI_Agents_in_Construction

Похожие скиллы

Все скиллы по теме «ИИ и ML» →
SmartScale Photo Measurement hartjustin6 MCP-сервер SmartScale Photo Measurement вычисляет физические размеры предметов на фото по эталонной банковской карте. Помогает передавать реальные габариты в CAD-модели. CX Codex +1 108установок construction-expert personamanagmentlayer Скилл construction-expert настраивает агента на задачи строительного инжиниринга: управление проектами, контроль безопасности по нормам OSHA и работу со стандартами BIM. CX Codex +1 667установок amc-run-sample-calibration Shubham Agrawal Скилл amc-run-sample-calibration для Claude Code запускает калибровку на тестовом архиве синтетических камер склада и проверяет развёрнутый микросервис AutoMagicCalib. CX Codex +1 647установок opencv tondevrel Скилл подключает OpenCV к агенту: чтение и запись картинок, детекция краёв, контуров, лиц, трекинг объектов в видео. CX Codex +1 333установок senior-computer-vision borghei Скилл senior-computer-vision в Claude Code для проектирования конвейеров компьютерного зрения с детекцией объектов и сегментацией. CX Codex +1 145установок python-opencv JosiahSiegel Скилл python-opencv для Claude Code помогает писать код компьютерного зрения на Python с OpenCV. Активируется при обработке изображений и видео, поиске контуров или работе с цветом. CX Codex +1 100установок

Из того же набора156

Весь набор →
delay-analysis Скилл delay-analysis оценивает срывы графиков в строительных проектах и готовит расчёты для претензий. Помогает разобрать взаимные задержки сторон и подсчитать финансовый ущерб. CX Codex +1 119установок verification-loop-construction Скилл verification-loop-construction проверяет сметы, графики, BIM-данные и отчёты перед отправкой заказчику. Ловит расхождения в итогах, нарушения зависимостей задач и ошибки в кодах CSI. CX Codex +1 119установок project-closeout-checklist Скилл project-closeout-checklist ведёт чек-лист закрытия строительного проекта: документы, финансы, проверки, обучение и гарантии. Помогает видеть незакрытые пункты и общий прогресс. CX Codex +1 119установок n8n-cost-estimation Скилл n8n-cost-estimation для Claude Code собирает n8n-пайплайн для оценки стоимости по Revit и IFC с LLM-классификацией и базой DDC CWICR. Автоматизирует расчёт. CX Codex +1 119установок historical-cost-analyzer Скилл historical-cost-analyzer для Claude Code и других платформ, который анализирует исторические затраты на строительство. Помогает сравнивать проекты, отслеживать инфляцию и калибровать оценки. CX Codex +1 118установок data-quality-check Скилл data-quality-check автоматически оценивает качество строительных данных по пяти метрикам: полнота, точность, согласованность, своевременность и достоверность. Нужен Python 3. CX Codex +1 118установок labor-productivity-analyzer Скилл labor-productivity-analyzer для Claude Code анализирует выработку по специальности, виду работ и месту на объекте. Он подключается к задачам учёта часов, объёмов и целевых показателей. CX Codex +1 118установок site-logistics-optimization Скилл site-logistics-optimization оптимизирует логистику строительной площадки: расписание доставок материалов, позиционирование кранов, распределение складских зон и движение техники. CX Codex +1 118установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой